<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Kevin Nguyen on Medium]]></title>
        <description><![CDATA[Stories by Kevin Nguyen on Medium]]></description>
        <link>https://medium.com/@anknguyen?source=rss-2b27bc96ae52------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*ajhv3dT7wfjiGaMh.</url>
            <title>Stories by Kevin Nguyen on Medium</title>
            <link>https://medium.com/@anknguyen?source=rss-2b27bc96ae52------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 04:29:57 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@anknguyen/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[One year at Uiza.io as a Founder]]></title>
            <link>https://medium.com/@anknguyen/one-year-at-uiza-io-as-a-founder-34862fbbffe1?source=rss-2b27bc96ae52------2</link>
            <guid isPermaLink="false">https://medium.com/p/34862fbbffe1</guid>
            <category><![CDATA[company-culture]]></category>
            <category><![CDATA[startup-lessons]]></category>
            <category><![CDATA[startup]]></category>
            <dc:creator><![CDATA[Kevin Nguyen]]></dc:creator>
            <pubDate>Wed, 20 Feb 2019 04:15:26 GMT</pubDate>
            <atom:updated>2019-02-21T04:05:24.172Z</atom:updated>
            <content:encoded><![CDATA[<h3>5 Lessons after Building a Startup and Closing 2 rounds in a year</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*j7yvJ_LgYbBZ18qyU3adOw.png" /></figure><p>I and my co-founders started Uiza one year ago and this is one of my most eventful year of my life. I have been through at least 2 startups before as a Co-founder but the experience in Uiza is a whole different story and worth a blog post.</p><p>Everyone asks me how Uiza works as a global startups and nurture from Vietnam, others ask me how Uiza managed to close 2 funding rounds a year, or how our cultures are. Beyond everything, I personally think there are some core values that made us to be there today.</p><p><strong>1/ Commitment decides everything</strong></p><p>In July 2018, we have our first soft-launching in Broadcast Asia, the Asian biggest broadcasting and OTT conference.</p><p>According to our plan, we will demo 3 best things we can do. The first thing is the fastest video processing/encoding technology in the market. The second thing is ContentID solution using AI/ML. And the final thing is the ability to scale up livestreaming to 1 million concurrent users within few minutes. All the teams worked tirelessly for the last 2 weeks to deliver whole 3 demos on time. Until the day right before the show, all the engineer team worked for nearly 72 hours without sleeping to make sure all the demos are working fine. The result is we can deliver only 2 first demos but not demo 3 due to a technical issue that we unforeseen. Engineer team have fighted together until last minutes and even during the show to keep our commitment.</p><p>Of course we have learnt a lot of things related to appropriate planning or resource allocation, however the spirit of extreme commitment is best demonstrated through this hard time.</p><p>Trust is our foundation concept and commitment is the way to build trust. Throughout the whole year, there are some moments that we cannot make our commitment in time, we learnt from that and fix that immediately. But wherever in Uiza, word “commit” is the thing that you can hear everyday.</p><p><strong>2/ Growth mindset is Always On</strong></p><p>In November 2017, we have a just-graduated fresher called HuyNT. At that time, he knows nothing about what actual programming is (blame to Vietnamese education system). The only reason we hired HuyNT is because of a strong good reference from our friend calling his potential.</p><p>After just one year, Huy has tremendous development from a guy who didn’t know how to pull a git to an engineer working on among variety of expertise including back-end infrastructure, data streaming, and even front-end application. He is one of the best growth mindset people that we have ever seen. Everyday he knows that he must know additional things, he knows that the unknown things are much more than things he knows. He put his ego at the door and keep learning with a hungry curiosity.</p><p>There is no formula, there is no science, and there is no perfect outcome either. Every day there needs to be success and every day there needs to be a step forward. And everyday we achieve, we need to feel like we are still behind.</p><p><strong>3/ The customer’s perception is our reality</strong></p><p>Yann, our VP Product is the most customer-obsessed one I ever known. She joins in every clients in-person meetings, chat with everyone who had been trying our product through Intercom, meet anyone that she think they could be our potential client, working with Growth team everyday to discuss about client pain points.</p><p>But the best thing is when she fighted with the team about the features we want to put in the next version. Her authenticity to our clients also demonstrated in every sentences she will begin with: “ It seems our clients…” or “Our clients think…”.</p><p>At Uiza, we believe in creating products to solve real problems and helping developers (our customers) to maximize their benefits when using them. Developer is our guiding principle. We always go back to the “why” to make better decisions by customer data and insight-driven and actually deliver benefits to our clients by anticipating their needs is our principles.</p><p><strong>4/ Straight is the shortest route</strong></p><p>Straightforward embed in our daily operations through 1-on-1 meetings. Actually 1:1 is not presented in the first days of Uiza. At the beginning, all the teams are too much focused on coding and building the product. Through long time of stretching our goal, someones get frustrated by other working style by no talking to others. The conflict seems bigger and bigger but we find no way to solve it completely.</p><p>Finally I decided that we should do 1:1 weekly among everyone with their direct report. After experiencing 1:1, we learn that the fastest way to solve the problems is talking directly to other even they are your peers or your manager or whoever you are working with. Even with our managers, they experienced that the only way to improve team performance is going very straightforwardly in almost every situation with their team members.