0
Blog

Sự khác nhau giữa AI, Machine learning và Deep learning

05/06/2020

AI là tương lai. AI là khoa học viễn tưởng. AI và machine learning đã là một phần trong cuộc sống hàng ngày của chúng ta. Tất cả những tuyên bố đó là đúng, nó chỉ phụ thuộc vào mục đích của AI mà bạn đang đề cập đến.

Ví dụ, khi chương trình AlphaGo của Google DeepMind đánh bại Master Lee Se-dol của Hàn Quốc trong trò chơi cờ vào đầu năm nay, các thuật ngữ AI, machine learning và deep learning đã được sử dụng trên phương tiện truyền thông để mô tả cách DeepMind giành chiến thắng. Và cả ba đều là một phần lý do khiến AlphaGo đánh bại Lee Se-Dol. Nhưng chúng không phải là những thứ giống nhau.

79-AI

Cách dễ nhất để nghĩ về mối quan hệ của chúng là hình dung chúng như những vòng tròn đồng tâm với AI – ý tưởng xuất hiện đầu tiên – lớn nhất, sau đó là machine learning – nở rộ sau đó, và cuối cùng là deep learning – thúc đẩy sự bùng nổ AI ngày nay – phù hợp với cả hai .

Từ Bùng nổ đến Phát triển

AI là một phần trong trí tưởng tượng của chúng ta và mô phỏng trong các phòng thí nghiệm nghiên cứu kể từ khi một số nhà khoa machine learning tập hợp tại Hội nghị Dartmouth năm 1956 và khai sinh ra lĩnh vực AI. Trong những thập kỷ kể từ đó, AI đã thay phiên được coi là chìa khóa cho tương lai tươi sáng nhất của nền văn minh của chúng ta.

Trong vài năm qua, AI đã bùng nổ và đặc biệt là từ năm 2015. Phần lớn là do sự sẵn có rộng rãi của GPU giúp xử lý song song nhanh hơn, rẻ hơn và mạnh mẽ hơn. Nó cũng phải thực hiện đồng thời lưu trữ vô hạn thực tế và một luồng dữ liệu của mỗi dải (toàn bộ chuyển động Dữ liệu lớn) – hình ảnh, văn bản, giao dịch, dữ liệu ánh xạ, v.vv..

Hãy cùng xem các nhà khoa học dữ liệu đã giúp chuyển chuyển đổi từ sự bùng nổ – cho đến năm 2012 – sang một sự phát triển đã giải phóng các ứng dụng được sử dụng bởi hàng trăm triệu người mỗi ngày.

79-Machine learning

AI – Trí tuệ con người được trưng bày bởi máy móc

Quay trở lại mùa hè năm 56 của hội nghị, giấc mơ của những người tiên phong AI đó là chế tạo những cỗ máy phức tạp – được kích hoạt bởi các máy tính hiện đại – sở hữu những đặc điểm giống nhau của trí thông minh con người. Đây là khái niệm mà chúng tôi nghĩ về như là General AI, một cỗ máy tuyệt vời có tất cả các giác quan của chúng ta (thậm chí nhiều hơn), tất cả phân tích, và suy nghĩ giống như chúng ta. Bạn đã xem những cỗ máy này – C-3PO – và kẻ thù – phim Kẻ hủy diệt. Những cỗ máy AI nói chung vẫn tồn tại trong các bộ phim và tiểu thuyết khoa học viễn tưởng vì lý do chính đáng; chúng ta không thể kéo nó ra, ít nhất là chưa.

Những gì chúng ta có thể làm rơi vào khái niệm Narrow AI. Các công nghệ có khả năng thực hiện các nhiệm vụ cụ thể cũng như, hoặc tốt hơn, con người chúng ta có thể. Ví dụ về AI hẹp là những thứ như phân loại hình ảnh trên một dịch vụ như Pinterest và nhận dạng khuôn mặt trên Facebook.

Đó là những ví dụ về AI hẹp trong thực tế. Những công nghệ này thể hiện một số khía cạnh của trí tuệ con người. Nhưng bằng cách nào? Trí thông minh đó đến từ đâu? Điều đó đưa chúng ta đến vòng tròn tiếp theo, machine learning.

79-AI 2

King me: các chương trình máy tính chơi cờ đam là một trong những ví dụ sớm nhất về AI, khuấy động làn sóng đầu thập niên 1950.

