Bài đăng nổi bật

Giới thiệu về Trí tuệ nhân tạo

Chương này bao gồm

  • Lịch sử của trí tuệ nhân tạo
  • Machine Learning là gì và phải làm gì với AI
  • Tại sao các ứng dụng AI đang bùng nổ ngay bây giờ
Cuốn sách này là nỗ lực của chúng tôi trong việc giải quyết một vấn đề ảnh hưởng đến nhiều người mong muốn trở thành người tạo ra thay đổi trong kỷ nguyên AI. Họ đã được thông báo rằng một hộp đen huyền diệu có tên là Trí thông minh nhân tạo, là viên đạn bạc cho mọi vấn đề kinh doanh, từ tiếp thị đến chăm sóc sức khỏe. Họ đã đọc tin tức về những cột mốc mới nhất mà AI đạt được và cảm thấy rằng không có gì mà công nghệ này không thể làm được. Vui mừng bởi các tiêu đề tin tức được thổi phồng, họ có thể đã bắt đầu hoặc dự định bắt đầu một số dự án AI đầy tham vọng trong tổ chức của họ, mong đợi sự thuận buồm xuôi gió và kết quả đáng kinh ngạc.
Nếu bạn là một trong những người này, chúng tôi ở đây để nói với bạn những gì bạn có thể chưa nghe thấy. AI không phải là viên đạn bạc, và chiến thắng nó không hề dễ dàng. Tuy nhiên, được trang bị kiến ​​thức về tên miền của bạn và hiểu rõ về các nguyên tắc, điểm mạnh và hạn chế hiện tại của nó, bạn có thể trở thành người dẫn đầu trong kỷ nguyên AI và thúc đẩy sự thay đổi trong tổ chức và ngành công nghiệp của bạn. Giải thưởng là rất lớn: vẫn còn một đại dương xanh miễn phí về những cơ hội đang chờ các nhà lãnh đạo AI giác ngộ được nắm bắt. Các công ty công nghệ đã tạo ra vận may với AI, cuốn sách này là lời mời của chúng tôi để bạn tham gia bữa tiệc.

1.1 Tại sao cuốn sách này, tại sao bây giờ, tại sao bạn

Cuốn sách này sẽ khác nhiều năm năm trước. Trong khoảng thời gian đó chúng tôi đã ở Thung lũng Silicon, trải nghiệm những khoảnh khắc kỳ diệu cho sự phát triển của AI. Sự cường điệu đã mạnh mẽ (theo nghĩa đen chúng ta đã thấy các bảng quảng cáo của các công ty AI), nhưng tập trung khá nhiều vào Vùng Vịnh. Chúng tôi có thể đi đến các hội nghị miễn phí và trò chuyện với những người đang xây dựng các giải pháp AI tại các công ty như Google, có được cái nhìn chưa được lọc về hậu trường của cuộc cách mạng AI. Trong khi đó, các nhà nghiên cứu đã bẻ khóa các vấn đề đã ám ảnh Khoa học Máy tính trong nhiều thập kỷ, như nhận ra các vật thể từ hình ảnh hoặc dịch sách. Các nhà nghiên cứu đã phát hành thuật toán nguồn mở của họ, cho phép các đồng nghiệp hoặc nhà phát triển của họ học hỏi từ những phát hiện của họ, do đó thúc đẩy tốc độ cải tiến.
Ba nhóm người kiếm được nhiều tiền nhất nhờ bước nhảy vọt trong công nghệ này: các doanh nhân công nghệ, các nhà đầu tư mạo hiểm đã tắm cho họ bằng tiền, và một số ít chuyên gia AI đã thấy lương của họ tăng lên bảy con số vì sự khan hiếm tài năng.
Nhanh chóng chuyển tiếp đến ngày hôm nay. Sự cường điệu có lẽ đã đạt đến đỉnh điểm, với các nhà nghiên cứu AI xuất hiện trong quảng cáo nước hoa cùng với các rapper, các công ty không có cốt lõi quảng cáo về tính năng AI trong các sản phẩm của họ và các nhà báo viết về AI trên các ấn phẩm đại chúng.
Sự bùng nổ bất ngờ của sự quan tâm của công chúng về AI có một số nhược điểm. Trước hết, ngày càng khó để có được thông tin chất lượng cao. Khi các cổ phần phát triển cao hơn trong cuộc đua về AI, các nhà báo và nhà xuất bản đang gấp rút đưa tem AI AI vào các sản phẩm của họ, khiến người nào đó không có chuyên môn kỹ thuật để tìm ra chính xác AI là gì, không phải là gì và là gì ý nghĩa của công nghệ này. Trọng tâm cũng là sai lầm, vì các phương tiện truyền thông đang thu hút sự chú ý đến những mánh lới quảng cáo AI hào nhoáng hoặc tin tức giật gân về các kịch bản giống như kẻ hủy diệt đang đến gần. Những gì bị bỏ lại phía sau là những ứng dụng AI ít hào nhoáng nhưng có lợi nhuận cao hơn cho phép các công ty như Amazon tăng doanh số lên 35%, Google cắt giảm 40% hóa đơn năng lượng của họ, Pinterest tăng mức độ tham gia của người dùng lên 30%,
Nếu ý tưởng về việc bạn chịu trách nhiệm về hiệu suất như mơ trong tổ chức của bạn khiến bạn nổi da gà, bạn sẽ nhận ra rằng việc hiểu AI không chỉ quan trọng để cập nhật những gì đang diễn ra trên thế giới. Hiểu nó cũng là chìa khóa để thay đổi căn bản những gì các công ty có thể đạt được: điều thúc đẩy chúng tôi viết cuốn sách này là cho phép mọi người nắm bắt những cơ hội này.

