Đặc điểm chung về trí tuệ nhân tạo a Khả năng Học Máy Machine Learning: AI có khả năng tự học từ dữ liệu và trải nghiệm, không cần phải được lập trình cụ thể cho mỗi tác vụ.. c Phát Tri
Trang 1BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC DUY TÂN
ĐỒ ÁN CÁ NHÂN
Đề tài: Tìm hiểu về trí tuệ nhân tạo
Sinh viên thực hiện : Trần Lê Bảo Nhân - 29216664009
Trang 2Đà nẵng - 2024
MỤC LỤC
I Giới thiệu 4
A Đặc điểm chung về trí tuệ nhân tạo 4
B Ý nghĩa và vai trò của AI trong cuộc sống hiện đại 4
II Lịch sử phát triển của Trí Tuệ Nhân Tạo 6
A Ngày càng tăng cường qua các thập kỷ 6
B Các giai đoạn quan trọng trong lịch sử phát triển 7
III Nguyên lý hoạt động của Trí Tuệ Nhân Tạo 8
A Học máy (Machine Learning) và Deep Learning 8
B Xử lý ngôn ngữ tự nhiên (NLP) 10
C Tầm quan trọng của dữ liệu trong quá trình học của AI 11
IV Ứng dụng của Trí Tuệ Nhân Tạo trong thực tế 12
A Trong lĩnh vực y tế 12
B Trong lĩnh vực sản xuất và công nghiệp 13
C Các ứng dụng khác như tự động hóa, xe tự lái, v.v 15
V Thách thức và rủi ro của Trí Tuệ Nhân Tạo 16
A Quản lý rủi ro và đạo đức trong phát triển AI 16
B Ảnh hưởng đến thị trường lao động và xã hội 18
C An ninh và quyền riêng tư 19
VI Tương lai của Trí Tuệ Nhân Tạo 21
A Xu hướng phát triển trong tương lai 21
2
Trang 3B Ứng dụng tiềm năng và cơ hội mới 22VII Kết luận 24
I Giới thiệu
A Đặc điểm chung về trí tuệ nhân tạo
a) Khả năng Học Máy (Machine Learning): AI có khả năng tự học từ dữ liệu và
trải nghiệm, không cần phải được lập trình cụ thể cho mỗi tác vụ Học máy là một phần quan trọng của Trí Tuệ Nhân Tạo, giúp máy tính tự động cải thiện hiệu suất của mình theo thời gian
b) Xử Lý Ngôn Ngữ Tự Nhiên (NLP): AI có khả năng hiểu và tương tác với
ngôn ngữ con người NLP cho phép máy tính hiểu, giải mã, và tạo ra ngôn ngữ
tự nhiên, giúp tăng cường khả năng giao tiếp giữa con người và máy
c) Quyết định Tương Tác (Decision Making): Trí Tuệ Nhân Tạo có khả năng
đưa ra quyết định dựa trên dữ liệu, mô phỏng quyết định như con người Điều này có thể thấy trong các hệ thống tự động đưa ra quyết định, từ lĩnh vực y tế đến tài chính
d) Phân loại và Nhận Dạng: AI có khả năng phân loại và nhận dạng các đối
tượng, hình ảnh, âm thanh, v.v Một số ứng dụng bao gồm nhận diện khuôn mặt, phân loại văn bản, và nhận dạng giọng nói
e) Tự Động Hóa: Trí Tuệ Nhân Tạo thường được sử dụng để tự động hóa các
nhiệm vụ và quy trình Điều này giúp tăng cường hiệu suất, giảm thiểu sai sót,
và thúc đẩy sự linh hoạt trong sản xuất và dịch vụ
f) Dữ Liệu Lớn (Big Data): AI phụ thuộc lớn vào việc xử lý và phân tích dữ liệu
lớn Khả năng xử lý dữ liệu khổng lồ giúp tạo ra mô hình chính xác và hiệu quả hơn
g) Giao diện Người-Máy (Human-Machine Interface): AI thường liên quan đến
phát triển các giao diện người-máy tương tác, giúp tạo ra trải nghiệm người dùng thuận lợi và hiệu quả
