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

Học thông qua ghi nhớ dữ liệu đầu vào.

Học bằng cách phân tích các mẫu dữ liệu có sẵn.

Học dựa trên việc lặp lại các bài kiểm tra giống nhau.

Hệ thần kinh

Hệ tiêu hóa

Hệ tuần hoàn

Bộ xương

Học từ cả dữ liệu có nhãn và không nhãn

Chỉ dùng dữ liệu không nhãn

Không có thuật toán cụ thể

Học bằng cách thử và sai

Không cần dữ liệu

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

Chỉ dùng dữ liệu không nhãn

Không có thuật toán cụ

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 gắn nhãn

Dễ thực hiện hơn học không giám

Dữ liệu chưa được gán nhãn.

Dữ liệu đã được gán nhãn.

Chỉ cần thuật toán giám sát.

Không cần dữ liệu.

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

Được sử dụng để kiểm tra mô hình sau khi huấn luyện.

Chỉ dùng để loại bỏ dữ liệu nhiễu.

Không có vai trò gì trong quá trình học.

Nhận dạng hình ảnh, nhận dạng giọng nói.

Kế toán tài chính, kiểm toán.

Nấu ăn, pha chế đồ uống.

Du lịch, lữ hành.

Self-training.

Dropout.

Bagging.

Gradient Descent.

Dữ liệu có nhãn.

Dữ liệu không có nhãn.

Dữ liệu hỗn hợp.

Dữ liệu bị thiếu nhãn.

Hội nghị Dartmouth năm 1956.

Hội nghị AI toàn cầu năm 1960.

Hội nghị Công nghệ thông tin năm 1950.

Hội nghị Máy tính quốc tế năm 1958.

John McCarthy.

Alan Turing.

Marvin Minsky.

Claude Shannon.

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

Tăng tốc độ xử lý của phần cứng máy tính.

Phát triển các trò chơi điện tử mới.

Giảm chi phí sản xuất phần mềm.

Lập trình web (Web Development).

Học máy (Machine Learning).

Xử lý ngôn ngữ tự nhiên (Natural Language Processing).

Thị giác máy tính (Computer Vision).

Học tập.

Bỏ qua dữ liệu đầu vào.

Giảm số lượng thuật toán.

Không cập nhật mô hình.

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

Dữ liệu, con người, phần mềm

Dữ liệu, con người, phần cứng, 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 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

Các thông tin hoặc giá trị được sử dụng để huấn luyện mô hình học máy

Một thuật toán để phân tích dữ liệu

Một loại phần cứng chuyên dụng cho AI

Ảnh chân dung

Email, bài viết, bình luận Facebook

Âm thanh cuộc gọi

Dữ liệu cảm biến tốc độ xe

Ảnh món ăn

Điểm thi, số lượt xem video, nhiệt độ

Email, bài viết, bình luận Facebook

Âm thanh cuộc gọi

Ảnh táo và chuối đã gắn nhãn đúng

Ảnh táo và chuối chưa gắn nhãn

Ảnh các loại trái cây khác không liên quan

Dữ liệu về giá bán của táo và chuối

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

Vì dữ liệu không chất lượng sẽ làm mô hình chạy nhanh hơn

Vì dữ liệu không chất lượng sẽ giúp mô hình học tốt hơn

Vì dữ liệu không chất lượng sẽ làm mô hình không cần kiểm tra

Nhận diện giọng nói

Nhận diện khuôn mặt

Phân tích văn bản

Dự đoán thời tiết

Thu thập dữ liệu

Huấn luyện mô hình

Đánh giá mô hình

Triển khai mô hình

Làm cho dữ liệu thô hoàn toàn không thể đọc được

Cải thiện chất lượng dữ liệu

Giảm thiểu lỗi trong dữ liệu

Tăng cường khả năng phân tích dữ liệu

Đổi chữ thành số (ví dụ: Nam→1, Nữ→0)

Sắp xếp dữ liệu theo thứ tự bảng chữ cái

Chuyển đổi dữ liệu thành dạng nhị phân

Tính tổng các giá trị dữ liệu

Cắt khuôn mặt (face detection & cropping)

