Thuật ngữ AI cơ bản để bắt đầu với những công cụ AI hỗ trợ công việc của bạn.

Thuật Ngữ AI cơ bản – đó là chủ đề chúng ta sẽ cùng tìm hiểu hôm nay. Đây là những thuật ngữ mà bạn thường được nghe khi nhắc đến trí tuệ nhân tạo. Cụ thể là AI, Machine Learning, Deep Learning, Generative AI, Large Language Model và Prompt. Những thuật ngữ này cũng chính là những định nghĩa quan trọng trong lĩnh vực AI. Chúng sẽ giúp bạn tự tin hơn để tiến vào một lĩnh vực mới.

Dưới đây là nội dung chi tiết liên quan đến từng thuật ngữ:

1. AI (Artificial Intelligence – Trí tuệ nhân tạo)

Khái niệm: AI là viết tắt của artificial intelligence, hay trí tuệ nhân tạo. Đây là một lĩnh vực rộng lớn của khoa học máy tính. Nó giúp máy móc có vẻ như có trí thông minh của con người. Về cơ bản, AI là một hệ thống máy tính siêu thông minh. Nó có thể bắt chước con người theo một số cách như cảm nhận, suy luận, hành động hoặc thích ứng. Nó được gọi là nhân tạo vì được con người tạo ra bằng cách sử dụng công nghệ.

Mối quan hệ: AI là một lĩnh vực rộng lớn. Nó bao gồm nhiều nhánh con như Machine Learning, Computer Vision, Robotics và Natural Language Processing (NLP).

Ứng dụng: Đôi khi bạn sẽ tương tác trực tiếp với hệ thống AI. Chẳng hạn như ra lệnh cho ChatGPT hay trò chuyện với Siri. Nhưng thường thì AI sẽ hoạt động ngầm bên dưới các công cụ mà bạn đang sử dụng. Ví dụ như gợi ý từ khóa khi tìm kiếm trên Google. Nó còn đề xuất bài hát trên Spotify, hay gợi ý mua sắm trên Shopee dựa trên lịch sử của bạn.

Lịch sử: Thuật ngữ “artificial intelligence” được đề xuất bởi nhà khoa học máy tính người Mỹ John McCarthy. Ông đưa ra thuật ngữ này tại Hội nghị Dartmouth vào năm 1956.

Bạn có thể xem thêm bài viết này để hiểu rõ hơn: Lịch sử trí tuệ nhân tạo AI – Bừng tỉnh sau giấc ngủ đông kéo dài vài thập kỷ

2. Machine Learning (Máy học)

Khái niệm: Machine learning là một nhánh con của AI. Nói một cách dễ hiểu, machine learning là làm cho máy học giống con người thông qua trải nghiệm. Một chương trình machine learning sẽ phân tích hàng nghìn ví dụ để xây dựng thuật toán. Sau đó, thuật toán sẽ được điều chỉnh dựa trên việc chương trình có đạt được mục tiêu hay không. Nhờ vậy, chương trình trở nên thông minh hơn theo thời gian.

Cách thức hoạt động: Machine learning sử dụng nhiều dữ liệu đầu vào để huấn luyện mô hình. Sau đó, mô hình đã đào tạo đó có thể đưa ra dự đoán. Nó dựa trên dữ liệu mới mà nó chưa từng thấy trước đây.

Các loại thuật toán học: Các thuật toán machine learning có thể được phân loại theo bốn cách học. Điều này tùy thuộc vào loại dữ liệu đầu vào và kết quả kỳ vọng. Bốn cách học đó bao gồm:

• Supervised learning (học có giám sát)
• Unsupervised learning (học không giám sát)
• Semi-supervised learning (học nửa giám sát)
• Reinforcement learning (học tăng cường)

3. Deep Learning (Học sâu)

Khái niệm: Deep learning là một nhánh con của machine learning. Theo Amazon Web Services, đây là một loại hình kỹ thuật máy học được xây dựng mô phỏng theo não người. Các thuật toán Deep learning phân tích dữ liệu bằng cấu trúc logic tương tự như logic của con người. Chúng sử dụng các hệ thống thông minh được gọi là Artificial Neural Networks (ANN), hay mạng neuron nhân tạo, để xử lý thông tin theo lớp.

Cách thức hoạt động: Dữ liệu đi từ lớp đầu vào, qua nhiều lớp mạng neuron ẩn sâu, rồi mới tới được lớp kết quả. Điều này giống như việc nhìn kỹ vào một bức tranh. Bạn sẽ thấy tất cả những chi tiết nhỏ khiến nó trở nên đặc biệt.

Mối quan hệ: Deep learning là công nghệ hỗ trợ các ứng dụng rất nổi tiếng như ChatGPT hay Gemini.

4. Generative AI (AI tạo sinh)

Khái niệm: Generative AI là một nhánh con của Deep learning. Đây là một dạng AI có thể tạo ra nội dung và ý tưởng hoàn toàn mới. Nó không chỉ tìm kiếm hay phân loại các nội dung sẵn có như trước.

Khả năng tạo nội dung: Các nội dung mới được tạo ra rất đa dạng. Đó có thể là các cuộc trò chuyện, câu chuyện, hình ảnh, video và âm nhạc.

