Đang tải... (xem toàn văn)
Bước vào thế kỷ 21, khái niệm về trí tuệ nhân tạo không chỉ là một chủ đề nổi cộm trong cộng đồng khoa học kỹ thuật, mà còn là một xu hướng nổi bật trong nền công nghiệp, xã hội và văn hóa. Trí tuệ nhân tạo đã thay đổi cách chúng ta tưởng về công việc, giáo dục, y tế và thậm chí cả quan hệ giữa con người và công nghệ. Tuy nhiên, điều quan trọng không chỉ là tiềm năng vĩ đại mà AI mang lại mà còn là những thách thức đạo đức, an ninh, và tác động xã hội mà việc triển khai AI có thể mang đến. Trí tuệ nhân tạo (AI) đang nổi lên với tốc độ nhanh chóng và có tiềm năng thay đổi toàn diện cách chúng ta sống và làm việc. Tuy nhiên, cùng với sự phát triển đáng kinh ngạc này là những thách thức và tranh cãi liên quan đến việc sử dụng, ứng dụng và tiềm ẩn rủi ro của trí tuệ nhân tạo.
TRƯỜNG ĐẠI HỌC TÀI NGUYÊN VÀ MÔI TRƯỜNG TP.HCM KHOA: HỆ THỐNG THÔNG TIN VÀ VIẾN THÁM BÁO CÁO ĐỒ ÁN MƠN HỌC Trí Tuệ Nhân Tạo Đề Tài: SỬ DỤNG MƠ HÌNH HỌC SÂU (DEEP LEARNING) VỚI MẠNG NEURAL CONVOLUTIONAL (CNN) ĐỂ PHÂN LOẠI ẢNH CHÓ VÀ MÈO Giảng viên hướng dẫn: Sinh viên thực hiện: ThS Phạm Minh Khan Hà Quốc Bảo 0950080081 Huỳnh Tấn Đạt 0950080091 Lớp: THMT Khóa: 09 Tp Hồ Chí Minh, tháng 11 năm 2023 TRƯỜNG ĐẠI HỌC TÀI NGUYÊN VÀ MÔI TRƯỜNG TP.HCM KHOA: HỆ THỐNG THÔNG TIN VÀ VIẾN THÁM BÁO CÁO ĐỒ ÁN MƠN HỌC Trí Tuệ Nhân Tạo Đề Tài: SỬ DỤNG MƠ HÌNH HỌC SÂU (DEEP LEARNING) VỚI MẠNG NEURAL CONVOLUTIONAL (CNN) ĐỂ PHÂN LOẠI ẢNH CHÓ VÀ MÈO Giảng viên hướng dẫn: Sinh viên thực hiện: ThS Phạm Minh Khan Hà Quốc Bảo 0950080081 Huỳnh Tấn Đạt 0950080091 Lớp: THMT Khóa: 09 Tp Hồ Chí Minh, tháng năm 2023 LỜI CẢM ƠN Trong suốt trình học tập tương tác em nhận môn học không học lý thuyết sách mà cịn thực hành Ngồi ra, chúng em cần phải rèn luyện kỹ tự học Từ chúng em nhận thấy, việc cọ sát thực tế vơ quan trọng – giúp sinh viên xây dựng tảng lý thuyết học trường vững hơn, để có móng để vào thực tế Để hoàn thành báo cáo kết thúc học phần lời nhóm em xin bày tỏ lịng biết ơn sâu sắc đến Thầy Phạm Minh Khan tận tình hướng dẫn nhận xét, góp ý suốt trình học lý thuyết thực hành để có báo cáo kết thúc học phần hồn chỉnh Tuy có lúc thân thành viên nhóm có nhút nhát nghe gọi tên lên bảng làm hay trả lời câu hỏi khó qua để nhận thấy cô tận tâm tận lực với sinh viên mìn Qua buổi học truyền đạt học kiến thức để chúng em dễ dàng tiếp thu Từ chúng em biết ơn làm cho sinh viên nói chung thân nhóm em nói riêng Tiếp theo chúng em xin chân thành gửi lời cảm ơn đến Ban giám hiệu trường Đại học Tài nguyên môi trường, quý thầy cô khoa Hệ thống thông tin viễn thám tận tâm giảng dạy truyền đạt kiến thức, kinh nghiệm quý báu cho nhóm Không truyền đạt kiến thức, kinh nghiệm mà Ban giám hiệu nhà trường cố gắng hỗ trợ thiết bị sở vật chất để chúng em học tập tốt Với điều kiện thời gian kiến thức hạn chế sinh viên nên báo cáo tránh khỏi thiếu sót Chúng em mong nhận bảo, đóng