Phân biệt AI và Machine Learning theo phạm vi và chức năng

Điểm khác biệt cốt lõi vì thế nằm ở cấp độ: AI mô tả mục tiêu và phạm vi của hệ thống thông minh, còn Machine Learning mô tả một cách để đạt được một phần mục tiêu đó. Một hệ thống AI có thể sử dụng Machine Learning, nhưng AI không bắt buộc phải được xây dựng bằng Machine Learning.

AI có phạm vi rộng hơn Machine Learning

AI bao gồm nhiều cách tiếp cận nhằm tạo ra hành vi có tính thông minh. Machine Learning chỉ là một trong những cách tiếp cận đó.

Chẳng hạn, một hệ chuyên gia có thể sử dụng tập hợp các quy tắc dạng “nếu – thì” do con người xây dựng. Hệ thống vẫn có thể suy luận và đưa ra kết quả dựa trên kiến thức đã mã hóa, nhưng không nhất thiết phải huấn luyện một mô hình từ dữ liệu. Đây là ví dụ cho thấy một hệ thống có thể thuộc AI mà không sử dụng Machine Learning.

Ngược lại, Machine Learning tập trung vào việc xây dựng mô hình có khả năng rút ra quan hệ từ dữ liệu. Thay vì lập trình từng trường hợp cụ thể, nhà phát triển xác định dữ liệu, biến đầu vào, mục tiêu học và thuật toán; quá trình huấn luyện sau đó điều chỉnh các tham số của mô hình để giảm sai số hoặc tối ưu một mục tiêu xác định.

Có thể hình dung quan hệ như sau:

Vì vậy, nói “AI và Machine Learning là hai công nghệ khác nhau” chưa thật sự chính xác. Quan hệ phù hợp hơn là Machine Learning thuộc hệ sinh thái kỹ thuật của AI.

AI và Machine Learning khác nhau ở cách tạo ra hành vi thông minh

Sự khác biệt dễ thấy nhất xuất hiện ở cơ chế tạo ra kết quả.

Với cách tiếp cận dựa trên quy tắc, con người có thể trực tiếp xác định logic xử lý. Ví dụ, hệ thống nhận một tập điều kiện, kiểm tra từng điều kiện theo các quy tắc có sẵn rồi chọn hành động tương ứng. Kiến thức quyết định phần lớn đã được biểu diễn trước trong chương trình.

Machine Learning thay đổi điểm này. Nhà phát triển không cần mô tả thủ công mọi quan hệ giữa đầu vào và đầu ra. Thay vào đó, mô hình được cung cấp dữ liệu và một mục tiêu học. Thuật toán tìm các tham số làm cho mô hình thể hiện tốt nhất quan hệ cần học trong dữ liệu huấn luyện.

Ví dụ, để nhận biết thư rác, một hệ thống thuần quy tắc có thể kiểm tra các cụm từ, địa chỉ gửi hoặc đặc điểm do lập trình viên định nghĩa trước. Với Machine Learning, mô hình có thể học từ tập email đã được gắn nhãn để ước lượng xác suất một email mới thuộc nhóm thư rác.

Điều này không có nghĩa Machine Learning tự học hoàn toàn mà không cần thiết kế của con người. Chất lượng mô hình vẫn phụ thuộc vào dữ liệu, cách biểu diễn đầu vào, mục tiêu tối ưu, kiến trúc hoặc thuật toán, quy trình đánh giá và điều kiện triển khai.

Machine Learning phụ thuộc vào dữ liệu huấn luyện theo cách AI nói chung không bắt buộc

Một khác biệt quan trọng khác là vai trò của dữ liệu.

Machine Learning cần dữ liệu hoặc tín hiệu kinh nghiệm để ước lượng các tham số của mô hình. Dữ liệu có thể được gắn nhãn hoặc không gắn nhãn tùy phương pháp; trong một số trường hợp, mô hình học thông qua tín hiệu thưởng từ quá trình tương tác. Điểm chung là hành vi của mô hình được hình thành ít nhất một phần thông qua quá trình học chứ không chỉ từ các quy tắc được viết trực tiếp.

AI là khái niệm rộng hơn nên không có yêu cầu tương tự cho mọi hệ thống. Một hệ thống AI dựa trên logic hoặc luật chuyên gia có thể vận hành chủ yếu bằng tri thức được con người mã hóa. Nó vẫn cần thông tin đầu vào và cơ sở tri thức, nhưng không nhất thiết cần một tập dữ liệu huấn luyện để học tham số như mô hình Machine Learning.

Sự khác biệt này dẫn đến một trade-off thực tế. Quy tắc thủ công thường dễ truy vết trong những bài toán nhỏ và có điều kiện rõ ràng, nhưng số lượng quy tắc có thể tăng rất nhanh khi môi trường trở nên phức tạp. Machine Learning phù hợp hơn khi quan hệ giữa các biến khó mô tả thành hàng loạt quy tắc cố định nhưng có đủ dữ liệu đại diện để mô hình học được mẫu hữu ích.

Tuy nhiên, khả năng học từ dữ liệu cũng tạo ra giới hạn: mô hình có thể hoạt động kém khi dữ liệu triển khai khác đáng kể dữ liệu dùng để huấn luyện, khi dữ liệu chứa thiên lệch hoặc khi tín hiệu cần học không được thể hiện đầy đủ trong dữ liệu.

