AI là 1 hệ thống và phần mềm máy tính được xây dựng bởi con người nhằm thực hiện các khả năng mà trước đây phải cần đến trí thông minh của con người để thực hiện như học tập, nhận thức, suy luận, giải quyết vấn đề, đưa ra quyết định.

Vậy câu hỏi đặt ra là làm thế nào để máy tính có thể làm được điều này? Đó là "Học"

Với con người chúng ta, để có những khả năng trên, chúng ta phải trải qua quá trình học tập không ngừng mỗi ngày. Với máy tính thì phương pháp Học máy (Machine Learning) được ra đời để làm máy cải thiện khả năng thực hiện một nhiệm vụ bằng cách học các pattern từ dữ liệu. Thuật ngữ Học máy được đề cập lần đầu bởi Arthur Samuel năm 1959 và nhiều ứng dụng thực tế đã bắt đầu xuất hiện từ những năm 1980. Học máy truyền thống (Traditional Machine Learning) làm việc với các biểu diễn bằng số. Do đó, nếu dữ liệu đầu vào có cấu trúc như con số, chỉ số, dữ liệu lịch sử thì phương pháp này xử lý rất tốt với các thuật toán thống kê để phân loại và dự đoán. Tuy nhiên, để giúp các mô hình AI và Học máy truyền thống học tập hiệu quả và chính xác hơn với các dữ liệu phi cấu trúc (hình ảnh, âm thanh, văn bản...), các nhà khoa học sẽ cần sử dụng các kỹ thuật trích xuất, lựa chọn, thiết kế để biến các dữ liệu thô này thành số liệu đầu vào. Với học máy truyền thống, 1 số nhiệm vụ đã có thể thực hiện rất tốt như lọc thư rác, phân tích phân khúc khách hàng, đề xuất nội dung. Ví dụ như dựa vào thống kê của 1 công ty về đặc điểm khách hàng, máy học truyền thống có thể thống kê độ tuổi khách hàng, hành vi khách hàng để từ đó quảng cáo đến họ những sản phẩm phù hợp. Hay cũng tương tự như Youtube, dựa vào lịch sử xem của chúng ta để đề xuất video tương tự. Tuy nhiên, với những dữ liệu phi cấu trúc như hình ảnh, âm thanh, các nhà khoa học phải sử dụng các kỹ thuật trích xuất rồi mới đưa vào các thuật toán thống kê để tìm kiếm khuôn mẫu chung và phân loại. Quá trình này được gọi là Trích xuất đặc trưng thủ công. Ví dụ: để máy phân biệt được con mèo, các nhà khoa học phải sử dụng các kỹ thuật xử lý ảnh để trích xuất, đo đạc các đặc điểm của con mèo trong các bức ảnh như góc cạnh, độ sáng, hình dạng, rồi biểu diễn các đặc trưng này dưới dạng các con số để thuật toán Học máy truyền thống phân loại.

Deep learning thì sao? Deep Learning (Học Sâu) đã được nghiên cứu từ nhiều thập kỷ trước, nhưng năm 2012 trở thành một cột mốc quan trọng khi AlexNet đạt kết quả đột phá trong cuộc thi nhận diện hình ảnh ImageNet. Deep leaning dựa trên mạng neural (neural network là một mô hình toán học lấy cảm hứng từ cách các neuron sinh học của con người kết nối với nhau), để nhận dữ liệu đầu vào, đưa thông tin qua nhiều lớp và điều chỉnh các thông số trong quá trình training trước khi đưa ra dự đoán cho câu trả lời Ứng dụng của Deep learning có thể kể đến như nhận diện giọng nói của Siri trên iPhone hay các mô hình AI mà chúng ta thường xuyên sử dụng hiện nay như ChatGPT, Gemini, Mid journey Vậy Deep Learning khác gì so với Traditional Machine Learning?

Đó là khả năng tự động xử lý, trích xuất và học các đặc trưng trực tiếp từ dữ liệu thô phi cấu trúc như hình ảnh, âm thanh, video, văn bản, ngôn ngữ Lấy ví dụ với nhiệm vụ phân biệt con mèo ở trên, Deep Learning tự phân tích điểm ảnh và tự đọc tự học từ các bức ảnh để nhận biết con mèo thay vì cần con người chuẩn bị trước đó.

Hiện nay, cần phải hiểu rằng, Deep Learning không thay thế Traditional Machine Learning như 1 bước tiến mới mà cả 2 phương pháp này vẫn được sử dụng song song với các mô hình AI và với các mục đích sử dụng khác nhau.