Machine Learning, Deep Learning và AI khác nhau thế nào?

Một trò chơi có thể dùng luật viết tay để chọn nước đi. Bộ lọc thư rác có thể học từ email đã gán nhãn. Hệ thống nhận dạng ảnh có thể học nhiều tầng biểu diễn bằng neural network. Cả ba có thể thuộc AI, nhưng chỉ hai ví dụ sau dùng học từ dữ liệu.

Hãy hình dung các hộp lồng nhau: Deep Learning nằm trong Machine Learning, và Machine Learning nằm trong AI. Đây là cách phân loại thực hành, không phải phép đo mức “thông minh” của một sản phẩm.

Machine Learning ước lượng quy tắc hoặc tham số từ dữ liệu theo một tiêu chí. Linear regression, decision tree và nhiều phương pháp khác không đòi hỏi mạng sâu. Deep Learning dùng nhiều tầng biến đổi học được để tạo biểu diễn; số tầng hữu ích phụ thuộc kiến trúc và bài toán.

Một ứng dụng thường kết hợp các hướng: luật xác thực đầu vào, mô hình phân loại, và thuật toán tìm kiếm. Đừng gắn nhãn toàn bộ hệ thống dựa trên một khối duy nhất.

Ranh giới không hoàn toàn cứng: hệ neuro-symbolic có thể kết hợp biểu diễn học được và suy luận có cấu trúc. Độ sâu là thuộc tính kiến trúc, không phải định nghĩa của general intelligence. Hệ được tối ưu cho một phân bố tác vụ vẫn có thể thất bại khi đổi điều kiện.

Khi so phương pháp, cố định tác vụ, dữ liệu, ngân sách và tiêu chí. Việc một mô hình là “deep” không cho phép suy ra nó cần ít dữ liệu hơn hay luôn tổng quát hóa tốt hơn.

Dự đoán giá là hồi quy; chọn nhãn thư rác là phân loại; gom các bài viết gần nhau là phân cụm. Những tên này nói ta muốn đầu ra gì. Chúng không tự quyết định phải dùng neural network.

Ví dụ: phân loại email có thể bắt đầu bằng số lần xuất hiện từ và một bộ phân loại nhỏ. Mạng lớn chỉ đáng thử khi cách đơn giản chưa đáp ứng tiêu chí đã xác định.

Supervised learning dùng cặp input–target; unsupervised learning tìm cấu trúc không dựa vào nhãn mục tiêu như vậy. Self-supervised learning tạo mục tiêu từ dữ liệu, chẳng hạn dự đoán token bị che hoặc token tiếp theo. Reinforcement learning tối ưu hành động qua phản hồi reward.

Deep Learning có thể xuất hiện trong nhiều chế độ trên. “Unsupervised” không có nghĩa dữ liệu không cần làm sạch, và “self-supervised” không đồng nghĩa không có hàm loss.

Trong supervised learning, ta thường tối ưu $\hat R(\theta)=n^{-1}\sum_i\ell(f_\theta(x_i),y_i)$. Hàm $f_\theta$ có thể là mô hình tuyến tính hoặc mạng sâu; mục tiêu này không xác định riêng kiến trúc.

Mục tiêu surrogate chỉ gần với tiêu chí sử dụng. Accuracy, calibration, độ trễ và chi phí sai có thể tạo các lựa chọn khác nhau ngay cả khi cùng dùng một dataset.

Với bảng dữ liệu nhỏ gồm tuổi tài khoản, số lần đăng nhập và nhãn rời dịch vụ, hãy thử mô hình đơn giản trước. Với ảnh nhiều biến thể, biểu diễn học từ ảnh có thể phù hợp hơn. Cần kiểm tra trên dữ liệu mới trong cả hai trường hợp.

Ghi baseline, split, metric và giới hạn latency trước khi thử thuật toán. So sánh mô hình tuyến tính, tree-based model và mạng phù hợp bằng cùng protocol. Đặc trưng có ý nghĩa và nhãn tốt thường quan trọng hơn tên gọi thuật toán.

Dùng learning curve để phân biệt thiếu dữ liệu với thiếu năng lực biểu diễn. Kiểm tra chi phí tuning và variance qua các lần chạy; một mô hình có điểm trung bình nhỉnh hơn nhưng latency vượt giới hạn có thể không phải lựa chọn triển khai.