Sự Khác Nhau Giữa Deep Learning, Machine Learning, AI

Ở những năm trước đây, thuật ngữ “deep learning” đã chính thức là một từ trong ngôn ngữ kinh doanh khi hầu hết mọi cuộc hội thoại đều xoay quanh Trí tuệ nhân tạo (AI), Big Data, và phân tích. Đây là một bước tiến của công nghệ AI hứa hẹn sẽ mang lại sự phát triển về hệ thống tự quản và self-teaching mà qua đó sẽ cách mạng hóa nhiều ngành công nghiệp

Google đang sử dụng công nghệ Deep learning về thuật toán nhận diện giọng nói và hình ảnh trong khi Netflix và Amazon dùng deep learning để quyết định xem khách hàng sẽ mua gì hoặc muốn xem gì tiếp theo. Những nhà nghiên cứu tại Viện Công nghệ Massachusetts sử dụng deep learning như là công cụ để dự đoán tương lai. Những ngành công nghiệp tiên tiến tự thân bán những công cụ này thì luôn thích thú khi nói về cuộc cách mạng về công nghệ deep learning sẽ diễn ra như thế nào. Nhưng thật ra deep learning là gì?

Người ta thường mô tả ML như là một phân nhánh phụ của công nghệ AI nhưng để diễn tả ML theo cách tốt hơn thì đó là công nghệ khoa học tiên tiến hiện đại nhất. Đó là một lĩnh vực về công nghệ AI hứa hẹn nhất đem lại những công cụ, tiện ích mang đến sự thay đổi trong các ngành công nghiệp và xã hội.

Tiếp đến, deep learning được nhắc đến như là một công nghệ tiên tiến hơn của công nghệ tiên tiến. Trong khi ML là phần cốt lõi của công nghệ AI và tập trung vào giải quyết những vấn đề ở thế giới thực với mạng lưới nơ-ron được thiết kế nhằm bắt chước theo hành động của con người thì deep learning chú trọng vào phạm trù hẹp hơn về tập hợp những công cụ và kỹ thuật ML và ứng dụng nó để dàn xếp những khó khăn đòi hỏi “sự tư duy” của con người hoặc máy móc nhân tạo.

Nó vận hành ra sao?

Về cơ bản, deep learning đòi hỏi phải cung cấp vào hệ thống máy tính một lượng lớn dữ liệu dùng để đưa ra quyết định cho những dữ liệu khác. Những dữ liệu này được cung cấp thông qua mạng lưới nơ-ron và tương đồng như ML. Những mạng lưới được cấu tạo logic như thế này sẽ hỏi về một loạt câu hỏi đúng sai hoặc trích ra một giá trị bằng số của mỗi bit dữ liệu đi qua nó và phân loại chúng dựa theo câu trả lời nhận được.

Vì việc vận hành deep learning chú trọng vào phát triển những mạng lưới này nên nó còn có tên gọi khác là Deep Neural Networks, nghĩa là mạng lưới logic phức tạp cần thiết để giải quyết phân loại các bộ dữ liệu lớn như thư viện hình ảnh của Google hoặc Twitter firehose.

Những bộ dữ liệu toàn diện và mạng lưới logic phức tạp cũng đủ để phân loại dữ liệu và máy tính sẽ dễ dàng cho ra hình ảnh với tỷ lệ chính xác cao so với mắt người.

Những hình ảnh xuất ra như là minh chứng hữu hiệu về việc vận hành của deep learning vì hình ảnh đó chứa đựng nhiều nguyên tố khác nhau và thật không dễ dàng gì để hiểu làm thể nào mà một máy tính với lối suy nghĩ một chiều lại có thể hiểu và diễn giải theo cách của con người. Nhưng deep learning có thể áp dụng cho mọi loại hình dữ liệu từ tín hiệu máy, audio, video, lời nói đến chữ viết để cho ra kết quả như thể do con người tạo với một tốc độ rất nhanh. Hãy cùng điểm qua ví dụ thực tế sau đây.

