AI là gì? Hiểu bản chất và nhận diện AI trong đời sống

Hai email cùng có chữ “khuyến mãi”: một thư vào hộp thư đến, thư kia bị đánh dấu là thư rác. Nếu bộ lọc chỉ tìm từ khóa, vì sao kết quả lại khác nhau?

Trong tình huống giả định này, bộ lọc dùng AI có thể đánh giá nhiều dấu hiệu cùng lúc. Chính cách đi từ thông tin đến kết quả giúp chúng ta hiểu AI rõ hơn việc chỉ ghi nhớ tên công nghệ.

Sau bài này, bạn sẽ biết cách nhìn vào đầu vào và đầu ra của AI, phân biệt AI với tự động hóa, và hiểu vì sao học máy, học sâu, AI tạo sinh có liên quan nhưng không cùng một nghĩa.

1. AI đi từ thông tin đến kết quả như thế nào?

AI là viết tắt của Artificial Intelligence, nghĩa là trí tuệ nhân tạo. Lĩnh vực này phát triển các hệ thống có thể dùng thông tin đầu vào để suy ra kết quả như dự đoán, nội dung, gợi ý hoặc quyết định, theo một mục tiêu.

“Suy ra” ở đây là dùng những gì đã học từ dữ liệu, hoặc tri thức và quy tắc được cung cấp, để tạo kết quả. Nó không có nghĩa máy suy nghĩ hay có trải nghiệm giống con người.

Cách giải thích này dựa trên định nghĩa hệ thống AI được OECD cập nhật năm 2023 và tài liệu giải thích năm 2024.

Trở lại hai email: thư thứ nhất là bản tin bạn đăng ký từ cửa hàng quen; thư thứ hai đến từ người gửi lạ, có quảng cáo không mong muốn và liên kết đáng ngờ. Một bộ lọc học máy có thể dùng nhiều dấu hiệu đã học để phân loại chúng, thay vì chỉ nhìn chữ “khuyến mãi”.

Nhãn “thư rác” là kết quả đánh giá. Việc chuyển thư vào một thư mục là hành động của ứng dụng dựa trên kết quả ấy. Bộ lọc có thể đánh giá nhầm, nên có nhãn chưa đồng nghĩa đã xác nhận đúng.

Dẫn chứng thực tế: trong bài công bố năm 2019, Google giải thích rằng Gmail kết hợp nhiều tín hiệu khi lọc thư. Một vài dấu hiệu giống thư rác chưa đủ để kết luận; bản tin đăng ký cũng có thể quan trọng với người này nhưng không hữu ích với người khác.

Thử giải thích 1: Vì sao hai email cùng có chữ “khuyến mãi” vẫn có thể được phân loại khác nhau? Trả lời bằng lời của bạn trước khi đọc phần đối chiếu cuối bài.

2. AI làm được gì ngoài trò chuyện?

Bộ lọc thư rác không cần một cửa sổ chat để hoạt động. Chatbot là một cách tương tác; AI còn có thể làm việc phía sau ứng dụng.

Nhìn vào kết quả giúp bạn phân biệt nhiệm vụ. Các tình huống dưới đây giả định tính năng thực sự dùng AI.

Những nhiệm vụ này có thể phối hợp: một ứng dụng nhận diện sản phẩm trong ảnh rồi viết mô tả. Bước đầu xác định thứ đã có trong ảnh; bước sau tạo nội dung.

Tuy vậy, nhìn thấy cửa sổ chat hay danh sách gợi ý chưa đủ để biết có AI. Một tính năng cũng có thể chỉ hiển thị câu trả lời hoặc danh sách được chọn sẵn. Cần biết cách hệ thống tạo kết quả.

3. Tự động làm việc có đồng nghĩa với AI?

Tự động hóa là để phần mềm hoặc máy móc thực hiện công việc theo quy trình đã thiết lập. AI có thể tham gia quy trình ấy, nhưng một công việc tự chạy không nhất thiết cần AI.

Hai công đoạn có thể nằm trong cùng một ứng dụng. Nếu bỏ phần AI, bộ hẹn giờ vẫn có thể gửi tệp; nó không tự biết báo cáo có vấn đề gì đáng chú ý.

Điểm dễ nhầm: “Có quy tắc viết sẵn” không phải tiêu chí để loại một hệ thống khỏi AI. Một số AI dùng tri thức chuyên môn và quy tắc để suy luận.

Ví dụ giả định: một hệ chuyên gia nhận dấu hiệu máy nóng và rung bất thường. Nó kết hợp kiến thức về bộ phận máy với quy tắc suy luận để đề xuất nguyên nhân cần kiểm tra. Hệ thống như vậy có thể là AI dù không học từ dữ liệu.

