Báo cáo môn học nhập môn trí tuệ nhân tạo

Trí tuệ nhân tạo là gì Trí tuệ nhân tạo Artificial Intelligence – AI là một lĩnh vực trong khoa học máy tính nghiên cứu và phát triển các hệ thống máy tính hoặc máy tính tự động có khả n

TRƯỜNG ĐẠI HỌC ĐIỆN LỰC

KHOA CÔNG NGHỆ THÔNG TIN

BÁO CÁO MÔN HỌC

Nhập môn Trí tuệ nhân tạo

Đ T!I:

Sinh viên thực hiện : Đoàn Phương Nam

Phạm Quang Vinh Giảng viên hướng dẫn : Nguyễn Thị Hồng Khánh Chuyên ngành : CÔNG NGHỆ PHẦN M M Lớp : D16CNPM1

Hà Nội , tháng … năm 2023

PHIẾU CHẤM ĐIỂM

Sinh viên thực hiện:

Đoàn Phương Nam

Phạm Quang Vinh

Giảng viên chấm:

Giảng viên chấm 1 :

Giảng viên chấm 2 :

Chương 1: Giới thiệu 1.1 Trí tuệ nhân tạo là gì

Trí tuệ nhân tạo (Artificial Intelligence – AI) là một lĩnh vực trong khoa học máy tính nghiên cứu và phát triển các hệ thống máy tính hoặc máy tính tự động có khả năng thực hiện các nhiệm vụ thông minh mà trước đây thường chỉ được thực hiện bởi con người AI bao gồm nhiều phương pháp

và kỹ thuật để giúp máy tính học hỏi, đưa ra quyết định, xử lý thông tin và tương tác với môi trường xung quanh mình Mục tiêu của trí tuệ nhân tạo là tạo ra máy tính hoặc hệ thống máy tính có khả năng thực hiện các nhiệm vụ thông minh một cách tự động mà đòi hỏi sự hiểu biết, học tập và quyết định giống như con người

1.2 Lịch sử của trí tuệ nhân tạo

 Thập kỷ 1940 và 1950

Thế chiến II đã đóng một vai trò quan trọng trong việc đẩy mạnh nghiên cứu về máy tính và tính toán Alan Turing, một nhà toán học và nhà máy tính học nổi tiếng, đã đưa ra khái niệm về ‘máy Turing’, một mô hình toán học và tính toán cơ bản mà sau này trở thành cơ sở của nhiều nghiên cứu AI

 1956 – Hội nghị Dartmouth

Hội nghị Dartmouth College năm 1956 được xem là sự khởi đầu của trí tuệ nhân tạo Tại hội nghị này, những nhà khoa học hàng đầu đã đề xuất một chương trình nghiên cứu về máy tính có khả năng thực hiện các nhiệm vụ thông minh

 Thập kỷ 1960 và 1970

Trong thời kỳ này, nghiên cứu AI tập trung vào việc phát triển các chương trình chuyên biệt cho các nhiệm vụ cụ thể, như chơi cờ vua và giải quyết các vấn đề trí tuệ nhân tạo đầu tiên, Logic Theorist, được tạo

ra bởi Allen Newell và Herbert A.Simon

 Thập kỷ 1980

Phát triển của khoa học máy tính (machine learning) đã tạo ra một làn sóng mới trong nghiên cứu AI Các phương pháp học máy trở lên phổ biến và bắt đầu được sử dụng trong các ứng dụng thực tế

 Thập kỷ 1990 và 2000

Internet và sự gia tăng vượt bậc trong sức mạnh tính toán đã cung cấp môi trường tốt cho sự phát triển của AI Các công ty công nghệ lớn đã bắt đầu đầu tư mạnh mẽ vào nghiên cứu AI và phát triển các sản phẩm và dịch vụ dựa trên trí tuệ nhân tạo

