Vina Technology at AI time - Công nghệ Việt Nam thời AI Lê Quang Văn

Chương 2 - Các khái niệm thực tế về học máy – Phần 9

(Trích từ sách Học máy cho những người ra quyết định (Machine Learning for Decision Makers, tác giả: Patanjali Kashyap - Bangalore, Karnataka, Ấn Độ) – Nhà xuất bản Apress. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Vật lý học

Đôi khi, vật lý xử lý các vấn đề phức tạp và với nhiều dữ liệu. Ví dụ, trong các thí nghiệm Máy va chạm Hadron Lớn (LHC) tại CERN, học máy trở nên rất hữu ích trong việc tìm hiểu tác động của va chạm. Nó phân tích mọi va chạm và cung cấp những hiểu biết hữu ích cho các nhà khoa học. Các thuật toán học máy đánh bại các nhà vật lý trong các nhiệm vụ liên quan đến hồi quy hoặc phân loại từ 25 đến 30%.

• Các thuật toán và mô hình học máy được sử dụng để xử lý dữ liệu vệ tinh. Cũng trong vật lý khí quyển, học máy được sử dụng để dự báo và dự báo thời tiết.

• Học máy thường được sử dụng trong vật lý thiên văn để phân loại và tổ chức lượng dữ liệu khổng lồ. Ví dụ, các thuật toán phân cụm được sử dụng trên dữ liệu Kepler để sắp xếp, định vị và xác định các hệ sao có môi trường xung quanh ổn định có thể phù hợp với việc sử dụng.

Sinh học

Các thuật toán và mô hình học máy như mô hình Markov, máy vectơ hỗ trợ, mạng thần kinh và mô hình đồ họa được sử dụng thường xuyên để xử lý và quản lý tính ngẫu nhiên và không chắc chắn của dữ liệu. Đây là những kỹ thuật chính để phân tích bộ gen người. Chúng được sử dụng đặc biệt để dự báo các khu vực mã hóa hoặc không mã hóa của bộ gen; các ứng dụng khác bao gồm dự đoán RNA. Có một số công ty mới và được thành lập trong lĩnh vực này.

Ví dụ, Khoa học sinh học công nghiệp DuPont đang thực hiện nhiều công việc trong kỹ thuật protein của enzyme và kỹ thuật trao đổi chất của vi khuẩn để bảo vệ môi trường của chúng ta. Họ đang phân tích các protein và enzyme và trích xuất cái nhìn sâu sắc với sự trợ giúp của các thuật toán và mô hình học máy. Một vài lĩnh vực khác mà cơ hội kinh doanh tồn tại bao gồm:

• Thuật toán tìm gen: Bằng cách sử dụng các mô hình Markov, mô hình Markov ẩn (HMM), thuật toán Viterbi và ước tính tham số, các công ty có thể cung cấp thông tin di truyền được cá nhân hóa và cá nhân hóa.

• Tìm các vị trí miRNA: Các công ty như dược phẩm Rose sử dụng các mô hình Hidden Markov để cho phép nghiên cứu trong các lĩnh vực như nghiên cứu viêm gan C.

• Phân loại và dự đoán: Điều này liên quan đến việc tích hợp các dữ liệu sinh học khác nhau và chọn mô hình tốt nhất để thực hiện phân loại dữ liệu và dự đoán.

Cơ hội kinh doanh không chỉ tồn tại trong các lĩnh vực này, mà còn mở rộng các ngành khác, bao gồm sinh học vũ trụ, khoa học môi trường, sinh học xã hội, tâm lý học, v.v. Vấn đề ở đây là làm nổi bật các cơ hội của học máy trong lĩnh vực khoa học.

Các loại máy học

Có nhiều loại thuật toán học máy trong thế giới khoa học dữ liệu. Chương này tập trung chủ yếu vào ba loại thuật toán — giám sát, không giám sát và củng cố. Chương 1 bao gồm các khái niệm và hoạt động cơ bản của học tập có giám sát và không giám sát. Ở đây, tôi trình bày chi tiết về học

Chương 2 - Các khái niệm thực tế về học máy – Phần 8

(Trích từ sách Học máy cho những người ra quyết định (Machine Learning for Decision Makers, tác giả: Patanjali Kashyap - Bangalore, Karnataka, Ấn Độ) – Nhà xuất bản Apress. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Mạng viễn thông, sản phẩm và dịch vụ

Cơ hội kinh doanh tồn tại trong các lĩnh vực sau:

• Tối ưu hóa mạng động và dự đoán cho khách hàng và nhà cung cấp dịch vụ mạng.