Tăng âm lượng (volume up)

Chỉnh sửa văn bản (text editing)

Phân tích dữ liệu tài chính (financial data analysis)

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

Tăng giá trị pixel lên gấp đôi

Giữ nguyên giá trị pixel không thay đổi

Chuyển giá trị pixel về dạng nhị phân

Giảm số đặc trưng không cần thiết

Tăng số chiều dữ liệu

Làm dữ liệu phức tạp hơn

Thêm nhiều đặc trưng mới

Kiểm tra mô hình

Lưu trữ dữ liệu

Tăng tốc độ xử lý

Giảm kích thước dữ liệu

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

Dữ liệu chỉ ở dạng văn bản, không có hình ảnh

Chỉ xử lý dữ liệu nhỏ, đơn giản

Không cần đến các công nghệ phân tích hiện đại

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

Big Data là công cụ, Học Máy là nguyên liệu

Big Data và Học Máy là hai khái niệm không liên quan

Big Data là kết quả, Học Máy là quá trình tạo ra

Nhận diện khuôn mặt trên quy mô lớn

Tính toán điểm trung bình của một lớp học nhỏ

Gửi email cá nhân

Chơi game offline trên điện thoại

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

Chỉ một vài ảnh chữ viết tay không cần nhãn

Dữ liệu âm thanh của chữ viết tay

Chỉ cần văn bản đánh máy

Xoay khuôn mặt để mắt, miệng thẳng hàng

Làm mờ các đặc điểm khuôn mặt

Thay đổi màu da khuôn mặt

Tăng kích thước khuôn mặt

Giảm độ phức tạp nếu màu không cần thiết

Tăng độ phân giải của ảnh

Làm cho ảnh có nhiều màu sắc hơn

Giúp ảnh trở nên sắc nét hơn

Bài viết Facebook

Nhiệt độ phòng

Độ ẩm không khí

Ánh sáng môi trường

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

AI chỉ có khả năng phân tích dữ liệu mà không tạo ra nội dung mới

AI chỉ có thể thực hiện các tác vụ lặp đi lặp lại mà không sáng tạo

AI chỉ có thể nhận diện hình ảnh mà không tạo ra hình ảnh mới

Chỉ thực hiện tốt một nhiệm vụ cụ thể

Có khả năng tự nhận thức như con người

Giải quyết mọi vấn đề trí tuệ nhân tạo

Có thể học và thích nghi với mọi tình huống

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 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 chuyên biệt (Narrow AI)

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 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

Thợ sửa xe máy

Nông dân trồng lúa

Thợ mộc

Phân tích dữ liệu lớn (big data)

Nhập liệu thủ công

Lưu trữ giấy tờ

Sao chép dữ liệu bằng tay

Nhân viên tổng hợp báo cáo

Bác sĩ phẫu thuật

Giáo viên dạy học trực tiếp

Nhà thiết kế thời trang

Ra quyết định tốt hơn

Tăng chi phí vận hành

Giảm độ chính xác của dữ liệu

Làm chậm quá trình xử lý

Nơ-ron nhân tạo (perceptron)

Bộ nhớ RAM

Bộ xử lý trung tâm (CPU)

Ổ cứng (Hard Disk)

Một mô tả chi tiết

Chỉ một từ khóa ngẫu nhiên

Một đoạn mã lập trình

Một liên kết website

Một mô tả chi tiết của người dùng

Kích thước của màn hình

Số lượng màu sắc trong ảnh

Thời gian tạo ảnh

Để hình ảnh nhân tạo ra phù hợp với mong muốn

Để ChatGPT có thể tự động vẽ hình ảnh mà không cần thông tin

Để giảm thời gian xử lý của ChatGPT

Để tăng số lượng hình ảnh được tạo ra

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

Chủ thể chính, màu sắc, kích thước, vị trí, chất lượng ảnh.

Chủ thể chính, hành động, thời gian, địa điểm, chất lượng ảnh.

Chủ thể chính, phong cách thể hiện, màu sắc, chi tiết bổ sung, chất lượng ảnh.