 Thập kỷ 2010 đến nay

Học sâu (deep learning) trở thành một phần quan trọng của AI và đã giúp tạo ra nhiều tiến bộ đáng kể trong lĩnh vực như nhận diện hình ảnh, xử lý ngôn ngữ tự nhiên , và tự động lái xe Các ứng dụng trí tuệ nhân tạo ngày càng phổ biến trong cuộc sống hàng ngày, như trợ lý ảo và hệ thống tự động lái xe

1.3 Các lĩnh vực của trí tuệ nhân tạo

1.3.1 Cảm nhận

Hệ thống cần có cơ chế thu nhận thông tin liên quan tới hoạt động từ môi trường bên ngoài Đó có thể là camera, cảm biến âm thanh

(microphone), cảm biến siêu âm, radar, cảm biến gia tốc, các cảm biến khác

Đó cũng có thể đơn giản hơn là thông tin do người dùng nhập vào chương

trình bằng tay Để biến đổi thông tin nhận được về dạng có thể hiểu được, thông tin cần được xử lý nhờ những kỹ thuật được nghiên cứu và trong khuôn khổ các lĩnh vực sau

 Thị giác máy (computer vision)

Đây là lĩnh vực thuộc trí tuệ nhân tạo có mục đích nghiên cứu về việc thu nhận, xử lý, phân tích, nhận dạng thông tin hình ảnh thu được từ các cảm biến hình ảnh như camera Mục đích của thị giác máy là biến thông tin thu được thành biểu diễn mức cao hơn để máy tính sau đó có thể hiểu được, chẳng hạn từ ảnh chụp văn bản cần trả về mã UNICODE của các chữ in trên văn bản đó Biểu diễn ở mức cao hơn của thông tin từ cảm biến hình ảnh sau đó có thể sử dụng để phục vụ quá trình ra quyết định

Thị giác máy tính bao gồm một số bài toán chính sau: nhận dạng mẫu (pattern recognition), phân tích chuyển động (motion analysis), tạo lập khung cảnh 3D (scene reconstruction), nâng cao chất lượng ảnh (image restoration).

 Nhận dạng mẫu

Đây là lĩnh vực nghiên cứu lớn nhất trong phạm vi thị giác máy Bản thân nhận dạng mẫu được chia thành nhiều bài toán nhỏ và đặc thù hơn như bài toán nhận dạng đối tượng nói chung, nhận dạng các lớp đối tượng cụ thể như nhận dạng mặt người nhận dạng vân tay nhận dạng , ,

chữ viết tay hoặc chữ in Nhận dạng đối tượng là phát hiện ra đối tượng

trong ảnh hoặc video và xác định đó là đối tượng nào Trong khi con người có thể thực hiện việc này tương đối đơn giản thì việc nhận dạng tự động thường khó hơn nhiều Hiện máy tính chỉ có khả năng nhận dạng một số lớp đối tượng nhất định như chữ in, mặt người nhìn thẳng, với độ chính xác gần với con người

 Xử lý ngôn ngữ tự nhiên (natural language processing)

Đây là lĩnh vực nghiên cứu với có mục đích phân tích thông tin, dữ liệu nhận được dưới dạng âm thanh hoặc văn bản và được trình bày dưới dạng ngôn ngữ tự nhiên của con người Chẳng hạn, thay vì gõ các lệnh quy ước, ta có thể ra lệnh bằng cách nói với máy tính như với người thường Do đối tượng giao tiếp của hệ thống trị tuệ nhân tạo thường là con người, khả năng tiếp nhận thông tin và phản hồi dưới dạng lời nói hoặc văn bản theo cách diễn đạt của người sẽ rất có ích trong những trường hợp như vậy Xử lý ngôn ngữ tự nhiên bao gồm ba giai đoạn chính: nhận dạng tiếng nói (speech recognition), xử lý thông tin đã được biểu diễn dưới dạng văn bản, và biến đổi từ văn bản thành tiếng nói (text

to speech) Nhận dạng tiếng nói là quá trình biến đổi từ tín hiệu âm thanh của lời nói thành văn bản Nhận dạng tiếng nói còn có các tên gọi như nhận dạng tiếng nói tự động (automatic speech recognition) hay nhận

dạng tiếng nói bằng máy tính, hay biến đổi tiếng nói thành văn

bản (speech to text – STT) Nhận dạng tiếng nói được thực hiện bằng

cách kết hợp kỹ thuật xử lý tín hiệu âm thanh với kỹ thuật nhận dạng mẫu, chẳng hạn bằng cách sử dụng các mô hình thống kê và học máy

