Tiểu luận cuối kỳ môn công nghệ thông tin và truyền thông mới fblearner flow trong cá nhân hóa người dùng

Điều này giúp các nhà nghiên cứu tiết kiệmthời gian và chi phí trong quá trình phát triển các mô hình AI.● FBLearner Flow được phát triển bởi một đội ngũ các nhà nghiên cứuAI hàng đầu th

lOMoARcPSD|39472803 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ - LUẬT, ĐHQG TPHCM TIỂU LUẬN CUỐI KỲ MÔN: CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG MỚI FBLEARNER FLOW TRONG CÁ NHÂN HÓA NGƯỜI DÙNG Giáo viên hướng dẫn: Trương Hoài Phan Lớp h漃⌀c phn: 231BIE105103 Danh sách thành viên nhóm: STT H漃⌀ và tên MSSV K234161854 1 Đặng Phương Thảo K234161851 K234161819 2 Lê Bảo Quốc K234161855 K234091105 3 Hoàng Ngọc Ánh 4 Nguyễn Đức Thiện 5 Nguyễn Ngọc Anh Thư TP Hồ Chí Minh - 12/2023 lOMoARcPSD|39472803 DANH SÁCH THÀNH VIÊN THAM GIA VIẾT TIỂU LUẬN HỌC KỲ I NĂM HỌC 2023-2024 Lớp h漃⌀c phn: 231BIE105103 Tên đề tài: FBLEARNER FLOW TRONG CÁ NHÂN HÓA NGƯỜI DÙNG STT H漃⌀ và tên MSSV Tỉ lệ % hoàn thành 1 Đặng Phương Thảo K234161854 100% 2 Lê Bảo Quốc K234161851 100% 3 Hoàng Ngọc Ánh K234161819 100% 4 Nguyễn Đức Thiện K234161855 100% 5 Nguyễn Ngọc Anh Thư K234091105 100% Trưởng nhóm: Nhận xét của giảng viên ………………………………………………………………………………… ………………………………………………………………………………… ………………………………………………………………………………… ………………………………………………………………………………… ………………………………………………………………………………… ………………………………………………………………………………… ………………………………………………………………………………… ………………………………………………………………………………… ………………………………………………………………………………… ………………………………………………………………………………… ………………………………………………………………………………… ………………………………………………………………………………… ………………………………………………………………………………… ………………………………………………………………………………… ………………………………………………………………………………… TP Hồ Chí Minh, tháng 12 năm 2023 1 lOMoARcPSD|39472803 MỤC LỤC Phần 1 MỞ ĐẦU 3 1.1.Lý do chọn đề tài 3 1.2 Mục tiêu 4 1.3 Phương pháp nghiên cứu 4 Phần 2 NỘI DUNG 4 2.1 TỔNG QUAN VỀ AI 5 2.1.1 AI là gì? 5 2.1.2 Cấu tạo cơ bản của AI 5 2.1.3 Ứng dụng của AI 6 2.1.4 Cơ hội và thách thức của AI 6 2.1.4.1 Cơ hội .6 2.1.4.2 Thách thức 7 2.2 TỔNG QUAN VỀ FACEBOOK 7 2.2.1 Thông tin chung .7 2.2.2 Hình thành và phát triển 7 2.2.2.1 Lịch sử hình thành 7 2.2.2.2 Lịch sử phát triển 8 2.2.3 Một số bê bối 8 2.2.4 Tương lai nào cho FB? 10 2.3 FBLEARNER FLOW 11 2.3.1 FBLearner Flow là gì? 11 2.3.2 Sự ra đời của FBLearner Flow .11 2.3.3 Các thành phần cấu tạo 12 2.3.4 Quy trình hoạt động .14 2.3.5 Một số ứng dụng do FBLearner Flow khởi tạo 15 2.3.5.1 DeepFace 15 2.3.5.2 DeepText 15 2.3.6 Điểm nổi bật và điểm cần khắc phục 16 2.3.6.1 Điểm nổi bật 16 2.3.6.2 Điểm cần khắc phục 16 2.3.7 FBLearner Flow đã mang đến lợi ích gì cho tập đoàn tỷ đô? .17 2.3.8 Tác hại của việc quá lạm dụng FBLearner Flow 18 2.3.9 Một số đề xuất tương lai cho FBLearner Flow và Facebook .19 Phần 3 KẾT LUẬN 20 TÀI LIỆU THAM KHẢO .20 2 lOMoARcPSD|39472803 Phn 1 MỞ ĐẦU 1.1.Lý do ch漃⌀n đề tài Trí tuệ nhân tạo (AI) là một trong những lĩnh vực công nghệ phát triển nhanh chóng và mạnh mẽ nhất trong những năm gần đây Sự phát triển của AI đã mở ra một thời đại mới, AI không chỉ là một công cụ, mà còn là một đối tác, một người bạn đồng hành của con người AI đang giúp con người giải quyết những vấn đề khó khăn, phức tạp, và mang lại những lợi ích to lớn cho xã hội FBLearner Flow là một thư viện mã nguồn mở được phát triển bởi Facebook cho nghiên cứu và phát triển trí tuệ nhân tạo (AI) Thư viện này cung cấp các công cụ và API để triển khai các mô hình học máy và xử lý ngôn ngữ tự nhiên (NLP) trên nhiều nền tảng khác nhau, bao gồm máy tính, điện thoại di động và thiết bị Internet of Things (IoT) Việc chọn FBLearner Flow làm đề tài nghiên cứu là một lựa chọn phù hợp và có triển vọng Có thể kể đến một số lý do chính sau: ● FBLearner Flow là một thư viện mã nguồn mở, miễn phí và có sẵn cho tất cả mọi người sử dụng Điều này giúp các nhà nghiên cứu tiết kiệm thời gian và chi phí trong quá trình phát triển các mô hình AI ● FBLearner Flow được phát triển bởi một đội ngũ các nhà nghiên cứu AI hàng đầu thế giới tại Facebook Thư viện này được tích hợp nhiều thuật toán học máy và NLP tiên tiến, được cập nhật thường xuyên với các tính năng mới ● FBLearner Flow được hỗ trợ bởi một cộng đồng người dùng đông đảo và tích cực Các nhà nghiên cứu có thể dễ dàng tìm kiếm sự giúp đỡ và hỗ trợ từ cộng đồng này khi cần thiết Cụ thể, ở Việt Nam, việc nghiên cứu và phát triển AI đang được đẩy mạnh với nhiều chính sách hỗ trợ từ Chính phủ Việc chọn FBLearner Flow làm đề tài nghiên cứu sẽ giúp các nhà nghiên cứu Việt Nam tiếp cận với