đồ án cá nhân đề tài tìm hiểu về trí tuệ nhân tạo

BỘ GIÁO DỤC VÀ ĐÀO TẠOĐẠI HỌC DUY TÂN

ĐỒ ÁN CÁ NHÂN

Đề tài: Tìm hiểu về trí tuệ nhân tạo

Sinh viên thực hiện : Trần Lê Bảo Nhân - 29216664009

Đà nẵng - 2024

MỤC LỤC

I Giới thiệu 4

A.Đặc điểm chung về trí tuệ nhân tạo 4

B Ý nghĩa và vai trò của AI trong cuộc sống hiện đại 4

II.Lịch sử phát triển của Trí Tuệ Nhân Tạo 6

A.Ngày càng tăng cường qua các thập kỷ 6

B.Các giai đoạn quan trọng trong lịch sử phát triển 7

III Nguyên lý hoạt động của Trí Tuệ Nhân Tạo 8

A.Học máy (Machine Learning) và Deep Learning 8

B.Xử lý ngôn ngữ tự nhiên (NLP) 10

C Tầm quan trọng của dữ liệu trong quá trình học của AI 11

IV.Ứng dụng của Trí Tuệ Nhân Tạo trong thực tế 12

A.Trong lĩnh vực y tế 12

B.Trong lĩnh vực sản xuất và công nghiệp 13

C Các ứng dụng khác như tự động hóa, xe tự lái, v.v 15

V.Thách thức và rủi ro của Trí Tuệ Nhân Tạo 16

A.Quản lý rủi ro và đạo đức trong phát triển AI 16

B.Ảnh hưởng đến thị trường lao động và xã hội 18

C An ninh và quyền riêng tư 19

VI Tương lai của Trí Tuệ Nhân Tạo 21

A.Xu hướng phát triển trong tương lai 21

2

B.Ứng dụng tiềm năng và cơ hội mới 22 VII Kết luận 24

I Giới thiệu

A.Đặc điểm chung về trí tuệ nhân tạo

a) Khả năng Học Máy (Machine Learning): AI có khả năng tự học từ dữ liệu và

trải nghiệm, không cần phải được lập trình cụ thể cho mỗi tác vụ Học máy là một phần quan trọng của Trí Tuệ Nhân Tạo, giúp máy tính tự động cải thiện hiệu suất của mình theo thời gian.

b) Xử Lý Ngôn Ngữ Tự Nhiên (NLP): AI có khả năng hiểu và tương tác với

ngôn ngữ con người NLP cho phép máy tính hiểu, giải mã, và tạo ra ngôn ngữ tự nhiên, giúp tăng cường khả năng giao tiếp giữa con người và máy.

c) Quyết định Tương Tác (Decision Making): Trí Tuệ Nhân Tạo có khả năng

đưa ra quyết định dựa trên dữ liệu, mô phỏng quyết định như con người Điều này có thể thấy trong các hệ thống tự động đưa ra quyết định, từ lĩnh vực y tế đến tài chính.

d) Phân loại và Nhận Dạng: AI có khả năng phân loại và nhận dạng các đối

tượng, hình ảnh, âm thanh, v.v Một số ứng dụng bao gồm nhận diện khuôn mặt, phân loại văn bản, và nhận dạng giọng nói.

e) Tự Động Hóa: Trí Tuệ Nhân Tạo thường được sử dụng để tự động hóa các

nhiệm vụ và quy trình Điều này giúp tăng cường hiệu suất, giảm thiểu sai sót, và thúc đẩy sự linh hoạt trong sản xuất và dịch vụ.

f) Dữ Liệu Lớn (Big Data): AI phụ thuộc lớn vào việc xử lý và phân tích dữ liệu

lớn Khả năng xử lý dữ liệu khổng lồ giúp tạo ra mô hình chính xác và hiệu quả hơn.

g) Giao diện Người-Máy (Human-Machine Interface): AI thường liên quan đến

phát triển các giao diện người-máy tương tác, giúp tạo ra trải nghiệm người dùng thuận lợi và hiệu quả.

3

h) Thách Thức Ét-đối và Đạo Đức: Cùng với những tiến bộ tích cực, AI cũng

đặt ra những thách thức liên quan đến ét-đối, bảo mật, và đạo đức trong việc phát triển và triển khai.

B.Ý nghĩa và vai trò của AI trong cuộc sống hiện đại

a) Tăng Cường Hiệu Quả và Năng Suất:

AI giúp tối ưu hóa quy trình sản xuất và dịch vụ, giảm thiểu thời gian và tăng cường hiệu suất.