Cuốn sách này dành cho ai?

Năm năm trước, không có kiến ​​thức công nghệ, nền tảng, tài năng và công cụ để xây dựng AI. Nếu chúng tôi phải viết cuốn sách này sau đó, chúng tôi sẽ viết một cuốn sách cho các nhà công nghệ và lập trình viên. Đây không phải là bạn là ai trong tâm trí của chúng tôi.
Bạn không phải là một chuyên gia công nghệ. Bạn là người hiểu sâu sắc về một ngành và những thách thức của nó, và cần biết đủ về AI để xây dựng một tầm nhìn độc đáo về cách AI có thể giải quyết những vấn đề này. Bạn có thể làm việc cho các tổ chức lớn, làm CEO hoặc giám đốc kinh doanh và muốn công ty của bạn duy trì tính cạnh tranh trong những thời điểm thay đổi nhanh chóng này. Bạn cũng có thể làm việc cho các công ty nhỏ hơn và muốn thấy họ phát triển để đạt đến tầm cao và mục tiêu mới mà không ai trong số các đồng nghiệp của bạn từng mơ ước. Hoặc bạn có thể là một doanh nhân, nhìn vào hành trình tiếp theo của bạn để xây dựng các sản phẩm và dịch vụ mới khiến khách hàng thích thú. Có thể bạn thậm chí là một sinh viên hoặc mới tốt nghiệp, và bạn muốn trở thành duy nhất trong một thị trường việc làm ngày càng cạnh tranh.
Theo kinh nghiệm là Tư vấn và Kỹ sư, chúng tôi đã gặp nhiều người sáng giá như thế này trong khi giúp cả những công ty mới thành lập và các tập đoàn lớn khởi động những nỗ lực AI của họ. Họ có các tiêu đề khác nhau trên danh thiếp của họ, nhưng những gì họ có chung là kiến ​​thức về ngành công nghiệp của họ và một niềm đam mê mạnh mẽ để đẩy tổ chức của họ vào lãnh thổ mới. Những gì họ bỏ lỡ là một sự hiểu biết rõ ràng về AI là gì, nó có thể làm gì và làm thế nào họ có thể sử dụng nó trong tổ chức của họ. Đây là những gì cuốn sách này là về. Đó là nỗ lực của chúng tôi để cô đọng kinh nghiệm giảng dạy và tư vấn của chúng tôi, và khởi đầu con đường của họ để trở thành thứ mà chúng tôi gọi là nhà truyền giáo AI : các nhà lãnh đạo giác ngộ có thể hướng dẫn tổ chức của họ vào kỷ nguyên AI.
Hình 1.1: Nhà truyền giáo AI là người kết hợp kiến ​​thức chuyên môn về miền và kiến ​​thức về AI để giải quyết các thách thức đặc thù của ngành

Các thành phần mà bạn cần để trở thành một nhà truyền giáo AI không phải là các công thức toán học phức tạp hoặc các ngôn ngữ lập trình ưa thích và bạn không cần nhiều năm đào tạo; bạn có thể học những gì bạn cần từ cuốn sách này. Bạn sẽ tìm hiểu chính xác AI là gì và nó có thể và không thể làm gì. Bạn sẽ có thể nhìn thấy một vấn đề và đánh giá sự phù hợp của nó đối với công nghệ AI trước khi để một nhà khoa học dữ liệu tiếp quản các bit công nghệ. Bạn sẽ tìm hiểu cách săn lùng các trường hợp sử dụng AI trong một tổ chức và khi bạn nhận ra các mô hình đánh dấu một vấn đề kinh doanh phù hợp với AI, bạn sẽ biết cách tạo ra một chiến lược có hiểu biết để tạo ra mua trong cơ quan. Bạn sẽ học được những lời khuyên có giá trị để đảm bảo rằng dự án đúng thời hạn, đúng mục tiêu và ngân sách,
Bước đầu tiên để trở thành một nhà truyền giáo AI là hiểu AI là gì và tại sao đến lúc này. Từ kinh nghiệm của chúng tôi, cách tốt nhất để hiểu điều này là bằng cách nhìn vào lịch sử. Băt đâu nao.