Machine Learning là một thành phần của AI, nhưng hai thuật ngữ không thể thay thế cho nhau

Cách phân loại đơn giản nhất là:

AI → Machine Learning → Deep Learning

Ở đây, Machine Learning nằm trong AI; Deep Learning lại là một nhóm phương pháp thuộc Machine Learning sử dụng mạng nơ-ron nhiều lớp để học các biểu diễn và quan hệ phức tạp từ dữ liệu.

Quan hệ này giải thích hai nhầm lẫn phổ biến.

Thứ nhất, không phải mọi AI đều là Machine Learning. Các hệ thống sử dụng tìm kiếm, lập kế hoạch, logic hình thức hoặc tập luật được mã hóa có thể thực hiện nhiệm vụ thuộc AI mà không cần một mô hình ML học từ dữ liệu.

Thứ hai, không phải bất kỳ mô hình Machine Learning nào cũng đồng nghĩa với một hệ thống AI hoàn chỉnh. Một mô hình dự báo doanh số chẳng hạn có thể chỉ là một thành phần thống kê được nhúng vào hệ thống lớn hơn. AI thường được xem xét ở cấp độ năng lực và hành vi của toàn hệ thống, còn Machine Learning mô tả cơ chế học của một mô hình hoặc thành phần.

Trong các hệ thống hiện đại, hai cách tiếp cận cũng có thể được kết hợp. Một hệ thống có thể sử dụng Machine Learning để nhận dạng hoặc dự đoán, sau đó dùng logic, quy tắc hoặc thuật toán lập kế hoạch để quyết định hành động. Vì vậy, ranh giới kỹ thuật không phải lúc nào cũng tương ứng với cách sản phẩm được gắn nhãn trên thị trường.

Chức năng của AI rộng hơn chức năng học của Machine Learning

Machine Learning chủ yếu giải quyết câu hỏi: làm thế nào để hệ thống học một quan hệ hữu ích từ dữ liệu?

Tùy bài toán, quan hệ đó có thể phục vụ việc phân loại một đối tượng, dự đoán một giá trị, xếp hạng các lựa chọn, phát hiện bất thường hoặc tạo đầu ra mới dựa trên cấu trúc đã học.

AI giải quyết một câu hỏi rộng hơn: làm thế nào để hệ thống thực hiện một nhiệm vụ đòi hỏi các năng lực thường gắn với trí tuệ?

Để hoàn thành nhiệm vụ đó, một hệ thống AI có thể cần nhiều chức năng phối hợp: tiếp nhận thông tin, biểu diễn trạng thái, suy luận, dự đoán, tìm kiếm phương án, lập kế hoạch và lựa chọn hành động. Machine Learning có thể đảm nhiệm một hoặc nhiều khâu nhưng không mặc nhiên đại diện cho toàn bộ hệ thống.

Ví dụ, một robot tự hành có thể sử dụng mô hình Machine Learning để nhận diện vật thể từ camera. Tuy nhiên, việc xác định vị trí, lập kế hoạch đường đi, kiểm tra ràng buộc an toàn và điều khiển chuyển động còn có thể dựa trên nhiều thuật toán khác. Phần nhận diện là ML; hệ thống kết hợp nhiều thành phần để thực hiện hành vi tự chủ mới là phạm vi AI rộng hơn.

Cách xác định một hệ thống thuộc AI, Machine Learning hay cả hai

Có thể phân biệt bằng hai câu hỏi.

Nếu hệ thống học mô hình hoặc tham số từ dữ liệu để cải thiện một nhiệm vụ, nó sử dụng Machine Learning.

Nếu hệ thống được thiết kế để thực hiện một nhiệm vụ có yếu tố nhận thức như suy luận, nhận dạng, dự đoán, lập kế hoạch hoặc ra quyết định, nó có thể được xem trong phạm vi AI.

Hai điều kiện có thể đồng thời đúng. Đây cũng là tình huống rất phổ biến: một hệ thống AI sử dụng một hoặc nhiều mô hình Machine Learning làm thành phần để tạo ra năng lực thông minh.

Ngược lại, nếu hành vi được xác định hoàn toàn bằng các luật cố định mà không có quá trình học từ dữ liệu, gọi thành phần đó là Machine Learning sẽ không chính xác. Hệ thống vẫn có thể thuộc AI nếu các quy tắc và thuật toán được sử dụng để thực hiện nhiệm vụ mang tính suy luận hoặc ra quyết định.

Cách phân biệt này hữu ích hơn việc dựa vào tên sản phẩm. Nhãn “AI” thường mô tả năng lực tổng thể, trong khi việc một hệ thống thực sự sử dụng Machine Learning phải được xác định từ cơ chế tạo ra mô hình và kết quả.

Điểm khác biệt quan trọng nhất giữa AI và Machine Learning nằm ở phạm vi và cơ chế. AI là khái niệm rộng hướng đến việc tạo ra các hệ thống có khả năng thực hiện những nhiệm vụ mang tính thông minh; Machine Learning là một nhóm phương pháp cho phép hệ thống học quy luật từ dữ liệu. Vì Machine Learning nằm trong AI, một hệ thống AI có thể sử dụng ML nhưng không bắt buộc, còn một mô hình ML thường chỉ là một thành phần hoặc phương pháp phục vụ cho một nhiệm vụ cụ thể. Hiểu quan hệ bao hàm này giúp tránh việc dùng hai thuật ngữ như những khái niệm đồng nghĩa.