MACHINE LEARNING-DEEP LEARNING: BƯỚC ĐỘT PHÁ ĐỐI VỚI DATA SCIENCE

1. KHÁI NIỆM

Là một nhánh của Trí tuệ nhân tạo (AI)-một lĩnh vực trong khoa học máy tính cho phép sử dụng các kỹ thuật thống kê để cung cấp cho máy tính khả năng “học”, với dữ liệu mà không cần được lập trình một cách rõ ràng. Mục tiêu then chốt cuối cùng của Machine Learning là để hiện thực hóa AI, bên cạnh những mục tiêu ngắn hạn hơn như: Làm cho máy tính có những khả năng nhận thức cơ bản của con người như nghe, nhìn, hiểu được ngôn ngữ, giải toán, lập trình, …; Hỗ trợ con người trong việc xử lý một khối lượng thông tin khổng lồ mà chúng ta phải đối mặt hàng ngày, hay còn gọi là Big Data.

Trong kỉ nguyên mà Data (dữ liệu) ngày càng bùng nổ và có vai trò quan trọng trong việc phân tích các yếu tố kinh tế-xã hội để phục vụ cho các hoạt động kinh doanh của mọi doanh nghiệp trên nền tảng số. Khái niệm Big Data chỉ thực sự bắt đầu từ khi chúng ta hiểu được giá trị của thông tin ẩn chứa trong dữ liệu, và có đủ tài nguyên cũng như công nghệ để có thể khai thác chúng trên quy mô khổng lồ. Và không có gì ngạc nhiên khi machine learning chính là thành phần mấu chốt của công nghệ đó. Ở đây ta có một quan hệ tương hỗ giữa machine Learning và Big Data: machine learning phát triển hơn nhờ sự gia tăng của khối lượng dữ liệu của Big Data; ngược lại, giá trị của Big Data phụ thuộc vào khả năng khai thác tri thức từ dữ liệu của machine learning.

2. ỨNG DỤNG

Một ví dụ trong việc ứng dụng thành công machine learning cho hoạt động kinh doanh có thể kể đến Netflix. Bí mật đằng sau sự thành công vượt bậc của dịch vụ phim trực tuyến này chính là việc đã áp dụng công nghệ Phân tích dữ liệu và Big Data trong việc cá nhân hóa trải nghiệm người dùng. Thuật toán của Netflix quan sát ghi lại mọi hành động nhỏ nhất của người dùng (như tần suất xem trailer, cách kéo – thả chuột trên trang, khung giờ xem hàng ngày,..). Ngoài ra, gã khổng lồ streaming còn sử dụng kết quả của quá trình phân tích, tổng hợp dựa trên các thông tin về nhân khẩu học như tuổi tác, giới tính, khu vực người dùng cùng với các dữ liệu về hành vi như lịch sử xem phim hay các thể loại mà người xem quan tâm. Thông qua việc phân tích các dữ liệu trên, thuật toán AI của Netflix cung cấp quy trình bình luận phân tích và tối ưu hóa gợi ý phim tới người dùng. Thuật toán trên đã mang lại cho Netflix 1 tỷ USD mỗi năm nhờ vào lượng khách hàng tiếp tục gia hạn dịch vụ.

3. DEEP LEARNING

Deep Learning là một tập hợp con của Machine Learning, có khả năng khác biệt ở một số khía cạnh quan trọng so với Machine Learning truyền thống, hoạt động dựa theo phương thức hoạt động của các mạng lưới thần kinh – thuật toán lấy cảm hứng từ bộ não con người để học một lượng lớn dữ liệu. Một mạng lưới thần kinh sâu phân tích dữ liệu với các biểu diễn đã học tương tự như cách một người nhìn vào một vấn đề. Thuật toán được cung cấp dữ liệu thô và tự quyết định các tính năng có liên quan. Mạng Deep Learning thường sẽ cải thiện khi bạn tăng lượng dữ liệu được sử dụng để đào tạo chúng. Deep Learning là một ‘người học’ rất thông minh nhưng cũng là một ‘người học’ rất chậm. Nó cần hàng trăm ngàn ví dụ để tìm ra giải pháp cho vấn đề mẫu mà người dùng đặt ra. Bên cạnh đó, rủi ro về các khả năng thiên vị và mất cân bằng trong dữ liệu sẽ tạo ra những sự lệch lạc trong quá trình “huấn luyện” mô hình.