</p><p>The second thing is the perception of straightforward is different among people. What we need to do is the set a very straight way about how we consider what is straightforward in every major situations while working. And we need to try to be the one who demonstrated first and frequently. If you throw everyone to 1:1 meeting without guidance or principles, they will not know how to do that in a meaningful way.</p><p><strong>5/ Excellence is a habit</strong></p><p>To my personal opinion, we could not be smarter than our competitors, we could not be having more money than our competitors, the only chance that we could get over our competitors is by working harder and be self-disciplined than them. Anything they build in 1 years, we need to build within 2 months. We need to quickly build something that they don’t know and they will not be able to catch us at any speed.</p><p>To achieve that, self discipline is the root of all positive qualities. It is the glue that holds together all of the other attributes within the character of a great individual. Self-discipline is more specifically about your ability to control your desires and impulses in an attempt to stay focused (for long enough) on what needs to get done to successfully achieve that goal.</p><p>We all started with a very embarrassing product (<a href="https://twitter.com/reidhoffman/status/847142924240379904">https://twitter.com/reidhoffman/status/847142924240379904</a>), and if we cannot keep our self-discipline in building our product, we cannot go there. We are so proud that what Uiza have build in 1 year, others will need 2x-3x times to build.</p><p>In the end of the day, we believe if we can build a solid trust among people, this is the most sustainable and scalable foundation we have. All core values are our trying to demonstrate trust with everyone we work with, our people, our developers, our customers, our investors, and our potential candidates. It will become our competitive advantage. And it will become something may interest you. We are hiring talents to be our part of culture and our journey. Email me (kevin@uiza.io) if you find Uiza is interesting and worth a try!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=34862fbbffe1" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Artificial Intelligence or the Evolution of Humanity]]></title>
            <link>https://medium.com/@anknguyen/artificial-intelligence-or-the-evolution-of-humanity-8ae60a888e27?source=rss-2b27bc96ae52------2</link>
            <guid isPermaLink="false">https://medium.com/p/8ae60a888e27</guid>
            <category><![CDATA[philosophy]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[computer-science]]></category>
            <dc:creator><![CDATA[Kevin Nguyen]]></dc:creator>
            <pubDate>Sat, 16 Feb 2019 10:29:22 GMT</pubDate>
            <atom:updated>2019-02-16T10:29:22.969Z</atom:updated>
            <content:encoded><![CDATA[<p>Ok, you see the headline sounds like a blast, thinking I’m going to read something academic right? Actually my intention at the beginning with this article is to write it very academically. But I found the casual style is much more interesting, let’s start. The whole content of the article will <strong><em>address the root of wisdom and what is changing the evolution of mankind today</em></strong>.</p><p>Once upon a time, long ago, there was a great philosopher named Aristotle, he spend all his life seeking the right answer to the question, “What is the purpose of human?” It is written for easy to understand (actually, every philosopher wonders that question). Aristotle offers a philosophical doctrine called <strong>Teleology</strong>, which states that all things in nature exist for the ultimate goal (the Greek term for telos). <strong>Things exist for the sake of other things, and things exist for the sake of perfecting the essence</strong>. Although that view is somewhat theological, it is the foundation of many later philosophical theories, typically Hegel and Marx.</p><p>Teleology has much influence on Biology in the study of evolution, to answer the question “Why did you come to this Earth?” Sorry I’m joking a bit (too many headaches here: D). But really, <strong>the question of the origin of human intelligence originated here</strong>. Why in the same habitat where homo sapiens become so intelligent in a different way? Why not a sabre-toothed tiger? Nor the dolphin? In 1842 Charles Darwin penned the first sketch for a book called <em>The Origin of Species</em>. In that Darwin gave us a bit of light about the origins of human intelligence, the answer is natural selection. From the 8th grade, you knew “natural selection”, right? <strong>What natural selection has to do with human wisdom?</strong></p><p>800 thousand years ago, the human is still much like a chimpanzee, not as beautiful as it is now, Link (a homo, I am playing Legend of Zelda so …, well) are hunting in pouring rain, suddenly he saw a wild pig running in front of him. Link is in ready to prepare slanting poor piggy, then suddenly the sky blast! The wild pig caught fire and burned in front of the Link, “So lost this one today,” Link thought and turned sadly prepared to leave. Suddenly, a strangely scented wonder never caught the Link’s nose, he found strange and turned to look at the burning fire. Link approached and stared at, then tasted, “Oh my god, it’s awesome!” Well, the story I just told is the origins of rotten pigs, oops sorry, the origins of fire: D Fire can be considered as one of the greatest inventions, and it is actually found so (in an understandable way). In the lengthy flow of natural selection that lasts millions of years, mankind is often one step ahead of any other species when it comes to finding things like weapons, fire, and later wheels, steam engines, electricity, the Internet, etc. And <strong>those inventions are the source of human intelligence</strong>.</p><p>So why mankind dominates the world but not another species, it’s a question that not only Mario Balotelli wondered, “Why always me?”: D In 1998, in a prominent statement “<em>Variability selection in hominid evolution</em>”, Dr. Rick Potts hypothesizes why we are, not another species. The answer of a few hundred pages, but can be summed up in one sentence, is <strong>the ability to adapt extraordinarily to the external circumstances of human beings is the key to make human becoming as smart today</strong>.