Trái ngược với suy nghĩ phổ biến, lịch sử của học máy, cho phép máy móc học các nhiệm vụ mà chúng không được lập trình cụ thể và tự rèn luyện trong môi trường xa lạ, đã quay trở lại thế kỷ 17.
Học máy là một công cụ mạnh mẽ để triển khai các công nghệ trí tuệ nhân tạo. Do khả năng học hỏi và đưa ra quyết định, học máy thường được gọi là AI, mặc dù về mặt kỹ thuật nó là một nhánh của công nghệ AI. Cho đến cuối những năm 1970, học máy chỉ là một thành phần khác trong sự phát triển của AI. Sau đó, nó phân tách và tự phát triển vì học máy đã nổi lên như một chức năng quan trọng trong điện toán đám mây và Thương mại điện tử. ML là một yếu tố hỗ trợ quan trọng trong nhiều lĩnh vực công nghệ tiên tiến của thời đại chúng ta. Các nhà khoa học hiện đang nghiên cứu các phương pháp Học máy lượng tử.
Ghi nhớ những điều cơ bản
Trước khi bắt đầu cuộc phiêu lưu lịch sử kéo dài vài thế kỷ của chúng ta, chúng ta hãy điểm qua ngắn gọn những gì chúng ta biết về Học máy (ML).
Ngày nay, học máy là một thành phần thiết yếu trong kinh doanh và nghiên cứu của nhiều tổ chức. Nó sử dụng các thuật toán và mô hình mạng lưới thần kinh để giúp máy tính thực hiện nhiệm vụ tốt hơn. Các thuật toán học máy tạo ra một mô hình toán học từ dữ liệu – còn được gọi là dữ liệu huấn luyện – mà không được lập trình cụ thể.
Mô hình tương tác tế bào não làm nền tảng cho việc học máy hiện đại có nguồn gốc từ khoa học thần kinh. Năm 1949, nhà tâm lý học Donald Hebb đã xuất bản Tổ chức hành vi, trong đó ông đề xuất ý tưởng về việc học “nội sinh” hoặc “tự tạo ra”. Tuy nhiên, phải mất hàng thế kỷ và những phát minh điên rồ như máy dệt lưu trữ dữ liệu, chúng ta mới có được sự hiểu biết sâu sắc về học máy như Hebb đã có vào năm 49. Sau ngày này, những phát triển khác trong lĩnh vực này cũng gây kinh ngạc và thậm chí trong một số trường hợp khiến người ta phải kinh ngạc.
Lịch sử của Học máy
Từ lâu, chúng ta, con người, đã cố gắng hiểu dữ liệu, xử lý dữ liệu để có được thông tin chi tiết và tự động hóa quy trình này nhiều nhất có thể. Và đây là lý do tại sao công nghệ mà ngày nay chúng ta gọi là “học máy” xuất hiện. Bây giờ hãy thắt dây an toàn và hãy bắt đầu một cuộc hành trình hấp dẫn về lịch sử của máy học để khám phá xem nó đã bắt đầu như thế nào, nó phát triển như ngày nay như thế nào và tương lai có thể có những gì đối với công nghệ này.
· 1642 – Phát minh ra máy cộng cơ học
Blaise Pascal đã tạo ra một trong những máy cộng cơ học đầu tiên nhằm cố gắng tự động hóa việc xử lý dữ liệu. Nó sử dụng cơ chế bánh răng và bánh xe, tương tự như cơ chế trong máy đo đường và các thiết bị đếm khác.
Pascal được truyền cảm hứng để chế tạo một chiếc máy tính để hỗ trợ cha mình, người quản lý thuế ở Rouen, với những phép tính số học tốn nhiều thời gian mà ông phải làm. Ông đã tạo ra thiết bị để cộng và trừ hai số một cách trực tiếp và nhân chia.
Máy tính có mặt số bằng kim loại có khớp nối với các chữ số 0 bởi vì 9 hiển thị xung quanh chu vi của mỗi bánh xe. Người dùng chèn bút cảm ứng vào khoảng trống tương ứng giữa các nan hoa và xoay núm cho đến khi đạt đến điểm dừng kim loại ở phía dưới để nhập một chữ số, tương tự như cách hoạt động của nút quay số trên điện thoại cũ. Số được hiển thị ở cửa sổ trên cùng bên trái của máy tính. Sau đó, chỉ cần gọi lại số thứ hai cần thêm vào, kết quả là tổng số tích lũy được hiển thị. Cơ chế mang, thêm một đến chín trên một mặt số và chuyển một mặt số sang mặt số tiếp theo, là một tính năng khác của chiếc máy này.
