Bạn đang đọc: Trí tuệ nhân tạo AI là gì? Các lĩnh vực nghiên cứu và ứng dụng">Trí tuệ nhân tạo AI là gì? Các lĩnh vực nghiên cứu và ứng dụng
Xem Tóm Tắt Bài Viết Này
1. Khái niệm trí tuệ nhân tạo
Trí tuệ nhân tạo ( Artificial intelligence – AI ) là một nghành điều tra và nghiên cứu của khoa học máy tính và khoa học đo lường và thống kê nói chung. Có nhiều quan điểm khác nhau về trí tuệ nhân tạo và do vậy có nhiều định nghĩa khác nhau về nghành khoa học này .
Mục đích của trí tuệ nhân tạo là kiến thiết xây dựng những thực thể mưu trí. Tuy nhiên, do rất khó định nghĩa thế nào là thực thể mưu trí nên cũng khó thống nhất định nghĩa trí tuệ nhân tạo. Theo một tài liệu được sử dụng thoáng rộng trong giảng dạy trí tuệ nhân tạo lúc bấy giờ, những định nghĩa hoàn toàn có thể nhóm thành bốn nhóm khác nhau, theo đó, trí tuệ nhân tạo là nghành điều tra và nghiên cứu việc kiến thiết xây dựng những mạng lưới hệ thống máy tính có đặc thù sau :
- Hệ thống hành động như người.
- Hệ thống có thể suy nghĩ như người
- Hệ thống có thể suy nghĩ hợp lý
- Hệ thống hành động hợp lý
Trong số những định nghĩa trên, nhóm thứ hai và ba chăm sóc tới quy trình tâm lý và tư duy, trong khi nhóm thứ nhất và thứ tư chăm sóc đa phần tới hành vi. Ngoài ra, hai nhóm định nghĩa đầu xác lập mức độ mưu trí hay mức độ trí tuệ bằng cách so sánh với năng lực tâm lý và hành vi của con người, trong khi hai nhóm định nghĩa sau dựa trên khái niệm tâm lý hài hòa và hợp lý và hành vi hài hòa và hợp lý. Trong phần nghiên cứu và phân tích bên dưới ta sẽ thấy tâm lý và hành vi hài hòa và hợp lý khác với tâm lý và hành vi như người thế nào .Sau đây ta sẽ xem xét đơn cử những nhóm định nghĩa trên .
1) Hành động như người
Do con người được coi là động vật hoang dã có trí tuệ, nên một cách rất tự nhiên là lấy con người làm thước đo khi nhìn nhận mức độ mưu trí của máy tính .
Theo cách định nghĩa này, trí tuệ nhân tạo nhằm mục đích tạo ra những mạng lưới hệ thống có hành vi hay hành vi tương tự như con người, đặc biệt quan trọng trong những hoạt động giải trí có tương quan tới trí tuệ. Để xác lập thế nào là hành vi như người, hoàn toàn có thể sử dụng phép thử Turing .
Phép thử Turing (Turing test): Vào năm 1950, Alan Turing – nhà toán học người Anh có nhiều đóng góp cho khoa học máy tính – đã xây dựng thủ tục cho phép định nghĩa trí tuệ. Thủ tục này sau đó được gọi là phép thử Turing (Turing test), và được thực hiện như sau. Hệ thống được gọi là thông minh, hay có trí tuệ nếu hệ thống có thể hành động tương tự con người trong các công việc đòi hỏi trí tuệ. Trong quá trình thử, một người kiểm tra sẽ đặt các câu hỏi (dưới dạng văn bản) và nhận câu trả lời cũng dưới dạng văn bản từ hệ thống, tương tự khi ta chat hay nhắn tin. Nếu người kiểm tra không phân biệt được câu trả lời là do người thật trả lời hay do máy sinh ra thì hệ thống qua được phép thử và được gọi là có trí tuệ.
Cần quan tâm rằng, phép thử Turing nguyên bản không yên cầu có sự tiếp xúc vật lý trực tiếp giữa người kiểm tra và mạng lưới hệ thống bị kiểm tra, do việc tạo ra mạng lưới hệ thống người nhân tạo một cách vật lý được coi là không tương quan tới trí tuệ .Để qua được phép thử Turing, mạng lưới hệ thống cần có những năng lực sau :
- Xử lý ngôn ngữ tự nhiên: để có thể phân tích, hiểu câu hỏi và tổng hợp câu trả lời trên một ngôn ngữ giao tiếp thông thường như tiếng Việt hay tiếng
- Biểu diễn tri thức: phục vụ việc lưu tri thức và thông tin trong hệ thống.
- Suy diễn: sử dụng tri thức để trả lời câu hỏi.
- Học máy: để có thể thích nghi với hoàn cảnh và học những mẫu trả lời.
Trong lịch sử dân tộc trí tuệ nhân tạo đã có những mạng lưới hệ thống như ELIZA được kiến thiết xây dựng nhằm mục đích mục tiêu vượt qua phép thử Turing mà không cần vừa đủ tới cả bốn năng lực trên .
Mặc dù không nhiều người coi mục tiêu chính của trí tuệ nhân tạo là vượt qua phép thử Turing, một số ít mạng lưới hệ thống đã thiết kế xây dựng chuyên cho mục tiêu này. Gần đây nhất, vào tháng 6 năm năm trước, một mạng lưới hệ thống chat tự động hóa có tên là Eugene Goostman do một nhóm điều tra và nghiên cứu người Nga kiến thiết xây dựng đã giành giải nhất trong cuộc thi phép thử Turing. Sau khi thực thi một đoạn hội thoại dài 5 phút với mạng lưới hệ thống, 33 % giám khảo cho rằng đó là người thực. Một số quan điểm cho rằng Eugene Goostman là mạng lưới hệ thống máy tính tiên phong vượt qua phép thử Turing .
2) Suy nghĩ như người
Theo nhóm định nghĩa này, hành vi mưu trí chỉ đạt được nếu được dẫn dắt bởi quy trình tâm lý tựa như quy trình tâm lý của con người .