các công nghệ AI tiên tiến nhất trên thế giới và đóng góp cho sự phát triển của AI tại Việt Nam 3 lOMoARcPSD|39472803 Việc nghiên cứu FBLearner Flow là một quá trình lâu dài và đòi hỏi sự kiên trì, nỗ lực của các nhà nghiên cứu Tuy nhiên, những thành tựu đạt được từ nghiên cứu FBLearner Flow sẽ mang lại những lợi ích to lớn cho xã hội, giúp chúng ta giải quyết nhiều vấn đề thực tiễn và xây dựng một thế giới tốt đẹp hơn Với sự nỗ lực và cố gắng của các nhà nghiên cứu, FBLearner Flow sẽ là một công cụ hữu ích giúp thúc đẩy sự phát triển của AI tại Việt Nam Với những lý do trên, FBLearner Flow là một đề tài nghiên cứu hấp dẫn và có tiềm năng ứng dụng thực tế 1.2 Mục tiêu Mục tiêu của tiểu luận là phân tích chuyên sâu về công cụ FBLearner Flow, tìm hiểu cấu tạo, cách thức vận hành để tạo ra lợi ích to lớn: Nắm bắt kịp thời nhu cầu khách hàng và tối đa hóa doanh thu quảng cáo cho doanh nghiệp của Mark Zuckerberg trong kỷ nguyên số, mà các nền tảng mạng xã hội phải cạnh tranh khốc liệt Từ đó, đề xuất các phương án cải thiện hiệu suất và khai thác công cụ ưu việt này một cách đúng đắn và hiệu quả Đề tài này được tin rằng có tính thực tiễn và có giá trị tham khảo cho các cá nhân và doanh nghiệp Những nghiên cứu này có thể giúp cải thiện hiệu quả và khả năng ứng dụng của Fblearner Flow, từ đó đóng góp cho sự phát triển của học máy 1.3 Phương pháp nghiên cứu Trong đề tài này, nhóm chúng em sử dụng phương pháp nghiên cứu tài liệu Đây là phương pháp thu thập thông tin và tổng hợp kiến thức thông qua các bài báo, mạng xã hội, Internet, Phn 2 NỘI DUNG 2.1 TỔNG QUAN VỀ AI 2.1.1 AI là gì? AI, được viết tắt từ cụm từ Artificial Intelligence, có nghĩa là trí tuệ nhân tạo Đây là lĩnh vực được kết hợp giữa khoa học máy tính (machine learning) và bộ dữ liệu (dataset) để tạo ra những cỗ máy có thể tư duy giống như con 4 lOMoARcPSD|39472803 người Trước đây, máy móc chỉ được con người lập trình để thực hiện một số chức năng cố định, lặp đi lặp lại, nhưng AI khác những cỗ máy kia ở điểm đây chính là một dạng trí thông minh do con người lập trình để nó có thể tự hiểu và tự vận hành AI được chia thành hai loại: ● Weak AI (Narrow AI): Là loại AI được thiết kế để thực hiện các tác vụ đơn lẻ và cụ thể, chúng không có nhận thức như con người mà chỉ mô phỏng hành vi của con người dựa trên một loạt các thông số và bối cảnh hẹp VD: các trợ lý ảo (Siri, Alexa…), hệ thống chuẩn đoán bệnh và đưa ra phác đồ điều trị, ô tô tự động lái, … ● Strong AI (AGI): Mặc dù chỉ đang dừng lại ở mức lý thuyết, song có thể hiểu Strong AI có khả năng thực hiện bất kỳ công việc nào mà con người có thể, không chỉ nâng cao hiệu quả trong các nhiệm vụ đơn lẻ mà còn đạt được khả năng áp dụng kiến thức kinh nghiệm vào nhiều vấn đề khác nhau Và trên hết Strong AI có nhận thức và cảm xúc như con người 2.1.2 Cấu tạo cơ bản của AI AI được xây dựng dựa trên sự kết hợp của hai nhánh chính là Machine Learning (ML) và Deep Learning (DL): ● H漃⌀c máy (Machine Learning): là một phần của trí tuệ nhân tạo (AI) tập trung vào việc cho phép các thuật toán của máy tính tự động học hỏi và cải thiện hiệu suất của chúng theo thời gian dựa trên kinh nghiệm, mà không cần được lập trình cụ thể Các thuật toán ML có thể được sử dụng để thực hiện các nhiệm vụ như nhận dạng hình ảnh, phân tích ngôn ngữ tự nhiên và dự đoán xu hướng ● H漃⌀c sâu (Deep Learning): là một loại học máy sử dụng mạng nơ-ron nhân tạo mô phỏng từ cấu trúc và chức năng của não người, có chức năng xử lý và truyền tải thông tin Bằng cách điều chỉnh các kết nối giữa các nơ-ron này, các thuật toán học sâu có thể học cách tìm ra mối liên hệ từ dữ liệu và đưa ra dự đoán 2.1.3 Ứng dụng của AI ● Nhận dạng gi漃⌀ng nói (speech recognition): là khả năng xử lý ngôn ngữ tự nhiên (NLP) để chuyển đổi giọng nói của con người thành dạng văn bản dựa vào tần số, biên độ âm… Tuy vẫn chưa đạt được độ chính xác hoàn toàn nhưng đã có cải thiện đáng kể trong những năm gần đây VD: các công cụ tìm kiếm bằng giọng nói, voice chat… 5 lOMoARcPSD|39472803 ● Thị giác máy tính (computer vision): Công nghệ AI này cho phép máy tính và hệ thống trích xuất thông tin có ý nghĩa từ hình ảnh kỹ thuật số, video và các đầu vào hình ảnh khác Ứng dụng này đang được áp dụng trong nhiều ngành công nghiệp khác nhau, từ y tế, bán lẻ cho đến giao thông vận tải VD: gắn thẻ ảnh trên phương tiện truyền thông xã hội, ô tô tự động lái ● Cá nhân hoá (personalization): trải nghiệm người dùng đang ngày được nâng cao cùng với đó là lợi ích to lớn mà doanh nghiệp có được nhờ vào sự phát triển