khac-biet-giua-machine-learning-va-deep-learning

Khác biệt cơ bản giữa “Machine learning” và “Deep learning”

Là người quan tâm hay hoạt động trong lĩnh vực công nghệ thông tin, thật cần thiết để hiểu, phân biệt giữa Machine learning (học máy) và Deep learning (học sâu). Hãy theo dõi bài viết dưới đây để nắm bắt được sự khác nhau cơ bản giữa chúng nhé!

Gần đây, AI (trí tuệ nhân tạo) là chủ đề được nhắc tới thường xuyên, đặt biệt là khái niệm “deep learning”. Tuy nhiên, nhiều người vẫn nhầm lẫn khái niệm này với “machine learning”.  Bài viết sau đây sẽ giới thiệu sự khác biệt cơ bản giữa hai khái niệm này và làm rõ về “deep learning” – một công nghệ được dự đoán sẽ phát triển vượt bậc trong tương lai.

Khác biệt cơ bản giữa “Machine learning” và “Deep learning”

Những thay đổi trong cuộc sống nhờ AI

Công nghệ trí tuệ nhân tạo (AI) đã và đang tác động lớn đến mọi mặt của đời sống, từ trong công việc, học tập đến tiếp nhận thông tin. Ở quy mô toàn cầu, AI được định giá khoảng 39,9 tỷ USD vào năm 2019 và dự kiến mức tăng trưởng hàng năm đạt 42,2% giai đoạn 2020 – 2027. Tại Việt Nam, AI đang được áp dụng trong đa dạng lĩnh vực như: y tế, ngân hàng, quản lý nhà nước…

Cụ thể, trong lĩnh vực y tế, AI góp phần không nhỏ chẩn đoán và điều trị đột quỵ, hỗ trợ công tác tiếp nhận điều trị bệnh nhân suốt 24 giờ, từ đó nâng cao cơ hội sống sót cho người bệnh. Không chỉ vậy, AI còn hỗ trợ đánh giá kết quả nội soi hệ tiêu hóa, đưa ra kết quả chính xác, nhanh gấp nhiều lần so với phương án truyền thống.

AI có rất nhiều phương thức tự học. Bài viết tập trung giới thiệu hai phương thức tự học cơ bản là “machine learning” (học máy) và “deep learning” (học sâu).

Khái niệm “machine learning”

Machine learning chỉ cách AI tự tìm cách giải quyết vấn đề, đặc biệt là những vấn đề khó quy tắc hóa để xây dựng thành chương trình, ví dụ như hoạt động nhận dạng khuôn mặt. Machine learning chia thành hai loại: “tự học có hướng dẫn” và “ tự học không có hướng dẫn”.

“Tự học có hướng dẫn” là quá trình cung cấp một lượng lớn dữ liệu, bao gồm dữ liệu đúng cho AI đồng thời dạy AI nhận biết cách liên kết dữ liệu đúng với lời giải của vấn đề. Nhờ đó, AI có thể ghi nhớ và phân biệt được với dữ liệu và lời giải sai.

Ngược lại, “tự học không có hướng dẫn” là quá trình cung cấp dữ liệu ngẫu nhiên không gồm dữ liệu đúng, sau đó AI sẽ tự tìm ra những đặc trưng hoặc định nghĩa đúng từ dữ liệu cung cấp để phân tích dữ liệu.

Ví dụ như trò chơi cờ vây “AlphaGo”, với cách “tự học có hướng dẫn”, ở giai đoạn đầu AI sẽ tự học dựa trên kết quả của người chơi. Sau một thời gian, AI sẽ sử dụng cách “tự học không có hướng dẫn” để nâng cao trình độ của mình. Quá trình này có thể được phân loại thành cách “tự học bán hướng dẫn”.

Khái niệm “deep learning” (học sâu)

Deep learning là phương pháp tự học chuyên sâu hơn trong machine learning. Trên thực tế, việc tự học ở giai đoạn 1 không thể giúp AI giải quyết được những vấn đề phức tạp.

Ví dụ khi nhận dạng một bức ảnh, AI tự học ở giai đoạn 1 chỉ có thể phân biệt được những chi tiết đơn giản như mức độ ánh sáng của bức ảnh. Xử lý này không giúp nhận dạng được đối tượng trong ảnh. Khi đó, cần phát triển khả năng tự học của AI ở giai đoạn cao hơn – gọi là deep learning để AI xử lý được những thông tin quan trọng từ khối lượng lớn dữ liệu được cung cấp.

Ví dụ như để nhận dạng được khuôn mặt, AI cần xử lý một loạt các thông tin như “Có hai mắt phía trước không?”, “Có hai tai hai bên không?”, “Sống mũi có cao không?”, v.v .Sau đó, AI chọn lọc những điểm nổi bật trong các thông tin đã xử lý để đưa ra phán đoán chính xác.

Chính vì độ chuyên sâu của deep learning nên mặc dù ý tưởng về cách học này đã xuất hiện từ lâu, nhưng do chức năng của máy tính chưa đáp ứng được những yêu cầu cần thiết để thực hiện nên đến gần đây deep learning mới được ứng dụng trong thực tế.

Ứng dụng machine learning và deep learning vào công nghệ RPA

RPA là công cụ tự động hóa quy trình có logic cố định như công việc văn phòng, hành chính. Khi tích hợp với công nghệ AI sử dụng machine learning hay deep learning, RPA có thể tự động hóa cả những công việc cần khả năng phán đoán thông qua việc tự học. Ví dụ như khi kết hợp RPA với AI – OCR để xử lý hóa đơn chứng từ. Với những mẫu chứng từ mới chưa được chuẩn hóa, robot sử dụng chức năng AI để xác định vị trí ghi giá tiền, ngày tháng, v.v và dùng OCA để số hóa dữ liệu sau đó xử lý tự động trên dữ liệu đó. 

Hiện nay, việc tạo workflow cho robot trên RPA đang được con người thực hiện. Tuy nhiên, nếu tính năng của AI được nâng cao, vào tương lai không xa, AI sẽ có thể thay con người xây dựng các workflow này, giúp con người được giải phóng sức lao động để tập trung vào những công việc sáng tạo cao. Như vậy, deep learning khác với machine learning ở chỗ có thể đưa ra phán đoán phức tạp dựa theo quy trình xử lý nhiều giai đoạn.

Với sự kết hợp AI với RPA, robot có thể tự động hóa được cả những công việc không có logic cố định. Việc kết hợp bộ đôi công nghệ này tạo nên sức mạnh số giúp tăng tốc quy trình kinh doanh, giảm bớt tác vụ thủ công, tiết kiệm chi phí đồng thời nâng cao trải nghiệm khách hàng. Sức mạnh cộng hưởng từ AI và RPA sẽ giúp các tổ chức/ đơn vị nhanh chóng chuyển đổi và xây dựng thành công mô hình doanh nghiệp số, bứt phá trong bình thường mới.

Leave a Reply

Your email address will not be published. Required fields are marked *