Luyện tập: Trí tuệ nhân tạo cơ bản

Giới thiệu bài học

Chào các em, trong chương 2 vừa qua, chúng ta đã cùng nhau khám phá thế giới rộng lớn và đầy thú vị của Trí tuệ nhân tạo (AI). Từ những khái niệm nền tảng như học máy, học sâu cho đến các ứng dụng thiết thực trong đời sống. Hôm nay, trong bài Luyện tập: Trí tuệ nhân tạo cơ bản, chúng ta sẽ cùng nhau hệ thống lại toàn bộ kiến thức trọng tâm, củng cố lý thuyết và thực hành phân tích các ví dụ để hiểu sâu hơn về cách AI hoạt động.

Lý thuyết trọng tâm cần nắm

1. Trí tuệ nhân tạo (AI) là gì?

Trí tuệ nhân tạo là lĩnh vực của khoa học máy tính nhằm tạo ra các hệ thống máy tính có khả năng thực hiện các nhiệm vụ đòi hỏi trí tuệ của con người, chẳng hạn như: nhận biết hình ảnh, hiểu ngôn ngữ, ra quyết định và học hỏi từ kinh nghiệm.

2. Học máy (Machine Learning - ML) là gì?

Học máy là một nhánh quan trọng của AI. Thay vì được lập trình cụ thể từng bước, máy tính được "huấn luyện" từ một lượng lớn dữ liệu để tự động tìm ra quy luật và đưa ra dự đoán.

Có ba loại học máy chính:

• Học có giám sát: Máy học từ dữ liệu đầu vào có kèm nhãn (đáp án đúng). Ví dụ: học cách nhận diện chó từ những bức ảnh đã được gắn nhãn "chó".
• Học không giám sát: Máy tự tìm ra các mẫu, cấu trúc ẩn từ dữ liệu không có nhãn. Ví dụ: tự động phân loại khách hàng thành các nhóm dựa trên thói quen mua sắm.
• Học tăng cường: Máy tính (agent) tương tác với môi trường, học cách đưa ra hành động để đạt được phần thưởng cao nhất. Ví dụ: chương trình chơi cờ tự học cách thắng bằng cách thử nghiệm và nhận điểm thưởng.

3. Học sâu (Deep Learning - DL) là gì?

Học sâu là một nhánh con của học máy, sử dụng các mạng nơ-ron nhân tạo nhiều tầng (lớp). Các mạng này lấy cảm hứng từ cấu trúc não bộ con người, cho phép xử lý dữ liệu phức tạp như hình ảnh, âm thanh và văn bản một cách hiệu quả.

Mạng nơ-ron nhân tạo bao gồm:

• Lớp đầu vào (Input layer): Tiếp nhận dữ liệu.
• Các lớp ẩn (Hidden layers): Xử lý và trích xuất đặc trưng của dữ liệu.
• Lớp đầu ra (Output layer): Đưa ra kết quả dự đoán.

4. Các ứng dụng thực tế của AI trong đời sống

• Nhận dạng khuôn mặt trên điện thoại thông minh.
• Trợ lý ảo như Siri, Google Assistant, Alexa.
• Gợi ý sản phẩm trên các trang thương mại điện tử (Shopee, Tiki).
• Xe tự lái.
• Chẩn đoán bệnh trong y tế từ hình ảnh X-quang, MRI.

Ví dụ minh họa cụ thể

Ví dụ 1: Phân biệt Học có giám sát và Học không giám sát (Bài toán phân loại trái cây)

Giả sử: Em có một rổ trái cây gồm táo và cam.

• Học có giám sát: Em dán nhãn từng quả (ví dụ: quả này là táo, quả kia là cam). Sau đó, em huấn luyện máy tính với các đặc điểm như: hình dáng tròn, màu đỏ, cuống ngắn -> táo; hình dáng tròn hơi dẹt, màu cam, vỏ sần -> cam. Khi có một quả mới chưa dán nhãn, máy sẽ dựa vào đặc điểm đã học để nói đó là táo hay cam.
• Học không giám sát: Em không dán nhãn gì cả. Máy tính tự quan sát các đặc điểm của từng quả (màu sắc, kích thước, độ sần của vỏ) và tự động chia số trái cây thành hai nhóm: một nhóm có đặc điểm giống nhau và nhóm kia có đặc điểm khác biệt. Máy không biết tên gọi là "táo" hay "cam", nhưng tự tìm ra được cấu trúc tự nhiên của dữ liệu.

Ví dụ 2: Hoạt động của Học sâu trong nhận diện khuôn mặt

Khi bạn mở khóa điện thoại bằng khuôn mặt:

1. Lớp đầu vào: Camera chụp lại hình ảnh khuôn mặt của bạn (dữ liệu đầu vào).
2. Các lớp ẩn: Mạng nơ-ron xử lý từng lớp:
   • Lớp đầu tiên: nhận diện các cạnh, đường viền cơ bản như viền mắt, viền mũi.
   • Lớp tiếp theo: nhận diện các bộ phận phức tạp hơn như mắt, mũi, miệng.
   • Lớp sâu hơn: nhận diện hình dạng tổng thể và các đặc điểm riêng của khuôn mặt bạn.
3. Lớp đầu ra: So sánh khuôn mặt vừa nhận diện với khuôn mặt đã đăng ký trước đó. Nếu khớp, điện thoại sẽ mở khóa.

Nhờ hàng triệu tấm ảnh khuôn mặt đã được huấn luyện trước, mạng nơ-ron có thể nhận diện chính xác khuôn mặt của bạn dù bạn có đeo kính, đội mũ hay thay đổi kiểu tóc.

Ghi nhớ (Trọng tâm bài học)

• AI là lĩnh vực rộng lớn, Machine Learning là một nhánh quan trọng của AI, còn Deep Learning là một nhánh sâu hơn của Machine Learning.
• Học có giám sát cần dữ liệu có nhãn; Học không giám sát không cần nhãn; Học tăng cường học qua thử nghiệm và phần thưởng.
• Mạng nơ-ron nhân tạo có nhiều lớp, mỗi lớp trích xuất đặc trưng ở mức độ trừu tượng khác nhau, từ đơn giản đến phức tạp.
• AI hiện diện ở khắp mọi nơi trong cuộc sống hiện đại, giúp giải quyết nhiều bài toán khó và tự động hóa các tác vụ.

Bài tập gợi ý (Tự luyện tập tại nhà)

1. Em hãy nêu một ví dụ về ứng dụng của Trí tuệ nhân tạo trong lĩnh vực giáo dục mà em biết hoặc mong muốn. Giải thích ngắn gọn ứng dụng đó thuộc loại học máy nào?
2. Chương trình gợi ý phim trên Netflix hoặc nhạc trên Spotify hoạt động dựa trên loại học máy chính nào? (Học có giám sát hay không giám sát?) Giải thích lý do.
3. Hãy tự tìm hiểu: Trong quá trình học tăng cường, "phần thưởng" (reward) có ý nghĩa như thế nào đối với việc huấn luyện agent? Cho ví dụ cụ thể trong trò chơi điện tử mà em biết.
4. Vẽ sơ đồ tư duy thể hiện mối quan hệ giữa: Trí tuệ nhân tạo (AI) → Học máy (Machine Learning) → Học sâu (Deep Learning). Kèm theo một ví dụ ứng dụng của từng khái niệm.