• Bảo tồn hoặc giữ chân khách hàng cho công ty gốc dựa trên hồ sơ dữ liệu cuộc gọi và phân tích máy học dự đoán (phân tích máy học = máy học + phân tích).

• Tối ưu hóa hoạt động của khách hàng trong mạng của thuê bao thông qua APS thông minh.

• Chấm điểm khách hàng, xác định tỷ lệ rời bỏ và APS dựa trên giảm thiểu.

• Tối ưu hóa các ưu đãi được thực hiện cho khách hàng để bán chéo để nâng cao hiệu quả và hiệu quả.

• Cải tiến và quản lý khách hàng và trung tâm cuộc gọi theo thời gian thực.

• Phân tích, phòng ngừa và quản lý gian lận.

• Cải thiện dịch vụ dựa trên vị trí thông qua việc sử dụng dữ liệu và phân tích GPS.

• Trung tâm khách hàng và trung tâm cuộc gọi hiệu quả.

Phân bổ băng thông dựa trên các mẫu sử dụng.

Dịch vụ chuyên nghiệp

Cơ hội kinh doanh tồn tại trong các lĩnh vực sau:

• Phân tích mục tiêu quảng cáo thông qua các thuật toán học sâu và máy học.

• Tham dự phương tiện truyền thông xã hội, phân tích cảm xúc / cảm xúc theo thời gian thực và tiếp thị được nhắm mục tiêu trên cơ sở phân tích học máy.

• Quản lý chiến dịch hiệu quả và hiệu quả và đưa vào các chương trình khách hàng thân thiết đúng hạn dựa trên phân tích dự đoán. Có rất nhiều cơ hội trong không gian này để tạo hệ thống nhận thức nhân tạo.

• Xác định, phát hiện và ngăn chặn tội phạm theo thời gian thực cho các nhà cung cấp bảo mật.

• Giá cá nhân hóa cho du lịch dựa trên phân tích hành vi của cá nhân / nhóm.

• Giám sát và quản lý cơ sở hạ tầng công nghệ thông tin theo thời gian thực. Cung cấp các dịch vụ tự phục hồi, bảo trì dự đoán và quản lý trong công nghệ thông tin.

• Phát hiện mẫu vi phạm bảo mật theo thời gian thực thông qua học máy để tạo các quy tắc tùy chỉnh trong công nghệ thông tin.

Các sáng kiến của khu vực công và chính phủ

Cơ hội kinh doanh tồn tại trong các lĩnh vực sau:

• Nâng cao lối sống và chất lượng cuộc sống của người dân. Ví dụ, cải tiến trong dịch vụ bệnh nhân và quản lý đường cao tốc dựa trên học máy.

• Cải tiến hệ thống vũ khí và tình báo chiến tranh để chống khủng bố với sự trợ giúp của hệ thống nhận thức nhân tạo dựa trên học máy (phân tích dự đoán).

• Hệ thống thuế thông minh thông qua hệ thống nhận thức nhân tạo dựa trên học máy.

• Xác định, phát hiện và ngăn chặn gian lận trong phạm vi công cộng và chính phủ.

• Tăng cường an ninh mạng của mạng công cộng và các tổ chức và phòng ban chính phủ.

• Tăng cường các chương trình giám sát và ứng phó cho các tổ chức công cộng và chính phủ.

• Tin học y tế, tin sinh học và dược lý học hiệu quả, hiệu quả và tối ưu hóa với việc sử dụng phân tích hợp lý.

• Đánh giá và d

Chương 2 - Các khái niệm thực tế về học máy – Phần 7

(Trích từ sách Học máy cho những người ra quyết định (Machine Learning for Decision Makers, tác giả: Patanjali Kashyap - Bangalore, Karnataka, Ấn Độ) – Nhà xuất bản Apress. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Mô hình ngôn ngữ lớn như ChatGPT sử dụng Học tăng cường từ phản hồi của con người (RLHF) như thế nào?

Với hiệu suất vượt trội trong nhiều nhiệm vụ ngôn ngữ, bao gồm mô hình hóa ngôn ngữ, dịch máy và trả lời câu hỏi, các mô hình ngôn ngữ lớn đã tự khẳng định mình là một công cụ chính trong xử lý ngôn ngữ tự nhiên. Mặc dù có sức mạnh lớn, các mô hình ngôn ngữ lớn cũng có những hạn chế, chẳng hạn như xu hướng sản xuất nội dung phụ, không liên quan hoặc thậm chí phản cảm.