góp ý kiến q thầy để chúng em có điều kiện bổ sung, nâng cao tinh thần học tập, ý thức phục vụ tốt cho công tác thực tế sau Chúng em xin chân thành cảm ơn! NHẬN XÉT CỦA GIẢNG VIÊN HƯỚNG DẪN ……………………………………………………………………………………… ……………………………………………………………………………………… ……………………………………………………………………………………… ……………………………………………………………………………………… ……………………………………………………………………………………… ……………………………………………………………………………………… ……………………………………………………………………………………… ……………………………………………………………………………………… ……………………………………………………………………………………… ……………………………………………………………………………………… Kết luận: Tp Hồ Chí Minh, ngày… tháng… năm 2023 GIẢNG VIÊN HƯỚNG DẪN (Ký tên) Ths.Phạm Minh Khan MỤC LỤC LỜI CẢM ƠN NHẬN XÉT CỦA GIẢNG VIÊN HƯỚNG DẪN MỤC LỤC MỞ ĐẦU 1.Đặt vấn đề Mục tiêu phạm vi nghiên cứu CHƯƠNG I: TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU Giới thiệu mơ hình học sâu (deep learning) a) Tổng quan mơ hình học sâu (deep learning) b) Ưu nhược điểm c) Mơ hình thường áp dụng toán Giới thiệu mạng neural convolutional (cnn) a) Tổng quan neural convolutional (cnn) CHƯƠNG II: DỮ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU 11 Phương pháp nghiên cứu 11 Bộ liệu 12 Demo thực nghiệm colab 12 CHƯƠNG III: DEMO WEB 15 Khái quát 15 Tổng toàn file bao gồm : 15 Các bước thực 15 a) App.py 15 b) App.js 16 c) Html,css 17 Kết 17 a) Giao diện 17 b) Hiển thị kết 18 CHƯƠNG IV: KẾT LUẬN 19 Thảo luận vấn đề đặt 19 Kết luận 20 Ứng dụng 20 TÀI LIỆU THAM KHẢO 22 MỞ ĐẦU 1.Đặt vấn đề Bước vào kỷ 21, khái niệm trí tuệ nhân tạo khơng chủ đề cộm cộng đồng khoa học kỹ thuật, mà cịn xu hướng bật cơng nghiệp, xã hội văn hóa Trí tuệ nhân tạo thay đổi cách tưởng công việc, giáo dục, y tế chí quan hệ người công nghệ Tuy nhiên, điều quan trọng không tiềm vĩ đại mà AI mang lại mà thách thức đạo đức, an ninh, tác động xã hội mà việc triển khai AI mang đến Trí tuệ nhân tạo (AI) lên với tốc độ nhanh chóng có tiềm thay đổi tồn diện cách sống làm việc Tuy nhiên, với phát triển đáng kinh ngạc thách thức tranh cãi liên quan đến việc sử dụng, ứng dụng tiềm ẩn rủi ro trí tuệ nhân tạo Song nhận thấy tình hình chúng em nghiên cứu thực đề tài nho nhỏ để áp dụng sử dụng trí tuệ nhân tạo vào công việc đời sống ngày Ở đề tài chúng em áp dụng mơ hình học sâu để train liệu cho phân biệt hình ảnh lồi vật “chó” “mèo” song tiến triển tốt ta đưa vào camera nhờ nhận loài khác Mục tiêu phạm vi nghiên cứu Xây dựng hệ thống nhận dạng hình ảnh cho chó mèo sử dụng trí tuệ nhân tạo: Tạo huấn luyện mơ hình trí tuệ nhân tạo có khả phân loại hình ảnh chó mèo với độ xác cao Sử dụng Python thư viện Machine Learning TensorFlow Keras để xây dựng mơ hình Thu thập chuẩn bị liệu: Thu thập tập liệu lớn gồm 4000 hình ảnh chó 4000 hình ảnh mèo từ nguồn đáng tin cậy sở liệu hình ảnh phong phú Tiền xử lý liệu để chuẩn hóa kích thước, định dạng đảm bảo tính đồng hình ảnh Huấn luyện đánh giá mơ hình: Sử dụng liệu huấn luyện để huấn luyện mơ hình liệu