Học từ dữ liệu đã gán nhãn.

Học thông qua tương tác với môi trường để tối đa hóa phần thưởng.

Học mà không cần bất kỳ phản hồi nào.

Học từ các tập dữ liệu lớn không nhãn.

Bộ xương.

Hệ thần kinh.

Hệ tuần hoàn.

Hệ tiêu hóa.

Học từ dữ liệu hoàn toàn có nhãn.

Học từ dữ liệu hoàn toàn không có nhãn.

Học từ cả dữ liệu có nhãn và không nhãn.

Học bằng cách thử và sai

Không cần dữ liệu.

Sử dụng dữ liệu có nhãn và nhiều dữ liệu không nhãn.

Chỉ dùng dữ liệu không nhãn.

Không có thuật toán cụ thể.

Không cần tính toán nhiều.

Không cần dữ liệu.

Tận dụng dữ liệu không nhãn để tăng hiệu suất mà không tốn nhiều chi phí gán nhãn.

Dễ thực hiện hơn học không giám sát.

Vô dụng, chỉ để lưu trữ.

Làm tăng sai số.

Để thay thế dữ liệu có nhãn.

Giúp cải thiện mô hình bằng cách học cấu trúc phân bố.

Nhận dạng hình ảnh, nhận dạng giọng nói.

Giải phương trình.

Tính diện tích hình học.

Xử lý số học trong bảng tính.

Self-training.

Gradient boosting.

Backpropagation.

Stochastic descent.

Dữ liệu không nhãn.

Cả 2 loại cùng lúc.

Dữ liệu có nhãn.

Dữ liệu kiểm tra.

Hội nghị Dartmouth năm 1956.

Hội nghị Turing năm 1950.

Hội nghị Loebner năm 1990.

Hội nghị Asilomar năm 1974.

Alan Turing.

John McCarthy.

Marvin Minsky.

Allen Newell.

Tạo ra các hệ thống máy tính có khả năng làm mọi thứ nhanh hơn con người.

Tạo ra các hệ thống máy tính có khả năng thực hiện các công việc trí tuệ của con người.

Tạo ra các hệ thống máy tính có thể thay thế hoàn toàn con người.

Tạo ra các hệ thống máy tính có thể chơi các trò chơi điện tử giỏi hơn con người.

Học máy (Machine Learning)

Thị giác máy tính (Computer Vision)

Xử lý ngôn ngữ tự nhiên (Natural Language Processing)

Lập trình web (Web Development)

Nhận thức.

Học tập.

Quan sát.

Tất cả các phương án trên.

Giai đoạn phát triển mạnh mẽ và đạt được nhiều thành tựu đáng kể.

Giai đoạn suy giảm sự quan tâm và tài trợ cho nghiên cứu AI do những kỳ vọng không thực tế.

Giai đoạn bùng nổ các ứng dụng AI trong đời sống.

Giai đoạn tập trung nghiên cứu các thuật toán học máy.

Dữ liệu, con người, phần cứng, phần mềm.

Dữ liệu, con người, phần cứng.

Dữ liệu, con người, phần mềm.

Dữ liệu, con người, phần cứng, phần mềm, quy trình.

Lý thuyết giải bài toán và suy diễn thông minh.

Lý thuyết biểu diễn tri thức và hệ chuyên gia.

Lý thuyết nhận dạng và xử lý tiếng nói.

Lý thuyết tìm kiếm may rủi.

Là thuật toán dự đoán một dữ liệu mới chưa được gán nhãn dựa trên tập dữ liệu huấn luyện.

Là học thuộc các mẫu dữ liệu, sử dụng một phép đo độ tương đồng để so sánh với dữ liệu đã học.

Là thuật toán dự đoán nhân của một dữ liệu mới dựa trên tập dữ liệu huấn luyện chưa được gán nhãn.

Là thuật toán dự đoán một dữ liệu mới đã được gán nhãn dựa trên tập dữ liệu huấn luyện.

Là học thuộc các mẫu dữ liệu, sử dụng một phép đo độ tương đồng để so sánh với dữ liệu đã học.

