Kỹ sư QLTT Ghi chú ôn thi
← Về danh sách
AI & Dữ liệu
#머신러닝#딥러닝#신경망#특징학습#131회
Cập nhật lần cuối · 2026-09-17

Khác biệt giữa học máy (Machine Learning) và học sâu (Deep Learning)

1. Tổng quan

A. Định nghĩa

Học máy là tên gọi chung của các kỹ thuật trí tuệ nhân tạo tự học quy tắc·mẫu từ dữ liệu để thực hiện dự báo·phân loại·phân cụm, thay vì con người phải lập trình từng quy tắc tường minh.

Học sâu là một lĩnh vực con của học máy, sử dụng mạng nơ-ron nhân tạo nhiều tầng (mạng nơ-ron sâu, Deep Neural Network) để tự động học một cách phân cấp các đặc trưng từ mức thấp đến mức cao từ dữ liệu gốc.

B. Quan hệ bao hàm và khác biệt bản chất

Quan hệ giữa hai khái niệm là cấu trúc bao hàm AI ⊃ học máy ⊃ học sâu, trong đó học sâu là tập con của học máy. Do đó, câu hỏi "học máy và học sâu cái nào ưu việt hơn" không có nghĩa; chính xác hơn nên hỏi "trong khuôn khổ lớn là học máy, kỹ thuật truyền thống và kỹ thuật mạng nơ-ron sâu mỗi loại có lợi trong điều kiện nào".

Khác biệt quyết định nhất phân chia hai loại là "ai tạo ra đặc trưng (Feature)". Trong học máy truyền thống, con người phải huy động kiến thức miền để tự thiết kế "biến nào quan trọng cho dự báo". Việc này gọi là kỹ nghệ đặc trưng (Feature Engineering), và phần lớn hiệu năng mô hình phụ thuộc vào chất lượng của giai đoạn này. Ví dụ, để phân loại ảnh mèo, trước đây con người phải định nghĩa bằng số các đặc trưng như 'hình dạng tai·số sợi ria·vị trí mắt'. Tức là thành bại của học máy truyền thống phụ thuộc vào "con người trích xuất được đặc trưng tốt đến đâu".

Ngược lại, học sâu chỉ cần đưa nguyên dữ liệu gốc (ví dụ: pixel của ảnh) vào là các tầng của mạng nơ-ron tự phát hiện đặc trưng. Các tầng đầu học đặc trưng mức thấp như đường thẳng·cạnh, tầng giữa học hình dạng bộ phận như mắt·tai, tầng sau học khái niệm mức cao như khuôn mặt mèo. Năng lực tự học biểu diễn từ dữ liệu như vậy gọi là học biểu diễn (Representation Learning), và đây là nguyên lý căn bản giúp học sâu tạo ra cách mạng trên dữ liệu phi cấu trúc như hình ảnh·giọng nói·ngôn ngữ tự nhiên.

C. Bối cảnh ra đời và sự cần thiết

Mạng nơ-ron nhân tạo và khái niệm lan truyền ngược sai số (Backpropagation) — gốc rễ của học sâu — đã được xác lập từ những năm 1980 nhưng trong thời gian dài không được đưa vào thực tiễn. Đó là vì (1) thiếu dữ liệu để học, (2) không có tài nguyên tính toán để huấn luyện mạng nơ-ron nhiều tầng, và (3) khi tầng càng sâu, bản thân việc học trở nên khó khăn do vấn đề triệt tiêu gradient (Vanishing Gradient).

Ba rào cản này đồng thời sụp đổ vào những năm 2010 và học sâu bùng nổ. Thứ nhất, dữ liệu khối lượng lớn được tích lũy qua Internet·di động·cảm biến (ví dụ: khoảng 14 triệu ảnh gán nhãn của bộ dữ liệu ImageNet); thứ hai, tính toán song song trên GPU cho phép phép toán ma trận quy mô lớn; thứ ba, đổi mới thuật toán (hàm kích hoạt ReLU, Dropout, Batch Normalization, và cấu trúc Transformer năm 2017) giải quyết vấn đề triệt tiêu gradient và quá khớp. Ba yếu tố này, lấy mốc là sự kiện học sâu (AlexNet) hạ mạnh tỷ lệ lỗi tại cuộc thi ImageNet năm 2012, đã tạo ra hiệu năng ngang con người trên hình ảnh·giọng nói·ngôn ngữ tự nhiên.