1.2 Con đường đến với AI hiện đại

Là con người, chúng tôi luôn cố gắng tìm cách hiểu thế giới xung quanh và bẻ cong Thiên nhiên để đáp ứng mục tiêu của chúng tôi. Để làm như vậy, chúng tôi luôn dựa vào các công cụ bên ngoài để khuếch đại khả năng của bộ não.
Có lẽ công cụ nâng cấp não người đầu tiên của người Viking là Bàn tính, được phát minh ra cách đây khoảng 7000 năm để giúp mọi người thực hiện các phép tính. Con người vẫn phải thực hiện các tính toán này, và chúng ta cần đợi những năm 1960 trước khi nhìn thấy những cỗ máy đầu tiên giải phóng con người khỏi nhiệm vụ khủng khiếp là cộng và trừ các số: các máy tính đầu tiên. Máy tính đã đi một chặng đường dài kể từ đó, nhưng sâu bên dưới khả năng của chúng vẫn còn khá đơn giản: thực hiện các phép tính chính xác như một số (chuyên gia) con người đã hướng dẫn chúng. Ngay cả khi ở tốc độ đáng kinh ngạc, máy tính vẫn là chỉ có khả năng xử lý một số dạng kiến ​​thức được mã hóa bởi con người, ở quy mô. Trí tuệ nhân tạo là bước tiến hợp lý tiếp theo trong loài người này để hiểu bản chất và sử dụng nó cho các mục tiêu của chúng ta.
Lần đầu tiên hai từ này, bộ phận nhân tạo và trò chơi trí thông minh được đặt cùng nhau là ngày 31 tháng 8 năm 1955, khi prof. John McCarty từ Đại học Dartmouth, cùng với ML Minsky, N. Rochester và CE Shannon, đã yêu cầu quỹ Rockefeller tài trợ cho một mùa hè nghiên cứu về Trí tuệ nhân tạo. Đề xuất nêu:
Chúng tôi đề xuất rằng một nghiên cứu 2 tháng, 10 người về trí tuệ nhân tạo sẽ được thực hiện vào mùa hè năm 1956 tại Đại học Dartmouth ở Hanover, New Hampshire. Nghiên cứu này được tiến hành trên cơ sở phỏng đoán rằng mọi khía cạnh của việc học hoặc bất kỳ tính năng nào khác của trí thông minh về nguyên tắc có thể được mô tả chính xác đến mức một cỗ máy có thể được chế tạo để mô phỏng nó. Một nỗ lực sẽ được thực hiện để tìm cách làm cho máy móc sử dụng ngôn ngữ, hình thành khái niệm trừu tượng và khái niệm, giải quyết các loại vấn đề hiện được dành riêng cho con người và cải thiện bản thân. Chúng tôi nghĩ rằng một tiến bộ đáng kể có thể được thực hiện trong một hoặc nhiều vấn đề này nếu một nhóm các nhà khoa học được lựa chọn cẩn thận cùng nhau giải quyết nó trong một mùa hè.
Hình 1.2: Năm trong số các nhà nghiên cứu của Dartmouth và trang đầu của đề xuất của họ.

