Trí tuệ nhân tạo (AI), Học máy (Machine Learning), Học sâu (Deep Learning) và những điểm khác nhau?

Bài viết này sẽ giới thiệu về Trí tuệ nhân tạo (AI), Học máy (Machine Learning) và Học sâu (Deep Learning), điểm khác biệt giữa các khái niệm này. Thêm vào đó, câu trả lời cho việc làm thế nào AI và IoT được kết nối chặt chẽ với nhau hơn.

0

Tất cả chúng ta đều quen thuộc với thuật ngữ Trí tuệ nhân tạo hay Artificial Intelligence (AI). Sau tất cả, nó là một trọng tâm phổ biến trong các bộ phim như Kẻ hủy diệt, Ma trận và Ex Machina. Nhưng gần đây bạn có thể đã nghe về các thuật ngữ khác như Học máy (Machine Learning)Học sâu (Deep Learning), đôi khi được sử dụng thay thế cho trí tuệ nhân tạo. Do đó, sự khác biệt giữa trí tuệ nhân tạo, học máy và học sâu có thể rất không rõ ràng.

Tôi sẽ bắt đầu bằng cách giải thích nhanh về Trí tuệ nhân tạo (AI), Machine Learning (ML) và Deep Learning (DL) thực sự có ý nghĩa như thế nào và chúng khác nhau như thế nào. Sau đó, tôi sẽ chia sẻ cách AI và Internet vạn vật gắn bó chặt chẽ với nhau, với một số tiến bộ công nghệ cùng lúc hội tụ để tạo nền tảng cho sự bùng nổ của AI và IoT.

Vậy điểm khác nhau giữa Trí tuệ nhân tạo (AI), Học máy (Machine Learning) và Học sâu (Deep Learning) là gì?

Lần đầu tiên được đặt ra vào năm 1956 bởi John McCarthy, AI liên quan đến các cỗ máy có thể thực hiện các nhiệm vụ đặc trưng cho trí thông minh của con người. Mặc dù điều này khá chung chung, nó bao gồm những thứ như lập kế hoạch, hiểu ngôn ngữ, nhận dạng đối tượng và âm thanh, học tập và giải quyết vấn đề.

Chúng ta có thể đặt AI thành hai loại, rộng và hẹp. AI nói chung sẽ có tất cả các đặc điểm của trí tuệ con người, bao gồm các năng lực được đề cập ở trên. AI hẹp thể hiện một số khía cạnh của trí tuệ con người, và có thể làm được khía cạnh đó cực kỳ tốt, nhưng lại thiếu ở các lĩnh vực khác. Một cỗ máy mà giỏi trong việc nhận dạng hình ảnh, nhưng không có gì khác, sẽ là một ví dụ về AI hẹp.

Về cốt lõi, học máy hay machine learning đơn giản là một cách để đạt được AI.

Arthur Samuel đã đưa ra cụm từ này không lâu sau AI, vào năm 1959, định nghĩa nó là “khả năng học mà không cần lập trình rõ ràng”. Bạn thấy đấy, bạn có thể có được AI mà không cần sử dụng học máy, nhưng điều này đòi hỏi phải xây dựng hàng triệu dòng mã với các quy tắc phức tạp và case quyết định.

Vì vậy, thay vì các chương trình phần mềm mã hóa cứng với các hướng dẫn cụ thể để hoàn thành một nhiệm vụ cụ thể, học máy là một cách để đào tạo một thuật toán để nó có thể “học”. Đào tạo trực tuyến liên quan đến việc cung cấp một lượng lớn dữ liệu cho thuật toán và cho phép thuật toán tự điều chỉnh và cải thiện.

Để đưa ra một ví dụ, học máy đã được sử dụng để cải thiện mạnh mẽ thị giác máy tính (khả năng máy có thể nhận ra một đối tượng trong ảnh hoặc video). Bạn thu thập hàng trăm ngàn hoặc thậm chí hàng triệu bức ảnh và sau đó có con người gắn thẻ chúng. Ví dụ, con người có thể gắn thẻ những bức ảnh có một con mèo trong đó so với những bức ảnh không có. Sau đó, thuật toán cố gắng xây dựng một mô hình có thể gắn thẻ chính xác một bức ảnh có chứa một con mèo hay không giống như con người. Khi mức độ chính xác đủ cao, giờ đây máy đã học được một con mèo trông như thế nào.

Học sâu hay deep learning là một trong nhiều cách tiếp cận học máy. Các phương pháp khác bao gồm học case quyết định, lập trình logic quy nạp, phân cụm, học tăng cường và mạng Bayes, trong số các phương pháp khác.