Là thuật toán dự đoán nhân của một dữ liệu mới dựa trên tập dữ liệu huấn luyện chưa được gán nhãn.

Là thuật toán dự đoán nhân của một dữ liệu mới dựa trên tập dữ liệu huấn luyện đã được gán nhãn.

Là thuật toán dự đoán một dữ liệu mới đã được gán nhãn dựa trên tập dữ liệu huấn luyện.

Một loại phần mềm dùng cho AI

Thông tin mà máy có thể ghi nhận, lưu trữ và xử lý.

Một mô hình học sâu

Một ngôn ngữ lập trình cho AI

Ảnh chân dung

Email, bài viết, bình luận Facebook

Âm thanh cuộc gọi

Dữ liệu cảm biến tốc độ xe

Điểm thi, số lượt xem video, nhiệt độ

Ảnh món ăn

Bài hát

Video TikTok

Ảnh táo và chuối đã gắn nhãn đúng

Ảnh chưa gắn nhãn để kiểm tra

Các đặc trưng do máy tự sinh

Kết quả dự đoán của mô hình

Vì dữ liệu sai hoặc nhãn sai sẽ dạy mô hình theo hướng sai

Vì mô hình cần ít dữ liệu hơn

Vì dữ liệu thừa lúc nào cũng tốt

Vì dữ liệu đa dạng làm mô hình dễ học hơn

Nhận diện giọng nói

Nhận diện khuôn mặt

Gợi ý video YouTube

dự đoán điểm thi

Thu thập dữ liệu

Triển khai mô hình lên production

Đánh giá mô hình

Tối ưu hyperparameter

Làm cho dữ liệu thô hoàn toàn không thể đọc được

Làm sạch dữ liệu

Chuẩn hóa dữ liệu

Mã hóa dữ liệu phân loại

Đổi chữ thành số (ví dụ: Nam→1, Nữ→0)

Lưu ảnh dưới dạng JPEG

Tách tập huấn luyện và kiểm tra

Cân bằng ánh sáng

Cắt khuôn mặt (face detection & cropping)

Gắn nhãn từ động không kiểm soát

Tăng kích thước ảnh lên vô hạn

Xóa hoàn toàn thông tin về mặt

Chuyển giá trị pixel về khoảng nhỏ hơn, ví dụ chia cho 255

Chuyển ảnh sang PDF

Xóa mọi pixel có màu trắng

Tăng kích thước file để mô hình chậm hơn

Giảm số đặc trưng không cần thiết

Tăng số đặc trưng vô hạn

Chuyển dữ liệu số thành văn bản

Chỉ dùng cho dữ liệu âm thanh

Tách ra tập huấn luyện, kiểm tra, kiểm định

Chỉ dùng tập huấn luyện, không kiểm tra

Xóa tập kiểm tra

Gắn nhãn dữ liệu tự động

Lượng dữ liệu rất lớn, đa nguồn, đa định dạng

Luôn ở dạng văn bản thuần

Luôn nhỏ gọn và tĩnh

Không thể dùng cho học máy

Big Data là nguyên liệu, Học Máy là công cụ xử lý

Big Data là động cơ, Học Máy là nhiên liệu

Hai thứ hoàn toàn tách rời

Học Máy sản xuất Big Data

Nhận diện khuôn mặt trên quy mô lớn

Viết một email cá nhân

Vẽ tay một bức tranh nhỏ

Tạo một tài liệu Word

Một vài ảnh chữ viết tay là đủ

Hàng ngàn ảnh chữ viết tay của nhiều người, có nhãn đúng

Chỉ dữ liệu âm thanh

Không cần nhãn

Xoay khuôn mặt để mắt, miệng thẳng hàng

Loại bỏ mũi khỏi ảnh

Tăng nhiễu trong ảnh

Chuyển ảnh sang video

Giảm độ phức tạp nếu màu không cần thiết

Làm mất thông tin kích thước

Tăng số kênh màu

Biến ảnh thành âm thanh

Tốc độ xe

độ rung

Nhịp tim

Bài viết Facebook

AI có khả năng tạo ra nội dung mới như văn bản, hình ảnh, âm thanh

AI có khả năng nhận dạng và phân loại dữ liệu

AI có khả năng tự động hóa các tác vụ

AI có khả năng học hỏi và thích nghi với môi trường mới

Tự nhận thức như con người

Chỉ thực hiện tốt một nhiệm vụ cụ thể

Sáng tạo nội dung mới liên tục

Phân tích cảm xúc con người

AI bộ nhớ giới hạn (Limited Memory)