3
Trang 4h) Thách Thức Ét-đối và Đạo Đức: Cùng với những tiến bộ tích cực, AI cũng
đặt ra những thách thức liên quan đến ét-đối, bảo mật, và đạo đức trong việc phát triển và triển khai
B Ý nghĩa và vai trò của AI trong cuộc sống hiện đại
a) Tăng Cường Hiệu Quả và Năng Suất:
AI giúp tối ưu hóa quy trình sản xuất và dịch vụ, giảm thiểu thời gian và tăng cường hiệu suất
Trong doanh nghiệp, hệ thống AI có thể tự động hóa các nhiệm vụ lặp lại, giúp con người tập trung vào công việc sáng tạo và chiến lược hơn
c) Phát Triển Công Nghệ Mới:
AI đóng vai trò quan trọng trong việc đưa ra các đổi mới công nghệ, tạo
ra những ứng dụng mới và mở rộng ranh giới của khả năng công nghệ.Các ứng dụng mới như trí tuệ nhân tạo hình ảnh, thực tế ảo, và Internet
of Things (IoT) đều liên quan chặt chẽ đến sự phát triển của AI
d) Dịch Vụ Khách Hàng Tốt Hơn:
AI được sử dụng trong các hệ thống chatbot và giao diện tự động để cung cấp dịch vụ khách hàng 24/7, nâng cao trải nghiệm người dùng.Trí tuệ nhân tạo cũng giúp cá nhân hóa trải nghiệm người dùng thông qua việc dự đoán và đáp ứng nhanh chóng các nhu cầu cá nhân
e) Giao Thông An Toàn và Hiệu Quả:
AI chơi một vai trò quan trọng trong phát triển xe tự lái và hệ thống giao thông thông minh, giúp giảm tai nạn và làm cho giao thông trở nên hiệu quả hơn
f) Nâng Cao Dự đoán và Dự báo:
AI sử dụng mô hình học máy để dự đoán xu hướng và thực hiện dự báo trong nhiều lĩnh vực như tài chính, thời tiết, và thị trường chứng khoán
g) Bảo mật và An Toàn Thông Tin:
4
Trang 5AI được sử dụng để phát hiện và ngăn chặn các mối đe dọa an ninh mạng, nâng cao mức độ an toàn của thông tin cá nhân và doanh nghiệp.
h) Thách Thức Đạo Đức và Xã Hội:
Với sức mạnh lớn của nó, AI đặt ra những thách thức về đạo đức, quản
lý rủi ro, và ảnh hưởng xã hội, đòi hỏi sự quan tâm và giám sát cẩn thận
II Lịch sử phát triển của Trí Tuệ Nhân Tạo
A Ngày càng tăng cường qua các thập kỷ
a) Thập kỷ 1950-1960: Bước Đầu và Ý Tưởng Đầu Tiên
Những ý tưởng đầu tiên về máy tính thông minh xuất hiện với các nhà khoa học như Alan Turing
Ý tưởng về máy tính có khả năng tự học và giải quyết vấn đề xuất hiện trong các nghiên cứu về Trí Tuệ Nhân Tạo
b) Thập kỷ 1970-1980: Phát Triển Mô Hình Học Máy và Expert Systems
Xuất hiện các mô hình học máy sơ bộ và các hệ thống chuyên gia (expertsystems) sử dụng quy tắc và kiến thức chuyên gia
Phát triển mạnh mẽ trong lĩnh vực xử lý ngôn ngữ tự nhiên và thị giác máy tính
c) Thập kỷ 1990-2000: Đổi Mới Trong Học Máy và Mạng Nơ-ron
Sự xuất hiện của mạng nơ-ron và tiến triển trong học máy dựa trên dữ liệu (data-driven machine learning)
Các ứng dụng đầu tiên của AI trong thị trường và tài chính
e) Thập kỷ 2010-nay: Tiến Triển Nhanh Chóng và Ứng Dụng Rộng Rãi