· 1801 – Sự phát minh ra thiết bị lưu trữ dữ liệu
Khi nhìn vào lịch sử của máy học, có rất nhiều điều ngạc nhiên. Cuộc gặp gỡ đầu tiên của chúng tôi là một thiết bị lưu trữ dữ liệu. Dù bạn có tin hay không thì thiết bị lưu trữ dữ liệu đầu tiên trên thực tế là một khung dệt. Việc sử dụng lưu trữ dữ liệu đầu tiên là trong một chiếc máy dệt do nhà phát minh người Pháp tên là Joseph-Marie Jacquard tạo ra, sử dụng các thẻ kim loại có lỗ để sắp xếp các sợi chỉ. Những thẻ này bao gồm một chương trình để điều khiển máy dệt và cho phép lặp lại một quy trình với cùng một kết quả mỗi lần.
Máy Jacquard sử dụng các thẻ đục lỗ có thể hoán đổi cho nhau để dệt vải theo bất kỳ kiểu mẫu nào mà không cần sự can thiệp của con người. Các thẻ đục lỗ đã được Charles Babbage, nhà phát minh nổi tiếng người Anh, sử dụng làm phương tiện đầu vào-đầu ra cho công cụ phân tích, lý thuyết của ông và Herman Hollerith để cung cấp dữ liệu cho máy điều tra dân số của ông. Chúng cũng được sử dụng để nhập dữ liệu vào máy tính kỹ thuật số, nhưng chúng đã bị thay thế bởi thiết bị điện tử.
· 1847 – Sự ra đời của logic Boolean
Trong Logic Boolean (còn được gọi là Đại số Boolean), tất cả các giá trị đều là Đúng hoặc Sai. Các giá trị đúng và sai này được sử dụng để kiểm tra các điều kiện mà phép chọn và phép lặp dựa vào. Đây là cách các toán tử Boolean hoạt động. George Boole đã tạo ra các toán tử AND, OR và NOR bằng cách sử dụng logic này, trả lời các câu hỏi về đúng hay sai, có hoặc không, số 1 và 0 nhị phân. Những toán tử này vẫn được sử dụng trong tìm kiếm trên web ngày nay.
Đại số Boolean được giới thiệu trong trí tuệ nhân tạo để giải quyết một số vấn đề liên quan đến học máy. Một trong những nhược điểm chính của môn học này là các thuật toán học máy là hộp đen, có nghĩa là chúng ta không biết nhiều về cách chúng vận hành một cách tự chủ. Rừng ngẫu nhiên và cây quyết định là ví dụ về thuật toán học máy có thể mô tả hoạt động của hệ thống, nhưng chúng không phải lúc nào cũng mang lại kết quả xuất sắc. Đại số Boolean được sử dụng để khắc phục hạn chế này. Đại số Boolean đã được sử dụng trong học máy để tạo ra các bộ quy tắc dễ hiểu có thể đạt được hiệu suất khá tốt.
Sau khi đọc lịch sử học máy, bạn có thể muốn xem 75 thuật ngữ Dữ liệu lớn mà mọi người nên biết.
· 1890 – Máy Hollerith thực hiện các phép tính thống kê
Herman Hollerith đã phát triển hệ thống tính toán cơ học và thẻ đục lỗ kết hợp đầu tiên để tính toán số liệu thống kê từ hàng triệu cá nhân một cách hiệu quả. Đó là một cỗ máy cơ điện được chế tạo để hỗ trợ việc tóm tắt dữ liệu được lưu trữ trên thẻ đục lỗ.
Cuộc điều tra dân số năm 1890 ở Hoa Kỳ mất tám năm để hoàn thành. Bởi vì Hiến pháp yêu cầu điều tra dân số mười năm một lần nên cần có một lực lượng lao động lớn hơn để đẩy nhanh quá trình này. Máy lập bảng được tạo ra để hỗ trợ xử lý dữ liệu Điều tra dân số năm 1890. Các phiên bản sau này được sử dụng rộng rãi trong các ứng dụng kế toán thương mại và quản lý hàng tồn kho. Nó đã tạo ra một loại máy móc được gọi là thiết bị ghi đơn vị và ngành công nghiệp xử lý dữ liệu.