của AI trong cá nhân hoá người dùng trong đa lĩnh vực (thương mại điện tử, các nền tảng mạng xã hội…) Trí tuệ nhân tạo thu thập dữ liệu về hành vi của người dùng trong quá khứ, phân tích sở thích và hành vi của họ, sau đó sử dụng thông tin đó để dự đoán hành vi trong tương lai và cung cấp cho họ trải nghiệm phù hợp ●… 2.1.4 Cơ hội và thách thức của AI 2.1.4.1 Cơ hội ● Nâng cao năng suất và hiệu quả: AI có thể tự động hóa các tác vụ lặp đi lặp lại, phân tích các bộ dữ liệu lớn và tối ưu hóa quy trình, dẫn đến những lợi ích đáng kể về năng suất và hiệu quả trên nhiều lĩnh vực khác nhau ● Cải thiện việc ra quyết định: Phân tích lượng thông tin khổng lồ và đưa ra quyết định với tỉ lệ chính xác cao hơn ● Giải quyết các vấn đề phức tạp: AI có thể được sử dụng để giải quyết các vấn đề phức tạp mà con người không thể giải quyết một cách hiệu quả ● Tiến bộ trong chăm sóc sức khỏe: AI ngày càng được áp dụng nhiều trong y học như hỗ trợ trong chẩn đoán y tế, lập kế hoạch điều trị và thậm chí là thực hiện các cuộc phẫu thuật ● Tạo ra các giá trị mới: AI đang đẩy nhanh các đột phá khoa học bằng cách phân tích dữ liệu phức tạp, mô phỏng các thử nghiệm và tạo ra các giả thuyết mới ●… 6 lOMoARcPSD|39472803 2.1.4.2 Thách thức ● Thay thế việc làm và thất nghiệp: Việc tự động hóa các tác vụ bằng AI có thể dẫn đến việc thay thế việc làm và thất nghiệp, bên cạnh đó lực lượng lao động còn cần phải nâng cao kỹ năng để thích ứng với các công nghệ mới, điều không phải tất cả mọi người đều làm được ● Các vấn đề về quyền riêng tư: Thu thập và sử dụng lượng lớn dữ liệu cá nhân để phát triển AI gây ra lo ngại về quyền riêng tư và khả năng sử dụng sai mục đích ● Mặt đạo đức: Việc phát triển và sử dụng AI đặt ra các câu hỏi về đạo đức liên quan đến các vấn đề về bản quyền, quyền tự chủ của con người trong tương lai khi trí tuệ nhân tạo đã vượt quá xa trí thông minh của con người 2.2 TỔNG QUAN VỀ FACEBOOK 2.2.1 Thông tin chung Facebook là một trong những nền tảng mạng xã hội phổ biến nhất thế giới với hàng tỉ người dùng Vượt qua các rào cản về mặt địa lý, người dùng có thể đăng tải, chia sẻ các trạng thái hoạt động, thông tin cá nhân và tương tác với nhau 2.2.2 Hình thành và phát triển 2.2.2.1 Lịch sử hình thành Facebook được sinh viên khoa Máy tính trường Harvard - Mark Zuckerberg sáng lập Năm 2003, tiền thân của Facebook là Facemash được phát triển, đây là trang web cho phép người dùng bình chọn ai là người thu hút hơn bằng cách xếp 2 ảnh kế nhau Chỉ sau 4 giờ, 450 lượt truy cập, 22 000 lượt xem hình ảnh là những con số ấn tượng thu được Tuy nhiên, Mark đã bị quản trị mạng trường Harvard buộc tội vì đã tấn công vào trang web nhà trường để lấy thông tin sinh viên Vi phạm an ninh, vi phạm quyền riêng tư cá nhân, vi phạm bản quyền, song án phạt trục xuất đã được bãi bỏ 04/02/2004, Mark Zuckerberg thành lập The Facebook từ cái tên ban đầu thefacebook.com Tuy nhiên, ngay sau đó Mark bị cáo buộc đã sử dụng ý tưởng của trang mạng xã hội HarvardConnection.com, được phát triển bởi 3 tiền bối trong trường Sau tất cả, 1,2 triệu cổ phiếu trị giá 300 triệu USD đã được đền bù 2005, Facebook chính thức ra đời, chữ “the” đã được bỏ đi, để lại cái tên cuối cùng là Facebook được sử dụng tới ngày nay 7 lOMoARcPSD|39472803 2.2.2.2 Lịch sử phát triển ● Năm 2004: Phiên bản cho riêng sinh viên Harvard ● Năm 2006 - 2008: Quảng bá rộng rãi và hoàn thiện trang profile cá nhân của người dùng ● Năm 2010: Hoàn thiện các tính năng, giao diện Fanpage ● Năm 2011: Ra mắt Timeline ● Năm 2012: Mua lại trang mạng xã hội Instagram và niêm yết nó trên sàn giao dịch chứng khoán ● Năm 2013: Cải tiến Graph Search (công cụ tìm kiếm theo ngữ nghĩa) ● Năm 2014: Thâu tóm WhatsApp cạnh tranh mảng chat, đồng thời mua lại Oculus để phát triển thiết bị giả lập 3D, VR,… ● Năm 2015: Bổ sung tính năng Shop của Fanpage và mỗi ngày thu hút 1 tỷ người dùng ● Năm 2016: Ra mắt Messenger và trang thương mại điện tử tại các thị trường lớn ● Năm 2016 - hiện tại: Phát triển không ngừng 2.2.3 Một số bê bối Cuộc cách mạng công nghệ đã và đang làm thay đổi đời sống con người, song cũng mang lại không ít những mối nguy hiểm tiềm tàng Facebook, trang mạng xã hội được đánh giá là lớn nhất thế giới cũng từng dính đến nhiều bê bối Ngoài 50 triệu người dùng Việt Nam bị lộ số điện thoại, Facebook cũng từng lao đao với những lùm xùm tai tiếng khác Bê bối Cambridge Analytica Đây được xem là vụ bê bối lớn nhất của Facebook, xảy ra vào tháng 3 năm 2018 Dữ liệu của 87 triệu người dùng bị Aleksandr Kogan thu thập và bán