TỔNG QUAN HỌC THUẬT VÀ MÔ TẢ GIÁO TRÌNH: TRÍ TUỆ NHÂN TẠO – BIỂU DIỄN & TÌM KIẾM

Thông tin xuất bản và tài liệu:

  • Tên giáo trình: Trí tuệ nhân tạo: Biểu diễn & Tìm kiếm
  • Tác giả / Chủ biên: TS. Nguyễn Ngọc Thuần
  • Đơn vị biên soạn: Bộ môn Công nghệ Thông tin, Khoa Công nghệ – Trường Đại học Công nghiệp Vinh
  • Năm xuất bản: 2018 (Lưu hành nội bộ)
  • Cấp độ đào tạo: Đại học (định hướng ứng dụng/thực hành)

Tổng quan về giáo trình

Giáo trình Trí tuệ nhân tạo: Biểu diễn & Tìm kiếm do TS. Nguyễn Ngọc Thuần chủ biên (2018) được biên soạn phục vụ công tác giảng dạy, nghiên cứu và học tập của giảng viên và sinh viên ngành Công nghệ Thông tin tại Trường Đại học Công nghiệp Vinh. Trong chương trình đào tạo đại học ngành CNTT, môn học Trí tuệ nhân tạo giữ vai trò cung cấp kiến thức nền tảng về tự động hóa các hành vi thông minh, mô phỏng quá trình suy nghĩ và ra quyết định của con người trên máy tính.

Mục tiêu học tập của giáo trình tập trung vào việc trang bị cho người học hai khối kiến thức và kỹ năng cốt lõi:

  1. Nắm vững các công cụ hình thức để biểu diễn tri thức từ ngôn ngữ tự nhiên sang mô hình toán học (Logic mệnh đề, Logic vị từ cấp 1, Luật dẫn xuất).
  2. Nắm vững và cài đặt được các thuật toán tìm kiếm lời giải trên không gian trạng thái (từ các giải thuật tìm kiếm mù truyền thống đến các kỹ thuật tìm kiếm heuristic và tối ưu).

Cấu trúc giáo trình gồm 04 chương được thiết kế theo định hướng rút gọn phần lý thuyết hàn lâm phức tạp, tăng cường bài tập minh họa và gắn liền với yêu cầu rèn luyện kỹ năng lập trình trên các ngôn ngữ bậc cao. Giáo trình lựa chọn tập trung sâu vào hai phương pháp biểu diễn chính là Logic và Luật dẫn xuất (hệ sinh), đồng thời chỉ giới thiệu định nghĩa và cấu trúc cơ bản của Mạng ngữ nghĩa và Khung (Frame), tạo nên tài liệu học tập cô đọng, phù hợp với thời lượng và mục tiêu đào tạo thực hành của nhà trường.

Nội dung kiến thức cốt lõi

Các chương và chủ đề chính

Nội dung giáo trình được triển khai tuần tự qua 4 chương:

  • Chương 1: Tổng quan về Trí tuệ nhân tạo. Đối tượng và mục tiêu nghiên cứu (Trang 2 – 5)

    • Khái niệm và nguyên lý: Định nghĩa trí tuệ nhân tạo (AI), cơ sở tri thức (Knowledge Base – CSTT) và bộ suy diễn (Inference Engine).
    • Đối tượng và chức năng: Hai mối quan tâm nền tảng: Biểu diễn tri thức (Knowledge representation) và Tìm kiếm (Search). Khái niệm trí tuệ con người (quan điểm Turing, 4 thao tác tâm lý học) và các đặc trưng của trí tuệ máy.
    • Các kỹ thuật AI: Hệ chuyên gia, nhận dạng mẫu, xử lý tiếng nói, người máy (robotics), mô hình nơ-ron và các hướng nghiên cứu tương lai.

  • Chương 2: Phương pháp biểu diễn tri thức và các giải thuật (Trang 6 – 49)

