Machine Learning (học máy) là lĩnh vực rộng, nơi máy tính học quy luật từ dữ liệu thay vì được lập trình từng quy tắc. Deep Learning (học sâu) là một nhánh của học máy, dùng mạng nơ-ron nhân tạo có nhiều lớp để tự học các đặc trưng từ dữ liệu thô như ảnh, âm thanh, văn bản. Nói gọn: mọi hệ thống học sâu đều là học máy, nhưng không phải học máy nào cũng là học sâu. Học máy truyền thống thường cần con người thiết kế đặc trưng và hoạt động tốt với dữ liệu bảng vừa phải; học sâu cần nhiều dữ liệu, nhiều tính toán hơn nhưng vượt trội với dữ liệu phi cấu trúc.
Vị trí trong bức tranh AI
Có thể hình dung ba vòng tròn lồng nhau: Trí tuệ nhân tạo là vòng ngoài cùng, gồm mọi kỹ thuật giúp máy làm việc "thông minh", kể cả hệ chuyên gia dựa trên luật. Học máy nằm bên trong, là các phương pháp học từ dữ liệu. Học sâu là vòng trong cùng. Các mô hình ngôn ngữ lớn hiện nay là sản phẩm của học sâu, cụ thể là kiến trúc Transformer.
Học máy truyền thống hoạt động thế nào
Quy trình điển hình: chuẩn bị dữ liệu dạng bảng, con người chọn và tạo đặc trưng (feature engineering), ví dụ từ ngày giao dịch tạo ra "thứ trong tuần", "khoảng cách từ lần mua trước", rồi đưa vào thuật toán. Các thuật toán quen thuộc:
- Hồi quy tuyến tính, hồi quy logistic.
- Cây quyết định, rừng ngẫu nhiên, gradient boosting.
- Máy vectơ hỗ trợ (SVM).
- K-láng giềng gần nhất, phân cụm K-means.
Với dữ liệu bảng như dự báo doanh số, chấm điểm tín dụng, phát hiện gian lận giao dịch, các mô hình gradient boosting vẫn thường là lựa chọn mạnh, nhanh và dễ triển khai.
Học sâu hoạt động thế nào
Mạng nơ-ron gồm nhiều lớp, mỗi lớp biến đổi dữ liệu thành biểu diễn trừu tượng hơn. Với ảnh, các lớp đầu học cạnh, góc; lớp sau học hình dạng; lớp cuối nhận ra đối tượng. Con người không cần tự thiết kế đặc trưng, mạng tự học qua quá trình tối ưu trên rất nhiều ví dụ. Các kiến trúc tiêu biểu:
- Mạng tích chập (CNN): xử lý ảnh, video.
- Mạng hồi quy (RNN, LSTM): chuỗi thời gian, văn bản (nay phần lớn được thay bằng Transformer).
- Transformer: nền tảng của mô hình ngôn ngữ lớn, cũng dùng cho ảnh, âm thanh.
- Mô hình khuếch tán: tạo ảnh, video.
So sánh trực tiếp
| Tiêu chí | Học máy truyền thống | Học sâu |
|---|---|---|
| Loại dữ liệu mạnh nhất | Dữ liệu bảng, có cấu trúc | Ảnh, âm thanh, văn bản, video |
| Lượng dữ liệu cần | Từ vài trăm đến vài trăm nghìn dòng có thể đủ | Thường cần rất nhiều, hoặc dùng mô hình đã huấn luyện sẵn |
| Đặc trưng | Con người thiết kế | Mô hình tự học |
| Phần cứng | CPU thường đủ | Thường cần GPU, bộ tăng tốc |
| Thời gian huấn luyện | Nhanh | Lâu, tốn kém |
| Khả năng giải thích | Tương đối dễ (hệ số, tầm quan trọng đặc trưng) | Khó, cần kỹ thuật giải thích riêng |
| Ví dụ | Dự đoán khách rời bỏ, định giá nhà | Nhận diện khuôn mặt, dịch máy, chatbot |
Học chuyển giao: cầu nối giữa hai thế giới
Điểm yếu "cần nhiều dữ liệu" của học sâu được khắc phục phần lớn nhờ học chuyển giao: dùng mô hình đã được huấn luyện trên tập dữ liệu khổng lồ rồi tinh chỉnh cho bài toán của bạn với ít dữ liệu hơn nhiều. Đây là cách hầu hết doanh nghiệp tiếp cận học sâu hiện nay, như trình bày trong bài huấn luyện mô hình AI tùy chỉnh.
