Trí tuệ nhân tạo là một chủ đề rất rộng bao gồm học máy và học sâu. Những thuật ngữ này thường được sử dụng thay thế cho nhau với giả định rằng chúng đều là cùng một chủ đề. Tuy nhiên, trong khi các thuật ngữ có liên quan, có những đặc điểm cụ thể phân biệt chúng. Học sâu thực sự là một lĩnh vực con của học máy, một lĩnh vực con của trí tuệ nhân tạo. Trí tuệ nhân tạo liên quan đến việc phát triển các máy tính có khả năng mô phỏng các chức năng nhận thức của con người và thực hiện các nhiệm vụ cụ thể. Học máy sử dụng các thuật toán để nhận dạng các mẫu và xu hướng từ dữ liệu trước đó, sau đó sử dụng thông tin này để tạo ra các ứng dụng trong thế giới thực. Toàn bộ mục tiêu của trí tuệ nhân tạo là cho phép máy tính hoạt động độc lập, không cần con người hướng dẫn và tương tác với chúng. Có rất nhiều ứng dụng cho trí tuệ nhân tạo và học máy, từ hầu như mọi ngành công nghiệp. Trí tuệ nhân tạo được sử dụng rộng rãi trong các ngành sản xuất, ngân hàng và chăm sóc sức khỏe. Trong bài đăng trên blog này, chúng ta sẽ đi sâu hơn vào các định nghĩa về trí tuệ nhân tạo và học máy, cũng như các ứng dụng thực tế của chúng.
Trí tuệ nhân tạo là gì?
Có nhiều cách khác nhau để định nghĩa trí tuệ nhân tạo và trong suốt nhiều năm, định nghĩa đã thay đổi đáng kể. Alan Turing, người thường được coi là cha đẻ của khoa học máy tính hiện đại đã tạo ra một bài kiểm tra được gọi là Bài kiểm tra Turing nhằm trả lời câu hỏi “máy móc có thể suy nghĩ không?” Trong bài kiểm tra này, con người phải phân biệt giữa phản hồi của máy tính đối với một câu hỏi và phản hồi của người khác đối với cùng một câu hỏi (IBM). Hơn nữa, trong “Trí tuệ nhân tạo: Một cách tiếp cận hiện đại”, Stuart Russel và Peter Norvig thảo luận về cách tiếp cận của con người so với cách tiếp cận hợp lý đối với trí tuệ nhân tạo. Họ thảo luận về bốn mục tiêu khác nhau cần theo đuổi khi thiết kế trí tuệ nhân tạo: hệ thống suy nghĩ như con người, hệ thống hành động như con người, hệ thống suy nghĩ hợp lý và hệ thống hành động hợp lý. Mỗi phương pháp hoặc mục tiêu đều có ưu điểm và nhược điểm riêng và tất cả các phương pháp này đều được sử dụng ngày nay. Một định nghĩa chung cho trí tuệ nhân tạo, phù hợp với các mục tiêu khác nhau này, là trí tuệ nhân tạo cho phép máy móc học hỏi từ những kinh nghiệm và thông tin trước đó và thực hiện các nhiệm vụ giống con người (SAS).
Cùng với định nghĩa chung được mô tả ở trên, trí tuệ nhân tạo cũng có thể được phân biệt thành trí tuệ nhân tạo yếu và mạnh. Trí tuệ nhân tạo yếu, còn được gọi là trí tuệ nhân tạo hẹp là trí tuệ nhân tạo được lập trình và đào tạo cho một nhiệm vụ. Trí tuệ nhân tạo hẹp không thể bắt chước con người nói chung, mà chỉ có thể bắt chước một số khía cạnh nhất định và có các ứng dụng rất cụ thể. Ví dụ, trí tuệ nhân tạo hẹp được sử dụng trong Amazon Alexa, Google Home, quảng cáo được cá nhân hóa trên phương tiện truyền thông xã hội, bài hát được đề xuất trên Spotify và nhiều hơn nữa.
