Tổng quan về giáo trình

Tài liệu bài giảng môn học Trí Tuệ Nhân Tạo được biên soạn bởi giảng viên Nguyễn Nhật Quang (Bộ môn Khoa học Máy tính / Hệ thống Thông tin, Viện Công nghệ Thông tin và Truyền thông, Trường Đại học Bách Khoa Hà Nội) cho năm học 2012-2013. Trong chương trình đào tạo đại học ngành Công nghệ Thông tin và Khoa học Máy tính, môn học đóng vai trò là học phần cơ sở chuyên ngành cốt lõi, cung cấp các nguyên lý, mô hình toán học và phương pháp biểu diễn hình thức phục vụ xây dựng các hệ thống tính toán thông minh.

Mục tiêu học tập của tài liệu tập trung vào việc trang bị cho người học:

  • Khả năng phân biệt và chuyển hóa giữa dữ liệu, thông tin, tri thức và tri thức bậc cao (meta-knowledge).
  • Hiểu và áp dụng các kỹ thuật giải quyết vấn đề bằng tìm kiếm và thỏa mãn ràng buộc.
  • Nắm vững các cơ chế biểu diễn tri thức hình thức bao gồm hệ luật sản xuất, cấu trúc khung và đồ thị mạng ngữ nghĩa.
  • Hiểu kiến trúc và nguyên lý vận hành của các hệ thống suy diễn tự động, nhận diện các vấn đề mâu thuẫn, vòng lặp và phương pháp giải quyết xung đột tri thức.
  • Tiếp cận các phương pháp xử lý tri thức trong môi trường không chắc chắn và nền tảng của học máy.

Tài liệu tiếp cận vấn đề theo cấu trúc thứ bậc từ nền tảng lý thuyết tri thức (Knowledge Engineering) đến các mô hình biểu diễn cụ thể và thuật toán suy diễn tương ứng. Đặc điểm của tài liệu là tính trực quan hóa cao thông qua các sơ đồ kiến trúc hệ thống, đồ thị logic AND/OR, cây phân cấp kế thừa và các ví dụ minh họa cụ thể từ các công trình nghiên cứu kinh điển trong lĩnh vực Kỹ thuật Tri thức.

Nội dung kiến thức cốt lõi

Các chương/chủ đề chính

Đề cương môn học trong tài liệu được cấu trúc thành 7 chủ đề chính:

  1. Giới thiệu về Trí tuệ nhân tạo: Tổng quan lịch sử, định nghĩa và các trường phái tiếp cận trong AI.
  2. Tác tử (Agents): Phân loại và cấu trúc của các hệ tác tử thông minh.
  3. Giải quyết vấn đề (Problem Solving): Không gian trạng thái, các chiến lược tìm kiếm và bài toán thỏa mãn ràng buộc (Constraint Satisfaction Problems).
  4. Logic và suy diễn (Logic and Inference): Logic mệnh đề, logic vị từ bậc nhất và các cơ chế suy diễn hình thức.
  5. Biểu diễn tri thức (Knowledge Representation): Trọng tâm chi tiết của tài liệu, tập trung vào ba mô hình chính:
    • Luật sản xuất (Production Rules): Cấu trúc luật dạng IF <điều kiện> THEN <kết luận>, quy chuẩn hóa luật (loại bỏ toán tử OR ở vế điều kiện, tách toán tử AND ở vế kết luận), các loại quan hệ (liên kết, nguyên nhân - kết quả, tình huống - hành động, quan hệ logic) và đồ thị AND/OR.
    • Khung (Frames): Mô hình biểu diễn đối tượng theo bộ ba (Object, Property, Value), cấu trúc khe (slots) và giá trị gán (fillers), phân loại khung tổng quát (Generic frames) và khung cá thể (Individual frames), liên kết IS-A, INSTANCE-OF, cơ chế kế thừa giá trị mặc định, và các thủ tục nội suy/kích hoạt (IF-NEEDED, IF-ADDED).
    • Mạng ngữ nghĩa (Semantic Networks): Biểu diễn tri thức dựa trên đồ thị có hướng gắn nhãn, phân loại nút (khái niệm, hành động, đối tượng) và liên kết (kế thừa IS-A/INSTANCE-OF và liên kết quan hệ miền cụ thể HAS, CAN, HAS-PART, CAUSES), cơ chế suy diễn qua lan truyền tác động (spreading activation), kế thừa mặc định, phân biệt liên kết xác nhận (assertional) và liên kết định nghĩa (definitional), cùng phương pháp ánh xạ mạng ngữ nghĩa sang logic vị từ.
  6. Biểu diễn tri thức không chắc chắn: Xử lý tri thức thiếu chính xác, mô hình xác suất và logic mờ.
  7. Học máy (Machine Learning): Các mô hình học cơ bản và thuật toán rút trích tri thức từ dữ liệu.

