Trí tuệ nhân tạo và ứng dụng

Khả năng và ứng dụng của Trí tuệ nhân tạo

Trí tuệ nhân tạo (AI) là khả năng của hệ thống máy tính thực hiện các công việc đòi hỏi trí thông minh của con người, như học từ dữ liệu, nhận biết, hiểu ngôn ngữ, suy luận và đưa ra gợi ý. Dựa trên phạm vi khả năng, người ta phân biệt hai loại. Trí tuệ nhân tạo hẹp chỉ được thiết kế để thực hiện một nhóm nhiệm vụ xác định trong một số lĩnh vực, và là dạng đang được sử dụng phổ biến hiện nay. Trí tuệ nhân tạo tổng quát là khả năng học và giải quyết mọi vấn đề trong tự nhiên và xã hội như con người, là mục tiêu nghiên cứu lâu dài và chưa đạt được. Vì vậy, một hệ thống trí tuệ nhân tạo hẹp có thể đưa ra gợi ý hỗ trợ con người giải quyết một việc cụ thể, nhưng không thể tự học và giải quyết mọi vấn đề.

Các lĩnh vực chính và ví dụ ứng dụng:

• Thị giác máy tính — giúp máy tính thu nhận, xử lí và nhận biết nội dung trong ảnh và video, ví dụ nhận dạng biển số xe trong bãi gửi xe. Nhận dạng khuôn mặt cũng thuộc nhóm xử lí ảnh.
• Xử lí ngôn ngữ tự nhiên — hiểu và xử lí văn bản, ví dụ tóm tắt nội dung văn bản, dịch máy. Đây là cơ sở để trí tuệ nhân tạo giao tiếp với con người bằng ngôn ngữ tự nhiên. Các bài toán như nhận dạng khuôn mặt hay dự báo cháy rừng qua ảnh vệ tinh chủ yếu thuộc xử lí ảnh, không phải hiểu ngôn ngữ.
• Xử lí tiếng nói — xử lí tín hiệu âm thanh của giọng nói, không xử lí dữ liệu hình ảnh.
• Trí tuệ nhân tạo tạo sinh — tạo ra nội dung mới như văn bản, hình ảnh hoặc đoạn mã chương trình từ mô tả bằng ngôn ngữ tự nhiên. Ngược lại, phân loại, nhận dạng và dự báo là làm việc trên dữ liệu có sẵn để đưa ra kết quả, không tạo ra nội dung mới.
• Chatbot — ứng dụng hội thoại dùng trí tuệ nhân tạo để hiểu câu hỏi bằng ngôn ngữ tự nhiên và trả lời người dùng. Phần mềm nén tệp, trình soạn thảo văn bản thông thường hay phần mềm vẽ hình toán học không phải chatbot.
• Hệ thống gợi ý — đề xuất sản phẩm cho người mua trực tuyến dựa trên lịch sử mua hàng và hành vi xem hàng của người dùng.

Giới hạn: trí tuệ nhân tạo chưa đạt độ chính xác tuyệt đối. Ví dụ, chẩn đoán bệnh luôn có tỉ lệ sai sót, nên kết quả chỉ mang tính hỗ trợ cho bác sĩ.

Tác động đối với giáo viên là hai mặt. Trí tuệ nhân tạo hỗ trợ tìm và tạo hình ảnh, video minh họa, giúp mở rộng và đào sâu kiến thức để nâng cao chuyên môn, và góp phần tìm hướng tiếp cận hiệu quả cho việc tổ chức dạy học. Tuy nhiên, vì nội dung bài làm có thể được tạo ra rất nhanh, giáo viên khó xác định sản phẩm do học sinh tự thực hiện hay do công cụ tạo ra, nên việc đánh giá đúng mức độ đóng góp của học sinh trở nên khó hơn.

Rủi ro của Trí tuệ nhân tạo

Rủi ro của trí tuệ nhân tạo về an toàn thông tin chủ yếu xuất phát từ khả năng tạo nội dung của công nghệ này. Trí tuệ nhân tạo tạo sinh có thể tạo ra văn bản, hình ảnh, âm thanh và video giả mạo rất giống thật, nên có thể bị lợi dụng để lừa đảo, mạo danh và lan truyền thông tin sai sự thật, làm giảm độ tin cậy của dữ liệu và thông tin trên mạng.

Cần phân biệt rủi ro về an toàn thông tin với các tác động khác không phải là rủi ro do trí tuệ nhân tạo gây ra về mặt này. Chi phí đầu tư hạ tầng mạng là vấn đề kinh tế; tốc độ truyền dữ liệu và dung lượng bộ nhớ thiết bị là các yếu tố kỹ thuật. Những yếu tố này không phải là rủi ro an toàn thông tin đặc trưng của trí tuệ nhân tạo.

