Chủ đề hôm nay sẽ thảo luận về sự khác nhau giữa AI. với Machine Learning. và Deep Learning. Đó là những thuật ngữ đã gây nhầm lẫn cho nhiều người. và nếu bạn cũng là một trong số họ. hãy cùng chúng tôi tìm hiểu chúng thông qua đoạn phim này. Có thể nó

Chủ đề hôm nay sẽ thảo luận về sự khác nhau giữa AI. với Machine Learning. và Deep Learning. Đó là những thuật ngữ đã gây nhầm lẫn cho nhiều người. và nếu bạn cũng là một trong số họ. hãy cùng chúng tôi tìm hiểu chúng thông qua đoạn phim này. Có thể nói trí tuệ nhân tạo là tương lai. Trí tuệ nhân tạo đã không còn chỉ là khoa học viễn tưởng nữa. mà nó đã trở thành là một phần của cuộc sống hàng ngày của chúng ta hiện nay. Nó phụ thuộc vào mục tiêu phát triển AI của bạn nói riêng. và của loài người nói chung. Ví dụ như khi chương trình máy tính cờ vây AlphaGo của Google. đánh bại kỳ thủ cờ vây quốc tế người Hàn Quốc Lee SeDol vào năm 2016. Khi đó, thuật ngữ AI, machine learning và deep learning. đã được giới truyền thông sử dụng để mô tả chiến thắng của AlphaGo. Cả AI, machine learning và deep learning. đều góp phần tạo nên chiến thắng của AlphaGo trước kì thủ SeDol.

Nhưng chúng thực sự không giống nhau. Để dễ hình dung về mối quan hệ của 3 khái niệm trên. bạn có thể tưởng tượng chúng như những vòng tròn mà trong đó. AI ý tưởng xuất hiện sớm nhất là vòng tròn lớn nhất. tiếp đến là machine learning khái niệm xuất hiện sau. và cuối cùng là deep learning. thứ đang thúc đẩy sự bùng nổ của AI hiện nay. là vòng tròn nhỏ nhất. Bây giờ. chúng ta cùng sẽ tìm hiểu cụ thể xem 3 khái niệm này khác nhau như thế nào. Hãy bắt đầu với trí tuệ nhân tạo . Thuật ngữ trí tuệ nhân tạo lần đầu tiên được đặt ra vào năm 1956. Khái niệm này khá cũ. nhưng nó đã trở nên phổ biến gần đây. Tại sao lại như vậy. Lý do chính là trước đây chưa có big data. Nên các hệ thống thường có lượng dữ liệu rất ít. Vì vậy. các chương trình máy tính sẽ không có đủ dữ liệu để có thể đưa ra dự đoán kết quả chính xác.

Nhưng giờ đây. lượng dữ liệu tăng lên rất nhiều với khả năng lưu trữ vô hạn . Thống kê cho thấy đến năm 2020. khối lượng dữ liệu tích lũy sẽ tăng từ 4,4 nghìn tỷ GigaByte lên tới khoảng 44 nghìn tỷ GigaByte dữ liệu. Cùng với lượng dữ liệu khổng lồ như thế. ngày nay, chúng ta đã có thêm những máy tính siêu mạnh và bằng những thuật toán phức tạp. có thể xử lý hết được lượng dữ liệu lớn đó. Do đó, năm 2018, ngành công nghiệp A.I. đã tăng trưởng hơn 70% so với năm 2017. tương đương 200 tỷ USD. Đây không chỉ là xu hướng mà còn là lợi thế cạnh tranh rất lớn đối với các doanh nghiệp trên thế giới nói chung và Việt Nam nói riêng. Vậy chính xác trí tuệ nhân tạo là gì. Trí tuệ nhân tạo có thể được định nghĩa như một ngành của khoa học máy tính liên quan đến việc tự động hóa các hành vi thông minh. Vì là một bộ phận của khoa học máy tính.

