So sánh AI và Deep Learning theo phạm vi công nghệ

Có thể hình dung theo cấu trúc:

Artificial Intelligence (AI) → Machine Learning (ML) → Deep Learning (DL)

Điểm này quyết định phần lớn khác biệt giữa AI và Deep Learning. Một hệ thống AI có thể dùng Deep Learning, nhưng cũng có thể hoạt động bằng thuật toán tìm kiếm, hệ luật, lập kế hoạch, tối ưu hóa hoặc những kỹ thuật khác. Ngược lại, một mô hình Deep Learning được sử dụng để thực hiện một chức năng thông minh thì thuộc hệ sinh thái AI.

AI có phạm vi rộng hơn Deep Learning

Artificial Intelligence là khái niệm bao trùm các hệ thống và kỹ thuật nhằm tạo ra khả năng thường gắn với trí thông minh, chẳng hạn nhận biết, suy luận, học, lập kế hoạch, đưa ra dự đoán hoặc lựa chọn hành động.

Vì AI được xác định theo khả năng mà hệ thống cần thực hiện, nó không bị giới hạn vào một phương pháp duy nhất. Một bài toán AI có thể được giải quyết bằng:

·         Hệ thống dựa trên luật

·         Thuật toán tìm kiếm

·         Lập kế hoạch tự động

·         Tối ưu hóa

·         Machine Learning

·         Mạng nơ-ron

·         Deep Learning

Deep Learning có phạm vi hẹp hơn. Đây là một phương pháp thuộc Machine Learning, tập trung vào việc sử dụng mạng nơ-ron nhân tạo nhiều lớp để học các biểu diễn ngày càng trừu tượng từ dữ liệu.

Do đó, câu “AI hay Deep Learning” dễ tạo cảm giác rằng hai khái niệm cạnh tranh trực tiếp. Về cấu trúc công nghệ, cách hiểu phù hợp hơn là AI có thể sử dụng Deep Learning như một trong nhiều phương pháp để tạo ra năng lực thông minh.

Ví dụ, một hệ thống chơi cờ dựa vào thuật toán tìm kiếm và luật đánh giá trạng thái vẫn thuộc AI dù không sử dụng Deep Learning. Trong khi đó, hệ thống nhận dạng hình ảnh dựa trên mạng nơ-ron sâu vừa sử dụng Deep Learning, vừa thuộc phạm vi AI rộng hơn.

Deep Learning nằm trong Machine Learning, không bao phủ toàn bộ AI

Machine Learning thu hẹp phạm vi của AI vào các phương pháp cho phép hệ thống học quy luật từ dữ liệu thay vì phải mô tả toàn bộ hành vi bằng các quy tắc được lập trình trước.

Trong Machine Learning vẫn tồn tại nhiều nhóm phương pháp không phải Deep Learning, chẳng hạn cây quyết định, hồi quy, support vector machine hoặc các mô hình ensemble. Deep Learning chỉ là một nhóm trong không gian đó.

Sự khác biệt quan trọng nằm ở cách mô hình hình thành biểu diễn từ dữ liệu.

Với nhiều phương pháp Machine Learning truyền thống, con người thường phải xác định trước các đặc trưng có ích cho bài toán. Mô hình sau đó học quan hệ giữa những đặc trưng đó và kết quả cần dự đoán.

Deep Learning có thể học đồng thời nhiều tầng biểu diễn. Trong xử lý hình ảnh, chẳng hạn, các tầng đầu có thể phản ứng với những cấu trúc đơn giản, trong khi các tầng sâu hơn kết hợp chúng thành biểu diễn phức tạp hơn phục vụ nhiệm vụ nhận dạng.

Chữ “deep” vì vậy nói đến độ sâu của kiến trúc mạng nơ-ron, không có nghĩa hệ thống sở hữu mức độ thông minh tổng quát cao hơn.

Đây cũng là một hiểu nhầm phổ biến: một mô hình Deep Learning rất mạnh trong nhận dạng ảnh không mặc nhiên “thông minh hơn” mọi hệ thống AI khác. Năng lực của nó còn phụ thuộc vào nhiệm vụ, dữ liệu, kiến trúc, quá trình huấn luyện và điều kiện triển khai.

