AI(Trí Tuệ Nhân Tạo)

Trong phần này, chúng tôi sẽ định nghĩa thuật ngữ trí tuệ nhân tạo (AI) một cách không
chính thức và cho một lược sử ngắn về nó. Chúng tôi cũng định nghĩa một đại lý thông
minh và hai loại rộng của nó. Cuối cùng, chúng tôi đề cập đến hai ngôn ngữ lập trình
thường được sử dụng trong trí tuệ nhân tạo.

A.Giới thiệu chung

1, Trí tuệ nhân tạo là gì?
Mặc dù không có định nghĩa trí tuệ nhân tạo nào được chấp nhận phổ biến, chúng tôi chấp
nhận định nghĩa sau đây phù hợp với các chủ đề được đề cập trong chương này: Trí tuệ nhân tạo là
nghiên cứu về các hệ thống được lập trình có thể mô phỏng, đến một mức độ nào đó, các hoạt động
của con người như nhận thức, suy nghĩ, học tập và hành động.

2, Lược sử ngắn về trí tuệ nhân tạo

Mặc dù trí tuệ nhân tạo như một lĩnh vực nghiên cứu độc lập là tương đối mới, nhưng nó có
một số nguồn gốc từ quá khứ. Chúng ta có thể nói rằng nó bắt đầu cách đây 2.400 năm khi nhà triết
học Hy Lạp Aristotle phát minh ra khái niệm về luận lý. Nỗ lực hoàn thiện ngôn ngữ luận lý tiếp tục với
Leibniz và Newton. George Boole đã phát triển đại số Boolean vào thế kỷ 19 (Phụ lục E) và đặt nền
tảng cho mạch máy tính. Tuy nhiên, ý tưởng chính về một máy tính có khả năng suy nghĩ đến từ Alan
Turing, người đề xuất Kiểm tra Turing. Thuật ngữ "trí tuệ nhân tạo" được John McCarthy đặt lần đầu
tiên vào năm 1956.

Năm 1950, Alan Turing đề xuất Turing Test, cung cấp một định nghĩa về trí thông minh trong
máy tính. Turing Test đơn giản là so sánh hành vi thông minh của một con người với hành vi của một
máy tính. Một người chất vấn đặt một bộ câu hỏi được gửi cho cả một máy tính và một con người.
Người chất vấn nhận được hai bộ câu trả lời, nhưng không biết bộ câu trả lời nào đến từ con người
và bộ câu trả lời nào đến từ máy tính. Sau khi cẩn trọng xem xét hai bộ câu trả lời, nếu người chất vấn
không thể chắc chắn nào là bộ câu trả lời đến từ máy tính và nào là bộ câu trả lời đến từ con người,
máy tính đã vượt qua Kiểm tra Turing cho hành vi thông minh.

3,Đại lí thông minh của trí tuệ nhân tạo(Intelligent agents)

Một đại lý thông minh là một hệ thống có khả năng nhận thức môi trường của nó, học từ nó
và tương tác thông minh với nó. Các đại lý thông minh có thể được chia thành hai loại rộng: đại lý
phần mềm(software agents) và đại lý vật lý(Physical agents):

a, Đại lý phần mềm(software agents)

Một đại lý phần mềm là một bộ chương trình được thiết kế để thực hiện các nhiệm vụ cụ thể.
Ví dụ, một đại lý phần mềm có thể kiểm tra nội dung của các email đã nhận và phân loại chúng thành
các danh mục khác nhau (rác, không quan trọng, quan trọng, rất quan trọng, v.v.). Một ví dụ khác về
đại lý phần mềm là công cụ tìm kiếm được sử dụng để tìm kiếm trên World Wide Web và tìm kiếm các
trang web có thể cung cấp thông tin về chủ đề được yêu cầu.

b, Đại lý vật lí(Physical agents)

Một đại lý vật lý (robot) là một hệ thống có thể được lập trình để thực hiện nhiều nhiệm vụ
khác nhau. Các robot đơn giản có thể được sử dụng trong sản xuất để thực hiện các công việc đơn
giản như lắp ráp, hàn hoặc sơn. Một số tổ chức sử dụng robot di động để thực hiện các công việc giao
hàng đơn giản như phân phát thư hoặc thông tin đến các phòng khác nhau. Robot di động được sử
dụng dưới nước để tìm kiếm dầu mỏ. Một robot người giống như con người là một robot di động tự
động được thiết kế để hành xử giống như con người.