cho Cambridge Analytica Cuộc bầu cử Tổng thống Mỹ 2016 đã bị tác động ít nhiều bởi sự việc trên #DeleteFacebook, chiếc hashtag được lan rộng, Facebook đón nhận một làn sóng tẩy chay và xóa tài khoản chưa từng có Nhà sáng lập Mark Zuckerberg đã phải ra điều trần trước Ủy ban Năng lượng và 8 lOMoARcPSD|39472803 Thương mại của Hạ viện Mỹ Không ai có thể đo đếm chính xác sức ảnh hưởng của sự việc, chẳng một lời giải thích lí do Facebook giữ kín mọi thứ sau 2 năm, mọi chuyện kết thúc với lời xin lỗi và cam đoan sẽ sớm khắc phục sự cố từ Facebook 50 triệu người dùng bị lộ thông tin Tháng 9 năm 2018, khi người dùng mạng xã hội vẫn còn đang quan ngại về tính bảo mật của trang mạng xã hội được xem là lớn nhất thế giới, khi bê bối trước đó như vết thương còn đang rỉ máu thì người dùng khắp thế giới bị văng khỏi Facebook và Messenger Lợi dụng lỗi bảo mật liên quan đến tính năng “View as” (Xem với tư cách khác), hacker đã tiếp cận với dữ liệu của 50 triệu tài khoản Sau đó, 90 triệu người dùng trang mạng xã hội này phải đăng nhập lại trên toàn bộ các thiết bị Lộ mật khẩu của 600 triệu tài khoản Tháng 1 năm 2019, mật khẩu của 60 triệu tài khoản được lưu trữ dưới dạng văn bản có thể đọc được trong hệ thống nội bộ của Facebook Mark Zuckerberg cam đoan những mật khẩu này không bị tiếp cận bởi người ngoài, hay có bằng chứng rằng nhân viên Facebook đã tiếp cận chúng với mục đích tiêu cực Không lâu sau đó, vào tháng 4-2019, một bản báo cáo được UpGuard công bố gây sốc cho giới công nghệ khi tiết lộ về kho thông tin người dùng Facebook được lưu trữ công khai trên các máy chủ điện toán đám mây của Amazon (Amazon Web Service) Dữ liệu của 540 triệu tài khoản không được bảo vệ Báo cáo chỉ ra rằng nền tảng kỹ thuật số Culturea Colectiva của Mexico lưu trữ công khai dữ liệu hồ sơ của 540 triệu người dùng và có thể được tải xuống bởi bất kỳ cá nhân, tổ chức nào Bloomberg cảnh báo với Facebook và mọi thứ đã được gỡ bỏ sau 3 ngày Những sai sót là điều không thể tránh khỏi, xong những bê bối đã ảnh hưởng rất nhiều đến người dùng mạng xã hội toàn cầu Facebook và cả những trang mạng xã hội khác cần hoàn thiện tốt hơn hệ thống bảo mật, trước khi bị quay lưng bởi chính những người dùng của mình 9 lOMoARcPSD|39472803 2.2.4 Tương lai nào cho FB? Không thể phủ nhận sức ảnh hưởng của một trong những trang mạng xã hội lớn nhất hành tính- Facebook, xong những bê bối tai tiếng đã ảnh hưởng rất nhiều đến uy tín của ông lớn này Facebook liệu có thể đứng vững với sự xuất hiện của những trang mạng xã hội mới, hay sẽ bị lớp bụi thời gian che lấp ? Facebook và những khó khăn Apple chặn việc FB thu thập thông tin người dùng trên iOS và Google cũng có kế hoạch tương tự trong tương lai Facebook cũng bị hạn chế ở nhiều nơi, trong đó có thị trường lớn Liên minh châu Âu EU Thậm chí tại quê nhà, ông lớn này cũng gặp nhiều khó khăn để duy trì thế độc quyền Những thuật toán không phù hợp với từng quốc gia cũng là rào cản lớn với trang mạng xã hội Facebook Mạng xã hội mới lên ngôi? YouTube tập trung vào video, LinkedIn đẩy mạnh việc làm, Twitter đơn giản hóa giao diện, Tik tok với những video ngắn đã và đang thu hút hàng tỷ người dùng toàn cầu Sinh sau đẻ muộn nhưng Tik Tok cũng đã chạm mốc 1 tỷ người dùng và ngày càng thu hút thêm người mới với những video ngắn hợp thị hiếu Ở một số quốc gia, Facebook cũng không thể so bì với các trang mạng xã hội bản địa như KakaoTalk ở Hàn Quốc, Line ở Nhật Bản hay Zalo ở Việt Nam… 99,1% người dùng di động Hàn Quốc sử dụng KakaoTalk, Tại Nhật Bản, LINE là ứng dụng mạng xã hội hàng đầu với 86 triệu người dùng hàng tháng,hơn hẳn con số 26 triệu của Facebook Hiện Zalo có khoảng 67 triệu tài khoản ở Việt Nam với một giao diện khác biệt Facebook và Meta “Thay đổi hay là chết”, ngày 29 tháng 10 năm 2021, Facebook đã chính thức đổi tên thành Meta Zuckerberg cho biết vũ trụ ảo có thể trở thành 10 Downloaded by linh tran (tranlinh199762@gmail.com) lOMoARcPSD|39472803 nền tảng xã hội quan trọng, với sự tham gia của nhiều công ty công nghệ trong 10 năm tới Zuckerberg đang kỳ vọng vũ trụ ảo này sẽ đạt một tỷ người dùng trong thập niên tới Bộc lộ những hạn chế và sự cạnh tranh gay gắt từ các đối thủ buộc Facebook phải thay đổi Song liệu gã khổng lồ này có đi đúng hướng, liệu Facebook vẫn sẽ ở vị trí dẫn đầu hay bị vượt mặt, thời gian sẽ trả lời cho tất cả 2.3 FBLEARNER FLOW 2.3.1 FBLearner Flow là gì? Năm 2016, đội ngũ kỹ sư của Facebook đã bắt đầu nghiên cứu và sau đó FBLearner Flow được ra mắt công chúng FBLearner Flow được coi là nền tảng cho mọi