[Cẩm nang AI] Tìm hiểu về bộ tứ Artificial intelligence (AI), Machine Learning (ML), Deep Learning (DL) và Data Science (DS)

Vào thế kỷ 21 hiện nay, công nghệ đã và đang thay đổi nhanh chóng hơn bao giờ hết. Do đó, để đáp ứng và hòa nhập với các cơ hội hiện tại của thị trường, chúng ta nên tìm hiểu về trí tuệ nhân tạo AI, Machine Learning, Deep Learning và Data Science.

 

Những khái niệm này đã trở thành các thuật ngữ thông dụng và trở thành nghề nghiệp sinh lời cho nhiều người. Có thể bạn thấy những thuật ngữ này khác giống nhau, nhưng trên thực tế, chúng hoàn toàn khác nhau và không thể thay thế cho nhau. Bài viết này sẽ giải đáp kỹ hơn về các khái niệm này.

 

Tìm hiểu về bộ tứ AI, DS, DL và ML

Trí tuệ nhân tạo là gì?

Đa phần chúng ta đều bị mê hoặc và thu hút bởi thuật ngữ “trí tuệ nhân tạo”, việc hiểu về chúng sẽ đơn giản hơn nhiều so với các khái niệm khác. Đây là một loại công nghệ sẽ giúp tạo ra một thế giới tốt đẹp hơn, thông minh hơn và giúp làm việc năng suất hơn.

 

Trí tuệ nhân tạo với tên gọi khác là AI, chúng là công nghệ giúp truyền tải trí thông minh của con người cho máy móc. Chúng tập trung vào sự phát triển của những cỗ máy thông minh có thể suy nghĩ và hành động giống như con người, đó là lý do chúng được gọi là trí tuệ nhân tạo”

 

Tính thông minh là khái niệm đại diện cho việc một thiết bị có thể nhận thức được môi trường xung quanh nó và đưa ra các hành động một cách phù hợp nhất. Những cỗ máy thông minh như vậy sẽ bắt chước các khả năng nhận thức của con người để học tập và giải quyết vấn đề.

 

AI giúp giải quyết các vấn đề như:

    - Lập luận và giải quyết vấn đề

    - Trình bày tri thức

    - Lập kế hoạch

    - Học tập

    - Xử lý ngôn ngữ tự nhiên (NLP)

    - Sự nhận thức

    - Chuyển động và thao tác (Motion and Manipulation)

    - Trí tuệ xã hội (Social Intelligence)

    - Trí thông minh nói chung (General Intelligence)

 

Nói một cách phổ biến, AI là tất cả những điều gì chưa được con người thực hiện. Hãy cùng xem qua các khái niệm tiếp theo trong bộ tứ này để hiểu hơn về Deep Learning và Machine Learning nhé!

Học máy (Machine Learning) là gì?

“Này Siri, Học máy là gì?” Nếu bạn hỏi Siri những câu hỏi như vậy, bạn sẽ nhận được câu trả lời như sau:

Học máy liên quan đến việc cung cấp cho máy móc khả năng học hỏi, bằng cách xây dựng các thuật toán dựa trên một lượng dữ liệu khổng lồ. Chúng sử dụng các thuật toán và mô hình thống kê để thực hiện một nhiệm vụ mà không cần con người phải đưa ra các hướng dẫn rõ ràng.

 

Có 3 hình thức học tập chính trong Machine Learning:

     - Học tập có giám sát và bán giám sát

     - Học tập không giám sát

     - Học tăng cường (Reinforcement Learning)

 

Học máy thường được ứng dụng để giải quyết các vấn đề sau:

    - Thu thập dữ liệu

    - Lọc dữ liệu

    - Phân tích dữ liệu

    - Đào tạo thuật toán

    - Kiểm tra thuật toán

    - Sử dụng thuật toán cho các dự đoán trong tương lai

 

Các ví dụ phổ biến của Machine Learning chính bao gồm trợ lý cá nhân ảo, kết quả công cụ tìm kiếm sau khi được tinh chỉnh, tính năng nhận dạng hình ảnh và đề xuất sản phẩm trong các trang web thương mại điện tử.