Trong doanh nghiệp, hệ thống AI có thể tự động hóa các nhiệm vụ lặp lại, giúp con người tập trung vào công việc sáng tạo và chiến lược hơn.

b) Giải Quyết Vấn Đề Phức Tạp:

AI có khả năng xử lý và phân tích dữ liệu phức tạp, giúp đưa ra giải pháp cho những vấn đề khó khăn và phức tạp.

Trong lĩnh vực y tế, AI có thể hỗ trợ chẩn đoán và tìm kiếm phương pháp điều trị hiệu quả.

c) Phát Triển Công Nghệ Mới:

AI đóng vai trò quan trọng trong việc đưa ra các đổi mới công nghệ, tạo ra những ứng dụng mới và mở rộng ranh giới của khả năng công nghệ.

Các ứng dụng mới như trí tuệ nhân tạo hình ảnh, thực tế ảo, và Internet of Things (IoT) đều liên quan chặt chẽ đến sự phát triển của AI.

d) Dịch Vụ Khách Hàng Tốt Hơn:

AI được sử dụng trong các hệ thống chatbot và giao diện tự động để cung cấp dịch vụ khách hàng 24/7, nâng cao trải nghiệm người dùng Trí tuệ nhân tạo cũng giúp cá nhân hóa trải nghiệm người dùng thông qua việc dự đoán và đáp ứng nhanh chóng các nhu cầu cá nhân.

e) Giao Thông An Toàn và Hiệu Quả:

AI chơi một vai trò quan trọng trong phát triển xe tự lái và hệ thống giao thông thông minh, giúp giảm tai nạn và làm cho giao thông trở nên hiệu quả hơn.

f) Nâng Cao Dự đoán và Dự báo:

AI sử dụng mô hình học máy để dự đoán xu hướng và thực hiện dự báo trong nhiều lĩnh vực như tài chính, thời tiết, và thị trường chứng khoán.

g) Bảo mật và An Toàn Thông Tin:

4

AI được sử dụng để phát hiện và ngăn chặn các mối đe dọa an ninh mạng, nâng cao mức độ an toàn của thông tin cá nhân và doanh nghiệp.

h) Thách Thức Đạo Đức và Xã Hội:

Với sức mạnh lớn của nó, AI đặt ra những thách thức về đạo đức, quản lý rủi ro, và ảnh hưởng xã hội, đòi hỏi sự quan tâm và giám sát cẩn thận.

II Lịch sử phát triển của Trí Tuệ Nhân Tạo

A.Ngày càng tăng cường qua các thập kỷ

a) Thập kỷ 1950-1960: Bước Đầu và Ý Tưởng Đầu Tiên

Những ý tưởng đầu tiên về máy tính thông minh xuất hiện với các nhà khoa học như Alan Turing.

Ý tưởng về máy tính có khả năng tự học và giải quyết vấn đề xuất hiện trong các nghiên cứu về Trí Tuệ Nhân Tạo.

b) Thập kỷ 1970-1980: Phát Triển Mô Hình Học Máy và Expert Systems

Xuất hiện các mô hình học máy sơ bộ và các hệ thống chuyên gia (expert systems) sử dụng quy tắc và kiến thức chuyên gia.

Phát triển mạnh mẽ trong lĩnh vực xử lý ngôn ngữ tự nhiên và thị giác máy tính.

c) Thập kỷ 1990-2000: Đổi Mới Trong Học Máy và Mạng Nơ-ron

Sự xuất hiện của mạng nơ-ron và tiến triển trong học máy dựa trên dữ liệu (data-driven machine learning).

Các ứng dụng đầu tiên của AI trong thị trường và tài chính.

d) Thập kỷ 2000-2010: Internet và Dữ Liệu Lớn

Sự bùng nổ của Internet mang lại lượng dữ liệu lớn, khuyến khích sự phát triển của học máy và Trí Tuệ Nhân Tạo.

Các công ty công nghệ lớn bắt đầu đầu tư mạnh mẽ vào nghiên cứu và phát triển AI.

e) Thập kỷ 2010-nay: Tiến Triển Nhanh Chóng và Ứng Dụng Rộng Rãi

Bùng nổ của Deep Learning và Neural Networks, đưa ra nhiều tiến bộ lớn trong học máy.

AI trở thành một phần không thể thiếu trong nhiều lĩnh vực như y tế, tài chính, giao thông, và dịch vụ công.

5

f) Sự Tăng Cường Của Dữ Liệu và Quy Mô Mô Hình:

Sự phát triển của Trí Tuệ Nhân Tạo liên quan mật thiết đến khả năng xử lý dữ liệu lớn và mô hình ngày càng phức tạp.

