Learning: Sự khác biệt và Ứng dụng
Hiểu rõ sự khác biệt giữa Trí tuệ Nhân tạo, Học máy và Học sâu là điều cần thiết trong thời đại công nghệ hiện nay. Ba lĩnh vực này có liên quan mật thiết và cùng giải quyết các vấn đề tương tự, tuy nhiên, chúng có những điểm khác biệt quan trọng mà chúng ta cần nhận thức rõ. Bài viết này sẽ thảo luận về những sự khác biệt đó cũng như các ứng dụng phổ biến của từng lĩnh vực, giúp bạn có cái nhìn sâu sắc hơn về cách chúng tác động đến cuộc sống và công việc hàng ngày.
Trí tuệ nhân tạo (Artificial Intelligence – AI)
Trí tuệ nhân tạo (Artificial Intelligence – AI) là khả năng của máy tính mô phỏng các quá trình ra quyết định của các sinh vật (bao gồm cả con người). Đây là một phạm trù rộng lớn bao gồm mọi thứ trong học máy và học sâu, đồng thời bổ sung thêm một số thành phần khác.
Những điều đặc trưng cho trí tuệ nhân tạo mà không nằm trong học máy hoặc học sâu bao gồm:
- Chat bots: Chẳng hạn như các trợ lý hỗ trợ tự động trên trang web.
- Cây quyết định (Decision Trees) và các hình thức logic dựa trên quy tắc khác đánh giá các tình huống dựa trên các quy tắc được định trước.
- AI trò chơi (Game AI): Bao gồm tìm đường (pathfinding), cây hành vi (behavior trees), lập kế hoạch hành động hướng mục tiêu (Goal-Oriented Action Planning – GOAP) và các hình thức ra quyết định khác.
- Thuật toán bầy đàn (Flocking algorithms): Bao gồm các thuật toán kiến (ant algorithms) và các hình thức thuật toán khác mô phỏng chuyển động của nhóm động vật.
Những nhiệm vụ này thường được thực hiện qua các kỹ thuật lập trình truyền thống, mặc dù chúng có thể phụ thuộc nhiều vào dữ liệu ngoài như trong cơ sở dữ liệu hoặc tệp tin.
Ngoài những điều này, mọi thứ trong học máy đều có thể được coi là trí tuệ nhân tạo.
Machine Learning – ML
Machine Learning là một phần nhỏ của trí tuệ nhân tạo. Machine Learning sử dụng các kỹ thuật toán học để huấn luyện máy tính phân loại, dự đoán hoặc phân nhóm các giá trị, có hoặc không có dữ liệu lịch sử làm cơ sở.
Học máy thường được phân vào một trong các nhóm sau:
- Nhiệm vụ hồi quy (Regression tasks): Dự đoán một giá trị số như nhiệt độ, tổng doanh thu hoặc điểm số của học sinh.
- Nhiệm vụ phân loại (Classification tasks): Xác định một đối tượng thuộc loại nào trong số nhiều loại.
- Nhiệm vụ phân cụm (Clustering tasks): Xác định sự tương đồng trong các mẩu dữ liệu và nhóm chúng lại mà không cần huấn luyện trước.
- Học tăng cường (Reinforcement learning): Máy tính học cách thực hiện nhiệm vụ dựa trên các lần thử có điểm số mà không cần huấn luyện trước.
Nhiều thuật toán khác nhau được sử dụng trong học máy và điều này nằm ngoài phạm vi của bài viết này, mặc dù tôi hy vọng sẽ đề cập đến nhiều thuật toán đó trong blog này trong tương lai.
Mạng nơ-ron (Neural Networks)
Đáng chú ý là nhiều thuật toán học máy liên quan đến mạng nơ-ron (Neural Networks) thực hiện các tính toán toán học trong khi bắt chước cấu trúc phân lớp của não.
