NỘI DUNG ÔN THI GIỮA KÌ I MÔN TRÍ TUỆ NHÂN TẠO

1. AI (Trí tuệ nhân tạo): Khái niệm, lịch sử hình thành, lĩnh vực liên quan, phân biệt được sự
khác nhau giữa lập trình hệ thống và lập trình trí tuệ nhân tạo (giải thích được), ứng dụng
trong thực tế.
a) Khái niệm
AI là viết tắt của Artificial Intelligence hay còn được định nghĩa là Trí tuệ nhân tạo,
được hiểu là trí thông minh thể hiện bằng máy móc, trái ngược với trí thông minh tự
nhiên được con người thể hiện, đó là thuật ngữ được sử dụng để mô tả các máy móc
bắt chước các chức năng nhận thức và suy nghĩ của con người.
b) Lịch sử hình thành
Trí tuệ nhân tạo đã hình thành khái niệm từ những năm 1950, Trí tuệ nhân tạo có
nghĩa là bộ môn khoa học và kĩ thuật chế tạo máy thông minh, với mục đích là máy
móc có thể làm được những việc mà con người có thể làm.
Alan Turing (1912–1954) là một nhà toán học, logic học và mật mã học người Anh,
người được cho là cha đẻ của ngành khoa học máy tính và trí tuệ nhân tạo, tác giả của
Máy Turing và phép thử Turing, những cống hiến quan trọng trong ngành Trí tuệ nhân
tạo.
Phép thử Turing dùng để xác định trí thông minh của máy. Theo Phép thử Turing, một
máy tính có thể được coi là thông minh nếu máy tính (A) và một người (B) cùng giao
tiếp bằng ngôn ngữ tự nhiên với một người khác (C), mà người này (C) không thể
phân biệt được đâu là máy (A hay B).
Vào năm 1955, John McCarthy, một nhà khoa học máy tính và khoa học nhận thức
của Mỹ đã lần đầu tiên đưa ra khái niệm Trí tuệ nhân tạo, mà theo đó có nghĩa là bộ
môn khoa học và kĩ thuật chế tạo máy thông minh.
Năm 1956, ông đứng ra tổ chức Hội nghị Dartmouth, hội nghị đầu tiên về chủ đề
này. Các chuyên gia đến từ nhiều trường đại học và công ty khác nhau đã tham gia hội
nghị. Từ đó, khái niệm “Trí tuệ nhân tạo” được sử dụng rộng rãi.
Trong vài năm sau đó, những nghiên cứu về trí tuệ nhân tạo đạt được nhiều thành công
vượt bậc khiến cho các chuyên gia đều vô cùng lạc quan về sự phát triển trong tương
lai của công nghệ này.
Tuy nhiên, vài năm sau đó, tiến bộ trong lĩnh vực Ties tuệ nhân tạo chậm lại.
“Mùa đông AI” đầu tiên vào những thập niên 1970.
Với những thành công trước đó tạo nên kỳ vọng quá lớn vào trí tuệ nhân tạo.
Tuy nhiên, thời điểm bấy giờ, các nhà nghiên cứu trong thời kì này đã thất bại trong
việc xử lý những vấn đề phức tạp hơn của Trí tuệ nhân tạo.
Máy móc trong giai đoạn này là một rào cản lớn với sự phát triển của trí tuệ nhân tạo,
khi mà khả năng tính toán của máy móc không đủ lớn để tính toán lượng dữ liệu mà
thời đó được cho là lớn và phức tạp, phục vụ mục đích nghiên cứu trí tuệ nhân tạo. Cơ
sở vật chất và cơ sở hạ tầng không được đáp ứng.
Ngoài ra, thời đó vẫn chưa đáp ứng được nhu cầu máy móc, mạng lưới Internet, và
chưa phổ biến rộng rãi trên thị trường và trong đời sống, mà để phát triển Trí tuệ nhân
tạo cần một vốn đầu tư rất lớn, tuy nhiên Trí tuệ nhân tạo vẫn chưa đáp ứng được kì
vọng lớn của xã hội vì con người vẫn chưa khai phá được hết nguồn lực, khả năng
của Trí tuệ nhân tạo, dẫn đến việc đầu tư vào Trí tuệ nhân tạo giảm dần.
Vào những năm 80s, một loại Trí tuệ nhân tạo được gọi là “Hệ thống chuyên
gia" được sử dụng bởi các tập đoàn lớn trên thế giới ra đời.
“Hệ thống chuyên gia" là các chương trình có thể trả lời các câu hỏi cụ thể trong một
số lĩnh vực nhất định, như một chuyên gia trong lĩnh vực đó. Các hệ thống này sử
dụng các quy tắc nhất định để truy xuất câu trả lời từ dữ liệu của mình.
Các hệ thống này giới hạn khả năng của mình trong một lĩnh vực nhỏ, và cấu trúc đơn
giản của nó cho phép dễ dàng xây dựng và điều chỉnh một hệ thống khiến cho trí tuệ
nhân tạo trở nên hữu ích.
Sau thời kì phát triển của “hệ thống chuyên gia", dấu hiệu đầu tiên của “Mùa đông AI”
thứ hai là sự sụp đổ của thị trường phần cứng cho trí tuệ nhân tạo vào năm 1987. Khi
mà máy tính của Apple và IBM dần trở nên mạnh mẽ hơn so với những loại máy tính
được thiết kế cho trí tuệ nhân tạo, các nhà đầu tư trong giai đoạn này dần tỏ ra không
 còn hứng thú với trí tuệ nhân tạo và chuyển sang đầu tư cho những lĩnh vực công nghệ
mang lại kết quả ngay lập tức.
Dù khái niệm về Trí tuệ nhân tạo có từ rất sớm nhưng mãi đến những thập niên gần
đây nó mới được nhắc đến và phổ biến rộng rài và trở thành thành phần của Công
Nghiệp 4.0.
Mãi cho đến hiện nay, sự xuất hiện của Dữ Liệu Lớn, Công Nghệ Số, Kĩ Thuật Số, …
đã làm thay đổi và là bước tiến cho Trí tuệ nhân tạo. Con người không thể xử lí một
nguồn dữ liệu lớn một cách thủ công mà vẫn đảm bảo sự nhanh chóng và hiệu quả, vì
vậy con người bắt đầu nghiên cứu vận dụng trí tuệ của con người vào trong máy móc
để chúng xử lí bằng cách cho chúng học hết mọi tình huống, trường hợp và với mỗi
trường hợp như thế thì sẽ giải quyết bằng những phương thức cụ thể. Trí tuệ nhân tạo
đã có sự phát triển mạnh mẽ và được ứng dụng ngày càng phổ biến trong đời sống xã
hội.
c) Lĩnh vực liên quan
AI đã được áp dụng trong nhiều lĩnh vực.
 AI trong chăm sóc sức khỏe (Y Tế)
 AI trong kinh doanh
 AI trong giáo dục
 AI trong tài chính
 AI trong pháp luật
 AI trong sản xuất
 AI trong ngân hàng
d) Sự khác nhau giữa lập trình hệ thống và lập trình trí tuệ nhân tạo