Học sâu được lấy cảm hứng từ cấu trúc và chức năng của não, cụ thể là sự kết nối của nhiều nơ-ron. Mạng nơ ron nhân tạo (ANN) là các thuật toán mô phỏng cấu trúc sinh học của não.

Trong ANNs, có các nơ-ron khác, có các lớp và các kết nối riêng biệt với các nơ-ron khác. Mỗi lớp chọn ra một tính năng cụ thể để tìm hiểu, chẳng hạn như các đường cong / cạnh trong nhận dạng hình ảnh. Nó xếp lớp này cho phép học sâu như tên gọi của nó, độ sâu được tạo bằng cách sử dụng nhiều lớp chứ không phải là một lớp.

AI và IoT gắn bó chặt chẽ với nhau

Tôi nghĩ về mối quan hệ giữa AI và IoT giống như mối quan hệ giữa bộ não và cơ thể con người.

Cơ thể chúng ta thu thập đầu vào cảm giác như thị giác, âm thanh và cảm ứng. Bộ não của chúng ta lấy dữ liệu đó và hiểu ý nghĩa của nó, biến ánh sáng thành những vật thể dễ nhận biết và biến âm thanh thành lời nói dễ hiểu. Bộ não của chúng ta sau đó đưa ra quyết định, gửi tín hiệu trở lại cơ thể để ra lệnh cho các chuyển động như nhặt một vật hoặc nói.

Tất cả các cảm biến được kết nối tạo nên Internet vạn vật giống như cơ thể của chúng ta, chúng cung cấp dữ liệu thô về những gì mà diễn ra trên thế giới. Trí tuệ nhân tạo giống như bộ não của chúng ta, có ý nghĩa về dữ liệu đó và quyết định những hành động cần thực hiện. Và các thiết bị được kết nối của IoT một lần nữa giống như cơ thể của chúng ta, thực hiện các hành động vật lý hoặc liên lạc với người khác.

Giải phóng tiềm năng của AI và IoT cùng nhau

Giá trị và những lời hứa của cả AI và IoT đang được hiện thực hóa vì cái khác.

Học máy và học sâu đã dẫn đến những bước nhảy vọt cho AI trong những năm gần đây. Như đã đề cập ở trên, học máy và học sâu đòi hỏi lượng dữ liệu khổng lồ để hoạt động và dữ liệu này đang được thu thập bởi hàng tỷ cảm biến đang tiếp tục xuất hiện trên Internet of Things. IoT làm cho AI tốt hơn.

Cải thiện AI cũng sẽ thúc đẩy việc áp dụng Internet of Things, tạo ra một chu kỳ vòng tròn trong đó cả hai lĩnh vực sẽ tăng tốc mạnh mẽ cùng nhau. Điều đó vì AI làm cho IoT trở nên hữu ích.

Về mặt công nghiệp, AI có thể được áp dụng để dự đoán khi nào máy móc sẽ cần bảo trì hoặc phân tích các quy trình sản xuất để đạt được hiệu quả lớn, tiết kiệm hàng triệu đô la.

Về phía người tiêu dùng, thay vì phải thích nghi với công nghệ, công nghệ có thể thích ứng với chúng ta. Thay vì nhấp, gõ và tìm kiếm, chúng ta chỉ cần hỏi một máy cho những gì chúng ta cần. Chúng tôi có thể yêu cầu thông tin như thời tiết hoặc hành động như chuẩn bị nhà đi ngủ (tắt máy điều nhiệt, khóa cửa, tắt đèn, v.v.).

Hội tụ những tiến bộ công nghệ đã biến điều này thành có thể

Thu nhỏ chip máy tính và cải tiến kỹ thuật sản xuất có nghĩa là các cảm biến sẽ mạnh mẽ hơn, rẻ hơn.

Cải thiện nhanh chóng công nghệ pin có nghĩa là những cảm biến đó có thể tồn tại trong nhiều năm mà không cần phải kết nối với nguồn điện.

Kết nối không dây, được thúc đẩy bởi sự ra đời của điện thoại thông minh, có nghĩa là dữ liệu có thể được gửi với khối lượng lớn với mức giá rẻ, cho phép tất cả các cảm biến đó gửi dữ liệu lên đám mây.

Và sự ra đời của đám mây đã cho phép lưu trữ dữ liệu đó gần như không giới hạn và khả năng tính toán gần như vô hạn để xử lý nó.

Tất nhiên, có một hoặc hai mối quan tâm về tác động của AI đối với xã hội và tương lai của chúng ta. Nhưng khi những tiến bộ và việc áp dụng cả AI và IoT tiếp tục tăng tốc, có một điều chắc chắn; tác động sẽ là rất sâu sắc.

BÌNH LUẬN

Vui lòng nhập bình luận của bạn
Vui lòng nhập tên của bạn ở đây