Mạng nơ-ron là một mạng lưới các tế bào thần kinh mô phỏng nhận ít nhất một đầu vào và đưa ra một đầu ra. Các mạng nơ-ron sử dụng các lớp ẩn của các tế bào thần kinh và các kết nối có trọng số giữa mỗi tế bào để thực hiện các tính toán. Các trọng số này là những con số được nhân với đầu vào để xác định đầu ra. Giá trị của mỗi trọng số được điều chỉnh thông qua các kỹ thuật huấn luyện học máy để “huấn luyện” mạng lưới tạo ra đầu ra tối ưu.
Có nhiều biến thể của mạng nơ-ron và các hàm kích hoạt (activation functions) khác nhau có thể được chỉ định cho các mạng nơ-ron làm thay đổi cách chúng hoạt động, nhưng ở mức độ tổng quát, chúng đều nhận đầu vào và tạo ra đầu ra thông qua đánh giá toán học có trọng số.
Mạng nơ-ron là các cấu trúc mạnh mẽ có thể tìm ra các mối quan hệ ẩn trong dữ liệu, nhưng cũng trở nên khó hiểu chính xác cách chúng đưa ra quyết định. Điều này có thể dẫn đến mất tính minh bạch đối với cả người dùng cuối và các nhà phát triển AI và có thể dẫn đến thiên vị ẩn trong các giải pháp AI nếu các thí nghiệm không được xây dựng cẩn thận.
Deep Learning
Học sâu (Deep Learning) là một hình thức chuyên biệt của học máy (Machine Learning – ML) (và theo mở rộng là trí tuệ nhân tạo – AI) liên quan đến các mạng nơ-ron có độ sâu và độ phức tạp cao hơn để có thể đưa ra các giải pháp tiên tiến hơn cho các nhiệm vụ được giao.
Độ sâu và độ phức tạp bổ sung này có một số nhược điểm, như mất nhiều thời gian hơn để huấn luyện các mạng nơ-ron này để giải quyết vấn đề và trở nên khó hiểu hơn các mạng nơ-ron đã tạo ra, điều này làm tăng một số nhược điểm liên quan đến tính minh bạch xung quanh các mạng nơ-ron.
Các kỹ thuật học máy tiên tiến hơn không bắt buộc phải sử dụng học sâu, tuy nhiên chúng thường tận dụng học sâu, vì vậy tôi liệt kê một số loại trong số đó ở đây:
- Nhận diện hình ảnh (Image Recognition): Phân tích và diễn giải hình ảnh, bao gồm nhận diện đối tượng, phân tích khuôn mặt và tạo ra các mô tả văn bản cho hình ảnh.
- Phân tích văn bản (Text Analysis): Bao gồm phân tích cảm xúc (sentiment analysis), trích xuất thực thể được đặt tên (named entity extraction), trích xuất điểm chính (key point extraction) và hiểu ngôn ngữ nâng cao (advanced language understanding).
- Nhận diện giọng nói (Speech Recognition): Bao gồm tạo ra phụ đề trực tiếp từ các video đang diễn ra.
- Tổng hợp giọng nói (Speech Synthesis): Đặc biệt là tạo ra giọng nói con người tự nhiên hơn.
- Dịch ngôn ngữ (Language Translation): Liên quan đến việc dịch động từ một ngôn ngữ sang ngôn ngữ khác.
Kết luận
Có rất nhiều điều tuyệt vời về trí tuệ nhân tạo (Artificial Intelligence – AI), Machine Learning – ML và Deep Learning. Lĩnh vực này rất sâu rộng và không ngừng phát triển, nhưng chắc chắn có điều gì đó cho mọi người quan tâm đến việc học hỏi và thử nghiệm với những công nghệ này.
Trong các bài viết tương lai, tôi sẽ đi sâu vào cách bắt đầu với các loại ứng dụng này và làm nổi bật cách làm việc hiệu quả với từng loại sử dụng Python và Nền tảng AI của Azure.
Hiện tại, hãy biết rằng trí tuệ nhân tạo rất mạnh mẽ nhưng không khó để bắt đầu như bạn có thể nghĩ.
