Tìm hiểu Chú Thích Ảnh Tự Động bằng Học Sâu & Xây Dựng Ứng Dụng Minh Họa

Chuyên khảo phân tích Tìm hiểu chú thích ảnh tự động sử dụng học sâu và viết ứng dụng minh họa, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

• Tác giả: Nguyễn Lê Bảo Thanh
• Người hướng dẫn: TS. Trần Nhật Quang
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Tìm hiểu chú thích ảnh tự động sử dụng học sâu và viết ứng dụng minh họa
• Loại tài liệu: Đồ án tốt nghiệp/Khóa luận tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• DANH MỤC HÌNH ẢNH
• DANH MỤC BẢNG
• DANH MỤC TỪ VIẾT TẮT
• KÍ HIỆU – QUY ƯỚC
• 1. CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu và đóng góp
• 1.3. Lộ trình thực hiện và các công việc liên quan
• 2. CHƯƠNG 2: TÌM HIỂU VỀ LÝ THUYẾT
• 2.1. Ngôn ngữ lập trình Python
• 2.2. Cú pháp trong Python
• 3. CHƯƠNG 3: PHÂN TÍCH DỮ LIỆU
• 3.1. The MS COCO (Microsoft Common Objects in Context) [4]
• 4. CHƯƠNG 4: PHƯƠNG PHÁP HỌC
• 4.1. Cở sở lý thuyết
• 4.2. Giới thiệu bài toán
• 4.3. Kiến thức nền tảng. Rút trích đặc trưng ảnh bằng mạng nơ-ron tích chập
• 4.4. Xây dựng mô hình ngôn ngữ bằng mạng nơ-ron hồi quy
• 4.5. Mô hình ngôn ngữ n-gram
• 4.6. Mô hình ngôn ngữ dựa trên mạng nơ-ron
• 4.7. Mô hình ngôn ngữ dựa trên mạng nơ-ron truyền thẳng
• 4.8. Mô hình ngôn ngữ dựa trên mạng nơ-ron hồi quy
• 4.9. Mô hình ngôn ngữ dựa trên mạng bộ nhớ dài-ngắn
• 4.10. Tự động mô tả nội dung ảnh bằng mô hình CNN-LSTM-Attention
• 4.11. Mô hình CNN-LSTM cho bài toán tự động mô tả nội dung ảnh
• 4.12. Kiến trúc mô hình CNN-LSTM
• 4.13. Huấn luyện mô hình CNN-LSTM. Phát sinh câu mô tả từ ảnh với mô hình CNN-LSTM đã được huấn luyện 59
• 4.14. Mô hình CNN-LSTM-Attention cho bài toán tự động mô tả nội dung ảnh 62
• 4.15. Vấn đề của mô hình CNN-LSTM và cách khắc phục bằng cơ chế Attention
• 4.16. Kiến trúc mô hình CNN-LSTM-Attention
• 4.17. Huấn luyện mô hình CNN-LSTM-Attention
• 4.18. Phát sinh câu mô tả từ ảnh với mô hình CNN-LSTM-Attention đã được huấn luyện
• 4.19. Giới thiệu về Transformer được đề cập và những phần liên quan
• 4.20. Model & Mechanism Attention
• 4.21. Các thí nghiệm được đề cập
• 4.22. Phương pháp thực hiện.101
• 5. CHƯƠNG 5: PHƯƠNG PHÁP ĐÁNH GIÁ
• 5.1. Đánh giá tự động
• 5.2. Đánh giá thủ công
• 6. CHƯƠNG 6: XÂY DỰNG MÔ HÌNH – THỰC NGHIỆM CHƯƠNG TRÌNH
• 6.1. Xử lý dữ liệu
• 6.2. Mô hình CNN Encoder
• 6.3. Lớp CNN_Encoder
• 6.4. Khởi tạo lớp CNN_Encoder
• 6.5. Phương thức forward
• 6.6. Phương thức fine_tune
• 6.7. Lớp Multi_Head_Attention:
• 6.8. Kết quả sau khi training
• 6.9. Một số ảnh giao diện website
• 6.10. Một số phần khác của website .134
• 7. CHƯƠNG 7: KẾT LUẬN VÀ MỤC TIÊU PHÁT TRIỂN
• 7.1. Đánh giá kết quả thực hiện
• 7.2. Ưu điểm và nhược điểm
• 7.3. Hướng phát triển
• TÀI LIỆU THAM KHẢO .140

