[ML] Bài 1: Học AI bắt đầu từ đâu?

Xin chào các em sinh viên!

Nhớ lại trong bài trước, chúng ta đã có cái nhìn tổng quan về khái niệm “Trí tuệ nhân tạo” (AI). Trí tuệ nhân tạo (Artificial Intelligence – AI) là một lĩnh vực nghiên cứu đầy hứa hẹn trong khoa học máy tính, với mục tiêu tạo ra những chương trình/hệ thống máy tính thông minh có khả năng thực hiện các nhiệm vụ mà thường chỉ con người mới làm được, như nhận thức, học hỏi, suy luận và tương tác.

Mặc dù đây không phải là một khái niệm mới, nhưng những sự tiến bộ gần đây trong công nghệ tính toán đã mở rộng khả năng ứng dụng của nó vào nhiều khía cạnh trong đời sống hàng ngày. Một ví dụ điển hình là sự ra đời của ChatGPT vào năm 2020, một dấu ấn quan trọng trong nghiên cứu và phát triển AI, đã đưa AI trở thành tâm điểm chú ý. AI đang dần khẳng định vai trò của mình như một yếu tố đột phá, thúc đẩy sự phát triển trong các ngành khoa học, kỹ thuật và ảnh hưởng sâu rộng đến xã hội trong tương lai.

Nhận thức được tiềm năng to lớn của AI, nhiều sinh viên như các em hẳn sẽ rất tò mò và mong muốn được học tập, khám phá lĩnh vực này

Bài viết này xin được đặt những “viên gạch” đầu tiên để giới thiệu cho những bạn đọc mới về AI.

Các bài trong cùng chủ đề:

Bài 1: Học AI bắt đầu từ đâu?

Bài 2: Giới thiệu về Học máy

Bài 3: Mô hình hồi quy tuyến tính

Bài 4.1: Phân loại với hồi quy Logistic

Bài 4.2: Hồi quy Logistic cho phân loại đa lớp và Ứng dụng phân loại cảm xúc văn bản

Bài 5.1. Một ứng dụng của học không giám sát

Bài 5.2. Thuật toán K-Means và Ứng dụng phân cụm khách hàng

Bài 6. Bình minh của mạng nơ-ron nhân tạo – Cấu Trúc Perceptron

1. Giải mã AI

AI là gì?

Trí tuệ nhân tạo (Artificial Intelligence – AI) là một lĩnh vực của khoa học máy tính tập trung vào việc tạo ra các hệ thống máy tính có khả năng thực hiện các tác vụ mà thông thường đòi hỏi sự nhận thức, suy nghĩ và tương tác của con người. Các hệ thống AI có khả năng học hỏi từ kinh nghiệm, thích nghi với các điều kiện mới và thực hiện các tác vụ từ đơn giản đến phức tạp mà không cần sự can thiệp trực tiếp của con người.

Ứng dụng của AI ngày càng rộng rãi, từ việc cải thiện hiệu quả trong các ngành công nghiệp như sản xuất, y tế và tài chính, cho đến việc tạo ra các trải nghiệm cá nhân hóa trong các dịch vụ tiêu dùng như thương mại điện tử và giải trí. AI cũng đóng một vai trò quan trọng trong việc phân tích dữ liệu lớn, giúp phát hiện mẫu hình và xu hướng không rõ ràng để ra quyết định tốt hơn.

Hình 1. Ứng dụng của AI ngày càng rộng rãi.

AI có thể được chia thành hai loại chính: AI hẹp (AI mạnh) và AI toàn diện (AGI).

• AI Hẹp (Artificial Narrow Intelligence/Narrow AI): AI hẹp là loại AI chúng ta thấy phổ biến hiện nay, được thiết kế và huấn luyện để thực hiện một nhiệm vụ cụ thể. Ví dụ về AI hẹp bao gồm hệ thống nhận dạng giọng nói, chatbot, và các hệ thống đề xuất sản phẩm trên các trang thương mại điện tử.
• AI Toàn diện (Artificial General Intelligence/General AI – AGI): hay trí tuệ nhân tạo toàn diện, là một khái niệm mà ở đó AI có khả năng hiểu, học hỏi, và áp dụng kiến thức và kỹ năng trí tuệ trên nhiều tác vụ và đạt được những kết quả ngang bằng hoặc vượt trội con người. AGI vẫn đang là một khái niệm chưa hoàn thiện và là mục tiêu trong nghiên cứu AI hiện nay.

