Trí tuệ nhân tạo (AI) là gì?

Vào những năm 1980, làn sóng quan tâm và tài trợ của chính phủ dành cho nghiên cứu AI một lần nữa lại nổi lên, tập trung chủ yếu vào lĩnh vực dịch thuật và chép lời. Trong thời gian này, các hệ thống chuyên môn như MYCIN đã trở nên phổ biến vì chúng mô phỏng quá trình đưa ra quyết định của con người trong các lĩnh vực cụ thể như y học. Với sự hồi sinh của mạng nơ-ron vào những năm 1980, David Rumelhart và John Hopfield đã xuất bản các tài liệu về kỹ thuật học sâu cho thấy máy tính có thể học hỏi từ kinh nghiệm

Từ năm 1987 đến 1997, do các yếu tố kinh tế xã hội khác và sự bùng nổ của dot-com, mùa đông AI thứ hai đã xuất hiện. Nghiên cứu AI diễn ra nhỏ lẻ hơn, trong đó các đội ngũ giải quyết các vấn đề theo lĩnh vực cụ thể trong nhiều trường hợp sử dụng khác nhau.

Kể từ năm 1997 đến khoảng năm 2006, đã có những thành tích đáng kể trong ngành AI, bao gồm việc phần mềm cờ vua Deep Blue của IBM đã đánh bại nhà vô địch cờ vua thế giới Garry Kasparov. Ngoài ra, Judea Pearl đã xuất bản một cuốn sách bao gồm lý thuyết về xác suất và quyết định trong nghiên cứu AI. Đồng thời, Geoffrey Hinton và những người khác đã phổ biến công nghệ học sâu, dẫn đến sự hồi sinh của mạng nơ-ron. Tuy nhiên, lợi ích thương mại vẫn còn hạn chế.

Từ năm 2007 đến năm 2018, sự tiến bộ trong điện toán đám mây đã làm cho sức mạnh điện toán và cơ sở hạ tầng AI trở nên dễ tiếp cận hơn. Điều này dẫn đến sự gia tăng trong việc áp dụng, đổi mới và tiến bộ trong máy học. Những tiến bộ bao gồm một kiến trúc mạng nơ-ron tích chập (CNN) với tên gọi AlexNet, được phát triển bởi Alex Krizhevsky, Ilya Sutskever và Geoffrey Hinton, giành chiến thắng trong cuộc thi ImageNet, thể hiện sức mạnh của việc học sâu trong nhận dạng hình ảnh và AlphaZero của Google, thành thạo các trò chơi như cờ vua, cờ shogi và cờ vây bằng cách tự chơi mà không cần dữ liệu của con người.

Vào năm 2022, các chatbot sử dụng trí tuệ nhân tạo (AI) và xử lý ngôn ngữ tự nhiên (NLP) để có các cuộc trò chuyện giống con người và hoàn thành các tác vụ như ChatGPT của OpenAI đã trở nên nổi tiếng rộng rãi với khả năng đàm thoại, tạo nên làn sóng quan tâm và phát triển mới của AI.

Xử lý tài liệu thông minh (IDP) diễn giải các định dạng tài liệu phi cấu trúc thành dữ liệu có thể sử dụng được. Ví dụ: chức năng này chuyển đổi các tài liệu kinh doanh như email, hình ảnh và PDF thành thông tin có cấu trúc. IDP sử dụng các công nghệ AI như xử lý ngôn ngữ tự nhiên (NLP), học sâu và tầm nhìn máy tính để trích xuất, phân loại và xác thực dữ liệu. 

Ví dụ: HM Land Registry (HMLR) xử lý các quyền sở hữu tài sản cho hơn 87% diện tích của Anh và xứ Wales. Nhân viên HMLR so sánh và xem xét các văn bản pháp lý phức tạp liên quan đến giao dịch tài sản. Tổ chức đã triển khai một ứng dụng AI để tự động hóa việc so sánh tài liệu, giúp cắt giảm 50% thời gian xem xét và tăng cường quy trình phê duyệt chuyển nhượng tài sản. Để biết thêm thông tin, vui lòng tìm hiểu về cách HMLR sử dụng Amazon Textract.