Tóm tắt

I. Tổng Quan Chú Thích Ảnh Tự Động Học Sâu và Ứng Dụng

Trong bối cảnh bùng nổ của dữ liệu hình ảnh, chú thích ảnh tự động nổi lên như một giải pháp đột phá, kết hợp sức mạnh của học sâu và xử lý ảnh. Thay vì gắn nhãn thủ công, tốn kém thời gian, hệ thống AI tạo caption có thể tự động mô tả ảnh bằng AI, giúp người dùng nhanh chóng nắm bắt nội dung. Đề tài nghiên cứu này đi sâu vào lý thuyết, thuật toán, và đặc biệt là ứng dụng thực tiễn của chú thích ảnh tự động, dựa trên nền tảng deep learning. Bài toán này không chỉ dừng lại ở việc tạo chú thích ảnh tự động một cách máy móc, mà còn hướng tới việc sinh chú thích ảnh có ý nghĩa, mạch lạc, và phù hợp với ngữ cảnh. Theo tài liệu gốc, đồ án tốt nghiệp tập trung vào "Tìm hiểu về lý thuyết, bộ dữ liệu, các thuật toán và các phương pháp đánh giá được sử dụng trong mô hình chú thích ảnh tự động." Điều này cho thấy tầm quan trọng của việc nắm vững kiến thức nền tảng trước khi đi sâu vào xây dựng và triển khai mô hình.

1.1. Tầm Quan Trọng của Chú Thích Ảnh Tự Động Trong Kỷ Nguyên AI

Kỷ nguyên số chứng kiến sự gia tăng chóng mặt của dữ liệu hình ảnh. Việc quản lý, phân loại, và khai thác hiệu quả nguồn tài nguyên này trở nên vô cùng quan trọng. Chú thích ảnh tự động không chỉ giúp giảm tải công việc thủ công, mà còn mở ra những cơ hội mới trong nhiều lĩnh vực. Ví dụ, trong thương mại điện tử, caption ảnh tự động có thể giúp người mua hàng dễ dàng tìm kiếm sản phẩm phù hợp. Trong lĩnh vực y tế, việc mô tả ảnh tự động có thể hỗ trợ các bác sĩ chẩn đoán bệnh nhanh chóng và chính xác hơn. Đặc biệt, AI tạo caption mang lại lợi ích to lớn cho người khiếm thị, giúp họ "nhìn" thế giới xung quanh thông qua mô tả bằng lời nói.

1.2. Mối Liên Hệ Giữa Chú Thích Ảnh và Các Lĩnh Vực Trí Tuệ Nhân Tạo

Chú thích ảnh tự động không tồn tại độc lập, mà là sự giao thoa của nhiều lĩnh vực trong trí tuệ nhân tạo. Computer vision đóng vai trò quan trọng trong việc "nhìn" và hiểu hình ảnh, trích xuất các đặc trưng quan trọng. Natural Language Processing (NLP) giúp biến những đặc trưng này thành câu văn có nghĩa, tuân thủ ngữ pháp và ngữ cảnh. Học sâu cung cấp các mô hình mạnh mẽ để liên kết hình ảnh và ngôn ngữ một cách hiệu quả. Sự kết hợp này tạo nên một hệ thống AI tạo caption hoàn chỉnh, có khả năng "suy nghĩ" và "diễn đạt" như con người.