Machine learning –  Cách tiếp cận để đạt được AI

Machine learning ở mức cơ bản nhất là thực hành sử dụng các thuật toán để phân tích dữ liệu, học từ nó và sau đó đưa ra quyết định hoặc dự đoán về một cái gì đó trên thế giới. Vì vậy, thay vì các phần mềm mã hóa thủ công thường xuyên với một bộ hướng dẫn cụ thể để hoàn thành một nhiệm vụ cụ thể, máy được đào tạo bằng cách sử dụng một lượng lớn dữ liệu và thuật toán cho phép nó học cách thực hiện nhiệm vụ.

Machine learning xuất phát trực tiếp từ suy nghĩ của đám đông AI ban đầu, và các phương pháp tiếp cận thuật toán trong nhiều năm bao gồm học cây quyết định, lập trình logic quy nạp. phân cụm, reinforcement learning và mạng Bayes trong số những thứ khác. Như chúng ta đã biết, không ai đạt được mục tiêu cuối cùng của General AI, và thậm chí Narrow AI chủ yếu nằm ngoài tầm với các phương pháp machine learning ban đầu.

Hóa ra, một trong những lĩnh vực ứng dụng tốt nhất cho machine learning trong nhiều năm là thị giác máy tính , mặc dù nó vẫn đòi hỏi rất nhiều code tay để hoàn thành công việc. Mọi người sẽ đi vào và viết các trình phân loại được mã hóa bằng tay như các bộ lọc phát hiện cạnh để chương trình có thể xác định nơi một đối tượng bắt đầu và dừng lại; phát hiện hình dạng để xác định nếu nó có tám mặt; một bộ phân loại để nhận ra các chữ cái STOP. Từ tất cả các trình phân loại được mã hóa bằng tay, họ sẽ phát triển các thuật toán để hiểu ý nghĩa của hình ảnh và học tìm hiểu để xác định xem đó có phải là dấu hiệu dừng hay không.

Tốt, nhưng không tuyệt vời. Đặc biệt vào một ngày sương mù khi dấu hiệu không thể nhìn thấy hoàn hảo, hoặc một cái cây che khuất một phần của nó. Có một lý do phát hiện hình ảnh và hình ảnh máy tính gần với đối thủ của con người cho đến gần đây, nó quá dễ vỡ và quá dễ bị lỗi.

Thời gian, và các thuật toán học tập đúng đã tạo ra sự khác biệt.

79-Learning spam

Chế độ không có thư rác: machine learning giúp hộp thư đến của bạn (tương đối) không có thư rác.

Deep Learning – Một kỹ thuật để thực hiện Machine Learning

Một cách tiếp cận thuật toán khác từ đám đông machine learning ban đầu, mạng lưới thần kinh nhân tạo, đã đến và chủ yếu đi qua nhiều thập kỷ. Mạng lưới thần kinh được lấy cảm hứng từ sự hiểu biết của chúng ta về sinh học của bộ não con người – tất cả những mối liên kết giữa các tế bào thần kinh. Nhưng, không giống như một bộ não sinh học nơi bất kỳ tế bào thần kinh nào có thể kết nối với bất kỳ tế bào thần kinh nào khác trong một khoảng cách vật lý nhất định, các mạng thần kinh nhân tạo này có các lớp, kết nối và hướng truyền dữ liệu riêng biệt.

Ví dụ, bạn có thể chụp ảnh, cắt nó thành một bó gạch được nhập vào lớp đầu tiên của mạng lưới thần kinh. Trong lớp tế bào thần kinh riêng lẻ ở lớp đầu tiên, sau đó chuyển dữ liệu sang lớp thứ hai. Lớp tế bào thần kinh thứ hai thực hiện nhiệm vụ của mình, và cứ thế, cho đến khi lớp cuối cùng và đầu ra cuối cùng được tạo ra.

Mỗi nơ-ron gán một trọng số cho đầu vào của nó – nó đúng hay không chính xác so với nhiệm vụ đang được thực hiện. Đầu ra cuối cùng sau đó được xác định bởi tổng số trọng số đó. Vì vậy, hãy nghĩ về ví dụ dấu hiệu dừng của chúng tôi. Các thuộc tính của hình ảnh biển báo bị cắt xén và các tế bào thần kinh được kiểm tra bởi các tế bào thần kinh – hình dạng bát giác, màu đỏ của động cơ lửa, chữ cái đặc biệt, kích thước biển báo giao thông và chuyển động của nó hoặc thiếu. Nhiệm vụ của mạng lưới thần kinh là kết luận liệu đây có phải là dấu hiệu dừng hay không. Nó xuất hiện với một vectơ xác suất của người Hồi giáo, thực sự là một phỏng đoán có tính giáo dục cao, dựa trên trọng số. Trong ví dụ của chúng tôi, hệ thống có thể tin tưởng 86% hình ảnh là dấu hiệu dừng, 7% tự tin là dấu hiệu giới hạn tốc độ và 5% đó là con diều bị mắc kẹt trong cây, v.v. – và kiến ​​trúc mạng sau đó nói với mạng thần kinh dù đúng hay không.