Nhóm các nhà nghiên cứu biết rằng việc giải quyết toàn bộ trí thông minh là một thách thức quá khó khăn, cả vì những hạn chế kỹ thuật và sự phức tạp vốn có của nhiệm vụ, như họ đã nêu trong bản đề xuất:
Tốc độ và dung lượng bộ nhớ của các máy tính hiện tại có thể không đủ để mô phỏng nhiều chức năng cao hơn của bộ não con người, nhưng trở ngại lớn không phải là thiếu công suất máy, mà là chúng ta không thể viết chương trình tận dụng tối đa những gì chúng ta có.
Thay vì giải quyết khái niệm rộng về trí thông minh, các nhà nghiên cứu quyết định tập trung vào các vấn đề phụ. Sau này, các ứng dụng này đã được gọi là AI Narrow AI, trong khi Trí tuệ nhân tạo có khả năng phù hợp hoặc vượt qua khả năng của con người nói chung sẽ được gọi là Tổng quát AI Hồi. Chi tiết hơn:
  • AI chung (hoặc AI mạnh): Một chương trình Trí tuệ nhân tạo có khả năng giải quyết mọi loại vấn đề mà nó đưa ra. Điều này tương tự như một con người cực kỳ mạnh mẽ và bạn có thể nghĩ về nó như một con robot đến từ Term Terminator (hoặc hy vọng là một phiên bản hòa bình hơn của nó).
  • Thu hẹp AI : Một chương trình Trí tuệ nhân tạo có khả năng giải quyết một vấn đề cụ thể. Nó có thể rộng (nhận dạng đối tượng từ hình ảnh) hoặc cực kỳ cụ thể (dự đoán khách hàng nào đã mua sản phẩm A có nhiều khả năng cũng mua sản phẩm B). Điều quan trọng là AI này có thể thực hiện một nhiệm vụ tại một thời điểm chứ không phải bất kỳ nhiệm vụ nào khác.
AI nói chung vẫn còn rất xa; các nhà nghiên cứu đưa ra những chân trời khác nhau khi cuối cùng chúng ta sẽ đạt được nó, nhưng nhiều người hoài nghi về tính chính xác của những dự đoán này và một số tranh luận chúng ta sẽ không bao giờ đạt được. Mặc dù AI nói chung vẫn là một giấc mơ xa vời, mờ nhạt, đây là điều mà nhiều người nghĩ đến khi AI được nhắc đến trong tin tức. Nếu bạn là một trong số họ, đừng tuyệt vọng: các ứng dụng AI hẹp là những gì đóng góp cho vận may của nhiều công ty ngày nay . Ví dụ, một AI có khả năng phát hiện một loại ung thư phổi cụ thể là một ứng dụng AI rất hẹp, nhưng vẫn cực kỳ hữu ích.
Kết quả của mùa hè nghiên cứu ở Dartmouth đủ thú vị để khơi dậy một làn sóng phấn khích và hy vọng trong số những người tham gia. Sự phấn khích của các nhà khoa học là dễ lây lan ngay cả đối với chính phủ Hoa Kỳ, đã bắt đầu tài trợ rất nhiều cho nghiên cứu trên một ứng dụng rất cụ thể: bản dịch tiếng Anh / tiếng Nga. Hãy nghĩ về nó: chúng ta đang ở giữa Chiến tranh Lạnh. Tìm kiếm các dịch giả tiếng Nga đáng tin cậy là không dễ dàng và chi phí, rủi ro và thời gian của việc dịch các tài liệu bị chặn là cao. Một dịch giả máy sẽ có giá trị vô cùng lớn đối với chính phủ Hoa Kỳ.
Sau vài năm đầu tiên phát triển, một ủy ban đã được thành lập vào năm 1964 để đánh giá tiến bộ đạt được về ngôn ngữ học tính toán và dịch máy. Ủy ban này được gọi là ALPAC (Ủy ban tư vấn xử lý ngôn ngữ tự động), và vào năm 1966 đã tạo ra báo cáo ALPAC khét tiếng, một báo cáo dài có nhiều ý kiến ​​không tích cực của nhiều nhà nghiên cứu:
Các bản dịch máy ban đầu của văn bản đơn giản hoặc được chọn [Khiên] cũng được khuyến khích một cách khôn ngoan như bản dịch máy của Cameron, văn bản khoa học nói chung đã được khuyến khích thống nhất. [Tất nhiên] Không ai có thể đảm bảo, tất nhiên, chúng tôi sẽ không đột ngột hoặc ít nhất là nhanh chóng đạt được bản dịch máy, nhưng chúng tôi cảm thấy rằng điều này rất khó xảy ra.
[...] Không có triển vọng ngay lập tức hoặc có thể dự đoán về dịch máy hữu ích.
Báo cáo ALPAC đánh dấu sự khởi đầu của một giai đoạn được gọi là đầu tiên của AI mùa đông AI: tài trợ công cho nghiên cứu AI đã dừng lại, sự phấn khích nguội dần và các nhà nghiên cứu tập trung công việc của họ vào các lĩnh vực khác.
Sự quan tâm đến AI không thay đổi cho đến những năm 1980, khi các công ty tư nhân như IBM, Lisp Machines và Xerox bắt đầu đầu tư hàng tấn ngân sách R & D để thúc đẩy một mùa xuân AI mới. Hy vọng mới dựa vào một công nghệ có tên là hệ thống chuyên gia của hệ thống: các chương trình máy tính đã mã hóa kiến ​​thức của một chuyên gia về con người trong một lĩnh vực nhất định, dưới dạng các quy tắc chính xác, nếu có thì là. Một ví dụ sẽ giúp bạn hiểu cách các hệ thống chuyên gia được thiết kế để hoạt động.