AI phản ứng (Reactive Machines)

AI tự nhận thức (Self-aware AI)

AI tổng quát (General AI)

AI chuyên biệt (Narrow AI)

AI tự nhận thức (Self-aware AI)

AI phản ứng (Reactive Machines)

AI bộ nhớ hạn chế (Limited Memory)

AI chuyên biệt (Narrow AI)

AI tự nhận thức (Self-aware AI)

AI phản ứng (Reactive Machines)

AI bộ nhớ hạn chế (Limited Memory)

AI thu thập, lưu trữ và xử lý thông tin cá nhân của người dùng

Lương của kỹ sư AI

AI có thể học ngôn ngữ tự nhiên

Chi phí sử dụng AI

Phát triển AI có trách nhiệm, công bằng và minh bạch

Đảm bảo AI không bao giờ sai

Thiết kế AI biết phân biệt thiện ác

Lập trình AI giống cảm xúc con người

Người thiết kế, huấn luyện và triển khai AI

Chính AI

Người dùng AI cuối cùng

Không ai cả

Tạo ra quyết định sai lệch gây ảnh hưởng đến con người

Làm tăng tốc độ mạng internet

Tự sửa lỗi phần mềm

Giảm tiêu thụ điện

Theo dõi và phân tích hành vi người dùng mà không xin phép

Không lưu lại thông tin nào

Giúp người dùng ẩn danh tốt hơn

ngăn chặn xâm nhập từ dữ liệu

Một số nghề mất đi, một số nghề mới xuất hiện

Tất cả công việc sẽ biến mất

Chỉ có lao động chân tay bị ảnh hưởng

Tất cả mọi người sẽ thất nghiệp

Chuyên gia đạo đức AI

Kỹ thuật viên điện lạnh

Nông dân canh tác truyền thống

Thợ rèn

Phân tích dữ liệu lớn (big data)

Tìm kiếm Google

Nhập liệu Excel

In ấn báo cáo

Nhân viên tổng hợp báo cáo

Nhà văn sáng tạo

Luật sư tòa án

Cố vấn tâm lý

Ra quyết định tốt hơn

Đoán mỏ xu hướng

Tránh tiếp xúc AI

Viết văn sáng tạo hơn

Tầng dữ liệu

Hàm mất mát

Nơ-ron nhân tạo (perceptron)

Mạng hồi tiếp

Ảnh

Dữ liệu

một mô tả chi tiết

tất cả đều sai

Dữ liệu của người dùng

Người dùng đưa ảnh mẫu vào

Một mô tả chi tiết của người dùng

Sự sáng tạo của người dùng

Để giao tiếp hiệu quả hơn

Để tăng tốc độ tạo ảnh

Để hình ảnh tạo ra phù hợp với mong muốn

Không quan trọng

Hành động hoặc trạng thái, phong cách thể hiện, bối cảnh, chi tiết bổ sung, chất lượng ảnh.

Chủ thể chính, hành động hoặc trạng thái, chi tiết bổ sung, chất lượng ảnh.

Chủ thể chính, hành động hoặc trạng thái, phong cách thể hiện, bối cảnh, chi tiết bổ sung, chất lượng ảnh.

Chủ thể chính, hành động hoặc trạng thái, phong cách thể hiện, đối tượng, chi tiết bổ sung, chất lượng ảnh.

Xin hãy viết cho tôi một phim.

Hãy tạo cho tôi một câu chuyện hay với chủ đề: “…. ”

Tạo một video theo ý tôi.

