Khác biệt giữa machine learning và deep learning 

 


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 này giới thiệu sự khác biệt cơ bản giữa hai khái niệm và làm rõ về deep learning – một công nghệ được dự đoán sẽ phát triển vượt bậc trong tương lai. 

Những thay đổi trong cuộc sống nhờ AI

AI đang có nhiều ảnh hưởng tới cuộc sống của chúng ta. Một ví dụ quen thuộc là robot hút bụi tự động. Robot hút bụi sẽ tự nhận biết diện tích của căn phòng hay vị trí đồ đạc và dựa vào những thông tin đó để hút bụi căn phòng.

Với công nghệ lập trình trước đây, robot chỉ có thể sử dụng trong điều kiện nhất định. Tuy nhiên, với sự tiến bộ của AI, robot có thể sử dụng trong nhiều lĩnh vực khác nhau.

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).

Định nghĩa của "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, 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”.

“Học có giáo viên” là quá trình cung cấp một lượng lớn dữ liệu bao gồm dữ liệu đúng cho AI và dạy nó 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”.

Định nghĩa của "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 và 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 mới được ứng dụng trong thực tế.

Ứng dụng machine learning và deep learning vào RPA

RPA là công cụ tự động hóa nghiệp vụ có logic cố định như công việc văn phòng và 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 sẽ 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.   

Bên cạnh đó, hiện nay việc tạo work flow cho Robot trên RPA đang được con người thực hiện, nhưng nếu tính năng của AI được nâng cao, một ngày nào đó AI sẽ có thể thay con người xây dựng các work flow này, mở ra một tương lai trong đó con người được giải phóng khỏi công việc thủ tục giấy tờ để tập trung vào những công việc sáng tạo cao.    


Lời kết

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.

Khi kết hợp AI với RPA, robot có thể tự động hóa được cả những công việc không có logic cố định. RPA và AI vẫn đang tiếp tục phát triển và sự kết hợp 2 công nghệ này chắc chắn sẽ cho phép xử lý nhiều loại công việc phức tạp hơn.