Giả sử bạn muốn xây dựng một hệ thống AI có thể thay thế cho một bác sĩ tiêu hóa. Cách tiếp cận hệ thống chuyên gia sẽ giống như thế này: bạn gặp bác sĩ và yêu cầu anh ta mô tả với độ chính xác cực cao cách anh ta đưa ra quyết định về bệnh nhân. Sau đó, bạn yêu cầu một nhà khoa học máy tính biến đổi một cách tỉ mỉ dòng chảy kiến ​​thức và chẩn đoán của bác sĩ dưới dạng quy tắc của if if-then có thể được hiểu và thực hiện bằng máy tính. Ở bên trong, một phiên bản cực kỳ đơn giản sẽ trông giống như thế này:
Nếu bệnh đau dạ dày và nhiệt độ cơ thể cao thì bệnh nhân bị cúm.
Nếu bệnh nhân ăn thức ăn hết hạn thì bệnh nhân bị ngộ độc thực phẩm.
Và như vậy. Khi kiến ​​thức của bác sĩ được mã hóa vào phần mềm và một bệnh nhân đến, phần mềm sẽ đi theo con đường quyết định giống như bác sĩ và (hy vọng) đưa ra chẩn đoán. Có một số vấn đề với phương pháp này:
  1. Khả năng thích ứng kém: cách duy nhất để phần mềm cải thiện là quay trở lại bảng vẽ với một nhà khoa học máy tính và chuyên gia (tức là bác sĩ).
  2. Độ giòn cực cao: hệ thống sẽ thất bại khi gặp các tình huống không phải là một phần của thiết kế ban đầu.
  3. Khó khăn để duy trì: sự phức tạp của một hệ thống như vậy là rất lớn. Khi hàng ngàn quy tắc được đặt cùng nhau, cải thiện nó hoặc thay đổi nó là vô cùng phức tạp, chậm và tốn kém.
Hệ thống chuyên gia là một thất bại thương mại. Đến cuối thập niên 80, nhiều công ty đang phát triển chúng đã phá sản, đánh dấu sự khởi đầu của mùa đông AI thứ hai. Mãi đến đầu những năm 2000, thế hệ tiếp theo của AI đã xuất hiện, được thúc đẩy bởi một ý tưởng cũ đã trở thành mới một lần nữa: Machine Learning . Định nghĩa đầu tiên về Machine Learning bắt nguồn từ năm 1959, khi Arthur Samuel mô tả lĩnh vực như thế này:
Lĩnh vực nghiên cứu cung cấp cho máy tính khả năng học hỏi mà không được lập trình rõ ràng.
Các yếu tố chính ở đây là học tập và trên mạng mà không được lập trình rõ ràng . Hãy tập trung vào cái sau trước. Lập trình rõ ràng một máy tính có nghĩa là xác định các quy tắc và hướng dẫn mà nó phải tuân theo để thực hiện một nhiệm vụ cụ thể. Đây là những gì Kỹ sư phần mềm làm khi họ viết phần mềm để đóng thuế, chạy tàu hoặc chỉnh sửa bảng tính. Mặc dù điều này có vẻ như là một nghề nghiệp tầm thường, nhưng thực tế nó không phải là trong nhiều trường hợp. Hãy thử nghĩ về những hành động và quyết định khác nhau mà bạn thực hiện khi bạn thực hiện một số nhiệm vụ hàng ngày: bạn có thể giải thích quá trình bạn làm theo để nhận ra bạn bè của bạn khi bạn nhìn thấy họ không? Tất cả các quyết định bạn đưa ra trong khi lái xe? Bạn có thể liệt kê tất cả các quy tắc ngữ pháp tiếng Anh bạn áp dụng khi bạn nói chuyện không?
Hướng dẫn lập trình rõ ràng để thực hiện một nhiệm vụ có thể cực kỳ khó khăn. Nguyên vẹn, đây là cách tiếp cận theo sau bởi các hệ thống chuyên gia và chúng tôi đã thấy rằng họ đã không đi được rất xa. Arthur Samuel đề xuất thay thế cách giải thích của người Viking bằng cách học hỏi bằng cách học ví dụ, đó là (chính là trùng hợp?) Chính xác là những gì chúng ta làm khi là người khi chúng ta được đưa vào thế giới: mẹ và cha chúng ta không dạy chúng ta về sự khác biệt giữa một con chó và một con mèo bằng cách tổ chức một lớp thú y, chúng chỉ đơn giản cho chúng ta những ví dụ mà chúng ta có thể học hỏi.
Theo cùng một cách, các kỹ thuật Machine Learning (ML) cho phép máy tính học từ dữ liệu. Một giải pháp ML cho vấn đề chó hay mèo Mèo rất giống với kinh nghiệm học tập thời thơ ấu của chúng tôi: chúng tôi cho máy tính ăn hàng ngàn hình ảnh của mèo và nói với nó rằng đây là những con mèo, hàng ngàn hình ảnh của chó và nói với nó rằng đây là những con chó Nghiêng, và để nó tìm ra sự khác biệt giữa hai thú cưng một cách tự động. Chúng tôi không phải giải thích đâu là yếu tố chính giúp phân biệt chó với mèo, nó có thể tìm ra điều đó từ các ví dụ chúng tôi cho nó ăn.
Hình 1.3: Sự khác biệt giữa phương pháp lập trình truyền thống và học máy: đầu tiên dựa trên các quy tắc và hướng dẫn chính xác, sau là về dữ liệu và học tập.