Bùng nổ của Deep Learning và Neural Networks, đưa ra nhiều tiến bộ lớn trong học máy
AI trở thành một phần không thể thiếu trong nhiều lĩnh vực như y tế, tài chính, giao thông, và dịch vụ công
5
Trang 6f) Sự Tăng Cường Của Dữ Liệu và Quy Mô Mô Hình:
Sự phát triển của Trí Tuệ Nhân Tạo liên quan mật thiết đến khả năng xử
lý dữ liệu lớn và mô hình ngày càng phức tạp
Tiến triển trong phần cứng, đặc biệt là GPU, đã hỗ trợ mạnh mẽ quá trình huấn luyện mô hình
g) Ứng Dụng Thực Tế và Tiềm Năng:
AI không chỉ là một lĩnh vực nghiên cứu, mà còn là một công nghệ tiên tiến được triển khai rộng rãi trong nhiều lĩnh vực cuộc sống hàng ngày
Sự kết hợp của AI với các công nghệ khác như IoT, Blockchain, và 5G
mở ra nhiều cơ hội mới
h) Thách Thức và Đối Mặt với Cơ Hội:
Những thách thức liên quan đến đạo đức, quản lý rủi ro, và ảnh hưởng xãhội trở nên ngày càng quan trọng khi sức mạnh của AI tăng lên
B Các giai đoạn quan trọng trong lịch sử phát triển
a) Đầu Những Năm 1950: Bước Đầu và Ý Tưởng Đầu Tiên:
1950: Alan Turing đưa ra bài báo về "Máy Turing" và đặt nền tảng cho ý
tưởng về máy tính thông minh
1956: Hội nghị Dartmouth College - Nơi thuật ngữ "Trí Tuệ Nhân Tạo"
được đặt ra và nghiên cứu trong lĩnh vực này được khởi đầu
b) Thập Kỷ 1960-1970: Sự Phát Triển Của Mô Hình Học Máy và Expert
Systems:
1960-1970: Nghiên cứu chủ yếu tập trung vào mô hình học máy sử dụng
các giải thuật và quy tắc cụ thể
1965: Joseph Weizenbaum phát triển chương trình ELIZA, một trong
những chương trình chatbot đầu tiên
c) Thập Kỷ 1980-1990: Sự Tăng Cường của Expert Systems và Giới Hạn:
1980: Expert systems trở nên phổ biến, sử dụng kiến thức chuyên gia để
giải quyết vấn đề
1987: Máy tính IBM Deep Thought đánh cờ với đương Kim vô địch thế
giới, Garry Kasparov, tạo ra sự quan tâm mạnh mẽ vào AI
d) Thập Kỷ 1990-2000: Học Máy Dựa Trên Dữ Liệu và Internet:
6
Trang 71997: IBM Deep Blue chiến thắng Garry Kasparov trong một trận cờ vô
địch thế giới, đánh dấu một bước ngoặt trong lịch sử AI
1990-2000: Phát triển mạnh mẽ về học máy dựa trên dữ liệu và sự gia
nhập của AI vào cuộc sống hàng ngày thông qua Internet
e) Thập Kỷ 2000-2010: Mở Cửa Đối với Deep Learning và Big Data:
2006: Geoffrey Hinton giới thiệu mô hình Deep Belief Networks, đánh
dấu sự phát triển của Deep Learning
2011: IBM Watson chiến thắng trong trò chơi Jeopardy!, thể hiện khả
năng của máy tính trong hiểu và xử lý ngôn ngữ tự nhiên
f) Thập Kỷ 2010-nay: Cách Mạng Của Deep Learning và Ứng Dụng Rộng
Rãi:
2012: AlexNet, một mô hình CNN, giành chiến thắng trong cuộc thi
ImageNet, mở ra thời kỳ mới của Deep Learning
2015: AlphaGo, một chương trình AI của Google, đánh bại nhà vô địch
thế giới cờ vua Go, Lee Sedol
2018: GPT-3 (Generative Pre-trained Transformer 3) được phát triển bởi