1.3.2 Lập luận và suy diễn

Sau khi cảm nhận được thông tin về môi trường xung quanh, hệ thống cần có cơ chế để đưa ra được quyết định phù hợp Quá trình ra quyết định thường dựa trên việc kết hợp thông tin cảm nhận được với tri thức có sẵn

về thế giới xung quanh Việc ra quyết định dựa trên tri thức được thực hiện nhờ lập luận hay suy diễn Cũng có những trường hợp hệ thống không thực hiện suy diễn mà dựa trên những kỹ thuật khác như tìm kiếm hay tập hợp các phản xạ hoặc hành vi đơn giản

 Biểu diễn tri thức (knowledge representation)

Nhiều bài toán của trí tuệ nhân tạo đòi hỏi lập luận dựa trên hình dung

về thế giới xung quanh Để lập luận được, sự kiện, thông tin, tri thức về thế giới xung quanh cần được biểu diễn dưới dạng máy tính có thể “hiểu” được, chẳng hạn dưới dạng logic hoặc ngôn ngữ trí tuệ nhân tạo nào đó Thông thường, hệ thống cần có tri thức về: đối tượng hoặc thực thể, tính chất của chúng, phân loại và quan hệ giữa các đối tượng, tình huống, sự kiện, trạng thái, thời gian, nguyên nhân và hiệu quả, tri thức về tri thức (chúng ta biết về tri thức mà người khác có) v.v Trong phạm vi nghiên cứu về biểu diễn tri thức, một số phương pháp biểu diễn đã được phát triển và được áp dụng như: logic mạng ngữ nghĩa Frame các , , ,

luật (chẳng hạn luật Nếu…Thì…), bản thể học (ontology)

Biểu diễn tri thức dùng trong máy tính thường gặp một số khó khăn sau Thứ nhất, lượng tri thức mà mỗi người bình thường có về thế giới xung quanh là rất lớn Việc xây dựng và biểu diễn lượng tri thức lớn như vậy đòi hỏi nhiều công sức Hiện nay đang xuất hiện hướng tự động thu thập và xây dựng cơ sở tri thức tự động từ lượng dữ liệu lớn, thay vì thu thập bằng tay Cách xây dựng tri thức như vậy được nghiên cứu nhiều trong khuôn khổ khai phá dữ liệu (data mining) hay hiện nay được gọi

là dữ liệu lớn (big data) Điển hình của cách tiếp cận này là hệ thống Watson của IBM (sẽ được nhắc tới ở bên dưới) Thứ hai, tri thức trong thế giới thực ít khi đầy đủ, chính xác và nhất quán Con người có thể sử dụng hiệu quả các tri thức như vậy, trong khi các hệ thống biểu diễn tri thức như logic gặp nhiều khó khăn Thứ ba, một số tri thức khó biểu diễn dưới dạng biểu tượng mà tồn tại như các trực giác của con người

 Tìm kiếm (search)

Nhiều bài toán hoặc vấn đề có thể phát biểu và giải quyết như bài toán tìm kiếm trong không gian trạng thái Chẳng hạn các bài toán tìm đường

đi, bài toán tìm trạng thái thoả mãn ràng buộc Nhiều bài toán khác của trí tuệ nhân tạo cũng có thể giải quyết bằng tìm kiếm Chẳng hạn, lập luận logic có thể tiến hành bằng cách tìm các đường đi cho phép dẫn từ các tiền đề tới các kết luận

Trí tuệ nhân tạo nghiên cứu cách tìm kiếm khi số trạng thái trong không gian quá lớn và không thể thực hiện tìm kiếm bằng cách vét cạn Trong khuôn khổ trí tuệ nhân tạo đã phát triển một số phương pháp tìm kiếm riêng như tìm kiếm heuristic, tìm kiếm cục bộ, bao gồm các thuật toán tìm kiếm tiến hoá