</p><p>By joining Doraemon’s time machine and fast-forward to 2019, we live in an era where adaptation reaches the upper limit. People do not want to do boring and repeatable work, they need to create something in replacement. And that’s when people “<em>summons a demon</em>” (Elon Musk) that we called, artificial intelligence, or AI (Artificial Intelligence).</p><p>Well, AI is now a trendy word, everyone is trying to add AI to whatever they are doing. I’ve seen companies that only add AI-based features to their old products and make them into fashionable brands and can sell for as much as five or ten times. But this article does not mention what negative is happening in the AI ​​field. In the narrowness of the content, I just want to mention AI as an evolution of humanity. And indeed it is so, whether speaking literally or figuratively.</p><p>AI, or Artificial Intelligence, is a field whose father is now widely recognized as Alan Turing, one of the world’s first computer scientists. The famous Enigma machine created during World War II was one of the first forms to help Turing have the original idea of ​​artificial intelligence. Eighty years later, the AI ​​has grown extraordinarily, and all the top scientists and thinkers like Stephan Hawking and Elon Musk are worried about Singularity. Did you watch the movie Terminator? Skynet (at the moment, Chinese AI-based surveillance system called Skynet, how creepy!) is an conspiracy version of the Singularity, when machines begin to think intelligently as humans. So, the question is, could AI be so intelligent, could replace human, become the most intelligent species in the world? The answer is yes, but subject to the following conditions:</p><p><strong>First is when the AI ​​begins to simulate the organization state of people</strong>. Among the greatest inventions that change the mankind, organizational forms are one of the main causes of human’s overtake of other species and mastery of the world. The way people organize tribes and then, form the government is what has completely changed the order of nature. The wisdom of mankind has some basic characteristics, one is accumulation, the other is inheritance. Accumulation means that human beings 500 thousand years ago are not as intelligent as they are now, human intelligence has been buoyed by tens of thousands of years, plus a number of great leaps as mentioned above that make us today having a huge amount of accumulative knowledge. Second is inheritance, the main accumulation over tens of thousand years of changes in the genetic structure and neuron structure of the human brain, is due to natural selection, so people can inherit the super gene from the previous generation. Genetics has made people increasingly complete, imagine you put a newborn baby in a pack of monkeys (like in Tarzan), the child will grow up with the intelligence of a monkey, but when you bring it back to the human world, its intelligence immediately adapts and grows to the human level. We can not do the opposite, put a monkey into the human world and hope it will be as intelligent as humans. But AI can, and that is the second condition:</p><p><strong>The second condition is that human succeeds in simulating the function of the brain and reproduces it in machines, in a simple way that man creates an artificial brain and inserts it into the head of a brain’s machine.</strong> AI scientists have succeeded in simulating the function of the senses. For example, we now have Siri, which can handle natural language (though not very intelligent), which is the simulation of listening and speaking. We now have image recognition tools with 99% accuracy, AI now can distinguish who this face is, this block is the TV or the barrel, which is the simulation of the vision function. . We have DeepMind who won the human in Go, that is the simulation of thinking function. Fortunately (?), we have not created AGI (Artificial General Intelligence). In fact, AGI is the holy grail of all AI researchers. We now have two main research areas on AGI and in fact this article is based on my thoughts after reading OpenAI’s latest AGI research.</p><p>In the scope of this article with the main goal of non-technical discussion, so I will not go deep into the technique. Alright, the first direction called Gradient Based Optimization and the second direction is Random Optimization. The first, or more commonly known, is Deep Reinforcement Learning, which is the direction that Facebook and Google are leading. Especially Google with DeepMind super team, the next challenge of DeepMind machine is the human victory in the game Star Craft. If Deep Mind did, then Google has taken a huge step in creating the AGI. The second, or genetic algorithm, or Black-box optimization, is a subdivision of evolutionary algorithms. This algorithm simulates the principle of natural selection to gradually produce better, more understandable results, this approach makes AI as in the evolution of human intelligence (which I have explained above). This trend is being supported by Elan Musk with OpenAI and called Evolution Strategies. On March 24, 1974, OpenAI in a statement entitled “Evolution Strategies as a Scalable Alternative to Reinforcement Learning” shook the Machine Learning / AI industry with results from their research. And, surprisingly, this initiative is not too confusing and easier to use. Again, people are more anxious (or happier?) with the imminent release of AGI.</p><p>So that, for me, as an AI / ML researcher, AI is the next evolution of humanity, its importance is like inventing fire or the Internet. In order to end this blog, I want to give my thoughts, that <strong>AGI will be created but not in the other two research directions</strong>. Looking back at the great moments of mankind, fire was not created from research, but from human observation of natural phenomena, Charles Darwin proposed the theory of evolution based on philosophy, Albert Einstein found Relativity wherever I couldn’t imagine :D Do you see, whether the theory of evolution or the theory of relativity is the foundation of biology or physics later but all are still theory — means people who has not proved Darwin or Einstein to be right or wrong. And I think the creation of AGI is the same, it will appear in a random moment, it just happens to be like the evolution of humanity. <strong>And is that the end or the beginning of a new chapter of mankind? Let’s see :)</strong></p><p>P / S: I am <strong><em>looking for more colleagues</em></strong> to study AI / Machine Learning with very specific and practical applications to hundreds of millions of users and changing fundamentally global internet infrastructure, to whom may be excited about, please email <strong><em>kevin@uiza.io</em></strong>.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8ae60a888e27" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[2017, AI và Deep Learning đã làm được những gì?]]></title>