    • Logic mệnh đề: Cú pháp, ngữ nghĩa, 11 luật đại số logic (phản xạ, giao hoán, bắc cầu, phân phối, De Morgan...), bảng chân trị và kiểm tra đồng nhất đúng.
    • Thuật toán chứng minh trong Logic mệnh đề: Thuật toán Vương Hạo (độ phức tạp $O(n^3)$ dựa trên phân rã dòng dẫn xuất) và Thuật giải phân giải Robinson (chứng minh phản chứng trên dạng chuẩn hội CNF).
    • Logic vị từ cấp 1 (First-Order Predicate Calculus): Đối tượng, tính chất, vị từ, hàm và lượng từ ($\forall, \exists$). Quy trình 7 bước chuẩn hóa công thức về dạng chuẩn tắc hội (loại bỏ kéo theo/tương đương, chuyển phủ định, thế hàm Skolem, khử lượng từ, phân phối tuyển/hội, chuẩn hóa biến). Chứng minh diễn dịch và chứng minh bác bỏ bằng luật phân giải.
    • Biểu diễn tri thức bằng Luật dẫn xuất (Production Rules): Khái niệm câu Horn, cấu trúc luật NẾU - THÌ ($P_1 \wedge P_2 \wedge \dots \wedge P_n \rightarrow Q$). Tập sự kiện (Facts - $F$) và tập quy tắc (Rules - $R$).
    • Suy diễn trên luật sản xuất: Phương pháp suy diễn tiến (forward reasoning - hướng dữ liệu áp dụng Modus Ponens tổng quát) và phương pháp suy diễn lùi (backward reasoning - hướng mục tiêu thông qua các đích phụ).
    • Mạng ngữ nghĩa và Khung (Frame): Định nghĩa và cấu trúc khái niệm.

  • Chương 3: Biểu diễn bài toán trong không gian trạng thái (Trang 50 – 61)

    • Mô tả trạng thái ban đầu và trạng thái đích.
    • Tập các toán tử chuyển trạng thái.
    • Mô hình hóa không gian trạng thái dưới dạng đồ thị (Graf) và phân rã bài toán thành các bài toán con.

  • Chương 4: Các phương pháp tìm kiếm lời giải trong không gian trạng thái (Trang 62 – 90)

    • Tìm kiếm mù: Tìm kiếm theo chiều rộng (BFS - Breadth-First Search) và tìm kiếm theo chiều sâu (DFS - Depth-First Search).
    • Tìm kiếm có thông tin và tối ưu: Tìm kiếm tốt nhất đầu tiên (Best-First Search); Thuật toán tìm kiếm đường đi có giá thành cực tiểu (ATK - Algorithm for Knowledgeable Tree Search); Thuật toán tìm kiếm cực tiểu sử dụng hàm đánh giá $A^$ ($A^$ Search); Thuật toán tìm kiếm leo đồi (Hill-climbing search).
   [Kiến thức tổng quan AI] (Chương 1)
              │
              ▼
   [Biểu diễn tri thức] (Chương 2)
   ├── Logic mệnh đề (Vương Hạo, Robinson)
   ├── Logic vị từ cấp 1 (Skolemization, Phân giải)
   └── Luật dẫn xuất (Suy diễn tiến, Suy diễn lùi)
              │
              ▼
   [Mô hình hóa không gian trạng thái] (Chương 3)
   └── Trạng thái, Toán tử, Đồ thị không gian bài toán
              │
              ▼
   [Thuật toán tìm kiếm lời giải] (Chương 4)
   ├── Tìm kiếm truyền thống: BFS, DFS
   └── Tìm kiếm nâng cao/Heuristic: Best-First, ATK, A*, Hill-Climbing

Kiến thức nền tảng được xây dựng

Giáo trình thiết lập hệ thống lý thuyết nền tảng xoay quanh:

  • Nguyên lý hình thức hóa tri thức: Biến đổi các phát biểu ngôn ngữ tự nhiên thành biểu thức toán học chính xác.
  • Cơ chế suy diễn logic: Áp dụng các quy tắc suy luận cổ điển (Modus Ponens, Modus Tollens) và quy tắc phân giải Robinson để chứng minh tính đúng đắn của giả thiết và kết luận.
  • Lý thuyết đồ thị và không gian trạng thái: Khung khái niệm mô hình hóa mọi bài toán tìm kiếm thành việc duyệt và tìm đường đi tối ưu trên đồ thị trạng thái.

Kỹ năng phát triển

Thông qua hệ thống bài tập và giải thuật, giáo trình rèn luyện cho người học:

  • Kỹ năng hình thức hóa dữ liệu: Chuyển đổi các bài toán logic thực tế (chẩn đoán bệnh, quan hệ huyết thống, hình học tam giác) thành cơ sở tri thức hình thức.
  • Kỹ năng phân tích và chứng minh tự động: Thực hiện các bước chuẩn hóa Skolem, lập cây suy diễn Vương Hạo, áp dụng phép thế và tìm mâu thuẫn bằng luật phân giải Robinson.
  • Kỹ năng thiết kế và cài đặt thuật giải: Xây dựng cấu trúc dữ liệu cho tập sự kiện/tập luật, cài đặt mã nguồn các giải thuật suy diễn tiến/lùi và các giải thuật tìm kiếm không gian trạng thái ($A^*$, BFS, DFS, ATK, Hill-climbing) trên máy tính.

