Trí tuệ nhân tạo, học máy và học sâu là những cụm từ thường xuyên được nhắc đến trong vài năm gần đây. Tuy nhiên không phải ai cũng có thể phân biệt ba thuật ngữ này. Hãy cùng Elcom tìm hiểu sự khác biệt trong bài viết bên dưới. 

Trí tuệ nhân tạo, học máy và học sâu là những thuật ngữ phổ biến trong ngành công nghiệp công nghệ thông tin. Chúng được sử dụng liên tục, luân phiên đặc biệt là khi các công ty công nghệ thực hiện hoạt động marketing giới thiệu sản phẩm ra thị trường. Tuy nhiên, ba thuật ngữ này lại có nhiều điểm khác biệt tương đối lớn. 

Cụ thể, trí tuệ nhân tạo (AI) là cụm từ đề cập đến việc mô phỏng trí tuệ con người thông qua máy móc. Định nghĩa của AI thay đổi liên tục khi ngày càng nhiều công nghệ tiên tiến, vượt trội hơn ra đời, mô phỏng con người tốt hơn.

Công nghệ học máy (Machine Learning) và học sâu (Deep Learning) là minh chứng cho sự tiến bộ của trí tuệ nhân tạo. Trong đó, học sâu là một phần con của học máy; mạng thần kinh nhân tạo (Neutral Networks) là một thành phần của học sâu.

Để hiểu rõ hơn về mối quan hệ giữa các công nghệ được đề cập phía trên, dưới đây là một số đặc trưng của từng loại.

1. Trí tuệ nhân tạo là gì?

Thuật ngữ Trí tuệ Nhân tạo đã xuất hiện trên thế giới từ những năm 1950, mô tả sự nỗ lực chế tạo máy móc có đầu óc như con người - thứ khiến loài người trở thành động vật thông minh bậc cao và thống trị trái đất hiện nay. Mặc dù vậy, định nghĩa “trí thông minh” là một nhiệm vụ tương đối khó khăn bởi những thứ gọi là thông minh không giống nhau ở từng thời đại mà thay đổi liên tục.

Ban đầu, trí tuệ nhân tạo chỉ là chương trình máy tính thiết lập dựa trên quy tắc, có khả năng giải quyết một vài vấn đề đôi chút phức tạp. Thay vì nhập dữ liệu trực tiếp và không thể thay đổi thao tác trong phần mềm, chương trình này được chia thành hai phần: cơ sở tri thức (knowledge base), mô tơ suy diễn (inference engine). Nhà phát triển phần mềm sẽ điền thông tin chính xác, cơ bản vào knowledge base, và inference engine sẽ truy vấn những thông tin đó để đưa ra kết quả. 

Loại hình này gặp nhiều hạn chế, đặc biệt là khi nó phụ thuộc quá nhiều vào input của con người. Hệ thống cũng thiết lập dựa trên quy tắc nên thiếu tính linh hoạt, không có khả năng tự học hỏi và phát triển nên không còn gọi là “thông minh”.

Các thuật toán AI hiện đại đã có khả năng học từ dữ liệu lịch sử. Điều này giúp chúng được ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau như robot, xe tự hành, tối ưu hóa lưới điện, thấu hiểu ngôn ngữ tự nhiên (Natural Language Understanding). 

Trí tuệ nhân tạo còn có khả năng liên kết các ý nghĩa lại với nhau. Ví dụ, khi xem xét từ "ô tô", AI có thể dễ dàng nhận diện và xác định ô tô ở bất cứ đâu dù là ngoài đời thật, hình ảnh hay video.

Công nghệ AI có thể dễ dàng nhận diện phương tiện bao gồm biển số, màu sắc, nhãn hiệu - Ảnh: Internet

Mặc dù đôi khi AI mang lại hiệu suất vượt trội trong nhiều lĩnh vực, nhưng để trí tuệ nhân tạo cạnh tranh cũng như thay thế với trí thông minh con người vẫn cần nhiều thời gian. 

Hiện tại, chưa có công nghệ trí tuệ nhân tạo nào có thể thay thế con người với khả năng học hỏi và ứng dụng nhanh chóng. Khi con người chỉ cần một ví dụ hoặc mẫu là có thể tự làm bất kỳ điều gì thì AI lại cần phải được đào tạo trên một lượng lớn dữ liệu cho mỗi lĩnh vực. Các thuật toán vẫn chưa có khả năng chuyển giao kiến thức từ lĩnh vực này sang lĩnh vực khác.