            <link>https://medium.com/@anknguyen/2017-ai-v%C3%A0-deep-learning-%C4%91%C3%A3-l%C3%A0m-%C4%91%C6%B0%E1%BB%A3c-nh%E1%BB%AFng-g%C3%AC-de2ee0e7dfd0?source=rss-2b27bc96ae52------2</link>
            <guid isPermaLink="false">https://medium.com/p/de2ee0e7dfd0</guid>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[startup]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[technology]]></category>
            <dc:creator><![CDATA[Kevin Nguyen]]></dc:creator>
            <pubDate>Tue, 02 Jan 2018 08:54:21 GMT</pubDate>
            <atom:updated>2018-01-02T08:54:21.857Z</atom:updated>
            <content:encoded><![CDATA[<p>2017 là một năm bùng nổ của blockchain và dường như người ta bỗng quên mất chàng hoàng tử của 2016, AI và Deep Learning. Nhưng theo tôi, AI/Deep Learning vẫn sẽ là làn sóng chính tiến tới version công nghệ tiếp theo của thế giới. Hãy cùng nhìn lại xem thế giới AI/DL có gì đặc biệt trong năm 2017?</p><p><strong>Reinforcement Learning đã đánh bại con người trong đa số trò chơi</strong></p><p>Thành tựu nổi bật nhất của AI/DL với công chúng có lẽ chính là AlphaGo đã đánh bại kỳ thủ cờ vây xuất sắc nhất thế giới. Phiên bản đầu tiên của Alpha Go được khởi đầu với dữ liệu training từ những kỳ thủ chuyên nghiệp và được cải tiến dần, chủ yếu là việc áp dụng Monte-Carlo Tree Search. Sau đó AlphaGo Zero đã đi một bước xa hơn, tự chơi từ đầu, không cần dữ liệu training, áp dụng một kỹ thuật mới được gọi là Expert Iteration (ExIt), đây là một thuật toán tiếp nối từ phương pháp Imitation Learning (là một chủ đề lớn, tôi sẽ bàn kỹ hơn ở trong những note khác). Vừa trong tháng 12/2017, thuật toán tiếp theo, được gọi là AlphaZero, ra đời, không những đã master được cờ vây, mà cả cờ vua, cờ tướng đều đã được áp dụng thuật toán này. Nhưng cờ không phải là lĩnh vực duy nhất mà chúng ta đạt được tiến bộ đáng kể. Libratus hay DeepStack đã đánh bại các cao thủ Poker trong các ván heads-up (một chọi một), 2018 có thể ta sẽ được nhìn thấy những con AI đánh Poker full table như con người :D</p><p>Thử thách tiếp theo với Reinforcement Learning là những dạng game nhiều người chơi, ví dụ Poker full table, Starcraft 2 hay DOTA 2. DeepMind đang cố gắng đánh bại các game thủ trong Starcraft 2 hay OpenAI của Elon Musk đang cố gắng chiến thắng game thủ trong DOTA2.</p><p><strong>Evolution Algorithm trở lại</strong></p><blockquote>Nếu các bạn có theo dõi notes của tôi thì tôi đã có một bài viết rất dài nói về Evolution Algorithm ở đây: <a href="https://www.facebook.com/notes/nguy%E1%BB%85n-%C4%91%E1%BB%A9c-anh/tr%C3%AD-tu%E1%BB%87-nh%C3%A2n-t%E1%BA%A1o-hay-s%E1%BB%B1-ti%E1%BA%BFn-ho%C3%A1-c%E1%BB%A7a-nh%C3%A2n-lo%E1%BA%A1i/10155411627048072/">https://www.facebook.com/notes/nguy%E1%BB%85n-%C4%91%E1%BB%A9c-anh/tr%C3%AD-tu%E1%BB%87-nh%C3%A2n-t%E1%BA%A1o-hay-s%E1%BB%B1-ti%E1%BA%BFn-ho%C3%A1-c%E1%BB%A7a-nh%C3%A2n-lo%E1%BA%A1i/10155411627048072/</a></blockquote><p>Trong ngành Reinforcement Learning, Evolution Strategies (ES) đã đạt được những thành tựu nhất định khi được đầu tư nghiên cứu nhiều hơn so với trước đây. Vấn đề của ngành AI/DL hiện nay đó là dữ liệu phần lớn là idd (independent và identically distributed), các error signals tương đối khó xác định (sparse). Thêm nữa khả năng mở rộng (scale) của các thuật toán ES lớn gấp nhiều lần so với các phương pháp gradien do dữ liệu có thể được train bởi CPU rẻ tiền chứ không cần dùng GPU đắt tiền.</p><p>Hiện nay người tiên phong trong ES chính là OpenAI và Uber, hiệu suất làm việc của Evolution Strategies có thể so sánh với các thuật toán RL cơ bản chẳng hạn như Deep Q-Learning. Cuối năm nay, team AI Lab của Uber đã release một loạt paper công bố những kết quả khả quan trong nghiên cứu về Genetic Algorithm. Sử dụng một thuật toán genetic đơn giản, Uber đã train được một deep convolutional network (mạng neuron tích chập sâu) với 4 triệu tham số để chơi được các game Atari. Điều nay có ý nghĩa rất lớn với ngành AI/ML khi chúng ta đang tìm ra những cách đơn giản hơn, tốn ít tài nguyên hơn, nhanh hơn để “dạy” computer.</p><p><strong>Cuộc chiến của các framework</strong></p><p>Với đà phát triển từ 2016, 2017 bùng nổ với vô số các framework cho Deep Learning. Facebook “bảo kê” PyTorch, một công cụ mà các nhà nghiên cứu NLP (Xử lý Ngôn ngữ Tự nhiên) rất yêu thích do hàng ngày phải giải quyết các vấn đề về các cầu trúc hồi quy hay dynamic graph mà rất khó xác định trên những framework dạng static graph kiểu Tensorflow.</p><p>Tensorflow cũng có một năm xuất sắc khi liên tiếp update thêm nhiều library mới như Tensorflow Fold, Tensorflow Transform hay Sonnet của DeepMind. Các ông lớn cũng không hề kém cạnh, Apple cho ra đời thư viện CoreML. Uber ra đời Pyro và hệ thống ML platform Michelangelo. Amazon thông báo Gluon. OpenAI cũng hoạt động khá năng động với việc giới thiệu Roboschool, Baselines. Trong lúc trăm hoa đua nở như vậy, một chiến sĩ chiến đấu anh dũng 10 năm nay là Theano đã thông báo sẽ không phát triển tiếp.</p><p>Ngoài ra ONNX cũng ra đời như một tiêu chuẩn chung về model giữa các framework. Bạn có thể train model của mình ở 1 framework và dễ dàng deploy nó ra các môi trường khác nhau một cách dễ dàng.</p><p><strong>Ứng dụng</strong></p><p>Chúng ta đã nói nhiều đến những vấn đề học thuật. Vậy AI/ML đã có những ứng dụng thực tế nào đáng kể cho thế giới trong 2017?</p><p>Có lẽ trong năm 2017 ta đã được đọc rất nhiều bài báo tiên đoán một số ngành nghề sẽ thất nghiệp trong tương lai, có rất nhiều điều đúng và rất nhiều thứ cũng mang màu sắc giả tưởng. Tuy nhiên Y tế đã đạt được những thành công nhất định. Stanford thông báo về việc sử dụng thuật toán Deep Learning để phát hiện ung thư da với tỉ lệ thành công cao hơn các bác sỹ da liễu. Ngoài ra Stanford cũng đang phát triển một model phát hiện các vấn đề về tim với độ chính xác và tốc độ nhanh gấp hàng ngàn lần so với các bác sỹ chuyên khoa. Tuy nhiên vẫn có nhiều thứ không như mơ :D DeepMind thông báo thất bại trong việc chẩn đoán tầm gần khi kết hợp với NHS để nghiên cứu một dataset X quang vùng ngực.