Deep Learning là gì?

Deep Learning (học sâu) là một cách tiếp cận khá tương tự với học máy, tuy nhiên, có một điểm khác biệt là Deep Learning tập trung vào việc học các biểu diễn dữ liệu hơn là tập trung vào các thuật toán cụ thể cho nhiệm vụ. Deep Learning sử dụng mạng thần kinh sâu (Deep Neural Networks), được lấy cảm hứng từ cấu trúc và chức năng của não bộ con người.

 

So sánh tế bào thần kinh trong não người  với mạng Neural nhân tạo

 

Các mạng như vậy được tạo ra từ một số lượng lớn các lớp (layer).  Dữ liệu sẽ được chuyển đổi qua nhiều lớp trước khi tạo ra một kết quả đầu ra nhất định.

 

Deep Learning được sử dụng cho các mục đích như xử lý ngôn ngữ tự nhiên (NLP), nghiên cứu các loại thuốc và chất độc, phục vụ lĩnh vực sinh học, ...

Khoa học dữ liệu (Data Science) là gì?

Khoa học dữ liệu là thuật ngữ chỉ một tập hợp, trong đó gồm toàn bộ các công cụ và kỹ thuật cần thiết để chúng ta phân tích dữ liệu và trích xuất thông tin chi tiết từ đó. Chúng sử dụng các phương pháp, quy trình và thuật toán khoa học để biến điều này thành hiện thực.

 

Mục tiêu của khoa học dữ liệu là khám phá các mẫu còn ẩn trong dữ liệu thô để giúp các doanh nghiệp cải thiện cũng như tăng lợi nhuận cho họ. Thuật ngữ khoa học dữ liệu trở nên thông dụng hơn kể từ năm 2022, lúc đó, tạp chí Harvard Business Review đã gọi nó là “Công việc thu hút nhất thế kỷ 21”.

 

Vòng đời của khoa học dữ liệu bao gồm 6 giai đoạn:

     1. Khám phá

     2. Chuẩn bị dữ liệu

     3. Lập kế hoạch mô hình

     4. Xây dựng mô hình

     5. Truyền đạt kết quả

     6. Vận hành

So sánh bộ tứ trí tuệ nhân tạo, học máy, học sâu và khoa học dữ liệu

Hãy cùng thảo luận sâu hơn về bộ tứ này nhé:

I. Trí tuệ nhân tạo

Trí tuệ nhân tạo là trí thông minh của máy móc - chúng có thể suy nghĩ và hành động giống như con người. Các máy tính có thể thực hiện những suy luận logic, học hỏi và cũng có thể tự sửa chữa. AI có thể tự dự đoán và đưa ra quyết định.

 

Bài học kinh nghiệm ở đây là nó có thể tự hoạt động. Điều đó khiến chúng ta tự hỏi - AI có thể học cách cảm nhận không? Nó có thể học cách yêu không? Đây là vấn đề đáng để suy ngẫm.

 

Dưới đây là một ví dụ về trí tuệ nhân tạo:

Trong khi AI tổng quát (General AI) là trí thông minh máy móc có thể thực hiện bất kỳ nhiệm vụ trí tuệ nào mà con người có thể làm được, thì AI hẹp (Narrow AI) thường chỉ thực hiện các nhiệm vụ cụ thể (đương nhiên chúng sẽ làm tốt hơn con người). General AI là một giấc mơ mà con người vẫn đang cố gắng để đạt được, còn về Narrow AI, chúng ta có thể kể đến một ví dụ là AlphaGo.

 

 

Một ví dụ khác chúng ta có thể kể đến là công nghệ nhận dạng khuôn mặt của Facebook. Nhận dạng khuôn mặt là một công việc nó đang làm rất tốt. Bên cạnh đó, bạn cũng cần lưu ý rằng các cảm biến IoT sẽ cung cấp dữ liệu đào tạo các thuật toán Machine Learning và cuối cùng là cải thiện AI. Điều này rất có lợi cho việc áp dụng IoT.