Kiến thức nền tảng được xây dựng

  • Phân cấp Tri thức (DIKW Pyramid): Dựa trên mô hình của K. Hui (2008-2009, môn học Knowledge Engineering CM3016), tài liệu làm rõ:
    • Dữ liệu (Data): Khối lượng lớn, các sự kiện/ký hiệu thô, không kèm ngữ cảnh (ví dụ: nhiệt độ 5°C).
    • Thông tin (Information): Dữ liệu đã qua xử lý, có cấu trúc và ý nghĩa ngữ cảnh (ví dụ: thời tiết lạnh).
    • Tri thức (Knowledge): Nhận thức và sự hiểu biết về thông tin nhằm giải quyết vấn đề (ví dụ: nếu thời tiết lạnh thì nên mặc áo ấm).
    • Tri thức bậc cao (Meta-Knowledge): Tri thức về tri thức, quy định cách thức và thời điểm áp dụng tri thức.
  • Tiêu chí đánh giá hệ thống biểu diễn tri thức: Tính hoàn chỉnh (Completeness), tính ngắn gọn (Conciseness), tính hiệu quả tính toán (Computational efficiency) và tính rõ ràng/giải thích được (Transparency).
  • Cơ chế suy diễn trong Hệ thống dựa trên luật (Rule-Based System - RBS): Kiến trúc ba thành phần gồm Bộ nhớ làm việc (Working Memory), Bộ nhớ luật (Rule Memory) và Bộ diễn dịch (Interpreter). Quy trình so khớp mẫu (pattern matching), chuỗi suy diễn tiến (forward chaining) và suy diễn lùi (backward chaining).
  • Chiến lược giải quyết xung đột (Conflict Resolution Strategy - CRS): Xử lý tình huống nhiều luật cùng thỏa mãn bộ nhớ làm việc bằng các quy tắc: áp dụng luật xuất hiện đầu tiên, loại trừ kết quả đã tồn tại, chọn luật có tính cụ thể cao nhất, chọn sự kiện mới nhất, chọn luật có độ tin cậy cao nhất.

Kỹ năng phát triển

  • Kỹ năng hình thức hóa tri thức chuyên gia thành tập luật phi mâu thuẫn, phát hiện các vòng lặp tri thức (IF A THEN B, IF B THEN C, IF C THEN A) và mâu thuẫn (IF A AND D THEN ¬C).
  • Kỹ năng thiết kế cấu trúc phân cấp đối tượng bằng Khung với việc thiết lập các thủ tục kiểm soát tự động (computeClearance, computeDayOfWeek).
  • Kỹ năng xây dựng đồ thị mạng ngữ nghĩa phân cấp, áp dụng cơ chế lan truyền tác động để truy vấn mối quan hệ giữa các khái niệm, và kỹ năng chuyển đổi cấu trúc đồ thị sang logic vị từ ($\forall x: \text{elephant}(x) \rightarrow \text{mammal}(x)$).

