Tối ưu hóa giúp AI chuyển từ 'học' sang 'hành động'

GS.TS Lê Thị Hoài An

Seminar diễn ra trong bối cảnh trí tuệ nhân tạo (AI) đang chuyển dịch mạnh mẽ từ học máy, học sâu truyền thống sang các mô hình nền tảng, AI tạo sinh và hệ thống có khả năng suy luận, lập kế hoạch, ra quyết định và hành động. Theo GS Lê Thị Hoài An, trong tiến trình này, tối ưu hóa đóng vai trò nền tảng xuyên suốt: từ huấn luyện mô hình, biểu diễn dữ liệu cho đến tạo sinh nội dung và điều phối chuỗi hành vi.

Nền tảng toán học phía sau các mô hình AI

Theo GS Lê Thị Hoài An, tối ưu hóa vốn là công cụ cốt lõi giúp con người tìm ra phương án tốt nhất dựa trên ba yếu tố: biến quyết định, mục tiêu cần đạt và các điều kiện ràng buộc. Chẳng hạn, trong ngành sản xuất ô tô, doanh nghiệp cần xác định sản lượng từng dòng xe để tối đa hóa lợi nhuận mà vẫn phải tuân thủ nghiêm ngặt các giới hạn về nhân công, nguyên liệu, máy móc và thời gian.

Trong học máy (Machine Learning), bản chất của quá trình máy “học” từ dữ liệu chính là giải bài toán tối ưu nhằm tìm ra bộ tham số có sai số thấp nhất. Diễn giả dẫn chứng trong bài toán dự báo bệnh ung thư: thuật toán sử dụng dữ liệu đã gắn nhãn của hai nhóm bệnh nhân để xây dựng bộ phân loại, từ đó đưa ra dự báo chuẩn xác cho các ca bệnh mới.

Nguyên lý tương tự cũng được áp dụng cho các bài toán hồi quy, phân loại, phân cụm, học có giám sát và không giám sát. Trong nghiên cứu y sinh học, dữ liệu thường chứa hàng chục ngàn gene nhưng chỉ một nhóm nhỏ có ý nghĩa quyết định. Thuật toán tối ưu hóa giúp hệ thống vừa dự báo nguy cơ mắc bệnh, vừa tự động chọn lọc các gene giá trị nhất; qua đó tiết kiệm đáng kể chi phí tính toán và nâng cao khả năng giải thích của mô hình.

Đối với học sâu (Deep Learning), dữ liệu được xử lý qua mạng nơ-ron đa tầng với mục tiêu tối thiểu hóa hàm mất mát (loss function). Thách thức đặt ra là các bài toán này thường thuộc dạng tối ưu không lồi, có số chiều cực lớn và mức độ phức tạp vượt trội so với các bài toán truyền thống.

Sự kiện thu hút đông đảo sinh viên tham dự. Ảnh: CÔNG CHƯƠNG

Từ tạo sinh nội dung đến chuỗi hành động thông minh

GS Lê Thị Hoài An nhấn mạnh, AI và tối ưu hóa đang phát triển theo mối quan hệ tương hỗ hai chiều: AI liên tục đặt ra các bài toán phức tạp hơn về quy mô lẫn cấu trúc, còn các phương pháp tối ưu hóa cung cấp công cụ toán học vững chắc để AI hoàn thiện.

Với AI tạo sinh (Generative AI), mô hình học cách biểu diễn dữ liệu trong không gian tiềm ẩn (latent space) để tạo ra văn bản, hình ảnh hoặc âm thanh mới. Điển hình như mô hình mạng đối nghịch tạo sinh (GAN), mạng tạo dữ liệu và mạng phân biệt liên tục cạnh tranh và cùng hoàn thiện thông qua quá trình tối ưu hóa song hành.

Bước ngoặt lớn hiện nay là AI đang chuyển từ vai trò dự báo, tạo nội dung sang khả năng hành động độc lập (Action-oriented AI). Một hệ thống AI hành động không chỉ trả lời truy vấn, mà còn phải tiếp nhận mục tiêu, lập kế hoạch, thực thi chuỗi tác vụ, đánh giá kết quả và tự điều chỉnh theo phản hồi thực tế. Lúc này, bài toán đặt ra không còn là tối ưu một quyết định đơn lẻ, mà là tối ưu toàn bộ chuỗi quyết định liên hoàn.

Một hướng nghiên cứu giàu tiềm năng được diễn giả chia sẻ là “tối ưu hóa tạo sinh” (Generative Optimization). Trong mô hình này, AI tạo sinh đóng vai trò đề xuất các phương án nghiệm tiềm năng trong không gian tìm kiếm rộng lớn; sau đó, thuật toán tối ưu sẽ đánh giá, sàng lọc và tinh chỉnh để chọn ra giải pháp tối ưu nhất. Ngược lại, tối ưu hóa cũng đóng vai trò chuẩn hóa và nâng cao hiệu suất cho chính các mô hình tạo sinh.

Mối liên kết chặt chẽ giữa tối ưu hóa, học máy, mô hình tạo sinh và ra quyết định hiện đã được ứng dụng thực tiễn trong công nghệ tài chính (FinTech) và điều phối hoạt động của thiết bị bay không người lái (UAV).

“AI càng tiến gần đến khả năng tự lập kế hoạch và hành động, các thách thức về quy mô, tính bất định, độ vững và độ tin cậy càng gia tăng. AI mở ra những bài toán mới cho ngành toán học; và ngược lại, tối ưu hóa chính là nền tảng cốt lõi giúp AI học sâu hơn, tạo sinh chuẩn xác hơn và hành động hiệu quả hơn”, GS Lê Thị Hoài An khẳng định.