Những điều tra và nghiên cứu theo hướng này dựa trên việc điều tra và nghiên cứu quy trình nhận thức và tư duy của con người, từ đây quy mô hóa và tạo ra những mạng lưới hệ thống có quy mô nhận thức, tư duy tương tự như. Việc tìm hiểu và khám phá quy trình nhận thức, tư duy của người hoàn toàn có thể triển khai theo một số ít chiêu thức như : 1 ) thực nghiệm về hành vi con người khi tâm lý hoặc xử lý yếu tố ; 2 ) chụp ảnh sóng não, đo tín hiệu điện từ hoặc những tín hiệu khác của não trong quy trình triển khai những việc làm khác nhau ; 3 ) sử dụng những giải pháp nơ ron sinh học khác như kích thích não, giải phẫu não v.v.
Một mạng lưới hệ thống trí tuệ nhân tạo dạng này là mạng lưới hệ thống GPS, viết tắt của General Problem Solver do Newell và Simon trình diễn năm 1961. GPS là chương trình máy tính được cho phép xử lý những bài toán bằng cách mô phỏng chuỗi tâm lý của con người khi xử lý những bài toán như vậy .
Hiện nay, hướng điều tra và nghiên cứu này được thực thi trong khuôn khổ khoa học nhận thức ( cognitive science ). Đây là lính vực khoa học liên ngành, phối hợp những quy mô máy tính với chiêu thức thực nghiệm tâm ý. Nhiều tác dụng điều tra và nghiên cứu về nhận thức đã được vận dụng trong những quy mô đo lường và thống kê. Ví dụ, nhiều điều tra và nghiên cứu về quy trình đảm nhiệm tín hiệu ảnh và nhận dạng đối tượng người tiêu dùng đã được vận dụng trong nghành thị giác máy. Hay, gần đây, 1 số ít điều tra và nghiên cứu về việc phong cách thiết kế những vi mạch có cấu trúc dựa trên hệ thần kinh của người ( neuromorphic chips ) đã cho tác dụng tốt trong những bài toán học máy hoặc giải quyết và xử lý lượng khối lượng tài liệu lớn .
3) Suy nghĩ hợp lý
Thực tế cho thấy con người bị chi phối bởi tâm ý, cảm hứng. Do vậy, không phải khi nào con người cũng tâm lý và hành vi theo hướng đạt tới tác dụng tốt. Từ đây Open cách tiếp cận theo hướng thiết kế xây dựng những mạng lưới hệ thống được cho phép đạt tới hiệu quả tốt mà không cần học theo con người. Cách tiếp cận này được gọi là tâm lý hài hòa và hợp lý và hành vi hài hòa và hợp lý. Trước hết là tâm lý hài hòa và hợp lý .Một cách tiếp cận tiêu biểu vượt trội của tâm lý hài hòa và hợp lý là kiến thiết xây dựng những mạng lưới hệ thống có năng lực lập luận dựa trên việc sử dụng những mạng lưới hệ thống hình thức như logic. Tiền thân của cách tiếp cận này có căn nguyên từ triết học Hy lạp do Aristot khởi xướng. Cơ sở hầu hết là sử dụng logic để màn biểu diễn bài toán và xử lý bằng suy diễn logic. Một số mạng lưới hệ thống logic được cho phép trình diễn mọi loại đối tượng người tiêu dùng và quan hệ giữa những đối tượng người tiêu dùng đó. Sau khi đã màn biểu diễn dưới dạng logic, hoàn toàn có thể thiết kế xây dựng chương trình để xử lý những bài toán về suy diễn và lập luận .
Khó khăn đa phần của cách tiếp cận này là việc diễn đạt hay biểu diện bài toán dưới dạng những cấu trúc logic để hoàn toàn có thể xử lý được. Trên thực tiễn, tri thức và thông tin về bài toán thường có yếu tố không rất đầy đủ, không đúng mực. Ngoài ra, việc suy diễn logic yên cầu khối lượng đo lường và thống kê lớn khi sử dụng trong thực tiễn và rất khó để tiến hành cho những bài toán thực .
4) Hành động hợp lý
Cách tiếp cận này tập trung chuyên sâu vào việc thiết kế xây dựng những tác tử ( agent ) có năng lực hành vi hài hòa và hợp lý, tức là hành vi để đem lại tác dụng tốt nhất hoặc hiệu quả kỳ vọng tốt nhất khi có yếu tố không chắc như đinh. Cần chú ý quan tâm rằng, hành vi hài hòa và hợp lý hoàn toàn có thể khác với hành vi giống con người : con người không phải khi nào cũng hành vi hợp lý do bị chi phối bởi những yếu tố chủ quan .
Một đặc thù quan trọng của hành vi hài hòa và hợp lý là hành vi kiểu này hoàn toàn có thể dựa trên việc tâm lý ( suy luận ) hài hòa và hợp lý hoặc không. Trong một số ít trường hợp, để quyết định hành động hành vi thế nào, cần dựa trên việc suy luận hài hòa và hợp lý. Tuy nhiên, trong nhiều trường hợp, việc hành vi theo phản xạ, ví dụ điển hình khi gặp nguy khốn, không yên cầu suy diễn phức tạp, nhưng lại cho tác dụng tốt hơn. Các mạng lưới hệ thống hành vi hài hòa và hợp lý hoàn toàn có thể sử dụng cả hai cách tiếp cận dựa trên suy diễn và dựa trên phản xạ để đạt được tác dụng tốt .
Hệ thống có năng lực hành vi hài hòa và hợp lý hoàn toàn có thể gồm có suy diễn hoặc không, hoàn toàn có thể dựa trên cách tâm lý giống người hoặc không, hoàn toàn có thể gồm có cả những kỹ thuật dùng để vượt qua phép thử Turing. Do vậy, cách tiếp cận này được coi là tổng quát và gồm có những cách tiếp cận khác. Hiện có nhiều quan điểm coi mạng lưới hệ thống trí tuệ nhân tạo là những mạng lưới hệ thống dạng này .