Có được dữ liệu đào tạo chất lượng cao là một trong những vấn đề lớn nhất vì các mô hình ngôn ngữ lớn đòi hỏi nhiều dữ liệu để hoạt động tốt. Ngoài ra, học tập có giám sát đòi hỏi người chú thích của con người để phân loại dữ liệu, đây là một hoạt động tốn thời gian và tốn kém.

Để giải quyết những vấn đề này, học tăng cường từ phản hồi của con người đã được trình bày như một khuôn khổ có thể tạo ra các nhãn cao cấp cho dữ liệu đào tạo. Để tạo ra văn bản chất lượng cao, thích hợp, gắn kết trong khuôn khổ này, các mô hình ngôn ngữ lớn trước tiên được đào tạo trước bằng cách sử dụng học tập không giám sát và sau đó được tinh chỉnh bằng học tăng cường từ phản hồi của con người.

Các mô hình ngôn ngữ lớn có thể học hỏi từ sở thích của người dùng và tạo ra kết quả đầu ra phù hợp hơn với mục tiêu và ý định của người dùng, nhờ học tăng cường từ phản hồi của con người, có thể có tác động lớn đến nhiều ứng dụng xử lý ngôn ngữ tự nhiên. Các mô hình ngôn ngữ lớn có thể được đào tạo hiệu quả với dữ liệu ít được gắn nhãn hơn và thực hiện tốt hơn một số nhiệm vụ nhất định bằng cách sử dụng học tăng cường từ phản hồi của con người, kết hợp học tăng cường và phản hồi của con người. Do đó, học tăng cường từ phản hồi của con người là một khuôn khổ hiệu quả để tăng cường năng lực của các mô hình ngôn ngữ lớn và tăng cường khả năng hiểu và tạo ra ngôn ngữ tự nhiên của họ.

Trong học tăng cường từ phản hồi của con người, một kho dữ liệu văn bản khá lớn được sử dụng để dạy các mô hình ngôn ngữ lớn , sau đó được đào tạo trước. Để tạo ra các đầu ra mạch lạc và dễ hiểu, mô hình phải học các mẫu và cấu trúc cơ bản của ngôn ngữ. Học tăng cường từ phản hồi của con người có thể được sử dụng để tinh chỉnh các mô hình ngôn ngữ lớn sau khi đào tạo trước, điều này tốn kém về mặt tính toán nhưng cung cấp một cơ sở mạnh mẽ.

Sự phát triển của một mô hình phần thưởng, một mô hình học máy đánh giá tầm cỡ của văn bản được tạo ra bởi các mô hình ngôn ngữ lớn , là giai đoạn thứ hai. Mô hình phần thưởng tạo ra một số vô hướng cho biết chất lượng đầu ra từ đầu ra của các mô hình ngôn ngữ lớn làm đầu vào của nó. Một các mô hình ngôn ngữ lớn khác đã được thay

China’s Rebalancing Imperative – Part 3

Stephen S. Roach, Project Syndicate. April 19, 2024.

China’s policy challenge

I have not come lightly to this more cautious perspective, and I have taken a fair amount of flak for it, especially from long-biased US politicians and their media consorts who, in years past, have been critical of my more upbeat views on Chinese growth. John Maynard Keynes is often credited (though incorrectly) with having the humility to say, “When the facts change, I change my mind.” There can be little doubt that the facts surrounding the Chinese economy have changed.

Until recently, my Chinese friends have been more open to debating whether China’s structural problems – especially its debt, demographic shifts, and mounting deflation risks – are now starting to resemble those that long afflicted Japan. Given that Japan’s failure to address the structural and institutional underpinnings of a serious TFP problem was a key factor contributing to its protracted malaise, and that those same concerns resonate in China today, it is appropriate to ask if the Chinese economy might be ensnared in a similar trap. Moreover, reversing the downward trend in TFP aligns with both my proposed rebalancing framework and Xi’s recent policy comments.

In the end, this is no academic exercise. Describing a problem without taking a stab at a solution is an exercise in futility. In that spirit, I close with an assessment of the current Chinese policy strategy as seen through the lens of China’s rebalancing imperative, and offer three tentative conclusions:

First, the Chinese government needs a more enlightened policy response to its profound growth challenges. Its reliance on what it has long called “proactive fiscal stimulus and prudent monetary policy,” while necessary, is insufficient and too similar to the toolkit that China successfully deployed in the aftermath of past financial crises.

