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 nhãn.

Kết hợp một lượng nhỏ dữ liệu có nhãn với một lượng lớn dữ liệu không nhãn để học tốt hơn.

Học dựa trên phần thưởng và phạt từ môi trường.

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 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.

Đề xuất thực hiện học không giám sát.

Vô dụng, chỉ để lưu trữ.

Làm tăng sai số.

Dễ 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.

Dữ liệu có nhãn.

Dữ liệu tổng hợp.

Dữ liệu bị nhiễu.

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 điều khiển tự động và hệ chuyên gia.

Lý thuyết mạng nơ-ron và kỹ thuật nới lỏng.

Lý thuyết tìm kiếm may rủi.

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

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

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

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

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

Ảnh món ăn

Điểm thi, số lượt xem video, nhiệt độ

Bài hát

Video TikTok

Ảnh chưa gán nhãn để kiểm tra

Ảnh táo và chuối đã gán nhãn đúng

Các đặc trưng do máy tự sinh

Kết quả dự đoán của mô hình

Vì mô hình cần ít dữ liệu hơn

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

Vì dữ liệu thu thập lúc nào cũng tốt

Vì dữ liệu đa dạng làm mô hình dễ học hơn

Nhận diện khuôn mặt

Trợ lý giọng nói

Phân loại ảnh y khoa

Phát hiện gian lận giao dịch thẻ

Triển khai mô hình lên production

Thu thập dữ liệu

Đánh giá mô hình

Tối ưu hyperparameter

Làm sạch dữ liệu

Chuẩn hóa dữ liệu

Làm cho dữ liệu thô hoàn toàn không thể đọc được

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)

Gán nhãn tự động không kiểm soát

Tăng kích thước ảnh lên vô hạn

Xóa hoàn toàn thông tin về mắt

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

Tăng số đặc trưng vô hạn

Loại bỏ nhiễu và giữ lại thông tin quan trọng trong ít chiều hơn

Làm mô hình phức tạp hơn mà không cải thiện hiệu năng

Ngăn dữ liệu bị mất mát trong mọi trường hợp

Chỉ dùng tập huấn luyện, không kiểm tra

Tách ra tập huấn luyện, kiểm tra, kiểm định

Xóa tập kiểm tra

Gán 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 dụng cụ, Học Máy là nhiên liệu

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

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

Làm mờ toàn bộ khuôn mặt

Chuyển khuôn mặt thành văn bản

Chỉ dùng cho dữ liệu âm thanh

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 phản ứng (Reactive Machines)

AI bộ nhớ giới hạn (Limited Memory)

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

Lương của kỹ sư

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

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 toà án

Cố vấn tâm lý

Ra quyết định tốt hơn

Dự đoán mờ xu hướng

Tránh tiếp xúc AI

Viết văn sáng tạo hơn

Tập 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 kì

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

Nguồn ngân sách

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.

Làm cho video dài hơn

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 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.

Tăng tốc độ tính toán.

Tạo ra tính phi tuyến.

Giảm số lượng nơ-ron.

Giảm độ phức tạp mô hình.

ReLU

Sigmoid

Tanh

Softmax

Cập nhật trọng số của mạng nơ-ron.

Giảm số lượng lớp.

Phân loại đầu ra.

Tăng tốc độ học.

Epoch.

Learning rate.

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.

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.

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 chỉnh 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 chỉ mỗi một mô hình cốt lõi.

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 thuật toán không cần dữ liệu.

Giảm kích thước dữ liệu trước khi lưu trữ.

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 (A) và (B) 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 đẹp dễ nhìn

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 không 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

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 hoàn toàn dữ liệu cũ

Luôn thêm dữ liệu ngẫu nhiên

Giảm độ dài dữ liệu, loại bỏ nhiễu không cần thiết, tập trung vào âm thanh có chứa nội dung

Làm tăng nhiễu

Biến âm thanh thành hình ảnh

Kéo dài thời gian huấn luyện

Mô hình đưa ra quyết định thiếu công bằng cho một nhóm đối tượng cụ thể

Mô hình luôn chính xác

Mô hình luôn dễ hiểu

Mô hình không cần dữ liệu

Dữ liệu huấn luyện bị thiên vị (chưa đại diện cho toàn bộ quần thể)