Tóm tắt
Các nghiên cứu và phân tích ở trên cho thấy 1 số ít cách tiếp cận chính trong định nghĩa trí tuệ nhân tạo :
- Lấy con người làm tiêu chuẩn, nghiên cứu tâm lý và thần kinh học để mô phỏng nhận thức con người, dựa trên đó xây dựng hệ thống trí tuệ nhân tạo.
- Lấy kết quả làm tiêu chuẩn, không nhất thiết phải xây dựng hệ thống mô phỏng người.
- Lấy hành vi và hành động làm mục đích, có thể có quá trình lập luận để hướng dẫn hành động hoặc không.
2. Các nghành nghề dịch vụ nghiên cứu và điều tra trí tuệ nhân tạo
Trí tuệ nhân tạo được chia thành một số ít nghành điều tra và nghiên cứu nhỏ hơn và sâu xa nhằm mục đích xử lý những yếu tố khác nhau khi thiết kế xây dựng một mạng lưới hệ thống trí tuệ nhân tạo. Một số nghành nghề dịch vụ sâu xa được hình thành để xử lý một lớp bài toán. Một số nghành nghề dịch vụ sâu xa khác tập trung chuyên sâu vào những hướng tiếp cận hay những kỹ thuật. Một số nghành nghề dịch vụ nghiên cứu và điều tra lại xoay quanh những ứng dụng đơn cử. Trong khi nhiều nghành điều tra và nghiên cứu nhỏ có tương quan mật thiết đến nhau thì có nhiều nghành nghề dịch vụ khác rất xa nhau, cả về tiềm năng, chiêu thức và hội đồng điều tra và nghiên cứu .
Thông thường, một mạng lưới hệ thống trí tuệ nhân tạo hoàn hảo, thao tác trong việc một môi trường tự nhiên nào đó cần có năng lực : cảm nhận ( perception ), lập luận ( reasoning ), và hành vi ( action ). Dưới đây là một số ít nghành nghiên cứu và điều tra của trí tuệ nhân tạo được phân loại theo ba thành phần này .
a) Cảm nhận
Hệ thống cần có chính sách thu nhận thông tin tương quan tới hoạt động giải trí từ môi trường tự nhiên bên ngoài. Đó hoàn toàn có thể là camera, cảm biến âm thanh ( microphone ), cảm ứng siêu âm, radar, cảm ứng tần suất, những cảm ứng khác. Đó cũng hoàn toàn có thể đơn thuần hơn là thông tin do người dùng nhập vào chương trình bằng tay. Để biến hóa thông tin nhận được về dạng hoàn toàn có thể hiểu được, thông tin cần được giải quyết và xử lý nhờ những kỹ thuật được điều tra và nghiên cứu và trong khuôn khổ những nghành nghề dịch vụ sau .
Thị giác máy (computer vision)
Đây là nghành nghề dịch vụ thuộc trí tuệ nhân tạo có mục tiêu điều tra và nghiên cứu về việc thu nhận, giải quyết và xử lý, nghiên cứu và phân tích, nhận dạng thông tin hình ảnh thu được từ những cảm biến hình ảnh như camera. Mục đích của thị giác máy là biến thông tin thu được thành trình diễn mức cao hơn để máy tính sau đó hoàn toàn có thể hiểu được, ví dụ điển hình từ ảnh chụp văn bản cần trả về mã UNICODE của những chữ in trên văn bản đó. Biểu diễn ở mức cao hơn của thông tin từ cảm biến hình ảnh sau đó hoàn toàn có thể sử dụng để ship hàng quy trình ra quyết định hành động. Thị giác máy tính gồm có một số ít bài toán chính sau : nhận dạng mẫu ( pattern recognition ), nghiên cứu và phân tích hoạt động ( motion analysis ), tạo lập khung cảnh 3D ( scene reconstruction ), nâng cao chất lượng ảnh ( image restoration ) .
Nhận dạng mẫu là lĩnh vực nghiên cứu lớn nhất trong phạm vi thị giác máy. Bản thân nhận dạng mẫu được chia thành nhiều bài toán nhỏ và đặc thù hơn như bài toán nhận dạng đối tượng nói chung, nhận dạng các lớp đối tượng cụ thể như nhận dạng mặt người, nhận dạng vân tay, nhận dạng chữ viết tay hoặc chữ in. Nhận dạng đối tượng là phát hiện ra đối tượng trong ảnh hoặc video và xác định đó là đối tượng nào. Trong khi con người có thể thực hiện việc này tương đối đơn giản thì việc nhận dạng tự động thường khó hơn nhiều. Hiện máy tính chỉ có khả năng nhận dạng một số lớp đối tượng nhất định như chữ in, mặt người nhìn thẳng, với độ chính xác gần với con người.
Xử lý ngôn ngữ tự nhiên (natural language processing)
Đây là nghành nghề dịch vụ nghiên cứu và điều tra với có mục tiêu nghiên cứu và phân tích thông tin, tài liệu nhận được dưới dạng âm thanh hoặc văn bản và được trình diễn dưới dạng ngôn từ tự nhiên của con người. Chẳng hạn, thay vì gõ những lệnh quy ước, ta hoàn toàn có thể ra lệnh bằng cách nói với máy tính như với
người thường. Do đối tượng người dùng tiếp xúc của hệ thống trị tuệ nhân tạo thường là con người, năng lực tiếp đón thông tin và phản hồi dưới dạng lời nói hoặc văn bản theo cách diễn đạt của người sẽ rất có ích trong những trường hợp như vậy .
Xử lý ngôn ngữ tự nhiên bao gồm ba giai đoạn chính: nhận dạng tiếng nói (speech recognition), xử lý thông tin đã được biểu diễn dưới dạng văn bản, và biến đổi từ văn bản thành tiếng nói (text to speech).