Định nghĩa của trí tuệ nhân tạo cũng đang dần thay đổi. Thuật toán của chúng đã trở nên phức tạp, tinh vi đến ngạc nhiên khi hiệu quả mang lại vượt trội so với khả năng của con người, thậm chí ở cả những chuyên gia trong ngành.

Nhưng nó cũng có nhiều hạn chế. Khái niệm trí tuệ nhân tạo hiện đại mang ý nghĩa và phạm vi tương đối hẹp (narrow AI/weak AI). Còn hiện nay, con người đang theo đuổi cái gọi là trí tuệ nhân tạo tổng hợp (AGI - Artificial general intelligence) đạt đến mức độ “không khác gì con người”. Đấy là lý do cần phân biệt rõ ràng hai khái niệm này.

2. Học máy là gì?

Học máy là một phần con của trí tuệ nhân tạo, là một trong các thuật toán được phát triển để mô phỏng trí tuệ con người dựa trên quy tắc sử dụng điều kiện if-then.

Xem thêm bài viết: 12 ứng dụng máy học (Machine learning) hàng đầu trong thực tiễn

Công nghệ học máy đã đánh dấu bước ngoặt trong sự phát triển của trí tuệ nhân tạo. Trước khi máy học ra đời, cong người “dạy” máy tính học bằng cách cung cấp toàn bộ biến số khi giải quyết một vấn đề bất kỳ nào đấy. Điều này làm cho quá trình thực hiện trở nên rõ ràng, từ đó các công thức có thể xử lý nhiều bài toán phức tạp.

Ở dạng phức tạp nhất, trí tuệ nhân tạo sẽ đi qua nhiều nhánh quyết định và tìm ra nhánh nào có kết quả tốt nhất. 

Deep Blue của IBM được thiết kế dựa trên học máy để đánh bại Garry Kasparov ở cờ vua - Ảnh: Internet

Nhưng có nhiều điều con người không thể tự xác định thông qua thuật toán dựa trên quy tắc, điển hình như nhận dạng khuôn mặt. Thông thường, để nhận diện một khuôn mặt, hệ thống dựa trên quy tắc cần phát hiện các hình dạng khác nhau (VD: hình tròn), sau đó xác định vị trí, cách đặt bên cạnh đối tượng khác để chúng tạo nên một đôi mắt. 

Tương tự như thế đối với các bộ phận khác trên khuôn mặt như mũi, môi,... Có thể dễ dàng nhận thấy điều này gây mất thời gian đồng thời là thách đức đối với lập trình viên.

Thay vì như thế, học máy tiếp cận một cách khác. Công nghệ cho phép máy tính học độc lập bằng việc tiếp thu lượng lớn dữ liệu và dò theo mẫu. Nhiều thuật toán học máy sử dụng công thức thống kê, Big Data (dữ liệu lớn) để hoạt động. 

Một số thuật toán học máy được sử dụng trong việc phân loại và hồi quy bao gồm:  hồi quy tuyến tính, hồi quy logistic, cây quyết định, máy vector hỗ trợ (SVM), thuật toán phân loại Naive Bayes, thuật toán k láng giềng gần nhất, k-means, phương pháp random forest hay thuật toán giảm chiều dữ liệu.

3. Học sâu là gì?

Học sâu (Deep learning) là một phần con của học máy (machine learning). Nó vẫn liên quan đến việc dạy máy tính học từ dữ liệu, nhưng đây lại là một bước tiến mới trong quá trình phát triển của trí tuệ nhân tạo.

Học sâu được phát triển dựa trên sự hiểu biết về mạng thần kinh nhân tạo (neural networks). Ý tưởng xây dựng AI bằng mạng thần kinh đã tồn tại từ những năm 1980, nhưng cho đến năm 2012, học sâu mới thực sự trở nên phổ biến. 

Tương tự học máy có khả năng hiện thực hóa nhờ vào lượng lớn dữ liệu con người tạo ra, học sâu cũng mang sức mạnh tính toán với chi phí rẻ hơn, được ứng dụng nhiều hơn nhờ tiến bộ trong thuật toán. Ở cùng một nhiệm vụ, học sâu có thể tạo ra kết quả vượt trội hơn so với máy học.

Quay trở lại ví dụ về nhận dạng khuôn mặt. Học sâu sử dụng các layer (lớp) xử lý thông tin, mỗi layer học về một cách biểu diễn dữ liệu, sau đó dần dần dữ liệu sẽ trở nên phức tạp hơn. Những layer ban đầu có thể học về màu sắc, tiếp theo đó là hình dạng, cho đến sự kết hợp của các hình dạng đó, và cuối cùng là đối tượng thực tế. 