AI và Deep Learning khác nhau ở cách tạo năng lực cho hệ thống

Khác biệt về phạm vi dẫn đến khác biệt về cơ chế.

AI đặt câu hỏi ở cấp hệ thống: làm thế nào để máy thực hiện được một nhiệm vụ cần khả năng nhận biết, suy luận, học hoặc ra quyết định?

Deep Learning giải quyết một phần câu hỏi đó bằng một cơ chế cụ thể: học các tham số của mạng nơ-ron nhiều lớp từ dữ liệu.

Trong quá trình huấn luyện, dữ liệu được đưa qua các lớp của mạng. Mô hình tạo ra đầu ra, so sánh đầu ra đó với mục tiêu thông qua hàm mất mát rồi điều chỉnh các trọng số nhằm giảm sai số. Quá trình được lặp lại để mô hình học được quan hệ hữu ích giữa dữ liệu đầu vào và nhiệm vụ cần thực hiện.

Cơ chế này đặc biệt có giá trị với dữ liệu có cấu trúc phức tạp như hình ảnh, âm thanh và ngôn ngữ, nơi việc thiết kế thủ công toàn bộ đặc trưng cần thiết có thể rất khó.

AI rộng hơn nhiều. Một hệ thống AI không nhất thiết phải trải qua quá trình huấn luyện như vậy. Chẳng hạn, một hệ chuyên gia có thể suy luận bằng tập luật được định nghĩa trước. Một thuật toán tìm đường có thể tìm kiếm trong không gian trạng thái để lựa chọn đường đi mà không cần học mạng nơ-ron.

Vì vậy:

Điều quan trọng nhất trong bảng không phải danh sách đặc điểm, mà là cấp độ khái niệm: AI mô tả một không gian công nghệ rộng, còn Deep Learning mô tả một họ phương pháp cụ thể bên trong không gian đó.

Deep Learning thường phụ thuộc vào dữ liệu và tài nguyên tính toán nhiều hơn

Deep Learning có khả năng học biểu diễn phức tạp vì mạng chứa nhiều lớp và có thể có lượng tham số rất lớn. Chính đặc điểm này cũng tạo ra yêu cầu đáng kể về dữ liệu, phép tính và quá trình tối ưu.

Khi mô hình lớn lên, việc huấn luyện có thể cần GPU, TPU hoặc các hệ thống tính toán song song để xử lý lượng phép toán cần thiết. Dữ liệu huấn luyện cũng ảnh hưởng trực tiếp đến những quy luật mô hình có khả năng học được.

Điều này không có nghĩa mọi hệ thống Deep Learning luôn cần dữ liệu khổng lồ, cũng không có nghĩa mọi phương pháp AI khác đều nhẹ hơn. Transfer learning, fine-tuning và các mô hình đã được huấn luyện trước có thể làm giảm đáng kể lượng dữ liệu hoặc tài nguyên cần cho một ứng dụng cụ thể.

Khác biệt cần giữ ở mức bản chất: Deep Learning gắn chặt với việc học tham số từ dữ liệu, trong khi AI không bắt buộc phải vận hành theo cơ chế đó.

Chính vì vậy, Deep Learning không tự động là lựa chọn phù hợp nhất cho mọi bài toán AI. Nếu bài toán có quy tắc rõ, dữ liệu hạn chế hoặc cần logic dễ kiểm tra, một phương pháp khác có thể phù hợp hơn. Khi dữ liệu phức tạp và khó biểu diễn bằng đặc trưng thủ công, Deep Learning thường trở nên đáng cân nhắc hơn.

Không phải mọi ứng dụng AI đều cần Deep Learning

Việc Deep Learning hiện diện trong nhiều hệ thống nhận dạng hình ảnh, xử lý ngôn ngữ và giọng nói dễ dẫn đến suy luận rằng muốn xây dựng AI thì phải sử dụng Deep Learning. Đây là kết luận quá rộng.