Trí tuệ nhân tạo mạnh, còn được gọi là trí tuệ tổng quát nhân tạo, tập trung vào việc tạo ra một cỗ máy có thể thực hiện bất kỳ nhiệm vụ nhận thức nào mà con người có thể thực hiện. Nói cách khác, một cỗ máy có thể bắt chước con người. Có ba nhiệm vụ chính quan trọng để tạo ra một cỗ máy trí tuệ tổng quát nhân tạo. Đầu tiên là khả năng khái quát hóa kiến thức (có thể sử dụng kiến thức từ một lĩnh vực khác) và áp dụng vào một vấn đề hoặc nhiệm vụ. Nhiệm vụ thứ hai liên quan đến khả năng đưa ra dự đoán dựa trên kiến thức và kinh nghiệm trước đó, trong khi nhiệm vụ thứ ba và cũng là nhiệm vụ cuối cùng là khả năng thích ứng với những thay đổi (Forbes). Đáng chú ý, có rất nhiều lập luận về đạo đức đi kèm với trí tuệ tổng quát nhân tạo và có thể lập luận rằng không thể tạo ra một trí tuệ nhân tạo “mạnh”.
Nhìn chung, trí tuệ nhân tạo có thể được sử dụng để bổ sung trí thông minh vào các công nghệ đã có từ trước. Nó có thể thực hiện các nhiệm vụ một cách đáng tin cậy, ít lỗi hơn nhiều so với con người và nhanh hơn con người. Trí tuệ nhân tạo cũng có thể thích ứng thông qua quá trình học tập tiến bộ. Trong tương lai, trí tuệ nhân tạo có thể có tác động lớn hơn nữa đến cuộc sống hàng ngày của chúng ta và chúng ta có thể học được rất nhiều điều từ nó.
Các trường hợp sử dụng thực tế của trí tuệ nhân tạo
Sử dụng công nghệ hàng ngày
Tùy thuộc vào mức độ giao tiếp với công nghệ, bạn có thể nghĩ: “Trí tuệ nhân tạo không được sử dụng cho bất kỳ việc gì tôi làm hoặc sử dụng. Tại sao tôi cần biết AI được sử dụng ở đâu?” Để trả lời câu hỏi một cách nhanh chóng… trí tuệ nhân tạo hiện đang được nhúng vào rất nhiều nhiệm vụ hàng ngày mà hầu hết mọi người (thậm chí có thể là bạn!) sử dụng.
Cho dù bạn đang cố gắng tìm kiếm thứ gì đó qua Google, cố gắng quyết định xem bạn muốn xem gì trên Netflix hay cố gắng khám phá các thể loại nhạc thích hợp trên Spotify, tất cả các trang web này đều sử dụng thuật toán thông qua AI để suy ra những gì bạn có thể quan tâm. (Đại học York nd) Ví dụ… nếu bạn là một chuyên ngành STEM tình cờ tìm kiếm cụm từ “Lập trình R” đủ nhiều, cuối cùng Google sẽ nhận ra rằng bạn rất có thể không tìm kiếm lịch sử về cách chữ R xuất hiện. Tương tự như vậy, nếu bạn là một chuyên ngành ngôn ngữ học đang tìm kiếm cách chữ R hiện đại xuất hiện, rất có thể bạn sẽ không nhận được kết quả tìm kiếm liên quan đến ngôn ngữ lập trình R. Tất nhiên, đây không phải là tình huống duy nhất mà hai người sẽ nhận được kết quả tìm kiếm hoàn toàn khác nhau. Trên thực tế, cách trình bày thông tin theo thuật toán của Google dựa trên những gì bạn thường tìm kiếm có một cái tên — “bong bóng lọc”. Thuật ngữ này được nhà hoạt động chính trị Eli Pariser đặt ra cách đây hơn một thập kỷ. Ông đã chứng minh hiện tượng này trong một bài nói chuyện TED năm 2011 với hai người khác nhau đang tìm kiếm “Ai Cập” vào cùng thời điểm. Trong khi cuộc trò chuyện chủ yếu xoay quanh cách bong bóng lọc tác động đến chính trị và hoạt động chính trị, cần lưu ý rằng bong bóng lọc sẽ không tồn tại nếu không có trí tuệ nhân tạo đằng sau chúng. Điều này cho thấy, việc nhận thức được cách các thuật toán AI có thể ảnh hưởng đến những gì bạn nhìn thấy là một khía cạnh quan trọng của sự tham gia của công dân. Khái niệm này có thể trở nên phù hợp hơn nữa khi các chatbot mới hơn đưa ra thêm các vấn đề, chẳng hạn như đưa ra thông tin sai lệch khi được hỏi một số câu hỏi nhất định. Do đó, việc triển khai AI là quan trọng đối với tất cả mọi người .