Phương pháp giảng dạy và học tập

Phương pháp giảng dạy thể hiện qua bài giảng sử dụng kỹ thuật phân tích ca điển hình (case-based) kết hợp mô hình hóa toán học. Mỗi cấu trúc biểu diễn đều đi kèm các ví dụ cụ thể:

  • Biểu diễn luật: Ví dụ phân loại hoa quả bằng đồ thị AND/OR để nhận dạng chuối (Fruit = banana), dưa hấu (Fruit = watermelon), hoặc nhận diện bệnh lý y khoa (IF diseaseType(x, Infection) THEN takeMedicine(x, Antibiotic)).
  • Biểu diễn khung: Ví dụ mô hình hóa thực thể vật lý (cái bàn Table với thuộc tính kích thước, màu sắc), tình huống lớp học (Lecture), đối tượng địa lý phân cấp (CanadianCity, toronto, city134, city135), và sự ghi đè thuộc tính màu sắc trong phân cấp động vật (Mammal $\rightarrow$ Elephant [gray] $\rightarrow$ RoyalElephant [white] $\rightarrow$ clyde).
  • Biểu diễn mạng ngữ nghĩa: Sơ đồ phân loại lớp động vật (Animal, Bird, Fish, Canary, Robin, Ostrich, Penguin) trích dẫn từ B. Vrusias (khóa học AI-CS289) và bài giảng của John (http://www.uk/bis2040/johnlect.html).

Phương pháp đánh giá và tự học:

  • Đánh giá logic: Yêu cầu người học thực hiện chuẩn hóa các mệnh đề logic phức tạp thành dạng chuẩn không chứa OR ở tiền đề và không chứa AND ở kết luận.
  • Lần vết suy diễn: Tự thực hiện các bước suy diễn trên bộ nhớ làm việc và áp dụng các chiến lược giải quyết xung đột cụ thể để xác định kết quả đầu ra của hệ thống RBS.
  • Xác định tính đúng đắn ngữ nghĩa: Phân tích sự khác biệt giữa các kiểu liên kết trong đồ thị tri thức để tránh sai lệch khi chuyển đổi sang logic hình thức.

Điểm nổi bật và cập nhật

  • Trích dẫn nguồn học thuật chuẩn mực: Bài giảng tích hợp các nghiên cứu nền tảng của M. R. Quillian (1966) về mô hình mạng ngữ nghĩa mô phỏng bộ nhớ con người, trích đoạn lý thuyết của R. J. Brachman (Readings in Knowledge Representation) về ngữ nghĩa của ngôn ngữ mạng và sự phụ thuộc của việc diễn giải vào tập các loại nút/liên kết.
  • Phân tích đối sánh kỹ thuật (Trade-off Analysis):
    • Đánh giá hệ luật sản xuất: Ưu điểm ở tính khai báo (declarative) và dễ hiểu, nhưng hạn chế về chi phí bảo trì và kiểm soát tương tác giữa các luật khi quy mô cơ sở tri thức tăng lên.
    • Đánh giá hệ thống khung: Ưu điểm ở sự kết hợp giữa tri thức khai báo và tri thức thủ tục (procedural knowledge), nhưng nhược điểm ở chi phí thiết kế thủ tục IF-ADDED/IF-NEEDED và hiệu quả lưu trữ/truy xuất dữ liệu trên máy tính.
  • Tiếp cận ranh giới giữa Logic và Tâm lý học nhận thức: Trích dẫn các thực nghiệm tâm lý học về thời gian phản xạ nhận thức của con người (ví dụ: con người nhận thức mệnh đề Clyde has-color White nhanh hơn Clyde has-part Legs) để làm rõ cơ chế suy diễn mặc định trong cấu trúc phân cấp.