II. Thách Thức trong Phát Triển Chú Thích Ảnh Tự Động Bằng AI

Mặc dù đạt được nhiều tiến bộ, chú thích ảnh tự động vẫn đối mặt với không ít thách thức. Khả năng hiểu ngữ cảnh, trích xuất thông tin chi tiết, và diễn đạt một cách sáng tạo là những rào cản lớn. Các mô hình mô tả ảnh bằng AI hiện tại đôi khi đưa ra những caption ảnh tự động chung chung, thiếu chính xác, hoặc không phù hợp với thực tế. Theo tài liệu nghiên cứu, "trong quá trình làm nên đề tài có những thiếu sót là điều không thể tránh khỏi nên chúng em rất mong nhận được những ý kiến đóng góp quý báu của các quý thầy cô để kiến thức của chúng em được hoàn thiện hơn". Điều này nhấn mạnh sự cần thiết của việc liên tục nghiên cứu và cải tiến các thuật toán.

2.1. Vấn Đề Hiểu Ngữ Cảnh và Mối Quan Hệ Giữa Các Đối Tượng

Một trong những khó khăn lớn nhất là khả năng hiểu ngữ cảnh và mối quan hệ giữa các đối tượng trong ảnh. AI tạo caption không chỉ cần nhận diện các đối tượng, mà còn phải hiểu được hành động, tương tác, và vai trò của chúng trong bối cảnh chung. Ví dụ, một bức ảnh có thể chứa nhiều người đang chơi bóng rổ. Hệ thống cần hiểu được ai đang ném bóng, ai đang phòng thủ, và mục đích của hành động đó là gì để tạo ra một caption ảnh tự động chính xác và có ý nghĩa.

2.2. Hạn Chế về Dữ Liệu Huấn Luyện và Đánh Giá Mô Hình

Dữ liệu huấn luyện đóng vai trò then chốt trong sự thành công của bất kỳ mô hình học sâu nào. Tuy nhiên, việc thu thập và gán nhãn dữ liệu cho chú thích ảnh tự động là một quá trình tốn kém và phức tạp. Dataset cho chú thích ảnh cần phải đủ lớn, đa dạng, và chính xác để đảm bảo mô hình có thể học được các quy tắc và mẫu một cách hiệu quả. Ngoài ra, việc đánh giá chất lượng của các caption ảnh tự động cũng là một thách thức. Các evaluation metrics chú thích ảnh truyền thống như BLEU, METEOR, và CIDER đôi khi không phản ánh đúng mức độ phù hợp và sáng tạo của các mô tả.

III. Phương Pháp CNN LSTM Nền Tảng của Chú Thích Ảnh Tự Động

Mô hình CNN-LSTM là một trong những phương pháp phổ biến nhất trong chú thích ảnh tự động, kết hợp sức mạnh của mạng nơ-ron tích chập (CNN) và mạng nơ-ron hồi quy (LSTM). CNN có khả năng trích xuất các đặc trưng hình ảnh, trong khi LSTM có thể tạo ra các chuỗi ngôn ngữ. Sự kết hợp này cho phép mô hình sinh chú thích ảnh một cách tự động, dựa trên nội dung trực quan của hình ảnh. Theo tài liệu, "Mô hình CNN-LSTM cho bài toán tự động mô tả nội dung ảnh" được nghiên cứu và triển khai, cho thấy tầm quan trọng của phương pháp này trong đề tài.

3.1. Vai Trò của Mạng CNN Trong Trích Xuất Đặc Trưng Ảnh

Mạng CNN đóng vai trò là bộ mã hóa (encoder) trong mô hình CNN-LSTM, chịu trách nhiệm trích xuất các đặc trưng quan trọng từ hình ảnh đầu vào. Các lớp tích chập và pooling trong CNN giúp mô hình học được các biểu diễn cấp cao của hình ảnh, từ các cạnh và góc đơn giản đến các đối tượng và cảnh phức tạp. Các đặc trưng này sau đó được chuyển cho LSTM để tạo ra câu mô tả.

