Tổng quan Trí tuệ nhân tạo. Phân biệt AI – Machine Learning – Deep Learning

1. Sự khác nhau giữa AI – Machine Learning – Deep Learning

Ở thời đại công nghệ 4.0 hiện nay, chắc hẳn ai cũng đều đã từng nghe qua khái niệm Trí tuệ nhân tạo hay AI, Machine Learning, Deep Learning rồi phải không nào. Những khái niệm tưởng chừng đơn giản nhưng lại khá nhập nhằng và dễ khiến người ta nhầm lẫn.

• AI – Trí tuệ nhân tạo được coi là trí tuệ của con người được mô phỏng và sử dụng bởi máy móc.
• Trong khi đó Machine Learning là một phương pháp để chinh phục AI, giúp máy có thể mô phỏng được trí tuệ đó.
• Cuối cùng, Deep Learning là một kỹ thuật để hiện thực hóa Machine Learning

Có thể giải thích mối liên hệ giữa 3 khái niệm này bằng cách tưởng tượng chúng như những vòng tròn, trong đó AI – ý tưởng xuất hiện sớm nhất – là vòng tròn lớn nhất, tiếp đến là machine learning – khái niệm xuất hiện sau, và cuối cùng là deep learning – thứ đang thúc đẩy sự bùng phát của AI hiện nay – là vòng tròn nhỏ nhất.

2. AI – Trí tuệ nhân tạo

Khái niệm

• AI là sự mô phỏng quá trình trí tuệ của con người bằng máy móc, đặc biệt là các hệ thống hệ máy tính.
• AI giúp máy móc có thể học hỏi kinh nghiệm, điều chỉnh các đầu vào mới và thực hiện các nhiệm vụ giống con người.
• AI là một lĩnh vực của khoa khọc máy tính, nhấn mạnh việc tạo ra các máy móc thông minh, hoạt động và phản ứng như con người.
• Các ứng dụng cụ thể của AI bao gồm xử lý các ngôn ngữ tự nhiên, nhận dạng giọng nói và thị giác, quản lý hệ thống, …

Ứng dụng

Trong chăm sóc sức khỏe

• Giúp cải thiện kết quả của bệnh nhân và giảm chi phí. Các công ty đang áp dụng máy học để chẩn đoán tốt hơn và nhanh hơn con người. Một trong những công nghệ chăm sóc sức khỏe nổi tiếng nhất là IBM Watson. Nó hiểu ngôn ngữ tự nhiên và có thể trả lời các câu hỏi. Hệ thống khai thác dữ liệu bệnh nhân và các nguồn dữ liệu có sẵn khác để tạo thành một giả thuyết, sau đó nó đưa ra một lược đồ chấm điểm tin cậy.
• Các ứng dụng AI khác bao gồm chatbot, một chương trình máy tính được sử dụng trực tuyến để trả lời các câu hỏi và hỗ trợ khách hàng, để giúp sắp xếp các cuộc hẹn theo dõi hoặc hỗ trợ bệnh nhân thông qua quy trình thanh toán và trợ lý sức khỏe ảo cung cấp phản hồi y tế cơ bản.

Trong kinh doanh

• Tự động hóa quá trình robot đang được áp dụng cho các nhiệm vụ lặp đi lặp lại thường được thực hiện bởi con người. Các thuật toán máy học đang được tích hợp vào các nền tảng phân tích và khám phá thông tin về cách phục vụ khách hàng tốt hơn. Chatbots đã được kết hợp vào các trang web để cung cấp dịch vụ ngay lập tức cho khách hàng.
• Đối với hoạt động kinh doanh, các quá trình tự động hóa bằng robot đang dần được áp dụng rộng rãi. Nó thay thế cho các nhiệm vụ lặp đi lặp lại thường được thực hiện bằng con người trước đây.
• Các thuật toán học máy trong trí tuệ nhân tạo được tích hợp vào các nền tảng phân tích và CRM (Customer relationship management – Quản lý quan hệ khách hàng) để khám phá thông tin về cách phục vụ khách hàng tốt hơn. Chatbot đã được kết hợp vào các trang web để cung cấp dịch vụ ngay lập tức cho khách hàng. Giảm thiểu thời gian chờ và nâng cao mức độ hài lòng.