Hãy thử sử dụng một hệ thống được lập trình ghi tự động và báo cáo về số lượng phương tiện được thiết kế đặc biệt lướt qua đường xem. Đầu tiên, nó sẽ truy cập vào bộ dữ liệu khổng lồ về loại xe bao gồm hình dáng, kích cỡ và thậm chí là âm thanh từ động cơ máy. Điều này có thể được biên soạn thủ công hoặc trong các trường hợp tân tiến hơn và được thu thập tự động theo hệ thống nếu nó được lập trình để tìm kiếm trên internet và nhập dữ liệu nó tìm được.

Tiếp theo nó sẽ nhập những dữ liệu cần phân tích hoặc dữ liệu từ thế giới thực chứa thông tin chi tiết trong trường hợp chụp từ những máy ảnh và micro ven đường. Qua việc so sánh dữ liệu từ cảm biến và dữ liệu “học” được, nó sẽ có thể phân tích với tỷ lệ chính xác về những phương tiện có hình dáng đặc biệt lướt qua trên đường.

Cho đến nay việc thực hiện này tương đối là đơn giản. Qua thời gian hệ thống này cũng có thể tích lũy cho nó nhiều kinh nghiệm hơn và tăng tỷ lệ phân loại chính xác bằng cách tự “cập nhật” những dữ liệu mới mà nó nhận được. Nói cách khác là nó có thể học hỏi từ những sai lầm như con người vậy. Ví dụ nó có thể đưa ra hình ảnh sai về những phương tiện có hình dáng đặc biệt dựa trên kích cỡ tương đồng và tiếng ồn đặc trưng. Sau đó nó sẽ tìm ra được những khác biệt mà nó cho là có tỷ lệ chính xác thấp so với quyết định. Qua việc tìm ra được những khác biệt, nó sẽ nhận ra những điểm không tương đồng giữa hai phương tiện và cải thiện độ chính xác cho lần nhận diện tiếp theo.

Vậy deep learning có thể thực hiện những gì?

Đây có lẽ là cách tốt nhất để kết thúc bài viết này và đưa ra thông tin chi tiết những ví dụ về việc sử dụng deep learning ngày nay. Sau đây là những ứng dụng ấn tượng đang được triển khai và vận hành theo công nghệ deep learning:

Định hướng xe tự lái bằng cách sử dụng những cảm biến và bộ phân tích tích hợp nhằm nhận diện những vật cản và cách giải quyết dựa vào cách sử dụng deep learning đúng đắn.

Phục hồi màu sắc cho những tấm ảnh đen trắng bằng cách lập trình cho máy tính nhận diện ra được vật thể rồi sau đó điểm màu cho những tấm ảnh hoặc video trắng đen.

Dự đoán kết quả của thủ tục pháp lý. Một hệ thống mà những nhà nghiên cứu người Anh và Mỹ trình làng gần đây đã có thể dự đoán chính xác quyết định từ tòa án nhờ vào những thông tin cơ bản thiết thực từ vụ án.

Tính chính xác trong y học. Các kỹ thuật deep learning đang được áp dụng để phát triển các loại thuốc được biến đổi về mặt di truyền của mỗi cá nhân.

Tự động phân tích và báo cáo. Hệ thống có thể phân tích dữ liệu và báo cáo thông tin chi tiết về âm thanh tự nhiên, ngôn ngữ con người cùng với đồ họa infographics mà ta có thể dễ dàng hiểu được.

Chơi game. Hệ thống deep learning có thể được lập trình để chơi và thằng được một số loại game như cờ vây và phá đảo trò Breakout của công ty game Atari.

Ta có thể dễ dàng hiểu được sự cường điệu hóa thường được sử dụng để thảo luận về kỹ thuật tiên tiến này. Nhưng thật ra sự cường điệu đó đôi khi rất xứng đáng. Thật là bất bình thường khi mà một nhà khoa học dữ liệu lại bảo họ có những công nghệ và công cụ này nhưng không trông mong được thấy chúng sớm và phần lớn đều nhờ vào những điểm mạnh từ công nghệ Machine learning và Deep learning.

Post Author: Tu Vo