Sự khác biệt giữa AI, Machine learning và Deep Learning

Kể từ khi ChatGPT ra mắt, trí tuệ nhân tạo (AI) đã không còn là một khái niệm tương lai chỉ xuất hiện trong các bộ phim khoa học viễn tưởng mà đã trở thành một thuật ngữ đa dụng được dùng để chỉ bất cứ công nghệ nào với những khả năng mang tính đột phá và phi thường.

Là một developer hoặc chỉ đơn giản người tò mò về lập trình, bạn có thể đã biết rõ rằng AI là một chủ đề phức tạp, và có những khác biệt nhất định giữa AI, machine learning và deep learning. Nếu bạn chưa biết, điều đó cũng hoàn toàn bình thường – ngay cả các chuyên gia cũng có những bất đồng về ý kiến khi định nghĩa những thuật ngữ này.

Có khả năng phân biệt giữa các hệ thống khác nhau thuộc trường kiến thức về AI có ý nghĩa quan trọng hơn nhiều là chỉ để thể hiện khi cuộc trò chuyện dần chuyển sang chủ đề AI. Đây là một bước vô cùng cần thiết để trở thành một developer thông thái và một người thực hành AI chất lượng. Dưới đây là những điểm tương đồng và khác biệt giữa AI, machine learning và deep learning mà bạn cần biết.

Trí tuệ nhân tạo là gì?

Sẽ là vô cùng khó khăn để định nghĩa chính xác trí tuệ nhân tạo (AI) là gì trong khi ngay cả khái niệm về trí tuệ cũng không hề dễ để định nghĩa. AI là một loại trí tuệ riêng biệt: “AI đề cập đến các hệ thống được xây dựng một cách có chủ đích để tương tác một cách năng động với thế giới, thường được thúc đẩy bởi một loại mô hình dữ liệu lớn nào đó,” như Ada Morse, nói.

Chúng ta hoàn toàn có thể dễ dàng nhận ra các hệ thống AI trong cuộc sống hàng ngày: Hệ thống thị giác máy tính trong ô tô tự lái phát hiện các đối tượng và môi trường xung quanh nó để đưa ra quyết định về hướng đi; Một hệ thống đề xuất phân tích dữ liệu về các chương trình TV bạn đã xem và tạo ra các gợi ý về việc liệu bạn nên xem gì tiếp theo; Trợ lý ảo như Alexa và Siri tiếp nhận những từ bạn nói và đưa ra phản hồi…

Một sự hiểu lầm phổ biến mà mọi người thường có về AI đó là các hệ thống và thuật toán này có thể hiểu, suy nghĩ hoặc lập luận. AI được đào tạo để trở nên vô cùng giỏi trong một việc cụ thể mà chúng ta tối ưu hóa chúng để làm, do đó chúng có một loại “trí thông minh” rất cụ thể, theo Ada. “Con người, trong khi chúng ta có thể tự chuyên môn hóa hay có các lĩnh vực chúng ta có thiên hướng làm tốt hơn một các tự nhiên, trí tuệ của chúng ta vẫn mang tính tổng quát hơn nhiều.” Việc AI có thể sao chép được hoàn toàn lượng lớn những khả năng của trí tuệ nhân loại (thường được nhắc đến như “artificial general intelligence” or AGI) là một thách thức lớn và đang được nghiên cứu và phát triển liên tục.

Hơn nữa, AI cũng không hoàn toàn là nhân tạo, bởi vì đằng sau đó, một số những quyết định của con người vẫn phải được thực hiện để khiến AI làm những việc mà ta muốn nó làm. “Chúng ta thường nghĩ rằng bởi vì nó là một thuật toán cho nên nó hoàn toàn nhân tạo, và bằng một cách nào đó nó sẽ sở hữu hết được những gì tinh túy nhất của kiến thức tính toán, hơn chỉ là những quyết định hỗn loạn của con người  ,” Ada nói. “Nó thực sự là một combo, và đó chính là lý do vì sao ‘artificial intelligence’ là một thuật ngữ kì cục.”

Machine learning là gì?

Machine learning là quá trình phát hiện quy luật theo thuật toán trong các tập dữ liệu và xây dựng một mô hình (chính xác hoặc không chính xác) về một số khía cạnh của thực tế. Các thuật toán machine learning được sử dụng để đào tạo máy tính thực hiện nhiều nhiệm vụ trong cuộc sống hàng ngày của chúng ta. Ví dụ, tính năng tự động sửa lỗi chính tả tự động trên điện thoại thông minh của bạn là một kiểu machine learning được gọi là xử lý ngôn ngữ tự nhiên (natural language processing), trong đó nó dự đoán những từ bạn định gõ tiếp theo. Ngân hàng của bạn có thể sử dụng machine learning để xác định xem các giao dịch thẻ tín dụng của bạn là chính xác hay là dấu hiệu của gian lận. Và hộp thư đến trong email của bạn sử dụng machine learning để xác định những email nào nên được đánh dấu là thư rác.