· 1943 – Mô hình toán học đầu tiên của nơron sinh học được trình bày
Bài báo khoa học “Một phép tính logic về các ý tưởng nội tại trong hoạt động thần kinh,” do Walter Pitts và Warren McCulloch xuất bản, đã giới thiệu mô hình toán học đầu tiên của mạng lưới thần kinh. Đối với nhiều người, bài báo đó là điểm khởi đầu thực sự cho ngành học máy hiện đại, dẫn đường cho học sâu và học máy lượng tử.
Bài báo năm 1948 của McCulloch và Pitts được xây dựng dựa trên “Về số có thể tính toán” để cung cấp một phương tiện mô tả các hoạt động của não một cách tổng quát, chứng minh rằng các thành phần cơ bản được liên kết trong mạng lưới thần kinh có thể có khả năng tính toán rất lớn. Cho đến khi những ý tưởng này được áp dụng bởi John von Neuman, kiến trúc sư của máy tính hiện đại, Norbert Wiene và những người khác, bài báo đã nhận được rất ít sự chú ý.
· 1949 – Hebb liên hệ thành công hành vi với mạng lưới thần kinh và hoạt động của não
Năm 1949, nhà tâm lý học người Canada Donald O. Hebb, khi đó là giảng viên tại Đại học McGill, đã xuất bản Tổ chức hành vi: Một lý thuyết tâm lý thần kinh. Đây là lần đầu tiên một quy tắc học tập sinh lý về sự thay đổi khớp thần kinh được thể hiện rõ ràng trên báo in và được gọi là “khớp thần kinh Hebb”.
McCulloch và Pitts đã phát triển lý thuyết lắp ráp tế bào trong bài báo năm 1951 của họ. Mô hình của McCulloch và Pitts sau này được gọi là lý thuyết Hebbian, quy tắc Hebb, định đề Hebb và lý thuyết lắp ráp tế bào. Các mô hình đi theo ý tưởng này được cho là thể hiện “sự học tập của người Do Thái”. Như đã nêu trong cuốn sách: “Khi một sợi trục của tế bào A đủ gần để kích thích tế bào B và liên tục hoặc liên tục tham gia kích hoạt nó, một số quá trình tăng trưởng hoặc thay đổi trao đổi chất diễn ra ở một hoặc cả hai tế bào sao cho hiệu quả của A, như một số lượng tế bào bắn ra B tăng lên.”
Mô hình của Hebb đã mở đường cho sự phát triển của máy tính có khả năng tái tạo các quá trình thần kinh tự nhiên
Hebb gọi sự kết hợp của các tế bào thần kinh có thể được coi là một đơn vị xử lý duy nhất là “tập hợp tế bào”. Và sự kết hợp kết nối của họ quyết định sự thay đổi của não để đáp ứng với các kích thích.
Mô hình của Hebb về hoạt động của tâm trí đã có ảnh hưởng đáng kể đến cách các nhà tâm lý học nhìn nhận quá trình xử lý kích thích trong tâm trí. Nó cũng mở đường cho sự phát triển của máy tính có khả năng tái tạo các quá trình thần kinh tự nhiên, chẳng hạn như học máy. Trong khi truyền dẫn hóa học đã trở thành hình thức truyền dẫn qua khớp thần kinh chính trong hệ thần kinh, mạng lưới thần kinh nhân tạo hiện đại vẫn được xây dựng trên nền tảng của các tín hiệu điện truyền qua dây dẫn mà lý thuyết Hebbian đã tạo ra xung quanh.
· 1950 – Turing tìm ra cách đo khả năng tư duy của máy móc
Bài kiểm tra Turing là bài kiểm tra trí tuệ nhân tạo (AI) để xác định xem máy tính có suy nghĩ giống con người hay không. Thuật ngữ “Thử nghiệm Turing” bắt nguồn từ Alan Turing, một nhà khoa học máy tính, nhà giải mã, nhà toán học và nhà sinh học lý thuyết người Anh, người đã phát minh ra bài kiểm tra.
Theo Turing, không thể định nghĩa được trí thông minh của một cỗ máy. Nếu một máy tính có thể bắt chước phản ứng của con người trong những trường hợp cụ thể thì nó có thể được cho là có trí tuệ nhân tạo. Thử nghiệm Turing ban đầu yêu cầu ba thiết bị đầu cuối tách biệt về mặt vật lý với nhau. Một thiết bị đầu cuối được điều khiển bởi máy tính, trong khi con người sử dụng hai thiết bị đầu cuối còn lại.