2. Cấu trúc phân cấp và bản đồ công nghệ

Sơ đồ khái niệm dưới đây cho thấy quan hệ bao hàm AI–học máy–học sâu và kỹ thuật tiêu biểu của từng tầng. Học máy lại được chia theo phương thức học thành học có giám sát·không giám sát·tăng cường.

flowchart TB
  AI["Trí tuệ nhân tạo (AI)"] --> ML["Học máy (Machine Learning)"]
  ML --> SUP["Học có giám sát (phân loại·hồi quy)"]
  ML --> UNS["Học không giám sát (phân cụm·giảm chiều)"]
  ML --> RL["Học tăng cường (dựa trên phần thưởng)"]
  ML --> DL["Học sâu (mạng nơ-ron sâu)"]
  SUP --> CLS["Cây quyết định·SVM·Random Forest·XGBoost"]
  DL --> DNN["CNN (hình ảnh)·RNN/LSTM (chuỗi thời gian)·Transformer (ngôn ngữ)"]
  style DL fill:#e8f0fe,stroke:#2f6fed,stroke-width:2px
  style DNN fill:#e8f0fe,stroke:#2f6fed

A. Pipeline của học máy truyền thống

Học máy truyền thống gồm các giai đoạn được tách biệt rõ ràng. Tuân theo luồng thu thập dữ liệu thô → tiền xử lý·kỹ nghệ đặc trưng (do con người dẫn dắt) → huấn luyện mô hình → đánh giá → triển khai, trong đó kỹ nghệ đặc trưng vừa là nút cổ chai vừa là cốt lõi của hiệu năng. Ví dụ, trong phát hiện giao dịch bất thường, con người phải thiết kế và đưa vào các biến dẫn xuất như "số lần thanh toán trong 1 giờ trước, khoảng cách so với khu vực thanh toán thường ngày".

Thế mạnh của học máy truyền thống là hoạt động được ngay cả với ít dữ liệu, và mô hình như cây quyết định·hồi quy logistic có dạng quy tắc nên con người diễn giải được căn cứ phán đoán. Ngoài ra chỉ cần CPU là huấn luyện được nên gánh nặng hạ tầng nhỏ. Trong các lĩnh vực lấy dữ liệu có cấu trúc (bảng) làm trung tâm như tài chính·quản lý chất lượng sản xuất·dự báo nhu cầu, họ boosting như XGBoost·LightGBM vẫn thường vượt trội hoặc ngang bằng học sâu.

B. Nguyên lý học của học sâu

Học sâu hấp thụ giai đoạn kỹ nghệ đặc trưng vào bên trong mạng nơ-ron. Luồng dưới đây cho thấy quá trình mạng nơ-ron sâu lặp lại lan truyền xuôi (dự báo) và lan truyền ngược (cập nhật trọng số dựa trên sai số) để tự học biểu diễn đặc trưng.

flowchart LR
  IN["Dữ liệu gốc (pixel·giọng nói·văn bản)"] --> H1["Tầng ẩn 1 (mức thấp: đường·cạnh)"]
  H1 --> H2["Tầng ẩn 2 (mức trung: hình dạng bộ phận)"]
  H2 --> H3["Tầng ẩn N (mức cao: khái niệm·ý nghĩa)"]
  H3 --> OUT["Đầu ra (phân loại·dự báo)"]
  OUT -. "Lan truyền ngược sai số (cập nhật trọng số)" .-> H3
  H3 -. lan truyền ngược .-> H2
  H2 -. lan truyền ngược .-> H1

Việc học của học sâu là quá trình tính chênh lệch giữa giá trị dự báo và đáp án (mất mát, Loss), gửi ngược sai số đó từ tầng đầu ra về phía tầng đầu vào (lan truyền ngược sai số) và điều chỉnh từng chút trọng số của mỗi tầng bằng hạ gradient (Gradient Descent), lặp lại hàng triệu~hàng tỷ lần. Tầng càng sâu và rộng thì năng lực biểu diễn càng lớn, nhưng tương ứng việc học cần lượng dữ liệu và tính toán khổng lồ. Vì vậy học sâu trên thực tế lấy phần cứng hiệu năng cao như GPU·HBM (bộ nhớ băng thông cao) làm tiền đề.