kiểm tra để đánh giá hiệu suất mơ hình Đánh giá độ xác, độ nhạy độ cụ thể mơ hình nhằm đảm bảo khả phân loại chó mèo cách xác Tối ưu Cải thiện mơ hình: Tiến hành điều chỉnh siêu tham số thử nghiệm với kỹ thuật khác để cải thiện độ xác hiệu suất mơ hình Tạo tài liệu báo cáo kết quả: Tạo tài liệu báo cáo mơ tả q trình, kết hạn chế mơ hình, cung cấp nhìn tồn diện việc sử dụng trí tuệ nhân tạo việc phân loại hình ảnh chó mèo Mục tiêu nghiên cứu xây dựng mơ hình có khả phân loại hình ảnh chó mèo cách xác, từ cung cấp sở để hiểu áp dụng trí tuệ nhân tạo việc nhận dạng hình ảnh động vật CHƯƠNG I: TỔNG QUAN VỀ ĐỀ TÀI NGHIÊN CỨU Giới thiệu mơ hình học sâu (deep learning) a) Tổng quan mơ hình học sâu (deep learning) Mơ hình học sâu (deep learning) lĩnh vực lĩnh vực trí tuệ nhân tạo (AI) tập trung vào việc xây dựng huấn luyện mạng neural sâu có khả tự học hiểu liệu Mơ hình học sâu cố gắng mơ cách thức hoạt động não người cách sử dụng lớp ẩn (hidden layers) để trích xuất đặc trưng xử lý thông tin (Wikimedia Foundation, 2023) b) Ưu nhược điểm Ưu điểm: Khả học hiểu mẫu phức tạp từ liệu không cần can thiệp thủ cơng Có khả tự động rút trích tạo đặc trưng cấp cao từ liệu đầu vào Hiệu suất tăng cường theo qui mô, tức hiệu suất mô hình tăng kích thước liệu độ phức tạp mơ hình tăng lên Nhược điểm: u cầu lượng liệu huấn luyện lớn để đạt hiệu suất tốt Đòi hỏi phần cứng mạnh mẽ tài ngun tính tốn để huấn luyện triển khai mơ hình học sâu Thường khó hiểu khó giải thích q trình định mơ hình c) Mơ hình thường áp dụng tốn Nhận dạng phân loại hình ảnh: nhận dạng khuôn mặt, phân loại đối tượng ảnh, phát vật thể Xử lý ngôn ngữ tự nhiên: dịch máy, tổng hợp giọng nói, phân loại văn Xử lý âm thanh: nhận dạng giọng nói, phân tích tín hiệu âm Xử lý liệu chuỗi: dự báo chuỗi thời gian, phân tích ngơn ngữ tự nhiên Giới thiệu mạng neural convolutional (cnn) a) Tổng quan neural convolutional (cnn) Mạng neural convolutionaxl (CNN) loại mạng neural sử dụng lớp tích chập (convolutional layers) để trích xuất đặc trưng từ liệu đầu vào CNN thiết kế đặc biệt để xử lý phân tích liệu có cấu trúc lưới hình ảnh âm Các lớp tích chập CNN giúp tự động học lọc (filter) để tìm đặc trưng cục liệu a) Ưu nhược điểm Ưu điểm: Hiệu việc xử lý trích xuất đặc trưng từ liệu có cấu trúc lưới, hình ảnh Giảm số lượng tham số cần huấn luyện so với mạng neural truyền thống- Có khả chia sẻ trọng số (weight sharing) sử dụng lọc nhỏ di chuyển toàn liệu đầu vào, giúp giảm độ phức tạp tăng tính tổng qt mơ hình Có khả tự động học đặc trưng cấp cao từ liệu thô thông qua lớp kết nối đầy đủ (fully connected layers) Nhược điểm: CNN không phù hợp cho loại liệu cấu trúc lưới liệu chuỗi Địi hỏi lượng liệu huấn luyện đủ lớn để đạt hiệu suất tốt Cần có phần cứng mạnh mẽ tài ngun tính tốn để huấn luyện triển khai mơ hình CNN b) Ứng dụng Mạng neural convolutional (CNN) áp dụng rộng rãi nhiều lĩnh vực, bao