Artificial Intelligence (AI) là lĩnh vực rộng về xây dựng các hệ thống máy tính có thể thực hiện những tác vụ gắn với năng lực của con người. Machine Learning (ML) là một phương pháp trong AI, cho phép hệ thống học các mẫu từ dữ liệu. Hai thuật ngữ này có liên quan nhưng không đồng nghĩa.
Một hệ thống AI có thể hoạt động theo quy tắc do con người viết, học từ ví dụ hoặc kết hợp cả hai. Xác định phương pháp được sử dụng giúp bạn hiểu công cụ cần dữ liệu gì, có thể làm gì và khi nào cần kiểm tra kết quả.
Tóm tắt cốt lõi (Key Takeaways)
- Khái niệm: Artificial Intelligence là lĩnh vực rộng hơn; Machine Learning là một phương pháp trong AI.
- Cách hoạt động: Hệ thống dựa trên quy tắc tuân theo chỉ dẫn rõ ràng, còn hệ thống Machine Learning dùng các ví dụ để nhận diện mẫu và tạo đầu ra.
- Ý nghĩa thực tế: Khi đánh giá một công cụ AI, hãy xác định hệ thống đang tuân theo quy tắc, học từ dữ liệu hay kết hợp cả hai. Đồng thời, cần xem các quy tắc hoặc dữ liệu đó có phù hợp với tác vụ hay không.
Câu trả lời ngắn: AI là lĩnh vực rộng hơn, còn Machine Learning là một phần trong đó
AI mô tả lĩnh vực và mục tiêu rộng hơn: xây dựng các hệ thống có thể thực hiện những tác vụ thường gắn với năng lực của con người. Machine Learning mô tả một cách xây dựng một số hệ thống như vậy, trong đó hệ thống dùng các ví dụ dữ liệu để nhận diện mẫu thay vì cần một quy tắc riêng cho mọi tình huống.
Có thể hình dung mối quan hệ này giống như “phương tiện” và “ô tô”. Ô tô là một loại phương tiện, nhưng không phải phương tiện nào cũng là ô tô. Tương tự, Machine Learning là một phần của AI, nhưng không phải hệ thống AI nào cũng dùng Machine Learning. AWS và Databricks cũng mô tả mối quan hệ này theo cách tương tự.
Ví dụ, một công cụ hộp thư có thể chuyển mọi thư chứa một cụm từ nhất định vào một thư mục bằng quy tắc cố định. Một công cụ khác có thể học từ các thư trước đây được người dùng đánh dấu là quảng cáo để phân loại thư mới. Cách thứ hai có thể sử dụng Machine Learning.
Artificial Intelligence nghĩa là gì?
Artificial Intelligence là lĩnh vực xây dựng các hệ thống máy tính có thể thực hiện những tác vụ thường gắn với năng lực của con người, chẳng hạn nhận diện mẫu, sử dụng ngôn ngữ, đưa ra quyết định hoặc phản hồi trước các đầu vào thay đổi. Đây là tên gọi của một lĩnh vực, không phải một công nghệ cụ thể.
AI có thể sử dụng quy tắc rõ ràng, quy trình tìm kiếm, mô hình nhận diện mẫu, phương pháp thị giác máy tính và Machine Learning. Chỉ từ tác vụ của hệ thống, không phải lúc nào cũng có thể nhận ra phương pháp đứng sau. Một công cụ phân luồng yêu cầu dịch vụ khách hàng có thể dùng danh mục cố định, mẫu đã học hoặc cả hai.
“Intelligence” trong AI không có nghĩa hệ thống suy nghĩ hoặc hiểu thế giới giống con người. Thuật ngữ này nói đến khả năng thực hiện một tác vụ vốn thường cần đến một năng lực nào đó của con người, thường trong một bối cảnh được xác định rõ.
Machine Learning nghĩa là gì?
Machine Learning là phương pháp AI sử dụng các ví dụ để nhận diện mẫu và tạo đầu ra cho những trường hợp mới. Nhà phát triển không cần viết chỉ dẫn riêng cho mọi đầu vào có thể xảy ra, nhưng con người vẫn lựa chọn tác vụ, chuẩn bị dữ liệu, thiết lập quá trình huấn luyện và đánh giá kết quả.
