Sự khác biệt giữa Artificial Intelligence (AI), Machine Learning (ML), and Deep Learning (DL)

Thuật ngữ “Artificial Intelligence (AI)” hay “Trí thông minh nhân tạo” quả là quen thuộc với chúng ta hiện nay. Thế nhưng, gần đây bạn có từng nghe đến những thuật ngữ như “Machine Learning” (ML) và “Deep Learning” (DL) thi thoảng được sử dụng thay thế cho AI chưa? Và điều đó khiến cho sự khác biệt giữa AI, ML, DL càng ngày càng không rõ ràng.

Vậy trước tiên, chúng ta sẽ cùng đi tìm hiểu xem Calum McClelland cho chúng ta biết AI, ML, DL là gì nhé!

Thế nào là sự khác biệt giữa AI, ML và DL?

John McCarthy đặt ra định nghĩa đầu tiên năm 1956 rằng: “AI liên quan đến những máy mà có thể thực hiện những nhiệm vụ được coi là đặc trưng của trí thông minh của con người”. Định nghĩa nêu trên rất chung chung bao gồm cả lập kế hoạch, hiểu về ngôn ngữ, nhận dạng các đối tượng và âm thanh, học tập và giải quyết vấn đề.

Chúng ta có thể đặt AI vào hai góc nhìn: tổng quát và nhìn từ một khía cạnh. Ở góc nhìn tổng quát, AI có thể có tất cả những đặc tính của trí thông minh con người bao gồm tất cả những thứ như đã được định nghĩa ở trên. Ở góc nhìn còn lại, AI được xem như là một số khía cạnh của trí thông minh con người ví dụ như một cỗ máy AI có thể nhận dạng tốt một hình ảnh nhưng ở những khía cạnh khác như nhận dạng âm thanh hoặc hiểu về ngôn ngữ… thì chắc chắn nó sẽ không làm được.

Tại chính cốt lõi của ML, ML đơn giản là một cách để ta đạt được AI.

Arthur Samuel định nghĩa không quá lâu sau AI, vào năm 1959, ML là “khả năng học hỏi dựa trên dữ liệu đưa vào mà không cần được lập trình cụ thể”. Qua khái niệm trên, bạn có thể thấy rằng bạn có thể đạt được AI mà không cần đến ML, nhưng điều này chắc chắn đòi hỏi bạn phải xây dựng hàng triệu dòng lệnh với các quy tắc phức tạp và cây quyết định.

Thay vì code những chương trình phần mềm fix cứng với những hướng dẫn cụ thể để thực hiện một task cụ thể, ML là một cách để “training” một thuật toán để máy có thể học theo một cách nào đó. “Training” ở đây là bằng cách đưa cho máy học một lượng lớn dữ liệu vào thuật toán và thuật toán được xây dựng để máy tính có thể tự điều chỉnh và cải thiện thông minh hơn.

Chúng ta sẽ cùng đi qua một ví dụ: ML đã được sử dụng để cải thiện mạnh mẽ Computer Vision (khả năng của máy tính để nhận dạng một đối tượng trong một bức ảnh hoặc video). Chúng ta sẽ thu thập hàng trăm, thậm chí hàng ngàn bức ảnh sau đó gán nhãn cho chúng. Ví dụ, con người gắn nhãn “mèo” vào một bức ảnh có hình ảnh con mèo. Sau đó, thuật toán cố gắng để xây dựng một model có thể nhận dạng chính xác được hình ảnh có chứa con mèo hay không và gán nhãn cho ảnh đó. Khi mức độ chính xác đủ cao thì máy cũng đã “học” được một con mèo trông như thế nào.

DL là một trong nhiều cách tiếp cận đến ML. Những cách tiếp cận khác bao gồm cây quyết định, lập trình logic quy nạp, phân cụm, học tăng cường, mạng Bayes và một số cách khác nữa.

DL được lấy cảm hứng từ cấu trúc và chức năng của bộ não, cụ thể là sự kết nối của nhiều tế bào thần kinh tạo nên DL. Mạng nơ-ron nhân tạo (ANNs) là các thuật toán bắt chước theo cấu trúc sinh học của bộ não.

Trong ANNs, Những tầng nơ-ron rời rạc kết nối với những nơ-ron khác. Mỗi tầng lại trích chọn ra những tính năng cụ thể để học, ví dụ như là đường cong/ cạnh trong nhận dạng hình ảnh. Chiều sâu của ANNs được tạo ra bằng cách sử dụng nhiều lớp kết nối với nhau.

Nguồn:

The Difference Between Artificial Intelligence, Machine Learning, and Deep Learning