Xin hãy viết cho tôi một kịch phim.

Bạn có thể chỉnh sửa video này không?

Hãy gửi cho tôi một đoạn mã Python.

Bạn có thể dịch đoạn văn này sang tiếng Anh không?

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.

Chỉ cần tiêu đề và một hình ảnh minh họa.

Chỉ cần mô tả nhân vật và câu chuyện.

Chỉ cần gợi ý nội dung hình ảnh.

Tất cả mọi người

Chỉ những người nổi tiếng

Người không quan tâm đến nội dung

Những người không sử dụng mạng xã hội

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

Nguồn cảm hứng

Công cụ thu âm

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

A. Quy tắc chọn hành động tại mỗi trạng thái

B. Cách tính phần thưởng

C. Cách đo lường độ chính xác của mô hình

D. 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 tối đa của 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 ba đều có thể thay đổi kích thước.

A. Tăng tốc độ tính toán

B. Tạo ra tính phi tuyến

C. Giảm số lượng nơ-ron

D. Giảm độ phức tạp mô hình.

ReLU

Sigmoid

Tanh

Softmax

Cập nhật trọng số của mạng nơ-ron.

Tăng số lượng lớp trong mạng nơ-ron.

Xác định đầu ra của mạng nơ-ron.

Giảm số lượng dữ liệu huấn luyện.

Learning rate.

Activation function.

Batch size.

Epochs.

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

Mô hình không học được gì từ dữ liệu huấn luyện.

Mô hình dự đoán hoàn toàn ngẫu nhiên.

Mô hình chỉ hoạt động tốt với dữ liệu kiểm tra.

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.

Huấn luyện mô hình.

Kiểm tra sau khi huấn luyện.

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

Không có tác dụng gì.

Underfitting.

Mô hình sẽ bị lỗi ngay lập tức.

Mô hình học nhanh hơn.

Dễ bị overfitting và tốn tài nguyên.

Sử dụng mô hình học từ dữ liệu không nhãn

Gán 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 tích 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"

"Cả (1) và (2) tùy ngữ cảnh"

"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 gán nhãn dữ liệu"

"Biến số liên tục"

"Biến phân loại dạng danh mục (categorical)"

"Dữ liệu ảnh"

"Chuỗi thời gian"

"Khi muốn tăng 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 khuôn mặt rõ ràng hơn, giảm sai số do điều kiện ánh sáng"

"Làm méo mó toàn bộ biểu cảm"

"Thay đổi nhãn của dữ liệu"

"Không có ích"

"Giảm khả năng tổng quát hóa"

"Làm mô hình dễ overfit"

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

"Làm chậm việc huấn luyện vô ích"

"Nếu cắt sai vị trí, mô hình nhận diện sẽ gặp nhiễu và sai"

"Cắt sai làm tăng dung lượng file"

"Cắt khuôn mặt không quan trọng"

"Chỉ để làm đẹp hình ảnh"

"Chỉ việc lưu trữ là đủ, không cần xử lý"

"Lưu trữ, xử lý phân tán, đảm bảo chất lượng và bảo mật"

"Luôn dễ dàng xử lý bằng máy tính cá nhân"

"Luôn có nhãn sẵn"

"Giảm bias do bản ghi lặp"

"Tăng số lượng bản ghi"

"Thay đổi nhãn của dữ liệu"

"Phân tách tập huấn luyện"

"Dùng scaling robust (ví dụ median, IQR) hoặc loại bỏ outlier"

"Luôn dùng mean cho scaling"

"Không làm gì cả"

"Thêm nhiễu cho dữ liệu"

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

"Một hình ảnh duy nhất"

="Dữ liệu không có nhãn"

= "Chỉ metadata của video"

"Tokenization, lowercasing, loại stopwords, stemming/lemmatization"

"Resize ảnh 224×224"

"Chuyển text thành audio"

"One-hot encode ảnh"

"Chuyển sang grayscale nếu màu quan trọng"

"Giữ 3 kênh màu RGB"

"Chuẩn hóa pixel trên từng kênh"

"Áp augmentation màu (color jitter) có kiểm soát"