</p><p>Một ứng dụng cụ thể đã sản xuất ra vài startup tỷ đô năm nay đó chính là lĩnh vực xe tự lái. Một số chương trình xe tự lái hàng đầu hiện nay như Alphabet Waymo, Tesla hay Uber công bố những số liệu tương đối khả quan trong việc ứng dụng xe tự lái ngoài môi trường giao thông thực với tỉ lệ va chạm/tai nạn thấp hơn con người tự lái đến 40 lần. Tuy nhiên chúng ta có thể sẽ không thấy nhiều tiến triển lớn đủ để mang xe tự lái vào môi trường thực trong 2–3 năm tới.</p><p><strong>Một số vấn đề còn tồn tại</strong></p><p>Hiện nay theo như quan sát, khoảng cách giữa kết quả học thuật và thực tiễn càng ngày càng lớn. Vấn đề lớn nhất hiện nay đối với AI/ML vẫn là câu chuyện chi phí để nghiên cứu, dựng model quá lớn và phức tạp. Từ câu chuyện xây dựng dataset đến việc sử dụng tài nguyên điện toán đều tốn hàng triệu thậm chí hàng chục triệu đô. Điều đó làm cho càng ngày các paper càng sử dụng nhiều công thức toán học để estimate kết quả hoặc optimize nhiều lần trên cùng 1 dataset mà không có variance nhiều dataset dẫn đến hiện tượng overfiting và kết quả bị bias rất lớn.</p><p>Một vấn đề khác đó chính là một số công ty và truyền thông hay quá đao to búa lớn về thành quả AI/ML đạt được hiện nay. Điển hình pha flop lớn nhất năm thuộc về IBM Watson khi chẳng mang lại được kết quả gì to lớn như IBM từng “chém gió” về Watson (khổ thân bác founder Thomas Watson của IBM, giờ suốt ngày bị lôi ra chửi :(). Hoặc mới đây nếu các bạn có đọc những bài báo kiểu “Các nhà nghiên cứu ở Facebook đã hủy một AI vì nó tự sáng tạo ra ngôn ngữ riêng” đậm mùi Skynet, trong khi đơn giản thì đây chỉ là một thử nghiệm fail trong hàng ngàn thử nghiệm mà chúng tôi làm hàng ngày.</p><p><strong>AI/ML ở Việt Nam</strong></p><p>Hiện nay có một vấn đề với AI/ML ở Việt Nam mà tôi so sánh AI như sex dậy thì. Ai cũng nói với nhau là mình làm rồi nhưng chưa ai làm thật. Nghe về nó thì hay nhưng mà chẳng biết làm thế nào. Rất tò mò định làm thử nhưng lại chả kiếm được ông nào làm rồi. Có một vài điểm sáng như Topica AI Lab, cái này là người trong nhà không khỏi nâng nhau, nhưng tôi đảm bảo là Topica hiện đang làm thật, tuy chưa thể gọi là AI hoàn chỉnh, nhưng đã dần dần tiêm được văn hóa giải quyết vấn đề bằng data mining/machine learning vào trong nhân viên. Một số tech company lớn như FPT hay VNG tôi cũng thấy nhiều bài báo về ứng dụng AI/ML vào sản phẩm. Hy vọng đó là những bước tiến tốt cho cộng đồng AI/ML tại Việt Nam.</p><p>Vấn đề thứ 2 là hiện nay cơn bão blockchain đang đổ bộ vào Việt Nam, cuốn phăng hết từ người dùng thông thường đến các tech founder, tech engineer vào vòng xoáy ICO. AI/ML giờ lại trơ trọi, tự đi những bước lẻ loi trên con đường tới cách mạng công nghiệp lần thứ tư của Việt Nam :)) Thực sự nếu có 1 điều ước cho cộng đồng AI/ML ở Việt Nam, tôi mong chúng ta sẽ có thêm nhiều AI/ML startup thành công như anh <a href="http://twitter.com/L">@L</a>ê Công Thành để thay đổi nhiều hơn nhận thức của xã hội.</p><p>Cuối bài, tôi xin được tiết lộ rằng tôi cũng đang form một team Data Scientist cho một global startup sẽ launching vào Tháng 6/2018, tập trung vào công nghệ video, visualize với tiềm năng rất lớn sẽ cover thị trường Châu Á trong vòng 2 năm tới. Bạn nào hứng thú, hay chỉ là muốn nói chuyện về AI/ML, inbox tôi nhé :D</p><blockquote>import sys, datetime</blockquote><blockquote>def happy_new_year(type, value, tb):<br> print(‘%s!!!’ % datetime.date.today().year)</blockquote><blockquote>sys.exepthook = happy_new_year</blockquote><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=de2ee0e7dfd0" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Trí tuệ nhân tạo hay Sự tiến hoá của nhân loại]]></title>
            <link>https://medium.com/@anknguyen/tr%C3%AD-tu%E1%BB%87-nh%C3%A2n-t%E1%BA%A1o-hay-s%E1%BB%B1-ti%E1%BA%BFn-ho%C3%A1-c%E1%BB%A7a-nh%C3%A2n-lo%E1%BA%A1i-52821b389a2a?source=rss-2b27bc96ae52------2</link>
            <guid isPermaLink="false">https://medium.com/p/52821b389a2a</guid>
            <category><![CDATA[singularity]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[tech]]></category>
            <category><![CDATA[evolution]]></category>
            <category><![CDATA[ai]]></category>
            <dc:creator><![CDATA[Kevin Nguyen]]></dc:creator>
            <pubDate>Fri, 07 Apr 2017 03:49:39 GMT</pubDate>
            <atom:updated>2017-04-07T03:49:39.612Z</atom:updated>
            <content:encoded><![CDATA[<p>Ok, các bạn thấy cái tít giật nghe nổ đùng đùng, nghĩ là mình sẽ chuẩn bị đọc một cái gì đó hàn lâm phải không :)) Thực ra ý định lúc đầu của tôi với bài viết này cũng là viết nó theo văn phong khoa học. Nhưng tôi lại thấy viết theo phong cách bình dân vui hơn, bắt đầu nhé :D Toàn bộ nội dung bài viết sẽ đề cập đến nguồn gốc của trí tuệ và những gì đang thay đổi tiến hoá của nhân loại hiện nay.</p><p>Ngày xửa ngày xưa, từ lâu lắm rồi, có một triết gia vĩ đại tên là Aristotle, cả cuộc đời ông đi tìm câu trả lời cho đúng một câu hỏi “Ta sống trên đời này làm cái gì??” Sorry, câu trên là mình viết lại cho dễ hiểu (thực ra thì triết gia nào cũng băn khoăn câu hỏi đó mà :)). Aristotle đưa ra một học thuyết triết học được gọi là Teleology (Mục đích luận), cho rằng vạn vật trong tự nhiên tồn tại đều có một mục đích cuối cùng (tiếng Hy Lạp gọi là telos). Sự vật tồn tại là vì lợi ích dành cho sự vật khác, và sự vật tồn tại vì mục đích hoàn thiện bản thể. Cho dù quan điểm đó còn mang hơi hướng thần học tự nhiên nhưng là nền tảng của rất nhiều lý thuyết triết học sau này, điển hình là Hegel và Marx.</p><p>Mục đích luận ảnh hưởng rất nhiều đến ngành Sinh học khi nghiên cứu về thuyết tiến hoá, để trả lời câu hỏi “Tại sao em lại tới trái đất này??”. Sorry mình lại đùa một chút (quá nhiều thuật ngữ đau đầu ở đây mà :D). Nhưng thực sự câu hỏi về nguồn gốc của trí tuệ con người bắt nguồn từ đây. Tại sao trong cùng một môi trường sống mà chỉ có nhân loại (homo sapien) lại trở nên thông minh một cách khác biệt như vậy? Tại sao không phải là hổ răng kiếm? Không phải là cá heo? Năm 1842 Charles Darwin đặt bút viết bản phác thảo đầu tiên cho cuốn sách về sau được gọi là The Origin of Species (Nguồn gốc muôn loài). Trong đó Darwin đã cho ta một chút ánh sáng về nguồn gốc trí tuệ của nhân loại, câu trả lời là chọn lọc tự nhiên (natural selection). Ngay từ lớp 8 đi học các bạn đã biết đến “chọn lọc tự nhiên” rồi phải không? Vậy chọn lọc tự nhiên thì có liên quan gì đến trí tuệ của con người?