Viết một kịch bản video bất kỳ.

Gợi ý hình ảnh và tiêu đề

Gợi ý lời thoại và gợi ý nội dung hình ảnh

Mô tả câu chuyện và nhân vật

Chỉ cần một lời thoại

Tình huống

Chủ đề

Nội dung

Khán giả

Tất cả mọi người

Nhóm người cụ thể có nhu cầu và sở thích chung

Những người yêu thích nghệ thuật

Khán giả số một

Chỉ tốn nhiều thời gian

Giúp bảo đảm không ai quan tâm đến doanh nghiệp

Tăng cường khả năng tiếp cận và tạo sự thu hút

Tăng chi phí sản xuất nội dung

Công cụ thu âm

Nguồn cảm hứng

Kỹ năng viết

Phần mềm chỉnh sửa

ChatGPT và Gamma

Gamma và Suno

ChatGPT và Suno

Không có đáp án đúng

Yêu cầu, nhiệm vụ, chủ đề, đối tượng người nghe, cảm xúc muốn truyền tải, ngôn ngữ.

Nhiệm vụ, chủ đề, đối tượng người nghe, cảm xúc muốn truyền tải, ngôn ngữ, yêu cầu khác.

Đóng vai, chủ đề, đối tượng người nghe, cảm xúc muốn truyền tải, ngôn ngữ, yêu cầu khác.

Đóng vai, nhiệm vụ, chủ đề, đối tượng người nghe, cảm xúc muốn truyền tải, ngôn ngữ, yêu cầu khác.

Chỉ để trang trí

Làm cho video dài hơn

Hỗ trợ trực quan cho nội dung câu chuyện

Làm cho người xem thấy nhàm chán

ghi lại âm thanh

diễn tả cảm xúc nhân vật

chỉ định thời gian

tạo nhạc nền

Agent.

Environment.

Classifier.

Reward.

Quy tắc chọn hành động tại mỗi trạng thái.

Cách tính phần thưởng.

Cách đo lường độ chính xác của mô hình.

Tập dữ liệu huấn luyện.

Tổng giá trị của tất cả hành động.

Giá trị kỳ vọng của phần thưởng nếu theo một chính sách.

Giá trị tại các trạng thái ban đầu.

Mức độ chính xác của mô hình.

Dựa trên mô hình.

Không dựa trên mô hình (model-free).

Dựa trên phân cụm.

Có giám sát.

Sử dụng mạng nơ-ron để học chính sách hoặc giá trị.

Không sử dụng bất kỳ mô hình học máy nào.

Không áp dụng được vào trò chơi hoặc robot.

Chỉ dùng trong thị giác máy tính.

Lớp ẩn (hidden layer).

Lớp đầu vào (input layer).

Lớp đầu ra (output layer).

cả 3 đều có thể thay đổi kích thước

Tạo ra tính phi tuyến.

Tăng tốc độ tính toán.

Giảm số lượng nơ-ron.

Giảm độ phức tạp mô hình.

ReLU.

Linear.

Sigmoid.

Logarithmic.

Cập nhật trọng số của mạng nơ-ron.

Giảm số lượng lớp.

Phân loại đầu ra.

Tăng tốc độ học.

Learning rate.

Epoch.

Batch size.

Activation function.

Mô hình học quá tốt dữ liệu huấn luyện nhưng kém dữ liệu mới.

Mô hình không thể học.

Mô hình học quá ít.

Mô hình dự đoán hoàn hảo mọi trường hợp.

Kiểm tra sau khi huấn luyện.

Huấn luyện mô hình.

Điều chỉnh siêu tham số và đánh giá mô hình trong quá trình huấn luyện.

Không có tác dụng gì.

dễ bị overfitting và tốn tài nguyên

Underfitting.

Mô hình sẽ bị lỗi ngay lập tức.

Mô hình học nhanh hơn.

Sử dụng mô hình học từ dữ liệu không nhãn.

Gắn nhãn giả cho dữ liệu không nhãn bằng chính mô hình hiện tại.