Nhận dạng tiếng nói là quy trình biến hóa từ tín hiệu âm thanh của lời nói thành văn bản. Nhận dạng lời nói còn có những tên gọi như nhận dạng lời nói tự động hóa ( automatic speech recognition ) hay nhận dạng lời nói bằng máy tính, hay biến hóa lời nói thành văn bản ( speech to text – STT ). Nhận dạng lời nói được triển khai bằng cách tích hợp kỹ thuật giải quyết và xử lý tín hiệu âm thanh với kỹ thuật nhận dạng mẫu, ví dụ điển hình bằng cách sử dụng những quy mô thống kê và học máy .
Xử lý thông tin văn bản được diễn đạt bằng ngôn từ tự nhiên như tiếng Việt hay tiếng Anh gồm có một số ít bài toán và ứng dụng chính sau :
- Phân tích từ loại, ngữ pháp. Nhận đầu vào là một câu, trả về từ loại (động từ, tính từ v.v.) của các từ trong câu; xây dựng cây cú pháp của câu đó tức là xác định các thành phần như chủ ngữ, vị ngữ và quan hệ giữa các thành phần. Do ngôn ngữ tự nhiên thường có tính nhập nhằng nên từ một câu có thể có nhiều cách phân tích. Đây là bài toán cơ sở cho các bài toán xử lý ngô ngữ tự nhiên khác.
- Hiểu ngôn ngữ tự nhiên hay phân tích ngữ nghĩa. Biến đổi các câu trên ngôn ngữ tự nhiên thành các biểu diễn như biểu thức trên logic vị từ sao cho máy tính có thể thực hiện biến đổi hoặc lập luận trên đó. Các biểu diễn này cần tương ứng với ngữ nghĩa trong thế giới thực của bài toán.
- Dịch tự động hay dịch máy. Tự động biến đổi các văn bản trên ngôn ngữ tự nhiên này sang ngôn ngữ tự nhiên khác, ví dụ từ tiếng Việt sang tiếng Anh và ngược lại. Đây là bài toán có tính ứng dụng cao nhưng là bài toán khó do đòi hỏi khả năng thực hiện các bài toán xử lý ngôn ngữ tự nhiên khác cộng với khả năng sử dụng tri thức về các lĩnh vực liên quan tới nội dung văn bản cần dịch.
- Trả lời tự động (question answering). Tự động sinh ra câu trả lời cho các câu hỏi của con người. Ví dụ hệ thống dạng này là chương trình Watson của IBM cho phép trả lời các câu hỏi trong trò chơi Jeopardy tương tự trò Ai là triệu phú, hay trợ lý ảo Siri của iPhone. Hệ thống dạng này thường đòi hỏi khả năng hiểu câu hỏi, cơ sở tri thức liên quan, và tổng hợp câu trả lời.
- Tách thông tin (information extraction). Tách thông tin có ngữ nghĩa từ văn bản, chẳng hạn tên riêng, thời gian, quan hệ giữa các thực thể, các thông tin có ý nghĩa khác và lưu các thông tin này dưới dạng thuận tiện cho việc xử lý bằng máy tính. Bài toán xác định và tách tên riêng được gọi là nhận dạng thực thể có tên (Named Entity Recognition). Kết quả tách thông tin được sử dụng trong nhiều bài toán khác, chẳng hạn để xây dựng cơ sở tri thức cho các hệ thống trả lời tự động.
- Tổng hợp ngôn ngữ tự nhiên. Biến đổi từ các thông tin tiện dùng cho máy tính, chẳng hạn thông tin trong cơ sở dữ liệu, thành các câu trên ngôn ngữ tự nhiên của người với mục đích giúp việc giao tiếp của máy tính với người được tự nhiên và thuận lợi hơn.
Đây là bài toán ngược với bài toán hiểu nhận dạng lời nói và hiểu ngôn từ tự nhiên .
b) Lập luận và suy diễn
Sau khi cảm nhận được thông tin về môi trường tự nhiên xung quanh, mạng lưới hệ thống cần có chính sách để đưa ra được quyết định hành động tương thích. Quá trình ra quyết định hành động thường dựa trên việc tích hợp thông tin cảm nhận được với tri thức có sẵn về quốc tế xung quanh. Việc ra quyết định hành động dựa trên tri thức được triển khai nhờ lập luận hay suy diễn. Cũng có những trường hợp mạng lưới hệ thống không thực thi suy diễn mà dựa trên những kỹ thuật khác như tìm kiếm hay tập hợp những phản xạ hoặc hành vi đơn thuần .
Thành phần lập luận và ra quyết định hành động được thiết kế xây dựng dựa trên kỹ thuật từ những nghành nghề dịch vụ điều tra và nghiên cứu sau :
Biểu diễn tri thức (knowledge representation)
Nhiều bài toán của trí tuệ nhân tạo yên cầu lập luận dựa trên tưởng tượng về quốc tế xung quanh. Để lập luận được, sự kiện, thông tin, tri thức về quốc tế xung quanh cần được màn biểu diễn dưới dạng máy tính hoàn toàn có thể “ hiểu ” được, ví dụ điển hình dưới dạng logic hoặc ngôn từ trí tuệ nhân tạo nào đó. Thông thường, mạng lưới hệ thống cần có tri thức về : đối tượng người dùng hoặc thực thể, đặc thù của chúng, phân loại và quan hệ giữa những đối tượng người tiêu dùng, trường hợp, sự kiện, trạng thái, thời hạn, nguyên do và hiệu suất cao, tri thức về tri thức ( tất cả chúng ta biết về tri thức mà người khác có ) v.v. Trong khoanh vùng phạm vi điều tra và nghiên cứu về màn biểu diễn tri thức, một số ít giải pháp trình diễn đã được tăng trưởng và được vận dụng như : logic, mạng ngữ nghĩa, Frame, những luật ( ví dụ điển hình luật Nếu … Thì … ), bản thể học ( ontology ) .