thuật toán Al của Facebook (Al's backbones), được thiết kế để giúp các kỹ sư phát triển, thử nghiệm và thực thi các thuật toán Al trên phạm vi khổng lồ - bao gồm toàn bộ các hình thức học máy cho phép các dịch vụ của Facebook có thể tự học các tác vụ thay vì cần tới sự lập trình của con người Nói một cách dễ hiểu hơn, Facebook đã tạo ra một con Al có khả năng tạo ra các con Al khác Được thiết kế để giải quyết các thách thức của việc đào tạo, phát triển và triển khai các mô hình máy học quy mô lớn, chẳng hạn như: ● Quản lý sự phức tạp của các quy trình công việc ML ● Tự động hóa các tác vụ ML ● Theo dõi các thí nghiệm ML FBLearner Flow được sử dụng bởi nhiều nhóm khác nhau tại Facebook, bao gồm các nhóm phát triển News Feed, Ranking và Phát hiện lạm dụng 2.3.2 Sự ra đời của FBLearner Flow Khó khăn đầu tiên dẫn tới sự ra đời của FBLearner Flow là việc kiểm nghiệm phần mềm đòi hỏi rất nhiều công sức và thời gian trong khi sức lực con người là hữu hạn Sau màn lên sàn kỷ lục với trị giá 104 tỷ USD của Facebook vào năm 2012, Mehanna và nhiều kỹ sư tài năng của Facebook bắt đầu cảm thấy áp lực phải cải thiện khả năng xác định đối tượng quảng cáo Mạng xã hội này sống nhờ quảng cáo: càng hiển thị các mẩu quảng cáo phù hợp với sở thích người dùng thì Facebook càng thu được nhiều tiền Điều này cũng có nghĩa rằng các kỹ 11 Downloaded by linh tran (tranlinh199762@gmail.com) lOMoARcPSD|39472803 sư cần phải tạo ra các mạng nơ-ron sâu và các thuật toán máy học có thể xử lý hiệu quả lượng thông tin cá nhân khổng lồ mà Facebook thu lại hàng ngày từ 1,5 tỷ người dùng của mình Để tạo ra một con AI có thể giải quyết được một bài toán lớn, các chuyên gia phần mềm sẽ phải thử nghiệm hàng chục, hàng trăm hướng đi thất bại Mỗi giải pháp, bất kể là đúng đắn hay sai lầm, đều phải được chạy qua hàng trăm siêu máy tính tại trung tâm dữ liệu Đến bây giờ, nhiều công ty lại cố gắng tự động hóa khâu thử nghiệm và mắc sai lầm của AI (hoặc ít nhất là một phần trong đó) → Nếu như bạn có thể tự động hóa các phần khó nhằn nhất, bạn có thể đẩy nhanh thời gian đưa công nghệ máy học tới các kỹ sư bình thường, và rồi bạn có thể để các nhà khoa học hàng đầu của mình dành trí óc suy nghĩ về những vấn đề có tầm vóc to lớn hơn nữa Vì vậy, FBLearner Flow được ra đời với mục đích hết sức rõ ràng: giảm tối đa các khâu thử nghiệm nhàm chán cho con người trong quá trình chế tạo AI Các thống kê cho thấy FBLearner Flow được sử dụng bởi hơn 25% đội ngũ kỹ thuật của Facebook, đào tạo hơn một triệu mô hình và có thể đưa ra đến 6 triệu dự đoán mỗi giây 2.3.3 Các thành phn cấu tạo Cấu tạo: FBLearner Flow là một nền tảng quản lý quy trình công việc học máy được Facebook phát triển Nó bao gồm các thành phần sau: Toán tử phân tách tập dữ liệu: Phân tách tập dữ liệu thành tập huấn luyện và tập kiểm tra là một thực tế phổ biến trong học máy Nó cho phép kĩ sư đánh giá hiệu suất của mô hình của mình trên dữ liệu chưa thấy Toán tử cây quyết định: Cung cấp một loạt các tham số có thể cấu hình để kiểm soát hành vi của mô hình, chẳng hạn như độ sâu tối đa của cây, số mẫu tối thiểu trên mỗi nút lá và tiêu chí được sử dụng để chia nút Bằng cách sử dụng toán tử cây quyết định của FBLearner Flow, các kĩ sư có thể đào tạo và đánh giá hiệu quả các mô hình cây quyết định cho các tác vụ 12 Downloaded by linh tran (tranlinh199762@gmail.com) lOMoARcPSD|39472803 mô hình dự đoán khác nhau Và có thể sử dụng mô hình cây quyết định để phân loại, liên phân loại và xếp hạng dữ liệu Ví dụ: Sử dụng mô hình cây quyết định để phân loại hoa Iris thành ba loại khác nhau, phân loại khách hàng thành các nhóm khác nhau dựa trên hành vi mua sắm của họ hoặc xếp hạng các sản phẩm theo mức độ phổ biến của chúng Toán tử tính toán chỉ số: Là các công cụ quan trọng trong FBLearner Flow Chúng cung cấp các phép đo định lượng về hiệu suất của mô hình học máy, có thể được sử dụng cho một loạt các ứng dụng.Các toán tử tính toán chỉ số có thể được sử dụng để: ● Lựa chọn mô hình: So sánh các mô hình khác nhau dựa trên hiệu suất của chúng để xác định mô hình tốt nhất cho nhiệm vụ hiện tại ● Tối ưu hóa mô hình: Điều chỉnh các tham số của mô hình để cải thiện hiệu suất của nó ● Giám sát hiệu suất mô hình: Theo dõi những thay đổi trong hiệu suất của mô hình theo thời gian để phát hiện các vấn đề tiềm ẩn hoặc suy giảm Toán tử dự đoán: Toán tử này đóng vai trò then chốt trong việc cho phép hệ thống tạo dự đoán dựa trên các mô hình học máy đã được đào tạo Chức năng cốt lõi của toán tử dự đoán là lấy một mô hình học máy đã được đào tạo