Chọn phương pháp nào cho bài toán của bạn
- Dữ liệu dạng bảng, vài chục cột: bắt đầu bằng gradient boosting hoặc hồi quy. Chỉ thử học sâu nếu có lý do rõ ràng.
- Ảnh, âm thanh, văn bản tự do: dùng học sâu, ưu tiên mô hình huấn luyện sẵn.
- Cần giải thích cho cơ quan quản lý, khách hàng: ưu tiên mô hình dễ giải thích hoặc bổ sung công cụ giải thích.
- Thiết bị yếu, cần phản hồi tức thì: mô hình nhỏ, có thể là học máy truyền thống hoặc mạng nơ-ron đã nén.
- Bài toán ngôn ngữ tổng quát: dùng mô hình ngôn ngữ lớn qua API hoặc chạy cục bộ.
Một ví dụ minh họa: phân loại email khách hàng
Giả sử bạn muốn tự động phân loại email gửi tới bộ phận chăm sóc khách hàng thành các nhóm như hỏi đơn hàng, khiếu nại, đổi trả. Cách học máy truyền thống: biến email thành các đặc trưng như tần suất từ khóa, độ dài, có đính kèm hay không, rồi huấn luyện một mô hình phân loại; cách này nhanh, rẻ, dễ giải thích từ khóa nào ảnh hưởng tới quyết định. Cách học sâu: dùng mô hình ngôn ngữ đã huấn luyện sẵn, tinh chỉnh trên vài nghìn email có nhãn, hoặc thậm chí chỉ mô tả các nhóm bằng lời cho mô hình ngôn ngữ lớn; cách này hiểu được cách diễn đạt đa dạng, tiếng lóng, lỗi chính tả tốt hơn nhưng tốn chi phí chạy hơn. Trong thực tế, nhiều đội bắt đầu với cách thứ nhất làm mốc so sánh, rồi chỉ chuyển sang học sâu khi chênh lệch chất lượng đủ lớn để bù chi phí.
Những hiểu lầm phổ biến
- "Học sâu luôn tốt hơn": không đúng với dữ liệu bảng nhỏ; nhiều cuộc thi về dữ liệu bảng vẫn được dẫn đầu bởi mô hình dạng cây.
- "AI hiện đại không cần con người": chất lượng dữ liệu, gán nhãn, đánh giá vẫn là công việc nặng của con người.
- "Mạng nơ-ron mô phỏng bộ não": chỉ lấy cảm hứng rất lỏng lẻo từ nơ-ron sinh học, không phải mô phỏng não.
Ứng dụng quen thuộc của mỗi loại
Hệ thống gợi ý sản phẩm kết hợp cả hai: học máy truyền thống cho tín hiệu bảng và học sâu cho embedding nội dung, như phân tích trong bài hệ thống đề xuất AI. Chẩn đoán hình ảnh y khoa dựa chủ yếu vào học sâu, xem bài AI trong chẩn đoán y khoa. Dự báo nhu cầu, tối ưu tồn kho thường dùng học máy truyền thống hoặc kết hợp.
Câu hỏi thường gặp
Người mới nên học Machine Learning hay Deep Learning trước?
Nên học nền tảng học máy trước: chuẩn bị dữ liệu, chia tập, đánh giá, các thuật toán cơ bản. Hiểu những điều này giúp học sâu dễ hơn và tránh sai lầm phương pháp.
Deep Learning có cần biết nhiều toán không?
Để dùng thư viện và mô hình có sẵn, bạn cần nắm đại số tuyến tính, xác suất và giải tích ở mức cơ bản. Để nghiên cứu, thiết kế kiến trúc mới thì cần sâu hơn.
ChatGPT thuộc Machine Learning hay Deep Learning?
ChatGPT dựa trên mô hình ngôn ngữ lớn kiến trúc Transformer, tức là học sâu, và vì thế cũng thuộc học máy.
Có cần GPU để học Machine Learning không?
Học máy truyền thống chạy tốt trên CPU. Với học sâu, có thể dùng GPU miễn phí giới hạn trên các nền tảng notebook trực tuyến để học tập.