3.2. Mạng LSTM và Khả Năng Tạo Chuỗi Ngôn Ngữ Tự Nhiên

Mạng LSTM đóng vai trò là bộ giải mã (decoder) trong mô hình CNN-LSTM, chịu trách nhiệm tạo ra câu mô tả dựa trên các đặc trưng hình ảnh được trích xuất bởi CNN. LSTM là một loại mạng nơ-ron hồi quy có khả năng ghi nhớ thông tin trong quá khứ, giúp mô hình tạo ra các chuỗi ngôn ngữ mạch lạc và có ý nghĩa. LSTM sử dụng các cổng (gate) để kiểm soát luồng thông tin, giúp mô hình học được các phụ thuộc dài hạn trong ngôn ngữ.

IV. Cơ Chế Attention Nâng Cao Hiệu Quả Chú Thích Ảnh Tự Động

Cơ chế Attention là một kỹ thuật quan trọng giúp nâng cao hiệu quả của mô hình CNN-LSTM. Thay vì sử dụng toàn bộ đặc trưng hình ảnh để tạo ra câu mô tả, Attention cho phép mô hình tập trung vào các vùng quan trọng nhất của hình ảnh tại mỗi bước. Điều này giúp mô hình sinh chú thích ảnh chính xác hơn, đồng thời cải thiện khả năng hiểu ngữ cảnh và mối quan hệ giữa các đối tượng. Theo tài liệu, "Vấn đề của mô hình CNN-LSTM và cách khắc phục bằng cơ chế Attention" được đề cập, cho thấy tầm quan trọng của cơ chế này trong việc giải quyết các hạn chế của mô hình CNN-LSTM cơ bản.

4.1. Nguyên Lý Hoạt Động Của Cơ Chế Attention Trong Chú Thích Ảnh

Cơ chế Attention hoạt động bằng cách tính toán một trọng số cho mỗi vùng trong ảnh, thể hiện mức độ quan trọng của vùng đó đối với việc tạo ra từ tiếp theo trong câu mô tả. Các trọng số này được tính dựa trên các đặc trưng hình ảnh và trạng thái ẩn của LSTM. Vùng nào có trọng số cao hơn sẽ được mô hình chú ý nhiều hơn, giúp mô hình tạo ra câu mô tả phù hợp với nội dung của vùng đó.

4.2. Ưu Điểm Của Attention So Với Mô Hình CNN LSTM Truyền Thống

Cơ chế Attention mang lại nhiều ưu điểm so với mô hình CNN-LSTM truyền thống. Thứ nhất, Attention giúp mô hình tập trung vào các vùng quan trọng nhất của hình ảnh, giúp tạo ra câu mô tả chính xác hơn. Thứ hai, Attention giúp mô hình hiểu ngữ cảnh và mối quan hệ giữa các đối tượng tốt hơn, giúp tạo ra câu mô tả có ý nghĩa hơn. Thứ ba, Attention giúp mô hình dễ dàng diễn giải hơn, cho phép người dùng hiểu được tại sao mô hình lại tạo ra câu mô tả đó.

V. Ứng Dụng Thực Tiễn của Chú Thích Ảnh Tự Động Trong Đời Sống

Chú thích ảnh tự động có nhiều ứng dụng thực tiễn trong đời sống, từ hỗ trợ người khiếm thị đến cải thiện trải nghiệm người dùng trên các nền tảng trực tuyến. Khả năng mô tả ảnh tự động giúp tiếp cận thông tin dễ dàng hơn, đồng thời mở ra những cơ hội mới trong nhiều lĩnh vực. Theo tài liệu, việc xây dựng "Một website áp dụng mô hình trên để người dùng sử dụng thuận tiện hơn" là một trong những mục tiêu của đồ án, cho thấy tầm quan trọng của việc triển khai ứng dụng thực tế.