gồm: Nhận dạng hình ảnh: CNN sử dụng để nhận dạng phân loại đối tượng hình ảnh, nhận dạng khn mặt, phân loại loại cảnh, nhận dạng biển báo giao thơng, v.v Xử lý ảnh y tế: CNN sử dụng để phân loại xử lý ảnh y tế, phát ung thư từ hình ảnh chụp X-quang, phân loại bệnh từ hình ảnh siêu âm, v.v Tự lái xe: CNN sử dụng hệ thống tự lái xe để nhận dạng phân loại vật thể đường, ô tô, người bộ, biển báo giao thông, v.v Xử lý ngơn ngữ tự nhiên: CNN sử dụng để phân loại văn bản, phân loại tin tức, phân loại cảm xúc văn bản, v.v 10 CHƯƠNG II: DỮ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU Phương pháp nghiên cứu Để phân loại ảnh chó mèo, mơ hình học sâu với mạng neural convolutional (CNN) sử dụng rộng rãi mang lại kết ấn tượng Phương pháp kết hợp khả học tự động mơ hình học sâu khả trích xuất đặc trưng cục từ mạng neural convolutional Quy trình sử dụng mơ hình học sâu với mạng neural convolutional để phân loại ảnh chó mèo thường bao gồm bước sau: 1) Chuẩn bị liệu: Thu thập xây dựng tập liệu chứa ảnh chó mèo Tập liệu nên chia thành tập huấn luyện (training set), tập kiểm tra (test set) tập xác thực (validation set) 2) Tiền xử lý liệu: Dữ liệu ảnh thường cần tiền xử lý trước đưa vào mô hình Điều bao gồm thay đổi kích thước ảnh, chuẩn hóa giá trị pixel, thực phép biến đổi xoay, phóng to, thu nhỏ để tăng tính tổng qt mơ hình 3) Xây dựng mơ hình CNN: Thiết kế mạng neural convolutional phù hợp cho tốn phân loại ảnh chó mèo Mơ hình thường bao gồm lớp tích chập (convolutional layers) để trích xuất đặc trưng từ ảnh lớp kết nối đầy đủ (fully connected layers) để phân loại 4) Huấn luyện mơ hình: Đưa liệu huấn luyện vào mơ hình điều chỉnh trọng số mạng neural để mơ hình học cách phân loại chó mèo Q trình thường thực thơng qua việc tối ưu hóa hàm mát (loss function) sử dụng thuật toán lan truyền ngược (backpropagation) gradient descent 5) Đánh giá mơ hình: Sử dụng tập kiểm tra tập xác thực để đánh giá hiệu suất mơ hình Các độ đo độ xác (accuracy), độ phủ (recall), độ xác dương tính (precision) thường sử dụng để đánh giá mơ hình 11 6) Tinh chỉnh cải thiện: Dựa kết đánh giá, tiến hành tinh chỉnh mơ hình, bao gồm việc thay đổi kiến trúc mạng, thay đổi siêu tham số (hyperparameters), tăng cường liệu để cải thiện hiệu suất mơ hình 7) Phương pháp sử dụng mơ hình học sâu với mạng neural convolutional (CNN) chứng minh hiệu việc phân loại ảnh chó mèo Điều quan trọng có chuẩn bị liệu cẩn thận, xây dựng mơ hình CNN phù hợp tinh chỉnh mơ hình để đạt kết tốt Bộ liệu Nguồn : https://www.kaggle.com/datasets/chetankv/dogs-cats-images Chúng ta lấy liệu từ nhiều nguồn khác nhau, tự thu thập hình ảnh , để tiết kiệm thời gian tránh tình trạng trùng lặp chúng em tải trực tiếp liệu từ trang kaggle Bộ liệu gồm : o 4000 ảnh khác lồi chó o 4000 ảnh khác loài mèo o 1000 ảnh thử lồi chó o 1000 ảnh thử lồi mèo Demo thực nghiệm colab Cơng cụ sử dụng : Google colab