</p><p>800 nghìn năm trước, loài người hồi ý lông lá còn dài lắm, chưa được đẹp đẽ như bây giờ, Link (một anh khỉ homo, tôi đang chơi Legend of Zelda nên…, well) đang tung tăng đi săn, trời thì lại đổ mưa lớn, bỗng tình cờ anh nhìn thấy một chú lợn rừng đang chạy nhảy trước mặt. Link lăm lăm cây phóng trong tay chuẩn bị xiên chú lợn tội nghiệp thì bỗng trời nổ cái đùng! Chú lợn rừng bị sét đánh trúng và cháy bừng bừng trước mặt Link, “Thế là lọt mất con này hôm nay rồi”, Link nghĩ vậy và quay người buồn bã chuẩn bị ra đi. Bỗng, một mùi thơm ngào ngạt lạ lùng chưa từng có quyện lấy mũi của Link, anh thấy lạ lạ và quay lại nhìn chú lợn vừa cháy. Link đến gần ngó ngó và giật một cái đùi lên rồi nếm thử, “Oh my god, it’s awesome!”. Vâng câu chuyện tôi vừa kể là sự tích món lợn quay, ý nhầm, về lửa :D Lửa có thể coi là một trong những phát minh vĩ đại nhất, và thực sự được tìm ra như vậy đó (theo cách dễ hiểu) :) Trong quá trình chọn lọc tự nhiên kéo dài hàng triệu năm, nhân loại thường tình cờ tiến một bước lớn hơn bất kỳ một giống loài nào khác khi tìm ra được những thứ như vũ khí, lửa rồi sau này là bánh xe, giấy, động cơ hơi nước, điện, Internet v.v.. Và chính những phát minh ấy là nguồn gốc của trí tuệ loài người.</p><p>Vậy tại sao nhân loại lại thống trị thế giới mà không phải là giống loài khác, đó là một câu hỏi mà không chỉ có chú Mario Balotelli thắc mắc, “Why always me?” :D Năm 1998, trong một công bố rất nổi tiếng “Variability selection in hominid evolution” (Chọn lọc ngẫu nhiên trong quá trình tiến hoá của loài homo), Tiến sĩ Rick Potts đã đưa ra giả thuyết tại sao lại là chúng ta chứ không phải một loài nào khác. Câu trả lời dài vài trăm trang nhưng có thể tóm gọn lại trong một câu, đó là khả năng thích ứng tuyệt vời với điều kiện ngoại cảnh của loài người chính là chìa khoá lớn nhất cho việc con người trở nên thông minh như ngày nay.</p><p>Cùng ngồi cỗ máy thời gian của Doraemon và tua nhanh đến năm 2017, chúng ta đang sống trong một kỷ nguyên mà sự thích ứng với điều kiện ngoại cảnh của con người đạt tới mức thượng thừa. Con người không muốn làm những công việc nhàm chán, vất vả và nặng nhọc nữa, họ cần phải sáng tạo ra cái gì đó thay thế. Và đó chính là lúc nhân loại “summon a demon” (Elon Musk), Trí tuệ nhân tạo, hay còn gọi là AI (Artificial Inteligence).</p><p>Well, AI hiện nay là một từ thời thượng, ai cũng cố gắng gắn từ AI vào cái mình đang làm. Tôi đã nhìn thấy những công ty chỉ thêm mỗi từ AI-based vào trong sản phẩm cũ rích của họ và bùm, trở thành một sản phẩm sành điệu hàng hiệu và có thể bán với giá cao gấp 5, 10 lần. Nhưng bài viết này không đề cập đến những gì tiêu cực đang xảy ra trong lĩnh vực AI. Trong hạn hẹp của nội dung, tôi chỉ muốn đề cập đến AI như một sự tiến hoá của nhân loại. Và thực sự nó là như vậy, cho dù đang nói nghĩa đen hay nghĩa bóng.</p><p>AI, hay Trí tuệ nhân tạo là một lĩnh vực rộng lớn, cha đẻ hiện nay được nhiều người công nhận là Alan Turing, một trong những nhà Khoa học máy tính đầu tiên của thế giới. Cỗ máy nổi tiếng Enigma được tạo ra trong Thế chiến II là một trong những hình thái đầu tiên giúp Turing có những ý niệm ban đầu về Trí tuệ nhân tạo. 80 năm sau, AI đã phát triển vượt bậc và tất cả giới khoa học cũng như những nhà tư tưởng hàng đầu như Stephan Hawking hay Elon Musk đều lo lắng về thời điểm Singularity. Các bạn có xem phim Terminator không? Skynet là một phiên bản tưởng tượng theo thuyết âm mưu về thời điểm Singularity, khi mà máy móc bắt đầu có thể suy nghĩ thông minh như con người. Vậy, câu hỏi là AI có thể thông minh đến như thế không, có thể thay con người, là giống loài thông minh nhất thế giới không? Câu trả lời là có, nhưng tuỳ thuộc vào một số điều kiện sau:</p><p>Một là AI bắt đầu mô phỏng được việc tổ chức của con người. Ngoài các phát minh vĩ đại thay đổi trí tuệ của nhân loại thì các hình thái tổ chức chính là một trong những nguyên nhân chính khiến con người vượt qua các giống loài khác và làm chủ thế giới. Cách con người tổ chức bộ lạc rồi hình thành các kiểu tổ chức nhà nước chính là thứ đã làm thay đổi hoàn toàn trật tự của tự nhiên. Trí tuệ của nhân loại có một số đặc tính cơ bản, một là tính tích luỹ, hai là tính kế thừa. Tích luỹ nghĩa là con người chúng ta 500 nghìn năm trước không thông minh như bây giờ, trí tuệ nhân loại được bồi đắp qua hàng vạn năm, cộng với một số lần đại nhảy vọt như đã nói ở trên khiến cho một con người hiện đại có lượng tri thức được tích luỹ khổng lồ. Thứ hai là tính kế thừa, chính sự tích luỹ qua hàng vạn năm làm thay đổi dần cấu trúc gen và cấu trúc neuron của não bộ con người, lại là do chọn lọc tự nhiên nên con người có thể kế thừa được những gen siêu đẳng về trí thông minh này từ thế hệ trước. Di truyền học đã làm cho con người càng ngày càng hoàn thiện, hãy tưởng tượng bạn đưa một đứa trẻ sơ sinh vào một bầy khỉ (như kiểu trong phim Tarzan), đứa trẻ đó sẽ lớn lên với trí thông minh của một chú khỉ, nhưng khi bạn đưa nó quay lại thế giới loài người, trí thông minh của nó lập tức thích ứng và tăng dần lên mức độ con người. Chúng ta không thể làm điều ngược lại, đưa một chú khỉ vào thế giới loài người và hy vọng nó sẽ thông minh như người. Nhưng AI có thể, và đó là điều kiện thứ hai:</p><p>Điều kiện thứ hai là con người thành công trong việc mô phỏng chức năng của não bộ và tái giả lập nó cho máy móc, nói một cách dễ hiểu là con người tạo ra được một bộ não nhân tạo và nhét nó vào đầu của một cái máy. Các nhà khoa học về AI đã thành công trong việc mô phỏng chức năng của các giác quan. Ví dụ như chúng ta hiện đã có Siri, có thể xử lý ngôn ngữ tự nhiên (dù chưa thông minh lắm), đó là mô phỏng chức năng nghe và nói. Chúng ta hiện đã có những công cụ nhận diện hình ảnh với mức độ chính xác đến 99%, AI giờ có thể phân biệt khuôn mặt này là ai, hình khối này là cái TV hay cái thùng, đó là mô phỏng chức năng nhìn. Chúng ta có DeepMind đã chiến thắng con người trong cờ vây, đó là mô phỏng chức năng suy nghĩ. Nhưng may mắn (?) là chúng ta chưa tạo ra được AGI (Artificial General Intelligence, hay còn gọi là Trí tuệ nhân tạo tổng hợp). Thực tế thì AGI chính là đích đến của mọi nhà nghiên cứu về AI. Hiện nay chúng ta đang có 2 hướng nghiên cứu chính về AGI và thực tế thì bài viết này của tôi cũng xuất phát từ cảm xúc sau khi đọc bản nghiên cứu mới nhất về AGI của OpenAI.