Trong tài chính – ngân hàng

• AI trong các ứng dụng tài chính cá nhân, như Intuit’s Mint hoặc TurboTax, đang phá vỡ các tổ chức tài chính. Các ứng dụng như thu thập dữ liệu cá nhân và cung cấp tư vấn tài chính. Các chương trình khác, như IBM Watson, đã được áp dụng cho quá trình mua nhà. Ngày nay, phần mềm trí tuệ nhân tạo thực hiện phần lớn giao dịch trên Phố Wall.
• Các ngân hàng đã tìm thấy kết quả tốt trong việc sử dụng chatbot để làm cho khách hàng của họ biết về các dịch vụ và dịch vụ bổ sung. Họ cũng đang sử dụng AI để cải thiện việc ra quyết định cho vay, đặt giới hạn tín dụng và xác định cơ hội đầu tư.
• Chatbot là ứng dụng đầu tiên cho thấy sức ảnh hưởng của trí tuệ nhân tạo trong lĩnh vực ngân hàng. Với ứng dụng này, khách hàng sẽ không cần phải đến ngân hàng để truy vấn thông tin. Họ hoàn toàn có thể thông qua Chatbot để tìm hiểu các dịch vụ và các dịch vụ bổ sung khác ngay tại nhà hay bất cứ nơi nào mà họ muốn.
• Ngoài ra, trí tuệ nhân tại còn được áp dụng để đưa ra các quyết định cho vay, đặt giới hạn tín dụng và xác định cơ hội đầu tư. Bằng cách tích hợp thêm các công nghệ như nhận dạng giọng nói (voice recognition) và nhận dạng khuôn mặt (face recognition) vào ứng dụng điện thoại. Từ đây các ngân hàng có thể cung cấp các trải nghiệm cá nhân hóa tốt hơn cho khách hàng của mình.
• Vì vậy, ngoài việc ứng dụng hệ thống AI rà soát thị trường để thông báo cho các hệ thống giao dịch. Các ngân hàng còn thông qua các ứng dụng thông minh này để thể thu thập hành vi của khách hàng và từ đó đưa ra các lời khuyên về tài chính. Giúp khách hàng quản lý dòng tiền của mình một cách tốt hơn.

Trong giáo dục

• Đối với ngành giáo dục, trí tuệ nhân tạo cũng ngày càng thể hiện rõ tầm quan trọng cũng như những lợi ích vượt trội của mình. AI có thể tự động hóa việc chấm điểm nhanh chóng và chính xác. Giúp tiết kiệm một khoảng thời gian lớn mà các nhà giáo dục phải bỏ ra cho hoạt động này. Gia sư AI có thể cung cấp hỗ trợ bổ sung cho sinh viên, đảm bảo họ luôn đi đúng hướng. Và nó có thể thay đổi nơi học sinh học và thậm chí thay thế một số giáo viên.
• Ngoài ra, nó còn có thể đánh giá trình độ của người học. Qua đó tự điều chỉnh cấp độ phù hợp, cung cấp hỗ trợ bổ sung, đảm bảo người học theo kịp tốc độ và luôn đi đúng hướng.