4, Ngôn ngữ lập trình

Mặc dù một số ngôn ngữ đa dụng như C, C++ và Java được sử dụng để tạo phần mềm trí tuệ
nhân tạo, tuy nhiên có hai ngôn ngữ được thiết kế đặc biệt cho AI là LISP và PROLOG.

a, LISP(List programming)
LISP (LISt Programming) được phát minh bởi John McCarthy vào năm 1958. Như tên gọi của
nó, LISP là một ngôn ngữ lập trình dùng để thao tác các danh sách.

b, PROLOG(Programming in Logic)
PROLOG (PROgramming in LOGic) là một ngôn ngữ lập trình có thể xây dựng cơ sở dữ liệu các
sự kiện và cơ sở tri thức các quy tắc. Một chương trình trong PROLOG có thể sử dụng lý luận logic để
trả lời các câu hỏi có thể được suy ra từ cơ sở tri thức.

B. Biểu diễn kiến thức trong đại lý thông minh

Đại lý thông minh là các hệ thống có thể nhận thức môi trường xung quanh và
thực hiện hành động để đạt được các mục ti êu cụ thể.

Kiến thức được biểu diễn trong đại lý thông minh qua các hình thức khác nhau,
chẳng hạn như semanti c networks, frames, predicate logic và based system.

18.2.1->18.2.4(powerpoint)

C.Hệ thống chuyên gia(System Expert)

Hệ thống chuyên gia là các hệ thống trí tuệ nhân tạo mô phỏng khả năng ra quyết định của
một chuyên gia nhân loại trong một lĩnh vực cụ thể.
 Chúng sử dụng các kỹ thuật biểu diễn tri thức để lưu trữ và suy luận về tri thức và có thể cung
cấp các khuyến nghị và lời khuyên dựa trên tri thức đó.

1,Trích xuất kiến thức(Extracting knowledge)

Một hệ thống chuyên gia được xây dựng trên các kiến thức được xác định trước về lĩnh vực
chuyên môn của nó. Ví dụ, một hệ thống chuyên gia trong lĩnh vực y học được xây dựng trên kiến
thức của một bác sĩ chuyên về lĩnh vực mà hệ thống được xây dựng cho: hệ thống chuyên gia được
giả định là làm cùng một công việc như chuyên gia con người. Bước đầu tiên trong xây dựng một hệ
thống chuyên gia là rút trích kiến thức từ một chuyên gia con người. Kiến thức được rút ra này trở
thành cơ sở kiến thức mà chúng ta đã thảo luận trong phần trước.

2,Trích xuất các sự kiện (Extracting fact)

Để có thể suy ra các sự kiện mới hoặc thực hiện các hành động, cần có cơ sở dữ liệu sự kiện
bổ sung cho cơ sở tri thức của một ngôn ngữ biểu diễn tri thức. Cơ sở dữ liệu sự kiện trong một hệ
thống chuyên gia là dựa trên trường hợp, trong đó các sự kiện được thu thập hoặc đo lường được
nhập vào hệ thống để được sử dụng bởi máy suy luận.

3, Kiến trúc(Architecture)
Bộ suy luận (inference engine) là trái tim của một hệ thống chuyên gia: nó tương tác với cơ sở
kiến thức, cơ sở dữ liệu sự kiện và giao diện người dùng. Bốn trong số bảy thành phần của một hệ
thống chuyên gia - giao diện người dùng, hệ thống suy luận, hệ thống giải thích và trình biên tập cơ sở
kiến thức - có thể được tạo một lần và sử dụng cho nhiều ứng dụng, vì chúng không phụ thuộc vào cơ
sở kiến thức hoặc cơ sở dữ liệu sự kiện cụ thể. Hình minh họa các thành phần này được đặt trong hộp
được tô màu xám, thường được gọi là lõi của hệ thống chuyên gia.

Ví dụ tham khảo slide 39, 40

D.(Searching)Kỹ thuật tìm kiếm

Một trong các kỹ thuật giải quyết vấn đề trong trí tuệ nhân tạo là tì m kiếm, được
đề cập tóm tắt trong phần này. Tìm kiếm có thể được miêu tả là giải quyết một vấn đề
bằng cách sử dụng một tập hợp các trạng thái (một tì nh huống). Một quy trình tì m kiếm
bắt đầu từ một trạng thái ban đầu, đi qua các trạng thái trung gian cho đến khi đạt được
trạng thái mục ti êu. Ví dụ, trong việc giải một câu đố, trạng thái ban đầu là câu đố chưa
được giải, các trạng thái trung gian là các bước để giải câu đố, và trạng thái mục ti êu là
tì nh huống mà câu đố được giải. Tập hợp tất cả các trạng thái được sử dụng bởi quá trình
tì m kiếm được gọi là không gian tì m kiếm.

Một ví dụ đơn giản về không gian tìm kiếm là tìm kiếm một từ cụ thể trong một cuốn sách. Không gian
tìm kiếm là toàn bộ cuốn sách, và mục tiêu là tìm thấy từ đó trong không gian đó.
Expert systems và Mundane systems có thể sử dụng các kỹ thuật tìm kiếm khác nhau để giải quyết các
vấn đề dựa trên nhu cầu và khả năng cụ thể của chúng.

