Cơ sở dữ liệu NoSQL được sử dụng ngày một rộng rãi vì khả năng dễ phát triển chức năng cũng như hiệu năng của nó. Ở bài viết này, mình sẽ giúp các bạn tìm hiểu thêm về cơ sở dữ liệu nosql là gì và các đặc điểm của hệ cơ sở dữ liệu này.

NoSQL là gì?

Cơ sở dữ liệu NoSQL (tên gốc là “Non SQL” (phi SQL) hoặc “non relational” (phi quan hệ)): NoSQL là một khái niệm chỉ về một lớp các hệ cơ sở dữ liệu mà không sử dụng mô hình quan hệ(RDBMS). Cơ sở dữ liệu SQL thông thường lại gây một số cản trở với những hạn chế – cụ thể là lược đồ/schema cứng nhắc, thiếu linh hoạt có hiệu năng không tốt nếu kết nối dữ liệu nhiều bảng lại hay khi dữ liệu trong một bảng là rất lớn.

Chính vì vậy mà No SQL ra đời. Thuật ngữ NoSQL được giới thiệu lần đầu vào năm 1998 bởi Carlo Strozzi khi ông lập mới một hệ cơ sở dữ liệu mở nhanh và nhẹ nhưng không sử dụng SQL cho truy vấn.

Cho tới năm 2009, Eric Evans giới thiệu lại thuật ngữ NoSQL trong một hội thảo về cơ sở dữ liệu mã nguồn mở phân tán. Thuật ngữ NoSQL đánh dấu bước phát triển của thế hệ database mới: distributed (phân tán) + non-relational (không ràng buộc).

Tại sao lại cần phải có NoSQL.

CSDL truyền thống thường cấu trúc dữ liệu được xác định trước. Trong khi thế giới đang hướng đến dữ liệu không cấu trúc, chúng ta thấy giới hạn của CSDL quan hệ truyền thống trong trường hợp này trong các lĩnh vực mới hiện nay.

sử dụng no sql
sử dụng no sql

Big Users

Số lượng người dùng ngày càng lớn kết hợp với thói quen sử dụng phong phú tạo nên nhiều các mô hình dữ liệu khác nhau. Từ đó đến sự cần thiết của các công nghệ CSDL có khả năng mở rộng dễ dàng.

Với Cơ sở dữ liệu SQL thông thường, những nhà phát triển ứng dụng đã gặp rất nhiều khó khăn trong việc tạo ra các ứng dụng có khả năng mở rộng linh động mà vẫn duy trì được hiệu năng tốt. Vì vậy họ đã tìm đến với các giải pháp NoSQL.

The Internet of Things

Internet of Things có thể hiểu một cách đơn giản là mạng lưới gồm các đối tượng có khả năng kết nối Internet và tác động qua lại giữa các dịch vụ web. Hiện nay, số lượng các thiết bị có thể kết nối internet đồng thời có khả năng tạo ra dữ liệu đang trở nên phổ biến. Những thiết bị đang có mặt ở khắp mọi nơi như điện thoại di động, máy tính bảng, các loại máy móc chuyên dụng, và còn rất nhiều nữa.

Tuy nhiên, dữ liệu từ xa thường thì nhỏ, bán cấu trúc hoặc không có cấu trúc và thường được cập nhật liên tục. Vì thế mang đến nhiều thách thức cho các RDBMS. Để giải quyết thách thức này, các doanh nghiệp có xu hướng đổi mới đang tin tưởng vào công nghệ NoSQL.

Big Data

Với sự phát triển, tăng lên nhanh chóng của dữ liệu thì việc xử lý dữ liệu lớn đóng vai trò vô cùng quan trọng đặc biệt là với các loại dữ liệu không cấu trúc và bán cấu trúc. Điều này đã làm cho các RDBMS truyền thống có nhiều thách thức và dễ dàng thấy rằng, với các ràng buộc về cấu trúc dữ liệu, sử dụng các lược đồ cố định thì RBDMS đã trở nên vô cùng khó khăn để xử lý lượng dữ liệu cực lớn mà đa phần là không có cấu trúc hoặc bán cấu trúc đang gia tăng hàng ngày. Trong khi đó, NoSQL cung cấp mô hình dữ liệu tốt hơn làm cho đơn giản hóa việc giao tiếp giữa CSDL và ứng dụng.

Cloud

Ngày nay, hầu hết các ứng dụng mới sử dụng kiến trúc 3 tầng, được lưu trữ và thực thi trên những đám mây, hỗ trợ một số lượng lớn người sử dụng đồng thời. CSDL quan hệ từng là lựa chọn tốt nhất, nhưng giờ việc sử dụng chúng ngày càng gặp nhiều vấn đề rắc rối.