Mô hình quá phức tạp

Tốc độ huấn luyện quá nhanh

Sử dụng quá ít lớp trong mạng nơ-ron

Cân bằng lại dữ liệu huấn luyện, sử dụng thuật toán chống thiên vị

Tăng kích thước mô hình

Xóa tất cả các feature

Huấn luyện trên máy tính cá nhân

Khả năng giải thích tại sao AI lại đưa ra quyết định đó

Khả năng hoạt động ẩn danh

Khả năng tự động cập nhật

Khả năng hoạt động độc lập

Để hiểu và tin tưởng vào quyết định của mô hình, đặc biệt trong các lĩnh vực quan trọng như y tế, tài chính

Để làm mô hình chậm hơn

Để tăng chi phí vận hành

Để mô hình không bao giờ sai

Xác định ai chịu trách nhiệm khi hệ thống AI gây ra lỗi hoặc thiệt hại

Khả năng tự học của AI

Khả năng hoạt động liên tục

Tốc độ xử lý của AI

Nhà sản xuất hoặc lập trình viên đã thiết kế hệ thống AI đó

Người dùng xe

Chính chiếc xe AI

Sự gia tăng khả năng và phạm vi ảnh hưởng của các hệ thống AI trong xã hội

Chi phí điện năng tăng

Số lượng ngôn ngữ lập trình tăng

Khả năng tính toán của máy tính giảm

Công bằng (Fairness) và Không thiên vị (Non-discrimination)

Phức tạp (Complexity)

Tốc độ (Speed)

Chi phí thấp (Low cost)

AI có thể được sử dụng cho mục đích xấu hoặc đưa ra các quyết định có hại mà không ai kiểm soát được

AI sẽ tự động hoạt động tốt hơn

Giảm nhu cầu về lập trình viên

Tăng tốc độ phát triển

Hệ thống có thể củng cố và khuếch đại các định kiến xã hội hiện có

Hệ thống sẽ luôn đưa ra quyết định chính xác

Hệ thống sẽ học nhanh hơn

Hệ thống sẽ tự sửa lỗi

Tư duy phản biện và khả năng xác định vấn đề

Kỹ năng nhập liệu nhanh

Kỹ năng ghi nhớ số liệu

Kỹ năng vẽ tay

Công việc đòi hỏi sự đồng cảm, sáng tạo nguyên bản và phán đoán đạo đức phức tạp (ví dụ: tư vấn tâm lý, chiến lược cấp cao)

Công việc nhập dữ liệu

Công việc trả lời email lặp lại

Công việc tổng hợp báo cáo đơn giản

Chuyên gia bảo trì mô hình AI (AI Model Maintenance Specialist)

Thợ sửa ống nước truyền thống

Nhón công nhân chạy dây lán

Người vận hành máy fax

Kỹ năng mềm, khả năng học hỏi suốt đời và tư duy hệ thống

Chỉ cần kỹ năng lập trình cơ bản

Chỉ cần kỹ năng gõ phím nhanh

Chỉ cần kỹ năng nhớ tên các thuật toán

Giúp người dùng đánh giá tính chính xác và độ tin cậy của nội dung do AI tạo ra

Giúp AI tạo nội dung nhanh hơn

Làm giảm chi phí sử dụng AI

Không liên quan đến việc sử dụng AI

Khả năng tương tác cảm xúc và giải quyết vấn đề xã hội phức tạp

Tốc độ làm việc thủ công nhanh

Ghi nhớ nhiều lệnh phím tắt

Làm việc không cần nghỉ

ChatGPT

Microsoft Paint

Google Sheets

Adobe Photoshop

Gamma

Suno

Midjourney

Microsoft Word

Suno

Gamma

Microsoft Word

Google Docs

Midjourney

Microsoft Excel

Google Calendar

Powerpoint

Tăng cường cá nhân hóa trải nghiệm học tập và hỗ trợ tìm kiếm, tóm tắt thông tin nhanh chóng

Giảm hoàn toàn nhu cầu học tập

Làm giảm trí nhớ

Tăng thời gian rảnh rỗi vô ích

Có thể tạo ra thông tin sai lệch (hallucination) mà vẫn trình bày tự tin

Luôn luôn chính xác

Không thể viết văn bản dài

Chỉ hoạt động bằng tiếng Anh

Hiện tượng mô hình AI tạo ra thông tin hoặc sự kiện hoàn toàn không có thật nhưng trình bày trôi chảy, thuyết phục

Khả năng AI tự nhận thức

Quá trình AI học hỏi

Quá trình AI cập nhật dữ liệu

Vai trò, nhiệm vụ, bối cảnh, và định dạng kết quả mong muốn

Chỉ cần một từ khóa

Chỉ cần một câu hỏi chung chung

Chỉ cần một đường link

Định hướng giọng điệu, kiến thức chuyên môn và góc nhìn của AI để kết quả chính xác hơn