Các ví dụ dùng để định hình hệ thống trong quá trình huấn luyện được gọi là training data (dữ liệu huấn luyện). Chẳng hạn, doanh nghiệp có thể cung cấp các giao dịch trong quá khứ đã được gắn nhãn là hợp lệ hoặc có khả năng gian lận. Mô hình Machine Learning dùng những ví dụ này để nhận diện các mẫu gắn với từng nhãn và đánh dấu giao dịch mới để kiểm tra.
Kết quả không phải là phán đoán chắc chắn. Một giao dịch bị đánh dấu vẫn có thể hợp lệ, còn giao dịch bất thường có thể không bị đánh dấu. Vì Machine Learning tạo đầu ra dựa trên các mẫu trong dữ liệu hiện có, chất lượng và mức độ phù hợp của dữ liệu ảnh hưởng đến mức độ hữu ích của kết quả.
AWS giải thích rằng Machine Learning sử dụng thuật toán và mô hình thống kê để xử lý dữ liệu, nhận diện mẫu mà không cần chỉ dẫn rõ ràng cho từng tình huống. Điều đó không có nghĩa hệ thống hoạt động mà không cần quyết định của con người. Con người vẫn xác định vấn đề, lựa chọn hoặc chuẩn bị dữ liệu và quyết định cách sử dụng đầu ra.
AI và Machine Learning: Những khác biệt chính
AI mô tả một lĩnh vực rộng, còn Machine Learning mô tả một phương pháp dựa trên dữ liệu trong lĩnh vực đó.
| Tiêu chí so sánh | Artificial Intelligence | Machine Learning |
|---|---|---|
| Phạm vi | Một lĩnh vực rộng bao gồm nhiều phương pháp | Một phương pháp trong AI |
| Ý tưởng chính | Xây dựng các hệ thống có thể thực hiện những tác vụ gắn với năng lực của con người | Sử dụng ví dụ và các mẫu trong dữ liệu để tạo đầu ra |
| Vai trò của quy tắc | Có thể dùng quy tắc rõ ràng, mẫu đã học hoặc cả hai | Thường dựa vào các mẫu học được từ dữ liệu, cùng với những bước do con người thiết kế |
| Vai trò của dữ liệu | Phụ thuộc vào phương pháp; một số hệ thống có thể chủ yếu hoạt động từ các quy tắc được viết sẵn | Dữ liệu huấn luyện được dùng để định hình cách mô hình hoạt động |
| Cách sử dụng điển hình | Nhiều loại tác vụ như hỗ trợ ngôn ngữ, phân luồng, tìm kiếm hoặc hỗ trợ ra quyết định | Các tác vụ dựa trên mẫu như phát hiện gian lận, dự báo nhu cầu hoặc bảo trì dự đoán |
| Mối quan hệ | Phạm trù rộng hơn | Một tập con hoặc phương pháp trong AI |
Đây là các phạm trù khái niệm, không nhất thiết là những sản phẩm tách biệt. Một ứng dụng nơi làm việc có thể chứa thành phần Machine Learning cùng với quy tắc, cơ sở dữ liệu, quyền người dùng và quy trình kiểm tra của con người. Gọi toàn bộ ứng dụng là “AI” mô tả năng lực ở phạm vi rộng hơn; xác định thành phần Machine Learning cho biết phương pháp được dùng bên trong ứng dụng.
AI dựa trên quy tắc và Machine Learning
Có. Một hệ thống AI có thể hoạt động mà không học từ dữ liệu. Hệ thống dựa trên quy tắc tuân theo các điều kiện do con người viết; khi điều kiện được đáp ứng, hệ thống thực hiện hành động tương ứng. Hệ thống dựa trên việc học sử dụng ví dụ để suy ra các mẫu khó mô tả bằng từng quy tắc riêng lẻ.
Với email, một quy tắc cố định có thể là: “Nếu người gửi là địa chỉ này, hãy chuyển thư vào thư mục Tài chính.” Logic này rõ ràng và dễ dự đoán. Một bộ phân loại Machine Learning có thể học từ các thư trước đây được phân loại là hóa đơn, bản tin hoặc thư cá nhân để ước tính danh mục cho email mới.
Hệ thống dựa trên quy tắc phù hợp với vấn đề có tiêu chí rõ ràng và ổn định, đồng thời dễ truy vết vì điều kiện có thể được đọc trực tiếp. Machine Learning hữu ích khi tác vụ liên quan đến nhiều ví dụ và các mẫu khó diễn đạt thủ công, nhưng đòi hỏi sự cẩn trọng trong chuẩn bị dữ liệu và kiểm tra hiệu quả.