C. Cấu trúc tiêu biểu và ứng dụng của học sâu

Học sâu dùng cấu trúc chuyên biệt theo dạng dữ liệu. CNN (mạng nơ-ron tích chập) nắm bắt mẫu cục bộ nên dùng cho phân tích hình ảnh·ảnh y tế, RNN/LSTM xử lý thông tin thứ tự nên dùng cho chuỗi thời gian·giọng nói, Transformer dùng kỹ thuật attention xử lý song song toàn bộ ngữ cảnh nên dùng cho ngôn ngữ tự nhiên·mô hình ngôn ngữ lớn (LLM). Đặc biệt, Transformer công bố năm 2017 đã trở thành nền tảng chung của các mô hình ngôn ngữ khổng lồ họ GPT·BERT ngày nay, là cấu trúc quyết định đưa học sâu vào thời đại AI tạo sinh.

Lý do mỗi cấu trúc mạnh với dữ liệu cụ thể cũng được giải thích từ góc nhìn học biểu diễn. CNN chia sẻ bộ lọc (kernel) trên toàn ảnh nên tự động học tính bất biến tịnh tiến — "cùng một mẫu dù ở vị trí khác vẫn là cùng đặc trưng" — nên vượt trội áp đảo so với cách cũ con người thiết kế đặc trưng pixel. RNN·LSTM đưa đầu ra của thời điểm trước làm đầu vào cho thời điểm sau để ghi nhớ ngữ cảnh thời gian, nhưng có giới hạn là triệt tiêu gradient tái diễn ở chuỗi dài; attention của Transformer khắc phục điều này bằng cách tính song song một lần quan hệ của mọi cặp từ trong câu, đồng thời cải thiện phụ thuộc khoảng cách xa và tốc độ học. Như vậy, lịch sử phát triển của học sâu có thể hiểu là quá trình tiến hóa "làm sao để mạng nơ-ron tự biểu diễn tốt cấu trúc dữ liệu nào đó".

D. Khác biệt trong phương thức phát triển·vận hành

Hai cách tiếp cận cũng phân hóa ở phương thức phát triển và vận hành (MLOps). Học máy truyền thống lặp lại kỹ nghệ đặc trưng–chọn mô hình–tinh chỉnh siêu tham số theo chu kỳ tương đối ngắn, và việc học nhẹ nên dễ tái lập·gỡ lỗi. Ngược lại, học sâu đòi hỏi pipeline nặng hơn nhiều như huấn luyện phân tán quy mô lớn, lập lịch cụm GPU, theo dõi thử nghiệm, quản lý phiên bản dữ liệu dung lượng lớn. Do đó, áp dụng học sâu phải xem xét cả mức sẵn sàng của toàn bộ dữ liệu·hạ tầng·hệ thống vận hành chứ không chỉ chọn thuật toán, và nếu thiếu sự chuẩn bị này thì dù hiệu năng tốt vẫn dễ thất bại trong việc ổn định dịch vụ thực tế.

3. So sánh chi tiết và tình huống

Học máy và học sâu phân hóa không chỉ ở phương thức trích xuất đặc trưng mà trên toàn bộ dữ liệu·tài nguyên·khả năng diễn giải·phương thức phát triển. Khác biệt đó không phải hơn kém đơn thuần mà là vấn đề phù hợp theo tính chất bài toán (loại·lượng dữ liệu·yêu cầu giải thích). Dưới đây giải thích theo từng mục cả "vì sao có khác biệt đó" và "trong thực tiễn nó có ý nghĩa gì".

A. Khác biệt về lượng dữ liệu và đường cong hiệu năng

Học máy truyền thống có xu hướng hiệu năng bão hòa dần khi dữ liệu vượt quá một mức nhất định. Đó là vì năng lực biểu diễn của đặc trưng do con người tạo ra có giới hạn trên. Ngược lại, học sâu thể hiện quy luật quy mô (Scaling Law) — hiệu năng tiếp tục tăng khi quy mô mô hình và dữ liệu cùng tăng — và đây là căn cứ lý thuyết khiến mô hình ngôn ngữ khổng lồ phát triển theo hướng tăng dữ liệu·tham số. Tuy nhiên, khi dữ liệu ít cỡ vài nghìn bản ghi, học sâu rơi vào quá khớp và còn kém hơn học máy truyền thống. Do đó, "quy mô dữ liệu khả dụng" trở thành tiêu chí phán đoán thứ nhất phân chia hai cách tiếp cận.

B. Xung đột giữa tài nguyên·chi phí và khả năng diễn giải

Hiệu năng cao của học sâu có được với cái giá là GPU·điện năng·thời gian huấn luyện. Để huấn luyện·phục vụ hàng triệu~hàng tỷ tham số cần hạ tầng đáng kể, dẫn tới gánh nặng tổng chi phí sở hữu (TCO). Đồng thời, các tham số đan xen phức tạp trở thành hộp đen khiến con người khó truy vết căn cứ phán đoán, trở thành rào cản áp dụng trong các miền coi trọng quy định·kiểm toán·trách nhiệm. Ngược lại, học máy truyền thống chi phí thấp và dễ diễn giải dưới dạng quy tắc, nên vẫn chiếm ưu thế trong các lĩnh vực đòi hỏi "độ chính xác có thể thấp hơn chút nhưng giải thích được".