Trong quá trình thử nghiệm, một người đóng vai trò là người hỏi, người thứ hai và máy tính là người trả lời. Người hỏi đặt câu hỏi cho người trả lời trong một lĩnh vực nghiên cứu cụ thể trong một khuôn khổ và bối cảnh cụ thể. Sau một khoảng thời gian hoặc số lượng truy vấn xác định, người hỏi được mời chọn người trả lời nào là thật và ai là giả tạo. Việc kiểm tra được thực hiện nhiều lần. Máy tính được gọi là “trí tuệ nhân tạo” nếu người hỏi xác nhận kết quả chính xác trong một nửa số lần chạy thử nghiệm hoặc ít hơn.
Bài kiểm tra được đặt theo tên của Alan Turing, người tiên phong về học máy trong thập niên 40 và 50. Năm 1950, Turing xuất bản bài báo “Máy tính và trí thông minh” để phác thảo bài kiểm tra.
· 1952 – Chương trình học máy tính đầu tiên được phát triển tại IBM
Chương trình Cờ đam của Arthur Samuel, được tạo ra để chơi trên máy IBM 701, được trình chiếu trước công chúng lần đầu tiên trên truyền hình vào ngày 24 tháng 2 năm 1956. Robert Nealey, người tự nhận mình là một bậc thầy về cờ đam, đã chơi trò chơi này trên máy tính IBM 7094. vào năm 1962. Máy tính đã thắng. Chương trình Samuel Checkers đã thua Nealey các trò chơi khác. Tuy nhiên, nó vẫn được coi là một cột mốc quan trọng của trí tuệ nhân tạo và cung cấp cho công chúng một ví dụ về khả năng của máy tính điện tử vào đầu những năm 1960.
Chương trình càng chơi nhiều, học được những nước đi tạo nên chiến lược chiến thắng trong ‘chế độ học có giám sát’ và kết hợp chúng vào thuật toán của nó thì chương trình càng hoạt động tốt hơn trong trò chơi.
Chương trình của Samuel là một câu chuyện mang tính đột phá vào thời điểm đó. Máy tính lần đầu tiên có thể đánh bại người kiểm tra. Những sáng tạo điện tử đang thách thức lợi thế trí tuệ của nhân loại. Đối với công chúng mù chữ về công nghệ năm 1962, đây là một sự kiện quan trọng. Nó thiết lập nền tảng để máy móc thực hiện các nhiệm vụ thông minh khác tốt hơn con người. Và mọi người bắt đầu suy nghĩ; Máy tính sẽ vượt qua con người về trí thông minh? Suy cho cùng, khi đó máy tính chỉ mới xuất hiện được vài năm và lĩnh vực trí tuệ nhân tạo vẫn còn ở giai đoạn sơ khai…
Tiếp tục tìm hiểu về lịch sử của học máy, bạn cũng có thể muốn xem Kỹ thuật học máy: Khoa học xây dựng các hệ thống AI đáng tin cậy.
· 1958 – Perceptron được thiết kế
Vào tháng 7 năm 1958, Văn phòng Nghiên cứu Hải quân Hoa Kỳ đã công bố một phát minh đáng chú ý: Nhận thức. Một chiếc IBM 704 – một 5-ton kích thước máy tính của một căn phòng, được cho ăn một loạt thẻ đục lỗ và sau 50 lần thử, học cách xác định các thẻ có dấu bên trái so với dấu bên phải.
Theo người phát minh ra nó, Frank Rosenblatt, đó là màn trình diễn của “perceptron”, “chiếc máy đầu tiên có khả năng tạo ra suy nghĩ nguyên bản”, theo người phát minh ra nó, Frank Rosenblatt.
“Những câu chuyện về việc tạo ra những cỗ máy có đặc tính của con người từ lâu đã là một lĩnh vực hấp dẫn trong lĩnh vực khoa học viễn tưởng,” Rosenblatt nhận xét vào năm 1958. “Tuy nhiên, chúng ta sắp chứng kiến sự ra đời của một cỗ máy như vậy – một cỗ máy có khả năng nhận thức, nhận biết và xác định môi trường xung quanh mà không cần bất kỳ sự huấn luyện hay kiểm soát nào của con người.”
Anh ấy đã đúng về tầm nhìn của mình, nhưng phải mất gần nửa thập kỷ để thực hiện được nó.