Công nghệ học sâu đã tạo nên sự đột phá trong quá trình nhận dạng đối tượng. Sự sáng tạo này đã nhanh chóng thúc đẩy trí tuệ nhân tạo phát triển trên nhiều khía cạnh, bao gồm cả hiểu ngôn ngữ tự nhiên (NLU).

Hiện nay, học sâu là kiến trúc trí tuệ nhân tạo tinh tế nhất mà con người tạo ra. Một số thuật toán học sâu bao gồm:

- Convolutional neural networks (Mạng thần kinh tích chập)

- Recurrent neural networks (Mạng thần kinh hồi quy)

- Long short-term memory networks (Mạng bộ nhớ dài - ngắn)

- Generative adversarial networks (Mạng đối nghịch tạo sinh)

- Deep belief networks (Mạng học sâu niềm tin)

4. So sánh AI với học máy và học sâu

Điểm khác biệt

Hai thuật ngữ học máy và học sâu đều có định nghĩa cụ thể, trong khi khái niệm về trí tuệ nhân tạo lại thay đổi theo thời gian. Ví dụ: Phần mềm nhận dạng ký tự quang học (OCR) trước đây từng được coi là AI, tuy nhiên giờ đây nó không còn như vậy nữa. Thay vào đó, theo định nghĩa AI ngày nay, một thuật toán học sâu được đào tạo trên hàng nghìn chữ viết tay có thể chuyển đổi thành văn bản mới chính là trí tuệ nhân tạo 

Học máy và học sâu ứng dụng trong nhiều ứng dụng khác nhau, bao gồm cả trong NLP, nhận dạng, phân loại hình ảnh. Những công nghệ này giúp doanh nghiệp tăng cường thêm nhân lực bằng cách trang bị máy móc thông minh để giải quyết tác vụ lặp đi lặp lại, giúp nhân viên tập trung vào các công việc yêu cầu sáng tạo hoặc có tính tư duy cao.

Học máy và học sâu

Học sâu là một loại máy học sử dụng mạng lưới thần kinh phức tạp nhằm tái tạo trí thông minh của con người. Học sâu và học máy đều yêu cầu phần cứng đủ hiện đại để chạy, như GPU cấu hình cao cùng nguồn năng lượng lớn.

Tuy nhiên, mô hình học sâu khác học máy ở chỗ chúng có khả năng học nhanh hơn, tự chủ, sử dụng tập dữ liệu tốt hơn mô hình học máy. Các ứng dụng sử dụng học sâu bao gồm hệ thống nhận dạng khuôn mặt, xe tự lái, deepfake (kỹ thuật làm giả sâu).

Công nghệ deepfake được phát triển dựa trên học sâu - Ảnh: Internet

Điểm tương đồng 

Ngoài những khác biệt, AI, học máy và học sâu còn có những điểm tương đồng sau:

- Cả ba công nghệ này đều góp phần tạo nên những cỗ máy thông minh hiện nay

- Chúng có thể dễ dàng giải quyết vô vàn vấn đề phức tạp tối ưu hơn so với phương pháp lập trình cũ

- Đều dựa vào thuật đoán để đưa ra phán đoán, phân biệt mẫu quan trọng trong dữ liệu, từ đó thực hiện nhiệm vụ một cách trôi chảy. 

Cả AI, học máy và học sâu đều sử dụng dữ liệu cho mô hình đào tạo. Các mô hình được cung cấp tập dữ liệu để phân tích cũng như học thông tin quan trọng như insight hoặc mẫu. Thông qua quá trình tích lũy kiến thức, cuối cùng chúng sẽ trở thành những mô hình có hiệu suất cao.

Chất lượng và tính đa dạng của dữ liệu cũng là nhân tố then chốt trong từng dạng trí tuệ nhân tạo. Một bộ dữ liệu đa dạng sẽ giảm thiểu những lối mòn ​nằm cố hữu  trong dữ liệu đào tạo, dẫn đến kết quả đầu ra bị sai lệch. Ngoài ra, dữ liệu chất lượng cao còn giúp giảm thiểu sai sót, đảm bảo độ tin cậy của mô hình. Giống như con người, một mô hình phải học đi học lại, liên tục trau dồi và làm mới để cải thiện hiệu suất theo thời gian.