Sự khác biệt chính giữa AI với machine learning với deep learning

Thuật ngữ AI thường được sử dụng thay thế cho nhau, nhưng chúng không giống nhau. Sau đây chúng ta sẽ phân biệt AI, Machine learning và deep learning.

Artificial intelligence, machine learning and deep learning là những thuật ngữ phổ biến trong CNTT doanh nghiệp đôi khi được sử dụng thay thế cho nhau, đặc biệt khi các công ty đang tiếp thị sản phẩm của họ. Tuy nhiên, các thuật ngữ không đồng nghĩa; có những khác biệt quan trọng.

AI đề cập đến việc mô phỏng trí thông minh của con người bằng máy móc. Nó có một định nghĩa luôn thay đổi. Khi các công nghệ mới được tạo ra để mô phỏng con người tốt hơn, các khả năng và hạn chế của AI được xem xét lại.

Những công nghệ đó bao gồm máy học (ML); học sâu, một tập hợp con của học máy; và mạng lưới thần kinh, một tập hợp con của học tập sâu.

Để hiểu rõ hơn về mối quan hệ giữa các công nghệ khác nhau, đây là phần mở đầu về trí tuệ nhân tạo so với học máy so với học sâu.

Trí tuệ nhân tạo (AI) là gì?

Thuật ngữ AI đã xuất hiện từ những năm 1950. Nó mô tả cuộc đấu tranh của chúng ta để chế tạo những cỗ máy có thể thách thức thứ đã khiến con người trở thành dạng sống thống trị trên hành tinh: trí thông minh của chúng ta. Tuy nhiên, việc xác định trí thông minh rất phức tạp vì những gì chúng ta cho là thông minh thay đổi theo thời gian.

Các hệ thống AI ban đầu là các chương trình máy tính dựa trên quy tắc có thể giải quyết các vấn đề hơi phức tạp. Thay vì mã hóa cứng mọi quyết định mà phần mềm phải đưa ra, chương trình được chia thành cơ sở tri thức và công cụ suy luận. Các nhà phát triển sẽ điền vào cơ sở tri thức các sự kiện và sau đó, công cụ suy luận sẽ truy vấn các sự kiện đó để đưa ra kết quả.

Loại AI này bị hạn chế, đặc biệt là nó phụ thuộc rất nhiều vào đầu vào của con người. Các hệ thống dựa trên quy tắc thiếu tính linh hoạt để học hỏi và phát triển; họ hầu như không được coi là thông minh nữa.

Các thuật toán AI hiện đại có thể học hỏi từ dữ liệu lịch sử, giúp chúng có thể sử dụng được cho một loạt ứng dụng, chẳng hạn như người máy, ô tô tự lái , tối ưu hóa lưới điện và hiểu ngôn ngữ tự nhiên ( NLU ).

Mặc dù AI đôi khi mang lại hiệu suất siêu phàm trong các lĩnh vực này, nhưng chúng ta vẫn còn một chặng đường dài trước khi AI có thể cạnh tranh với trí thông minh của con người.

Hiện tại, không có AI nào có thể học theo cách con người làm -- nghĩa là chỉ với một vài ví dụ. AI cần được đào tạo trên lượng dữ liệu khổng lồ để hiểu bất kỳ chủ đề nào. Các thuật toán vẫn không có khả năng chuyển sự hiểu biết của chúng về miền này sang miền khác. Ví dụ, nếu chúng ta học một trò chơi như StarCraft, chúng ta có thể chơi StarCraft II nhanh chóng. Nhưng đối với AI, đó là một thế giới hoàn toàn mới và nó phải học mọi trò chơi từ đầu.

Trí thông minh của con người cũng sở hữu khả năng liên kết các ý nghĩa. Ví dụ, hãy xem xét từ con người . Chúng ta có thể xác định con người trong hình ảnh và video và AI cũng đã đạt được khả năng đó. Nhưng chúng tôi cũng biết những gì chúng tôi nên mong đợi từ con người. Chúng tôi không bao giờ mong đợi một con người có bốn bánh xe và thải ra carbon như một chiếc ô tô. Tuy nhiên, một hệ thống AI không thể phỏng đoán điều này trừ khi được đào tạo về đủ dữ liệu.

Định nghĩa của AI là một mục tiêu di động. Chúng tôi đã rất ngạc nhiên khi các thuật toán AI trở nên phức tạp đến mức vượt trội so với các bác sĩ X-quang chuyên nghiệp của con người . Nhưng sau đó chúng tôi đã học về những hạn chế của họ. Đó là lý do tại sao bây giờ chúng ta phân biệt giữa AI hẹp hiện tại và phiên bản AI ở cấp độ con người mà chúng ta đang theo đuổi: trí tuệ tổng quát nhân tạo ( AGI ). Mọi ứng dụng AI tồn tại ngày nay đều thuộc AI hẹp - còn được gọi là AI yếu - trong khi AGI hiện chỉ là lý thuyết.

Học máy (Machine Learning) là gì?

Học máy là một tập hợp con của AI; đó là một trong những thuật toán AI mà chúng tôi đã phát triển để bắt chước trí thông minh của con người. Loại AI khác sẽ là AI biểu tượng hoặc AI "lỗi thời" (nghĩa là các hệ thống dựa trên quy tắc sử dụng các điều kiện nếu-thì).