Phần mềm google Colab 12 Colaboratory hay gọi Google Colab, sản phẩm từ Google Research, cho phép thực thi Python tảng đám mây, đặc biệt phù hợp với Data analysis, machine learning giáo dục Colab không u cầu cài đặt hay cấu hình máy tính, thứ chạy thơng qua trình duyệt, bạn sử dụng tài nguyên máy tính từ CPU tốc độ cao GPU,TPU cung cấp cho bạn Sử dụng Google Colab có lợi ích ưu việt như: sẵn sáng chạy Python thiết bị có kết nối Internet mà khơng cần cài đặt, chia sẻ làm việc nhóm dễ dàng, sử dụng miễn phí GPU cho dự án AI ***Google Colab cung cấp số tính kể đến như: Người dùng tạo mục lục dựa heading viết ngôn ngữ markdown qua bạn dễ dàng cấu trúc Notebook làm việc Bạn thu gọn phần nội dung soạn thảo cách thuận tiện Có thể thêm hình ảnh, biểu mẫu dễ dàng với markdown giúp bạn trình bày báo cáo làm dashboard cực tiện lợi Thậm chí người dùng ẩn dịng code để trơng Notebook gọn gàng với tính biểu mẫu Kết nối dễ dàng với Google Drive Google Sheets để bắt tay vào phân tích liệu “trên mây” hồn toàn Chạy Python Cloud hay Local Runtime cho trải nghiệm tốt, người dùng tận dụng tính tuyệt vời Google Colab chạy với Python Local Runtime Trong khơng bị Google tự động xóa liệu kết thúc phiên làm việc chạy Cloud Tự động lưu lịch sử chỉnh sửa thành phiên giúp bạn dễ dàng khôi phục lại phiên gần xảy lỗi 13 Cho phép tìm kiếm chèn đoạn liệu soạn thảo sẵn Template vào Notebook Tính đánh giá cao bạn không cần phải mở thêm nhiều file lưu trữ để tìm lại đoạn code mẫu biết cần Tạo dashboard viết Python chia sẻ với team dễ dàng cần tương tự Google Data Studio lại linh hoạt mạnh mẽ nhiều Sơ lược : Bằng việc tải liệu máy chúng em upload lên Driver thực việc kết nối colab đến liệu bắt đầu demo Link shared : https://colab.research.google.com/drive/1BT-MBiHEb0pHeZYkU9YyD5pMqR6T5AN?usp=sharing 14 CHƯƠNG III: DEMO WEB Khái quát Tổng toàn file bao gồm : o Index.html o Style.css o App.py o App.js o ai_cats_and_dogs.py o dogs-cats-model.pkl o dogs-cats-model2.ht Chúng em sử dụng python để bắt đầu chạy demo Các bước thực Sử dụng IDE : visutal studio code Tải thư viện cần thiết tiện ích thích hợp Lần lượt tạo file app.py, app.js, index.html, style.css a) App.py Trong app.py em là ứng dụng web sử dụng Flask framework để triển khai mơ hình mạng nơ-ron tích chập (CNN) để dự đốn hình ảnh chó hay mèo Hãy xem qua phần: - Đầu tiên, thư viện cần thiết import, bao gồm Flask để xây dựng ứng dụng web, render_template để hiển thị giao diện người dùng, request để xử lý yêu cầu image từ tensorflow.keras.preprocessing để xử lý hình ảnh - Mơ hình CNN tải lên từ tệp 'dogs-cats-model2.h5' cách sử dụng pickle - Flask khởi tạo ứng dụng tạo - Route gốc ('/') xác định để hiển thị trang chủ ứng dụng web với giao diện index.html dự đoán ban đầu đặt -1 15 - Route '/predict' xác định để xử lý yêu cầu dự đoán Khi nhận yêu cầu POST, ứng dụng nhận hình ảnh từ u cầu, lưu vào đường dẫn