Tiến triển trong phần cứng, đặc biệt là GPU, đã hỗ trợ mạnh mẽ quá trình huấn luyện mô hình.

g) Ứng Dụng Thực Tế và Tiềm Năng:

AI không chỉ là một lĩnh vực nghiên cứu, mà còn là một công nghệ tiên tiến được triển khai rộng rãi trong nhiều lĩnh vực cuộc sống hàng ngày.

Sự kết hợp của AI với các công nghệ khác như IoT, Blockchain, và 5G mở ra nhiều cơ hội mới.

h) Thách Thức và Đối Mặt với Cơ Hội:

Những thách thức liên quan đến đạo đức, quản lý rủi ro, và ảnh hưởng xã hội trở nên ngày càng quan trọng khi sức mạnh của AI tăng lên.

B.Các giai đoạn quan trọng trong lịch sử phát triển

a) Đầu Những Năm 1950: Bước Đầu và Ý Tưởng Đầu Tiên:

1950: Alan Turing đưa ra bài báo về "Máy Turing" và đặt nền tảng cho ý

tưởng về máy tính thông minh.

1956: Hội nghị Dartmouth College - Nơi thuật ngữ "Trí Tuệ Nhân Tạo"

được đặt ra và nghiên cứu trong lĩnh vực này được khởi đầu.

b) Thập Kỷ 1960-1970: Sự Phát Triển Của Mô Hình Học Máy và Expert

1960-1970: Nghiên cứu chủ yếu tập trung vào mô hình học máy sử dụng

các giải thuật và quy tắc cụ thể.

1965: Joseph Weizenbaum phát triển chương trình ELIZA, một trong

những chương trình chatbot đầu tiên.

c) Thập Kỷ 1980-1990: Sự Tăng Cường của Expert Systems và Giới Hạn:

1980: Expert systems trở nên phổ biến, sử dụng kiến thức chuyên gia để

giải quyết vấn đề.

1987: Máy tính IBM Deep Thought đánh cờ với đương Kim vô địch thế

giới, Garry Kasparov, tạo ra sự quan tâm mạnh mẽ vào AI.

d) Thập Kỷ 1990-2000: Học Máy Dựa Trên Dữ Liệu và Internet:

6

1997: IBM Deep Blue chiến thắng Garry Kasparov trong một trận cờ vô

địch thế giới, đánh dấu một bước ngoặt trong lịch sử AI.

1990-2000: Phát triển mạnh mẽ về học máy dựa trên dữ liệu và sự gia

nhập của AI vào cuộc sống hàng ngày thông qua Internet.

e) Thập Kỷ 2000-2010: Mở Cửa Đối với Deep Learning và Big Data:

2006: Geoffrey Hinton giới thiệu mô hình Deep Belief Networks, đánh

dấu sự phát triển của Deep Learning.

2011: IBM Watson chiến thắng trong trò chơi Jeopardy!, thể hiện khả

năng của máy tính trong hiểu và xử lý ngôn ngữ tự nhiên.

f) Thập Kỷ 2010-nay: Cách Mạng Của Deep Learning và Ứng Dụng Rộng

2012: AlexNet, một mô hình CNN, giành chiến thắng trong cuộc thi

ImageNet, mở ra thời kỳ mới của Deep Learning.

2015: AlphaGo, một chương trình AI của Google, đánh bại nhà vô địch

thế giới cờ vua Go, Lee Sedol.

2018: GPT-3 (Generative Pre-trained Transformer 3) được phát triển bởi

OpenAI, một mô hình học máy ngôn ngữ tự nhiên lớn nhất và mạnh mẽ nhất cho đến nay.

g) Tương Lai: Xu Hướng Mới và Thách Thức:

Tiếp tục phát triển của AI: Hướng tới mô hình mạnh mẽ hơn, học sâu,

và tích hợp AI với các lĩnh vực khác như IoT, Blockchain, và Robotics.

Thách thức đạo đức và quản lý rủi ro: Cần đối mặt với các thách thức

đạo đức và xã hội, bao gồm quản lý rủi ro và bảo vệ quyền riêng tư.

III.Nguyên lý hoạt động của Trí Tuệ Nhân Tạo

A.Học máy (Machine Learning) và Deep Learning

a) Định Nghĩa:

Học Máy: Là một phân nhánh của trí tuệ nhân tạo mà máy tính được lập

trình để học từ dữ liệu mà nó đã xử lý mà không cần phải được lập trình cụ thể.