OECD.AI giải thích cả hướng học máy và hướng dựa trên tri thức. Vì vậy, cần xem cách tạo kết quả, thay vì phân loại chỉ bằng việc “tự chạy” hay “có luật”.

Thử giải thích 2: Một hệ thống dùng quy tắc để suy luận nguyên nhân hỏng máy có thể là AI không? Vì sao không thể phân biệt AI chỉ bằng việc có quy tắc?

4. Học máy, học sâu và AI tạo sinh khác nhau ở đâu?

Các tên này trả lời hai câu hỏi khác nhau: hệ thống được xây dựng bằng phương pháp nào, và nó tạo ra loại kết quả gì. Tách hai câu hỏi này sẽ giúp bạn đọc mô tả công nghệ mà không lẫn các nhãn.

Học máy (Machine Learning, ML): Dùng dữ liệu để học những dấu hiệu và mối liên hệ hữu ích cho một nhiệm vụ. Kết quả học được nằm trong mô hình, một thành phần tính toán dùng để xử lý đầu vào.

Dùng nhiều email đã phân loại để xây dựng bộ lọc là huấn luyện. Dùng bộ lọc đã có để đánh giá email vừa đến là sử dụng mô hình. Mục tiêu là xử lý được trường hợp chưa gặp; làm đúng các email đã học chưa đủ để biết nó hoạt động tốt với email mới.

Học sâu (Deep Learning, DL): Một nhóm phương pháp học máy dùng mạng nơron nhiều lớp. Đây là cấu trúc tính toán học qua nhiều lớp xử lý; tên “nơron” không có nghĩa nó là bản sao đầy đủ của bộ não.

Quan hệ cần nhớ: học máy là một hướng trong AI, học sâu nằm trong học máy. AI còn có hướng dựa trên tri thức; học máy cũng có phương pháp khác ngoài học sâu.

Tài liệu nhập môn của IBM giải thích quan hệ giữa AI, học máy và học sâu.

AI tạo sinh: Chỉ khả năng tạo nội dung như văn bản, ảnh, âm thanh, video hoặc mã. Nhiều hệ thống tạo sinh hiện nay dùng học sâu, nhưng học sâu còn phục vụ những nhiệm vụ khác.

Một bộ lọc thư rác có thể dùng học sâu nhưng chỉ phân loại email, không tạo nội dung. Ngược lại, công cụ tạo ảnh có thể vừa dùng học sâu về phương pháp, vừa là AI tạo sinh về khả năng.

Tạo nội dung mới không bảo đảm nội dung đúng, độc nhất hoặc có ý thức đứng sau. Con người vẫn cần chọn dữ liệu, đặt mục tiêu và kiểm tra kết quả phù hợp với công việc.

Thử giải thích 3: Vì sao biết một mô hình dùng học sâu vẫn chưa đủ để kết luận nó là AI tạo sinh?

5. Tự giải thích lại để nhớ đúng

Hãy thử trả lời ba câu hỏi trên mà không nhìn lại. Sau đó đối chiếu với các ý chính dưới đây.

1. Cùng một từ, chưa chắc cùng kết quả. Bộ lọc có thể kết hợp người gửi, nội dung, liên kết và các dấu hiệu khác. Học máy dùng những mối liên hệ đã học để đánh giá email mới; một từ khóa riêng lẻ không quyết định toàn bộ kết quả.

2. Có quy tắc vẫn có thể là AI. Hệ chuyên gia có thể suy luận bằng tri thức và quy tắc. Muốn phân biệt, hãy xem hệ thống tạo đánh giá ra sao; việc tự gửi một tệp theo lịch chỉ mô tả công đoạn tự động hóa.

3. Phương pháp khác với khả năng. Học máy và học sâu mô tả cách xây dựng mô hình. AI tạo sinh mô tả khả năng tạo nội dung. Dùng học sâu để phân loại thư không tự biến bộ lọc thành AI tạo sinh.

Khi gặp một tính năng được gọi là AI, hãy hỏi: nó nhận thông tin gì, theo mục tiêu nào, tạo kết quả bằng cách nào và kết quả có thể sai ở đâu? Những câu hỏi này hữu ích hơn việc chỉ nhìn tên quảng cáo.

AI đã đi từ hệ thống dùng tri thức đến học dữ liệu và tạo nội dung như thế nào? Bài tiếp theo sẽ giúp bạn hiểu những bước ngoặt ấy.

Đọc tiếp: Lịch sử phát triển AI