5.1. Hỗ Trợ Người Khiếm Thị Tiếp Cận Thông Tin Hình Ảnh

Một trong những ứng dụng quan trọng nhất của chú thích ảnh tự động là hỗ trợ người khiếm thị tiếp cận thông tin hình ảnh. Bằng cách sử dụng một hệ thống AI tạo caption, người khiếm thị có thể nghe mô tả về các bức ảnh trên mạng, trong sách báo, hoặc thậm chí trong môi trường xung quanh thông qua camera gắn trên thiết bị hỗ trợ.

5.2. Cải Thiện Trải Nghiệm Người Dùng Trên Các Nền Tảng Trực Tuyến

Caption ảnh tự động có thể cải thiện trải nghiệm người dùng trên các nền tảng trực tuyến như mạng xã hội, thương mại điện tử, và công cụ tìm kiếm. Trên mạng xã hội, tạo chú thích ảnh tự động giúp người dùng dễ dàng tìm kiếm và khám phá nội dung. Trong thương mại điện tử, mô tả ảnh tự động giúp người mua hàng hiểu rõ hơn về sản phẩm. Trên công cụ tìm kiếm, sinh chú thích ảnh giúp cải thiện khả năng tìm kiếm hình ảnh dựa trên nội dung.

VI. Kết Luận và Hướng Phát Triển Của Chú Thích Ảnh Tự Động

Chú thích ảnh tự động là một lĩnh vực đầy tiềm năng, hứa hẹn sẽ mang lại nhiều lợi ích cho xã hội. Mặc dù còn nhiều thách thức, nhưng với sự phát triển của học sâu và xử lý ngôn ngữ tự nhiên, chúng ta có thể kỳ vọng vào những đột phá lớn trong tương lai. Nghiên cứu và phát triển các thuật toán chú thích ảnh ngày càng thông minh và sáng tạo là chìa khóa để khai thác tối đa tiềm năng của lĩnh vực này. Theo tài liệu, "Hướng phát triển" là một trong những phần quan trọng của kết luận, cho thấy tầm quan trọng của việc định hướng nghiên cứu trong tương lai.

6.1. Tương Lai Của Mô Hình Học Sâu Trong Chú Thích Ảnh

Trong tương lai, các mô hình học sâu sẽ tiếp tục đóng vai trò quan trọng trong chú thích ảnh tự động. Các kiến trúc mạng nơ-ron mới, như Transformer và các biến thể của nó, hứa hẹn sẽ mang lại hiệu quả cao hơn so với các mô hình CNN-LSTM truyền thống. Ngoài ra, việc kết hợp chú thích ảnh tự động với các kỹ thuật khác, như object detection và image segmentation, có thể giúp mô hình hiểu rõ hơn về nội dung của hình ảnh.

6.2. Đề Xuất Giải Pháp Nâng Cao Chất Lượng Chú Thích Ảnh Tự Động

Để nâng cao chất lượng của caption ảnh tự động, cần tập trung vào các giải pháp sau: (1) Thu thập và gán nhãn dữ liệu huấn luyện chất lượng cao; (2) Phát triển các mô hình có khả năng hiểu ngữ cảnh và mối quan hệ giữa các đối tượng; (3) Sử dụng các evaluation metrics chú thích ảnh phù hợp và toàn diện; (4) Nghiên cứu và phát triển các cơ chế Attention tiên tiến; (5) Kết hợp chú thích ảnh tự động với các kỹ thuật khác trong trí tuệ nhân tạo.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI • Viết ứng dụng minh họa: Sau khi đã hoàn thành các bước trên nhóm sẽ viết ứng dụng minh họa để thể hiện hiệu suất của mô hình Image Captioning. Ứng dụng này sẽ cho phép người dùng nhập ảnh và tự động tạo ra chú thích cho ảnh đó bằng cách sử dụng mô hình Image Captioning đã được huấn luyện (ban đầu nhóm suy nghĩ theo hướng này) và/hoặc nhiều ảnh và 1 ô text search người dùng có thể nhập nội dung để tìm các ảnh có nội dung liên quan (GVHD đề xuất). • Viết báo cáo tốt nghiệp: Sau khi hoàn thành dự án, nhóm viết báo cáo tốt nghiệp để trình bày các kết quả và đánh giá của dự án. Báo cáo tốt nghiệp bao gồm các phần như giới thiệu dự án, tóm tắt các phương pháp và mô hình Image Captioning đã sử dụng, quá trình thu thập và chuẩn bị dữ liệu, thiết kế và xây dựng mô hình, kết quả huấn luyện và kiểm thử mô hình, đánh giá và tinh chỉnh mô hình, và cuối cùng là ứng dụng minh họa và kết luận.