Không phương pháp nào mặc nhiên tốt hơn. Một hệ thống có thể dùng Machine Learning để đề xuất danh mục email, đồng thời dùng quy tắc ngăn thư chứa thuật ngữ nhạy cảm của dự án rời khỏi thư mục công ty.
Ví dụ về AI và Machine Learning trong công việc hằng ngày
Các ví dụ dưới đây cho thấy “AI” thường mô tả ứng dụng hoặc năng lực, còn “Machine Learning” mô tả một phương pháp có thể được dùng bên trong ứng dụng đó.
1. Bắt đầu từ một tác vụ kinh doanh: Một công ty muốn nhận diện các giao dịch đáng ngờ. Đây là ứng dụng hỗ trợ ra quyết định liên quan đến AI, vì hệ thống thực hiện một tác vụ có thể cần phán đoán của con người.
2. Dùng dữ liệu để tìm mẫu: Một mô hình Machine Learning có thể xem xét dữ liệu giao dịch trong quá khứ và nhận diện các mẫu gắn với những trường hợp gian lận đã được kiểm tra trước đó.
3. Tạo đầu ra để kiểm tra: Hệ thống có thể đánh dấu các giao dịch cần chú ý. Sau đó, một người hoặc quy trình riêng có thể điều tra trường hợp đó.
Các ví dụ khác cũng cho thấy sự phân biệt này:
- Dự báo nhu cầu bán lẻ: Machine Learning có thể sử dụng doanh số trong quá khứ và dữ liệu kinh doanh liên quan để ước tính nhu cầu tương lai. Ứng dụng AI ở phạm vi rộng hơn hỗ trợ việc lập kế hoạch, còn mô hình đã học cung cấp một phần dự báo.
- Bảo trì dự đoán: Một hệ thống có thể phân tích chỉ số thiết bị và lịch sử bảo trì để nhận diện các mẫu gắn với khả năng xảy ra sự cố. Đầu ra có thể là cảnh báo hoặc đề xuất kiểm tra.
- Phát hiện gian lận bảo hiểm: Một mô hình có thể nhận diện những tổ hợp thông tin bất thường trong các hồ sơ yêu cầu bồi thường trước đây. Kết quả là tín hiệu để điều tra thêm, không phải bằng chứng rằng một yêu cầu bồi thường là gian lận.
- Lập kế hoạch chuỗi cung ứng: Các ứng dụng AI có thể hỗ trợ lập kế hoạch và tối ưu hóa. Một số thành phần có thể dùng Machine Learning, trong khi thành phần khác dựa vào ràng buộc, quy tắc hoặc phương pháp tìm kiếm.
AWS liệt kê bảo trì dự đoán, định giá du lịch linh hoạt, phát hiện gian lận bảo hiểm và dự báo nhu cầu bán lẻ là những ứng dụng của Machine Learning. AWS cũng mô tả các ứng dụng AI ở phạm vi rộng hơn trong chuỗi cung ứng, nông nghiệp và đề xuất được cá nhân hóa. Tuy nhiên, nhóm ứng dụng không tự chứng minh rằng một sản phẩm cụ thể đang dùng Machine Learning.
Khi nào nên dùng quy tắc hoặc Machine Learning?
Lựa chọn phụ thuộc vào cấu trúc tác vụ, dữ liệu hiện có và hậu quả của một kết quả sai. Năm câu hỏi sau giúp định hình quyết định:
1. Tiêu chí có rõ ràng và ổn định không? Nếu yêu cầu có thể được diễn đạt chính xác, chẳng hạn áp dụng một ngưỡng phê duyệt cố định, quy tắc có thể dễ tạo, giải thích và duy trì hơn.
2. Có ví dụ hữu ích không? Machine Learning cần các ví dụ phù hợp hoặc dữ liệu khác để học mẫu. Nếu thiếu dữ liệu thích hợp, đây có thể không phải điểm bắt đầu phù hợp.
3. Mẫu có khó viết thành quy tắc không? Nếu con người nhận ra mẫu qua nhiều trường hợp trong quá khứ nhưng khó mô tả mọi điều kiện, có thể cân nhắc cách tiếp cận dựa trên việc học.
4. Chi phí của sai sót là gì? Hệ thống ưu tiên yêu cầu của khách hàng có thể cần quy trình kiểm tra khác với hệ thống tác động đến một quyết định có ảnh hưởng lớn. Kiểm tra bởi con người có thể phù hợp khi sai sót dẫn đến hậu quả đáng kể.
