Luyện tập: Trí tuệ nhân tạo cơ bản

Giới thiệu bài học

Chào các em, trong chương trình Tin học lớp 10 về Trí tuệ nhân tạo cơ bản, chúng ta đã cùng nhau khám phá những khái niệm nền tảng như học máy, mạng nơ-ron, xử lý ngôn ngữ tự nhiên và thị giác máy tính. Bài học hôm nay mang tính chất luyện tập, giúp các em củng cố lại kiến thức lý thuyết thông qua các ví dụ cụ thể và bài tập gợi ý. Mục tiêu là để các em hiểu sâu hơn về cách Trí tuệ nhân tạo (AI) hoạt động và ứng dụng trong thực tế.

1. Lý thuyết cốt lõi: Các khái niệm then chốt

Trước khi đi vào luyện tập, chúng ta hãy cùng điểm lại ba khái niệm quan trọng nhất trong Chương 2 mà các em cần nắm vững:

a) Học máy (Machine Learning)

Học máy là một nhánh của Trí tuệ nhân tạo, cho phép máy tính tự học từ dữ liệu mà không cần được lập trình cụ thể cho từng bước. Máy tính sẽ tìm ra các quy tắc, mẫu hình (pattern) từ dữ liệu để đưa ra dự đoán hoặc quyết định.

• Học có giám sát: Dữ liệu đầu vào đã được gắn nhãn (ví dụ: ảnh có chú thích "mèo" hoặc "chó"). Máy học cách ánh xạ từ đầu vào sang đầu ra.
• Học không giám sát: Dữ liệu đầu vào không có nhãn. Máy tự tìm ra các nhóm, cụm dữ liệu có đặc điểm chung.
• Học tăng cường: Máy học thông qua tương tác với môi trường, nhận phần thưởng cho hành động đúng và bị phạt cho hành động sai.

b) Mạng nơ-ron nhân tạo (Artificial Neural Network)

Mạng nơ-ron nhân tạo là một mô hình tính toán lấy cảm hứng từ cấu trúc và hoạt động của bộ não con người. Nó gồm nhiều "nơ-ron" nhân tạo kết nối với nhau thành các lớp (input layer, hidden layers, output layer). Dữ liệu được truyền qua mạng, các kết nối có trọng số (weights) được điều chỉnh trong quá trình học để đưa ra kết quả chính xác.

c) Học sâu (Deep Learning)

Học sâu là một nhánh con của học máy, sử dụng mạng nơ-ron nhân tạo có nhiều lớp ẩn (deep neural networks). Nhờ số lượng lớp lớn, học sâu có khả năng trích xuất các đặc trưng phức tạp từ dữ liệu thô, đặc biệt hiệu quả trong xử lý ảnh, âm thanh và văn bản.

2. Ví dụ minh họa: Áp dụng lý thuyết vào thực tế

Ví dụ 1: Nhận diện chữ viết tay (Học máy - Học có giám sát)

Giả sử chúng ta có một tập ảnh gồm các chữ số viết tay từ 0 đến 9, mỗi ảnh đã được gắn nhãn đúng (ví dụ: ảnh số "3" có nhãn là 3). Chúng ta muốn huấn luyện một mô hình AI để nhận diện chữ số viết tay mới.

• Dữ liệu đầu vào: Các ảnh chữ số viết tay (dưới dạng ma trận pixel).
• Bước học: Mô hình học có giám sát (ví dụ: mạng nơ-ron) sẽ được cho xem hàng ngàn ảnh có nhãn. Nó tự điều chỉnh các trọng số bên trong để khi nhìn vào ảnh số "3", nó dự đoán ra kết quả "3" với độ chính xác cao.
• Kết quả: Sau khi huấn luyện, mô hình có thể nhận diện một ảnh chữ số viết tay mới mà nó chưa từng thấy, dự đoán đó là số mấy.

Ví dụ 2: Phân loại email spam (Học máy - Học có giám sát)

Một hệ thống email cần tự động phân loại thư là "Spam" (thư rác) hay "Hộp thư đến" (thư thường).

• Dữ liệu: Hàng triệu email đã được người dùng gán nhãn "Spam" hoặc "Không spam".
• Đặc trưng: Mô hình sẽ trích xuất các đặc trưng từ email: tần suất xuất hiện các từ như "miễn phí", "trúng thưởng", "khẩn cấp", địa chỉ người gửi lạ, đường link đáng ngờ...
• Học: Mô hình học có giám sát (ví dụ: Naive Bayes, mạng nơ-ron) sẽ học mối quan hệ giữa các đặc trưng này với nhãn "Spam".
• Kết quả: Khi một email mới đến, mô hình phân tích đặc trưng và dự đoán xem nó có phải spam hay không.

