CHƯƠNG 1 TỔNG QUAN VỀ TRÍ TUỆ NHÂN TẠO 1. Trí tuệ nhân tạo là gì. (Tổng quan về trí tuệ nhân tạo) Trong khoa học máy tính, trí tuệ nhân tạo hay AI ( Artificial Intelligence), đôi khi được gọi là trí thông minh nhân tạo, là trí thông minh được thể hiện bằng máy móc, trái ngược với trí thông minh tự nhiên được con người thể hiện. Thông thường, thuật ngữ "trí tuệ nhân tạo" thường được sử dụng để mô tả các máy móc (hoặc máy tính) bắt chước các chức năng "nhận thức" mà con người liên kết với tâm trí con người, như "học tập" và "giải quyết vấn đề".
Alan Turing là một nhà toán học, logic học và mật mã học người Anh, người được cho là cha đẻ của ngành khoa học máy tính và trí tuệ nhân tạo. Ông được biết đến rộng rãi với vai trò là người giải được mật mã Enigma, thứ mật mã được quân Phát Xít Đức dùng để liên lạc trong Chiến tranh Thế giới thứ, tác giả của Máy Turing và Phép thử Turing, những cống hiến quan trọng trong ngành Trí tuệ nhân tạo. Vào năm 1955, John McCarthy, một nhà khoa học máy tính và khoa học nhận thức của Mỹ đã lần đầu tiên đưa ra khái niệm Trí tuệ nhân tạo, mà theo đó có nghĩa là bộ môn khoa học và kĩ thuật chế tạo máy thông minh. Một năm sau đó, ông đứng ra tổ chức Hội nghị Dartmouth, hội nghị đầu tiên về chủ đề này.
Các chuyên gia đến từ nhiều trường đại học và công ty khác nhau như Carnegie Mellon University, Massachusetts Institute of Technology và IBM đã tham gia hội nghị. Từ đó, khái niệm “Trí tuệ nhân tạo” được sử dụng rộng rãi. AI có thể nói là gần như bộ não của con người, con người làm được gì, hiểu gì thì khi ứng dụng AI vào các thiết bị hay bộ máy nào đó họ cũng làm được như con người chúng ta. 2 Trí tuệ nhân tạo khác với việc lập trình logic trong các ngôn ngữ lập trình là ở việc ứng dụng các hệ thống học máy (machine learning) để mô phỏng trí tuệ của con người trong các xử lý mà con người làm tốt hơn máy tính.
Cụ thể, trí tuệ nhân tạo giúp máy tính có được những trí tuệ của con người như: biết suy nghĩ và lập luận để giải quyết vấn đề, biết giao tiếp do hiểu ngôn ngữ, tiếng nói, biết học và tự thích nghi,… Tuy rằng trí thông minh nhân tạo có nghĩa rộng như là trí thông minh trong các tác phẩm khoa học viễn tưởng, nó là một trong những ngành trọng yếu của tin học. Trí thông minh nhân tạo liên quan đến cách cư xử, sự học hỏi và khả năng thích ứng thông minh của máy móc. Công nghệ AI được chia làm 4 loại chính: • Loại 1: Công nghệ AI phản ứng. Công nghệ AI phản ứng có khả năng phân tích những động thái khả thi nhất của chính mình và của đối thủ, từ đó, đưa ra được giải pháp tối ưu nhất.
Một ví dụ điển hình của công nghệ AI phản ứng là Deep Blue. Đây là một chương trình chơi cờ vua tự động, được tạo ra bởi IBM, với khả năng xác định các nước cờ đồng thời dự đoán những bước đi tiếp theo của đối thủ. Thông qua đó, Deep Blue đưa ra những nước đi thích hợp nhất. • Loại 2: Công nghệ AI với bộ nhớ hạn chế Đặc điểm của công nghệ AI với bộ nhớ hạn chế là khả năng sử dụng những kinh nghiệm trong quá khứ để đưa ra những quyết định trong tương lai.