Để sử dụng AI hiện đại ít đáng ngại hơn, cũng có các ứng dụng với phần mềm nhận dạng chữ viết tay. Ngay cả với tiếng Anh viết, giao diện màn hình cảm ứng kết hợp với AI, xử lý hình ảnh và thị giác máy tính để chuyển đổi chữ viết tay thành ghi chú tương thích với văn bản. Điều này có thể cực kỳ hữu ích để chuyển dữ liệu văn bản từ máy tính này sang máy tính khác. Mặc dù bạn có thể chụp ảnh ghi chú của mình để người khác xem, nhưng điều này có thể có hạn chế trong việc tìm kiếm các từ trong văn bản sau khi thực tế – bạn sẽ không thể tìm kiếm từ khóa nếu nó chỉ được lưu dưới dạng hình ảnh. Hơn nữa, một máy tính có thể chuyển đổi chữ viết tay thành văn bản đã nhập cũng cho phép ai đó sử dụng công cụ tìm kiếm mà không cần nhập. Việc sử dụng AI này thậm chí còn vượt ra ngoài tiếng Anh. Nghiên cứu nhận dạng chữ viết tay đã được sử dụng cho một số ngôn ngữ khác nhau, bao gồm các ngôn ngữ không phải phương Tây như tiếng Trung giản thể, tiếng Ả Rập, tiếng Thái, v.v. Do đó, AI nhận dạng chữ viết tay có thể bỏ qua nhu cầu nhập (một kỹ năng tách biệt với viết và thậm chí còn ít phổ biến hơn). Hơn nữa, việc chuyển đổi từ văn bản viết tay sang định dạng văn bản trên máy tính cũng có thể áp dụng cho các ngôn ngữ này, có thể được sử dụng cho AI dịch thuật – mặc dù những thứ như Google Dịch có thể không đáng tin cậy nhất, nhưng chúng có thể hữu ích trong những tình huống khẩn cấp như phòng cấp cứu tại bệnh viện.
AI trong Kinh tế và Tài chính
Kinh tế và Tài chính cũng áp dụng công nghệ để thực hiện công việc của họ. Ví dụ, công nghệ đặc biệt liên quan đến việc phát hiện gian lận thẻ tín dụng và bảo hiểm. Có những cách đã được thiết lập tốt để sử dụng toán học và thống kê để xác định xem tài khoản tài chính của ai đó có bị xâm phạm hay không. Tuy nhiên , câu đố đi kèm với tài chính và kinh tế hiện đại là các giao dịch diễn ra với tốc độ nhanh hơn rất nhiều so với tốc độ mà con người hiện có thể theo kịp. Một thuật toán AI có thể tính toán xác suất một giao dịch tài chính là gian lận nhanh hơn nhiều so với con người có thể làm. Do đó, miễn là con người đằng sau thuật toán đã đưa các công thức AI của họ để làm việc, tốc độ xử lý nhanh hơn sẽ hỗ trợ rất nhiều trong việc ngăn chặn gian lận thời hiện đại.
Tương tự như vậy, AI đã là nền tảng của thị trường ngoại hối hiện đại (còn được gọi là FOREX). Mặc dù khái niệm ngoại hối đã tồn tại từ thời Cổ đại, nhưng có một số cân nhắc bổ sung trong thời hiện đại. Cụ thể, các loại tiền tệ hiện đại được giao dịch với số lượng lớn hơn đáng kể và tốc độ nhanh hơn bất kỳ thứ gì trước đây. Trên thực tế, FOREX hiện đại rất lớn và nhanh đến mức con người không thể kiếm được lợi nhuận hiệu quả hoặc liên tục nếu không có các công cụ AI! Điều này chủ yếu là do phần lớn các giao dịch FOREX được thực hiện bởi bot AI thay vì con người. Một nghiên cứu do JPMorgan ủy quyền vào năm 2020 đã xác định rằng khoảng 60% tất cả các giao dịch FOREX được thực hiện bởi AI chứ không phải con người! Điều này không có nghĩa là không có sự tham gia của con người vào FOREX. Thay vào đó, vai trò của con người đối với một nhà giao dịch FOREX không còn nằm ở lĩnh vực thực hiện giao dịch, mà là kiểm tra các công thức và tạo ra mã ngày càng tốt hơn mà bot AI FOREX sẽ vận hành. Về cơ bản, AI giải phóng thời gian cho các nhà tài chính con người để đưa ra quyết định phân tích thay vì phải chờ đợi hoặc thực hiện giao dịch thực tế… nếu muốn. Cần lưu ý rằng những ứng dụng AI này vẫn còn mới và thường đi kèm rủi ro giá cả thay đổi đột ngột có thể xóa sổ lợi nhuận ngắn hạn.
