Trí tuệ nhân tạo là gì?

1. Trí tuệ nhân tạo là gì?


Có rất nhiều định nghĩa về Trí tuệ nhân tạo khác nhau, nhưng tựu chung lại, định nghĩa đơn giản nhất là:

Trí tuệ nhân tạo là trí tuệ được biểu diễn bởi bất cứ một hệ thống nhân tạo nào.


Trí tuệ ở đây được hiểu là cách cư xử, học hỏi, thích ứng với thay đổi một cách thông minh của hệ thống nhân tạo – máy móc.

Ví dụ, một hệ thống nhận diện các bài comment tiêu cực về một sản phẩm có thể được coi là một sản phẩm của Trí tuệ nhân tạo. Một số công ty đã và đang xây dựng các hệ thống như vậy, để biết khách hàng nào đang có ấn tượng chưa tốt về mình, từ đó cải thiện sản phẩm tốt hơn và có cách chăm sóc khách hàng hợp lý hơn,tránh khỏi các scandal không tốt. Một case study điển hình như Uber năm 2015.
(xem chi tiết tại: https://news.zing.vn/uber-gay-tranh-cai-vi-don-phuong-phat-tien-khach-non-ra-xe-post552695.html)

Nếu như không có hệ thống trí tuệ nhân tạo này thì Uber sẽ phải thuê một bạn X về làm công việc chăm sóc khách hàng, hàng ngày ngồi đọc các comment của người dùng trên facebook để phát hiện các ý kiến phàn nàn về sản phẩm, dịch vụ Y của mình. Vậy X và máy tính phải làm những công việc như thế nào?

Việc 1: Học

Cá nhân viên X và máy tính đầu tiên đều phải được học. Nhân viên X và máy tính sẽ được nhận một danh sách các comment và được chỉ ra rằng comment nào là comment tích cực, comment nào là comment tiêu cực. Ví dụ:

Trạng tháiComment
Tích cựcCám ơn shop. Đóng gói sản phẩm rất đẹp và chắc chắn. Vải đẹp. Phom oki luôn. Quá ưng
Tiêu cựcK tốt như cái cũ đã xài . Chất lượng sản phẩm kém 😑 dây sạc ms nhận nhưng dùng k đc.


Việc 2: Phán đoán


Từ việc được học ở tập dữ liệu trên, X và máy tính đều hiểu thế nào là một comment tiêu cực, thế nào là một comment tích cực, từ đó đưa ra phán đoán với các comment mới. Khi có một comment tiêu cực, X sẽ gọi điện còn máy sẽ nhắn tin cho bộ phận chăm sóc khách hàng để giải quyết tình hình.


Việc 3: Khi có dữ liệu mới?


Trong thực tế, việc phán đoán có thể sai bất cứ lúc nào. Ví dụ, với comment sau:

Đóng gói đẹp.cẩn thận nhưng chất lượng thì chán.vừa nhận lúc sáng.tối về dùng thử thì tịt luôn.


Hiển nhiên, comment này là một comment không tốt, nhưng có thể X và máy tính chưa được học với trường hợp này bao giờ. Lúc đầu thì khách hàng có khen về việc đóng gói sản phẩm, nhưng ngay sau đó thì chê chất lượng sản phẩm là không hoạt động được. X và máy tính đều đã bị đánh giá sai comment này. Khi đó thì sao? Đội ngũ chăm sóc khách hàng đã vô tình thấy comment này, feedback lại cho X và máy tính. X và máy tính lại được học tiếp và đưa ra phán đoán ngày càng tốt hơn.

Sự khác biệt giữa X và máy tính trong công việc này là X 1 ngày có thể đưa ra phán đoán cho 1000 comments trong 8h hành chính, còn máy tính, 1 ngày có thể đưa ra phán đoán cho 100 triệu comments trong cả 24 giờ/ngày.

Hiện tại đang có một cuộc thi online tại Việt Nam về bài toán này, mọi người có thể tham khảo và tham gia tại đây: https://www.aivivn.com/

Trên đây là một ví dụ về Trí tuệ nhân tạo. Vậy còn học máy là gì?


Học máy (Machine Learning) là một tập con của Trí tuệ nhân tạo. Có thể hiểu đơn giản, Học máy là tập các phương pháp để làm được một hệ thống trí tuệ nhân tạo. Ví dụ, để xây dựng hệ thống Nhận diện các comment tiêu cực có thể sử dụng các phương pháp học máy như Naive Bayes, SVM, DeepLearning,..

Hiện nay, tại Việt Nam và trên thế giới, rất nhiều doanh nghiệp tự nhận hệ thống của mình là Trí tuệ nhân tạo. Đây là một hình ảnh về việc định nghĩa Thế nào là một hệ thống có trí tuệ nhân tạo.

Nguồn: https://bit.ly/2J3c7fA

Supervised Learning và Unsupervised Learning


Tham khảo thêm tại: https://ml-book-vn.khanhxnguyen.com/intro.html


2. Phân loại các kĩ thuật học máy


Các kĩ thuật học máy được phân ra làm 2 loại chính là:

Học có giám sát (Supervised Learning):

Data gán nhãn + thuật toán => hệ thống học máy


Có thể hiểu rằng, phương pháp học máy này là học từ dữ liệu có gán nhãn từ trước. Hệ thống Nhận diện các comment tiêu cựcở trên sẽ sử dụng kĩ thuật học máy Có giám sát, vì dữ liệu đã được đánh nhãn là tốt hay xấu với từng comment. Hay như hình minh họa ở dưới, các nhãn được đánh là Duck và Not Duck, với mục đích đầu ra sẽ xác định được 1 hình ảnh là Duck hay Not Duck.