Nên nó phải được đặt trên những nguyên lý lý thuyết vững chắc. và phải có khả năng ứng dụng được vào trong cuộc sống. Nói nôm na cho dễ hiểu. đó là trí tuệ của máy móc và được tạo ra bởi con người. Trí tuệ này cũng có thể tư duy, suy nghĩ và học hỏi như trí tuệ tự nhiên của con người. Hơn thế nữa, trí tuệ nhân tạo có khả năng xử lý dữ liệu ở mức độ quy mô hơn. có hệ thống, có khoa học và nhanh hơn rất nhiều so với con người. Đây là một ví dụ về trí tuệ nhân tạo trong thế giới ngày nay Amazon Echo. Amazon Echo là một công cụ tuyệt vời. Chúng ta có điều khiển nó bằng giọng nói của bạn. Chẳng hạn như bạn có thể nói. ê Alexa, nhiệt độ hiện tại ở Hà Nội đang là bao nhiêu độ vậy. Sau đó, Amazon Echo sẽ chuyển giọng nói của bạn thành tín hiệu kỹ thuật số . hoặc 1 dạng tín hiệu nào đó mà máy tính có thể hiểu được.

Kế tiếp, chương trình máy tính sẽ xử lý thông tin đó để xác định những gì bạn đang hỏi. những thông tin bạn cần là gì, và nơi nào để lấy được thông tin đó. Sau khi đã xử lý xong. nó sẽ trả lời với bạn rằng nhiệt độ hiện tại ở Hà Nội là 19 độ C. hoặc bất cứ giá trị nào ngay tại thời điểm bạn hỏi. Tóm lại, những gì chúng ta đang thực hiện với AI hiện nay nằm trong khái niệm “AI hẹp” . Công nghệ này có khả năng thực hiện các nhiệm vụ cụ thể một cách tương tự, hoặc tốt hơn con người. Điều khiến trí tuệ nhân tạo nổi trội hơn với các chương trình máy tính khác là. thay vì phải lập ra những chương trình cụ thể cho mỗi trường hợp khác nhau. thì nay, những cỗ máy này có thể tự học để cải thiện chính nó. Tính năng này sẽ dẫn chúng ta đến với vòng tròn tiếp theo: máy học. Machine learning ra đời vào cuối những năm 80 và đầu những năm 90.

Machine learning là một tập hợp con của AI. Nó cho phép máy tính hành động và đưa ra quyết định dựa trên dữ liệu để thực hiện một nhiệm vụ nhất định. Các chương trình này là các thuật toán được thiết kế theo cách mà chúng có thể học hỏi. và cải thiện theo thời gian khi tiếp xúc với dữ liệu mới. Machine Learning là một thuật ngữ để chỉ hành động máy tính tự học để cải thiện một nhiệm vụ mà nó đang thực hiện. Cụ thể hơn. machine learning đề cập tới bất kỳ hệ thống mà hiệu suất của máy tính khi thực hiện một nhiệm vụ sẽ trở nên tốt hơn sau khi hoàn thành nhiệm vụ đó nhiều lần. Hay nói cách khác. khả năng cơ bản nhất của machine learning là sử dụng thuật toán để phân tích những thông tin có sẵn. học hỏi từ nó rồi đưa ra quyết định hoặc dự đoán về một thứ gì đó có liên quan. Thay vì tạo ra một phần mềm với những hành động, hướng dẫn chi tiết để thực hiện một nhiệm vụ cụ thể.

Máy tính được “huấn luyện” bằng cách sử dụng lượng dữ liệu và các thuật toán để học cách thực hiện nhiệm vụ. Nếu không có machine learning, trí tuệ nhân tạo sẽ bị hạn chế khá nhiều. bởi vì machine learning mang lại cho máy tính sức mạnh để tìm ra mọi thứ mà không cần được lập trình rõ ràng. Một ví dụ về Machine Learning mà có thể bạn đang sử dụng mỗi ngày. đó chính là công cụ tìm kiếm của Google. Khi bạn tìm kiếm gì đó trên google, nó sẽ trả lại rất nhiều kết quả tìm kiếm đó. Nếu bạn bỏ nhiều thời gian để xem những kết quả trả về. hoặc bạn có thể click vào đường link nào đó để đọc tiếp. google sẽ ghi nhận rằng người này đã dành nhiều thời gian để xem thông tin trả về. điều này có nghĩa là thông tin này hữu ích và phù hợp với người này. Còn nếu bạn chỉ nhìn thoáng qua những kết quả trả về chỉ trong vài giây.