Công nghệ AI này thường kết hợp với cảm biến môi trường xung quanh nhằm mục đích dự đoán những trường hợp có thể xảy ra và đưa ra quyết định tốt nhất cho thiết bị. • Loại 3: Lý thuyết trí tuệ nhân tạo Công nghệ AI này có thể học hỏi cũng như tự suy nghĩ, sau đó áp dụng những gì học được để thực hiện một việc cụ thể. Hiện nay, công nghệ AI này vẫn chưa trở thành một phương án khả thi. 3 • Loại 4: Tự nhận thức Công nghệ AI này có khả năng tự nhận thức về bản thân, có ý thức và hành xử như con người.
Thậm chí, chúng còn có thể bộc lộ cảm xúc cũng như hiểu được những cảm xúc của con người. Đây được xem là bước phát triển cao nhất của công nghệ AI và đến thời điểm hiện tại, công nghệ này vẫn chưa khả thi 1.Các Phương Pháp cơ bản trí tuệ nhân tạo. Tìm hiểu về Máy học ( Machine Learning ) Machine Learning là một lĩnh vực con của AI. Nguyên tắc cốt lõi của Machine Learning là các máy tiếp nhận dữ liệu và tự học.
Machine learning là một phương pháp phân tích dữ liệu mà sẽ tự động hóa việc xây dựng mô hình phân tích. Sử dụng các thuật toán lặp để học từ dữ liệu, machine learning cho phép máy tính tìm thấy những thông tin giá trị ẩn sâu mà không được lập trình một cách rõ ràng nơi để tìm.Khía cạnh lặp lại của machine learning là quan trọng bởi vì khi các mô hình này được tiếp xúc với dữ liệu mới thì chúng có thể thích ứng một cách độc lập. Chúng học từ các tính toán trước đó để tạo ra những quyết định cũng như kết quả lặp lại và đáng tin cậy. Nó hiện là công cụ hứa hẹn nhất của AI dành cho doanh nghiệp.
Các hệ thống Machine Learning có thể nhanh chóng áp dụng kiến thức và đào tạo từ các bộ dữ liệu lớn để thực hiện các công việc về nhận dạng khuôn mặt, nhận dạng giọng nói, nhận diện đối tượng, dịch và nhiều công việc khác một cách xuất sắc. Không giống mã hóa thủ công một chương trình phần mềm với các hướng dẫn cụ thể để hoàn thành một tác vụ, Machine Learning cho phép một hệ thống tự học để nhận dạng các biểu mẫu và đưa ra dự đoán một cách chính xác. Alpha Go là một ví dụ hoàn hảo về Machine Learning, khi nó tiếp nhận và học hỏi một lượng lớn dữ liệu từ cách bước đi cũng như tính toán của các cao thủ để đánh bại nhà vô địch thế giới Lee Sedol. Hiện tại, các tập đoàn lớn như IBM, Google, Amazon, Microsoft… đều cung cấp các nền tảng Machine Learning để các doanh nghiệp ứng dụng và tích hợp vào các chiến lược kinh doanh.
4 • Một số loại thuật toán Học có giám sát (Supervised Learning ) : Về cơ bản, trong thuật toán được giám sát này, dữ liệu đầu vào được gọi là dữ liệu huấn luyện và có nhãn hoặc kết quả đã biết như thư rác / không phải thư rác hoặc giá cổ phiếu tại một thời điểm.Trong đó, một mô hình được chuẩn bị thông qua một quá trình đào tạo. Ngoài ra, điều này cần thiết để đưa ra dự đoán. Và được sửa chữa khi những dự đoán đó là sai. Quá trình đào tạo tiếp tục cho đến khi mô hình đạt được mức độ mong muốn.
Học không giám sát (Unsupervised Learning) : Trong thuật toán machine learning không giám sát này, input data đều không được dán nhãn và không có kết quả rõ ràng. Vì vậy, chúng ta phải chuẩn bị mô hình bằng cách suy đoán các cấu trúc có trong input data. Điều này có thể là trích xuất các quy tắc chung. Nó có thể là thông qua một quá trình toán học để giảm sự sai lệch và lỗi.