Làm cho AI hoạt động chậm hơn

Không có tác dụng gì

Yêu cầu AI vẽ hình ảnh

Tạo ảnh là tạo ra nội dung hoàn toàn mới từ mô tả văn bản; Sửa ảnh là chỉnh sửa nội dung đã có

Cả hai đều giống nhau

Sửa ảnh cần AI, tạo ảnh thì không

Tạo ảnh cần lập trình, sửa ảnh thì không

Lịch sử chat trước đó

Phong cách nghệ thuật

Chủ thể chính

Yêu cầu Chat xuyên âm

Phù hợp với nhân vật, bối cảnh và mục tiêu thông điệp

Luôn luôn dài và phức tạp

Không có ý nghĩa gì

Chỉ toàn những từ chuyên ngành

Giúp AI điều chỉnh giọng điệu, từ vựng và nội dung cho phù hợp với sở thích của người xem

Làm giảm số lượng nhân vật

Làm tăng thời lượng video

Làm giảm độ phân giải hình ảnh

Hướng dẫn người quay phim/biên tập viên về cảnh quay, góc máy, hoặc hoạt động diễn ra

Xác định chi phí sản xuất

Chọn nhạc nền cho video

Tự động dịch phụ đề sang nhiều ngôn ngữ

Thiếu sự độc đáo, cảm xúc sâu sắc và ý nghĩa văn hóa như nhạc sĩ con người tạo ra

Tốc độ tạo nhạc quá chậm

Chất lượng âm thanh quá thấp

Luôn phải trả phí cao

Chủ đề (Topic) hoặc lời bài hát (Lyrics)

Ảnh chân dung

Địa chỉ email

Ngày sinh

Mở rộng và đa dạng hóa tập dữ liệu huấn luyện mà không cần thu thập dữ liệu mới, giúp mô hình ít bị overfitting

Làm mô hình bị overfitting

Xóa dữ liệu

Làm cho dữ liệu trở nên nhàm chán

Khả năng mô hình hoạt động tốt trên dữ liệu mới, chưa từng thấy sau khi huấn luyện

Khả năng ghi nhớ dữ liệu

Khả năng tự động sửa lỗi

Khả năng tự nhận thức

Mô hình quá đơn giản, không nắm bắt được mối quan hệ trong dữ liệu và cho kết quả kém cả trên tập huấn luyện và kiểm tra

Mô hình quá phức tạp

Mô hình luôn chính xác

Mô hình ghi nhớ toàn bộ dữ liệu

Phân loại email spam

Robot học đi

Chơi trò chơi điện tử (ví dụ: cờ vây)

Tối ưu hóa hệ thống giao thông

Xử lý dữ liệu thiếu, loại bỏ ngoại lai (outliers), sửa lỗi định dạng không nhất quán

Lập trình thuật toán

Đánh giá mô hình

Triển khai mô hình

Chưa có hệ thống nào hiện tại được coi là AGI

ChatGPT

Deep Blue

AlphaGo

Một thực thể có khả năng cảm nhận môi trường, ra quyết định và hành động để đạt mục tiêu

Một thuật toán lập trình

Một bộ dữ liệu

Một ngôn ngữ lập trình

Narrow AI (Hẹp), General AI (Tổng quát), Super AI (Siêu trí tuệ)

AI phản ứng, AI bộ nhớ giới hạn

AI văn bản, AI hình ảnh, AI âm thanh

AI đơn giản, AI phức tạp

gây khó khăn trong việc đánh giá tính chân thực của bài làm sinh viên

làm giảm tốc độ internet

gây khó khăn cho AI

không có thách thức nào

AI Tạo sinh (Generative AI)

AI Phân loại

AI Học tăng cường

AI Học không giám sát

coi AI là công cụ hỗ trợ,phải kiểm tra, chỉnh sửa, và đảm bản tính nguyên bản, không đạo văn

chấp nhận mọi nội dung AI tạo ra

không bao giờ kiểm tra lại thông tin

xóa tên mình khỏi bài luận

thiết kế các câu lệnh đầu vào hiệu quả để nhận được kết quả tối ưu từ các mô hình AI tạo sinh

kỹ thuật lập trình AI

kỹ thuật sửa lỗi phần cứng

kỹ thuật thiết kế mạch điện tử

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