Những kiến thức cơ bản về AI dành cho mọi người

Có thể chúng ta đã nghe qua nhiều cụm từ như học máy, học sâu, hay máy học, … Vậy những cụm từ này khác gì so với trí tuệ nhân tạo? Và trong AI có những điều gì mà chúng ta cần biết? Bài viết này sẽ giới thiệu một số kiến thức cơ bản về AI mà có thể hữu ích cho mọi người.

Mối quan hệ giữa trí tuệ nhân tạo, học máy, và học sâu

Đầu tiên, đó là phân biệt mối quan hệ giữa trí tuệ nhân tạo (AI), học máy (machine learning), và học sâu (deep learning).

Kiến thức cơ bản - định nghĩa của AI:

Trong bài Trí tuệ nhân tạo là gì? Top 10 ứng dụng của AI trong cuộc sống, chúng tôi đã giới thiệu về trí tuệ nhân tạo (AI) và những ứng dụng của AI. AI có thể hiểu đơn giản là trí thông minh được con người tạo ra cho các thiết bị máy móc.

Kiến thức cơ bản - định nghĩa của Học máy:

Theo Wikipedia, “Học máy (tiếng Anh: machine learning) là một lĩnh vực của trí tuệ nhân tạo liên quan đến việc nghiên cứu và xây dựng các kĩ thuật cho phép các hệ thống "học" tự động từ dữ liệu để giải quyết những vấn đề cụ thể. Ví dụ như các máy có thể "học" cách phân loại thư điện tử xem có phải thư rác (spam) hay không và tự động xếp thư vào thư mục tương ứng. Học máy rất gần với suy diễn thống kê (statistical inference) tuy có khác nhau về thuật ngữ”.

Thỉnh thoảng, chúng ta cũng có thể bắt gặp những bài viết gọi “machine learning" là máy học. "Máy học" hay "học máy" là những tên Việt hoá của từ “machine learning".

Kiến thức cơ bản - định nghĩa của Học sâu:

Học sâu hay còn gọi là deep learning, là một lĩnh vực nhỏ trong máy học. Học sâu liên quan đến các mô hình phức tạp hơn và cũng đòi hỏi các phần cứng tốt hơn, để có thể huấn luyện được các mô hình với hàng nghìn, hàng triệu và thậm chí là hàng tỷ tham số.

Như vậy, hiểu đơn giản AI là ngành lớn bên ngoài, bao gồm cả học máy và học sâu. Trong học máy thì bao gồm cả học sâu.

Hình ảnh mô tả mối quan hệ giữa: trí tuệ nhân tạo (artificial intelligence), máy học (machine learning), và học sâu (deep learning). (Ảnh: blogs.nvidia.com)

Những kiến thức cơ bản về AI

1. Các hướng nghiên cứu chính trong AI:

Trong AI, có thể chia các vấn đề nghiên cứu thành 3 vấn đề chính như sau:

• Thị giác máy tính (vision intelligence hoặc computer vision): là ngành liên quan đến các xử lý về hình ảnh. Ví dụ như: phân loại ảnh, nhận diện mặt người trong ảnh, nhận diện vật thể trong ảnh, ... Hoặc các xử lý liên quan đến video.
• Xử lý ngôn ngữ tự nhiên (natural language processing - NLP): là ngành liên quan đến các xử lý về ngôn ngữ có thể là dạng văn bản hay dạng âm thanh. Ví dụ như: dịch một câu hay đoạn văn từ ngôn ngữ này sang ngôn ngữ khác, tóm tắt văn bản, hay hệ thống tự động nhận diện giọng nói, … Khi đề cập đến việc xử lý âm thanh, người ta thường gọi là xử lý tín hiệu âm thanh, tiếng anh là audio signal processing.
• Robot học (Robotics): là ngành liên quan đến thiết kế, chế tạo, vận hành robot. Robot có thể được thiết kế để thực hiện các công việc nguy hiểm thay cho con người như tháo ngòi nổ bom, mìn và thăm dò các tàu thuyền bị đắm sâu dưới đại dương. Robotics là một hướng nghiên cứu đa ngành, bao gồm cả các kiến thức về phần cứng, phần mềm (AI), và tự động hoá trong điện-điện tử.

Ba hướng nghiên cứu nhỏ của AI: Thị giác máy tính (vision intelligence hoặc computer vision), Xử lý ngôn ngữ tự nhiên (natural language processing), và Robot học (Robotics). (Ảnh: ravirajabhat.github.io/)

2. Trí tuệ nhân tạo dùng ngôn ngữ gì?

Để tạo ra các phần mềm AI, các lập trình viên cần sử dụng một hoặc nhiều ngôn ngữ lập trình.

Theo 1 bài viết có tiêu đề: 7 ngôn ngữ lập trình hàng đầu được sử dụng rộng rãi trong các dự án AI / Machine Learning từ trang web Data Flair, top 7 ngôn ngữ lập trình phổ biến nhất hiện nay trong AI là: Python, R Programming, C++, Java, JavaScript, Haskell, và Julia.

3. Thư viện trí tuệ nhân tạo:

Khi huấn luyện các mô hình AI, rất nhiều phép tính cần thực hiện. Để hỗ trợ việc huấn luyện các mô hình AI tốt hơn, người ta đã xây dựng các thư viện, tiếng Anh gọi là Deep Learning Frameworks. Các thư viện này thường tối ưu hoá quá trình tính toán và có thể hỗ trợ cho việc tính toán song song.

Trong những năm qua, có rất nhiều thư viện đã được xây dựng, ví dụ như TensorFlow của Google, PyTorch của Facebook, CNTK của Microsoft, hay Chainer của người Nhật. Theo thống kê vào tháng 9/2018, thư viện phổ biến nhất là TensorFlow.

Hình ảnh mô tả sự phổ biến của các Deep Learning Framework năm 2018 bởi Jeff Hale (Ảnh: Jeff Hale / towardsdatascience.com)

Trong bài này, chúng tôi chỉ giới thiệu những kiến thức trí tuệ nhân tạo cơ bản ở mức tổng quan. AI khá rộng và có khá nhiều vấn đề thú vị. Để tìm hiểu thêm, các bạn có thể đọc thêm các bài ở blog Machine learning cơ bản này.

Nguồn: www.ntdvn.net