Ngay cả ví dụ này đang đi trước chính nó, bởi vì cho đến gần đây, các mạng lưới thần kinh đã bị cộng đồng nghiên cứu AI xa lánh. Chúng đã xuất hiện từ những ngày đầu tiên của AI, và đã sản xuất rất ít theo cách thức của trí thông minh. Vấn đề là ngay cả các mạng thần kinh cơ bản nhất cũng rất chuyên sâu về mặt tính toán, nó không phải là một cách tiếp cận thực tế. Tuy nhiên, một nhóm nghiên cứu nhỏ do Geoffrey Hinton đứng đầu tại Đại học Toronto đã duy trì, cuối cùng đã làm song song các thuật toán cho siêu máy tính chạy và chứng minh khái niệm này, nhưng phải đến khi GPU được triển khai trong nỗ lực thì lời hứa mới được thực hiện .

79-deep learning

Mèo chăn gia súc: Chọn hình ảnh của mèo ra khỏi video YouTube là một trong những minh chứng đột phá đầu tiên về deep learning.

Nếu chúng ta quay trở lại ví dụ về dấu hiệu dừng của mình, rất có thể là vì mạng đang được điều chỉnh hoặc đã được đào tạo về điều đó, nó sẽ xuất hiện với những câu trả lời sai – rất nhiều. Những gì nó cần là đào tạo. Nó cần phải xem hàng trăm ngàn, thậm chí hàng triệu hình ảnh, cho đến khi trọng số của các đầu vào nơ-ron được điều chỉnh chính xác đến mức nó nhận được câu trả lời đúng thực tế mọi lúc – sương mù hoặc không có sương mù, nắng hay mưa. Tại thời điểm đó, mạng lưới thần kinh đã tự dạy mình một dấu hiệu dừng lại trông như thế nào; hoặc khuôn mặt của mẹ bạn trong trường hợp của Facebook; hoặc một con mèo, đó là những gì Andrew Ng đã làm vào năm 2012 tại Google.

Bước đột phá của Ng là lấy các mạng thần kinh này, và về cơ bản làm cho chúng trở nên khổng lồ, tăng các lớp và tế bào thần kinh, sau đó chạy một lượng lớn dữ liệu thông qua hệ thống để huấn luyện nó. Trong trường hợp của Ng, đó là hình ảnh từ 10 triệu video YouTube. Ng đưa sâu vào các bài deep learning, trong đó mô tả tất cả các lớp trong các mạng lưới thần kinh này.

Ngày nay, nhận dạng hình ảnh bằng máy móc được đào tạo thông qua deep learning trong một số tình huống tốt hơn so với con người và từ mèo đến nhận dạng các chỉ số ung thư trong máu và khối u trong quét MRI. AlphaGo của Google đã học trò chơi và được đào tạo cho trận đấu Go của mình – nó đã điều chỉnh mạng lưới thần kinh của mình – bằng cách chơi với chính nó nhiều lần.

Nhờ Deep Learning, AI có tương lai tươi sáng hơn

Deep learning đã cho phép nhiều ứng dụng thực tế của machine learning và bằng cách mở rộng toàn bộ lĩnh vực AI. Deep learning phá vỡ các nhiệm vụ theo cách làm cho tất cả các loại hỗ trợ máy dường như có thể, thậm chí có khả năng. AI là hiện tại và tương lai. Với sự giúp đỡ của Deep learning, AI thậm chí có thể có được trạng thái khoa học viễn tưởng mà chúng ta đã tưởng tượng từ lâu.

Nếu bạn quan tâm tới hướng đi cho sự nghiệp Data Science thì bạn có thể tìm hiểu về khoá học khoá học Machine Learning cơ bản của Nordic Coder hay cách tốt nhất thì bạn nên  học một khóa Data Analysis  để hiểu biết biết thêm về cách sử dụng Python trong việc phân tích và sử dụng Data.