Phương pháp giảng dạy và học tập

Phương pháp tiếp cận sư phạm

Giáo trình kết hợp phương pháp diễn dịch lý thuyết với phương pháp thực hành quy nạp:

  1. Lý thuyết cô đọng: Trình bày định nghĩa toán học, cú pháp, ngữ nghĩa và các bước thuật giải tường minh.
  2. Ví dụ mẫu từng bước: Mỗi thuật toán đều đi kèm bài toán giải mẫu chi tiết, minh họa rõ ràng từng phép thế, từng bước tách dòng suy diễn hoặc từng chu trình lặp của giải thuật.
  3. Mô hình hóa trực quan: Sử dụng bảng chân trị, cây suy diễn và đồ thị trạng thái giúp người học theo dõi quá trình biến đổi dữ liệu.

Hệ thống bài tập và tình huống thực tiễn

Giáo trình cung cấp các nhóm bài tập và bài toán minh họa phong phú:

  • Bài toán quan hệ hình học: Mô tả các yếu tố tam giác (cạnh $a, b, c$, chu vi $p$, đường cao $h_c$, góc, diện tích $S$) bằng biểu thức logic mệnh đề và luật sản xuất để suy luận thông số còn thiếu.
  • Bài toán hệ chuyên gia y tế: Xây dựng cơ sở tri thức chẩn đoán bệnh cảm cúm (thân nhiệt $>37^\circ C$, ốm $>7$ ngày $\rightarrow$ suy diễn bệnh nhân bị viêm nhiễm/viêm họng/viêm phổi).
  • Bài toán suy luận logic/hình sự: Xác định đối tượng gây án (bài toán "Ai đã giết con mèo Bibi") sử dụng logic vị từ cấp 1, phép thế $[T/\text{An}], [u/\text{Ba}, v/\text{Bibi}]$ và luật phân giải Robinson.
  • Bài toán quan hệ gia đình: Mô hình hóa các mối quan hệ huyết thống phức tạp (trích dẫn từ tác phẩm Algorithms + Data structures = Programs của tác giả N. Wirth) để chứng minh các khẳng định logic bằng Modus Ponens.

Phương pháp kiểm tra và tự học

  • Cuối mỗi chương đều có hệ thống câu hỏi lý thuyết và bài tập tự luận nhằm kiểm tra mức độ nắm bắt khái niệm.
  • Người học tự học thông qua việc tự thực hiện các bước chuẩn hóa công thức sang dạng chuẩn hội, viết tay cây suy diễn và cài đặt thuật toán thành các chương trình phần mềm cụ thể.

Điểm nổi bật và cập nhật

Định hướng thực hành và rút gọn lý thuyết

Khác với các tài liệu thuần túy lý thuyết học thuật, giáo trình của TS. Nguyễn Ngọc Thuần được biên tập theo định hướng phục vụ sinh viên trường đại học thực hành:

  • Rút gọn các nội dung trừu tượng của Mạng ngữ nghĩa và Khung (Frame), tập trung thời lượng vào hai phương pháp có tính khả thi cao trong cài đặt máy tính: Logic và Hệ luật sản xuất.
  • Đưa ra độ phức tạp tính toán rõ ràng của các thuật toán (như chỉ rõ thuật giải lập bảng chân trị có độ phức tạp lũy thừa $O(2^n)$, trong khi thuật toán Vương Hạo đạt độ phức tạp đa thức $O(n^3)$).

Tích hợp xu hướng phát triển của AI

Ngay từ Chương 1, giáo trình đã định vị các hướng phát triển quan trọng của Trí tuệ nhân tạo:

  • Mô hình mạng nơ-ron (Neural Network) mô phỏng não người và xử lý thông tin song song.
  • Học máy (Machine Learning) với cơ chế đưa dữ liệu $\rightarrow$ thuật toán xử lý $\rightarrow$ thu nhận tri thức mới lặp lại.
  • Các lĩnh vực ứng dụng thực tiễn: Hệ chuyên gia, nhận dạng chữ viết/âm thanh, thị giác máy tính và người máy công nghiệp.