5. Có nên dùng thiết kế kết hợp không? Quy tắc có thể xử lý ràng buộc rõ ràng, còn Machine Learning nhận diện mẫu trong phạm vi được phép. Nhiều hệ thống thực tế dùng cả hai.
Ví dụ, một quy trình xử lý chi phí có thể dùng quy tắc cho giới hạn chi tiêu được nêu rõ. Một thành phần Machine Learning riêng có thể nhận diện những tổ hợp bất thường về nhà cung cấp, thời điểm hoặc số tiền dựa trên hồ sơ trong quá khứ. Đây là minh họa cho cách hai phương pháp bổ trợ cho nhau, không phải khuyến nghị cho một hệ thống tài chính cụ thể.
Machine Learning phụ thuộc vào điều gì – và không bảo đảm điều gì?
Machine Learning phụ thuộc vào các ví dụ phù hợp với tác vụ; chất lượng và mức độ đa dạng của dữ liệu có thể ảnh hưởng đến độ chính xác của mô hình. Dữ liệu thiếu, không nhất quán, lỗi thời hoặc không đại diện có thể dẫn đến kết quả kém hữu ích.
Một hệ thống dự báo chủ yếu được huấn luyện bằng hồ sơ từ giai đoạn doanh nghiệp có nhu cầu cao bất thường có thể học các mẫu không còn phản ánh điều kiện hiện tại. Hệ thống vẫn có thể tạo dự báo trông có vẻ chắc chắn, nhưng đầu ra cần được kiểm tra dựa trên thông tin hiện tại và hiểu biết về hoạt động kinh doanh.
Học từ dữ liệu không bảo đảm rằng hệ thống đã tìm ra lời giải thích đáng tin cậy hoặc tạo ra đầu ra chính xác. Điều đó chỉ cho thấy hệ thống đã điều chỉnh cách hoạt động dựa trên các mẫu trong ví dụ huấn luyện. Con người vẫn cần xác định cách kiểm thử, diễn giải và sử dụng kết quả.
Những hiểu lầm thường gặp về AI và Machine Learning
Các hiểu lầm chủ yếu xuất phát từ việc dùng AI và Machine Learning như những từ đồng nghĩa:
- “AI và Machine Learning là một.” Machine Learning là một phương pháp trong lĩnh vực AI rộng hơn.
- “Mọi hệ thống AI đều học từ dữ liệu.” Một số hệ thống AI sử dụng quy tắc rõ ràng hoặc phương pháp khác mà không dùng Machine Learning. Quy tắc cố định để phân luồng email là một ví dụ đơn giản.
- “Machine Learning rộng hơn AI.” Mối quan hệ đi theo hướng ngược lại: Machine Learning thường được xem là một tập con hoặc phương pháp trong AI.
- “Đầu ra của Machine Learning tự động đáng tin cậy.” Đầu ra phụ thuộc một phần vào tác vụ, dữ liệu, quy trình đánh giá và điều kiện vận hành. Mẫu đã học không đồng nghĩa với kết luận đã được kiểm chứng.
- “Một sản phẩm AI chỉ dùng một phương pháp.” Ứng dụng thực tế có thể kết hợp Machine Learning với quy tắc, cơ sở dữ liệu, tìm kiếm, kiểm soát quyền truy cập và quy trình kiểm tra của con người.
Cách giải thích ngắn gọn sự khác biệt
Artificial Intelligence là lĩnh vực rộng về xây dựng các hệ thống có thể thực hiện những tác vụ gắn với năng lực của con người. Machine Learning là một phương pháp trong AI, sử dụng ví dụ và dữ liệu để học mẫu cho những trường hợp mới.
Khi gặp một công cụ AI, hãy hỏi: Hệ thống đang tuân theo các quy tắc rõ ràng, học mẫu từ dữ liệu hay kết hợp cả hai? Quy tắc hộp thư chuyển thư chứa một cụm từ nhất định là hệ thống dựa trên quy tắc. Bộ phân loại học từ các thư đã được phân loại trước đó có thể sử dụng Machine Learning. Câu hỏi này giúp phân biệt hai khái niệm chính xác hơn thay vì xem chúng là từ đồng nghĩa.
Để tìm hiểu rộng hơn, hãy xem Artificial Intelligence nghĩa là gì và AI hoạt động như thế nào.