AI trong chăm sóc sức khỏe
Trí tuệ nhân tạo cũng có ứng dụng trong chăm sóc sức khỏe. Có thể hơi lạ khi nghĩ về cách AI tác động đến một thứ vật lý như cơ thể bạn, nhưng đã có một số trường hợp mà AI có thể được sử dụng.
Ví dụ, AI có thể được sử dụng để phát hiện các tương tác thuốc gây chết người và tạo ra vắc-xin từ đầu. Đối với trường hợp trước, các nhà nghiên cứu tại Đại học bang Pennsylvania đã sử dụng AI để nghiên cứu các kết hợp thuốc theo toa nào có thể gây tổn thương gan. Trong trường hợp sau, vào năm 2019, các nhà nghiên cứu tại Đại học Flinders ở Úc đã phát triển vắc-xin cúm đầu tiên được thiết kế hoàn toàn bằng trí tuệ nhân tạo. Các loại vắc-xin được phát triển trước đây đã được thiết kế một phần bằng AI, ưu tiên cho vắc-xin đầu tiên được tạo ra 100% bằng AI. Hơn nữa, AI được sử dụng trong các máy móc vật lý được phát triển cho mục đích y tế – cụ thể là thông qua phẫu thuật hỗ trợ bằng robot. Mặc dù hầu hết các hệ thống phẫu thuật bằng robot không được điều khiển 100% bằng AI, nhưng trường hợp đầu tiên một robot phẫu thuật tự thực hiện phẫu thuật là vào năm 2006 (United Press International 2006)! Đây không phải là một thông lệ phổ biến hiện nay, nhưng phẫu thuật hỗ trợ bằng robot với sự can thiệp của con người thì có. Do đó, cần cân nhắc xem khoa học y tế có nên tự động hóa hoàn toàn phẫu thuật hay không hoặc sử dụng robot phẫu thuật AI làm máy cộng tác.
Học máy là gì?
Học máy là một tập hợp con của AI chuyên về việc lấy dữ liệu và cải thiện độ chính xác của các dự đoán bằng cách sử dụng dữ liệu đó. Ví dụ, nếu nhiệt độ tăng một độ Fahrenheit mỗi ngày, một thuật toán học máy có thể sử dụng dữ liệu đó để dự đoán rằng nhiệt độ sẽ tiếp tục tăng một độ mỗi ngày. Đây có thể được coi là dạng học máy đơn giản nhất, được gọi là hồi quy tuyến tính (vì có mối quan hệ tuyến tính giữa số ngày và nhiệt độ). Tuy nhiên, học máy có thể bao gồm một số ý tưởng và mô hình khác nhau, thậm chí bao gồm cả các mục như dự báo thời tiết.
Học máy được sử dụng theo nhiều cách trong cuộc sống hàng ngày của chúng ta, chẳng hạn như đối với các đề xuất của Spotify/YouTube, dự đoán thị trường chứng khoán và quảng cáo. Với ngày càng nhiều dữ liệu có sẵn, các ứng dụng tiềm năng của ML sẽ chỉ tiếp tục tăng lên. Phá hủy sáng tạo, trong kinh tế học, là khái niệm cho rằng với công nghệ mới và tốt hơn, một số công việc có thể bị mất trong ngắn hạn. Tuy nhiên, về lâu dài, năng suất sẽ tăng lên, các công việc mới sẽ được tạo ra và mức sống sẽ tăng lên. Với AI có khả năng tiếp quản một số công việc như công việc dịch vụ khách hàng và một số công việc đó được thay thế bằng các công việc đòi hỏi phải mã hóa các công cụ AI, sự phá hủy sáng tạo đang diễn ra và sẽ chỉ tiếp tục như vậy. Do đó, với việc ML tiếp quản một phần lớn Internet ngày nay, việc có được sự hiểu biết sâu sắc về những gì nó làm là điều cơ bản.