và một tập dữ liệu đầu vào, sau đó tạo ra các dự đoán cho các điểm dữ liệu đã cho Quá trình này bao gồm việc đưa dữ liệu đầu vào vào cấu trúc bên trong của mô hình, nơi các tham số và thuật toán của mô hình được áp dụng để xử lý dữ liệu và tạo ra các dự đoán Toán tử thường xuất ra các dự đoán dưới dạng phân phối xác suất hoặc nhãn lớp, tùy thuộc vào loại mô hình đang được sử dụng API (Application Program Interface) hay giao diện chương trình ứng dụng: Cung cấp các phương thức và hàm để tạo và quản lý các quy trình công việc Machine Learning Các phương thức này cho phép các kỹ sư Machine Learning thực hiện các tác vụ sau: ● Tạo và chạy các quy trình công việc ML mới ● Sửa đổi các quy trình công việc ML hiện có ● Truy vấn thông tin về các quy trình công việc ML DSL (Digital Subscriber Line) hay Đường thuê bao số: Là ngôn ngữ mô tả quy trình công việc đơn giản và dễ hiểu Nó sử dụng các biểu đồ không có hướng tuần hoàn (DAG) để mô tả các quy trình công việc ML, bao gồm: 13 Downloaded by linh tran (tranlinh199762@gmail.com) lOMoARcPSD|39472803 ● Nút: Một nút đại diện cho một tác vụ ML ● Cửa nối: Một cửa nối kết nối hai nút ● Dữ liệu: Dữ liệu được truyền giữa các nút Trình biên dịch Trình biên dịch dịch DSL thành các lệnh có thể thực thi Các lệnh này được sử dụng để chạy các quy trình công việc Machine Learning trên cơ sở hạ tầng của FBLearner Flow Hệ thống quản lý tài nguyên: Hệ thống quản lý tài nguyên của Facebook cung cấp các tài nguyên cần thiết để chạy các quy trình công việc Machine Learning, chẳng hạn như máy tính, bộ nhớ và mạng Hệ thống quản lý tài nguyên sử dụng các thuật toán để phân bổ các tài nguyên này cho các quy trình công việc ML một cách hiệu quả Hệ thống giám sát Theo dõi các quy trình công việc ML và cung cấp thông tin chi tiết về hiệu suất của chúng → Thông tin chi tiết này có thể được sử dụng để xác định các quy trình công việc ML đang gặp sự cố hoặc có thể được cải thiện 2.3.4 Quy trình hoạt động FBLearner Flow được Facebook tạo ra với mục đích chính là thay thế các chuyên gia trong quá trình thu thập và xác định đối tượng quảng cáo để tiến hành cá nhân hóa thông tin cho người dùng Vì thế, FBLearner Flow luôn có một quy trình hoạt động cụ thể rõ ràng từ việc học máy đến thu thập thông tin và đề xuất các quảng cáo, thông tin phù hợp từng khách hàng: ● Thu thập dữ liệu: Việc thấu hiểu đối tượng sử dụng cần có thời gian để học máy và thu thập thông tin dữ liệu từ hàng triệu nguồn khác nhau bao gồm cơ sở dữ liệu nội bộ, dữ liệu được tải lên bởi người dùng hoặc dữ liệu được thu thập từ các trang web bên ngoài để đào tạo mô hình ● Chuẩn bị dữ liệu: Những dữ liệu được thu thập cần được sàng lọc và lựa chọn kĩ càng trước khi áp dụng vào tạo mô hình Bước này có thể giúp loại bỏ các giá trị thiếu, chuyển đổi các giá trị thành các định dạng phù hợp và chia dữ liệu thành các tập huấn luyện và kiểm tra ● Xây dựng mô hình: Đây là giai đoạn đầu cũng là bước vô cùng quan trọng khi phải cho máy học các dữ liệu đã chọn lọc để bắt đầu một mô hình mới hoàn toàn hoặc tiếp tục ở một giai đoạn nào đó trong mô hình cũ 14 Downloaded by linh tran (tranlinh199762@gmail.com) lOMoARcPSD|39472803 ● Đào tạo mô hình: Mô hình dần được đào tạo và sắp xếp lại các dữ liệu đã nhận được Bước này tốn khá nhiều thời gian để đào tạo tùy thuộc vào kích thước của lượng dữ liệu và độ phức tạp của mô hình ● Đánh giá mô hình: Sau khi mô hình được hoàn thiện là lúc cần để thử nghiệm và đánh giá mức độ thành công của mô hình thông qua các ứng dụng thực tế 2.3.5 Một số ứng dụng do FBLearner Flow khởi tạo Minh chứng cho thành công của FBLearner Flow là những ứng dụng táo bạo đã được triển khai và góp phần xây dựng nên sự phát triển của Facebook hiện nay 2.3.5.1 DeepFace Là một trong những ứng dụng xuất sắc nhất của FBLearner Flow, DeepFace là một hệ thống nhận dạng khuôn mặt bởi Facebook AI được ra mắt lần đầu vào năm 2014 và được cải tiến cho đến tận thời điểm hiện tại Các khuôn mặt được người dùng tải lên sẽ được DeepFace dùng một mạng nơ-ron tích chập (CNN) để nhận diện các đặc trưng trên khuôn mặt ấy Các đặc trưng ấy sẽ được dùng trong việc tìm các bài có liên quan đến người trong ảnh nhờ vào khoảng cách tính toán của khuôn mặt trong DeepFace Một số chức năng chính của DeepFace trong Facebook là: ● Facebook Photos: Nhận dạng khuôn mặt trong ảnh và video ● Facebook Tag Suggestions: Đề xuất những người bạn có thể gắn thẻ trong ảnh và video ● Facebook Security: Xác minh danh tính của người dùng 2.3.5.2 DeepText Là một công cụ hiểu và phân tích được