"Tiền xử lý nhãn (clean labels), dùng kỹ thuật robust learning, hoặc kết hợp dữ liệu có nhãn chất lượng hơn"

"Bỏ hết dữ liệu"

"Giữ nguyên và hy vọng mô hình tự sửa"

"Chỉ dùng tập test"

"Quyết định lượng thông tin chi tiết mà mô hình có thể học; quá thấp mất thông tin, quá cao tốn tài nguyên"

"Không ảnh hưởng"

"Chỉ ảnh hưởng tới màu sắc"

"Làm thay đổi nhãn"

"Đánh giá ổn định và khả năng tổng quát hóa mô hình bằng cách huấn luyện/test trên nhiều folds"

= "Tăng kích thước dataset"

Chỉ dùng cho dữ liệu ảnh"

"Làm cho mô hình chạy chậm vô ích"

"Ảnh từ nhiều người, nhiều góc nhìn, nhiều điều kiện ánh sáng, có nhãn chính xác"

"Chỉ ảnh selfie từ một người"

"Chỉ ảnh đen trắng cũ"

""Ảnh không có nhãn"

"Thay thế hoàn toàn con người trong công việc"

HB(41,2)= "Tự động trả lời nhanh các câu hỏi thường gặp"

"Quản lý kho bãi và chuỗi cung ứng"

"Dự báo biến đổi khí hậu"

"Có khả năng tự nhận thức"

"Thực hiện một nhiệm vụ cụ thể với hiệu suất cao"

"Thay thế toàn bộ hoạt động của con người"

"Có khả năng suy nghĩ như con người"

"ChatGPT tạo văn bản"

"Robot tự nhận thức"

"Hệ thống nhận diện khuôn mặt trên điện thoại"

"AI siêu trí tuệ"

"Chỉ tập trung bán hàng truyền thống"

"Dự đoán xu hướng tiêu dùng, hành vi khách hàng"

"Thay thế toàn bộ nhân viên marketing"

"Xây dựng mô hình khí hậu toàn cầu"

"AI đưa ra kết quả công bằng hơn"

"AI vẫn hoạt động chính xác"

"AI đưa ra kết quả sai lệch và thiếu công bằng"

"AI trở nên có ý thức"

"Chỉ làm được một nhiệm vụ cụ thể"

"Có khả năng tự nhận thức"

= "Có thể học hỏi, thích nghi và áp dụng kiến thức vào nhiều tình huống khác nhau"

"Đã được ứng dụng rộng rãi trên thị trường"

"Trong quy trình tự động hóa dịch vụ khách hàng, khi gặp câu hỏi phức tạp thì chatbot sẽ làm gì?"

"Chuyển cho nhân viên con người xử lý"

"Xóa dữ liệu khách hàng"

"Đưa ra câu trả lời sai"

"Vì nó không thực hiện được các tác vụ phức tạp"

"Vì nó chưa bao giờ được nghiên cứu"

"Vì nó có khả năng vượt xa trí tuệ con người, tiềm ẩn rủi ro kiểm soát"

"Vì nó chỉ hoạt động trong môi trường hẹp"

"Tạo hóa đơn nhanh hơn"

"Dự đoán chính xác khách hàng sắp rời bỏ dịch vụ"

"Tổ chức hội nghị khách hàng"

"Giảm chi phí điện nước"

"Phân tích cảm xúc, ý định và suy nghĩ của con người"

"Lưu trữ dữ liệu khách hàng"

"Tự động hóa quy trình sản xuất"

"Giải quyết vấn đề toán học cơ bản"

“ “Đoạn mã càng dài càng tốt”

“Giao diện phải dùng React hoặc Vue”

“Tính đơn giản, hoạt động đúng, dễ hiểu và dễ sửa đổi”TB(51,4)= “Mã có sử dụng thư viện phức tạp”

“Mã có sử dụng thư viện phức tạp”

“Thường xuyên yêu cầu ChatGPT giải thích mã”

“Tự chỉnh sửa mã sau khi được ChatGPT gợi ý”

“Copy toàn bộ mã mà không đọc và hiểu”