II. Học máy (Machine Learning)

Học máy đang cung cấp khả năng học hỏi cho các loại máy móc, bằng cách đào tạo các thuật toán với lượng dữ liệu khổng lồ. Điều này sẽ hỗ trợ rất tốt cho việc đưa ra các dự đoán.

 

Ví dụ: Nếu bạn hiển thị một thuật toán gồm đầy đủ hình ảnh của một con chó con, nó sẽ xác định và tìm ra một trong những bức ảnh mà nó chưa từng thấy trước đây. Hãy thử với những bức ảnh về giống chó Chihuahua và những chiếc bánh nướng xốp, hoặc với những bức ảnh về Pulis trắng và những chiếc giẻ lau nhà.

 

Nhận dạng hình ảnh

 

Một ví dụ thú vị khác về Machine Learning là trang web thispersondoesnotexist.com. Website này sử dụng thuật toán ML Generative Adversarial Network (GAN) để tạo ra hình ảnh của những người không tồn tại, chúng sẽ cho ra một hình ảnh mới với kích thước 1024 × 1024 mỗi khi bạn làm mới trang web và nó sẽ luôn hiển thị bức ảnh như vậy ở độ phân giải cao.

 

Hình ảnh của những người không có thật được tạo từ GAN

 

Machine Learning khác với AI như thế nào? ML là một cách tiếp cận với AI (nó là một cách để đạt được thành quả của trí tuệ nhân tạo). Dù bạn có thể đạt được thành tựu của trí tuệ nhân tạo mà không cần ML, nhưng điều đó có thể mất đến hàng triệu dòng mã lệnh.

III. Học sâu (Deep Learning)

Tương tự như vậy, học sâu là một cách tiếp cận chính trong Machine Learning. Học sâu sử dụng mạng thần kinh sâu, lấy cảm hứng từ cấu trúc và chức năng của não người.

 

Các mạng này được làm bằng nhiều lớp mà trong đó, dữ liệu phải đi qua nhiều lớp như vậy trước khi có được kết quả đầu ra. Deep Learning đã cải thiện AI bằng cách chúng có khá nhiều ứng dụng thực tế.

 

Nhìn vào bức tranh tổng quan, đầu tiên là AI được khai sinh, sau đó là ML, một cách tiếp cận với AI. Cuối cùng, DL đã tiến đến. 

IV. Khoa học dữ liệu

Đây là một lĩnh vực liên quan đến việc trích xuất thông tin chi tiết từ dữ liệu, bằng cách sử dụng các phương pháp và thuật toán khoa học để các doanh nghiệp có thể hưởng lợi. Khoa học dữ liệu sử dụng học máy để phân tích dữ liệu và đưa ra dự đoán; điều này cũng có thể được ứng dụng trong các trường hợp thực tế cụ thể.

 

Khoa học dữ liệu kết hợp Machine Learning cùng với phân tích Big Data, điện toán đám mây vào làm một. Chúng tập trung vào việc giải quyết các vấn đề trong thế giới thực và luôn có con người tham gia (không giống như AI, AI sẽ thực hiện hành động ngay).

Tóm tắt

Vậy, hiện giờ bạn đã biết cách phân biệt các khái niệm công nghệ này cũng như hiểu cách chúng hoạt động cùng nhau. Bạn có suy nghĩ gì về ý nghĩa của bộ tứ này đối với tương lai con người nói chung và với thị trường lao động nói riêng?

 

 

>> Xem tiếp: Bài 22: TOP 7 ngôn ngữ lập trình được sử dụng trong các dự án AI/Machine Learning

>> Xem lại: Bài 20: AI và Machine Learning - Các khía cạnh cốt lõi của bộ đôi xu hướng tương lai 

 

 

 

Để tìm hiểu thêm về giải pháp Giám sát & Ứng dụng AI, vui lòng liên hệ đến Viettel IDC:

 

- Hotline: 1800.8088 (miễn phí cước gọi)

- Fanpage: https://www.facebook.com/viettelidc

- Website: https://viettelidc.com.vn