 Lập luận, suy diễn (reasoning hay inference)

Lập luận là quá trình sinh ra kết luận hoặc tri thức mới từ những tri thức, sự kiện và thông tin đã có Trong giai đoạn đầu, nhiều kỹ thuật lập luận tự động dựa trên việc mô phỏng hoặc học tập quá trình lập luận của con người Các nghiên cứu về sau đã phát triển nhiều kỹ thuật suy diễn hiệu quả, không dựa trên cách lập luận của người Điển hình là các kỹ thuật chứng minh định lý và suy diễn logic Lập luận tự động thường dựa trên tìm kiếm cho phép tìm ra các liên kết giữa tiên đề và kết quả Việc suy diễn tự động thường gặp phải một số khó khăn sau Thứ nhất, với bài toán kích thước lớn, số tổ hợp cần tìm kiếm khi lập luận rất lớn Vấn đề này được gọi là “bùng nổ tổ hợp” và đòi hỏi có phát triển các

kỹ thuật với độ phức tạp chấp nhận được Thứ hai, lập luận và biểu diễn tri thức thường gặp vấn đề thông tin và tri thức không rõ ràng, không chắc chắn Hiện nay, một trong những cách giải quyết vấn đề này là sử

dụng lập luận xác suất, sẽ được trình bầy trong chương 4 của giáo trình Thứ ba, trong nhiều tình huống, con người có thể ra quyết định rất nhanh

và hiệu quả thay vì lập luận từng bước, chẳng hạn co tay lại khi chạm phải nước sôi Hệ thống trí tuệ nhân tạo cần có cách tiếp cận khác với lập luận truyền thống cho những trường hợp như vậy

 Học máy (machine learning)

Học máy hay học tự động là khả năng của hệ thống máy tính tự cải thiện mình nhờ sử dụng dữ liệu và kinh nghiệm thu thập được Học là khả năng quan trọng trong việc tạo ra tri thức của người Do vậy, đây là vấn đề được quan tâm nghiên cứu ngay từ khi hình thành trí tuệ nhân tạo Hiện nay, đây là một trong những lĩnh vực được quan tâm nghiên cứu nhiều nhất với rất nhiều kết quả và ứng dụng

Học máy bao gồm các dạng chính là học có giám sát học không ,

giám sát, và học tăng cường Trong học có giám sát, hệ thống được cung cấp đầu vào, đầu ra và cần tìm quy tắc để ánh xạ đầu vào thành đầu ra Trong học không giám sát, hệ thống không được cung cấp đầu ra và cần tìm các mẫu hay quy luật từ thông tin đầu vào Trong học tăng cường, hệ thống chỉ biết đầu ra cuối cùng của cả quá trình thay vì đầu ra cho từng bước cụ thể

Học máy được phát triển trong khuôn khổ cả khoa học máy tính và thống kê Rất nhiều kỹ thuật học máy có nguồn gốc từ thống kê nhưng được thay đổi để trở thành các thuật toán có thể thực hiện hiệu quả trên máy tính

Học máy hiện là kỹ thuật chính được sử dụng trong thị giác máy, xử

lý ngôn ngữ tự nhiên, khai phá dữ liệu và phân tích dữ liệu lớn

 Lập kế hoạch (planning)

Lập kế hoạch và thời khoá biểu tự động, hay đơn giản là lập kế hoạch,

là quá trình sinh ra các bước hành động cần thực hiện để thực hiện một mục tiêu nào đó dựa trên thông tin về môi trường, về hiệu quả từng hành động, về tình huống hiện thời và mục tiêu cần đạt Lấy ví dụ một rô bốt nhận nhiệm vụ di chuyển một vật tới một vị trí khác Kế hoạch thực hiện bao gồm xác định các bước để tiếp cận vật cần di chuyển, nhấc vật lên, xác định quỹ đạo và các bước di chuyển theo quỹ đạo, đặt vật xuống Khác với lý thuyết điều khiển truyền thống, bài toán lập kế hoạch thường phức tạp, lời giải phải tối ưu theo nhiều tiêu chí Việc lập kế hoạch có thể thực hiện trước đối với môi trường không thay đổi, hoặc thực hiện theo thời gian với môi trường động