ngôn ngữ tự nhiên (NLU) Ứng dụng nổi bật nhất của công cụ này là để phân tích và hiểu văn bản, bao gồm cả văn bản tiếng Việt Sau khi nắm rõ thông tin ngôn ngữ của người dùng muốn truyền tải thì DeepText còn tiếp tục các việc phân tích áp dụng các ứng dụng khác như: ● Phân tích cảm xúc: Cảm xúc người dùng giờ đây có thể được các công cụ này phân tích và dự đoán như một cách nhìn nhận như một con người ● Nhận dạng chủ đề: Chỉ với một ít thông tin dữ liệu từ người dùng có thể giúp AI đoán ra chủ đề mà họ đang nói đến và gợi ý quảng cáo phù hợp với họ 15 Downloaded by linh tran (tranlinh199762@gmail.com) lOMoARcPSD|39472803 ● Trả lời câu hỏi: DeepText có thể được sử dụng để trả lời các câu hỏi về một đoạn văn bản ● Dịch ngôn ngữ: Giúp giảm rào cản ngôn ngữ trên nền tảng facebook và giúp mọi người giao lưu, kết nối hơn 2.3.6 Điểm nổi bật và điểm cn khắc phục 2.3.6.1 Điểm nổi bật Là một nền tảng học máy mạnh mẽ và linh hoạt dùng để cung cấp một số tính năng nổi bật: ● Kho lưu trữ các mô hình h漃⌀c máy đã được đào tạo sẵn: Cung cấp một kho lưu trữ các mô hình học máy đã qua đào tạo sẵn cho nhiều loại nhiệm vụ khác nhau Điều này giúp cho việc bắt đầu sử dụng học máy trở nên dễ dàng hơn ● Công cụ để phát triển và đào tạo các mô hình h漃⌀c máy mới: Là xương sống của các công cụ và mô hình mới vì FBLearner Flow mang lại các tính năng giúp xây dựng và đào tạo các mô hình học máy trở nên dễ dàng hơn nhờ các bước: ● Tạo và chỉnh sửa các mô hình học máy; ● Huấn luyện các mô hình học máy trên các tập dữ liệu lớn; ● Đánh giá hiệu suất của các mô hình học máy ● Công cụ để triển khai các mô hình h漃⌀c máy trên các nền tảng khác nhau: Là cầu nối giúp liên kết thống nhất giao diện giữa đa dạng các thiết bị từ điện thoại đến các máy tính bàn lớn 2.3.6.2 Điểm cn khắc phục ● Hỗ trợ cho các ngôn ngữ khác: FBLearner Flow hiện tại chỉ hỗ trợ tiếng Anh dẫn đến khó khăn về hình thức và thời gian khi phải tốn công sức dịch sang các ngôn ngữ khác Việc hỗ trợ cho các ngôn ngữ khác sẽ giúp cho việc sử dụng FBLearner Flow trở nên dễ dàng hơn đối với những người không nói tiếng Anh ● Tốc độ đào tạo: Dù FBLearner Flow có thể tự đào tạo mô hình mới cho các ứng dụng do nó khởi tạo như DeepFace, DeepText, nhưng lại đánh đổi rất nhiều thời gian để đào tạo các mô hình học máy lớn Vì thế việc cải thiện tốc độ đào tạo sẽ giúp cho việc sử dụng FBLearner Flow trở nên hiệu quả hơn 16 Downloaded by linh tran (tranlinh199762@gmail.com) lOMoARcPSD|39472803 ● Hỗ trợ cho các nhiệm vụ h漃⌀c máy mới: FBLearner Flow hiện chỉ hỗ trợ một số loại nhiệm vụ học máy phổ biến mà nó tìm kiếm được dựa vào những nền tảng và dữ liệu từ cơ sở chính hay đối thủ xung quanh lẫn người dùng nên việc học máy mới là điều chưa khả thi đối với FBLearner Flow hiện tại Việc hỗ trợ cho các nhiệm vụ học máy mới sẽ giúp cho FBLearner Flow trở nên linh hoạt hơn 2.3.7 FBLearner Flow đã mang đến lợi ích gì cho tập đoàn tỷ đô? FBLearner Flow là một công cụ mạnh mẽ đã mang lại lợi ích đáng kể cho tập đoàn tỷ đô Meta Đầu tiên, FBLearner Flow là một nền tảng học máy và AI mạnh mẽ, giúp Meta xây dựng và triển khai các mô hình học máy phức tạp một cách dễ dàng Điều này cho phép Meta nhanh chóng áp dụng các công nghệ mới như nhận diện khuôn mặt, gợi ý tin tức và quảng cáo thông minh trên các sản phẩm của họ Thứ hai, FBLearner Flow cung cấp khả năng tự động hoá quá trình huấn luyện và triển khai các mô hình học máy Điều này giúp Meta tiết kiệm thời gian, chi phí và công sức trong việc xử lý hàng triệu dữ liệu từ người dùng hàng ngày Bằng cách sử dụng FBLearner Flow, Meta có thể tăng hiệu suất làm việc của nhóm kỹ thuật và đẩy nhanh tiến trình phát triển sản phẩm Cuối cùng, FBLearner Flow được thiết kế để linh hoạt và có thể tích hợp với các công cụ khác trong hệ thống của Meta Điều này cho phép công ty sử dụng FBLearner Flow như một công cụ tổng hợp để xây dựng các ứng dụng AI phức tạp trong toàn bộ hệ thống của mình Dưới đây là một số ví dụ cụ thể về lợi ích của FBLearner Flow: ● Tại Meta, một kỹ sư đã sử dụng FBLearner Flow để phát triển một mô hình học máy mới giúp cải thiện hiệu quả của hệ thống phân tích dữ liệu Mô hình này đã giúp Meta tiết kiệm được hàng triệu đô la chi phí ● Một nhóm kỹ sư khác tại Meta đã sử dụng FBLearner Flow để phát triển một mô hình học máy mới giúp phát hiện spam trên các nền tảng của Meta Mô hình này đã giúp bảo vệ người dùng khỏi nội dung độc hại và ngăn chặn sự lan truyền của thông tin sai lệch ● Một nhóm kỹ sư khác tại Meta đã sử dụng FBLearner Flow để phát triển một mô hình