Bạn có thể bắt đầu hiểu tại sao ML không thể nở rộ trước những năm 2000. Thành phần chính của bộ kỹ thuật này là dữ liệuvà dữ liệu chưa bao giờ dễ dàng thu thập với số lượng lớn kể từ khi Internet bắt đầu. Thành phần quan trọng khác của ML là sức mạnh tính toán: học từ dữ liệu không xảy ra miễn phí và máy tính cần bộ xử lý nhanh để thực hiện nhiệm vụ này. Trong những năm gần đây nhờ sự phát triển của bộ xử lý, card đồ họa và điện toán đám mây, việc truy cập vào các máy tính mạnh mẽ chưa bao giờ rẻ và dễ dàng đến thế. Để giúp bạn hiểu được mọi thứ đã thay đổi như thế nào, chúng tôi đã hỏi nó hoạt động như thế nào trên ML 20 năm trước với Alex Waibel, một trong những người tiên phong về AI trong Nhận dạng lời nói và trong số những người thuê đầu tiên của nhóm AI của Facebook. Máy tính mạnh nhất anh ta có thể sử dụng vào đầu những năm 2000 là ở Nhật Bản và anh ta cần thuê nó để đào tạo các mô hình của mình. Hôm nay, anh ta thêm sức mạnh tính toán ngồi trên bàn của mình.
Sự sẵn có của dữ liệu và sức mạnh tính toán giá rẻ đã tạo ra môi trường hoàn hảo để Machine Learning nở rộ. Thật vậy, nhiều (hầu hết) các ứng dụng hướng tới người tiêu dùng tuyệt vời nhất mà chúng ta gọi là AI AI, ngày nay phụ thuộc rất nhiều vào ML: trợ lý ảo giọng nói Siri, Google Search, Google Dịch và nhận dạng khuôn mặt trên Facebook. Trên thực tế, sự thành công của AI phụ thuộc rất nhiều vào các kỹ thuật ML đến nỗi có khá nhiều nhầm lẫn về sự khác biệt giữa hai loại này. Trí tuệ nhân tạo là gì? Hãy cùng tìm hiểu.