Đối tượng sử dụng giáo trình

Nhóm đối tượng Yêu cầu và Mục đích sử dụng
Sinh viên đại học ngành CNTT - Phục vụ học phần Trí tuệ nhân tạo (thường bố trí ở năm thứ 2 hoặc năm thứ 3).
- Tài liệu cung cấp lý thuyết nền tảng và bài tập lập trình trực tiếp.
Kiến thức tiên quyết (Prerequisites) - Cần hoàn thành học phần: Toán rời rạc / Logic toán, Cấu trúc dữ liệu và Giải thuật, Kỹ thuật lập trình.
- Có kỹ năng sử dụng ngôn ngữ lập trình bậc cao (C/C++, Java, Python...).
Giảng viên chuyên ngành - Sử dụng làm khung đề cương chi tiết bài giảng lý thuyết và thực hành trên lớp.
- Khai thác ngân hàng bài tập suy diễn logic và tìm kiếm không gian trạng thái cho kiểm tra, đánh giá.
Người tự học và nghiên cứu - Dùng làm tài liệu tham khảo để nắm bắt các nguyên lý AI cổ điển (Symbolic AI), cơ chế suy diễn trên hệ chuyên gia và các giải thuật tìm kiếm tối ưu.

Câu hỏi thường gặp

1. Giáo trình này phù hợp với ai?

Giáo trình được biên soạn chuyên biệt cho sinh viên và giảng viên ngành Công nghệ Thông tin tại Trường Đại học Công nghiệp Vinh cũng như sinh viên các trường đại học khối kỹ thuật theo học chương trình Trí tuệ nhân tạo định hướng ứng dụng và thực hành.

2. Cần kiến thức nền tảng nào trước khi học giáo trình này?

Người học cần nắm vững kiến thức về Toán rời rạc (đặc biệt là Logic toán, Lý thuyết tập hợp, Lý thuyết đồ thị), kiến thức về Cấu trúc dữ liệu và Giải thuật (ngăn xếp, hàng đợi, danh sách liên kết, cây, đồ thị) và khả năng lập trình bằng một ngôn ngữ bậc cao.

3. Điểm khác biệt của giáo trình này so với các tài liệu AI khác là gì?

Giáo trình tập trung chuyên sâu vào hai trụ cột nền tảng nhất của AI là Biểu diễn tri thức và Kỹ thuật tìm kiếm. Tài liệu rút gọn các phần lý thuyết mô tả chung để tập trung vào các giải thuật chứng minh hình thức có thể cài đặt được trên máy tính (như thuật toán Vương Hạo, Robinson, suy diễn tiến/lùi, BFS, DFS, Best-First, ATK, $A^*$, Hill-climbing).

4. Làm sao để tự học và nắm vững kiến thức trong giáo trình hiệu quả?

Người học nên kết hợp giải tay từng bước các bài toán suy diễn logic (chuẩn hóa Skolem, hợp giải phân giải) trên giấy, sau đó chuyển hóa các giải thuật tìm kiếm trong Chương 4 thành mã nguồn chương trình chạy thực tế trên máy tính để kiểm chứng kết quả.

5. Có tài liệu bổ trợ nào kèm theo giáo trình không?

Kèm theo giáo trình là tập các bài toán thực tiễn do bộ môn cung cấp nhằm giúp sinh viên rèn luyện và kiểm tra khả năng lập trình trên các ngôn ngữ lập trình bậc cao. Ngoài ra, giáo trình tham chiếu đến các nguyên lý cấu trúc dữ liệu kinh điển từ các tài liệu chuyên ngành (như công trình của N. Wirth).

Kết luận

Giáo trình Trí tuệ nhân tạo: Biểu diễn & Tìm kiếm của TS. Nguyễn Ngọc Thuần (2018) là tài liệu học tập chuẩn hóa, cung cấp hệ thống tri thức hoàn chỉnh về các phương pháp hình thức hóa tri thức và các chiến lược tìm kiếm lời giải trong không gian trạng thái.

Lộ trình học tập khuyến nghị:

  1. Tiếp cận Chương 1 để hiểu rõ cấu trúc hệ tri thức và vai trò của CSTT cùng bộ suy diễn.
  2. Nắm chắc Logic mệnh đề, Logic vị từ và 7 bước chuẩn hóa Skolem, thực hành các thuật toán chứng minh (Vương Hạo, Robinson, Suy diễn tiến/lùi) ở Chương 2.
  3. Rèn luyện kỹ năng mô hình hóa bài toán thành không gian trạng thái ở Chương 3.
  4. Cài đặt các thuật toán tìm kiếm từ cơ bản (BFS, DFS) đến tối ưu ($A^*$, ATK, Hill-climbing) ở Chương 4 trên các bài toán thực tế.