Học máy và đánh giá mô hình

Học máy là cách để máy tính rút ra quy luật từ dữ liệu thay vì được lập trình sẵn toàn bộ quy tắc. Phần này gồm ba nội dung: các kiểu học, cách chia dữ liệu và các chỉ số đánh giá mô hình.

Học có giám sát (supervised learning) là kiểu học mà mô hình được huấn luyện trên tập dữ liệu đã gắn nhãn, tức mỗi mẫu đã có sẵn đáp án đúng ở đầu ra. Mô hình so sánh dự đoán với nhãn thật, điều chỉnh tham số để giảm sai số, rồi dùng quy luật đã học để dự đoán nhãn cho dữ liệu mới chưa từng thấy. Điều kiện cốt lõi là dữ liệu huấn luyện phải có nhãn: ảnh đã ghi sẵn tên loại trái cây, hay hồ sơ bệnh đã có kết luận của bác sĩ, đều là tập huấn luyện có nhãn.

Khi nhãn là lớp rời rạc, bài toán là phân loại (ví dụ nhận dạng loài động vật trong ảnh, phân loại chữ số viết tay). Khi đầu ra là giá trị số liên tục, bài toán là hồi quy (ví dụ dự đoán giá bán hay lượng điện tiêu thụ theo dữ liệu lịch sử). Cả hai đều là học có giám sát. Mọi hệ thống được xây dựng từ dữ liệu đã được con người gắn nhãn trước, dù là lọc thư điện tử hay nhận dạng ảnh, đều thuộc học có giám sát.

Học không giám sát (unsupervised learning) làm việc với dữ liệu không có nhãn, máy tự tìm cấu trúc hoặc nhóm trong dữ liệu. Các kỹ thuật tiêu biểu là phân cụm (gom khách hàng theo hành vi), giảm số chiều bằng PCA và khai phá luật kết hợp trong dữ liệu giao dịch. Vì không có đáp án để so sánh, các kỹ thuật này không thuộc học có giám sát.

Học tăng cường (reinforcement learning) là kiểu học mà tác tử thử các hành động trong môi trường và điều chỉnh chiến lược theo phần thưởng hoặc hình phạt nhận được, không cần tập nhãn đúng cho từng mẫu.

Cần phân biệt với chương trình dựa trên luật: máy chạy theo quy tắc do con người viết sẵn, không học từ dữ liệu nên không phải học máy.

Học sâu (deep learning) là kỹ thuật xây dựng mô hình bằng mạng nơ-ron nhiều lớp, không phải một kiểu học đối lập với học có giám sát. Học sâu vẫn cần dữ liệu huấn luyện, và các ứng dụng nhận dạng ảnh hiện đại thường dùng lượng dữ liệu lớn.

Quá khớp (overfitting) xảy ra khi mô hình ghi nhớ cả nhiễu và chi tiết riêng của tập huấn luyện, nên đạt kết quả rất cao trên dữ liệu đã học nhưng dự đoán kém trên dữ liệu mới. Khi đánh giá, người ta so sánh sai số trên tập huấn luyện với sai số trên tập kiểm tra; khoảng cách lớn giữa hai kết quả là dấu hiệu của quá khớp.

Chia dữ liệu thành tập huấn luyện và tập kiểm tra. Dữ liệu có nhãn thường được chia thành hai tập. Mô hình chỉ học từ tập huấn luyện; tập kiểm tra không được dùng để cập nhật trọng số mà dùng để đo khả năng khái quát hóa trên dữ liệu chưa từng thấy, giúp đánh giá khách quan. Tập huấn luyện không bị thay thế sau khi học xong, và tập kiểm tra cần có nhãn đúng để so sánh với dự đoán; việc gán nhãn là bước chuẩn bị dữ liệu, không phải mục đích của tập kiểm tra.

Nếu tỉ lệ huấn luyện : kiểm tra là a : b, số mẫu huấn luyện bằng tổng số mẫu nhân \frac{a}{a+b}. Ví dụ 1 200 mẫu chia theo tỉ lệ 4 : 1 cho 1200 \times \frac{4}{5} = 960 mẫu huấn luyện và 240 mẫu kiểm tra. Tỉ lệ của tập kiểm tra so với toàn bộ dữ liệu bằng số mẫu kiểm tra chia cho tổng số mẫu; ví dụ 200 mẫu kiểm tra trong 1 000 mẫu cho tỉ lệ \frac{200}{1000}=0{,}2.