“Hỏi nhiều lần để rõ hơn từng chức năng”

“Đo độ dài của đoạn mã”

“Chọn đoạn nào dễ nhớ hơn”

“So sánh về hiệu suất, tính dễ hiểu, khả năng mở rộng và độ an toàn”

“Chọn đoạn mã sử dụng nhiều thư viện nhất”

“Mô tả chi tiết yêu cầu và định dạng file Excel”

“Cung cấp mẫu dữ liệu và hỏi cách xử lý”

“Chỉ nói "giúp tôi làm phần mềm tính điểm" mà không mô tả gì thêm”

“Yêu cầu tạo hàm phân loại học lực và giải thích cách dùng”

“Tốc độ trả lời”

“Độ dài của mã”

“Mức độ giúp sinh viên hiểu và tự chỉnh sửa đoạn mã đó”

“ChatGPT có dùng từ ngữ chuyên ngành hay không”

56,1)="Sử dụng dữ liệu huấn luyện đa dạng và kiểm định kỹ thuật"

56,2)="Tắt AI khi không dùng"

56,3)="Thêm cảm xúc vào AI"

56,4)="Giảm tốc độ AI"

57,1)="Khung pháp lý và giám sát chặt chẽ"

57,2)="Tăng tốc độ xử lý"

"Cho phép AI tự điều chỉnh"

Giảm quyền truy cập"

Công ty và người phát triển AI"

Chính AI

58,3)="Người nộp hồ sơ"

Không ai cả"

Bác sĩ và tổ chức triển khai AI"

59,2)="Chính AI"

Người bệnh"

59,4)="Không rõ"

Con người vẫn là người chịu trách nhiệm cuối cùng"

AI nên được quyền tự quyết vì không cảm xúc"

AI có thể quyết định nếu dữ liệu đầy đủ

Không cần con người tham gia nữa"

Quyền riêng tư của nhân viên

Chi phí vận hành"

Lỗi kỹ thuật"

Tăng doanh thu

Người dùng có đóng góp sáng tạo"

AI là tác giả"

Không ai cả"

Chia sẻ bản quyền"

Tính minh bạch và quyền riêng tư

Tăng điểm kiểm tra"

Giảm chi phí giám thị"

Tự động hóa thi cử

64,1)="Dùng AI hỗ trợ nhưng không sao chép nguyên văn"

64,2)="Chép toàn bộ từ AI"

Giấu nguồn"

Không chỉnh sửa"

Chuyên gia đạo đức AI"

Kỹ sư phần mềm

Nhân viên nhân sự"

Nhà báo"

"Cho m¨¬nh ph.n m.m b¨¢n h¨¤ng

"Thiết kế giúp mình hệ thống quản lý bán hàng với các chức năng: thêm, sửa, xóa, tìm kiếm"

"Chỉ cần mình biết sơ qua thôi

Mình không cần code, chỉ cần thiết kế file Word"

67,1)="Yêu cầu, chủ đề, đối tượng, số lượng slide, nội dung chính, mục tiêu, cách trình bày."

Nhiệm vụ, chủ đề, đối tượng, số lượng slide, nội dung chính, mục tiêu, cách trình bày."

"Đóng vai, chủ đề, đối tượng, số lượng slide, nội dung chính, mục tiêu, cách trình bày."

67,4)="Đóng vai, nhiệm vụ, chủ đề, đối tượng, số lượng slide, nội dung chính, mục tiêu, cách trình bày."

TB(68,1)="Đóng vai, yêu cầu"

"Đóng vai, đối tượng"

"Đóng vai, nhiệm vụ, yêu cầu"

"Nhiệm vụ, yêu cầu

"Hãy viết cho tôi một bài thuyết trình"

"Bạn hãy đóng vai là một chuyên gia sáng tạo bài slide thuyết trình chuyên nghiệp"

"Tạo một slide thuyết trình với nội dung không rõ ràng"

"Chỉ cần tạo một bài thuyết trình"

AI có thể thay thế hoàn toàn tư duy cá nhân "

" Luôn giữ bí mật thông tin nội bộ khi nhập vào AI "

