Machine Learning là gì? Deep Learning là gì? Sự khác biệt giữa AI, Machine Learning và Deep Learning

Trong những năm vừa qua, cùng với sự bùng nổ của cuộc cách mạng công nghiệp 4.0, các thuật ngữ như trí tuệ nhân tạo (AI), học máy (Machine Learning) và học sâu (Deep Learning) đang dần trở nên phổ biến và trở thành những khái niệm mà các công dân của kỷ nguyên 4.0 buộc phải nắm được.

Có thể giải thích mối liên hệ giữa 3 khái niệm này bằng cách tưởng tượng chúng như những vòng tròn, trong đó AI - ý tưởng xuất hiện sớm nhất - là vòng tròn lớn nhất, tiếp đến là Machine Learning - khái niệm xuất hiện sau, và cuối cùng là Deep Learning - thứ đang thúc đẩy sự bùng phát của AI hiện nay - là vòng tròn nhỏ nhất.

Mối liên hệ giữa AI, Machine Learning và Deep Learning

Việc xây dựng lên một hệ thống AI đương nhiên là cực kì phức tạp, tuy nhiên việc hiểu được nó lại không đến nỗi khó khăn như vậy. Hầu hết các trí thông minh nhân tạo hiện tại chỉ là những máy đoán thực sự tốt (guessing machines, tương tự như bộ não của chúng ta). Bạn bạn cung cấp cho hệ thống một nhóm dữ liệu (chẳng hạn như các chữ số từ 1 đến 10) và yêu cầu hệ thống tạo mô hình (x + 1, bắt đầu từ 0) và đưa ra các dự đoán. (Con số tiếp theo sẽ là mười một). Không có phép thuật nào cả, đây là công việc mà bộ não của con người làm mỗi ngày: sử dụng những gì chúng ta biết để đoán về những điều chúng ta chưa biết.

Điều khiến AI khác với các chương trình máy tính khác là thay vì phải lập ra những trình chương trình cụ thể cho mỗi trường hợp, chúng ta hoàn toàn có thể dạy học cho AI (Machine Learning), và nó cũng có khả năng tự học (Deep Learning). Có thể định nghĩa ba khái niệm này một cách cơ bản như sau:

Trí tuệ nhân tạo (AI): một cỗ máy có thể bắt chước hành vi và tư duy của con người.

Học máy (Machine Learning): Một tính năng của AI, cho phép các chuyên gia đào tạo cho AI để nó nhận biết các mẫu dữ liệu và dự đoán.

Học sâu (Deep Learning): Một kỹ thuật nhỏ của Machine Learning, cho phép máy có thể tự đào tạo chính mình.

AI là gì?

Trí tuệ nhân tạo - bộ não con người trong hình hài của một chiếc máy

AI có thể được định nghĩa như một ngành của khoa học máy tính liên quan đến việc tự động hóa các hành vi thông minh. AI là một bộ phận của khoa học máy tính và do đó nó phải được đặt trên những nguyên lý lý thuyết vững chắc, có khả năng ứng dụng được của lĩnh vực này. Nói nôm na cho dễ hiểu: đó là trí tuệ của máy móc được tạo ra bởi con người. Trí tuệ này có thể tư duy, suy nghĩ, học hỏi,... như trí tuệ con người. Xử lý dữ liệu ở mức rộng lớn hơn, quy mô hơn, hệ thống, khoa học và nhanh hơn so với con người.

Tuy nhiên hiện nay, công nghệ AI vẫn đang còn rất nhiều hạn chế. Đơn cử như Alexa - một quản gia tuyệt vời, một trong những biểu tượng phổ biến nhất về ứng dụng của trí thông minh nhân tạo nhưng vẫn không thể vượt qua bài kiểm tra Turing.

Tóm lại, những gì chúng ta đang thực hiện với AI hiện nay nằm trong khái niệm “AI hẹp” (Narrow AI). Công nghệ này có khả năng thực hiện các nhiệm vụ cụ thể một cách tương tự, hoặc tốt hơn con người. Ví dụ về “AI hẹp” trong thực tế như công nghệ phân loại hình ảnh của Pinterest hay nhận diện khuôn mặt để tag bạn bè trên Facebook.

Những công nghệ này thể hiện một số khía cạnh của trí thông minh con người, nhưng làm thế nào để được như vậy? Trí tuệ đó đến từ đâu? Hãy cùng đến với vòng tròn tiếp theo: học máy (Machine Learning).