OpenAI, một mô hình học máy ngôn ngữ tự nhiên lớn nhất và mạnh mẽ nhất cho đến nay
g) Tương Lai: Xu Hướng Mới và Thách Thức:
Tiếp tục phát triển của AI: Hướng tới mô hình mạnh mẽ hơn, học sâu,
và tích hợp AI với các lĩnh vực khác như IoT, Blockchain, và Robotics
Thách thức đạo đức và quản lý rủi ro: Cần đối mặt với các thách thức
đạo đức và xã hội, bao gồm quản lý rủi ro và bảo vệ quyền riêng tư
III Nguyên lý hoạt động của Trí Tuệ Nhân Tạo
A Học máy (Machine Learning) và Deep Learning
a) Định Nghĩa:
Học Máy: Là một phân nhánh của trí tuệ nhân tạo mà máy tính được lập
trình để học từ dữ liệu mà nó đã xử lý mà không cần phải được lập trình
cụ thể
Deep Learning: Là một phương pháp học máy sử dụng các mô hình
nơ-ron sâu (deep neural networks) để hiểu và biểu diễn dữ liệu
7
Trang 8b) Kiến Trúc Mô Hình:
Học Máy: Sử dụng nhiều phương pháp như Support Vector Machines,
Decision Trees, k-Means, và các thuật toán khác
Deep Learning: Tập trung vào sử dụng các mô hình nơ-ron sâu như
Neural Networks với nhiều lớp (deep neural networks), Convolutional Neural Networks (CNNs), và Recurrent Neural Networks (RNNs)
c) Dữ Liệu Đầu Vào:
Học Máy: Có thể làm việc tốt với dữ liệu có kích thước nhỏ đến trung
bình
Deep Learning: Thường yêu cầu lượng dữ liệu lớn để huấn luyện hiệu
quả và tránh overfitting
d) Biểu Diễn Dữ Liệu:
Học Máy: Thường cần sự đặc trưng (feature engineering) để biểu diễn
dữ liệu một cách hiệu quả
Deep Learning: Có khả năng học cả đặc trưng và biểu diễn dữ liệu tự
động
e) Hiệu Suất Trong Vấn Đề Cụ Thể:
Học Máy: Hiệu suất phụ thuộc nhiều vào việc chọn đặc trưng và thiết kế
mô hình
Deep Learning: Thường có hiệu suất tốt hơn trong các vấn đề phức tạp
và có thể học các đặc trưng phức tạp mà không cần sự can thiệp của con người
f) Quy Mô Dự Án:
Học Máy: Thường linh hoạt và thích hợp cho các dự án với quy mô nhỏ
đến trung bình
Deep Learning: Thường được sử dụng trong các dự án có quy mô lớn,
đặc biệt là trong lĩnh vực thị giác máy tính và xử lý ngôn ngữ tự nhiên
g) Thời Gian Huấn Luyện:
Học Máy: Có thể yêu cầu thời gian huấn luyện ngắn hơn so với deep
learning
Deep Learning: Thường yêu cầu thời gian và tài nguyên tính toán lớn
hơn
8
Trang 9h) Áp Dụng:
Học Máy: Thường được sử dụng trong nhiều lĩnh vực như phân loại
hình ảnh, dự báo tài chính, và xử lý ngôn ngữ tự nhiên
Deep Learning: Thường được sử dụng trong các ứng dụng phức tạp như
thị giác máy tính, giọng nói, và xử lý ngôn ngữ tự nhiên
Phân Tích Ngôn Ngữ Tự Nhiên: Phân tích văn bản để hiểu ý nghĩa và
cấu trúc của câu
Xử Lý Giọng Nói: Hiểu và chuyển đổi giọng nói thành văn bản và
ngược lại
c) Cấu Trúc Cơ Bản:
Tokenization: Phân tách văn bản thành các đơn vị nhỏ hơn như từ, câu,
hoặc đoạn văn
POS Tagging (Part-of-Speech Tagging): Gán nhãn cho từng từ trong
văn bản với loại từ (danh từ, động từ, tính từ, v.v.)
