Chúng ta

Phân biệt AI, Machine learning và Deep learning

Thứ sáu, 17/3/2017 | 10:11 GMT+7

Đây là những cụm từ quen thuộc chúng ta hằng ngày trong cuộc sống của thời đại số. Tuy nhiên, không phải ai cũng có thể hiểu và phân biệt rõ ràng 3 cụm từ này. 

Với những tiến bộ vượt bậc của AI - từ lĩnh vực xe hơi không người lái, đến việc làm chủ các trò chơi như Poker và Go, cho tới tự động hóa các dịch vụ tương tác với khách hàng - công nghệ tiên tiến này đã sẵn sàng để cách mạng hóa các doanh nghiệp. Trong quá trình này, thuật ngữ AI (trí tuệ nhân tạo), Machine learning (học máy), và Deep learning (học sâu) thường được sử dụng một cách ngẫu nhiên và thường gây ra sự nhầm lẫn với nhau, trong khi mỗi loại công nghệ đều có những khác biệt riêng. Dưới đây là một số đặc điểm khác biệt giữa ba công cụ này.

1-4483-1489660215.png

Sơ đồ tổng quan về phạm vi của AI, Machine Learning và Deep Learning

AI (Artificial Intelligence)

AI hiểu một cách sơ khai là trí tuệ máy tính tiên tiến, công nghệ này được mô tả như sau: “Mọi khía cạnh của học tập hoặc bất kỳ tính năng nào khác của trí thông minh trên thực tế có thể được mô tả chính xác đến mức có thể làm được một cái máy để mô phỏng nó”. AI có thể mô phỏng bất cứ thứ gì từ một chương trình chơi cờ vua, đến một hệ thống nhận dạng giọng nói như Alexa của Amazon. Công nghệ này có thể được phân loại thành ba nhóm: Kiểu trí tuệ nhân tạo hẹp, trí tuệ nhân tạo tổng hợp (AGI), và trí tuệ nhân tạo siêu thông minh.

1-8024-1489660215.jpg

Artificial Intelligence

Trí tuệ nhân tạo hẹp là những AI có kỹ năng trong một nhiệm vụ cụ thể, ví dụ như AlplaGo của Google đã đánh bại nhà vô địch thế giới Lee Sedol ở bộ môn Go. Điều này tạo nên sự khác biệt với trí thông minh tổng hợp nhân tạo (AGI), ở đó, AI được mô phỏng ở mức gần giống với con người, và có thể thực hiện một loạt nhiệm vụ khác nhau.

Trí tuệ nhân tạo siêu thông minh sẽ đưa mọi thứ lên một bước xa hơn, đây là “trí tuệ thông minh hơn bộ não người tốt nhất trên thực tế mọi lĩnh vực, bao gồm sáng tạo khoa học, sự khôn ngoan chung và các kỹ năng xã hội”. Nói cách khác, đó là khi máy móc đã vượt ra khỏi tầm kiểm soát của con người.

Machine learning

Machine learning là một lĩnh vực con của AI. Nguyên tắc cốt lõi của Machine learning là các máy tiếp nhận dữ liệu và tự học. Machine learning là một phương pháp phân tích dữ liệu mà sẽ tự động hóa việc xây dựng mô hình phân tích. Sử dụng các thuật toán lặp để học từ dữ liệu, Machine learning cho phép máy tính tìm thấy những thông tin giá trị ẩn sâu mà không được lập trình một cách rõ ràng nơi để tìm. Khía cạnh lặp lại của Machine learning là quan trọng bởi vì khi các mô hình này được tiếp xúc với dữ liệu mới thì chúng có thể thích ứng một cách độc lập. Chúng học từ các tính toán trước đó để tạo ra những quyết định cũng như kết quả lặp lại và đáng tin cậy.

2-8972-1489660215.jpg

Machine Learning

Nó hiện là công cụ hứa hẹn nhất của AI dành cho doanh nghiệp. Các hệ thống machine learning có thể nhanh chóng áp dụng kiến thức và đào tạo từ các bộ dữ liệu lớn để thực hiện các công việc về nhận dạng khuôn mặt, nhận dạng giọng nói, nhận diện đối tượng, dịch và nhiều công việc khác một cách xuất sắc. Không giống mã hóa thủ công một chương trình phần mềm với các hướng dẫn cụ thể để hoàn thành một tác vụ, Machine Learning cho phép một hệ thống tự học để nhận dạng các biểu mẫu và đưa ra dự đoán một cách chính xác.

Alpha Go là một ví dụ hoàn hảo về Machine Learning, khi nó tiếp nhận và học hỏi một lượng lớn dữ liệu từ cách bước đi cũng như tính toán của các cao thủ để đánh bại nhà vô địch thế giới Lee Sedol. Hiện tại, các tập đoàn lớn như IBM, Google, Amazon, Microsoft… đều cung cấp các nền tảng Machine Learning để các doanh nghiệp ứng dụng và tích hợp vào các chiến lược kinh doanh.

Deep Learning

Deep learning là một lĩnh vực chuyên sâu của Machine leaning. Nó sử dụng một số kỹ thuật của Machine learning để giải quyết các vấn đề thực tế bằng cách khai thác các mạng thần kinh nhân tạo (dựa trên các thiết bị phần cứng và phần mềm được kết nối với nhau theo cách nào đó) và mô phỏng việc đưa ra các quyết định của con người. Deep learning có chi phí khá đắt đỏ, và đòi hỏi các bộ dữ liệu lớn để tự tập luyện, bởi vì có một số lượng lớn các tham số cần được tìm hiểu theo giải thuật, mà ban đầu có thể tạo ra rất nhiều dữ liệu tích cực giả.

3-8365-1489660216.jpg

Deep Learning.

Ví dụ, một thuật toán deep learning có thể được hướng dẫn để “học” về việc một con mèo trông như thế nào. Nó sẽ có một bộ dữ liệu khổng lồ của hình ảnh để nó hiểu được các chi tiết rất nhỏ mà phân biệt một con mèo với một con báo hoa, một con báo đen hay một con cáo. Tiếp tục với ví dụ về Alpha Go, Google đã lý giải về việc hệ thống đã sử dụng deep learning theo cách kết hợp tìm kiếm cây Monte-Carlo với mạng thần kinh nhân tạo đã được đào tạo bằng cách học có giám sát các trận của của những chuyên gia và bằng cách tăng cường học tập từ các trận đấu tự chơi.

Deep learning có ứng dụng sâu rộng trong các lĩnh vực của đời sống, ví dụ như tìm kiếm dựa trên văn bản, phát hiện gian lận, phát hiện spam, nhận dạng chữ viết tay, tìm kiếm hình ảnh, nhận dạng giọng nói, phát hiện chế độ xem phố và bản dịch là tất cả các tác vụ có thể được thực hiện thông qua deep learning, thay thế nhiều hệ thống dựa trên các nguyên tắc thủ công. Tuy nhiên, deep learning cũng rất dễ bị thiên lệch, nếu trong bộ dữ liệu không có những tham số cần thiết.

Theo Tech Insight

Ý kiến

()