Học máy thường có thể hoạt động theo hai cách: học có giám sát và không giám sát. Với học có giám sát, máy tính được đào tạo bằng dữ liệu có nhãn và sau đó có thể sử dụng dữ liệu đó để đưa ra dự đoán mới. Ví dụ, nếu chúng ta muốn đào tạo máy tính để nhận dạng hình ảnh quả táo, trước tiên chúng ta cần nhập một số lượng lớn hình ảnh có chứa táo và hình ảnh không có táo. Sau đó, chúng ta sẽ dán nhãn phù hợp cho chúng. Sau đó, máy tính sẽ lấy dữ liệu này, tạo mô hình từ dữ liệu đó và dự đoán liệu một thứ có phải là quả táo hay không từ một hình ảnh mới. Học không giám sát thường được sử dụng để nhóm hoặc phân nhóm các phân đoạn dữ liệu. Ví dụ, Spotify có thể sử dụng loại thuật toán ML này để nhóm người nghe vào các danh mục nhất định. Một nhóm người nghe tiềm năng có thể là hip-hop và rap, cho phép Spotify gợi ý nghệ sĩ hip-hop cho người nghe nhạc rap và ngược lại.
Một cách máy tính có thể tạo mô hình là thông qua học tăng cường, cho máy tính biết dự đoán tương lai dựa trên quá khứ. Quay lại ví dụ về quả táo, máy tính có thể bắt đầu bằng cách đưa ra những phỏng đoán ngẫu nhiên về bức ảnh nào có táo và bức ảnh nào không. Sau đó, mô hình sẽ kiểm tra các phỏng đoán đó với dữ liệu – nếu các phỏng đoán sai, mô hình sẽ thay đổi để thích ứng. Mỗi lần chạy qua tập dữ liệu (mỗi lần mô hình chạy qua tập dữ liệu và đoán bức ảnh nào có táo) được gọi là một kỷ nguyên. Cuối cùng, sau hàng chục hoặc hàng trăm kỷ nguyên, mô hình sẽ ngày càng tốt hơn. Lý tưởng nhất là một mô hình tốt sẽ có thể đoán được bức ảnh nào chứa táo với độ chính xác gần 100%.
Các trường hợp sử dụng cho ML: Phân tích thể thao
Một ví dụ về máy học trong thế giới thực là sử dụng số liệu về số yard chạy vượt kỳ vọng (RYOE) trong NFL (Giải bóng bầu dục quốc gia). Để tính toán RYOE, các nhà phát triển có thể tính số yard chạy dự kiến dựa trên một số yếu tố, chẳng hạn như tốc độ của hậu vệ và số lượng người chặn trong khu vực. Sau đó, dựa trên số yard chạy thực tế đã xảy ra, RYOE có thể được tính là (số yard thực tế) – (số yard dự kiến). Sử dụng dữ liệu mới và các mô-đun máy học dựa trên số liệu này, các đội có thể xác định tốt hơn liệu số yard chạy là sản phẩm của chính hậu vệ chạy hay của các tiền vệ tấn công và các sơ đồ. Điều này cũng cho phép so sánh định lượng liên quan đến giá trị của các vở kịch chuyền bóng so với các vở kịch chạy và sau đó là nơi các đội nên đầu tư nguồn nhân lực vào. Do đó, với việc giới thiệu dữ liệu mới và các mô hình máy học được áp dụng cho dữ liệu đó, chúng ta có thể đưa ra một lập luận mạch lạc để cuối cùng trả lời câu hỏi: hậu vệ chạy có thực sự quan trọng không?