Expert systems được thiết kế để giải quyết các vấn đề phức tạp trong một lĩnh vực cụ thể bằng cách
sử dụng các quy luật và kỹ thuật tìm kiếm heuristics để tìm ra các giải pháp tối ưu.

Ví dụ, một Expert systems để chẩn đoán các bệnh lý y khoa có thể sử dụng một kết hợp của các quy
luật và kỹ thuật tìm kiếm heuristics để xác định chẩn đoán có khả năng cao nhất dựa trên các triệu
chứng và tiền sử bệnh của bệnh nhân.

Ngược lại, các Mundane systems được thiết kế để tự động hóa các nhiệm vụ thường xuyên và hoạt
động trong môi trường dự đoán hơn. Chúng thường sử dụng các kỹ thuật tìm kiếm đơn giản hơn,
chẳng hạn như tìm kiếm tuyến tính và tìm kiếm nhị phân để thực hiện các nhiệm vụ của chúng một
cách hiệu quả.

Ví dụ, một hệ thống để tìm kiếm một cơ sở dữ liệu các bản ghi khách hàng có thể sử dụng một kỹ
thuật tìm kiếm tuyến tính để tìm kiếm thông tin cần thiết một cách tuần tự hoặc có thể sử dụng kỹ
thuật tìm kiếm nhị phân nếu dữ liệu đã được sắp xếp.

Tổng thể, sự lựa chọn của kỹ thuật tìm kiếm phụ thuộc vào độ phức tạp của vấn đề được giải quyết,
khả năng của hệ thống và tài nguyên có sẵn để tính toán.

E.(Neural network)Mạng Nơ-ron nhân tạo

Nếu một đại lý thông minh được giả định phải hành xử như một con người, nó có
thể cần phải học. Học tập là một hiện tượng sinh học phức tạp mà ngay cả đối với con
người cũng chưa được hoàn toàn hiểu rõ. Cho phép một đại lý trí tuệ nhân tạo học tập
chắc chắn không phải là một công việc dễ dàng. Tuy nhiên, một số phương pháp đã được
sử dụng trong quá khứ tạo hy vọng cho tương lai. Hầu hết các phương pháp sử dụng học
thuật hoặc học bằng ví dụ. Điều này có nghĩa là một tập lớn các vấn đề và giải pháp của
chúng được cung cấp cho máy tí nh để học. Trong phần này chúng tôi sẽ nói về 1 trong các
loại của mạng nơ ron nhân tạo đó là mạng thần kinh giả lập(perceptron).
Một perceptron là một tế bào thần kinh nhân tạo tương tự như một tế bào thần kinh sinh học đơn lẻ.
Nó nhận vào một tập các đầu vào được trọng số hóa, tổng các đầu vào và so sánh kết quả với một giá
trị ngưỡng. Nếu kết quả lớn hơn giá trị ngưỡng, perceptron phát ra tín hiệu, ngược lại nếu không, nó
không phát ra tín hiệu. Khi một perceptron phát ra tín hiệu, đầu ra là 1; khi nó không phát ra tín hiệu,
đầu ra là 0.

Nếu một bông hoa hồng mới được đưa vào với đặc trưng màu đỏ có giá trị 0,5, đặc trưng màu xanh lá
cây có giá trị 0,2 và đặc trưng màu vàng có giá trị 0,8, perceptron sẽ tính tổng trọng số của các đặc
trưng như sau: 0,5 * w1 + 0,2 * w2 + 0,8 * w3. Nếu kết quả là lớn hơn giá trị ngưỡng đã được cài đặt
trước đó, ví dụ 0,7, perceptron sẽ phát ra tín hiệu và cho rằng bông hoa là một loại hoa hồng. Nếu kết
quả là nhỏ hơn giá trị ngưỡng, perceptron sẽ không phát ra tín hiệu và cho rằng bông hoa không phải
là một loại hoa hồng.

(Ví dụ, giả sử trọng số của các đặc trưng là w1 = 0.8 cho đặc trưng màu sắc, w2 = 0.5 cho
đặc trưng kích thước và w3 = 0.3 cho đặc trưng hương thơm. Khi chúng ta đưa vào một
bông hoa hồng mới với màu sắc đỏ, kích thước là 10cm và không có hương thơm,
perceptron sẽ tính tổng trọng số như sau: 0.8 * 1 + 0.5 * 10 + 0.3 * 0 = 8.3.

Nếu giá trị ngưỡng được đặt là 7, và tổng trọng số lớn hơn giá trị ngưỡng, perceptron sẽ cho rằng hoa
hồng là một loại hoa được huấn luyện để phân loại. Tuy nhiên, nếu tổng trọng số nhỏ hơn giá trị
ngưỡng, perceptron sẽ không phát ra tín hiệu và cho rằng bông hoa không phải 1 loại hoa hồng)