Trong pháp luật

• Tính cho tới thời điểm hiện tại, AI được áp dụng phổ biến trong quá trình nghiên cứu pháp luật, tìm kiếm và sàng lọc thông tin qua các tài liệu. Từ đó, dự đoán vi phạm pháp luật và hỗ trợ cho các luật sư cùng thẩm phán trong việc xử lý thông tin một cách nhanh chóng. Các công ty khởi nghiệp cũng đang xây dựng các trợ lý máy tính hỏi và trả lời có thể sàng lọc các câu hỏi được lập trình để trả lời bằng cách kiểm tra phân loại và bản thể học liên quan đến cơ sở dữ liệu.
• Nhiều nhà khoa học tin rằng, trong một tương lai không xa, trí tuệ nhân tạo có thể được sử dụng để xét xử trực tuyến các tranh chấp, thậm chí là cả những vụ án hình sự.

Trong sản xuất

Có thể nói, sản xuất là lĩnh vực đi đầu trong việc kết hợp robot vào quy trình làm việc. Các robot công nghiệp được tạo ra và sử dụng để thực hiện các nhiệm vụ chuyên biệt mà trước đây do con người thực hiện. Nó giúp thực hiện các kỹ năng đòi hỏi sự chính xác tuyệt đối, cải thiện hiệu quả làm việc, hay việc quản lý hàng tồn kho, tự giám sát và kiểm tra lẫn nhau.

3. Machine Learning

Khái niệm

• Là một lĩnh vực con của AI sử dụng các thuật toán cho phép máy tính có thể học từ dữ liệu để thực hiện các công việc thay vì được lập trình một cách rõ ràng.
• Nó có khả năng tự học hỏi dựa trên dữ liệu đưa vào mà không cần phải được lập trình cụ thể.

Cách sử dụng

Một cỗ máy thực hiện chơi cờ(nhiệm vụ T), có thể học từ dữ liệu các ván cờ trước đó hoặc chơi với một chuyên gia(kinh nghiệm E). Khả năng chơi của cỗ máy là tỉ lệ số ván mà nó chiến thắng khi chơi với con người(hiệu suất P).Mức độ bảo mật thông tin cao, an toàn thông tin cho khách hàng

Ví dụ:

• VD1: Một hệ thống nhận vào một hình ảnh, nó phải xác định xem trong đó có khuôn mặt của Ngọc Trinh hay không. Điều này thấy rõ nhất ở chức năng tự động gắn thẻ khuôn mặt của Facebook.

• VD2: Hệ thống nhận vào các reviews về một sản phẩm đồ ăn. cần xác định các reviews đó có nội dung tích cực hay tiêu cực.

• VD3: Một hệ thống nhận vào hình ảnh/ thông tin của một người. Đánh giá số điểm đo khả năng người đó sẽ trả một khoản vay tín dụng.

• Trong VD1, nhiệm vụ phát hiện khuôn mặt của người mẫu Ngọc Trinh trong một bức ảnh. Kinh nghiệm có thể là một tập hợp các ảnh có khuôn mặc Ngọc Trinh và một tập ảnh khác không có. Hiệu suất sẽ được tính bằng tỉ lệ đoán chính xác trên một tập ảnh mới.

• Trong VD2, nhiệm vụ của bài toán là là gán nhãn cho mỗi review. Kinh nghiệm ở đây có thể là tập hợp các review và nhãn tương ứng của nó. Hiệu suất được đo bằng tỉ lệ dự đoán nhãn chính xác trên các review mới.

• Trong VD3, bài toán cần giải quyết là đánh giá điểm tin cậy của người dùng để thực hiện cho vay tín dụng. Kinh nghiệm có thể học được từ các tập hình ảnh/ thông tin của những người vay tín dụng trước đi kèm thông tin họ có chi trả khoản vay tín dụng đó không. Hiệu suất của mô hình sẽ được đo bằng tỉ lệ dự đoán đúng trên tập khách hàng mới.

Làm sao thuật toán có thể thể đưa ra đầu ra mong muốn từ tập dữ liệu đầu vào? Bạn cần một quá trình huấn luyện sử dụng các dữ liệu huấn luyện. Nó chính là kinh nghiệm E ở định nghĩa trên.