Tìm hiểu thêm về công nghệ xử lý tài liệu thông minh (IDP) »

Theo dõi hiệu suất ứng dụng (APM) là quá trình sử dụng các công cụ phần mềm và dữ liệu đo từ xa để theo dõi hiệu suất của các ứng dụng quan trọng với doanh nghiệp. Các công cụ APM dựa trên AI sử dụng dữ cũ để dự đoán các vấn đề trước khi chúng xảy ra. Chúng cũng có thể giải quyết các vấn đề theo thời gian thực bằng cách đề xuất các giải pháp thực tế cho các nhà phát triển của bạn. Chiến lược này duy trì các ứng dụng chạy hiệu quả và giải quyết các vấn đề bế tắc.

Ví dụ: Atlassian tạo ra các sản phẩm để hợp lý hóa tinh thần làm việc nhóm và tổ chức. Atlassian sử dụng các công cụ AI APM để liên tục theo dõi các ứng dụng, phát hiện các vấn đề tiềm ẩn và ưu tiên mức độ nghiêm trọng. Với chức năng này, các nhóm có thể nhanh chóng phản hồi các khuyến nghị do ML đưa ra và giải quyết sự suy giảm hiệu suất. 

Đọc về APM (Giám sát hiệu suất ứng dụng) »

Bảo trì dự đoán tăng cường AI sử dụng khối lượng lớn dữ liệu để xác định các sự cố có thể dẫn đến thời gian ngừng hoạt động trong vận hành, hệ thống hoặc dịch vụ. Bảo trì dự đoán cho phép các doanh nghiệp giải quyết các vấn đề tiềm ẩn trước khi chúng xảy ra, giảm thời gian ngừng hoạt động và ngăn ngừa sự gián đoạn.

Ví dụ: Baxter sử dụng 70 cơ sở sản xuất trên toàn thế giới và hoạt động 24/7 để cung cấp công nghệ y tế. Baxter sử dụng bảo trì dự đoán để tự động phát hiện các điều kiện bất thường trong thiết bị công nghiệp. Người dùng có thể triển khai các giải pháp hiệu quả trước thời hạn để giảm thời gian chết và nâng cao hiệu quả hoạt động. Để tìm hiểu thêm, vui lòng tìm hiểu cách Baxter sử dụng Amazon Monitron.

Tìm hiểu về bảo trì dự đoán »

Nghiên cứu y học sử dụng AI để tinh giản các quy trình, tự động hóa các tác vụ lặp đi lặp lại và xử lý dữ liệu khổng lồ. Bạn có thể sử dụng công nghệ AI trong nghiên cứu y học để tạo điều kiện phát hiện và phát triển dược phẩm từ đầu đến cuối, sao chép hồ sơ y tế và cải thiện thời gian đưa ra thị trường các sản phẩm mới.

Một ví dụ thực tế là C2i Genomics sử dụng trí tuệ nhân tạo để chạy các đường ống gen quy mô cao, có thể tùy chỉnh và kiểm tra lâm sàng. Các nhà nghiên cứu có thể tập trung vào hiệu năng lâm sàng và phát triển phương pháp bằng cách sử dụng các giải pháp điện toán. Các nhóm kỹ thuật cũng sử dụng AI để giảm nhu cầu tài nguyên, bảo trì kỹ thuật và chi phí NRE. Để biết thêm chi tiết, vui lòng tìm hiểu cách C2i Genomics sử dụng AWS HealthOmics.

Tìm hiểu thêm về các giải pháp nghiên cứu y tế »

Học sâu đưa máy học tiến thêm một bước nữa. Các mô hình học sâu sử dụng các mạng nơ-ron hoạt động cùng nhau để học và xử lý thông tin. Các mô hình này bao gồm hàng triệu thành phần phần mềm thực hiện các phép toán vi mô trên các đơn vị dữ liệu nhỏ để giải quyết một vấn đề lớn hơn. Ví dụ: chúng xử lý các pixel riêng lẻ trong một hình ảnh để phân loại hình ảnh đó. Các hệ thống AI hiện đại thường kết hợp nhiều mạng nơ-ron sâu để thực hiện các tác vụ phức tạp như viết thơ hoặc tạo hình ảnh từ câu lệnh văn bản.