Lập kế hoạch sử dụng các kỹ thuật tìm kiếm và tối ưu, các phương pháp quy hoạch động để tìm ra lời giải Một số dạng biểu diễn và ngôn ngữ riêng cũng được phát triển để thuận lợi cho việc mô tả yêu cầu và lời giải

1.3.3 Hành động

Cho phép hệ thống tác động vào môi trường xung quanh hoặc đơn giản là đưa ra thông tin về kết luận của mình

 Kỹ thuật rô bốt (robotics)

Là kỹ thuật xây dựng các cơ quan chấp hành như cánh tay người máy, tổng hợp tiếng nói, tổng hợp ngôn ngữ tự nhiên Đây là lĩnh vực nghiên cứu giao thoa giữa cơ khí, điện tử, và trí tuệ nhân tạo Bên cạnh kỹ thuật cơ khí để tạo ra các cơ chế vật lý, chuyển động, cần

có thuật toán và chương trình điểu khiển hoạt động và chuyển động cho các cơ chế đó Chẳng hạn, với cánh tay máy, cần tính toán quỹ đạo và điều khiển cụ thể các khớp nối cơ khí khi muốn di chuyển tay tới vị trí xác định và thực hiện hành động nào đó Đây là những thành phần của kỹ thuật rô bốt mà trí tuệ nhân tạo có đóng góp chính Ngoài

ra, việc xây dựng những rô bốt thông minh chính là xây dựng các hệ thống trí tuệ nhân tạo hoàn chỉnh

Chương 2: Bài toán và phương pháp tìm kiếm lời giải

2.1 Bài toán và các thành phần của bài toán

Trong lĩnh vực trí tuệ nhân tạo (AI), bài toán là một vấn đề cần giải quyết hoặc một nhiệm vụ cần được thực hiện bằng cách sử dụng máy tính hoặc hệ thống máy móc thông minh

Các thành phần của bài toán bao gồm:

 Dữ liệu: Bài toán AI thường liên quan đến dữ liệu, bởi vì hệ thống AI cần thông tin để học và đưa ra quyết định Dữ liệu có thể là dữ liệu đầu vào (input data), chứa thông tin về tình huống hiện tại hoặc mô tả vấn đề cần giải quyết, cũng như dữ liệu đầu ra (output data) chứa thông tin dự đoán hoặc hành động cần thực hiện

 Thuật toán: Đây là phần quan trọng nhất của AI, là cách hệ thống xử lý

dữ liệu đầu vào để đưa ra kết quả Thuật toán có thể bao gồm các phương pháp học máy (machine learning) như học sâu (deep learning), học tăng cường (reinforcement learning), hoặc các phương pháp trí tuệ nhân tạo khác

 Mô hình: Mô hình trong AI là biểu đồ hoặc cấu trúc hệ thống sử dụng để biểu diễn kiến thức hoặc cách hoạt động của bài toán Mô hình có thể bao gồm kiến thức ký thuyết về lĩnh vực cụ thể hoặc các biểu đồ tích hợp của

dữ liệu và thuật toán

 Đánh giá và tối ưu hóa: Sau khi hệ thống thực hiện các bài toán, cần có cách để đánh giá hiệu suất của nó Điều này bao gồm việc thiết lập các phương pháp đánh giá và chỉ số hiệu suất để đo lường chính xác, tốc độ hoặc khả năng của hệ thống Sau đó, có thể áp dụng các kỹ thuật tối ưu hóa để cải thiện hiệu suất

 Ứng dụng và triển khai: Sau khi giải quyết bài toán, kết quả có thể triển khai trong các ứng dụng thực tế, như hệ thống tự động, ứng dụng di