Huấn luyện mô hình

Các ví dụ trong tập huấn luyện thường có một tập thuộc tính/ đặc trưng cố định. Đó là những thể hiện để mô tả về đối tượng đó. Như trong VD1, đặc trưng có thể là tần suất các màu của mỗi bức ảnh. Trong VD2, các đặc trưng một review sẽ là các từ tạo nên review đó. Còn VD3, các đặc trưng có thể là tuổi tác, công việc, mức lương của mỗi người,…

Lựa chọn các đặc trưng thích hợp là một nhiệm vụ quan trọng trong Machine learning. Chúng ta sẽ tiếp tục làm rõ điều này ở phần phía sau mục này.

• Đầu tiên, bạn cung cấp cho AI một tập hợp các đặc điểm của loài mèo để máy nhận dạng, ví dụ như màu sắc lông, hình dáng cơ thể, kích thước…
• Tiếp theo, bạn cung cấp một số hình ảnh cho AI, trong đó một số hoặc tất cả các hình ảnh có thể được dán nhãn “mèo” để máy có thể chọn hiệu quả hơn các chi tiết, đặc điểm có liên quan đến mèo.
• Sau khi máy đã nhận được đủ dữ liệu cần thiết về mèo, nó phải biết cách tìm một con mèo trong một bức tranh – “Nếu trong hình ảnh có chứa các chi tiết X, Y, hoặc Z nào đó, thì 95% khả năng đó là một con mèo”.

4. Deep Learning

Khái niệm

• Là một phương pháp của Machine learning
• Cho phép chúng ta huấn luyện một AI có thể dự đoán được các đầu ra dựa vào một tập các đầu vào.
• Giúp máy tính giải quyết một loạt các vấn đề phức tạp không thể giải quyết được.
• Nó như là một “mạng thần kinh – neural networks” có thể xử lý dữ liệu tương tự như một bộ não con người có thể thực hiện mà trong đó máy tự đào tạo chính nó.
• Đòi hỏi rất nhiều dữ liệu đầu vào và sức mạnh tính toán.

Tại sao cần Deep learning?

• Một ví dụ về một nhiệm vụ Machine Learning đơn giản, nông cạn có thể dự đoán doanh số bán kem sẽ thay đổi như thế nào dựa trên nhiệt độ ngoài trời. Việc đưa ra dự đoán chỉ sử dụng một vài tính năng dữ liệu theo cách này là tương đối đơn giản và có thể được thực hiện bằng cách sử dụng một kỹ thuật Machine Learning gọi là hồi quy tuyến tính với độ dốc giảm dần.
• Vấn đề là hàng loạt vấn đề trong thế giới thực không phù hợp với những mô hình đơn giản như vậy. Một ví dụ về một trong những vấn đề thực tế phức tạp này là nhận ra các số viết tay.
• Để giải quyết vấn đề này, máy tính cần phải có khả năng đối phó với sự đa dạng lớn trong cách thức trình bày dữ liệu. Mỗi chữ số từ 0 đến 9 có thể được viết theo vô số cách: kích thước và hình dạng chính xác của mỗi chữ số viết tay có thể rất khác nhau tùy thuộc vào người viết và trong hoàn cảnh nào.
• Đối phó với sự biến đổi của các tính năng này và sự lộn xộn tương tác lớn hơn giữa chúng, là nơi học tập sâu và mạng lưới thần kinh sâu (neural networks) trở nên hữu ích.
• Như đã đề cập, độ sâu đề cập đến số lượng các lớp ẩn, thường là hơn ba, được sử dụng trong các mạng lưới thần kinh sâu.