Lập trình hệ thống Lập trình trí tuệ nhân tạo

Là công việc viết những phần mềm phục Là mô phỏng các quá trình trí tuệ của
vụ cho hệ thống máy tính. con người bằng máy móc, đặc biệt là các
Dữ liệu + Thuật toán = Chương trình hệ thống máy tính.
 Tri thức + Điều khiển = Chương trình

Xử lý dữ liệu Xử lý dữ liệu định tính (Các ký hiệu

tượng trưng)

Dữ liệu trong bộ nhớ được đánh địa chỉ Xử lý dựa trên tri thức cho phép dùng
số các thuật toán giải heuristic, các cơ chế
suy diễn

Xử lý theo các thuật toán Tri thức được cấu trúc hoa, để trong bộ
nhớ làm việc theo ký hiệu

Định hướng xử lý các đại lượng định Định hướng xử lý các đại lượng định
lượng số tính (logic), các ký hiệu tượng trưng và
danh sách

Xử lý tuần tự theo mẻ Xử lý theo chế độ tương tác (hội thoại

ngôn ngữ tự nhiên)

Không giải thích trong quá trình thực Có giải thích hành vi của hệ thống trong
hiện quá trình thực hiện

Kết quả chính xá, không được mắc lỗi Kết quả tốt, cho phép mắc lỗi

e) Ứng dụng thực tế.