Biểu diễn tri thức dùng trong máy tính thường gặp một số khó khăn sau. Thứ nhất, lượng tri thức mà mỗi người bình thường có về thế giới xung quanh là rất lớn. Việc xây dựng và biểu diễn lượng tri thức lớn như vậy đòi hỏi nhiều công sức. Hiện nay đang xuất hiện hướng tự động thu thập và xây dựng cơ sở tri thức tự động từ lượng dữ liệu lớn, thay vì thu thập bằng tay. Cách xây dựng tri thức như vậy được nghiên cứu nhiều trong khuôn khổ khai phá dữ liệu (data mining) hay hiện nay được gọi là dữ liệu lớn (big data) Điển hình của cách tiếp cận này là hệ thống Watson của IBM (sẽ được nhắc tới ở bên dưới). Thứ hai, tri thức trong thế giới thực ít khi đầy đủ, chính xác và nhất quán. Con người có thể sử dụng hiệu quả các tri thức như vậy, trong khi các hệ thống biểu diễn tri thức như logic gặp nhiều khó khăn. Thứ ba, một số tri thức khó biểu diễn dưới dạng biểu tượng mà tồn tại như các trực giác của con người.
Tìm kiếm (search)
Nhiều bài toán hoặc vấn đề có thể phát biểu và giải quyết như bài toán tìm kiếm trong không gian trạng thái. Chẳng hạn các bài toán tìm đường đi, bài toán tìm trạng thái thoả mãn ràng buộc. Nhiều bài toán khác của trí tuệ nhân tạo cũng có thể giải quyết bằng tìm kiếm. Chẳng hạn, lập luận logic có thể tiến hành bằng cách tìm các đường đi cho phép dẫn từ các tiền đề tới các kết luận.
Trí tuệ nhân tạo nghiên cứu và điều tra cách tìm kiếm khi số trạng thái trong khoảng trống quá lớn và không hề triển khai tìm kiếm bằng cách vét cạn. Trong khuôn khổ trí tuệ nhân tạo đã tăng trưởng một số ít giải pháp tìm kiếm riêng như tìm kiếm heuristic, tìm kiếm cục bộ, gồm có những thuật toán tìm kiếm tiến hoá .
Lập luận, suy diễn (reasoning hay inference)
Lập luận là quy trình sinh ra Kết luận hoặc tri thức mới từ những tri thức, sự kiện và thông tin đã có. Trong quá trình đầu, nhiều kỹ thuật lập luận tự động hóa dựa trên việc mô phỏng hoặc học tập quy trình lập luận của con người. Các nghiên cứu và điều tra về sau đã tăng trưởng nhiều kỹ thuật suy diễn hiệu suất cao, không dựa trên cách lập luận của người. Điển hình là những kỹ thuật chứng minh định lý và suy diễn logic. Lập luận tự động hóa thường dựa trên tìm kiếm được cho phép tìm ra những link giữa tiên đề và hiệu quả .
Việc suy diễn tự động hóa thường gặp phải một số ít khó khăn vất vả sau. Thứ nhất, với bài toán size lớn, số tổng hợp cần tìm kiếm khi lập luận rất lớn. Vấn đề này được gọi là “ bùng nổ tổng hợp ” và yên cầu có tăng trưởng những kỹ thuật với độ phức tạp gật đầu được. Thứ hai, lập luận và màn biểu diễn tri thức thường gặp yếu tố thông tin và tri thức không rõ ràng, không chắc như đinh. Hiện nay, một trong những cách xử lý yếu tố này là sử dụng lập luận Tỷ Lệ, sẽ được trình bầy trong chương 4 của giáo trình. Thứ ba, trong nhiều trường hợp, con người hoàn toàn có thể ra quyết định hành động rất nhanh và hiệu suất cao thay vì lập luận từng bước, ví dụ điển hình co tay lại khi chạm phải nước sôi. Hệ thống trí tuệ nhân tạo cần có cách tiếp cận khác với lập luận truyền thống cuội nguồn cho những trường hợp như vậy .
Học máy (machine learning)
Học máy hay học tự động hóa là năng lực của mạng lưới hệ thống máy tính tự cải tổ mình nhờ sử dụng tài liệu và kinh nghiệm tay nghề tích lũy được. Học là năng lực quan trọng trong việc tạo ra tri thức của người. Do vậy, đây là yếu tố được chăm sóc điều tra và nghiên cứu ngay từ khi hình thành trí tuệ nhân tạo. Hiện nay, đây là một trong những nghành được chăm sóc nghiên cứu và điều tra nhiều nhất với rất nhiều tác dụng và ứng dụng .
Học máy gồm có những dạng chính là học có giám sát, học không giám sát, và học tăng cường. Trong học có giám sát, mạng lưới hệ thống được cung ứng nguồn vào, đầu ra và cần tìm quy tắc để ánh xạ đầu vào thành đầu ra. Trong học không giám sát, mạng lưới hệ thống không được cung ứng đầu ra và cần tìm những mẫu hay quy luật từ thông tin nguồn vào. Trong học tăng cường, mạng lưới hệ thống chỉ biết đầu ra ở đầu cuối của cả quy trình thay vì đầu ra cho từng bước đơn cử. Chi tiết về ba dạng học này được trình bầy trong chương 5 .
Học máy được tăng trưởng trong khuôn khổ cả khoa học máy tính và thống kê. Rất nhiều kỹ thuật học máy có nguồn gốc từ thống kê nhưng được biến hóa để trở thành những thuật toán hoàn toàn có thể triển khai hiệu suất cao trên máy tính .
Học máy hiện là kỹ thuật chính được sử dụng trong thị giác máy, giải quyết và xử lý ngôn từ tự nhiên, khám phá tài liệu và nghiên cứu và phân tích tài liệu lớn .
Lập kế hoạch (planning)
Lập kế hoạch và thời khoá biểu tự động, hay đơn thuần là lập kế hoạch, là quy trình sinh ra những bước hành vi cần triển khai để thực thi một tiềm năng nào đó dựa trên thông tin về môi trường tự nhiên, về hiệu suất cao từng hành vi, về trường hợp hiện thời và tiềm năng cần đạt. Lấy ví dụ một rô bốt nhận trách nhiệm chuyển dời một vật tới một vị trí khác. Kế hoạch triển khai gồm có xác lập những bước để tiếp cận vật cần chuyển dời, nhấc vật lên, xác lập quỹ đạo và những bước vận động và di chuyển theo quỹ đạo, đặt vật xuống .