Machine Learning là gì?

Machine Learning - một cách tiếp cận của AI

Machine Learning là một thuật ngữ rộng để chỉ hành động bạn dạy máy tính cải thiện một nhiệm vụ mà nó đang thực hiện. Cụ thể hơn, Machine Learning đề cập tới bất kỳ hệ thống mà hiệu suất của máy tính khi thực hiện một nhiệm vụ sẽ trở nên tốt hơn sau khi hoàn thành nhiệm vụ đó nhiều lần. Hay nói cách khác, khả năng cơ bản nhất của Machine Learning là sử dụng thuật toán để phân tích những thông tin có sẵn, học hỏi từ nó rồi đưa ra quyết định hoặc dự đoán về một thứ gì đó có liên quan. Thay vì tạo ra một phần mềm với những hành động, hướng dẫn chi tiết để thực hiện một nhiệm vụ cụ thể, máy tính được “huấn luyện” bằng cách sử dụng lượng dữ liệu và các thuật toán để học cách thực hiện nhiệm vụ.

Nếu không có Machine Learning, AI hiện tại sẽ bị hạn chế khá nhiều bởi nó mang lại cho máy tính sức mạnh để tìm ra mọi thứ mà không được lập trình rõ ràng. Ví dụ về một loại Machine Learning, giả sử bạn muốn một chương trình có thể xác định được mèo trong các bức ảnh:

• Đầu tiên, bạn cung cấp cho AI một tập hợp các đặc điểm của loài mèo để máy nhận dạng, ví dụ như màu sắc lông, hình dáng cơ thể, kích thước…
• Tiếp theo, bạn cung cấp một số hình ảnh cho AI, trong đó một số hoặc tất cả các hình ảnh có thể được dán nhãn "mèo" để máy có thể chọn hiệu quả hơn các chi tiết, đặc điểm có liên quan đến mèo.
• Sau khi máy đã nhận được đủ dữ liệu cần thiết về mèo, nó phải biết cách tìm một con mèo trong một bức tranh - “Nếu trong hình ảnh có chứa các chi tiết X, Y, hoặc Z nào đó, thì 95% khả năng đó là một con mèo”.

Nhìn chung, ứng dụng của Machine Learning ngày nay là vô cùng phổ biến và độ hữu ích thì không phải bàn cãi nhiều nữa.

Machine Learning hoạt động như thế nào?

UC Berkeley chia hệ thống học tập của thuật toán Machine Learning thành 3 phần chính.

• Quy trình quyết định: Nói chung, thuật toán Machine Learning được sử dụng để đưa ra dự đoán hoặc phân loại. Dựa trên một số dữ liệu đầu vào, có thể được gắn nhãn hoặc không được gắn nhãn, thuật toán của bạn sẽ đưa ra ước tính về một mẫu trong dữ liệu.
• Hàm lỗi: Hàm lỗi đánh giá dự đoán của mô hình. Nếu có các ví dụ đã biết, hàm lỗi có thể so sánh để đánh giá độ chính xác của mô hình.
• Quy trình tối ưu hóa mô hình: Nếu mô hình có thể phù hợp hơn với các điểm dữ liệu trong tập huấn luyện thì các trọng số sẽ được điều chỉnh để giảm sự khác biệt giữa ví dụ đã biết và ước tính mô hình. Thuật toán sẽ lặp lại quá trình “đánh giá và tối ưu hóa” này nhiều lần, cập nhật trọng số một cách tự động cho đến khi đạt đến ngưỡng chính xác.

Các loại Machine Learning

Có nhiều loại mô hình Machine Learning được xác định bởi sự hiện diện hay vắng mặt của tác động của con người đối với dữ liệu thô - cho dù phần thưởng, phản hồi cụ thể nào được đưa ra hay nhãn nào được sử dụng.