Deep Learning: Là một phương pháp học máy sử dụng các mô hình

nơ-ron sâu (deep neural networks) để hiểu và biểu diễn dữ liệu 7

b) Kiến Trúc Mô Hình:

Học Máy: Sử dụng nhiều phương pháp như Support Vector Machines,

Decision Trees, k-Means, và các thuật toán khác.

Deep Learning: Tập trung vào sử dụng các mô hình nơ-ron sâu như

Neural Networks với nhiều lớp (deep neural networks), Convolutional Neural Networks (CNNs), và Recurrent Neural Networks (RNNs).

c) Dữ Liệu Đầu Vào:

Học Máy: Có thể làm việc tốt với dữ liệu có kích thước nhỏ đến trung

Deep Learning: Thường yêu cầu lượng dữ liệu lớn để huấn luyện hiệu

quả và tránh overfitting.

d) Biểu Diễn Dữ Liệu:

Học Máy: Thường cần sự đặc trưng (feature engineering) để biểu diễn

dữ liệu một cách hiệu quả.

Deep Learning: Có khả năng học cả đặc trưng và biểu diễn dữ liệu tự

e) Hiệu Suất Trong Vấn Đề Cụ Thể:

Học Máy: Hiệu suất phụ thuộc nhiều vào việc chọn đặc trưng và thiết kế

mô hình.

Deep Learning: Thường có hiệu suất tốt hơn trong các vấn đề phức tạp

và có thể học các đặc trưng phức tạp mà không cần sự can thiệp của con người.

f) Quy Mô Dự Án:

Học Máy: Thường linh hoạt và thích hợp cho các dự án với quy mô nhỏ

đến trung bình.

Deep Learning: Thường được sử dụng trong các dự án có quy mô lớn,

đặc biệt là trong lĩnh vực thị giác máy tính và xử lý ngôn ngữ tự nhiên.

g) Thời Gian Huấn Luyện:

Học Máy: Có thể yêu cầu thời gian huấn luyện ngắn hơn so với deep

Deep Learning: Thường yêu cầu thời gian và tài nguyên tính toán lớn

hơn 8

h) Áp Dụng:

Học Máy: Thường được sử dụng trong nhiều lĩnh vực như phân loại

hình ảnh, dự báo tài chính, và xử lý ngôn ngữ tự nhiên.

Deep Learning: Thường được sử dụng trong các ứng dụng phức tạp như

thị giác máy tính, giọng nói, và xử lý ngôn ngữ tự nhiên.

B.Xử lý ngôn ngữ tự nhiên (NLP)

a) Định Nghĩa:

NLP là khả năng của máy tính hiểu, giải mã, và tạo ra ngôn ngữ tự nhiên sao cho nó có thể tương tác hiệu quả với con người.

b) Ứng Dụng Cụ Thể:

Chuyển Đổi Ngôn Ngữ: Dịch máy và chuyển đổi ngôn ngữ từ một ngôn

ngữ sang ngôn ngữ khác.

Phân Tích Ngôn Ngữ Tự Nhiên: Phân tích văn bản để hiểu ý nghĩa và

cấu trúc của câu.

Xử Lý Giọng Nói: Hiểu và chuyển đổi giọng nói thành văn bản và

ngược lại.

c) Cấu Trúc Cơ Bản:

Tokenization: Phân tách văn bản thành các đơn vị nhỏ hơn như từ, câu,

hoặc đoạn văn.

POS Tagging (Part-of-Speech Tagging): Gán nhãn cho từng từ trong

văn bản với loại từ (danh từ, động từ, tính từ, v.v.).

Named Entity Recognition (NER): Xác định và phân loại các thực thể

như tên riêng, địa danh, ngày tháng, v.v.

d) Phương Pháp Học Máy trong NLP:

Rule-based Systems: Sử dụng các quy tắc và logic để xử lý ngôn ngữ.Machine Learning: Sử dụng các mô hình học máy như Support Vector

Machines, Decision Trees, và Neural Networks.

Deep Learning: Sử dụng mô hình học máy sâu như Recurrent Neural

Networks (RNNs) và Transformer cho các nhiệm vụ NLP phức tạp.

e) Ứng Dụng Thực Tế:

Chatbots và Hệ Thống Hỗ Trợ Tư Vấn: Tạo ra các chương trình có

khả năng giao tiếp tự nhiên với người dùng 9

Dịch Máy: Dịch văn bản tự động giữa các ngôn ngữ khác nhau.Phân Tích Tâm Trạng và Ý Nghĩa: Hiểu tâm trạng và ý nghĩa của văn

bản hoặc câu nói.

f) Thách Thức và Vấn Đề:

Đa Nghĩa và Nghĩa Đa Chiều: Đối mặt với khả năng của từ có nhiều ý

nghĩa và câu có thể mang nhiều ngữ cảnh.

