Note 3: Phân biệt AI, Machine Learning, Deep Learning.

Phân biệt AI, Machine Learning, Deep Learning

Nguồn: https://ongxuanhong.wordpress.com

AI

AI là viết tắt của Artificial Intelligence, dịch ra thành Trí tuệ nhân tạo. Trong lịch sử phát triển AI, các nhà nghiên cứu phân thành 4 hướng tiếp cận chính:

• Hành động như người (acting humanly)
• Suy nghĩ như người (thinking humanly)
• Suy nghĩ hợp lý (thinking rationally)
• Hành động hợp lý (acting rationally)

Những hướng tiếp cận của AI: 

·         Natural language processing: máy có khả năng đọc hiểu và giao tiếp bằng ngôn ngữ tự nhiên với người.

·         Knowledge representation: máy có khả năng lưu trữ tri thức thông qua thị giác, thính giác, hay văn bản.

·         Automated reasoning: máy có khả năng sử dụng tri thức đã lưu trữ để trả lời câu hỏi hay đưa ra kết luận hữu ích.

·         Machine learning: máy có khả năng thích nghi với các điều kiện môi trường xung quanh để rút trích ra các nguyên lý từ tri thức thu nhận được phục vụ cho việc ra quyết định.

·         Computer vision: máy có khả năng quan sát và xác định được các đối tượng xung quanh.

·         Robotics: máy có khả năng tương tác với đối tượng và di chuyển trong môi trường xung quanh.

hóng lên các hành tinh có điều kiện khắc nghiệt và ít nhận được các chỉ thị của con người, làm sao chúng có thể tự thu thập các mẫu đất đá, tồn tại trong điều kiện gió bão, tự định hướng lịch trình khai thác và sử dụng năng lượng mặt trời để duy trì hoạt động của mình.

Machine learning và Deep learning

Như vậy, ta có thể thấy ML chỉ là một thành phần trong hướng tiếp cận hành động như người, và hướng tiếp cận này lại thuộc bốn hướng tiếp cận của AI. Để đạt được mục tiêu này, các nhà khoa học đã nghiên cứu ra nhiều giải thuật và các hướng giải quyết khác nhau:

• Supervised-learning: decision tree, k-NN, naive bayes, SVM, neural network, deep learning, …
• Unsupervised-learning: k-means, hierachical clustering
• Reinforcement learning: passive/acive/generalization.

Một lần nữa ta có thể thấy Deep learning chỉ là một phương pháp nằm trong hướng giải quyết học có giám sát của ML. Tại sao DL lại gây bão nhiều như vậy. Nhà nhà, doanh nghiệp, engineer đều làm nghiên cứu Deep learning?

Strengths: Deep learning là phương pháp state-of-the-art trong lĩnh vực như computer vision và speech recognition. Deep neural networks có hiệu suất cao trên tập dữ liệu ảnh, audio, và text data, có thể dễ dàng update mô hình bằng dữ liệu mới thông qua batch propagation. Kiến trúc của mô hình này (số lượng và cấu trúc từng layer) có thể được ứng dụng qua nhiều bài toán khác nhau, trong đó các hidden layers đóng vai trò giảm chi phí feature engineering.

Weaknesses: Deep learning không phải là thuật toán general-purpose bởi vì chúng đòi hỏi một lượng dữ liệu khổng lồ để training. Thực tế, chúng bị vượt mặt bởi các thuật toán tree ensembles trong các tác vụ machine leanring cơ bản. Hơn nữa, mô hình này tốn rất nhiều tài nguyên để train và đòi hỏi nhiều chuyên gia để tuning hypermarameters (số layer, số node từng layer, learning rate, số lần lặp).