Một ứng dụng khác của máy học là trong cá cược thể thao. Bằng cách phân tích dữ liệu lịch sử trước đó với xếp hạng của người chơi, lịch sử chấn thương và nhiều số liệu khác, các công ty cá cược và người đặt cược có thể sử dụng dữ liệu này để đào tạo mô hình máy học. Bằng cách đưa các giá trị hiện tại của các số liệu đó vào, mô hình có thể dự đoán, ví dụ, ai sẽ thắng một trận đấu và thắng bao nhiêu điểm. Bằng cách này, các công ty cá cược có thể thiết lập tỷ lệ cược cho các trận đấu và nếu mô hình của người đặt cược không phù hợp với điều này, người đặt cược có thể tin rằng mô hình của họ tốt hơn và sử dụng điều đó để đặt cược vào trận đấu.
Hơn nữa, máy học có thể được sử dụng để phân tích các quyết định trong thời gian thi đấu trong các môn thể thao như bóng chày và bóng rổ. Bằng cách xem xét hiệu suất của cầu thủ trong quá khứ và xem họ thể hiện như thế nào so với những cầu thủ khác trong các tình huống cụ thể, chẳng hạn như trong mưa hoặc nắng, các đội có thể sử dụng máy học để dự đoán cách các cầu thủ sẽ thể hiện trong tương lai. Với dữ liệu này, họ có thể đưa cầu thủ của mình vào vị trí tốt nhất có thể để thành công.
Phần kết luận
Về bản chất, có thể thấy rằng Trí tuệ nhân tạo và Học máy là những khái niệm có mối liên hệ chặt chẽ với nhau. Điều này đặc biệt đúng khi Học máy là một tập hợp con của chính lĩnh vực AI rộng lớn hơn. Hơn nữa, cả AI rộng lớn hơn và các kỹ thuật Học máy cụ thể hơn đều có các ứng dụng trải dài từ giải trí như thể thao và âm nhạc, đến các nhiệm vụ sinh hoạt hàng ngày như nhận dạng chữ viết tay và thiết bị trợ lý gia đình, đến cơ sở hạ tầng quan trọng như tài chính và y học. Điều này khiến người ta tự hỏi trí tuệ nhân tạo vẫn chưa được triển khai ở đâu. Mặc dù có thể khó nói khi nào các chuyên gia công nghệ trong học viện và khu vực tư nhân không thể đi đến thống nhất, nhưng có một điều hoàn toàn chắc chắn. AI và Học máy ít nhiều đều có tầm quan trọng đối với cuộc sống của mọi người theo cách này hay cách khác, dù trực tiếp hay gián tiếp.
Hơn nữa, điều này cũng dẫn đến các cuộc thảo luận sâu hơn, chẳng hạn như “tầm quan trọng của những công nghệ này có bị cường điệu hóa hay đánh giá thấp không ?”, vì mức độ chính xác mà trí tuệ nhân tạo và máy học sẽ tác động đến xã hội vẫn chưa được biết. Với sự ra đời của các chatbot máy học như ChatGPT, có thể rất khó để xác định mức độ hữu ích của nó trong thời gian dài. Mặc dù nó có thể trả lời các câu hỏi từ “Abraham Lincoln bị giết ở đâu?” đến “Viết mã trang web cho tôi”, nhưng đôi khi nó không trả lời được một số câu hỏi logic đơn giản. Mặc dù công cụ này đã được đào tạo trên ba tỷ từ đáng kinh ngạc, nhưng hiện tại nó vẫn chưa hoàn hảo. Tuy nhiên, theo thời gian, ChatGPT và các công cụ tương tự sẽ được đào tạo trên nhiều dữ liệu hơn nữa, máy tính sẽ trở nên nhanh hơn nữa và các ứng dụng cũng như độ chính xác sẽ chỉ tăng lên – khiến chúng ta phải tự hỏi liệu các ứng dụng trong tương lai có thể phân biệt được với con người hay không. Tương tự như ví dụ trước đây của chúng ta về bác sĩ phẫu thuật robot, chỉ có thời gian mới cho biết liệu các chatbot chạy bằng AI và ML có cần sự hỗ trợ rộng rãi từ con người hay liệu chúng có khả năng tự chủ trong tương lai hay không. Mặc dù chúng tôi không thể trả lời câu hỏi này vào thời điểm này, chúng tôi cũng không khuyến khích lập trường cụ thể về trí tuệ nhân tạo và máy học… nhưng chúng tôi có thể nói rằng đây là chủ đề cần chú ý.