Named Entity Recognition (NER): Xác định và phân loại các thực thể
như tên riêng, địa danh, ngày tháng, v.v
d) Phương Pháp Học Máy trong NLP:
Rule-based Systems: Sử dụng các quy tắc và logic để xử lý ngôn ngữ Machine Learning: Sử dụng các mô hình học máy như Support Vector
Machines, Decision Trees, và Neural Networks
Deep Learning: Sử dụng mô hình học máy sâu như Recurrent Neural
Networks (RNNs) và Transformer cho các nhiệm vụ NLP phức tạp
e) Ứng Dụng Thực Tế:
Chatbots và Hệ Thống Hỗ Trợ Tư Vấn: Tạo ra các chương trình có
khả năng giao tiếp tự nhiên với người dùng
9
Trang 10Dịch Máy: Dịch văn bản tự động giữa các ngôn ngữ khác nhau Phân Tích Tâm Trạng và Ý Nghĩa: Hiểu tâm trạng và ý nghĩa của văn
bản hoặc câu nói
f) Thách Thức và Vấn Đề:
Đa Nghĩa và Nghĩa Đa Chiều: Đối mặt với khả năng của từ có nhiều ý
nghĩa và câu có thể mang nhiều ngữ cảnh
Hiểu Biểu Đồ Ngữ Pháp và Ngữ Ngữ: Thách thức khi giải quyết các
ngữ pháp phức tạp và cấu trúc ngôn ngữ phức tạp
g) Tiến Triển Gần Đây:
BERT (Bidirectional Encoder Representations from Transformers):
Mô hình deep learning được huấn luyện trên lượng lớn dữ liệu để hiểu mối quan hệ ngữ cảnh
GPT (Generative Pre-trained Transformer): Loạt mô hình học máy
ngôn ngữ tự nhiên lớn nhất, sử dụng kiến trúc Transformer
h) Tương Lai Của NLP:
Tiếp tục Phát Triển Trí Tuệ Nhân Tạo Ngôn Ngữ Tự Nhiên (NLG):
Tăng cường khả năng tương tác và hiểu ngôn ngữ tự nhiên
Ứng Dụng Rộng Rãi Trong Các Ngành Khác Nhau: Mở rộng sự ứng
dụng của NLP trong y tế, tài chính, giáo dục, và nhiều lĩnh vực khác
C Tầm quan trọng của dữ liệu trong quá trình học của AI
a) Huấn Luyện Mô Hình:
Dữ liệu là nguồn thông tin quan trọng để huấn luyện mô hình Mô hình học máy sẽ học từ các mẫu dữ liệu, điều này giúp máy tính hiểu các mối quan hệ, biểu đồ, và tính chất của dữ liệu
b) Đào Tạo Mô Hình Hiệu Quả:
Chất lượng của dữ liệu trực tiếp ảnh hưởng đến hiệu suất của mô hình
Dữ liệu phải đủ đRepresentative để mô hình có thể học được mọi khía cạnh của vấn đề và đưa ra dự đoán chính xác
c) Dữ Liệu Đa Dạng:
Sự đa dạng trong dữ liệu là chìa khóa để mô hình có khả năng tổng quát hóa tốt hơn đối với dữ liệu mới Dữ liệu đa dạng giúp mô hình tránh được overfitting cho dữ liệu huấn luyện cụ thể
10
Trang 11d) Tiền Xử Lý Dữ Liệu:
Quá trình tiền xử lý dữ liệu, bao gồm việc làm sạch, chuẩn hóa, và rút trích đặc trưng, đóng vai trò quan trọng trong việc tạo ra dữ liệu có chất lượng cao để đào tạo mô hình
e) Học Máy Giám Sát:
Trong học máy giám sát, dữ liệu phải được gán nhãn chính xác để máy tính có thể học từ các ví dụ và tạo ra mô hình dự đoán