Không cần mô hình ban đầu.

Học bằng cách lặp lại dữ liệu.

Hai mô hình học song song, mỗi mô hình học từ một phần đặc trưng khác nhau.

Một mô hình học cả có nhãn và không nhãn cùng lúc.

Mô hình không sử dụng bất kỳ dữ liệu có nhãn nào.

Mô hình chính học và truyền kiến thức cho mô hình phụ.

Dữ liệu không nhãn giống hoàn toàn dữ liệu có nhãn.

Dữ liệu không nhãn có cấu trúc tương tự và hỗ trợ phân tách tốt các lớp.

Không cần quan tâm đến phân bố dữ liệu.

Sử dụng càng nhiều mô hình càng tốt.

Không có khả năng sử dụng các thuật toán để phân tách những thông tin có liên quan.

Không có khả năng xử lý dữ liệu với số chiều lớn.

Không được huấn luyện.

Không có khả năng đưa ra quyết định.

Thu thập dữ liệu, chuẩn bị dữ liệu, lựa chọn mô hình, huấn luyện mô hình, đánh giá mô hình, thay đổi tham số, áp dụng mô hình.

Thu thập dữ liệu, chuẩn bị dữ liệu, đánh giá mô hình, thay đổi tham số, áp dụng mô hình.

Thu thập dữ liệu, chuẩn bị dữ liệu, lựa chọn mô hình, huấn luyện mô hình, đánh giá mô hình.

Lựa chọn mô hình, huấn luyện mô hình, đánh giá mô hình, thay đổi tham số, áp dụng mô hình.

Lập trình máy tính để thực hiện các nhiệm vụ cụ thể.

Huấn luyện máy tính để tự học từ dữ liệu.

Tạo ra máy tính có trí tuệ nhân tạo.

Tối ưu hóa các thuật toán máy học.

Bỏ hoàn toàn cột/thuộc tính nếu tỷ lệ missing cao

Thay thế bằng giá trị trung bình/median hoặc sử dụng imputation

Giữ nguyên giá trị missing và huấn luyện mô hình

Tăng số lượng dữ liệu gốc

Để tất cả đặc trưng có cùng thang đo, giúp thuật toán hội tụ nhanh và công bằng

Để làm cho dữ liệu dài hơn

Để chuyển dữ liệu sang ảnh

Để giản nhân dữ liệu

Biến số liên tục

Biến phân loại dạng danh mục (categorical)

Dữ liệu ảnh

Chuỗi thời gian

Khi muốn tổng số chiều để làm mô hình phức tạp hơn

Khi muốn giảm số đặc trưng, loại bỏ đa cộng tuyến và giảm nhiễu

Khi dữ liệu là văn bản thuần

Khi chỉ có một feature duy nhất

Đánh giá khả năng tổng quát hóa của mô hình

Chỉ để tăng kích thước bộ nhớ

Làm cho mô hình luôn overfit

Xóa dữ liệu thừa

Để mô hình nhận đầu vào đồng đều và tiết kiệm bộ nhớ

Để ảnh mất toàn bộ chi tiết

Để tăng kích thước dữ liệu gốc

Để biến ảnh thành âm thanh

Mô hình học chính xác hơn

Mô hình có thể học sai và hiệu năng giảm

Dữ liệu trở nên sạch hơn

Không ảnh hưởng

Giúp mô hình nhận diện khuôn mặt tốt hơn

Làm ảnh trở nên tối hơn

Giảm chất lượng ảnh

Tăng kích thước ảnh

Cải thiện khả năng mô hình nhận diện cho nhiều kiểu chữ khác nhau

Giảm khả năng tổng quát hóa

Làm mô hình dễ overfit

Làm chậm việc huấn luyện vô ích

Giảm bias do bản ghi lặp

Tăng số lượng bản ghi

Thay đổi nhãn của dữ liệu

Phân tách tập huấn luyện

Lịch sử xem, lượt thích, thời gian xem của nhiều người

Một hình ảnh duy nhất

Dữ liệu không có nhân

Chỉ metadata của video