Đối tượng sử dụng giáo trình

  1. Sinh viên đại học chuyên ngành:
    • Sinh viên năm thứ 3 và năm thứ 4 ngành Khoa học Máy tính, Kỹ thuật Phần mềm, Hệ thống Thông tin thuộc Trường Đại học Bách Khoa Hà Nội và các trường đại học khối kỹ thuật.
  2. Điều kiện tiên quyết (Prerequisites):
    • Đã hoàn thành các học phần: Toán rời rạc (lý thuyết đồ thị, logic mệnh đề và logic vị từ), Cấu trúc dữ liệu và Giải thuật (cây, đồ thị, thuật toán tìm kiếm), và Lập trình hướng đối tượng.
  3. Giảng viên và Kỹ sư tri thức:
    • Giảng viên sử dụng tài liệu làm khung bài giảng tiêu chuẩn cho học phần Trí tuệ nhân tạo hoặc Kỹ thuật Tri thức.
    • Kỹ sư phát triển phần mềm tham khảo kiến trúc của Rule Engine, Inference Engine và thiết kế Ontology cho các hệ thống quản lý tri thức doanh nghiệp.

Câu hỏi thường gặp

1. Giáo trình này phù hợp với ai?

Tài liệu được thiết kế trực tiếp cho sinh viên đại học chuyên ngành Công nghệ Thông tin, Kỹ thuật Máy tính và học viên cao học cần nghiên cứu cơ sở lý thuyết về biểu diễn tri thức và các hệ thống suy diễn thông minh.

2. Cần kiến thức nền nào để học?

Người học cần có nền tảng về Toán rời rạc (logic mệnh đề, logic vị từ, lý thuyết tập hợp), Cấu trúc dữ liệu và Giải thuật (duyệt cây, duyệt đồ thị), cùng tư duy lập trình hướng đối tượng để tiếp cận các khái niệm về Frames và Mạng ngữ nghĩa.

3. Điểm khác biệt của giáo trình này là gì?

Tài liệu tập trung sâu vào kỹ thuật mô hình hóa và cơ chế suy diễn của ba phương pháp biểu diễn tri thức kinh điển (Rules, Frames, Semantic Networks). Tài liệu chỉ rõ các hạn chế kỹ thuật thực tế (vòng lặp, mâu thuẫn, chi phí tính toán) thay vì chỉ trình bày định nghĩa lý thuyết đơn thuần.

4. Làm sao để tự học hiệu quả với tài liệu này?

Người học nên tự vẽ lại các đồ thị AND/OR, cây phân cấp Frames và mạng ngữ nghĩa cho các bài toán thực tế; đồng thời luyện tập viết tay các chuỗi suy diễn tiến/lùi và áp dụng các chiến lược giải quyết xung đột trên tập luật mẫu.

5. Có tài liệu bổ trợ nào được trích dẫn trong bài giảng?

Tài liệu dẫn chiếu trực tiếp đến các nguồn tài liệu học thuật quốc tế:

  • Khóa học Knowledge Engineering (CM3016) của tác giả K. Hui (2008-2009).
  • Giáo trình AI-CS289 của tác giả B. Vrusias.
  • Tài liệu nghiên cứu Readings in Knowledge Representation của R. J. Brachman.
  • Tư liệu bài giảng hệ thống thông tin của tác giả John (http://www.uk/bis2040/johnlect.html).

Kết luận

Tài liệu bài giảng môn học Trí Tuệ Nhân Tạo của Viện Công nghệ Thông tin và Truyền thông - Đại học Bách Khoa Hà Nội cung cấp một cấu trúc học tập chặt chẽ về lý thuyết biểu diễn tri thức và kỹ thuật suy diễn. Lộ trình học tập xuất phát từ việc phân định thứ bậc dữ liệu - thông tin - tri thức, tiến tới làm chủ ba mô hình biểu diễn hình thức (Luật sản xuất, Khung, Mạng ngữ nghĩa) và các giải pháp giải quyết xung đột trong hệ thống suy diễn tự động. Đây là tài liệu nền tảng phục vụ học tập, nghiên cứu và phát triển các hệ thống dựa trên tri thức trong khoa học máy tính.