Sự dự đoán là quá trình điền thông tin còn thiếu. Sự dự đoán sử dụng thông
tin mà bạn có, thường được gọi là “dữ liệu”, và sử dụng nó để tạo ra thông
tin bạn chưa có. Nhiều cuộc thảo luận về AI nhấn mạnh sự đa dạng trong
kỹ thuật dự đoán với những cái tên và nhãn hiệu không rõ ràng như: sự
phân loại, sự tụ chùm, sự hồi quy, cây quyết định, ước lượng Bayes, mạng
lưới nơ-ron, phân tích dữ liệu tô-pô, học sâu, học tăng cường, học sâu tăng
cường, mạng lưới con nhộng… Những kỹ thuật này rất quan trọng với
những chuyên gia công nghệ quan tâm tới việc triển khai AI vào một vấn
đề dự đoán cụ thể. Trong cuốn sách này, chúng tôi sẽ lược bỏ những thuật
toán đằng sau những phương pháp này. Chúng tôi nhấn mạnh rằng từng
phương pháp đều liên quan đến dự đoán: sử dụng thông tin bạn có để tạo ra
thông tin bạn chưa có. Chúng tôi tập trung vào việc giúp bạn nhận diện
những tình huống mà sự dự đoán sẽ có giá trị và cách khai thác được càng
nhiều giá trị càng tốt từ dự đoán đó.
Giá thành của việc dự đoán rẻ hơn đồng nghĩa với việc sẽ có nhiều sự dự
đoán hơn. Đó là nguyên lý kinh tế cơ bản: khi giá thành của thứ gì đó giảm,
chúng ta có thể sử dụng nó nhiều hơn. Ví dụ, khi nền công nghiệp máy tính
bắt đầu phổ biến vào những năm 1960 và giá thành của thuật toán bắt đầu
giảm mạnh, chúng ta đã sử dụng nhiều thuật toán hơn trong các ứng dụng
mà nó đã là thông tin đầu vào, ví dụ như tại Tổng cục điều tra Hoa Kỳ, Bộ
Quốc phòng Hoa Kỳ, và NASA (gần đây đã được mô tả trong bộ phim
Hidden Figures [tạm dịch: Số liệu ẩn]).
Tương tự vậy, sự dự đoán thường được dùng trong những công việc truyền
thống, ví dụ như quản lý hàng hoá và dự báo nhu cầu. Quan trọng hơn, bởi
vì giá thành của nó trở nên rẻ, nó được dùng cho những vấn đề mà trước
đây chưa từng áp dụng sự dự đoán. Kathryn Howe của Integrate gọi khả
năng có thể nhìn thấy vấn đề và biến nó thành vấn đề liên quan đến sự dự
đoán là “sự thấu hiểu sâu sắc của AI”, và ngày nay, các kỹ sư trên khắp thế
giới đều đang cố gắng đạt được điều đó.