· Thập niên 60 – Nỗ lực của Bell Labs trong việc dạy máy cách đọc
Thuật ngữ “học sâu” được lấy cảm hứng từ một báo cáo từ cuối những năm 1960 mô tả cách các nhà khoa học tại Bell Labs cố gắng dạy máy tính đọc văn bản tiếng Anh. Việc phát minh ra trí tuệ nhân tạo hay “AI” vào đầu những năm 1950 đã bắt đầu xu hướng hướng tới cái mà ngày nay được gọi là học máy.
· 1967 – Máy móc có khả năng nhận dạng mẫu
Thuật toán “hàng xóm gần nhất” được tạo ra, cho phép máy tính tiến hành phát hiện mẫu thô sơ. Khi chương trình được cấp một đối tượng mới, nó sẽ so sánh nó với dữ liệu hiện có và phân loại nó là đối tượng lân cận gần nhất, nghĩa là mục giống nhau nhất trong bộ nhớ.
Việc phát minh ra thuật toán nhận dạng mẫu được ghi nhận là của Fix và Hodges, người đã trình bày chi tiết kỹ thuật phi tham số của họ để phân loại mẫu vào năm 1951 trong một báo cáo chưa được xuất bản của Trường Y học Hàng không Hoa Kỳ. Quy tắc k-láng giềng gần nhất ban đầu được Fix và Hodges giới thiệu như một phương pháp phi tham số để phân loại mẫu.
· 1979 – Một trong những phương tiện tự lái đầu tiên được ra đời được phát minh ở Stanford
Xe đẩy Stanford là một nỗ lực kéo dài hàng thập kỷ, phát triển dưới nhiều hình thức khác nhau từ năm 1960 đến năm 1980. Nó bắt đầu như một nghiên cứu về việc vận hành một chiếc xe thám hiểm mặt trăng từ Trái đất sẽ như thế nào và cuối cùng được hồi sinh thành một phương tiện tự hành. Riêng xe đẩy phát minh của sinh viên có thể di chuyển vòng quanh các chướng ngại vật trong phòng. Stanford Cart ban đầu là một robot di động được trang bị tivi điều khiển từ xa.
Một chương trình máy tính đã được tạo ra để điều khiển Xe đẩy qua các địa điểm hỗn loạn, thu thập tất cả thông tin về thế giới từ hình ảnh TV trên xe. Xe đẩy đã sử dụng nhiều phương pháp lập thể khác nhau để khám phá mọi thứ trong không gian ba chiều và xác định chuyển động của chính nó. Dựa trên mô hình được tạo bằng dữ liệu này, nó đã lên kế hoạch cho một lộ trình tránh chướng ngại vật để đến đích mục tiêu. Khi Xe gặp phải những trở ngại mới trong chuyến đi, kế hoạch đã phát triển.
Chúng ta đang nói về lịch sử của học máy, nhưng khoa học dữ liệu ngày nay cũng đã tiến bộ trong nhiều lĩnh vực. Dưới đây là một số bài viết thú vị mà chúng tôi đã chuẩn bị trước đó:
· 1981 – Lời nhắc học tập dựa trên giải thích cho học tập có giám sát
Gerald Dejong đã đi tiên phong trong học tập dựa trên giải thích (EBL) trong một bài báo xuất bản năm 1981. EBL đặt nền tảng cho học tập có giám sát hiện đại vì các ví dụ đào tạo bổ sung cho kiến thức trước đây về thế giới. Chương trình phân tích dữ liệu huấn luyện và loại bỏ những thông tin không cần thiết để tạo ra quy tắc rộng áp dụng cho các trường hợp trong tương lai. Ví dụ: nếu phần mềm được hướng dẫn tập trung vào quân hậu trong cờ vua, nó sẽ loại bỏ tất cả các quân không có tác dụng ngay lập tức.
· Thập niên 90 – Sự xuất hiện của nhiều ứng dụng machine learning
Các nhà khoa học bắt đầu áp dụng học máy trong khai thác dữ liệu, phần mềm thích ứng, ứng dụng web, học văn bản và học ngôn ngữ vào những năm 1990. Các nhà khoa học tạo ra các chương trình máy tính có thể phân tích lượng dữ liệu khổng lồ và đưa ra kết luận hoặc học hỏi từ những phát hiện đó. Thuật ngữ “Học máy” được đặt ra khi các nhà khoa học cuối cùng đã có thể phát triển phần mềm theo cách mà nó có thể tự học và cải tiến mà không cần sự can thiệp của con người.