</p><p>Trong khuôn khổ bài viết với mục tiêu vui là chính, nên tôi sẽ không đề cập sâu vào kỹ thuật :D Alright, hướng thứ nhất gọi là Tối ưu Gradien (Gradient Based Optimization) và hướng thứ hai là Tối ưu ngẫu nhiên (Random Optimization). Hướng thứ nhất hay còn gọi một cách phổ biến hơn là Deep Reinforcement Learning là hướng mà Facebook và Google đang dẫn đầu. Đặc biệt là Google với team DeepMind siêu khủng, thử thách tiếp theo của cỗ máy DeepMind chính là chiến thắng con người trong trò chơi Star Craft. Nếu thực sự Deep Mind làm được thì Google đã tiến một bước rất lớn trong việc tạo ra được AGI. Hướng thứ hai hay còn gọi là Giải thuật di truyền (genetic algorithm) hoặc là Black-box optimization, là một phân ngành của Giải thuật tiến hoá (evolutionary algorithm). Giải thuật này mô phỏng lại nguyên lý chọn lọc tự nhiên để dần dần đưa ra kết quả tốt hơn, dễ hiểu hơn thì hướng đi này tiếp cận vấn đề về AI giống như quá trình tiến hoá của trí tuệ nhân loại (mà tôi có giải thích ở trên). Hướng đi này hiện nay đang được Elon Musk với OpenAI khởi xuống và gọi là Evolution Strategies. Ngày 24/3/2017, OpenAI trong một công bố có tên “Evolution Strategies as a Scalable Alternative to Reinforcement Learning” đã làm chấn động ngành Machine Learning/AI với những kết quả từ nghiên cứu của họ. Và ngạc nhiên hơn đó là phát kiến này không quá khó hiểu và dễ sử dụng hơn rất nhiều hướng đi đầu. Một lần nữa, con người lại thấy lo lắng hơn (hay vui mừng hơn?) với việc sắp sửa tạo ra được AGI.</p><p>Vậy đó, đối với tôi, là một người nghiên cứu về AI/ML, thì AI chính là sự tiến hoá tiếp theo của nhân loại, tầm quan trọng của nó cũng giống như phát minh ra lửa hay Internet vậy. Để kết thúc bài lảm nhảm này tôi muốn đưa ra một suy nghĩ của mình, đó là AGI sẽ được tạo ra nhưng không phải theo 2 hướng nghiên cứu kia. Hãy nhìn lại những khoảnh khắc vĩ đại của nhân loại, lửa không được tạo ra từ nghiên cứu mà là từ việc con người quan sát các hiện tượng tự nhiên, Charles Darwin đề xuất Thuyết tiến hoá dựa trên triết học, Albert Einstein tìm ra Thuyết tương đối từ đâu thì tôi cũng bó tay :D Các bạn thấy không, cho dù Thuyết tiến hoá hay Thuyết tương đối là nền tảng của Sinh học hay Vật lý sau này nhưng tất cả đều vẫn là Thuyết (theory) — có nghĩa là con người chưa chứng minh được Darwin và Einstein nói đúng hay sai. Và tôi nghĩ việc tạo ra AGI cũng như vậy, sẽ xuất hiện trong một khoảnh khắc tình cờ, nó cũng tình cờ giống như sự tiến hoá của nhân loại vậy. Còn đó là kết thúc hay khởi đầu cho một chương mới của con người? Hồi sau sẽ rõ :)</p><p><strong>P/S 1: Tôi đang tìm thêm chiến hữu cùng tôi và anh em nghiên cứu về AI/Machine Learning với những ứng dụng rất cụ thể và thực tế đang được ứng dụng cho những sản phẩm hàng trăm ngàn người sử dụng, bạn nào hứng thú thì inbox nhé</strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=52821b389a2a" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Machine Learning cho nông dân (p. 1) :D]]></title>
            <link>https://medium.com/@anknguyen/machine-learning-cho-n%C3%B4ng-d%C3%A2n-p-1-d-545667f6840f?source=rss-2b27bc96ae52------2</link>
            <guid isPermaLink="false">https://medium.com/p/545667f6840f</guid>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[algorithms]]></category>
            <category><![CDATA[machine-learning]]></category>
            <dc:creator><![CDATA[Kevin Nguyen]]></dc:creator>
            <pubDate>Fri, 09 Dec 2016 07:20:09 GMT</pubDate>
            <atom:updated>2016-12-09T07:20:09.107Z</atom:updated>
            <content:encoded><![CDATA[<p>Một trong những quyết định mình cảm thấy may mắn và sáng suốt nhất là học chuyên ngành Information System/Data Analyst. 5–6 năm từ khi mình ra trường thì thế giới hiện nay đang phát cuồng với AI/Machine Learning. Ứng dụng của AI/Machine Learning (AI/ML) là vô tận nhưng chắc chắn AI/ML không phải là một phép thuật, hoặc nếu theo một chiều nào đó là phép thuật thì mình chắc chắn đây là một phép thuật có thể tự học được nếu bạn đủ đam mê.</p><p>Đấy là lý do mình quyết định viết tất cả những gì mình biết về AI/ML ra để chia sẻ với mọi người. Hôm trước mình có đọc ở đâu đấy về cách để có thể học nhanh nhất, đó chính là chia sẻ điều mình đã học được với người khác. Tạm thời mình nghĩ ra cái gì sẽ chia sẻ cái đấy, thường thì sẽ là những thứ mang tính thực hành (practical) chứ rất ít lý thuyết (lecture) ở đây :D</p><p>Nhiều bạn băn khoăn không biết nếu muốn tìm hiểu về AI/ML thì nên bắt đầu từ đâu. Đối với các bạn trẻ còn đang đi học thì cách tốt nhất là học và tìm hiểu về Xác suất thống kê càng nhiều càng tốt. Mọi nguyên lý của AI/ML đều bắt nguồn từ môn Xác suất thống kê, nếu yêu thích môn này thì đường đến với AI/ML của bạn rất gần rồi. Đối với các bạn đã đi làm thì cách tốt nhất là nên đăng ký các khoá học cơ bản về AI/ML trên các trang web MOOC lớn như Cousera, Udacity, Udemy v.v.. Và một cách nữa là đọc blog của mình :D</p><p>Mở bài dài quá, chúng ta bắt đầu nhé. Trong bài đầu tiên này mình sẽ cố gắng giải thích cho các bạn 10 thuật toán Machine Learning quan trọng cũng như phổ biến nhất hiện nay theo ngôn ngữ nông dân nhất có thể :D Mình sẽ cố gắng viết thật đơn giản, dễ hiểu, không sử dụng quá nhiều thuật ngữ khó hiểu với đa số mọi người.</p><pre><strong>Disclaimer</strong>: Có một điều mong mọi người lượng thứ là do mình học và nghiên cứu về AI/ML hoàn toàn bằng tiếng Anh nên thuật ngữ tiếng Việt thú thực là mình cũng không biết :D Theo mình thấy thì thuật ngữ tiếng Việt hiện nay cũng không thống nhất và có thể gây khó hiểu cho người học/tìm hiểu. Ví dụ thuật toán clustering thì mình thấy tiếng Việt gọi là thuật toán gom nhóm, phân cụm, gom cụm v.v..</pre><h3>I. 3 dạng Machine Learning chính</h3><p>1/ Supervised Learning: Nôm na nghĩa là máy sẽ đưa ra suy đoán dựa trên một tập dữ liệu cho trước đã được training.</p><pre>Ví dụ: Chúng ta có sẵn 1000 status facebook (gọi là dataset A) được phân loại theo các trạng thái như vui, buồn, giận dữ v.v.. (ứng với mỗi trạng thái là một tập hợp các đặc tính có liên quan, ví dụ các trạng thái status vui thì thường xuất hiện các cụm từ như “đáng yêu quá&quot;, “thích quá&quot;, “hay quá&quot;...), supervised learning là phương pháp sử dụng dataset A này để xác định 100 status facebook khác chưa được gắn trạng thái.</pre><p>2/ Unsupervised Learning: Nôm na nghĩa là tay không bắt giặc :D máy sẽ tự tìm ra các mối quan hệ hoặc các pattern từ một dataset.</p><pre>Ví dụ: Chúng ta có thể sử dụng phương pháp unsupervised learning để tìm ra các chủ đề được đề cập tới từ 1000 status facebook, ví dụ các status có chủ đề về bóng đá (vì trong những status này xuất hiện nhiều từ, cụm từ, hashtag có liên quan đến bóng đá chẳng hạn).</pre><p>3/ Reinforcement Learning: Nôm na nghĩa là máy có thể tự cập nhật cách giải quyết vấn đề theo kiểu thử và sửa liên tục.