Vì, dữ liệu của các CSDL quan hệ thường được tập trung và có xu hướng mở rộng theo chiều dọc (scale up) hơn là mở rộng theo chiều ngang (scale out). Điều này dẫn đến các CSDL rất khó phù hợp với các ứng dụng yêu cầu khả năng mở rộng động dễ dàng. Các công nghệ NoSQL đã xây dựng với mục đích phân tán, cộng với các kỹ thuật mở rộng theo chiều ngang, vì vậy tương thích tốt với bản chất phân tán cao của kiến trúc 3 tầng của Internet.

Xem thêm: Lập trình AI?

Một số đặc điểm chung của nosql.

  • High Scalability: Gần như là không có một giới hạn cho dữ liệu và người sử dụng trên hệ thống.
  • High Availability: Do chấp nhận sự trùng lặp trong lưu trữ dữ liệu nên nếu một node nào đó bị chết cũng không làm ảnh hưởng tới toàn bộ hệ thống.
  • Atomicity: Độc lập data state trong các operation.
  • Consistency: Chấp nhận tính nhất quán yếu, có thể không thấy ngay được sự thay đổi mặc dù đã cập nhật dữ liệu.
  • Durability: Dữ liệu có thể tồn tại trong bộ nhớ máy tính nhưng đồng thời cũng được lưu trữ ở đĩa cứng.
  • Deployment Flexibility: Việc bổ sung thêm/loại bỏ các node, hệ thống sẽ nhận biết và lưu trữ tự động. Hệ thống không đòi hỏi cấu hình phần cứng quá mạnh, đồng nhất.
  • Query Flexibility: Multi-Gets, Range queries (load một tập giá trị dựa vào một dãy các khóa).
  • NoSQL lưu trữ dữ liệu của mình theo dạng cặp giá trị “key – value”. Sử dụng số lượng lớn các node để lưu trữ thông tin, giá trị.
  • Mô hình phân tán dưới sự kiểm soát phần mềm.
  • Một truy vấn sẽ được gửi tới nhiều máy cùng lúc, do đó khi một máy nào đó không phục vụ được sẽ không ảnh hưởng lắm đến chất lượng trả về kết quả.
  • Phi quan hệ – không có ràng buộc nào cho việc nhất quán dữ liệu.
  • Tính nhất quán không theo thời gian thực: Sau mỗi thay đổi CSDL, không cần tác động ngay đến tất cả các CSDL liên quan mà được lan truyền theo thời gian.
đặc điểm chung của no sql
đặc điểm chung của no sql

Ưu nhược của NoSQL

Một số ưu điểm và nhược điểm cần biết về nosql

1. Ưu điểm

Có một số lợi thế, điểm mạnh khi làm việc với cơ sở dữ liệu NoSQL như MongoDB và Cassandra. Những ưu điểm chính của nosql là khả năng mở rộng và tính sẵn sàng cao.

  • NoSQL giải quyết được các vấn đề dữ liệu lớn(big data) về các hệ thống thông tin hoặc là phân tán dữ liệu.
  • Việc mở rộng phạm vi là mềm dẻo: NoSQL thay thế câu thần chú cũ của các nhà quản trị CSDL về việc ‘mở rộng phạm vi’ với một thứ mới: ‘mở rộng ra ngoài’. Thay vì phải bổ sung thêm những máy chủ lớn hơn để tải nhiều dữ liệu hơn, thì CSDL NoSQL cho phép một công ty phân tán tải qua nhiều máy chủ khi tải gia tăng.
  • High availability: Khả năng tự động sao chép trong MongoDB làm cho nó rất tốt trong mọi trường hợp vì trong trường hợp có bất kỳ lỗi nào, dữ liệu sẽ tự động sao chép về trạng thái nhất quán trước đó.

2. Nhược điểm

Bên cạnh những ưu điểm của nó thì NoSQL Database cũng có những nhược điểm sau:

  • Quản lý dữ liệu: Mục đích của các công cụ dữ liệu lớn là làm cho việc quản lý một lượng lớn dữ liệu trở nên đơn giản nhất. Nhưng quản lý dữ liệu trong NoSQL phức tạp hơn nhiều so với cơ sở dữ liệu quan hệ. Đặc biệt, NoSQL nổi tiếng là khó cài đặt và thậm chí là để quản lý nó hằng ngày cũng tốn khá nhiều thời gian.
  • Sao lưu dữ liệu: Sao lưu là một điểm yếu lớn đối với một số cơ sở dữ liệu NoSQL như MongoDB. Nó không có cách tiếp cận để làm sao lưu dữ liệu một cách nhất quán.
  • Thiếu tính nhất quán: NoSQL đánh đổi sự nhất quán để ưu tiên tốc độ, hiệu suất hiệu quả hơn.
  • Trọng tâm hẹp: Cơ sở dữ liệu NoSQL có trọng tâm rất hẹp vì nó chủ yếu được thiết kế để lưu trữ nhưng nó cung cấp rất ít chức năng.
  • Mã nguồn mở: NoSQL là cơ sở dữ liệu mã nguồn mở và không có tiêu chuẩn đáng tin cậy cho NoSQL được nêu ra.
  • Không có lược đồ: Ngay cả khi bạn lấy dữ liệu ở dạng tự do, bạn hầu như luôn cần áp đặt các ràng buộc để làm cho nó hữu ích. Với NoSQL, trách nhiệm sẽ được chuyển từ cơ sở dữ liệu sang nhà phát triển, lập trình ứng dụng.
  • Kỹ năng NoSQL: Một hạn chế khác đối với NoSQL là người sử dụng có thể sẽ thiếu các kỹ năng chuyên môn ở mức tương đối vì hệ thống này còn khá mới và không phải ai cũng biết sử dụng nó một cách thành thạo.