học máy mới giúp nhắm mục tiêu quảng cáo tới người dùng dựa trên sở thích và nhân khẩu học của họ Mô hình này đã giúp đảm bảo rằng người dùng nhìn thấy quảng cáo có liên quan 17 Downloaded by linh tran (tranlinh199762@gmail.com) lOMoARcPSD|39472803 đến họ và các nhà quảng cáo có thể tiếp cận đối tượng mục tiêu của họ Tóm lại, FBLearner Flow không chỉ mang lại những tiện ích quan trọng cho Meta trong việc áp dụng AI vào hoạt động kinh doanh của mình, mà còn giúp tập đoàn này tiết kiệm thời gian, tối ưu hóa quy trình và nâng cao khả năng mở rộng Tài liệu tham khảo: ChatGPT & Google Bard 2.3.8 Tác hại của việc quá lạm dụng FBLearner Flow FBLearner Flow là một công cụ mạnh mẽ có thể được sử dụng để xây dựng, đào tạo và triển khai các mô hình học máy quy mô lớn Tuy nhiên, việc lạm dụng FBLearner Flow có thể dẫn đến một số tác hại, bao gồm: a Là nguồn cơn gây kích động thù hận: Các mô hình học máy giúp tăng tối đa tương tác, tuy nhiên những bài có nội dung tranh cãi, thông tin sai lệch và cực đoan lại thu hút nhiều lượt tương tác nhất Điều này làm bùng phát những căng thẳng chính trị Ví dụ: tin giả trên Facebook về nhóm thiểu số Hồi giáo Rohingya ở Myanmar đã khiến xung đột tôn giáo leo thang tại đất nước này b Tăng khả năng sai lệch: Các mô hình học máy có thể tạo ra các kết quả sai lệch nếu chúng được đào tạo trên dữ liệu không chính xác hoặc không đầy đủ Nếu FBLearner Flow được sử dụng để đào tạo các mô hình học máy trên dữ liệu không chính xác hoặc không đầy đủ, thì các mô hình này có thể tạo ra các kết quả sai lệch Ví dụ: Nếu FBLearner Flow được sử dụng để đào tạo một mô hình học máy để dự đoán thời tiết, thì mô hình này có thể tạo ra các dự đoán sai lệch nếu nó được đào tạo trên dữ liệu thời tiết không chính xác c Tăng khả năng xâm phạm quyền riêng tư: Các mô hình học máy có thể thu thập và sử dụng dữ liệu cá nhân của người dùng để đào tạo và triển khai Nếu FBLearner Flow được sử dụng để thu thập và sử dụng dữ liệu cá nhân của người dùng mà không có sự đồng ý của họ, thì điều này có thể vi phạm quyền riêng tư của người dùng Nhìn chung, FBLearner Flow là một công cụ mạnh mẽ có thể được sử dụng để xây dựng, đào tạo và triển khai các mô hình học máy quy mô lớn Tuy nhiên, cần sử dụng FBLearner Flow một cách thận trọng để giảm thiểu các tác hại tiềm ẩn 2.3.9 Một số đề xuất tương lai cho FBLearner Flow và Facebook Facebook là một trong những mạng xã hội lớn nhất thế giới, với hơn 3 tỷ người dùng hoạt động hàng tháng Tuy nhiên, trong những năm gần đây, 18 Downloaded by linh tran (tranlinh199762@gmail.com) lOMoARcPSD|39472803 Facebook đang phải đối mặt với nhiều thách thức, bao gồm sự cạnh tranh của các mạng xã hội mới như Tiktok, Twitter, Instagram, , sự lo ngại về quyền riêng tư và các vấn đề về nội dung độc hại Để duy trì vị thế dẫn đầu và thu hút người dùng mới, Facebook cần có những thay đổi và đổi mới trong tương lai Dưới đây là một số đề xuất: a Tăng cường bảo mật và quyền riêng tư: Facebook cần tăng cường và mở rộng quyền kiểm soát của người dùng đối với cài đặt quyền riêng tư và việc sử dụng dữ liệu của họ, mang lại sự minh bạch rõ ràng hơn về cách thu thập, lưu trữ và sử dụng dữ liệu b Đối phó với thông tin giả mạo và tin tức sai lệch: Đầu tư vào các công cụ máy học và trí tuệ nhân tạo mạnh mẽ hơn để phát hiện và hạn chế sự lan truyền thông tin sai lệch, tin tức giả mạo và nội dung có hại trên nền tảng, đồng thời tăng cường giáo dục người dùng về việc kiểm tra thông tin trước khi chia sẻ c Tạo cộng đồng mạnh mẽ hơn: Giới thiệu các tính năng và công cụ mới nhằm thúc đẩy sự tương tác tích cực và có ý nghĩa trong cộng đồng, khuyến khích các cuộc thảo luận và kết nối mang tính xây dựng, tích cực và văn minh d Tích hợp thực tế tăng cường (AR) và thực tế ảo (VR): Tích hợp sâu hơn các công nghệ AR và VR vào nền tảng để mang lại trải nghiệm phong phú, chẳng hạn như giao tiếp nâng cao, tụ tập ảo hoặc nội dung tương tác e Chăm sóc sức khỏe tinh thần: Cung cấp các tài nguyên và công cụ hỗ trợ tinh thần, bao gồm cả các tính năng để giảm căng thẳng, tăng cường tâm lý tích cực và hỗ trợ tư vấn sức khỏe tinh thần f Phát triển nền tảng thương mại điện tử: Cung cấp các công cụ và tài nguyên miễn phí nhằm giúp các doanh nghiệp tiếp cận với khách hàng tiềm năng và quảng bá sản phẩm/dịch vụ của mình g Các biện pháp an toàn cho người dùng trẻ tuổi: Thực hiện các biện pháp mạnh mẽ hơn để bảo vệ người dùng trẻ tuổi, bao gồm cải thiện khả năng kiểm soát của phụ huynh, tài nguyên giáo dục 19 Downloaded by linh tran (tranlinh199762@gmail.com)