Phân biệt khái niệm AI, Machine Learning, Deep Learning

• Trí tuệ nhân tạo (AI): Là lĩnh vực khoa học máy tính nhằm tạo ra các hệ thống thông minh có thể suy nghĩ, học hỏi và hành động như con người. AI là mục tiêu chung, là lĩnh vực bao gồm nhiều kỹ thuật khác nhau, bao gồm Machine Learning và Deep Learning.
• Học máy (Machine Learning): là một kỹ thuật quan trọng để hiện thực hóa AI, cung cấp cho máy tính khả năng học hỏi từ dữ liệu mà không cần được lập trình cụ thể và tự động hóa các nhiệm vụ.
• Deep Learning: là một kỹ thuật tiên tiến của Machine Learning, sử dụng các mạng nơ-ron nhân tạo có cấu trúc sâu để học hỏi từ dữ liệu phức tạp.

Hình 2. Mạng nơ-ron nhân tạo (Artificial neural network – ANN) là một hệ thống tính toán được lấy cảm hứng từ cấu trúc và hoạt động của não bộ con người (Nguồn: Arne Wolfewicz, Levity Blog, 2023).

Lịch sử phát triển của AI

• Lịch sử của AI bắt đầu từ những năm 1950, khi các nhà khoa học máy tính bắt đầu nghiên cứu và phát triển các thuật toán để mô phỏng hoạt động của não người.
• Thập niên 1980 chứng kiến sự bùng nổ của các mạng nơ-ron và học máy, với sự phát triển của các thuật toán có thể tự học hỏi từ dữ liệu (được gọi là các thuật toán học máy – Machine Learning).
• Vào đầu thế kỷ 21, sự phát triển của công nghệ lưu trữ và xử lý dữ liệu đã dẫn đến sự tiến bộ lớn trong lĩnh vực AI, đặc biệt là với sự ra đời của các thuật toán học sâu (được gọi là Deep Learning), mở ra nhiều ứng dụng mới và mạnh mẽ hơn

Hình 3. Phân biệt khái niệm AI, Machine Learning, Deep Learning (Nguồn: Michael Copeland, NVIDIA Blog, 2016).

2. Nội dung học tập ngành học Trí tuệ nhân tạo

Có thể tóm tắt Ngành học AI bao gồm 4 nhóm nội dung chính như sau:

• Lập trình: Hiểu biết về các ngôn ngữ lập trình như Python, Java, C#, C++, hay R. Nắm vững cấu trúc dữ liệu và giải thuật giúp xử lý dữ liệu hiệu quả, tiết kiệm thời gian và tài nguyên tính toán.
• Kiến thức nền tảng về toán
  • Đại số tuyến tính: Nắm vững các phép toán ma trận, không gian vector, biến đổi tuyến tính
  • Giải tích: Đạo hàm, vi phân, tích phân, tối ưu hóa hàm số là chìa khóa để thấu hiểu hoạt động bên trong của mạng nơ-ron nhân tạo và các mô hình học sâu.
  • Xác suất thống kê: Hiểu biết về phân phối xác suất, thống kê suy luận, kiểm định giả thuyết,… giúp đánh giá hiệu quả mô hình, đưa ra dự đoán chính xác và xử lý dữ liệu một cách khoa học.
• Kiến thức AI nền tảng 
  • Các thuật toán học máy cơ bản: Mô hình tuyến tính, hồi quy logistic, cây quyết định, k-Means clustering,… là những thuật toán thiết yếu giúp phân tích dữ liệu, dự đoán xu hướng và đưa ra quyết định thông minh.
  • Kiến trúc mạng nơ-ron nhân tạo: Hiểu rõ cấu trúc của các loại mạng nơ-ron như Perceptron, Multilayer Perceptron, là nền tảng cho các mô hình học sâu phức tạp.
  • Học sâu (Deep learning): Deep learning là tập con của machine learning, sử dụng mạng nơ-ron nhân tạo có cấu trúc sâu như Convolutional Neural Network (CNN), Recurrent Neural Network (RNN),.. để học hỏi từ dữ liệu phức tạp, đặc biệt là hình ảnh và ngôn ngữ.
• Xây dựng và triển khai ứng dụng AI trong các chủ đề: Thị giác máy tính, Xử lý ngôn ngữ tự nhiên, Xử lý dữ liệu chuỗi thời gian, Hệ khuyến nghị.

Bài viết này chỉ là phần mở đầu ngắn gọn, các em có thể đặt câu hỏi hoặc chia sẻ những thắc mắc về AI để cùng thảo luận và học hỏi. Trong bài viết tiếp theo, tôi dự định sẽ đi vào một nội dung kiến thức AI nền tảng: Giới thiệu về Machine Learning và mô hình tuyến tính.

Chúc các em thành công trên con đường chinh phục AI!

@Hong-Quan Do