</p><pre>Ví dụ: DeepMind AlphaGo với việc chiến thắng Lee Sedol trong bộ môn cờ vây là ví dụ nổi tiếng nhất về RL (thực tế DeepMind gọi là Deep Reinforcement Learning).</pre><h3>II. 10 thuật toán Machine Learning quan trọng nhất</h3><p>Để kết luận 10 thuật toán ML nào quan trọng nhất thực sự là việc rất phức tạp vì chúng ta không biết xếp theo tiêu chí nào? Ví dụ độ phổ biến, tính hữu dụng, tính đơn giản, tính chính xác v.v.. Vì thế mình chỉ giả định nếu mình phỏng vấn một người cho vị trí Data Scientist / Data Engineer thì mình cần họ phải nắm được 10 thuật toán sau (theo thứ tự ưu tiên):</p><p><strong>1/ Linear Regression và Logistic Regression (Hồi quy tuyến tính và Hồi quy Logistic)</strong>: May quá, cái này mình biết thuật ngữ tiếng Việt :D</p><p><strong>Dùng làm gì nhỉ?</strong> Thuật toán Linear Regression mô tả dữ liệu và thể hiện mối quan hệ giữa một biến phụ thuộc với một hoặc nhiều biến độc lập. Tức là nếu biến độc lập thay đổi thì ảnh hưởng đến biến phụ thuộc như thế nào.</p><p><strong>Từ từ, biến phụ thuộc với biến độc lập là cái gì??</strong> Biến phụ thuộc (dependent variable — DV) nôm na là cái đề bài, mục tiêu chính cần phải giải được; biến độc lập (independent variable — IV) là những dữ kiện ảnh hưởng đến biến phụ thuộc.</p><p><strong>Khó hiểu vãi, cho ví dụ đi?? </strong>Ok… Giả sử chúng ta muốn tìm hiểu lý do sử dụng Facebook của đàn ông hay phụ nữ ảnh hưởng như thế nào đến việc tương tác của họ lên Facebook. Ở đây, việc tương tác lên Facebook là một DV và các lý do sử dụng Facebook là các IV. Ví dụ chúng ta liệt kê được một số lý do sử dụng Facebook như giải trí, tìm hiểu thông tin, tương tác với bạn bè, đi soi facebook người lạ, hóng biến v.v.. Sử dụng Linear Regression ta có thể biết được phụ nữ thường tương tác nhiều nhất khi họ đi soi facebook người lạ chẳng hạn =&gt; Facebook sẽ đẩy nhiều thông tin kiểu này lên news feed của các bạn nữ để tăng tương tác :))</p><p><strong>Ok, tạm hiểu, thế sao người ta lại dùng Linear Regression mà không dùng thuật toán khác?</strong> Một số ưu điểm của Linear Regression là tính dễ hiểu của thuật toán (ví dụ trên chẳng hạn, những thuật toán sau ví dụ không dễ hiểu như vậy đâu :)); dễ chỉnh sửa (tuning); độ phổ biến cao và tốc độ giải thuật nhanh. Nghe có vẻ dễ đúng không? Cái khó nhất của các Generalized Linear Model (GLM — Mô hình tuyến tính tổng quát) là việc chọn independent variables chứ không phải là thuật toán.</p><p><strong>Thế Linear Regression và Logistic Regression thì khác nhau cái gì?</strong> Cái khác nhau nhất chính là ở dependent variable, đối với Linear Regression thì DV có dạng liên tục (continuous) còn đối với Logistic Regression thì DV có thể chỉ là Có/Không, Sống/Chết, 0/1 (mô hình nhị phân) hoặc DV có thể ở dạng rời rạc (discrete). Continuos và discrete là hai khái niệm rất lớn trong toán học, các bạn có thể tìm hiểu thêm ở trên mạng, trong khuôn khổ bài này thì hơi khó để giải thích ngắn gọn được.</p><p><strong>Ứng dụng trong đời thường như thế nào?</strong> Một trong những ứng dụng lớn nhất của GLM model (Mô hình tuyến tính tổng quát) là hệ thống quản lý rủi ro hoặc chấm điểm tín dụng của các ngân hàng. Chẳng hạn như để quyết định hạn mức thẻ Credit card của bạn, hệ thống sẽ sử dụng GLM để tính toán dựa trên các thông tin bạn cung cấp như mức lương hiện tại, độ tuổi, giới tính, công việc đang làm v.v..</p><p><strong>2/ Decision Trees (Cây quyết định)</strong></p><p><strong>Dùng làm gì nhỉ?</strong> Cây quyết định là một công cụ dùng để hỗ trợ trong việc ra quyết định dựa trên một hoặc nhiều biểu đồ dạng cây. Biểu đồ này thể hiện số lượng câu hỏi yes/no tối thiểu mà một người cần hỏi, để đánh giá về khả năng ra được một quyết định đúng.</p><p><strong>Ví dụ nhé,</strong> chúng ta có một dataset về dữ liệu về các cầu thủ trẻ trong khoảnng 10–16 tuổi. Chúng ta có thể collect được những dữ liệu như vị trí thi đấu, chiều cao, cân nặng, tỷ lệ sút bóng thành công, tỷ lệ xoạc bóng thành công, tỷ lệ chuyền bóng thành công, tốc độ, tỷ lệ đánh đầu thành công v.v…</p><p>Giả sử bạn là một HLV và đang có một lứa cầu thủ trẻ mới vào. Làm thế nào để quyết định được một cầu thủ trẻ nên chơi ở vị trí thi đấu nào là phù hợp nhất?</p><p>Sử dụng Cây quyết định sẽ giúp bạn làm được điều này, bằng cách thu thập những dữ liệu của lứa cầu thủ trẻ mới vào và so sánh dữ liệu mới này với dữ liệu có sẵn trong dataset, Cây quyết định sẽ giúp bạn xác định được vị trí thi đấu nào thích hợp nhất với một cầu thủ trẻ mới tuyển.</p><p><strong>Nghe cool vãi, nhưng theo tôi biết thì đếch có thuật toán nào gọi là Cây quyết định cả :))</strong> Oh đúng, xin lỗi :)) Cây quyết định thực ra là một họ tập hợp các thuật toán mà outcome của nó có thể biểu diễn dưới dạng cây. Một số thuật toán họ này rất phổ biến như C4.5 hoặc Random Forest v.v… Trong khuôn khổ bài mở đầu này, mình chỉ có thể giới thiệu khái quát như vậy, sẽ có những bài khác đi sâu hơn vào từng thuật toán trên.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/564/0*NvBSNWnjXKlbATSA." /></figure><p><strong>Oh thế Cây quyết định thì có gì hay?</strong> Cái hay nhất của Cây quyết định là tính đơn giản và dễ interpret của kết quả. Hầu như bất kỳ ai nhìn vào một decision tree cũng có thể hiểu được mà không cần có kiến thức gì về Machine Learning cả.</p><p><strong>Ứng dụng lớn nhất của Decision Trees là gì?</strong> Ứng dụng của Decision Trees cực nhiều, cực phổ biến, vì tính thực tiễn của nó trong việc hỗ trợ ra quyết định (mà trong thực tế thì công việc gì cũng cần quyết định). Ví dụ: quyết định cho vay, quyết định về chiến lược giá bán v.v..</p><p>Mình tạm kết thúc Phần 1 ở đây, Phần 2 mình sẽ giới thiệu 8 thuật toán khác cũng rất thú vị và hiện hữu quanh ta mà chúng ta không để ý bấy lâu :D</p><p>Mình muốn kết thúc phần này bằng một câu nói của Andrew Ng — Chief Scientist của Baidu và Founder của Coursera: <strong>“Nếu bạn thành thạo thuật toán hồi quy tuyến tính, hồi quy logistic và nguyên tắc kiểm soát (regularization) thì bạn đã biết nhiều về Machine Learning hơn phần lớn các kỹ sư Machine Learning ở Silicon Valley rồi”</strong>. Để biết về các thuật toán này thì không khó nhưng để master nó thì không hề dễ chút nào (nhất là về regularization). Điều mà mình muốn nói ở đây chính là Machine Learning không hề khó, không phải là một black-box, ai cũng có thể học và master được nếu họ thực sự yêu thích và muốn nắm được một trong những vũ khí mạnh nhất của nhân loại hiện nay.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=545667f6840f" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>