Học máy đánh dấu một bước ngoặt trong sự phát triển của AI. Trước ML, chúng tôi đã cố gắng dạy cho máy tính tất cả các biến số của mọi quyết định mà chúng phải đưa ra. Điều này làm cho quá trình hiển thị đầy đủ và thuật toán có thể xử lý nhiều tình huống phức tạp.

Ở dạng phức tạp nhất, AI sẽ duyệt qua một số nhánh quyết định và tìm ra nhánh có kết quả tốt nhất. Đó là cách Deep Blue của IBM được thiết kế để đánh bại Garry Kasparov trong môn cờ vua .

Nhưng có nhiều thứ chúng ta không thể xác định thông qua các thuật toán dựa trên quy tắc, chẳng hạn như nhận dạng khuôn mặt . Một hệ thống dựa trên quy tắc sẽ cần phát hiện các hình dạng khác nhau, chẳng hạn như hình tròn, sau đó xác định cách chúng được định vị và bên trong những vật thể nào khác để nó tạo thành một con mắt. Điều thậm chí còn khó khăn hơn đối với các lập trình viên là cách viết mã để phát hiện mũi!

Học máy có một cách tiếp cận khác. Nó cho phép các máy học một cách độc lập bằng cách nhập một lượng lớn dữ liệu và phát hiện các mẫu. Nhiều thuật toán ML sử dụng các công thức thống kê và dữ liệu lớn để hoạt động. Có thể tranh cãi rằng những tiến bộ của chúng tôi trong dữ liệu lớn và dữ liệu khổng lồ mà chúng tôi đã thu thập đã kích hoạt máy học ngay từ đầu.

Một số thuật toán ML được sử dụng để phân loại và hồi quy bao gồm hồi quy tuyến tính, hồi quy logistic, cây quyết định, máy vectơ hỗ trợ, Bayes ngây thơ, k-láng giềng gần nhất, k-means, rừng ngẫu nhiên và thuật toán giảm kích thước.

Học sâu (Deep Learning) là gì?

Học sâu là một tập hợp con của học máy. Nó vẫn liên quan đến việc để máy học từ dữ liệu, nhưng nó đánh dấu một cột mốc quan trọng trong quá trình phát triển của AI.

Học sâu được phát triển dựa trên hiểu biết của chúng ta về mạng lưới thần kinh . Ý tưởng xây dựng AI dựa trên mạng lưới thần kinh đã xuất hiện từ những năm 1980, nhưng phải đến năm 2012, học sâu mới thực sự có sức hút. Cũng giống như học máy nhờ khả năng hiện thực hóa lượng dữ liệu khổng lồ mà chúng tôi tạo ra, học sâu nhờ việc áp dụng nó nhờ sức mạnh tính toán rẻ hơn nhiều đã có sẵn cũng như những tiến bộ trong thuật toán.

Học sâu mang lại kết quả thông minh hơn nhiều so với khả năng ban đầu của học máy. Hãy xem xét ví dụ nhận dạng khuôn mặt. Để phát hiện khuôn mặt, chúng ta nên cung cấp loại dữ liệu nào cho AI và làm cách nào để AI học được những gì cần tìm, vì thông tin duy nhất chúng ta có thể cung cấp là màu pixel?

Học sâu sử dụng các lớp xử lý thông tin, mỗi lớp dần dần học được nhiều biểu diễn dữ liệu ngày càng phức tạp hơn. Các lớp đầu tiên có thể tìm hiểu về màu sắc, các lớp tiếp theo tìm hiểu về hình dạng, lớp tiếp theo về sự kết hợp của các hình dạng đó và cuối cùng là các vật thể thực tế. Học sâu đã chứng minh một bước đột phá trong nhận dạng đối tượng. Phát minh của nó đã nhanh chóng nâng cao AI trên nhiều mặt, bao gồm cả NLU.

Học sâu hiện là kiến ​​trúc AI phức tạp nhất mà chúng tôi đã phát triển. Một số thuật toán học sâu bao gồm:

• Mạng thần kinh tích chập.
• Mạng thần kinh tái phát.
• Mạng bộ nhớ ngắn hạn dài.
• Mạng lưới đối thủ tạo ra.
• Mạng lưới niềm tin sâu sắc.

AI so với Machine Learning và Deep Learning

Machine Learning và Deep Learning có định nghĩa rõ ràng, trong khi những gì chúng ta coi là AI thay đổi theo thời gian. Chẳng hạn, nhận dạng ký tự quang học từng được coi là AI, nhưng giờ thì không còn nữa. Tuy nhiên, một thuật toán học sâu được đào tạo trên hàng nghìn chữ viết tay có thể chuyển đổi chúng thành văn bản sẽ được coi là AI theo định nghĩa ngày nay.

Machine Learning và Deep Learningu hỗ trợ nhiều ứng dụng khác nhau, bao gồm cả những ứng dụng thực hiện xử lý ngôn ngữ tự nhiên , nhận dạng và phân loại hình ảnh. Những công nghệ này giúp các doanh nghiệp tăng cường lực lượng lao động của họ bằng cách sử dụng máy móc thông minh để giải quyết các công việc lặp đi lặp lại. Điều này giải phóng nhân viên để tập trung vào các công việc sáng tạo hoặc tư duy cao.