f) Học Máy Không Giám Sát:
Trong học máy không giám sát, dữ liệu chưa được gán nhãn được sử dụng để phát hiện cấu trúc ẩn và mối quan hệ trong dữ liệu một cách tự nhiên
g) Đào Tạo Mô Hình Tăng Cường:
Dữ liệu cũng là yếu tố quan trọng trong việc đào tạo mô hình tăng cường(reinforcement learning), nơi mô hình học thông qua thử nghiệm và tương tác với môi trường
h) Thách Thức Liên Quan Đến Dữ Liệu:
Hiệu suất của mô hình phụ thuộc nhiều vào chất lượng dữ liệu Nếu dữ liệu không chính xác, thiếu đại diện, hoặc có độ chệch, mô hình có thể học những điều không mong muốn và không thể tổng quát hóa tốt trên
dữ liệu mới
i) Quản Lý Dữ Liệu Lớn:
Trong một số ứng dụng, như Deep Learning, quản lý và xử lý dữ liệu lớn
là một thách thức Sự hiểu biết vững về cách làm việc với dữ liệu lớn trở thành quan trọng
IV. Ứng dụng của Trí Tuệ Nhân Tạo trong thực tế
A Trong lĩnh vực y tế
a) Chẩn Đoán và Dự Đoán Bệnh:
Dữ liệu y tế, bao gồm hồ sơ bệnh nhân, hình ảnh y khoa, và kết quả xét nghiệm, được sử dụng để đào tạo mô hình AI để chẩn đoán và dự đoán bệnh Điều này giúp tăng cường khả năng đưa ra quyết định của bác sĩ
và giảm thiểu sai sót
11
Trang 12b) Dự Báo Dịch Bệnh:
Dữ liệu lịch sử về dịch bệnh, thông tin về các ca bệnh, và các yếu tố liên quan đến sức khỏe cộng đồng được sử dụng để phát triển mô hình dự đoán sự xuất hiện và sự lan truyền của các dịch bệnh như cúm, đau đầu Zika, và COVID-19
d) Dự Báo và Quản Lý Yếu Tố Rủi Ro:
Mô hình học máy sử dụng dữ liệu cá nhân của bệnh nhân để dự đoán rủi
ro và phòng ngừa các bệnh lý, như tiểu đường, tim mạch, và bệnh tăng huyết áp Điều này giúp tối ưu hóa chăm sóc sức khỏe cá nhân và giảm nguy cơ mắc các bệnh lý nặng
e) Tư vấn Điều Trị và Lựa Chọn Phác Đồ Điều Trị:
Dữ liệu y tế giúp máy tính hiểu về hiệu suất của các phác đồ điều trị và
đề xuất các kịch bản điều trị tối ưu dựa trên dữ liệu đa dạng về phản ứng của bệnh nhân
f) Phân Tích Ảnh Y Học:
Hình ảnh y khoa như CT, MRI, và hình ảnh siêu âm được sử dụng để đào tạo mô hình học máy giúp phân loại và chẩn đoán các bệnh lý, như ung thư và các vấn đề về hệ thống thần kinh
g) Nghiên Cứu Lâm Sàng và Phân Tích Dữ Liệu Nghiên Cứu:
Dữ liệu y tế đóng vai trò quan trọng trong nghiên cứu lâm sàng, giúp đánh giá hiệu suất của các phương pháp điều trị, thuốc, và các chiến lượcquản lý bệnh
h) Quản Lý Dữ Liệu An Toàn và Tuân Thủ Quy Định:
Đảm bảo tính an toàn và tuân thủ quy định là quan trọng trong lĩnh vực y
tế, và dữ liệu y tế phải được quản lý và sử dụng một cách an toàn và tuânthủ các chuẩn mực về quyền riêng tư và bảo mật
B Trong lĩnh vực sản xuất và công nghiệp
12