Quay lại ví dụ con mèo, Điểm khác biệt chính ở đây là con người không sẽ phải dạy một chương trình deep learning biết một con mèo trông như thế nào, mà chỉ cần cung cấp cho nó đủ hình ảnh cần thiết về loài mèo, và nó sẽ tự mình hình dung, tự học. Các bước cần làm như sau:

• Cung cấp cho máy rất nhiều ảnh về mèo.
• Thuật toán sẽ kiểm tra ảnh để xem các đặc điểm, chi tiết chung giữa các bức ảnh.
• Mỗi bức ảnh sẽ được giải mã chi tiết dưới nhiều cấp độ, từ các hình dạng lớn, chung đến các ô nhỏ và nhỏ hơn nữa. Nếu một hình dạng hoặc các đường được lặp lại nhiều lần, thuật toán sẽ gắn nhãn nó như là một đặc tính quan trọng.
• Sau khi phân tích đủ hình ảnh cần thiết, thuật toán giờ đây sẽ biết được các mẫu nào cung cấp bằng chứng rõ ràng nhất về mèo và tất cả những gì con người phải làm chỉ là cung cấp các dữ liệu thô.

Neural Networks

• Lấy cảm hứng từ sự hiểu biết về sinh học của bộ não loài người – sự liên kết giữa các nơ-ron. Là các mô hình toán học có cấu trúc được lấy cảm hứng lỏng lẻo từ bộ não.
• Mỗi nơ-ron trong mạng nơ-ron là một hàm toán học lấy dữ liệu thông qua đầu vào, biến đổi dữ liệu đó thành dạng dễ điều chỉnh hơn và sau đó phun ra thông qua đầu ra.
• Các mạng thần kinh nhân tạo này có các lớp rời rạc, các kết nối, và các hướng truyền dữ liệu.

Ví dụ minh họa
Chúng ta muốn dự đoán giá vé dựa vào các đầu vào như sau:

• Sân bay khởi hành
• Sân bay đến
• Ngày bay
• Hãng hàng không

=>

• Input layer nhận các dữ liệu đầu vào. Trong trường hợp của chúng ta, ta có 4 nơ r on trong input layer: sân bay khởi hành, sân bay đến, ngày bay, hãng bay. Input layer sẽ đưa các đầu vào này vào hidden layer thứ nhất.
• Các hidden layer thực hiện các phép tính toán cho các đầu vào. Thử thách lớn nhất trong việc tạo mạng nơ ron là quyết định số lượng các hidden layer này, cũng như số các nơ ron cho mỗi layer.
• Output layer trả về dữ liệu đầu ra, trường hợp của ta sẽ là đưa ra dự đoán về giá vé.
• Mối liên kết giữa nơ ron được kết hợp với một trọng số, nó chỉ ra được tầm quan trọng của giá trị đầu vào.
• Khi dự đoán giá vé, ngày khởi hành là nguyên tố quan trọng nhất. Vì vậy, mạng nơ ron liên kết của ngày khởi hành sẽ có một trọng số lớn.
• Mỗi nơ-ron trong mạng nơ-ron là một hàm toán học lấy dữ liệu thông qua đầu vào, biến đổi dữ liệu đó thành dạng dễ điều chỉnh hơn và sau đó phun ra thông qua đầu ra

Ứng dụng của Deep Learning

• Nhờ Deep Learning, AI đã có một tương lai tươi sáng hơn
• Deep Learning đã cho phép ứng dụng nhiếu vấn đề thực tế của máy học và bằng cách mở rộng lĩnh vực tổng thể của AI. Deep learning phá vỡ các cách thức con người làm việc bằng cách làm cho tất cả các loại máy móc trợ giúp có thể thực hiện được, gần hoặc giống hệt con người.
• Ô tô không người lài, chăm sóc sức khoẻ tốt hơn, thậm chí cả đề xuất về bộ phim tốt hơn, tất cả đều hiện thực trong thời đại ngày nay. AI là hiện tại và tương lai. Với sự trợ giúp của Deep Learning, AI có thể hiện thức hóa ước mơ khoa học giả tưởng mà chúng ta đã tưởng tượng từ rất lâu. Bạn có một C-3PO, tôi sẽ lấy nó. Bạn có thể giữ Terminator của bạn.

Tài liệu tham khảo