Khác với kim chỉ nan điều khiển và tinh chỉnh truyền thống lịch sử, bài toán lập kế hoạch thường phức tạp, giải thuật phải tối ưu theo nhiều tiêu chuẩn. Việc lập kế hoạch hoàn toàn có thể thực thi trước so với môi trường tự nhiên không đổi khác, hoặc thực thi theo thời hạn với môi trường tự nhiên động .
Lập kế hoạch sử dụng những kỹ thuật tìm kiếm và tối ưu, những phương pháp quy hoạch động để tìm ra giải thuật. Một số dạng màn biểu diễn và ngôn từ riêng cũng được tăng trưởng để thuận tiện cho việc miêu tả nhu yếu và giải thuật .
c) Hành động
Cho phép mạng lưới hệ thống tác động ảnh hưởng vào môi trường tự nhiên xung quanh hoặc đơn thuần là đưa ra thông tin về Tóm lại của mình. Thành phần này được kiến thiết xây dựng dựa trên những kỹ thuật sau .
Tổng hợp ngôn ngữ tự nhiên và tiếng nói.
Các kỹ thuật này đã được nhắc tới trong phần giải quyết và xử lý ngôn từ tự nhiên ở trên .
Kỹ thuật rô bốt (robotics)
Là kỹ thuật kiến thiết xây dựng những cơ quan chấp hành như cánh tay người máy, tổng hợp lời nói, tổng hợp ngôn từ tự nhiên. Đây là nghành nghiên cứu và điều tra giao thoa giữa cơ khí, điện tử, và trí tuệ nhân tạo. Bên cạnh kỹ thuật cơ khí để tạo ra những chính sách vật lý, hoạt động, cần có thuật toán và chương trình điểu khiển hoạt động giải trí và hoạt động cho những chính sách đó. Chẳng hạn, với cánh tay máy, cần thống kê giám sát quỹ đạo và điều khiển và tinh chỉnh đơn cử những khớp nối cơ khí khi muốn vận động và di chuyển tay tới vị trí xác lập và thực thi hành vi nào đó. Đây là những thành phần của kỹ thuật rô bốt mà trí tuệ nhân tạo có góp phần chính. Ngoài ra, việc kiến thiết xây dựng những rô bốt mưu trí chính là thiết kế xây dựng những mạng lưới hệ thống trí tuệ nhân tạo hoàn hảo .
3. Một số ứng dụng và thành tựu của trí tuệ nhân tạo AI
a. Các chương trình trò chơi
Xây dựng chương trình có năng lực chơi những game show trí tuệ là nghành có nhiều thành tựu của trí tuệ nhân tạo. Với những game show tương đối đơn thuần như cờ ca rô hay cờ thỏ cáo, máy tính đã thắng người từ cách đây vài thập kỷ .
Đối với những game show phức tạp hơn, những mạng lưới hệ thống trí tuệ nhân tạo cũng dần đuổi kịp và vượt qua con người. Sự kiện quan trọng thường được nhắc tới là vào tháng 5 năm 1997 chương trình cờ vua Deep Blue của IBM đã thắng vô địch cờ vua quốc tế lúc đó là Gary Kasparov. Trong vòng đấu lê dài 6 ván, Deep Blue thắng Kasparov với điểm số 3.5 : 2.5. Đây là lần tiên phong máy tính thắng đương kim vô địch cờ vua quốc tế .
Một trường hợp tiêu biểu vượt trội khác là mạng lưới hệ thống vấn đáp tự động hóa Watson cũng của IBM đã thắng lợi hai giải quán quân của Jeopardy trong game show này vào năm 2011. Jeopardy là game show hỏi đáp trên truyền hình Mỹ, tương tự như “ Ai là triệu phú ” trên truyền hình Nước Ta nhưng trong đó ba người chơi phải thi với nhau không những vấn đáp đúng mà còn phải nhanh. Watson là mạng lưới hệ thống hỏi đáp do IBM thiết kế xây dựng dựa trên việc tích lũy và nghiên cứu và phân tích thông tin từ khoảng chừng 200 triệu trang Web, trong đó có hàng loạt Wikipedia. Trong một cuộc đấu với hai cựu quán quân Jeopardy, Watson đã giành thắng lợi và phần thưởng 1 triệu USD. Các kỹ thuật sử dụng trong Watson như tích lũy thông tin, phát hiện tri thức, hiểu ngôn từ tự nhiên, tìm kiếm, đã được IBM thương mại kinh doanh hóa và hoàn toàn có thể sử dụng trong nhiều ứng dụng .
b. Nhận dạng tiếng nói
Nhận dạng tiếng nói là đổi khác từ âm thanh lời nói thành những văn bản. Hiện người dùng công cụ tìm kiếm Google hoàn toàn có thể đọc vào câu truy vấn thay cho việc gõ từ khóa như trước. Các điện thoại di động mưu trí cũng có năng lực nhận dạng giọng nói và vấn đáp những câu hỏi. Ví dụ nổi bật là chương trình trợ giúp Siri trên điện thoại thông minh mưu trí của Apple ( sử dụng công nghệ tiên tiến nhận dạng lời nói của hãng Nuance ) hay mạng lưới hệ thống Google Now .
Chất lượng nhận dạng giọng nói đang được cải tổ và văn minh rất nhanh trong vài năm gần đây. Các mạng lưới hệ thống nhận dạng lời nói hiện tại được cho phép nhận dạng tới vài chục ngôn từ khác nhau và không phụ thuộc vào vào người nói ( ở một mức độ nhất định ) .
c. Thị giác máy tính
Mặc dù nhiều ứng dụng của thị giác máy tính vẫn chưa đạt tới độ đúng chuẩn như người, nhưng trong một số ít bài toán, thị giác máy tính cho độ đúng chuẩn tương tự hoặc gần với năng lực của người. Tiêu biểu phải kể đến những mạng lưới hệ thống nhận dạng chữ in với độ đúng chuẩn gần như tuyệt đối, mạng lưới hệ thống nhận dạng tròng mắt, vân tay, mặt người. Những mạng lưới hệ thống dạng này được sử dụng thoáng rộng trong sản xuất để kiểm tra loại sản phẩm, trong mạng lưới hệ thống camera bảo mật an ninh. Ứng dụng nhận dạng mặt người trên Facebook được dùng để xác lập những người quen Open trong ảnh và gán nhãn tên cho người đó .