ảnh gọi hàm test_image để dự đoán Sau đó, giao diện index.html hiển thị với dự đoán đường dẫn ảnh - Hàm test_image nhận đường dẫn hình ảnh, tiền xử lý hình ảnh sử dụng mơ hình để dự đốn xem hình ảnh chó hay mèo Kết dự đốn trả Cuối cùng, ứng dụng web chạy cổng debug=True phép chế độ gỡ lỗi trình phát triển b) App.js Đoạn mã JavaScript lắng nghe kiện người dùng chọn tệp ảnh từ phần tử có id 'fileInput' Dưới mơ tả chi tiết: - Khi kiện 'change' xảy phần tử 'fileInput' (khi người dùng chọn tệp ảnh), đoạn mã thực thi - Đối tượng File fileList kiện lấy gán cho biến 'file' - Một đối tượng FileReader tạo để đọc nội dung tệp ảnh - Sự kiện 'onload' gắn vào đối tượng FileReader để xử lý tệp ảnh đọc thành công - Một đối tượng Image tạo đường dẫn ảnh gán kết đọc FileReader - Khi ảnh tải thành công, kiện 'onload' gắn vào ảnh để gọi hàm 'detectImage' với đối số ảnh tải - Hàm 'detectImage' nhận đối tượng ảnh thực bước sau: a Tạo đối tượng FormData để gửi ảnh dạng multipart/form-data b Gửi yêu cầu POST đến endpoint '/detect' để xử lý nhận diện ảnh Ảnh gửi dạng FormData c Khi nhận phản hồi từ endpoint, phản hồi chuyển đổi thành đối tượng JSON d Kết nhận diện xử lý hiển thị phần tử có id 'result-container' - Trong phần xử lý lỗi, thông báo lỗi hiển thị console 16 c) Html,css Sau tạo trang html hiển thị giao diện người dùng, để người không chuyên sâu vào vấn đề dễ tiếp cận sử dụng Việc Xây dựng giao diện người dùng (GUI - Graphical User Interface) có ảnh hưởng lớn đến trải nghiệm thành công ứng dụng Giao diện người dùng đóng vai trị quan trọng việc tạo trải nghiệm tốt cho người dùng Một giao diện thân thiện, dễ sử dụng hấp dẫn giúp người dùng tương tác dễ dàng với ứng dụng, hiểu rõ chức thao tác cần thực hiện, từ nâng cao hài lịng trải nghiệm tích cực người dùng, định cách người dùng tương tác với ứng dụng Việc thiết kế phần tử tương互 hoạt động nút, biểu mẫu, menu, hộp thoại, phần điều hướng khác có ảnh hưởng trực tiếp đến khả tương tác thao tác người dùng ứng dụng… Kết a) Giao diện 17 b) Hiển thị kết Khi ta ấn vào “chọn tệp” hiển thị phần chọn ảnh để nhận diện =>> Khi chọn ảnh xong ấn “open” Nhấp “In kết quả” mơ hình tự động chạy hiển thị kết 18 CHƯƠNG IV: KẾT LUẬN Thảo luận vấn đề đặt Trí tuệ nhân tạo (AI) trở thành lĩnh vực công nghệ phát triển nhanh có tiềm thay đổi đáng kể cách sống làm việc Tuy nhiên, phát triển đáng kinh ngạc đôi với thách thức tranh cãi liên quan đến việc sử dụng, ứng dụng tiềm ẩn rủi ro trí tuệ nhân tạo Một thách thức lớn đảm bảo trí tuệ nhân tạo sử dụng cách đạo đức có lợi cho người Có mối quan ngại việc AI thay công việc người, gây thay đổi đáng kể thị trường lao động tạo bất bình đẳng xã hội Ngồi ra, việc AI tạo định tự động mà khơng có can thiệp người dẫn đến việc áp đặt quyền lực gây hệ không mong muốn Một vấn đề khác liên quan đến trí tuệ nhân tạo bảo đảm an toàn độ tin cậy hệ thống AI Khi sử dụng AI lĩnh vực