" Không cần quan tâm đến bảo mật dữ liệu "

" Càng đặt câu hỏi chung chung, AI càng dễ hiểu "

" Để thêm phần hoa mỹ "

" Vì ChatGPT có thể sai thông tin hoặc chưa phù hợp ngữ cảnh "

" Vì văn bản AI luôn quá ngắn "

Vì pháp luật cấm dùng AI

" Viết lại văn bản dài hơn "

" Xóa bớt các ý không liên quan "

" Rút gọn nội dung nhưng vẫn giữ ý chính "

" Thay đổi hoàn toàn nội dung gốc "

" Giữ nguyên cấu trúc và ngôn ngữ trang trọng "

" Viết lại bằng ngôn ngữ đời thường "

" Tự ý thêm nội dung mới "

" Lược bỏ phần quyết định trong biên bản "

" In ra và nộp luôn "

" Đọc lại, chỉnh sửa theo ngữ cảnh thực tế "

Gửi lại cho ChatGPT để xin xác nhận "

" Dùng bản gốc thay vì bản tóm tắt "

Không cần kiểm tra lại "

" Có thể dùng thay thế hoàn toàn người viết "

Có gợi ý nhanh, dễ chỉnh sửa theo thực tế "

" Đảm bảo tuyệt đối không sai sót "

" Chuyển video thành slide trình bày "

" Gửi video trực tiếp cho ChatGPT "

Tách nhạc nền ra khỏi video "

" Dùng AIStudio hoặc công cụ tương tự để chuyển video thành văn bản

Chuyển sang PDF và lưu trữ "

" Dán nội dung vào ChatGPT để yêu cầu tóm tắt theo các mục cụ thể "

Gửi file lên TikTok để chia sẻ "

Sửa chính tả toàn bộ văn bản thủ công "

" Phân tích số trang in "

Tự động chọn chương có hình minh họa "

Xác định các ý chính, từ khóa và nội dung quan trọng "

" Cắt bỏ toàn bộ phần ví dụ minh họa "

" Văn bản trở nên quá dài "

" Không thể in ra được "

" Máy tính bị nhiễm virus "

" Bỏ sót những chi tiết quan trọng nếu không kiểm duyệt "

AI giúp học sinh hiểu sâu nội dung hơn mà không cần đọc bản gốc "

" AI có thể tóm tắt văn bản dài thành bản ngắn gọn, dễ hiểu "

" AI cần được huấn luyện bằng dữ liệu để thực hiện tóm tắt tốt "

" Kết quả tóm tắt cần được người dùng kiểm tra lại để đảm bảo chính xác "

" Viết lại toàn bộ sách giáo khoa "

" Tạo ra lịch sử mới "

Xoá bỏ các sự kiện không cần thiết "

" Trình bày sự kiện dưới dạng sơ đồ, timeline hoặc tóm tắt ngắn "

Luôn cập nhật quá nhanh "

Có thể thiếu dữ liệu mới nếu không truy cập internet hoặc nguồn tin cập nhật "

" Trả lời bằng hình ảnh thay vì văn bản "

" Không thể hỗ trợ các sự kiện lịch sử "

Tắt Wi-Fi để AI xử lý nhanh hơn "

" Chọn chế độ chơi game "

" Sử dụng AI có khả năng truy cập web thời gian thực hoặc kiểm tra nguồn thông tin "

" Gửi yêu cầu in kết quả "

" Không cần học nữa "

" Máy tính hư ngôn ngữ "

" AI làm thay cả phần thi cuối kỳ "

Dễ bị nói sai ngữ cảnh nếu không hiểu cách sử dụng từ "

Chỉ dùng để dịch toàn bộ văn bản mà không cần hiểu "

" Không cần ghi chép gì "

" Học 1 ngôn ngữ và hỏi AI về ngôn ngữ khác "

Dùng AI để luyện tập và kết hợp với phản hồi của giáo viên "

" Đưa từ vào câu cụ thể để AI giải thích theo ngữ cảnh "

" Chỉ hỏi 'Từ này nghĩa là gì?' "