Học nửa giám sát (Semi-Supervised Learning) : Đầu vào dữ liệu là một hỗn hợp của các dữ liệu được gắn nhãn và không gắn nhãn. Trong đó chúng ta có đặt ra một kết quả và mục tiêu theo mong muốn. Nhưng mô hình thuật toán cần phải học các cấu trúc để tổ chức dữ liệu cũng như đưa ra các dự đoán. Học tăng cường (Reinforcement Learning) : Reinforcement learning là các bài toán giúp cho một hệ thống tự động xác định hành vi dựa trên hoàn cảnh để đạt được lợi ích cao nhất (maximizing the performance).
Hiện tại, Reinforcement learning chủ yếu được áp dụng vào Lý Thuyết Trò Chơi (Game Theory), các thuật toán cần xác định nước đi tiếp theo để đạt được điểm số cao nhất. Chuyển đổi: Tương tự học có giám sát nhưng không xây dựng hàm một cách rõ ràng. Thay vì thế, cố gắng đoán kết quả mới dựa vào các dữ liệu huấn luyện, kết quả huấn luyện, và dữ liệu thử nghiệm có sẵn trong quá trình huấn luyện. 5 Học cách học: Trong đó thuật toán học thiên kiến quy nạp của chính mình, dựa theo các kinh nghiệm đã gặp.
Tìm hiểu về Học Sâu (Deep Learning). Deep learning là một lĩnh vực chuyên sâu của Machine Leaning. Nó sử dụng một số kỹ thuật của Machine Learning để giải quyết các vấn đề thực tế bằng cách khai thác các mạng thần kinh nhân tạo (dựa trên các thiết bị phần cứng và phần mềm được kết nối với nhau theo cách nào đó) và mô phỏng việc đưa ra các quyết định của con người. Deep Learning có chi phí khá đắt đỏ, và đòi hỏi các bộ dữ liệu lớn để tự tập luyện, bởi vì có một số lượng lớn các tham số cần được tìm hiểu theo giải thuật, mà ban đầu có thể tạo ra rất nhiều dữ liệu tích cực giả.
Ví dụ, một thuật toán deep learning có thể được hướng dẫn để “học” về việc một con mèo trông như thế nào. Nó sẽ có một bộ dữ liệu khổng lồ của hình ảnh để nó hiểu được các chi tiết rất nhỏ mà phân biệt một con mèo với một con báo hoa, một con báo đen hay một con cáo. Tiếp tục với ví dụ về Alpha Go, Google đã lý giải về việc hệ thống đã sử dụng deep learning theo cách kết hợp tìm kiếm cây Monte-Carlo với mạng thần kinh nhân tạo đã được đào tạo bằng cách học có giám sát các trận của của những chuyên gia và bằng cách tăng cường học tập từ các trận đấu tự chơi. Deep Learning đã cho phép ứng dụng nhiếu vấn đề thực tế của máy học và bằng cách mở rộng lĩnh vực tổng thể của AI.
Deep learning phá vỡ các cách thức con người làm việc bằng cách làm cho tất cả các loại máy móc trợ giúp có thể thực hiện được, gần hoặc giống hệt con người. Deep Learning có ứng dụng sâu rộng trong các lĩnh vực của đời sống, ví dụ như tìm kiếm dựa trên văn bản, phát hiện gian lận, phát hiện spam, nhận dạng chữ viết tay, tìm kiếm hình ảnh, nhận dạng giọng nói, phát hiện chế độ xem phố và bản dịch là tất cả các tác vụ có thể được thực hiện thông qua deep learning, thay thế nhiều hệ thống dựa trên các nguyên tắc thủ công. Tuy 6 nhiên, deep learning cũng rất dễ bị thiên lệch, nếu trong bộ dữ liệu không có những tham số cần thiết.