Hiểu Biểu Đồ Ngữ Pháp và Ngữ Ngữ: Thách thức khi giải quyết các

ngữ pháp phức tạp và cấu trúc ngôn ngữ phức tạp.

g) Tiến Triển Gần Đây:

BERT (Bidirectional Encoder Representations from Transformers):

Mô hình deep learning được huấn luyện trên lượng lớn dữ liệu để hiểu mối quan hệ ngữ cảnh.

GPT (Generative Pre-trained Transformer): Loạt mô hình học máy

ngôn ngữ tự nhiên lớn nhất, sử dụng kiến trúc Transformer.

h) Tương Lai Của NLP:

Tiếp tục Phát Triển Trí Tuệ Nhân Tạo Ngôn Ngữ Tự Nhiên (NLG):

Tăng cường khả năng tương tác và hiểu ngôn ngữ tự nhiên.

Ứng Dụng Rộng Rãi Trong Các Ngành Khác Nhau: Mở rộng sự ứng

dụng của NLP trong y tế, tài chính, giáo dục, và nhiều lĩnh vực khác.

C.Tầm quan trọng của dữ liệu trong quá trình học của AI

a) Huấn Luyện Mô Hình:

Dữ liệu là nguồn thông tin quan trọng để huấn luyện mô hình Mô hình học máy sẽ học từ các mẫu dữ liệu, điều này giúp máy tính hiểu các mối quan hệ, biểu đồ, và tính chất của dữ liệu.

b) Đào Tạo Mô Hình Hiệu Quả:

Chất lượng của dữ liệu trực tiếp ảnh hưởng đến hiệu suất của mô hình Dữ liệu phải đủ đRepresentative để mô hình có thể học được mọi khía cạnh của vấn đề và đưa ra dự đoán chính xác.

c) Dữ Liệu Đa Dạng:

Sự đa dạng trong dữ liệu là chìa khóa để mô hình có khả năng tổng quát hóa tốt hơn đối với dữ liệu mới Dữ liệu đa dạng giúp mô hình tránh được overfitting cho dữ liệu huấn luyện cụ thể.

10

d) Tiền Xử Lý Dữ Liệu:

Quá trình tiền xử lý dữ liệu, bao gồm việc làm sạch, chuẩn hóa, và rút trích đặc trưng, đóng vai trò quan trọng trong việc tạo ra dữ liệu có chất lượng cao để đào tạo mô hình.

e) Học Máy Giám Sát:

Trong học máy giám sát, dữ liệu phải được gán nhãn chính xác để máy tính có thể học từ các ví dụ và tạo ra mô hình dự đoán.

f) Học Máy Không Giám Sát:

Trong học máy không giám sát, dữ liệu chưa được gán nhãn được sử dụng để phát hiện cấu trúc ẩn và mối quan hệ trong dữ liệu một cách tự nhiên.

g) Đào Tạo Mô Hình Tăng Cường:

Dữ liệu cũng là yếu tố quan trọng trong việc đào tạo mô hình tăng cường (reinforcement learning), nơi mô hình học thông qua thử nghiệm và tương tác với môi trường.

h) Thách Thức Liên Quan Đến Dữ Liệu:

Hiệu suất của mô hình phụ thuộc nhiều vào chất lượng dữ liệu Nếu dữ liệu không chính xác, thiếu đại diện, hoặc có độ chệch, mô hình có thể học những điều không mong muốn và không thể tổng quát hóa tốt trên dữ liệu mới.

i) Quản Lý Dữ Liệu Lớn:

Trong một số ứng dụng, như Deep Learning, quản lý và xử lý dữ liệu lớn là một thách thức Sự hiểu biết vững về cách làm việc với dữ liệu lớn trở thành quan trọng.

IV.Ứng dụng của Trí Tuệ Nhân Tạo trong thực tế

A.Trong lĩnh vực y tế

a) Chẩn Đoán và Dự Đoán Bệnh:

Dữ liệu y tế, bao gồm hồ sơ bệnh nhân, hình ảnh y khoa, và kết quả xét nghiệm, được sử dụng để đào tạo mô hình AI để chẩn đoán và dự đoán bệnh Điều này giúp tăng cường khả năng đưa ra quyết định của bác sĩ và giảm thiểu sai sót.

11