Chinese policymakers once again seem to be resorting to the brute force of large cash infusions to address major dislocations in the property market, local-government financing vehicles, and the stock market. But they may not be enough to offset powerful structural headwinds and advance the goal of economic rebalancing, which suggests that the risks to this year’s official growth target of around 5% are tilted to the downside.

Second, short-term countercyclical tactics do not effectively address the deeply rooted structural issues that are preventing China’s rebalancing. The combination of external pressures and lagging household consumption leaves China with no choice but to boost productivity to hit its medium- and longer-term growth objectives. Xi’s recent focus on the “new productive forces” of a “new development model,” and the productivity-enhancing supply-side initiatives that Premier Li Qiang announced in this year’s Government Work Report are encouraging.

But productivity challenges are especially daunting for China, give its recent TFP downtrend. The country’s economic leaders must therefore deepen their model-based assessments of the analytical and empirical linkages between Chinese policy design and its TFP quagmire.

Lastly, the time has come for Chinese authorities to reform the social safety net as a means of jump-starting consumer-led rebalancing. Enhancing social services currently ranks far too low, at number ten, on the list of “major tasks for 2024” in Li’s report. The emphasis needs to shift from a fixation on quantity – boosting enrollment in nationwide health-care and retirement plans – to improving the quality of welfare programs by increasing the benefits offered by these schemes. Only then can the fear-driven excess savings of an aging population be replaced by an increased propensity to spend.

Unfortunately, China’s latest policy initiatives, such as a “worry-free consumption” initiative and a consumer goods trade-in program, are vague and focu

Nhu cầu khẩn cấp tái cân bằng của Trung Quốc – Phần 3

Stephen S. Roach, Project Syndicate. 19 Tháng Tư, 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Thách thức chính sách của Trung Quốc

Tôi đã không tiếp cận thận trọng hơn quan điểm này, và tôi đã nhận được khá nhiều sự chỉ trích cho nó, đặc biệt là từ các chính trị gia Hoa Kỳ thiên vị từ lâu và các hiệp hội truyền thông của họ, những người, trong những năm qua, đã chỉ trích quan điểm lạc quan hơn của tôi về tăng trưởng của Trung Quốc. John Maynard Keynes thường được ghi nhận (mặc dù không chính xác) với sự khiêm tốn để nói, "Khi sự thật thay đổi, tôi thay đổi suy nghĩ của mình." Có thể có chút nghi ngờ rằng các sự kiện xung quanh nền kinh tế Trung Quốc đã thay đổi.

Cho đến gần đây, những người bạn Trung Quốc của tôi đã cởi mở hơn để tranh luận liệu các vấn đề cơ cấu của Trung Quốc - đặc biệt là nợ, thay đổi nhân khẩu học và rủi ro giảm phát gia tăng - hiện đang bắt đầu giống với những vấn đề đã ảnh hưởng từ lâu đến Nhật Bản. Cho rằng sự thất bại của Nhật Bản trong việc giải quyết nền tảng cấu trúc và thể chế của một vấn đề Năng suất nhân tố tổng thể" nghiêm trọng là một yếu tố chính góp phần vào tình trạng bất ổn kéo dài của nước này, và những mối quan tâm tương tự đó cộng hưởng ở Trung Quốc ngày nay, thật thích hợp để hỏi liệu nền kinh tế Trung Quốc có thể bị mắc kẹt trong một cái bẫy tương tự hay không. Hơn nữa, việc đảo ngược xu hướng giảm của Năng suất nhân tố tổng thể" phù hợp với cả khuôn khổ tái cân bằng được đề xuất của tôi và các bình luận chính sách gần đây của ông Tập.

Cuối cùng, đây không phải là bài tập học thuật. Mô tả một vấn đề mà không thử một giải pháp cho vấn đề là một bài tập vô ích. Trên tinh thần đó, tôi kết thúc với một đánh giá về chiến lược chính sách hiện tại của Trung Quốc được nhìn qua lăng kính của nhu cầu khẩn cấp tái cân bằng của Trung Quốc, và đưa ra ba kết luận dự kiến:

Thứ nhất, chính phủ Trung Quốc cần một phản ứng chính sách sáng suốt hơn đối với những thách thức tăng trưởng sâu sắc của mình. Sự phụ thuộc của Trung Quốc vào cái mà họ từ lâu đã gọi là "kích thích tài khóa chủ động và chính sách tiền tệ thận trọng", trong khi cần thiết, là không đủ và quá giống với bộ công cụ mà Trung Quốc đã triển khai thành công sau hậu quả của các cuộc khủng hoảng tài chính trong quá khứ.