Phương pháp phù hợp phụ thuộc vào cấu trúc của vấn đề.

Nếu nhiệm vụ có thể mô tả bằng những quy tắc ổn định, một hệ thống rule-based có thể giải quyết trực tiếp hơn. Nếu dữ liệu dạng bảng có quy mô vừa phải và quan hệ giữa các biến không quá phức tạp, những thuật toán Machine Learning khác có thể đáp ứng tốt mà không cần mạng sâu.

Deep Learning tạo lợi thế rõ hơn khi bài toán đòi hỏi mô hình học các biểu diễn phức tạp từ dữ liệu thô hoặc bán cấu trúc. Hình ảnh, tín hiệu âm thanh và văn bản là những ví dụ điển hình vì thông tin hữu ích trong chúng khó được mô tả đầy đủ bằng một tập đặc trưng thủ công cố định.

Do đó, câu hỏi thực tế không phải “AI hay Deep Learning tốt hơn?”, mà là nhiệm vụ AI hiện tại có cần cơ chế học của Deep Learning hay không.

Nếu có, Deep Learning trở thành một thành phần của giải pháp AI. Nếu không, hệ thống vẫn có thể là AI nhưng sử dụng một kỹ thuật khác phù hợp hơn.

Cách phân biệt AI và Deep Learning trong một hệ thống thực tế

Khi gặp một sản phẩm hoặc hệ thống được giới thiệu là “AI”, có thể xác định vị trí của Deep Learning bằng cách xem hệ thống đang sử dụng phương pháp nào để tạo đầu ra.

Nếu hệ thống dùng mạng nơ-ron sâu được huấn luyện từ dữ liệu để nhận dạng, dự đoán hoặc tạo nội dung, Deep Learning là một phần của hệ thống AI đó.

Nếu hệ thống tạo hành vi thông minh bằng luật, tìm kiếm, tối ưu hóa hoặc một phương pháp Machine Learning không dựa trên mạng nơ-ron sâu, hệ thống vẫn có thể thuộc AI nhưng không phải Deep Learning.

Một hệ thống thực tế cũng có thể kết hợp nhiều phương pháp. Chẳng hạn, Deep Learning có thể xử lý dữ liệu đầu vào, trong khi các thành phần khác thực hiện truy xuất thông tin, áp dụng quy tắc, tối ưu quyết định hoặc kiểm soát đầu ra. Khi đó, không nên đồng nhất toàn bộ hệ thống với riêng mô hình Deep Learning.

Cách phân biệt có thể rút gọn thành ba câu hỏi:

1.    AI đang mô tả toàn bộ năng lực của hệ thống hay một thuật toán cụ thể?

2.    Hệ thống có học từ dữ liệu bằng mạng nơ-ron nhiều lớp hay không?

3.    Nếu bỏ thành phần Deep Learning, hệ thống còn sử dụng các kỹ thuật AI khác hay không?

Nếu câu trả lời cho câu thứ hai là có, hệ thống có thành phần Deep Learning. Nhưng điều đó không thay đổi quan hệ cấp trên – cấp dưới: Deep Learning vẫn chỉ là một phần trong phạm vi rộng hơn của AI.

AI và Deep Learning khác nhau trước hết ở phạm vi công nghệ. AI là lĩnh vực bao quát các phương pháp giúp máy thực hiện những nhiệm vụ gắn với nhận biết, học, suy luận hoặc ra quyết định. Deep Learning là một phương pháp chuyên biệt nằm trong Machine Learning và sử dụng mạng nơ-ron nhiều lớp để học từ dữ liệu.

Vì thế, mọi ứng dụng Deep Learning phục vụ một chức năng thông minh có thể nằm trong hệ thống AI, nhưng không phải mọi AI đều sử dụng Deep Learning. Hiểu đúng quan hệ AI → Machine Learning → Deep Learning giúp tránh việc xem hai thuật ngữ này như hai công nghệ ngang hàng và giúp xác định chính xác vai trò của Deep Learning trong từng hệ thống.