4 CHƯƠNG 2: TÌM HIỂU VỀ LÝ THUYẾT CHƯƠNG 2: TÌM HIỂU VỀ LÝ THUYẾT 1. Ngôn ngữ lập trình Python 1. Python là gì? Python là một ngôn ngữ lập trình được sử dụng trong việc phát triển các ứng dụng web, phần mềm, máy học và khoa học dữ liệu. Những lợi ích mà Python mang lại: • Các nhà phát triển có thể dễ dàng đọc và hiểu một chương trình Python vì ngôn ngữ này có cú pháp cơ bản giống tiếng Anh.

• Python giúp cải thiện năng suất làm việc của các nhà phát triển vì so với những ngôn ngữ khác, họ có thể sử dụng ít dòng mã hơn để viết một chương trình Python. • Python có một thư viện tiêu chuẩn lớn, chứa nhiều dòng mã có thể tái sử dụng cho hầu hết mọi tác vụ. Nhờ đó, các nhà phát triển sẽ không cần phải viết mã từ đầu. • Các nhà phát triển có thể dễ dàng sử dụng Python với các ngôn ngữ lập trình phổ biến khác như Java, C và C++.

• Cộng đồng Python tích cực hoạt động bao gồm hàng triệu nhà phát triển nhiệt tình hỗ trợ trên toàn thế giới. Nếu gặp phải vấn đề, bạn sẽ có thể nhận được sự hỗ trợ nhanh chóng từ cộng đồng. • Trên Internet có rất nhiều tài nguyên hữu ích nếu bạn muốn học Python. Ví dụ: bạn có thể dễ dàng tìm thấy video, chỉ dẫn, tài liệu và hướng dẫn dành cho nhà phát triển.

• Python có thể được sử dụng trên nhiều hệ điều hành máy tính khác nhau, chẳng hạn như Windows, macOS, Linux và Unix. Python được sử dụng trong những lĩnh vực như: • Phát triển web phía máy chủ 5 CHƯƠNG 2: TÌM HIỂU VỀ LÝ THUYẾT • Tự động hóa các tập lệnh Python • Khoa học dữ liệu và máy học • Phát triển phần mềm • Tự động hóa kiểm thử phần mềm Những đặc điểm của Python: • Python là một ngôn ngữ thông dịch • Python là một ngôn ngữ dễ sử dụng • Python là một ngôn ngữ linh hoạt • Python là một ngôn ngữ cấp cao • Là một ngôn ngữ lập trình hướng đối tượng Một số thư viện phổ biến của Python: Matplotlib, Pandas, Numpy, Requests, OpenCV, Keras SDK Python là một tập hợp các công cụ phần mềm mà các nhà phát triển có thể sử dụng để tạo ra những ứng dụng phần mềm bằng một ngôn ngữ cụ thể. Cú pháp trong Python Python là một ngôn ngữ dễ đọc, dễ hiểu. Định dạng của nó rất gọn gàng về mặt trực quan, và nó thường sử dụng các từ khoá tiếng Anh trong khi các ngôn ngữ khác lại sử dụng các dấu câu.