AI có nhiều ứng dụng trong cuộc sống hằng ngày của con người, chẳng hạn như:
Tivi, Điện thoại, các thiết bị âm thanh, thiết bị nhà bếp, …
Trí tuệ nhân tạo được áp dụng rất nhiều trong đời sống con người, trong rất nhiều lĩnh
vực khác nhau.
 Ví dụ trong lĩnh vực y tế, chăm sóc sức khỏe.
Công nghệ đã hoàn toàn thay đổi bộ mặt của ngành y tế. Những ứng dụng của AI
trong lĩnh vực y học đã giúp con người tiết kiệm thời gian, dễ dàng theo dõi và chăm
sóc sức khỏe bản thân. AI được sử dụng như một trợ lý chăm sóc sức khỏe cá nhân.
Chẳng hạn như bệnh nhân có thể dùng các app trên điện thoại để chụp hình lại tình
trạng vết thương, hay hiện trạng hiện lên bên ngoài cơ thể và điển các thông tin cụ thể
về các phản ứng từ cơ thể như ho, sốt, đau đầu, … và gửi lên một hệ thống Trí tuệ
nhân tạo về chăm sóc sức khỏe. Chỉ trong một thời gian ngắn thì kết quả chuẩn bệnh
cũng như cách điều trị sẽ được gửi trả về qua app điện thoại của bệnh nhân.

2. Machine learning (Học máy): Khái niệm, mối quan hệ giữa học máy và trí tuệ nhân tạo, ứng
dụng.
a) Khái niệm
Machine learning (Học máy): là một lĩnh vực của trí tuệ nhân tạo liên quan đến việc
nghiên cứu và xây dựng các kĩ thuật cho phép các hệ thống "học" tự động từ dữ liệu
để giải quyết những vấn đề cụ thể. Là các kỹ thuật giúp cho máy tính có thể tự học mà
không cần phải cài đặt các luật quyết định.
Ví dụ như các máy có thể "học" cách phân loại thư điện tử xem có phải thư rác
(spam) hay không và tự động xếp thư vào thư mục tương ứng.

b) Mối quan hệ giữa học máy và trí tuệ nhân tạo

Học máy là một tính năng của AI, cho phép AI nhận biết các mẫu dữ liệu và dự đoán.
Học máy sử dụng thuật toán để phân tích thông tin có sẵn chi tiết để thực hiện một
nhiệm vụ cụ thể, bằng cách sử dụng lượng dữ liệu và các thuật toán để máy tính học
cách thực hiện nhiệm vụ.
Nếu không có Học máy, AI sẽ bị hạn chế khá nhiều bởi nó mang lại cho máy tính sức
mạnh để tìm ra mọi thứ mà không được lập trình rõ ràng.
c) Ứng dụng
Ứng dụng của Học máy ngày nay vô cùng phổ biến và độ hữu ích ngày càng nhiều.
 Chẳng hạn, bạn muốn một chương trình có thể xác định được một con mèo trong các
bức ảnh.
 Đầu tiên, bạn cung cấp cho AI một tập hợp các đặc điểm của loài mèo để máy
nhận biết nhận dạng: màu sắc lông, hình dạng cơ thể, kích thước, …
 Tiếp theo, cung cấp một số hình ảnh cho AI, trong đó các hình ảnh có thể được
dãn nhãn “mèo” để máy chọn hiệu quả hơn các chie tiết, đặc điểm liên quan
đến mèo.
 Sau khi máy nhận đủ thông tin dữ liệu cần thiết về mèo, nó phải biết cách tìm
con mèo trong một bức ảnh. Nếu bức ảnh có các chi tiết A, B hoặc C nào đó thì
sẽ tính ra phần trăm khả năng đó là một con mèo.
3. Classification (Phân lớp): Định nghĩa, quy trình phân lớp, các thuật ngữ liên quan tới bài
toán phân lớp (training dataset, testing dataset, label, feature (feature selection/reduction),
sample, confusion matrix. Cho bài toán minh họa, các bước thực hiện bài toán phân lớp cho
một bộ dữ liệu X cho trước.
a) Định nghĩa

Phân lớp là nhiệm vụ gán nhãn cho các cá thể dữ liệu không được gán nhãn, để nhận biết
các cá thể dữ liệu đó thật sự là gì. Đây là một trong những nhiệm vụ chính của Học máy.