Các loại mô hình Generative AI:

• Mô hình chuyển văn bản thành văn bản: phổ biến như ChatGPT hay Gemini. Văn bản đầu ra có thể là ngôn ngữ tự nhiên hoặc đoạn mã lập trình.
• Mô hình chuyển văn bản thành hình ảnh: ví dụ Image Creator trong Microsoft Designer, Midjourney và DALL-E. Bạn chỉ cần mô tả, AI sẽ tạo ra hình ảnh cho bạn.
• Mô hình chuyển lời nói thành văn bản: ví dụ Turboscribe.
• Mô hình tạo âm thanh/bài hát: từ câu lệnh bằng văn bản.
• Mô hình chuyển văn bản thành video: ví dụ Imagine Video của Google, Make-A-Video của Meta.
• Mô hình chuyển văn bản thành mô hình 3D: ứng dụng trong các trò chơi.
• Mô hình kết hợp: các sản phẩm AI như ChatGPT có thể kết hợp nhiều mô hình khác nhau. Chúng làm việc cùng lúc với văn bản, hình ảnh và giọng nói.

Cách thức hoạt động: Generative AI đã học từ một nguồn dữ liệu rất lớn. Nguồn dữ liệu đó gồm hàng triệu hình ảnh, câu chuyện, âm thanh… Từ đó, nó có thể kết hợp chúng lại thành một nội dung mới, dựa trên yêu cầu của bạn.

5. LLM (Large Language Model – Mô hình ngôn ngữ lớn)

Khái niệm: LLM là một nhánh của Deep learning. Thông thường, các LLM sẽ được đào tạo trước với một bộ dữ liệu rất lớn. Sau đó, chúng mới được điều chỉnh cho các mục đích cụ thể.

Khả năng: Một mô hình ngôn ngữ được đào tạo trước để giải quyết các vấn đề ngôn ngữ phổ biến. Đó có thể là trả lời câu hỏi, tạo văn bản, phân loại văn bản, viết quảng cáo hay thậm chí là lập trình. Sau đó, LLM này sẽ sử dụng các bộ dữ liệu nhỏ hơn, chuyên biệt hơn. Mục đích là để giải quyết vấn đề cụ thể của từng ngành, như tài chính, chăm sóc sức khỏe, giải trí hay giao nhận hàng hóa.

Cách thức hoạt động: Các mô hình ngôn ngữ được cung cấp một lượng văn bản khổng lồ để học. Nguồn văn bản đó đến từ sách báo, mạng internet, dữ liệu người dùng… Khi bạn nhập một vài từ làm đầu vào, mô hình sẽ thực hiện quá trình đoán từ tiếp theo. Nó lặp lại việc này cho đến khi tạo thành một câu, hay đoạn văn, có nghĩa hoàn chỉnh.

Quy mô: Một mô hình ngôn ngữ lớn có thể có từ hàng trăm tỷ đến hàng nghìn tỷ tham số. Ví dụ, mô hình GPT-3 của OpenAI có 175 tỷ tham số. Mô hình Jurassic-1 của AI21 Labs thậm chí có tới 178 tỷ tham số. Kho từ vựng (Tokens) của các mô hình này thường lên tới 250.000 thành phần từ.

6. Prompt (Câu lệnh)

Khái niệm: Prompt được hiểu đơn giản là một hướng dẫn. Bạn nhập hướng dẫn này vào hệ thống bằng ngôn ngữ, hình ảnh, video hoặc đoạn mã lập trình. Mục đích là để yêu cầu AI thực hiện một nhiệm vụ mà bạn muốn.

Tầm quan trọng: Đây là một công việc, một kỹ năng cực kỳ quan trọng. Nó giúp bạn sử dụng các công cụ trí tuệ nhân tạo như ChatGPT, Veo 3, Leonardo AI một cách hiệu quả.

Cách viết Prompt hiệu quả: Khi bạn viết prompt, hãy tưởng tượng như đang giao việc cho một người khác. Bạn cần cung cấp hướng dẫn cụ thể về tình huống, yêu cầu và định dạng mong muốn. Kết quả cần đạt được cũng nên được nêu rõ. Càng cụ thể, AI càng dễ làm đúng yêu cầu của bạn.

Giới hạn: Hạn chế lớn nhất khi sử dụng các công cụ AI có lẽ không nằm ở máy móc. Nó nằm ở trí tưởng tượng và khả năng giao tiếp hiệu quả của chính chúng ta với những công cụ, cỗ máy AI này. Cách viết Prompt hiệu quả để AI hiểu đúng ý bạn (Hướng dẫn chi tiết từ trải nghiệm thực tế)

Lời kết.

Công nghệ AI – trí tuệ nhân tạo nói chung, cùng những ứng dụng và công cụ sử dụng nền tảng của nó, đang thay đổi cách chúng ta sống và làm việc. Tốc độ thay đổi này thật sự chóng mặt. Do đó, việc hiểu biết về AI ngày càng quan trọng đối với tất cả mọi người. Khả năng tự động hóa công việc với AI cũng vậy.

Nội dung liên quan, bạn có thể xem thêm bài viết này: “Máy học – Machine Learning một phần quan trọng để tạo ra trí tuệ nhân tạo.”

Góc nhỏ Sài Gòn sẽ tiếp tục cập nhật loạt bài về nội dung này. Cảm ơn các bạn đã xem thông tin.

Tài liệu tham khảo

1. Google – “Machine Learning Glossary”: bảng thuật ngữ machine learning chính thức từ Google, cập nhật liên tục và rất dễ tra cứu. https://developers.google.com/machine-learning/glossary