Phân loại Học máy truyền thống Học sâu
Trích xuất đặc trưng Con người thiết kế (Feature Engineering) Mô hình tự động học (học biểu diễn)
Lượng dữ liệu Tương đối ít vẫn được (vài nghìn~vài chục nghìn) Cần khối lượng lớn (vài trăm nghìn~vài trăm triệu)
Tài nguyên tính toán Thấp (CPU được) Cao (GPU/HBM gần như bắt buộc)
Thời gian huấn luyện Ngắn Dài (vài giờ~vài tuần)
Mô hình tiêu biểu Cây quyết định·SVM·Random Forest·XGBoost CNN·RNN/LSTM·Transformer
Khả năng diễn giải Tương đối cao (dạng quy tắc) Thấp (hộp đen)
Dữ liệu phù hợp Có cấu trúc·quy mô nhỏ Phi cấu trúc (hình ảnh·giọng nói·ngôn ngữ tự nhiên)

Các mục trong bảng này đan xen nhân quả với nhau. Học sâu đòi hỏi dữ liệu khối lượng lớn vì thay vì con người cung cấp đặc trưng, nó phải tự tìm đặc trưng theo thống kê từ vô số ví dụ. Tham số lên tới hàng triệu~hàng tỷ nên dữ liệu và tính toán để chống đỡ chúng lớn lên, và kết quả là trở thành hộp đen khiến con người khó truy vết "vì sao đưa ra phán đoán đó". Ngược lại, học máy truyền thống được con người tinh lọc đặc trưng nên học được với ít dữ liệu, cấu trúc mô hình đơn giản nên dễ diễn giải, nhưng đổi lại với dữ liệu phi cấu trúc con người khó trích xuất đặc trưng tốt nên chạm giới hạn hiệu năng.

C. Góc nhìn năng suất phát triển và bảo trì

Học máy truyền thống có ý nghĩa đặc trưng rõ ràng nên dễ xác định nguyên nhân lỗi, và khi phân phối dữ liệu thay đổi thì dễ chẩn đoán biến nào gây ảnh hưởng. Học sâu khó nắm được nguyên nhân suy giảm hiệu năng nằm ở dữ liệu·cấu trúc hay siêu tham số, nên tốn nhiều thời gian cho tinh chỉnh thử nghiệm. Do đó, mức trưởng thành khoa học dữ liệu của tổ chức càng thấp thì cách tiếp cận từng bước — kiểm chứng giá trị nhanh bằng học máy truyền thống, rồi mở rộng sang học sâu khi dữ liệu·hạ tầng đầy đủ — càng hiệu quả trong thực tiễn.

Có thể tổng hợp tiêu chí lựa chọn bằng ba tình huống cụ thể. Thứ nhất, chấm điểm tín dụng ngân hàng là dữ liệu có cấu trúc vài nghìn~vài chục nghìn bản ghi và theo quy định phải giải thích "vì sao khoản vay bị từ chối", nên học máy truyền thống như hồi quy logistic·XGBoost là phù hợp. Thứ hai, bài toán phát hiện tổn thương từ hàng trăm nghìn ảnh X-quang ngực là dữ liệu phi cấu trúc dạng pixel và dữ liệu phong phú, nên học sâu dựa trên CNN vượt trội áp đảo. Thứ ba, tự động trả lời thắc mắc khách hàng lấy hiểu ngữ cảnh ngôn ngữ tự nhiên làm cốt lõi, nên LLM dựa trên Transformer là phù hợp. Tức là rút ra tiêu chí phán đoán thực tiễn: dữ liệu có cấu trúc·ít và cần giải thích thì dùng học máy truyền thống, dữ liệu phi cấu trúc·nhiều và hiệu năng là ưu tiên hàng đầu thì dùng học sâu.

4. Chuyên sâu — khả năng diễn giải·học chuyển giao·mô hình nền tảng

Sự lan rộng thực tiễn của học sâu đang nhanh chóng bù đắp điểm yếu nhờ hai dòng chảy mới nhất, cần được bàn cùng từ góc nhìn Kỹ sư chuyên nghiệp.