Phân lớp thủ công có thể áp dụng cho các tập dữ liệu nhỏ và đơn giản chỉ vài thuộc tính,
nhưng đối với những tập dữ liệu lớn hơn và phức tạp hơn thì cần các giải pháp tự động.
Bài toán phân lớp là một trong những chủ đề quan trọng nhất của Học máy.

b) Quy trình phân lớp

Bao gồm hai bước:
 Xây dựng mô hình: Áp dụng các thuật toán học tập để đào tạo dữ liệu học một
mô hình với một tập những lớp được định nghĩa trước đó.
 Sử dụng mô hình: Áp dụng mô hình để gán nhãn cho các cá thể chưa được gán
nhãn.
c) Các thuật ngữ liên quan đến bài toán phân lớp
 - Training dataset (Tập dữ liệu huấn luyện): là một tập dữ liệu dùng để huấn luyện
cho mô hình của thuật toán Học máy. Thuật toán Học máy sẽ học từ tập dữ liệu
này.
- Testing dataset (Tập dữ liệu kiểm tra): là một tập dữ liệu dùng để kiểm chứng độ
chính xác của mô hình của thuật toán Học máy. Tập dữ liệu này không được dùng
để huấn luyện mô hình.
- Label (Nhãn): Đầu ra của Học máy, sẽ có nhiều dạng label khác nhau tùy thuộc
vào bài toán.
- Feature (Thuộc tính): Gồm các đặc trưng của đối tượng có trong tập dữ liệu. Trong
đó Feature selection (Lựa chọn đặc trưng) là những thuộc tính quyết định, giúp thu
hẹp tập các đặc trưng thành một tập con nhỏ hơn mà vẫn đảm bảo độ chính xác
của quá trình phân lớp.
- Sample (Mẫu): Một tập con của một quần thể được lấy ra để đánh giá các tính chất
của quần thể đó.
- Confusion Matrix: là một phương pháp đánh giá kết quả của những bài toán phân
lớp với việc xem xét cả về độ chính xác và độ bao quát của các dự đoán cho từng
lớp.
d) Cho bài toán minh họa, các bước thực hiện bài toán phân lớp cho một bộ dữ liệu X
cho trước.

Ví dụ: Bài toán phân lớp động vật có xương sống.

Bước 1: Chuẩn bị tập dữ liệu huấn luyện và rút trích đặc trưng + Xây dựng mô hình phân
lớp.

Tên động vật Thân Bao da Sinh Sinh Sinh Có Ngủ Nhãn lớp
có xương nhiệt con vật vật chân đông
sống dưới trên
nước khôn
g

Con người Máu nóng Tóc Yes No No Yes No Động vật có vú

Con trăn Máu lạnh Vảy No No No No Yes Bò sát

Cá hồi Máu lạnh Vảy No Yes No No No Cá

Cá voi Máu nóng Lông Yes Yes No No No Động vật có vú

Con ếch Máu lạnh Không No Semi No Yes Yes Lưỡng cư

có

Rồng Máu lạnh Vảy No No No Yes No Bò sát

Komodo

Con dơi Máu nóng Lông Yes No Yes Yes Yes Động vật có vú

Chim bồ câu Máu nóng Lông vũ No No Yes Yes No Chim

Cá mập báo Máu lạnh Vảy Yes Yes No No No Cá

Rùa Máu lạnh Vảy No Semi No Yes No Bò sát

Chim cánh Máu nóng Lông vũ No Semi No Yes No Chim

cụt

Nhím Máu nóng Lông Yes No No Yes Yes Động vật có vú

nhím

Con lươn Máu lạnh Vảy No Yes No No No Cá

Kỳ nhông Máu lạnh Không No Semi No Yes Yes Lưỡng cư

có

Bước 2: Kiểm tra dữ liệu

Tên động vật có Thân nhiệt Bao Sinh Sinh vật Sinh vật Có Ngủ đông
xương sống da con dưới nước trên chân
không
Con mèo Máu nóng Lông Yes No No Yes No
thú

Cá Vàng Máu lạnh Vảy No Yes No No No

Bước 3: Kết luận, đưa ra phân lớp cho dữ liệu kiểm tra

Nhãn lớp
Tên động vật có xương sống
Động vật có vú
Con mèo
Cá
Cá Vàng