Ví dụ 3: Phân cụm khách hàng (Học máy - Học không giám sát)

Một công ty thương mại điện tử muốn tìm ra các nhóm khách hàng có hành vi mua sắm giống nhau để đưa ra chiến lược tiếp thị phù hợp.

• Dữ liệu: Lịch sử mua hàng của 1 triệu khách hàng (sản phẩm đã mua, tần suất mua, tổng tiền, thời gian mua...). Không có nhãn nào được gán trước.
• Bước học: Sử dụng thuật toán phân cụm (ví dụ: K-means) để tự động chia 1 triệu khách hàng thành các cụm (cluster) dựa trên sự tương đồng về hành vi.
• Kết quả: Công ty phát hiện ra các cụm như: "Khách hàng trẻ, mua đồ công nghệ thường xuyên", "Khách hàng gia đình, mua đồ gia dụng", "Khách hàng ít mua, nhạy cảm với giá". Từ đó, họ có các chiến dịch quảng cáo riêng cho từng cụm.

Ví dụ 4: Xe tự lái (Học sâu - Mạng nơ-ron tích chập CNN)

Một chiếc xe tự lái sử dụng camera để nhận diện môi trường xung quanh: vạch kẻ đường, đèn giao thông, người đi bộ, xe cộ...

• Dữ liệu: Hàng triệu bức ảnh chụp từ camera trên xe, mỗi bức ảnh được gắn nhãn vị trí của các đối tượng (ví dụ: hình chữ nhật bao quanh người đi bộ, đèn đỏ).
• Bước học: Một mạng nơ-ron tích chập (CNN - Convolutional Neural Network) với nhiều lớp ẩn được huấn luyện trên dữ liệu này. Lớp đầu tiên học các đường nét đơn giản, các lớp sâu hơn học các hình dạng phức tạp như khuôn mặt, bánh xe, biển báo.
• Kết quả: Trong thời gian thực, xe tự lái có thể nhận diện người đi bộ từ xa, phân biệt đèn xanh và đèn đỏ, và đưa ra quyết định lái xe an toàn.

Ghi nhớ

1. Học có giám sát cần dữ liệu có nhãn để dự đoán kết quả; học không giám sát tự tìm cấu trúc từ dữ liệu không nhãn; học tăng cường học qua tương tác với môi trường.
2. Mạng nơ-ron là nền tảng cho học sâu, với khả năng học các đặc trưng phức tạp từ dữ liệu thô.
3. Học sâu đặc biệt mạnh trong các bài toán về hình ảnh, âm thanh và ngôn ngữ tự nhiên nhờ các kiến trúc mạng như CNN (cho ảnh), RNN/LSTM (cho chuỗi thời gian và văn bản).
4. AI không phải là phép màu; nó dựa trên dữ liệu và thuật toán. Kết quả chỉ tốt nếu dữ liệu tốt và mô hình được huấn luyện đúng cách.

Bài tập gợi ý

Các em hãy vận dụng kiến thức lý thuyết và ví dụ ở trên để trả lời các câu hỏi sau, giúp ôn tập hiệu quả hơn:

• Bài 1: Một ứng dụng xác định cảm xúc của khuôn mặt (vui, buồn, tức giận) từ ảnh chụp. Đây là bài toán học có giám sát hay không giám sát? Tại sao?
• Bài 2: Hãy nêu sự khác biệt cơ bản giữa một mạng nơ-ron thông thường và một mạng nơ-ron học sâu?
• Bài 3: Nếu bạn muốn xây dựng một AI có thể tóm tắt nội dung của một bài báo dài, bạn sẽ chọn phương pháp học máy nào? (Gợi ý: Có liên quan đến xử lý ngôn ngữ tự nhiên và mạng nơ-ron hồi tiếp RNN/LSTM).
• Bài 4: Google Photos tự động tạo album ảnh về "Chuyến đi biển" sau khi bạn chụp nhiều ảnh ở bãi biển. Hãy giải thích ngắn gọn AI đã làm gì (phân tích nội dung ảnh, phân cụm, gán nhãn)?

Chúc các em ôn tập tốt và hiểu sâu sắc hơn về Trí tuệ nhân tạo!