Python sử dụng thụt lề bằng khoảng trắng hoặc ký tự tab thay vì dùng ngoặc nhọn hay các từ khoá để giới hạn khối lệnh. Lề thường được thụt vào sau một câu lệnh và thụt ra để đánh dấu kết thúc khối lệnh hiện tại. Một số câu lệnh trong python: • Dấu = là một câu lệnh gán • Câu lệnh if (if – else) thực thi khối lệnh nếu thỏa mãn điều kiện • Câu lệnh for lặp qua các đối tượng, gán mỗi phần tử và một biến cục bộ để sử dụng trong khối lệnh của vòng lặp. 6 CHƯƠNG 2: TÌM HIỂU VỀ LÝ THUYẾT • Câu lệnh while thực thi khối lệnh khi điều kiện đúng • Câu lệnh try thực thi và bắt các ngoại lệ (except), dọn dẹp trong (finally).

• Câu lệnh break thoát ra khỏi vòng lặp • Câu lệnh class thực thi một khối lệnh và gắn không gian tên cục bộ của nó vào một lớp, để dùng trong lập trình hướng đối tượng. • Câu lệnh def định nghĩa hàm hoặc một phương thức • Câu lệnh return trả lại một giá trị từ một hàm hoặc một phương thức nào đó • Câu lệnh import nhập các module khác nhau •. Kiểu dữ liệu Một số kiểu dữ liệu trong python là: bool, bytearray, bytes, complex, dict, float, frozenset, int, list, str, tuple, range, set, NoneType,… 1. AI (Artificial Intelligence) là gì? AI hay trí truệ nhân tạo là một nghành kỹ thuật khoa học chế tạo máy móc thông minh, các chương trình máy tính thông minh.

AI được thực hiện bằng cách nghiên cứu cách suy nghĩ của con người, cách con người học hỏi, quyết định và làm việc trong khi giải quyết một vấn đề nào đó sau đó sử dụng lại kết quả nghiên cứu này từ đó tìm ra các giải pháp, nền tảng phát triển các phần mềm thông minh, hệ thống thông minh. Mục đích của AI: • Tạo ra hệ thống có thể hiểu, suy nghĩ và học hỏi từ con người • Tạo ra các hệ thống chuyên gia – các hệ thống này giúp giải quyết được vấn đề ở một vấn đề phức tạp cụ thể nào đó. AI được áp dụng vào nhiều lĩnh vực trong đời sống như Khoa học máy tính, Toán học, Sinh học, kỹ thuật,… 7 CHƯƠNG 2: TÌM HIỂU VỀ LÝ THUYẾT Trong thực tế, chúng ta nhận thấy rằng các nguồn dữ liệu có một số tính chất không mong muốn như khối lượng rất lớn, không có định dạng hay cấu trúc đủ tốt và dữ liệu thay đổi liên tục → Kỹ thuật AI được biết đến như là một cách tổ chức và sử dụng kiến thức để khắc phục những tình trạng không tốt của dữ liệu. Một số ứng dụng AI • Quản trị: Các hệ thống AI trợ giúp các công việc hành chính hàng ngày, để giảm thiểu lỗi của con người và tối đa hóa hiệu quả.

• Điều trị từ xa: Đối với các tình huống không khẩn cấp, bệnh nhân có thể liên hệ với hệ thống AI của bệnh viện để phân tích các triệu chứng của họ, nhập các dấu hiệu quan trọng của họ và đánh giá xem có cần phải chăm sóc y tế hay không. Điều này làm giảm khối lượng công việc của các chuyên gia y tế bằng cách chỉ đưa các trường hợp quan trọng đến họ. • Hỗ trợ chuẩn đoán: Thông qua thị giác máy tính và mạng lưới thần kinh tích chập, AI hiện có khả năng đọc quét hình ảnh cộng hưởng từ để kiểm tra khối u và sự phát triển ác tính khác của nó, với tốc độ nhanh hơn so với các bác sĩ x-quang và sai số thấp hơn đáng kể. • Phẫu thuật có sự trợ giúp của robot: Robot phẫu thuật có sai số rất nhỏ và có thể thực hiện phẫu thuật suốt ngày đêm mà không bị kiệt sức.