" Hỏi AI bằng tiếng mẹ đẻ "

Bắt AI đưa đáp án trắc nghiệm "

" AI luôn đúng tuyệt đối "

" AI dùng ngôn ngữ địa phương "

" AI có thể đưa ra nghĩa không phù hợp nếu ngữ cảnh mơ hồ hoặc không rõ ràng "

" AI chỉ dịch từng chữ cái "

" Xin ví dụ câu dùng từ đó trong văn cảnh cụ thể "

" Ghi lại từ mới và luyện phát âm "

" Hỏi nghĩa và cách dùng của từ theo từng ngữ cảnh "

Học từ bằng cách chỉ tra nghĩa tiếng mẹ đẻ rồi bỏ qua "

" Gõ câu hỏi càng dài càng tốt "

" Yêu cầu AI nói bằng tiếng nước ngoài "

Cung cấp bối cảnh cụ thể và yêu cầu giải thích đơn giản, dễ hiểu "

" Bắt AI làm bài kiểm tra "

Giúp người học tiếp cận kiến thức theo nhiều cách trực quan, sinh động "

" Tránh việc học nhóm "

" Làm người học khỏi cần đọc sách "

" Gây ảo tưởng là đã hiểu sâu "

"Sử dụng robust loss functions, lọc dữ liệu có nhãn khả nghi, kết hợp human-in-the-loop để sửa nhãn"

Bỏ toàn bộ dataset lớn và thu dataset nhỏ hơn

Luôn huấn luyện với learning rate cực lớn

Không làm gì cả"

Higher resolution luôn tốt hơn và không có nhược điểm"

"Higher resolution cho nhiều chi tiết hơn nhưng tăng chi phí tính toán và có thể dẫn tới overfitting nếu không đủ dữ liệu"

"Lower resolution luôn tốt hơn

"Resolution không ảnh hưởng tới độ chính xác"

"Vì giúp chuẩn hóa góc và tỷ lệ khuôn mặt, giảm sự biến đổi không cần thiết và làm cho đặc trưng dễ học hơn"

"Vì làm thay đổi nhãn

"Vì tăng nhiễu

Không có lý do kỹ thuật"

"Vấn đề: quy mô và tốc độ xử lý; Giải pháp: hệ thống lưu trữ phân tán, batch + real-time processing, feature store, sampling và học phân tán"

"Vấn đề: chỉ cần dùng spreadsheet; Giải pháp: không cần thay đổi"

"Vấn đề: thiếu hình ảnh; Giải pháp: thu thập thêm ảnh"

"Vấn đề: tốc độ internet; Giải pháp: tăng băng thông"

Oversampling lớp thiểu số, undersampling lớp đa số, dùng loss điều chỉnh (class-weighted), tạo dữ liệu tổng hợp (SMOTE)"

"Luôn xóa lớp thiểu số"

Bỏ nhãn của lớp đa số"

Không có cách nào"

"Mô hình có thể hoạt động kém với nhóm thiếu đại diện — gây bias và fairness issue"

Mô hình sẽ tốt hơn cho mọi nhóm

Không ảnh hưởng

Chỉ ảnh hưởng tới kích thước file

"Tăng tính đa dạng dữ liệu, giảm overfitting và cải thiện tổng quát hóa"

Luôn làm giảm accuracy

Chỉ áp dụng cho text

Làm mất nhãn

"Supervised cần nhãn cho huấn luyện; unsupervised không cần nhãn, dùng để khám phá cấu trúc dữ liệu"

Cả hai đều không cần nhãn

Unsupervised cần nhãn nhiều hơn"

Supervised không dùng dữ liệu

"Giám sát hiệu năng, cập nhật mô hình định kỳ, thu thập dữ liệu mới và retrain hoặc dùng online learning"

Không thay đổi gì"

"Xóa toàn bộ dữ liệu cũ"

"Luôn dùng cùng mô hình mà không cần giám sát"

"Lưu trữ và chia sẻ các feature đã xử lý cho huấn luyện và production, đảm bảo consistency"

Chỉ lưu raw data

Thay thế model

Đóng vai trò như dataset test