Học không giám sát (Unsupervised Learning)

Data không gán nhãn + thuật toán => hệ thống học máy


Khác với kĩ thuật Học có giám sát, kĩ thuật Học không giám sát là kĩ thuật học từ tập dữ liệu không có gán nhãn,đơn thuần chỉ là dữ liệu raw. Ví dụ các câu comment về 1 sản phẩm là dữ liệu raw, không được đánh nhãn tốt/xấu. Trong hình ví dụ ở dưới, các ảnh các con vật không được đánh nhãn Duck/Not Duct như kĩ thuật Supervised Learning. Qua thuật toán Unsupervised Learning, ảnh các con vật được PHÂN CỤM thành các tập khác nhau, mỗi tập bao gồm các ảnh có tính chất giống như nhau. Google cũng dùng thuật toán này để gom các bài báo chí có nội dung gần giống nhau lại thành các SỰ KIỆN, hay Facebook gợi ý kết bạn dựa trên tập các bạn bè có cùng nhóm và nhiều kết nối (bạn chung, sở thích).

Supervised Learning và Unsupervised Learning


3. Ứng dụng của Trí tuệ nhân tạo


Tài chính

Trí tuệ nhân tạo giúp việc phát hiện gian lận trong các giao dịch ngân hàng hay đưa ra các thời điểm, cách thức đầu tư có lợi nhất. Ngoài ra, các hệ thống chăm sóc khách hàng như tổng đài tự động, chatbot, trợ lí ảo,.. cũng góp phần lớn trong việc giảm chi phí hoạt động của ngành tài chính.

Tham khảo thêm tại đây: https://towardsdatascience.com/machine-learning-in-finance-why-what-how-d524a2357b56|

Giáo dục

Từ khi có Trí tuệ nhân tạo, các phương pháp giáo dục hiện đại, hấp dẫn và hiệu quả ngày càng phổ biến. Các bạn có thể tham khảo chi tiết các ứng dụng tại đây.

Cuối tháng 2/2019, ứng dụng học tiếng anh Elsa của CEO Văn Đinh Hồng Vũ đã gọi vốn thành công 7M $ từ Google (Link) đã khẳng định tiềm năng của Trí tuệ nhân tạo trong giáo dục và khả năng của người Việt trong việc tiến ra thế giới ở mảng Trí tuệ nhân tạo.

Y học

Trong Y học, việc áp dụng Trí tuệ nhân tạo cũng đã có những đóng góp không nhỏ  tạo nên những thành tựu thần kì. Từ những robot tự động phẫu thuật cho đến những hệ thống chẩn  đoán bệnh, đưa ra phác đồ điều trị hay việc sản xuất thuốc dựa trên mô phỏng phản ứng cơ thể với thuốc đã thay đổi đáng kể ngành y học hiện đại (xem tại đây).

Khi tham gia hội nghị AI4Life 2018 được tổ chức tại Đại học Công nghệ, mình rất ấn tượng với bài trình bày của anh Đặng Minh Trí (tham khảo thông tin của anh tại đây) về  việc ứng dụng  Trí tuệ nhân tạo vào Y tế, từ những kĩ thuật tưởng chừng rất đơn giản, nhưng mang lại hiệu quả không ngờ. Các bạn có thể xem video bài trình bày của anh ở đây.

Giao thông vận tải

Hiện nay, trí tuệ nhân tạo đã được áp dụng rất nhiều trong lĩnh vực Giao thông. Các hệ thống giao thông thông minh đã giải quyết được các vấn đề như xử lý tai nạn, ùn tắc giao thông. Khi có một khu vực bị ùn tắc, luồng giao thông sẽ được thay đổi để tránh tình trạng  ùn tắc tại các khu vực khác, đồng thời giảm thiểu nhân công hỗ trợ trong việc điều tiết giao thông.


4. Bắt đầu với Trí tuệ nhân tạo từ đâu?


Với các bạn thật sự có ý định tìm hiểu về Trí tuệ nhân tạo (hay làm bất cứ việc gì khác), mình nghĩ các bạn phải có đủ quyết tâm và sự nghiêm túc. Hiện nay, để tìm hiểu về Trí tuệ nhân tạo, việc tìm kiếm trên Google với bất kì cụm từ nào cũng ra được rất nhiều kết quả, các phương pháp học khác nhau.

Mình xin  giới thiệu  một số kênh học tập như sau:

Theo kinh nghiệm của mình, bạn nên tìm một nguồn, học/tìm hiểu kĩ nguồn đó trước khi sang học một nguồn khác. Mình khuyến khích  các bạn nên học khóa AI-FOR-EVERYONE trước, sau đó học tiếp khóa Machine Learning. Khi có nền tàng cơ bản về ML, bạn có thể tự tìm hiểu một cách dễ dàng hơn.

The following two tabs change content below.