Google sẽ biết được rằng bạn không quan tâm tới những kết quả này. điều đó cũng có nghĩa là những kết quả trả về này không phù hợp với bạn. Điều này cũng có nghĩa là machine learning sẽ phỏng đoán được những gì bạn thích và không thích. Nó sẽ tự điều chỉnh kết quả phù hợp nhất với bạn cho những lần tìm kiếm sau này của bạn. Nhìn chung. ứng dụng của machine learning ngày nay là vô cùng phổ biến và độ hữu ích thì không phải bàn cãi nhiều nữa. Nhưng chưa dừng lại ở đó, ngoài việc có thể tự học. trí tuệ nhân tạo còn có khả năng học sâu và cố gắng tư duy phức tạp như bộ não của con người. Điều này sẽ dẫn chúng ta tới vòng tròn thứ 3, đó là deep learning. Khái niệm này được lấy cảm hứng từ chức năng giống với các tế bào não của con người, gọi là tế bào thần kinh. Deep learning là một tập hợp con của machine learning.

Sử dụng mạng thần kinh nhân tạo để phân tích dữ liệu về nhiều chi tiết khác nhau. bằng các thuật toán mô phỏng theo hệ thần kinh của con ngườ. và thực hiện việc học hỏi từ một lượng lớn dữ liệu được cung cấp để giải quyết những vấn đề cụ thể. Tương tự như cách chúng ta học hỏi từ kinh nghiệm. thuật toán deep learning sẽ thực hiện một nhiệm vụ nhiều lần, mỗi lần tinh chỉnh nhiệm vụ một chút để cải thiện kết quả. Deep Learning chỉ đơn giản là kết nối dữ liệu giữa tất cả các tế bào thần kinh nhân tạo và điều chỉnh chúng theo dữ liệu mẫu. Càng có nhiều tế bào thần kinh được thêm vào, thì kích thước của dữ liệu sẽ càng lớn. Nó tự động có tính năng học tập ở nhiều cấp độ trừu tượng. Qua đó cho phép một hệ thống học hàm ánh xạ phức tạp mà không phụ thuộc vào bất kỳ thuật toán cụ thể nào. Không ai thực sự biết những gì xảy ra trong một mạng lưới thần kinh nhân tạo.

Vì vậy, hiện tại, bạn có thể gọi Deep Learning là một cái hộp đen. Để có thể dễ hình dung về Deep Learning. chúng ta sẽ tìm hiểu cách nó hoạt động thông qua một số ví dụ sau. Hãy bắt đầu với một ví dụ đơn giản về Deep Learning ở cấp độ khái niệm. Giờ bạn hãy cùng suy nghĩ xem làm thế nào để chúng ta có thể nhận biết được một hình nào đó là hình vuông. Có thể đầu tiên là bạn sẽ kiểm tra xem hình đó có 4 cạnh hay không. Nếu đúng, chúng ta sẽ kiểm tra tiếp là 4 cạnh này có được kết nối với nhau thành 1 hình tứ giác hay không. Nếu đúng, chúng ta sẽ kiểm tra tiếp 4 cạnh này có vuông góc với nhau không. và chúng có kích thước bằng nhau không. Nếu tất cả đều đúng thì kết quả nó là hình vuông. Nhìn chung thì cũng không có gì phức tạp cả, nó chỉ là 1 hệ thống phân cấp các khái niệm. Chẳng hạn như ví dụ ở trên. chúng ta đã chia nhiệm vụ xác định hình vuông thành những nhiệm vụ nhỏ và đơn giản hơn.

Deep Learning cũng hoạt động tương tự như vậy, nhưng ở quy mô lớn hơn. Hãy lấy ví dụ về việc máy tính nhận diện con vật. Nhiệm vụ của máy tính lúc này là nhận biết hình ảnh đã cho là hình của con mèo hay là của con chó. Chẳng hạn nếu bạn dạy máy tính nhận diện hình ảnh một con mèo thì chúng ta sẽ lập trình ra nhiều lớp trong mạng thần kinh nhân tạo. mỗi lớp có khả năng xác định một đặc điểm cụ thể của con mèo như râu, vuốt, chân. rồi cho máy xem hàng ngàn bức ảnh mèo khác nhau . cùng hàng ngàn bức ảnh không phải mèo . Khi mạng thần kinh nhân tạo này xem hết các bức ảnh. các lớp của nó sẽ dần nhận ra râu, vuốt, chân. biết lớp nào là quan trọng, lớp nào không quan trọng. Nó cũng sẽ nhận ra rằng mèo luôn có chân. nhưng những con vật không phải mèo cũng có chân. Vì vậy, khi cần xác định mèo. máy tính sẽ tìm chân, và đi kèm với những đặc điểm khác như móng vuốt hay râu.

Deep Learning sẽ tự động tìm ra đặc điểm nào quan trọng nhất để phân loại mục tiêu. Trong khi đối với Machine Learning thì những đặc điểm này phải được đưa ra bởi con người. Sau đây là một số ứng dụng phổ biến của deep learning hiện nay. Đầu tiên là ứng dụng deep learning vào hệ thống gợi ý. Các nền tảng lớn hiện nay như Facebook, lazada, tiki. đều có hệ thống gợi ý rất mạnh, giúp tăng đáng kể độ tương tác của người dùng. Cụ thể là chúng dựa trên các dữ liệu của người dùng phát sinh ra khi sử dụng và tương tác trên các thiết bị có kết nối internet. để gợi ý thêm những sản phẩm họ sẽ thích . gợi ý các bài quảng cáo/được tài trợ . hoặc các khóa học người học quan tâm . Tiếp đến là ứng dụng deep learning vào ứng dụng Nhận diện hình ảnh. Mục tiêu của công nghệ nhận diện ảnh là nhận biết và xác định các đối tượng trong ảnh cũng như hiểu được nội dung và ngữ cảnh trong đó.

Ví dụ dịch vụ nhận diện và xác định khuôn mặt của AlchemyVision có khả năng phân biệt hai khuôn mặt tương tự nhau. giữa nam diễn viên Will Ferrell và tay trống của Red Hot Chili Peppers, Chad Smith. Công nghệ nhận diện hình ảnh cũng được đưa vào Facebook để gợi ý người dùng tag mặt bạn bè hay ứng dụng vào khoa học tội phạm và điều tra. Cuối cùng là ứng dụng deep learning vào trong y khoa. Chương trình phần mềm trí tuệ nhân tạo có tên là Watson của IBM. đã phát hiện ra một loại bệnh mà các bác sĩ đã bó tay không thể tìm ra ở một nữ bệnh nhân. Bằng cách so sánh bộ gen của người phụ nữ này với hơn 20 triệu kết quả nghiên cứu bệnh khác. Watson đã đưa ra kết quả là một chứng Leukemia cực kỳ hiếm gặp, chỉ trong 10 phút. Và vẫn còn rất nhiều ứng dụng hữu ích khác của deep learning trong thực tế. Tuy có rất nhiều ưu điểm vượt trội.

Nhưng hiện tại deep learning cũng có những giới hạn nhất định. Thứ nhất, deep learning luôn đòi hỏi một lượng dữ liệu đầu vào khổng lồ để máy tính học hỏi. Quy trình này mất nhiều thời gian và sức mạnh xử lý mà chỉ có các server cỡ lớn mới làm được. Nếu không có đủ dữ liệu đầu vào, hay có đủ dữ liệu đầu vào, nhưng lại không có đủ sức mạnh để xử lý. thì mọi thứ không thể diễn ra đúng như ý định, và kết quả máy tính đưa ra cuối cùng cũng không chính xác. Thứ hai, deep learning vẫn chưa thể nhận biết được những thứ phức tạp, hoặc tương tự nhau. Lý do là vì hiện chưa có kĩ thuật nào đủ tốt để trí tuệ nhân tạo có thể rút ra những kết luận đó một cách logic . bởi vì chúng chưa có được khả năng nhận biết như con người. Trí tuệ nhân tạo mang lại rất nhiều giá trị cho cuộc sống loài người, nhưng cũng tiềm ẩn những nguy cơ.


https://youtu.be/5MQxXuuIFxAChủ đề hôm nay sẽ thảo luận về sự khác nhau giữa AI. với Machine Learning. và Deep Learning. Đó là những thuật ngữ đã gây nhầm lẫn cho nhiều người. và nếu bạn cũng là một trong số họ. hãy cùng chúng tôi tìm hiểu chúng thông qua đoạn phim này. Có thể nó