Các ứng dụng nhận dạng lúc bấy giờ đang được cải tổ nhiều nhờ sử dụng kỹ thuật học sâu ( deep learning ), trong đó những mạng nơ ron có nhiều lớp được liên kết với nhau được sử dụng để phát hiện những đặc trưng của đối tượng người dùng ở mức từ đơn thuần tới phức tạp .
d. Các thiết bị tự lái
Các thiết bị tự lái gồm có máy bay, xe hơi, tầu thủy, thiết bị thám hiểm thiên hà hoàn toàn có thể tự vận động và di chuyển mà không có sự điều khiển và tinh chỉnh của người ( cả điều khiển và tinh chỉnh trực tiếp và điều khiển và tinh chỉnh từ xa ). Hiện xe hơi tự lái đang được 1 số ít hãng công nghệ tiên tiến và những tổ chức triển khai khác nghiên cứu và điều tra và tăng trưởng, trong đó có những dự án Bất Động Sản nổi tiếng như xe tự lái của Google. Mặc dù tại thời gian viết sách này mới chỉ có một mẫu xe duy nhất được thương mại hóa dùng cho những khu đi bộ và chỉ hoàn toàn có thể chạy với vận tốc khoảng chừng 20 km / giờ nhưng những dự báo cho thấy xe tự lái sẽ được kinh doanh thương mại hóa thành công xuất sắc trong vòng vài năm tới. Các thiết bị tự lái khác gồm có cả những xem thám hiểm ngoài hành tinh và hành tinh khác như xe thám hiểm sao Hỏa của NASA .
e. Hệ chuyên gia
Là những mạng lưới hệ thống thao tác dựa trên kinh nghiệm tay nghề và tri thức của chuyên viên trong một nghành tương đối hẹp nào đó để đưa ra khuyến nghị, Tóm lại, chuẩn đoán một cách tự động hóa. Các ví dụ gồm :
- MYCIN: hệ chuyên gian đầu tiên chẩn đoán bệnh về nhiễm trùng máu và cách điều trị với khả năng tương đương một bác sĩ giỏi trong lĩnh vực này.
- XCON của DEC: hỗ trợ chọn cấu hình máy tính tự động.
f. Xử lý, hiểu ngôn ngữ tự nhiên
Tiêu biểu là những mạng lưới hệ thống dịch tự động hóa như mạng lưới hệ thống dịch của Google, những mạng lưới hệ thống tóm tắt nội dung văn bản tự động hóa. Hệ thống dịch tự động hóa của Google sử dụng những quy mô thống kê thiết kế xây dựng từ những văn bản song ngữ và những văn bản đơn ngữ. Hệ thống này có năng lực dịch qua lại giữa vài chục ngôn từ .
Các mạng lưới hệ thống hỏi đáp được đề cập tới trong phần về game show và nhận dạng lời nói cũng thuộc loại ứng dụng giải quyết và xử lý ngôn từ tự nhiên. Những mạng lưới hệ thống này sử dụng những thành phần đơn thuần hơn như những phân hệ nghiên cứu và phân tích hình thái, cú pháp, ngữ nghĩa .
Nhiều kỹ thuật giải quyết và xử lý ngôn từ tự nhiên đã được ứng dụng trong những ứng dụng rất thiết thực như những bộ lọc thư rác. Dịch Vụ Thương Mại thư điện tử của Google, Microsoft, Yahoo đều có những bộ lọc thư rác với chính sách học tự động hóa và thích nghi với biến hóa của người phát tán. Khả năng phát hiện thư rác của những mạng lưới hệ thống này là rất cao, gần như là tuyệt đối trong 1 số ít trường hợp .
g. Lập kế hoạch, lập thời khóa biểu
Kỹ thuật trí tuệ nhân tạo được sử dụng nhiều trong bài toán lập thời khóa biểu cho trường học, nhà máy sản xuất, những bài toán lập kế hoạch khác. Một ví dụ lập kế hoạch thành công xuất sắc với quy mô lớn là kế hoạch bảo vệ phục vụ hầu cần cho quân đội Mỹ trong chiến dịch Cơn bão sa mạc tại Iraq đã được thực thi gần như trọn vẹn dựa trên kỹ thuật trí tuệ nhân tạo. Đây là một kế hoạch lớn, tương quan tới khoảng chừng 50000 thiết bị vận tải đường bộ và người tại cùng một thời gian. Kế hoạch gồm có điểm xuất phát, điểm tới, thời hạn, phương tiện đi lại và người tham gia sao cho không xích míc và tối ưu theo những tiêu chuẩn .
h. Rô bốt
Một số rô bốt được kiến thiết xây dựng sao cho có hình dạng tương tự như con người và năng lực tổng lực như thị giác máy, tiếp xúc bằng ngôn từ tự nhiên, năng lực lập luận nhất định, năng lực vận động và di chuyển và thực thi những hành vi như nhẩy múa. Các rô bốt này hầu hết được tạo ra để chứng tỏ năng lực của kỹ thuật rô bốt thay vì hướng vào ứng dụng đơn cử. Trong số này hoàn toàn có thể kể tới rô bốt Asimo, rô bốt Nao .
Bên cạnh đó, một số ít rô bốt không mô phỏng người nhưng được sử dụng trong đời sống hàng ngày hoặc những ứng dụng thực tiễn. Ví dụ, rô bốt Roomba của hãng iRobot có năng lực tự động hóa chuyển dời trong phòng, tránh vật cản, chui vào những ngóc ngách để lau sạch hàng loạt sàn. Số lượng rô bốt Roomba đã bán lên tới vài triệu bản .