4. PHÂN LOẠI MACHINE LEARNING

Có hai cách để phân loại các thuật toán Machine Learning phổ biến:

Các thuật toán được phân loại theo phong cách học tập. Ví dụ: Supervised Learning, Unsupervised Learning, Semi-Supervised Learning.

Các thuật toán được phân loại dựa trên sự giống nhau về hình thức hoặc chức năng. Ví dụ: Regression Algorithms, Regularization Algorithms, Decision Tree Algorithms,..

5. MACHINE LEARNING VÀ DEEP LEARNING TRONG HOẠT ĐỘNG TÀI CHÍNH – NGÂN HÀNG

Trong lĩnh vực tài chính-ngân hàng, Machine Learning khi được kết hợp với các mô hình phân tích định lượng có thể phát huy hiệu quả đặc biệt trong việc tìm kiếm các bộ mẫu dữ liệu, đưa ra những dự đoán, hỗ trợ hiệu quả ra quyết định giúp đảm bảo hoạt động kinh doanh liên tục và kiểm soát rủi ro. Trên thế giới, cuộc chạy đua trong ngành Ngân hàng diễn ra rất sôi động. Từ các công ty công nghệ mới thành lập như Feedzai (trong mảng thanh toán), Shift Technology (trong mảng bảo hiểm), tới các tập đoàn công nghệ khổng lồ như IBM và nhóm dẫn đầu về công nghệ hiện tại như Google, Alibaba,… đang dựa vào ưu thế công nghệ để cạnh tranh, lấn sân sang lĩnh vực ngân hàng, tài chính. Ứng dụng hiệu quả Machine Learning trong lĩnh vực tài chính, ngân hàng có thể kể đến như: Monzo – một ngân hàng khởi nghiệp tại Anh, đã xây dựng một mô hình phân tích, dự báo đủ nhanh, để kịp thời phát hiện và ngăn chặn những kẻ lừa đảo giả mạo trong quá trình hoàn tất giao dịch, giúp giảm tỷ lệ lừa đảo trên thẻ trả trước từ 0,85% vào tháng 6/2016 xuống dưới 0,1% vào tháng 1/2017. Trong năm 2017, JPMorgan Chase giới thiệu COiN, một nền tảng quản lý hợp đồng thông minh, sử dụng Machine Learning, có khả năng xem xét 12.000 hợp đồng tín dụng thương mại trong vài giây, tương đương khối lượng công việc trong 360.000 giờ làm việc của một nhân viên bình thường.

Về Deep Learning, ứng dụng các phương pháp mạng thần kinh trong các lĩnh vực khác nhau của lĩnh vực tài chính đã khiến cho giới đầu tư và doanh nghiệp ngày càng phụ thuộc vào nó để xử lý dữ liệu và dự báo tài chính. Cụ thể, với hoạt động dự báo giá trong tài chính, chúng ta có thể thông qua các thuật toán học tập sâu của Deep Learning để dự báo giá chứng khoán bằng các thuật toán như: Recurrent Neural Network (RNN), Long Short Term Memory Models (LSTM), Multilayer Perceptron (MLP). Ngoài ra, các hoạt động khác có thể sử dụng Deep Learning có thể kể đến như: dịch vụ khách hàng, dự báo giá, quản lý danh mục đầu tư, phát hiện gian lận ,quản lý rủi ro ,đánh giá điểm tín dụng,…

6. TIỀM NĂNG VÀ TƯƠNG LAI CHO MACHINE LEARNING TRONG CÁC HOẠT ĐỘNG TÀI CHÍNH

Ngành tài chính là một trong những ngành có ảnh hưởng nhất bị ảnh hưởng bởi những phát hiện mới về AI (trí tuệ nhân tạo). Dự báo các cơ hội để tăng lợi nhuận và bảo vệ dữ liệu bằng AI là hai lĩnh vực đang chứng kiến sự tăng trưởng do sự biến động về nhu cầu cao hơn trên thị trường trong những năm gần đây và mối đe dọa của tội phạm mạng ngày càng gia tăng. Ngành công nghiệp tạo ra hàng nghìn tỷ điểm dữ liệu cần các giải pháp sáng tạo để xử lý và phân tích dữ liệu này. Ứng dụng Machine Learning và Deep Learning không chỉ để tận dụng tối ưu nguồn dữ liệu khổng lồ của các doanh nghiệp cho các hoạt động kinh doanh mà còn để hạn chế tối thiểu những rủi ro trước các cuộc tấn công mạng và gian lận tài chính.

Tài liệu tham khảo