Biểu đồ này hiển thị đầu vào và các điều khiển tạo nên một hệ thống AI. Như bạn có thể thấy, cần có sự kết hợp giữa các quyết định của con người, quá trình lao động, dữ liệu, đầu vào trong thế giới thực và các thuật toán để xây dựng một hệ thống AI. 

Tóm lại: Trí tuệ nhân tạo (AI) là cả một hệ thống hoàn chỉnh tương tác động với thế giới, và một phần của hệ thống AI có thể là một mô hình hoặc thuật toán machine learning. Tuy nhiên, một mô hình machine learning bản thân nó không thể cấu tạo thành toàn bộ một hệ thống AI. Một hệ thống AI bao gồm cả đầu vào của phần cứng và phần mềm (như cảm biến thị giác máy tính) cũng như các điều khiển và điều chỉnh do con người thực hiện để xác định cách nó học và tương tác với thế giới. Một số hệ thống AI thậm chí đã sử dụng các mô hình không phải machine learning từ các lĩnh vực như game theory.

Deep learning là gì?

Học sâu (Deep learning) là một dạng machine learning, trong đó thuật toán của nó là một cấu trúc được gọi là neural network. Neural network cũng được đào tạo trên các tập dữ liệu và khi chúng gặp phải các tình huống hoặc bối cảnh mới, chúng có thể đưa ra dự đoán dựa trên tập dữ liệu trước đó.

Ý tưởng về một “neural network” có thể sao chép hành vi của các tế bào thần kinh trong não người đã được giới thiệu lần đầu vào năm 1944. Hiện nay, các nghiên cứu sinh học hiện đại đặt nghi ngờ về ý tưởng rằng các perceptron, các mô hình nhân tạo của các tế bào thần kinh sinh học mô phỏng quá trình ra quyết định, là một đại diện chính xác cho các tế bào thần kinh sinh học. Tuy nhiên, sự tương tự này đã trở nên phổ biến. Deep learning bao gồm nhiều lớp neural network (đó là lý do tại sao nó được gọi là “sâu”). Nhờ sự tiến bộ của các bộ xử lý tốc độ cao, neural network có khả năng tính toán cần thiết để hòa mình vào trải nghiệm hàng ngày của chúng ta một cách mượt mà.

Ví dụ, Chat GPT sử dụng một mô hình Deep learning phức tạp để dự đoán những từ tiếp theo và tạo ra văn bản giống con người. Trong lĩnh vực y tế, các mô hình deep learning được sử dụng để phát hiện ra các bất thường khi scan, chụp và dự đoán kết quả sức khỏe. Và ngay cả trong lĩnh vực trò chơi điện tử, deep learning được sử dụng để cải thiện đồ họa và phát triển các non-player characters (NPC) tồn tại trong trò chơi nhưng không được điều khiển bởi con người.

Khi chúng ta tiếp cận deep learning trong cuộc sống hàng ngày, kết quả thường chính xác và phức tạp đến nỗi hoàn toàn có thể tưởng chúng là con người một cách vô cùng thuyết phục. “Nếu bạn nói chuyện với một số nhà thực hành trí tuệ nhân tạo hiện đại, họ thường sẽ cho rằng trí tuệ nhân tạo giống hệt deep learning – một phần là do suy nghĩ sai lầm rằng neural network bằng một cách nào đó đang làm một cái gì đó tiệm cận hơn với trí tuệ con người so với các thuật toán khác,” Ada nói.

Vậy, điều này có gì quan trọng?

Sự khác biệt giữa Trí tuệ nhân tạo (AI), Học máy (Machine learning) và Học sâu (Deep learning) vượt ra ngoài các thuật ngữ. Theo Ada, cách chúng ta sử dụng và tích hợp Trí tuệ nhân tạo vào cuộc sống và cách xã hội chúng ta điều chỉnh nó, sẽ trở thành một vấn đề quan trọng trong lĩnh vực công nghệ và trên toàn cầu trong những năm tới.

Là một developers, bạn cần hiểu rõ về các hạn chế và rủi ro của Trí tuệ nhân tạo để có thể chọn ra một giải pháp Trí tuệ nhân tạo đúng đắn cho sản phẩm bạn đang xây dựng. Với việc hiểu sâu hơn về cách mà các công cụ Trí tuệ nhân tạo bạn sử dụng thực sự hoạt động, bạn có thể cho thấy rằng mình là một người có trách nhiệm trong việc sử dụng công nghệ này.

Để sử dụng một ví dụ tương tự từ lập trình: Nếu bạn sử dụng một hàm Python mà không hiểu cách hoạt động thực sự của nó, có thể bạn sẽ sử dụng sai và gây ra lỗi trong mã của mình. “Cũng tương tự như vậy, chỉ là ở một level lớn hơn đối với Trí tuệ nhân tạo,” Ada nói.