· Thiên niên kỷ – Sự trỗi dậy của lập trình thích ứng
Thiên niên kỷ mới chứng kiến sự bùng nổ chưa từng có trong lập trình thích ứng. Học máy đã đi đôi với các giải pháp thích ứng trong một thời gian dài. Các chương trình này có thể xác định các mô hình, học hỏi kinh nghiệm và tự cải thiện dựa trên phản hồi mà chúng nhận được từ môi trường.
Học sâu là một ví dụ về lập trình thích ứng, trong đó các thuật toán có thể “nhìn thấy” và phân biệt các đối tượng trong hình ảnh và video, đây là công nghệ cơ bản đằng sau Amazon Cửa hàng GO. Khách hàng sẽ bị tính phí khi bước ra ngoài mà không cần phải xếp hàng.
· Ngày nay – Machine learning là một công cụ có giá trị cho mọi ngành
Học máy là một trong những công nghệ tiên tiến ngày nay đã hỗ trợ chúng tôi cải thiện không chỉ các quy trình công nghiệp và chuyên nghiệp mà còn cả cuộc sống hàng ngày. Nhánh học máy này sử dụng các phương pháp thống kê để tạo ra các hệ thống máy tính thông minh có khả năng học hỏi từ các nguồn dữ liệu có thể truy cập được.
Học máy đã được sử dụng trong nhiều lĩnh vực và lĩnh vực khác nhau. Chẩn đoán y tế, xử lý hình ảnh, dự đoán, phân loại, liên kết học tập và hồi quy chỉ là một vài ứng dụng. Các thuật toán học máy có khả năng học hỏi từ kinh nghiệm trước đó hoặc dữ liệu lịch sử. Các chương trình học máy sử dụng trải nghiệm để tạo ra kết quả.
Các tổ chức sử dụng học máy để hiểu rõ hơn về xu hướng tiêu dùng và mô hình hoạt động cũng như việc tạo ra các sản phẩm mới. Nhiều doanh nghiệp hàng đầu hiện nay kết hợp học máy vào hoạt động hàng ngày của họ. Đối với nhiều doanh nghiệp, học máy đã trở thành một điểm khác biệt cạnh tranh đáng kể. Trên thực tế, kỹ thuật học máy đang là một lĩnh vực đang phát triển.
· Ngày mai – Tương lai của Machine Learning: Theo đuổi lợi thế lượng tử
Trên thực tế, bài viết của chúng ta lẽ ra sẽ kết thúc ở đây, vì chúng ta đã đi đến ngày hôm nay trong lịch sử của máy học, nhưng không phải vậy, vì ngày mai còn có nhiều điều…
Ví dụ: Học máy lượng tử (QML) là một lĩnh vực lý thuyết non trẻ nghiên cứu sự tương tác giữa điện toán lượng tử và phương pháp học máy. Điện toán lượng tử gần đây đã được chứng minh là có lợi ích cho việc học máy trong một số thử nghiệm. Mục tiêu tổng thể của Học máy lượng tử là làm cho mọi thứ chuyển động nhanh hơn bằng cách kết hợp những gì chúng ta biết về điện toán lượng tử với học máy thông thường. Ý tưởng về Học máy lượng tử bắt nguồn từ lý thuyết Học máy cổ điển và được diễn giải theo hướng đó.
Ứng dụng của máy tính lượng tử trong thế giới thực đã phát triển nhanh chóng trong thập kỷ qua, với lợi ích tiềm năng ngày càng rõ ràng. Một lĩnh vực nghiên cứu quan trọng là máy tính lượng tử có thể ảnh hưởng như thế nào đến việc học máy. Gần đây người ta đã chứng minh bằng thực nghiệm rằng máy tính lượng tử có thể giải quyết các vấn đề có mối tương quan phức tạp giữa các đầu vào mà các hệ thống truyền thống gặp khó khăn.
Dựa theo Nghiên cứu của Google, máy tính lượng tử có thể có lợi hơn trong một số ứng dụng nhất định. Các mô hình lượng tử được tạo ra trên máy tính lượng tử có thể mạnh hơn nhiều đối với các tác vụ cụ thể, cho phép xử lý và khái quát hóa nhanh hơn trên ít dữ liệu hơn. Do đó, điều quan trọng là phải tìm ra khi nào một cạnh lượng tử như vậy có thể được khai thác…