1.3 Rốt cuộc trí tuệ nhân tạo là gì?

Trong số hai từ trong thuật ngữ Trí thông minh nhân tạo, thì từ khó nhất để định nghĩa là Trí thông minh. Thật không may, các nhà triết học và các nhà khoa học đã tranh luận trong nhiều thế kỷ về trí thông minh thực sự là gì, và thực tế này chỉ khiến bất cứ ai cố gắng đưa ra một định nghĩa chính xác về AI. Cuốn sách này sẽ không cố gắng để làm điều đó. Thay vào đó, vì mục tiêu của chúng tôi là hỗ trợ bạn trong cuộc sống chuyên nghiệp, chúng tôi sẽ tập trung vào việc tìm một định nghĩa phù hợp với chúng tôi và giúp bạn thoải mái với những lý lẽ phổ biến nhất. Chúng tôi đã bị thách thức nhiều lần bởi các khách hàng, đồng nghiệp hoặc khán giả hội nghị, những người có ý tưởng khác nhau về AI là gì. Dường như tất cả mọi người đặt thanh ở một độ cao khác nhau cho những gì xứng đáng với thuật ngữ này và chúng tôi thấy rằng việc có thể tranh luận một cách có ý thức về chủ đề này rất quan trọng đối với một nhà truyền giáo AI.
Chúng tôi có thể cố gắng xác định trí thông minh nhân tạo của người Viking bằng cách tìm ra những đặc điểm của con người mà chúng tôi cho rằng cần có trí thông minh. Mặc dù đây là một cách tiếp cận phổ biến, nhưng không khó để thấy rằng nó có những thiếu sót nghiêm trọng. Chẳng hạn, một con người có thể chia 1911 cho 13 trong đầu chắc chắn sẽ được gọi là thông minh, và đối tác nhân tạo của nó là một máy tính bỏ túi 2 đô la mà không ai dám gọi là AI AI. Mặt khác, chúng tôi không bao giờ gọi ai đó là thông minh chỉ vì anh ấy có thể lái xe trong điều kiện giao thông lớn, nhưng một chiếc xe tự lái thường được coi là một trong những hình thức AI khó khăn nhất mà ngành công nghệ đang làm việc ngày nay.
Khi máy tính giải quyết các nhiệm vụ mà chúng tôi không mong đợi chúng có thể thực hiện, chúng tôi gọi chúng là AI. Sau một thời gian, chúng tôi đã quen với các khả năng mới nhất và chúng tôi dừng việc sử dụng chúng dưới sự bảo trợ của AI AI. Đây được gọi là hiệu ứng AI AI. Hiệu ứng AI của AI là một hiện tượng được nghiên cứu kỹ lưỡng xảy ra mỗi khi các nhà nghiên cứu đạt được một cột mốc mới trong nghiên cứu AI, như đánh bại nhà vô địch thế giới về cờ vua, hoặc xây dựng một trợ lý cá nhân kích hoạt bằng giọng nói. Bất cứ khi nào một kỹ thuật hoặc thuật toán AI mới bắt đầu hoạt động đủ tốt để tác động đến cuộc sống hàng ngày của chúng tôi, thì dư luận bắt đầu coi đó là điều hiển nhiên, ngừng gọi nó là AI AI, và gọi nó là công nghệ hàng hóa khác.
Để cho bạn cảm nhận về hiệu ứng AI trong hành động, Paul Graham, người sáng lập công cụ tăng tốc khởi nghiệp thành công nhất ở Thung lũng Silicon và được cho là một trong những người hướng tới tương lai nhất từng sống, năm 2002 đã viết một bài blog đề xuất cách tiếp cận dựa trên ML phát hiện email spam. Anh ấy rất tự hào về những nỗ lực của mình, và gọi chúng là Trí thông minh nhân tạo. Chuyển tiếp nhanh hai mươi năm và máy phát hiện spam tự động là một công nghệ nhàm chán đến mức chúng ta sẽ không bao giờ gọi nó là AI.
Theo hiệu ứng AI, có vẻ như các cột gôn cho những gì chúng ta gọi là AI AI, cứ tiếp tục di chuyển nhanh như công nghệ cải thiện. Định nghĩa về AI AI, chúng tôi rút ra từ những cân nhắc này là AI là một phần mềm làm một điều gì đó thú vị và đáng ngạc nhiên . Chúng tôi không biết về bạn, nhưng đó thực sự không phải là một định nghĩa rất thỏa mãn. Đây là của chúng tôi thay vì:
Ứng dụng công nghệ giải quyết vấn đề hoặc thực hiện một nhiệm vụ mà không cần hướng dẫn của con người
Như bạn có thể thấy, nó tập trung vào công nghệ , thay vì các kỹ thuật cụ thể được sử dụng để xây dựng nó Nó cũng có chủ ý chung chung và bao gồm nhiều ứng dụng mà một số người có thể không đồng ý với việc xác định AI. Bài phê bình phổ biến mà bạn sẽ nghe (đã ở đó, đã hoàn thành) là ứng dụng X không phải là AI, đó chỉ là Machine Learning.
Chúng tôi đã nghe nó rất nhiều lần đến nỗi chúng tôi trở thành chuyên gia phản biện, và vì điều đó có thể xảy ra với bạn cũng như chúng tôi sẽ cho bạn biết cách làm như vậy. Bạn có thể cắt ngắn nó lại và hỏi Lọ là học một phần của Trí thông minh? Vì câu trả lời thường được thống nhất cho câu hỏi này là tích cực, một máy tính học từ dữ liệu là một dạng của AI. Thuật toán ML cũng có nhiều đặc điểm khác thường liên quan đến trí thông minh: khả năng thích ứng, xử lý các tình huống bạn chưa từng thấy trước đây, cải thiện bằng kinh nghiệm, v.v.
Câu trả lời sâu hơn (và tinh tế hơn) là câu hỏi không được đặt ra. Như chúng ta đã nói trước đây, bạn có thể thấy ML là một hộp công cụ chứa đầy các thuật toán và kỹ thuật mà các lập trình viên có thể sử dụng để làm cho máy tính học từ dữ liệu. Trí tuệ nhân tạo có thể là sản phẩm của việc sử dụng các công cụ ML. So sánh hai thuật ngữ cũng giống như hỏi liệu điêu khắc có phải là một tác phẩm nghệ thuật hay không: nó không có ý nghĩa gì. Điêu khắc có thể tạo ra một tác phẩm điêu khắc là một tác phẩm nghệ thuật, nhưng hành động điêu khắc chính nó không là gì ngoài một công cụ để (cuối cùng) làm nghệ thuật. Sự nhầm lẫn xuất hiện bởi vì trong khi chắc chắn có thể xây dựng các ứng dụng AI mà không cần ML (như chúng tôi đã làm trong nhiều thập kỷ), ngày nay ML là công cụ mạnh nhất mà chúng tôi biết và chịu trách nhiệm cho hầu hết các thành công thương mại.
Tóm lại:
  • Machine Learning là một tập hợp các kỹ thuật để cho phép máy tính học từ dữ liệu
  • Trí tuệ nhân tạo hẹp là một công nghệ giải quyết một nhiệm vụ cụ thể mà không cần sự chỉ dẫn của con người
  • Trí tuệ nhân tạo nói chung là một công nghệ có khả năng giải quyết vô số nhiệm vụ mà không cần sự chỉ dẫn của con người
  • Tất cả các ứng dụng hiện đại của AI đều hẹp
  • Hầu như tất cả các ứng dụng hiện đại của AI đều được xây dựng bằng Machine Learning
  • Chúng ta có thể coi sản phẩm của ML là một AI hẹp
Cuối cùng, một thuật ngữ khác thu thập rất nhiều sự cường điệu nhưng thường bị hiểu nhầm là Khoa dữ liệu khoa học (DS). Một số người coi AI là tập hợp con của DS, một số người khác coi DS là tập hợp con của AI và một số người coi chúng là hai nhóm riêng biệt với một số ứng dụng tại giao điểm của chúng. Nếu mục tiêu của bạn là sử dụng các công nghệ này trong tổ chức của bạn, việc thảo luận về sơ đồ venn có lẽ không liên quan đến bạn. Điều quan trọng là bạn hiểu những gì thường là sự khác biệt cốt lõi giữa hai.
Thông thường, AI được sử dụng như một phần mềm trực tiếp: nó thực hiện một nhiệm vụ cụ thể hết lần này đến lần khác, trực tiếp. Chẳng hạn, khi bạn sử dụng Facebook, có một thuật toán liên tục chọn nội dung tốt nhất để hiển thị cho bạn khi bạn cuộn: đây là một ứng dụng AI. Mặt khác, Khoa học dữ liệu liên quan đến việc trích xuất thông tin chi tiết từ dữ liệu và các ứng dụng của nó chủ yếu là một trò chơi one-shot-shot: bạn trích xuất một số thông tin chi tiết và trình bày chúng dưới dạng bản trình bày hoặc báo cáo. Nếu chúng ta tiếp tục sử dụng Facebook làm ví dụ, nếu Mark Zuckerberg hỏi về loại nội dung nào phổ biến nhất đối với thanh thiếu niên Mỹ? Chủ yếu là quan tâm đến âm nhạc và phim truyền hình trực tuyến.
Bảng 1.1: Sự khác biệt chính giữa AI và Khoa học dữ liệu
Trí tuệ nhân tạo
Khoa học dữ liệu
Tự động hóa các nhiệm vụ hoặc dự đoán các sự kiện trong tương lai dựa trên dữ liệu
Tạo ra những hiểu biết dựa trên dữ liệu
Được sử dụng phổ biến trên mạng sống trực tuyến: nó liên tục xây dựng dữ liệu mới và đưa ra câu trả lời
Thông thường, một trong những người khác là người Hồi giáo: nó tạo ra một số hiểu biết cung cấp các quyết định.
Nó thường có dạng phần mềm
Nó thường có hình thức trình bày hoặc báo cáo
Hy vọng rằng bây giờ bạn tự tin hơn nhiều với AI là gì và khi thảo luận về các chủ đề này với các đồng nghiệp. Đã đến lúc bắt đầu tìm hiểu các nguyên tắc cốt lõi của AI, những gì bạn có khả năng có thể làm với nó và cách mang công nghệ biến đổi này trong tổ chức của bạn. Trong phần tiếp theo, chúng tôi sẽ giải thích các bước của hành trình này là gì và cách cuốn sách này hướng dẫn bạn qua chúng.