xe tự lái, y tế quân sự, khơng xác lỗi hệ thống AI có hậu nghiêm trọng đe dọa đến tính mạng an tồn người Việc đảm bảo hệ thống AI đào tạo triển khai cách an toàn đáng tin cậy thách thức lớn nhà nghiên cứu nhà quản lý Cũng có tranh cãi liên quan đến việc sở hữu quyền riêng tư việc sử dụng trí tuệ nhân tạo Sự phát triển AI tạo khối lượng lớn liệu thu thập phân tích, từ đặt câu hỏi quyền riêng tư bảo vệ liệu cá nhân Ngoài ra, việc sở hữu kiểm sốt cơng nghệ AI gây khoảng cách kỹ thuật kinh tế quốc gia tạo mối đe dọa an ninh quốc gia Để đối phó với thách thức tranh cãi này, cần có hợp tác nhà nghiên cứu, nhà quản lý, nhà lập pháp để thiết lập quy định chuẩn mực rõ ràng cho việc sử dụng phát triển trí tuệ nhân tạo Đồng thời, cần tăng cường nghiên cứu 19 đào tạo lĩnh vực để đảm bảo an toàn, đạo đức đáng tin cậy trí tuệ nhân tạo Kết luận Dựa nghiên cứu ứng dụng lĩnh vực này, kết luận sử dụng mơ hình học sâu với mạng neural convolutional phương pháp hiệu để phân loại ảnh chó mèo Mơ hình CNN có khả tự động học trích xuất đặc trưng từ ảnh, cho phép nhận biết phân loại đặc điểm đặc trưng chó mèo Qua q trình huấn luyện tinh chỉnh, mơ hình đạt độ xác cao việc phân loại loại ảnh Ứng dụng Ứng dụng phân loại ảnh chó mèo thơng qua mơ hình học sâu với mạng neural convolutional (CNN) áp dụng vào cơng nghệ có tác dụng sau: Hệ thống nhận dạng đối tượng tự động: Mơ hình CNN sử dụng để phân loại nhận dạng đối tượng khác ảnh, không giới hạn chó mèo Điều áp dụng hệ thống an ninh dựa camera giám sát để phát nhận dạng đối tượng nghi ngờ, ứng dụng nhận dạng khuôn mặt nhận dạng biển số xe Xử lý ảnh dịch vụ lưu trữ trực tuyến: Phân loại ảnh chó mèo sử dụng dịch vụ lưu trữ trực tuyến Google Photos Facebook để tự động gán nhãn cho ảnh tạo album dựa nội dung chúng Điều giúp người dùng dễ dàng tìm kiếm xếp ảnh theo chủ đề đối tượng Phân loại phân tích liệu y tế: Cơng nghệ phân loại ảnh chó mèo áp dụng lĩnh vực y tế để phân loại phân tích hình ảnh y tế Ví dụ, mơ hình CNN sử dụng để phân loại ảnh chụp X-quang, MRI CT scan để hỗ trợ chẩn đốn phát bất thường hình ảnh y tế Tự động hóa cơng việc: Phân loại ảnh chó mèo áp dụng quy trình tự động hóa cơng việc Ví dụ, lĩnh vực sản xuất, mơ hình CNN có 20 thể sử dụng để phân loại sản phẩm kiểm tra chất lượng tự động dựa hình ảnh Điều giúp tăng suất độ xác trình sản xuất 21 TÀI LIỆU THAM KHẢO Kaggle (2017, 01 03) Retrieved from Dogs & Cats Images: https://www.kaggle.com/datasets/chetankv/dogs-cats-images PhamHe (2021, 11 6) Youtube Retrieved from hướng dẫn: phân biệt chó với mèo: https://youtu.be/34-dHo01FSo?si=XdVsKqWS0gUQiWBD VTV24 (2023, 07 20) Youtube Retrieved from Trí tuệ nhân tạo bạn hay thù? | VTV24: https://youtu.be/3MQP8FKSaSk?si=R8kQxe6qB-XfOMLM Wikimedia Foundation, I m (2023, 11 20) Wikipedia Retrieved from Bách Khoa toàn thư:https://vi.wikipedia.org/wiki/Tr%C3%AD_tu%E1%BB%87_nh%C3%A2n_t %E1%BA%A1o 22