Khi nào bạn nên sử dụng NoSQL?

Bạn nên áp dụng NoSQL Database trong những trường hợp sau:

  • Khi bạn muốn lưu trữ, truy xuất một lượng dữ liệu khổng lồ.
  • Mối quan hệ giữa dữ liệu bạn lưu trữ là không quan trọng.
  • Dữ liệu không có cấu trúc và được thay đổi theo thời gian.
  • Dữ liệu đang phát triển liên tục và bạn cần phải mở rộng cơ sở dữ liệu thường xuyên để xử lý dữ liệu.
  • SQL là ngôn ngữ đơn giản nhất được sử dụng để giao tiếp với RDBMS.
  • Phân tích các phiên liên quan đến hành vi và tùy chỉnh.
  • Tạo trang tổng quan tùy chỉnh.
  • Nó cho phép bạn lưu trữ và lấy dữ liệu từ cơ sở dữ liệu một cách nhanh chóng.
  • Được ưu tiên khi bạn muốn sử dụng các phép nối và thực hiện các truy vấn phức tạp.
  • Khi không cần hỗ trợ ACID.
  • Các ràng buộc và logic xác thực không bắt buộc phải được thực hiện trong cơ sở dữ liệu.
  • Nó nên được sử dụng để lưu trữ dữ liệu tạm thời như giỏ mua hàng, danh sách mong muốn và dữ liệu phiên.

Vì sao nên sử dụng NoSQL?

Những ứng dụng hiện đại ngày nay như trò chơi, web app, mobile web… cần nhiều yếu tố nhằm mang đến những trải nghiệm tuyệt vời nhất dành cho người dùng.

Dưới đây là một vài số lý giúp lập trình viên hiểu rằng, vì sao nên sử dụng NoSQL:

  • Hiệu năng cao: Được tối hóa dựa trên mô hình dữ liệu. vì vậy, giúp cải thiện hiệu năng hơn so với các chức năng tương tự.
  • Cực kỳ thiết thực: NoSQL mang đến những API cũng như các kiểu dữ liệu được phát triển riêng dành cho các mô hình tương ứng.
  • Khả năng thay đổi quy mô: Được thiết kế, xây dựng bằng việc sử dụng cụm phần cứng thay vì phải tốn kém chi phí mua các máy chủ mạnh.
  • Linh hoạt: Cung cấp sơ đồ linh động, thúc đẩy công đoạn xây dựng diễn ra nhanh chóng, lặp lại cao đồng thời hiệu suất lớn.

Các hệ thống NoSQL phổ biến hiện nay

Với CSDL NoSQL, dữ liệu có thể được lưu trữ theo kiểu đơn giản lược đồ hoặc dạng tự do. Các hệ thống nosql phổ biến hiện nay là:

  1. Graph database(ví dụ: Neo4j- là một trong những Graph Database phổ biển nhất hiện nay.): Mô tả và lưu trữ dữ liệu dưới dạng đồ thị các đối tượng và mối quan hệ của các đối tượng, một cách trực quan và dễ dàng truy vấn. Với mỗi node trong biểu đồ là một đoạn dữ liệu dạng tự do.
  2. Document database: (ví dụ: CouchDB, MongoDB): Dữ liệu khi được thêm vào sẽ được lưu trữ dưới dạng cấu trúc JSON tự do hoặc là “tài liệu”.
  3. Key-value stores(ví dụ: Redis, Riak): Lưu trữ kiểu key-value là kiểu lưu trữ dữ liệu NoSQL đơn giản nhất sử dụng từ một API. Chúng ta có thể nhận giá trị cho khóa, thực hiện đặt một giá trị cho một khóa, hoặc xóa một khóa từ dữ liệu. Các giá trị dạng tự do – từ các số nguyên hoặc chuỗi đơn giản đến các tài liệu JSON phức tạp.
  4. Wide column stores(ví dụ: HBase, