Trí tuệ nhân tạo, machine learning, deep learning – giải thích dễ hiểu cho bạn

Machine Learing (ML) và Deep Learning (DL) hai khái niệm đang được nhắc tới nhiều trong lĩnh vực trí tuệ nhân tạo ngày nay, nhất là ở mảng điện thoại, đồ gia dụng và phần mềm. Hai cụm từ này xuất hiện rất nhiều nhưng không ít người lẫn lộn chúng với nhau. Sau đây là một số điểm giúp bạn phân biệt 2 cụm từ này:

Nói thì nghe có vẻ cao siêu nhưng những ví dụ về ML và DL xuất hiện ở khắp mọi nơi. Như cái cách mà Netflix gợi ý “bộ phim mà bạn sẽ muốn xem tiếp theo” hay cách mà Facebook biết những khuôn mặt trong tấm ảnh bạn vừa up lên. Hoặc làm sao mà một người đại diện của trung tâm dịch vụ khách hàng (Customer service) biết trước được liệu bạn có hài lòng với sự hỗ trợ của họ hay không ngay trước cả khi bạn thực sự điền vào mẫu khảo sát dịch vụ của họ. Nghe có vẻ màu nhiệm quá.

Vậy thì rốt cuộc thì ML và DL khác nhau như thế nào?

Machine Learning là gì ? 

ML là cả một ngành nghiên cứu, nhưng ở mức cơ bản thì bạn có thể hiểu nó như thế này “Những thuật toán phân tích dữ liệu, học hỏi tri thức từ dữ liệu đó và áp dụng những gì đã học để đưa ra những quyết định phù hợp”.

Một ví dụ đơn giản về thuật toán ML là dịch vụ phát nhạc trực tuyến theo yêu cầu. Để dịch vụ này đưa ra quyết định sẽ phát những bài hát mới nào hay của nghệ sĩ nào cho bạn, thuật toán sẽ kết hợp những dữ liệu thu thập được từ chính bạn trước đây (preferences). Bạn đã từng nhấn nút thích hay bỏ qua những bài hát nào? Những dữ liệu này sẽ được thu thập lại hết.

​

Lẽ dĩ nhiên là mình hoàn toàn không muốn nghe lại các bài hát mình đã bỏ qua, hoặc có thể là của một ca sĩ nào đó mà cứ gặp bài của họ là mình nhấn skip. Với một số ca sĩ khác, mình lại nghe nhiều hơn nhạc do người này do mình thích họ. Đó là cách nghĩ của mình, vậy còn đa phần thuật toán mà các hãng nổi tiếng trên thị trường thường sẽ làm gì ?

Thuật toán sẽ thu thập dữ liệu của tất cả người dùng, tìm xem có người nào cũng có các hành vi tương tự bạn hay không, ví dụ like bài x, skip bài y chẳng hạn.Tìm ra được người giống khoảng 60-70% với bạn (nếu muốn 100% thì rất khó đúng không vì 2 người phải có hành vi hoàn toàn tương tự nhau), thuật toán sẽ gợi ý các bài hát mà người kia rất thích cho bạn nghe, mix các bài bạn đã từng nghe và chưa nghe lại mới nhau. Thế là chúng ta có một list nhạc theo yêu cầu.

Machine Learning cũng được xem là “nhiên liệu” cho nhiều ngành công nghiệp cần tự động hoá, từ các công ty bảo mật chuyên săn lùng các phần mềm độc hại (malware) đến các chuyên gia tài chính tìm kiếm các giao dịch (trade) sinh lời hay các trợ lý ảo như Siri, Cortana,…

Machine Learning tập hợp rất nhiều phép toán và đoạn mã (code) phức tạp, phục vụ cho một chức năng nào đó. Khi một vật gì đó được cho là có khả năng “machine learning” tức là vật đó sẽ thực hiện một chức năng nào đó với dữ liệu mà mình cung cấp cho nó. Ví dụ bạn cung cấp cho Alexa (trợ lý ảo được sản xuất bởi Amazon) một đoạn câu nói, các thuật toán nhận diện giọng nói sẽ được kích hoạt và chuyển thành đoạn lệnh mà Alexa hiểu được, sau đó nó chỉ cần thực hiện công việc bạn giao. Điều đáng chú ý ở đây là thuật toán có thể cải tiến chính nó làm cho chức năng đó ngày càng tốt hơn.

Giống như bạn có một cái đèn pin luôn bất sáng mỗi lúc bạn nói “trời tối” thay vì nói “turn on” vì nó bắt được cụm từ tối trong câu nói.

Cách các hệ thống có thể học được các thủ thuật càng ngày càng trở nên thực sự thú vị hơn nữa khi đề cập đến Deep Learning 

Deep Learning vs Machine Learning

Trong thực tế, DL chỉ là một tập hợp con của ML. Về mặt kĩ thuật và cách thức hoạt động thì giống y chang ML (đó cũng là lí do vì sao nhiều người hay nhầm lẫn chúng với nhau). Nhưng xét về khả năng thì lại khác nhau:

Các mô hình ML (Machine Learning model) đơn giản ngày càng trở nên tốt hơn nhưng phải có người giám sát tác động vào. Nếu thuật toán ML trả về kết quả không chính xác, thì các kỹ sư (data scientist, data engineer) cần phải phân tích nguyên nhân và điều chỉnh thuật toán sao cho phù hợp (tức là có can thiệp trực tiếp bởi con người). Tuy nhiên,với mô hình DL, các thuật toán sẽ tự động động học hỏi từ các sai lầm của nó (learn from failure) và tự điều chỉnh mình cho phù hợp.

Hãy quay trở lại câu chuyện đèn pin: Nó được lập trình là bật sáng mỗi khi trong âm thanh của người nói có từ “tối”. Bây giờ nếu đèn pin có chứa mô hình Deep Learning ở bên trong, nó có thể nhận ra rằng, nên bật đèn mỗi lúc nghe thấy người dùng nói “Tôi không thể nhìn thấy” “Công tắc đèn không hoạt động”. Mô hình DL có thể học hỏi thông qua phương pháp tính toán riêng của nó.

​

Cách thức hoạt động của Deep Learning ?

Mô hình Deep Learning được thiết kế để liên tục phân tích dữ liệu với cấu trúc logic tương tự như cách con người đưa ra kết luận (ví dụ: não của bạn biết rằng khi phía trước có cục đá chắn ngang đường thì rẽ lối khác). Để đạt được điều này, DL sử dụng một cấu trúc phân lớp, mỗi lớp chứa các thuật toán khác nhau gọi là mạng nơ ron nhân tạo (Artificial Neural Network – ANN). Mạng nơ ron được lấy cảm hứng từ chính mạng thần kinh sinh học của não bộ con người. Điều này làm cho Deep Learning trở nên mạnh mẽ hơn so với các mô hình Machine Learning tiêu chuẩn.

Mô hình mạng nơ ron​

Thật sự rất khó để đảm bảo rằng mô hình Deep Learning không đưa ra quyết định sai lầm, mình đôi khi cũng sai huống chi là máy. Nhưng Deep Learning xứng đáng là một sáng tạo vượt bậc đầy tiềm năng của lĩnh vực trí tuệ nhân tạo, hứa hẹn sẽ làm thay đổi cách thức hoạt động nhiều ngành công nghiệp (thiết kế nội thất, …).

Một ví dụ tuyệt với về Deep Learning là Google AlphaGo. Google đã tạo ra một chương trình máy tính học đánh cờ vây gọi là Go, một trò chơi yêu cầu trí tuệ và trực giác sắc bén. Bằng việc chơi với các kỳ thủ chuyên nghiệp, mô hình deep learning của AlphaGo đã đạt được cấp độ chưa từng có tiền lệ sau khi AI ra đời và nó đã gây ra sự chận động lớn đến cộng đồng khoa học khi đánh bại nhiều bậc thầy cờ vây nổi tiếng thế giới trở thành kỳ thủ vĩ đại nhất.