Tìm hiểu về Học sâu »

Xử lý ngôn ngữ tự nhiên (NLP) sử dụng mạng nơ-ron để giải thích, hiểu và thu thập ý nghĩa từ dữ liệu văn bản. Phương thức này sử dụng các kỹ thuật điện toán khác nhau chuyên giải mã và hiểu ngôn ngữ của con người. Những kỹ thuật này cho phép máy xử lý các từ, cú pháp ngữ pháp và kết hợp từ để xử lý văn bản của con người và thậm chí tạo ra văn bản mới. Xử lý ngôn ngữ tự nhiên rất quan trọng cho các chatbot tóm tắt tài liệu và tiến hành phân tích cảm xúc. 

Tìm hiểu về NLP »

Tầm nhìn máy tính sử dụng các kỹ thuật học sâu để trích xuất thông tin và thông tin từ các video và hình ảnh. Bạn có thể sử dụng tầm nhìn máy tính để giám sát nội dung trực tuyến để tìm hình ảnh không phù hợp, nhận dạng khuôn mặt và phân loại chi tiết hình ảnh. Điều quan trọng trong ô tô và xe tải tự lái là giám sát môi trường và đưa ra quyết định tức thời.

Tìm hiểu về thị giác máy tính »

Phần mềm nhận dạng giọng nói sử dụng các mô hình học sâu để diễn giải lời nói của con người, xác định các từ và phát hiện ý nghĩa. Các mạng nơ-ron có thể chuyển thể lời nói thành văn bản và biểu thị tình cảm giọng nói. Bạn có thể sử dụng chức năng nhận dạng giọng nói trong các công nghệ như trợ lý ảo và phần mềm trung tâm cuộc gọi để xác định ý nghĩa và thực hiện các nhiệm vụ có liên quan.

Tìm hiểu về chuyển đổi giọng nói thành văn bản»

AI tạo sinh đề cập đến các hệ thống trí tuệ nhân tạo có khả năng tạo ra nội dung và tạo tác mới như hình ảnh, video, văn bản và âm thanh từ các câu lệnh bằng văn bản đơn giản. Không giống như AI trước đây chỉ giới hạn trong việc phân tích dữ liệu, AI tạo sinh tận dụng học sâu và tập dữ liệu khổng lồ để tạo ra đầu ra sáng tạo chất lượng cao, giống như con người. Trong khi kích hoạt các ứng dụng sáng tạo thú vị, mối quan tâm xoay quanh sự thiên vị, nội dung có hại và sở hữu trí tuệ vẫn tồn tại. Nhìn chung, AI tạo sinh thể hiện một sự tiến hóa lớn trong khả năng AI để tạo ra ngôn ngữ con người cũng như nội dung và tạo tác mới theo cách giống như con người.

Tìm hiểu về AI tạo sinh »

Đào tạo AI với máy học tiêu tốn lượng tài nguyên khổng lồ. Ngưỡng công suất xử lý cao là điều cần thiết để các công nghệ học sâu hoạt động. Bạn phải có cơ sở hạ tầng điện toán mạnh mẽ để chạy các ứng dụng AI và đào tạo các mô hình của mình. Khả năng xử lý có thể tốn kém và hạn chế khả năng điều chỉnh quy mô của hệ thống AI của bạn.

AI có trách nhiệm là quá trình phát triển AI có xét đến tác động xã hội và môi trường của hệ thống AI trên quy mô lớn. Giống như bất kỳ công nghệ mới nào, hệ thống trí tuệ nhân tạo có tác động mang tính chuyển đổi đến người dùng, xã hội và môi trường. AI có trách nhiệm yêu cầu nâng cao tác động tích cực và ưu tiên tính công bằng cũng như minh bạch trong việc phát triển và sử dụng AI. AI có trách nhiệm đảm bảo rằng các đổi mới AI và các quyết định dựa trên dữ liệu tránh vi phạm quyền tự do công dân và nhân quyền. Các tổ chức nhận thấy việc xây dựng AI có trách nhiệm là một thách thức trong khi vẫn phải cạnh tranh trong không gian AI đang phát triển nhanh chóng.

Bạn cần nhập khối lượng dữ liệu khổng lồ để đào tạo các hệ thống AI công bằng. Bạn phải có đủ dung lượng lưu trữ để xử lý dữ liệu đào tạo. Tương tự, bạn phải có các quy trình quản lý và chất lượng dữ liệu hiệu quả để đảm bảo tính chính xác của dữ liệu mà bạn sử dụng để đào tạo.