1.4 Lộ trình của bạn để tìm hiểu AI - cuốn sách này được cấu trúc như thế nào

Chúng tôi đã thiết kế cuốn sách này để trở thành một giải pháp một cửa để bạn hiểu về AI và đưa nó vào tổ chức của bạn. Vì bạn sẽ cần hai bộ kỹ năng cơ bản, cuốn sách cũng được chia thành hai phần:
  1. Phần 1 (chương 2 đến 6): Tìm hiểu về AI. Bạn sẽ học những nguyên tắc quan trọng nhất của Trí tuệ nhân tạo.
  2. Phần 2 (chương 7 đến 10): Xây dựng AI. Bạn sẽ có được khả năng hình dung và thực hiện các dự án AI.
Hãy xem lý do tại sao bạn cần tìm hiểu hai phần này và cách chúng tôi tiếp cận chúng trong cuốn sách.
Trước hết, chúng tôi nghĩ rằng điều tối quan trọng là phải hiểu các loại hạt và bu lông của AI. Chúng tôi nhận thấy rằng những người phi kỹ thuật tiếp cận AI mà không có hiểu biết vững chắc về các nguyên tắc của nó thường sẽ mơ về những dự án đơn giản là không thể xây dựng, hoặc bỏ lỡ những quả treo thấp có thể dễ dàng xử lý bằng AI. Sau phần đầu tiên của cuốn sách, bạn sẽ biết tất cả các nguyên tắc AI bạn cần để tránh điều này và tận dụng tốt nhất công nghệ.
Đến bây giờ bạn sẽ hiểu rằng hầu như tất cả các ứng dụng AI hiện đại đều dựa vào Machine Learning và Machine Learning là tất cả về việc học từ dữ liệu. Đây là lý do tại sao chúng tôi sử dụng dữ liệu làm hướng dẫn của bạn để hiểu AI. Mỗi chương của phần đầu tiên của cuốn sách sẽ tập trung vào một loại dữ liệu cụ thể, cho bạn thấy cách bạn có thể phát hiện ra nó trong tổ chức của mình, bạn có thể làm gì với nó và giải thích thực tế về cách thức hoạt động của công nghệ.
Mỗi chương sử dụng một ví dụ đồ chơi để giới thiệu các khái niệm ML bạn cần. Chúng tôi thấy rằng đây là cách hiệu quả nhất để dạy các khái niệm ML mà nếu không quá khô khan và trừu tượng. Chúng tôi đã không đào sâu vào các khía cạnh công nghệ vì hai lý do đơn giản:
  • công nghệ thay đổi nhanh đến mức các chi tiết của nó sẽ sớm trở nên lỗi thời
  • Nói một cách đơn giản, bạn không cần nó. Công việc của một nhà truyền giáo AI là tìm kiếm các trường hợp sử dụng cho AI trong một tổ chức và đưa nó vào kỷ nguyên AI, chứ không phải viết mã.
Từ kinh nghiệm của chúng tôi với tư cách là Kỹ sư, chúng tôi biết rằng nhóm kỹ thuật của bạn có thể khó giao tiếp với những người không có chút hiểu biết về kỹ thuật. Chúng tôi không muốn bạn trở thành người đó, vì vậy chúng tôi đã đảm bảo rằng bạn biết về (một số) khía cạnh kỹ thuật của các dự án AI. Ngay cả khi bạn để chúng trong tay nhóm của bạn, biết về họ sẽ giúp bạn lập kế hoạch và quản lý những nỗ lực.
Vào cuối mỗi chương của Phần 1, có một hoặc nhiều trường hợp kinh doanh trong thế giới thực về các công ty đạt được kết quả phi thường. Trong phạm vi chúng tôi đề cập đến các công ty, sản phẩm hoặc dịch vụ cụ thể, hãy nhớ rằng chúng tôi làm như vậy bởi vì chúng tôi muốn bạn phát triển nhận thức, nhưng bạn không nên cảm thấy hạn chế đối với họ theo bất kỳ cách nào. Chúng tôi không có liên kết hay cổ phần trong bất kỳ công ty nào chúng tôi nói trong cuốn sách, điều đó xảy ra rằng họ đang làm những thứ tuyệt vời và chúng tôi nghĩ rằng việc biết về những gì họ đã làm sẽ giúp bạn. Khi trình bày các trường hợp, chúng tôi đã theo một phương pháp lấy cảm hứng từ phương pháp trường hợp Harvard, vì vậy trước tiên chúng tôi sẽ trình bày trường hợp theo cách trung lập nhất có thể, và cuối cùng hỏi bạn một số câu hỏi. Ngay sau đó, chúng tôi cung cấp cho bạn câu trả lời của chúng tôi cho những câu hỏi và lời nhắc này để thảo luận thêm.bạn sẽ trả lời dựa trên những gì bạn đã học và những gì bạn đã đọc trong vụ án, và chỉ sau đó đọc chúng tôi. Xin lưu ý rằng không có giải pháp duy nhất cho các câu hỏi mà chúng tôi đã hỏi: nếu bạn thấy một số điều thú vị về các trường hợp mà chúng tôi không đưa vào câu trả lời, thì tốt quá! Điều này có nghĩa là bạn đã học được những gì bạn cần và có thể tự rút ra những hiểu biết sâu sắc (vì vậy nếu điều đó xảy ra, chúng tôi cũng đã đạt được mục tiêu của mình với cuốn sách này).
Phần thứ hai của cuốn sách được xây dựng trên phần thứ nhất, tập trung vào các khía cạnh chiến lược hơn mà bạn cần ghi nhớ khi đưa AI vào tổ chức của mình. Chúng tôi sẽ tập trung vào ba chủ đề chính:
  • tìm trường hợp sử dụng cho AI
  • xây dựng chiến lược thực hiện
  • phát triển tổ chức của bạn để có được lợi ích tối đa từ kỷ nguyên AI
Phần thứ hai của cuốn sách được lấy cảm hứng từ kinh nghiệm của chúng tôi là Tư vấn và Kỹ sư. Chúng tôi đã nhận thấy rằng nhiều công ty có nhiều tiềm năng về AI nhưng không thể tìm thấy cơ hội, trong khi những công ty khác có những ý tưởng thú vị nhưng không quản lý được việc triển khai thành công.
Đến cuối phần 2, bạn sẽ có một ý tưởng rõ ràng về:
  • các yếu tố của một dự án AI tiềm năng cao,
  • Làm thế nào để thiết kế một chiến lược tinh gọn, phá vỡ một dự án theo các bước nhỏ, giảm rủi ro và tăng tính linh hoạt
  • Làm thế nào để cân bằng giữa trái cây treo thấp và tầm nhìn dài hạn
  • Làm thế nào để tập hợp một lực lượng đặc nhiệm AI
  • các yếu tố mà bạn cần xem xét thay đổi trong tổ chức của mình trước khi nó sẵn sàng cho kỷ nguyên AI
Bây giờ bạn biết những gì phía trước, hãy bắt đầu cuộc hành trình này.

1.5 Tóm tắt

Trong chương này, bạn đã học:
  • Các nhân vật chuyên nghiệp có khả năng hưởng lợi nhiều nhất từ ​​AI trong tương lai gần là gì
  • Đây là thời điểm thích hợp để đầu tư vào AI
  • Sơ lược về lịch sử trí tuệ nhân tạo, những thành công và thất bại đầu tiên của nó
  • Machine Learning là gì và mối quan hệ của nó với AI
  • Cấu trúc của cuốn sách này
chương 1 / zero to AI 

Post a Comment

Mới hơn Cũ hơn