Thứ nhất là AI có thể giải thích (XAI). Trong các lĩnh vực quy định chặt như tài chính·y tế·công, khó dùng nguyên học sâu "chính xác nhưng không giải thích được". Để bù đắp, người ta dùng LIME·SHAP giải thích hậu kiểm mỗi biến đầu vào đóng góp bao nhiêu cho một dự báo cụ thể, Grad-CAM trực quan hóa vùng mô hình chú ý trong ảnh. Gắn với xu hướng các quy định như EU AI Act áp đặt nghĩa vụ giải thích cho AI rủi ro cao, khả năng diễn giải đang trở thành điều kiện bắt buộc để áp dụng học sâu.

Thứ hai là học chuyển giao (Transfer Learning) và mô hình nền tảng. Vấn đề "dữ liệu khối lượng lớn·tính toán khổng lồ" — rào cản gia nhập của học sâu trước đây — đã được giảm nhẹ đáng kể bằng cách lấy mô hình đa dụng đã tiền huấn luyện (pre-training) quy mô lớn rồi tinh chỉnh (fine-tuning) bằng lượng nhỏ dữ liệu miền. Ví dụ, mô hình hình ảnh tiền huấn luyện bằng hàng trăm triệu ảnh hoặc mô hình ngôn ngữ khổng lồ có thể được huấn luyện lại chỉ với vài trăm ảnh của một bệnh viện cụ thể để đạt hiệu năng thực dụng. Nhờ đó học sâu thoát khỏi vị thế độc quyền của vài Big Tech và lan rộng thành công nghệ doanh nghiệp thông thường cũng dùng được, và cùng với AutoML (tự động hóa tìm kiếm mô hình), điều này đang làm mờ ranh giới phương thức phát triển giữa học máy truyền thống và học sâu.

5. Lưu ý và hàm ý (góc nhìn Kỹ sư chuyên nghiệp)

  1. Chiến lược chọn công nghệ dựa trên đặc tính bài toán: Cần cảnh giác hiểu lầm rằng học sâu luôn vượt trội. Với dữ liệu có cấu trúc·quy mô nhỏ, học máy truyền thống (đặc biệt họ boosting) nhanh hơn, chính xác hơn và còn cung cấp khả năng diễn giải. Cốt lõi là lựa chọn theo tiêu chí loại dữ liệu·quy mô·yêu cầu giải thích.

  2. Đánh đổi giữa khả năng diễn giải và ứng phó quy định: Hiệu năng (học sâu) và khả năng giải thích (ML truyền thống) thường xung đột, nên trong lĩnh vực rủi ro cao·có quy định phải quản lý tường minh đánh đổi, như kết hợp kỹ thuật XAI hoặc ưu tiên xem xét mô hình có thể diễn giải.

  3. Đầu tư dữ liệu·hạ tầng và TCO: Học sâu có tổng chi phí sở hữu (TCO) lớn như GPU/HBM·điện năng·pipeline MLOps, nên cần chiến lược kiểm soát chi phí bằng học chuyển giao·làm nhẹ mô hình (lượng tử hóa·tỉa - pruning)·tận dụng đám mây.

  4. Quản trị dữ liệu và quản lý thiên lệch: Cả hai kỹ thuật đều học nguyên vẹn thiên lệch của dữ liệu huấn luyện, nên bắt buộc phải có hệ thống quản trị bao gồm chất lượng·tính đại diện·bảo vệ thông tin cá nhân của dữ liệu và giám sát hiệu năng liên tục (ứng phó data drift).

  5. Công nghệ liên kết và năng lực tổ chức: Hiệu quả thực tế của học sâu phụ thuộc vào MLOps (tự động hóa huấn luyện lại·triển khai), việc tận dụng AI tạo sinh (LLM) và hệ thống cộng tác giữa chuyên gia miền với nhà khoa học dữ liệu, nên phải xem xét đồng thời việc bảo đảm năng lực vận hành AI ở cấp tổ chức vượt ra ngoài việc chọn thuật toán.

Tài liệu tham khảo

Tóm tắt một câu: Học sâu là tập con của học máy; khác với học máy truyền thống do con người thiết kế đặc trưng, mạng nơ-ron sâu tự động học đặc trưng theo phân cấp (học biểu diễn), đòi hỏi dữ liệu lớn·GPU và khả năng diễn giải thấp nhưng vượt trội trên dữ liệu phi cấu trúc; cần lựa chọn phù hợp với đặc tính bài toán như loại·quy mô dữ liệu·yêu cầu giải thích, và điểm yếu đang được bù đắp bằng XAI·học chuyển giao.