• Giám sát các chỉ số quan trọng • Ngoài ra còn rất nhiều những ứng dụng trong các lĩnh vực khác trong đời sống như nhận diện khuôn mặt, nhận diện giọng nói, ô tô tự lái… 1. Machine Learning là gì? Machine Learning là một ứng dụng của trí tuệ nhân tạo (AI), nhờ vào Machine Learning hệ thống trí tuệ nhân tạo có khả năng tự học hỏi và cải thiện kinh nghiệm mà không cần phải lập trình rõ ràng, chi tiết. Machine Learning được cho là thường tập 8 CHƯƠNG 2: TÌM HIỂU VỀ LÝ THUYẾT trung vào các chương trình máy tính có thể truy cập dữ liệu và dùng nó để tự học. Mục tiêu của Machine Learning? Mục tiêu của machine learning được cho là một công cụ giúp máy tính dễ dàng tìm hiểu về quy trình một cách tự động khi không có sự tác động nào từ phía con người hoặc sẽ hỗ trợ điều chỉnh hành động hiệu quả hơn.

Các thuật toán machine learning này được giám sát để dễ dàng cho việc áp dụng và tìm hiểu về dữ liệu mới trong quá khứ với ví dụ được gắn nhãn để dự đoán các sự kiện tương lai. Các phương pháp Machine Learning • Supervised Learning (học tập có giám sát): chúng ta có thể hiểu là máy tính sẽ được cung cấp các ví dụ (data) đầu vào được gắn nhãn với đầu ra mong muốn của chúng. Mục đích của phương pháp này là thuật toán có thể học (được dạy học) bằng cách so sánh kết quả đầu ra với kết quả thực tế - tìm và sửa lỗi, sửa đổi mô hình cho phù hợp. • Unsupervised Learning (học tập không giám sát): chúng ta có thể hiểu dữ liệu ở học tập không giám sát không cần gắn nhãn cho nên thuật toán học được để lại điểm chung giữa các dữ liệu đầu vào.

Mục tiêu của học tập loại này có thể đơn giản như là khám phá các mẫu ẩn trong tập dữ liệu, bên cạnh đó, nó cũng có thể có mục tiêu học tập tính năng, cho phép máy tính tự động khám phá các biểu diễn cần thiết để phân loại dữ liệu. Theo Wikipedia, các kiến trúc học sâu như mạng nơ-ron sâu, mạng niềm tin sâu, học tăng cường sâu, mạng nơ-ron lặp lại, mạng nơ-ron phức hợp và máy biến áp đã được áp dụng cho các lĩnh vực bao gồm thị giác máy tính, nhận dạng giọng nói, xử lý ngôn ngữ tự nhiên, dịch máy, tin sinh học, thiết kế thuốc , phân tích hình ảnh y tế, khoa học 9 CHƯƠNG 2: TÌM HIỂU VỀ LÝ THUYẾT khí hậu, kiểm tra vật liệu và các chương trình trò chơi trên bàn cờ, nơi chúng đã tạo ra kết quả tương đương và trong một số trường hợp vượt qua hiệu suất của chuyên gia con người. Mạng nơ-ron nhân tạo (ANN) được lấy cảm hứng từ quá trình xử lý thông tin và các nút giao tiếp phân tán trong các hệ thống sinh học. ANN có nhiều điểm khác biệt so với bộ não sinh học.

Cụ thể, mạng lưới thần kinh nhân tạo có xu hướng tĩnh và tượng trưng, trong khi bộ não sinh học của hầu hết các sinh vật sống là động (nhựa) và tương tự. Lịch sử phát triển của học sâu? Hình 1: Lịch sử phát triển (src: https://www.co/blog/wp-content/uploads/2017/05/AI-Timeline-What-is-Deep-Learning-Edureka-1.