Theo Nvidia.com, có nhiều mô hình Machine Learning khác nhau như:

• Học có giám sát: Tập dữ liệu đang được sử dụng đã được người dùng gắn nhãn trước và phân loại để cho phép thuật toán xem hiệu suất của nó chính xác đến mức nào.
• Học không giám sát: Tập dữ liệu thô đang được sử dụng không được gắn nhãn và thuật toán xác định các mẫu và mối quan hệ trong dữ liệu mà không cần sự trợ giúp từ người dùng.
• Học bán giám sát: Tập dữ liệu chứa dữ liệu có cấu trúc và không cấu trúc, hướng dẫn thuật toán đưa ra kết luận độc lập. Sự kết hợp của hai loại dữ liệu trong một tập dữ liệu huấn luyện cho phép các thuật toán Machine Learning học cách gắn nhãn dữ liệu chưa được gắn nhãn.
• Học tăng cường: Tập dữ liệu sử dụng hệ thống “thưởng/phạt”, cung cấp phản hồi cho thuật toán để học hỏi từ kinh nghiệm của chính nó bằng phương pháp thử và sai.

Deep Learning là gì?

Deep Learning - một kỹ thuật của Machine Learning

Có thể nói tính đến nay, AI đã gặt hái được khá nhiều bước tiến lớn. Hãy suy nghĩ về nó như là một loại Machine Learning với "mạng thần kinh - neural networks" sâu có thể xử lý dữ liệu theo cách tương tự như một bộ não con người có thể thực hiện. Điểm khác biệt chính ở đây là con người không sẽ phải dạy một chương trình Deep Learning biết một con mèo trông như thế nào, mà chỉ cần cung cấp cho nó đủ hình ảnh cần thiết về loài mèo, và nó sẽ tự mình hình dung, tự học. Các bước cần làm như sau:

• Cung cấp cho máy rất nhiều ảnh về mèo.
• Thuật toán sẽ kiểm tra ảnh để xem các đặc điểm, chi tiết chung giữa các bức ảnh.
• Mỗi bức ảnh sẽ được giải mã chi tiết dưới nhiều cấp độ, từ các hình dạng lớn, chung đến các ô nhỏ và nhỏ hơn nữa. Nếu một hình dạng hoặc các đường được lặp lại nhiều lần, thuật toán sẽ gắn nhãn nó như là một đặc tính quan trọng.
• Sau khi phân tích đủ hình ảnh cần thiết, thuật toán giờ đây sẽ biết được các mẫu nào cung cấp bằng chứng rõ ràng nhất về mèo và tất cả những gì con người phải làm chỉ là cung cấp các dữ liệu thô.

Tóm lại: Deep Learning là loại Machine Learning mà trong đó máy tự đào tạo chính nó. Deep Learning đòi hỏi rất nhiều dữ liệu đầu vào và sức mạnh tính toán hơn là Machine Learning, nhưng nó đã bắt đầu được triển khai bởi các công ty công nghệ lớn như Facebook, Amazon. Trong đó, một trong những cái tên nổi tiếng nhất về Machine Learning là AlphaGo, một máy tính có thể chơi cờ vây với chính bản thân nó cho đến khi nó có thể dự đoán những đường đi nước bước chính xác nhất đủ để đánh bại nhiều nhà vô địch trên thế giới.

Sự khác biệt giữa AI, Machine Learning và Deep Learning

Mặc dù các thuật ngữ này có liên quan với nhau, chúng tạo thành một hệ thống phân cấp rõ ràng: Deep Learning là một dạng chuyên biệt của Machine Learning, còn Machine Learning lại là một lĩnh vực cốt lõi nằm trong phạm vi rộng lớn hơn là trí tuệ nhân tạo (Artificial Intelligence). Sự khác biệt chính nằm ở năng lực, độ phức tạp và kỹ thuật đặc trưng.

Kết luận

Deep Learning đã cho phép ứng dụng nhiều vấn đề thực tế của máy đồng thời mở rộng lĩnh vực tổng thể của trí tuệ nhân tạo. Deep Learning phá vỡ các cách thức con người làm việc bằng cách làm cho tất cả các loại máy móc trợ giúp có thể thực hiện được, gần hoặc giống hệt con người. Ô tô không người lái, chăm sóc sức khỏe con người tốt hơn… Tất cả đều được hiện thực hóa trong thời đại ngày nay. AI là hiện tại và tương lai của thế giới. Với sự trợ giúp của Deep Learning, AI có thể hiện thực hóa ước mơ khoa học giả tưởng mà chúng ta đã tưởng tượng từ rất lâu.

Xem thêm:

• 6 bước để bắt đầu học lập trình trí tuệ nhân tạo (AI)
• Tổng hợp những khóa học online về AI miễn phí
• Blockchain là gì? Blockchain hoạt động như thế nào?
• Điểm lại những dấu mốc quan trọng trong lịch sử hơn 60 năm phát triển trí tuệ nhân tạo