4. Những vấn đề chưa được giải quyết
Mặc dù đạt được nhiều thành tựu và có nhiều ứng dụng đáng kể, những mạng lưới hệ thống trí tuệ nhân tạo lúc bấy giờ chưa đạt được mức độ trí tuệ nhân tạo mạnh ( strong AI ) hay trí tuệ nhân tạo tổng quát ( Artificial General Intelligence ). Đây cũng được coi là yếu tố khó nhất và chưa được xử lý. Trí tuệ nhân tạo mạnh là khái niệm để chỉ năng lực của máy tính triển khai bất kể việc làm trí tuệ nào mà con người hoàn toàn có thể thực thi. Khái niệm trí tuệ mạnh được sử dụng để phân biệt với trí tuệ nhân tạo yếu ( weak AI ) hay trí tuệ nhân tạo ứng dụng ( applied AI ), tức là dùng máy tính để xử lý từng bài toán ra quyết định hành động hay lập luận đơn lẻ. Như vậy, trí tuệ nhân tạo mạnh yên cầu xử lý không thiếu những việc làm trí tuệ như người trong khi trí tuệ nhân tạo yếu xử lý bài toán đơn cử .
Các khó khăn vất vả để đạt được trí tuệ nhân tạo tổng quát gồm có năng lực thị giác máy, giải quyết và xử lý ngôn từ tự nhiên, năng lực giải quyết và xử lý những tình hướng mới, trường hợp không ngờ tới khi xử lý những bài toán thực tiễn. Đây là những nghành nghề dịch vụ mà máy tính còn thua kém con người. Các mạng lưới hệ thống trí tuệ nhân tạo lúc bấy giờ hoàn toàn có thể xử lý tốt bài toán đặt ra trong một khoanh vùng phạm vi hẹp. Tuy nhiên, khi gặp yếu tố trong thực tiễn ở khoanh vùng phạm vi rộng hơn, mạng lưới hệ thống trí tuệ nhân tạo thường không hề giải quyết và xử lý được những trường hợp mới, vượt ra ngoài ngữ cảnh bắt đầu của bài toán. Ngược lại, con người có năng lực giải quyết và xử lý tốt hơn nhiều những trường hợp như vậy do có hiểu biết rộng về quốc tế xung quanh. Việc trang bị cho máy tính lượng tri thức như con người hiện vẫn là yếu tố chưa được xử lý .
Để nhìn nhận mạng lưới hệ thống trí tuệ nhân tạo, hoàn toàn có thể so sánh những mạng lưới hệ thống này với con người khi triển khai từng bài toán trí tuệ đơn cử. Kết quả so sánh được chia thành những mức sau :
- Tối ưu: hệ thống cho kết quả tối ưu, không thể tốt hơn nữa.
- Tốt hơn người: hệ thống cho kết quả tốt hơn bất cứ người nào.
- Tương đương người giỏi: hệ thống cho kết quả tương đương những người giỏi (nhất) và hơn đa số người còn lại.
- Tương đương người: hệ thống cho kết quả tương đương đa số người.
- Kém hơn người.
Những bài toán trí tuệ trong đó mạng lưới hệ thống máy tính triển khai kém hơn người là những bài toán cần liên tục xử lý. Dưới đây là một số ít bài toán và mức độ so sánh giữa máy tính và người .
- Rubik, cờ ca rô 3 ô: tối ưu.
- Cờ vua: gần đạt mức tốt hơn người. Hệ thống Deep Blue đã thắng đương kim vô địch cờ vua thế giới Gary Kasparov.
- Trả lời câu hỏi tự động: gần đạt mức tốt hơn người. Hệ thống IBM Watson đã thắng người trong trò chơi truyền hình Jeopardy.
- Lái xe tự động: tương đương người. Một ví dụ là hệ thống lái xem tự động của Google có kết quả lái an toàn và êm ái hơn so với người. Tuy vậy, kết quả này mới chỉ trong các thử nghiệm tại Mỹ, nơi có hệ thống giao thông tốt. Chưa rõ hệ thống cho kết quả thế nào trong các điều kiện khác, ví dụ trong điều kiện giao thông tại Việt Nam.
- Nhận dạng chữ in (theo chuẩn ISO 1073-1:1976, tức là các phông chữ đơn nét và không quá phức tạp): tương đương người. Các hệ thống OCR hiện nay có độ chính xác 99% hoặc hơn trên văn bản in bằng máy in lade.
- Nhận dạng chữ viết tay: kém người. Mặc dù có nhiều tiến bộ, các hệ thống nhận dạng chữ viết tay tự động vẫn có độ chính xác kém hơn người với khoảng cách tương đối lớn.
- Nhận dạng đối tượng: kém người. Trừ một số trường hợp đặc biệt như nhận dạng vân tay, tròng mắt, mặt người, khả năng nhận dạng đối tượng nói chung của máy tính hiện vẫn kém khá xa khả năng của người.
- Dịch tự động: kém người. Mặc dù hiện nay, khả năng dịch tự động của máy kém con người trên từng cặp ngôn ngữ cụ thể nhưng những hệ thống dịch tự động như Google translate lại vượt từng người cụ thể về số lượng ngôn ngữ có thể dịch.
- Nhận dạng tiếng nói: kém người. Trong vài năm gần đây, khả năng nhận dạng tiếng nói bằng máy tính đã có rất nhiều tiến bộ và được ứng dụng rộng rãi như các hệ thống Google Voice, hay Siri (dùng phần nhận dạng của hãng Nuance). Tuy nhiên, khả năng nhận dạng tự động vẫn kém khả năng con người.
- Phân biệt nhập nhằng trong nghĩa từ và một số bài toán xử lý ngôn ngữ tự nhiên khá.
(Nguồn tham khảo: Từ Minh Phương, Giáo trình Nhập môn trí tuệ nhân tạo, 2014)
Source: https://sangtaotrongtamtay.vn
Category: Giáo dục