Các nhà hoạch định chính sách Trung Quốc một lần nữa dường như đang sử dụng sức mạnh của các khoản tiền mặt lớn để giải quyết những xáo trộn lớn trong thị trường bất động sản, các phương tiện tài chính của chính quyền địa phương và thị trường chứng khoán. Nhưng chúng có thể không đủ để bù đắp những cơn gió ngược cơ cấu mạnh mẽ và thúc đẩy mục tiêu tái cân bằng kinh tế, điều này cho thấy rủi ro đối với mục tiêu tăng trưởng chính thức của năm nay là khoảng 5% đang nghiêng về phía giảm.

Thứ hai, các chiến thuật phản chu kỳ ngắn hạn không giải quyết hiệu quả các vấn đề cấu trúc sâu xa đang ngăn cản sự tái cân bằng của Trung Quốc. Sự kết hợp của áp lực

China’s Rebalancing Imperative – Part 2

Stephen S. Roach, Project Syndicate. April 19, 2024.

Unleashing Domestic Demand

This is hardly the first time that China has had to cope with negative global shocks. Starting with the Asian financial crisis of the late 1990s and the dot-com recession of the early 2000s, and continuing through the 2008-09 global financial crisis and the more recent COVID-19 pandemic, China has used traditional countercyclical policy tools, both fiscal and monetary, to sustain rapid GDP growth. While attending the China Development Forum in the early 2000s, I remember discussing possible external shocks with then-Premier Zhu Rongji. His response – an investment-driven proactive fiscal stimulus – is still an important feature of China’s playbook.

But today, a major downturn in the Chinese property sector, amplified by a huge debt overhang, has eroded the potency of any investment offset, reducing considerably the possible benefits of countercyclical policies. That puts the focus squarely on the Chinese consumer.

It has long been obvious that household consumption as a share of the Chinese economy is far too low, as Figure 3 shows. The main culprit is the lack of a broad social safety net; provisions for retirement and health care are particularly inadequate. In the face of an uncertain future, aging Chinese consumers opt for fear-driven precautionary saving over discretionary consumption. Until this urgent challenge is addressed, under-consumption and excess saving will persist.

Moreover, China’s deeply troubled property market has added a new dimension to this dynamic, with falling home prices and reduced household wealth exacerbating the economic vulnerability that has held back private consumption. Taken together, these forces will continue to stymie Chinese rebalancing, an especially worrisome outcome for an economy in dire need of new sources of growth.

China’s lagging domestic consumption is at odds with the official government position on the state of the Chinese economy. According to the latest Statistical Communiqué of the People’s Republic of China, final consumption expenditure was estimated to have contributed 4.3 percentage points, or more than 80%, of last year’s 5.2% increase in total Chinese GDP – nearly three times the 1.5 percentage points contributed by gross capital formation.

These figures paint a surprisingly robust picture of consumption-led Chinese economic growth. The disparity with my depiction of Chinese under-consumption is largely technical, traceable to the United Nations System of National Accounts (SNA), the international standard for national income accounting.

The SNA measures final consumption as the sum of household consumption plus consumption of the “broader community” of businesses and government units. The latter two categories accounted for around 16 percentage points of Chinese GDP in 2022, according to the latest figures, which boosted SNA-based final consumption expenditure as a share of GDP to an estimated 53.2% in 2022, well above the 37.2% attributed to the household sector.

Consequently, when Chinese authorities boast about the newfound strength of consumption-led economic growth, it is important to understand that they are using a much broader metric of national consumption than I am. My focus is exclusively on household final consumption expenditure, a chronically weak segment of the Chinese economy that remains a prime candidate to drive the long overdue – and increasingly urgent – rebalancing.

While the arguments for consumer-led rebalancing are already well-established, the IMF’s latest Article IV consultation with China underscores this case. IMF researchers find that China’s household savings rate, roughly 33% in 2022, contrasts sharply with the median global household savings rate, which the Fund puts at around 12%. This likely reflects the pressure on asset prices – homes, yes, but also underwater equit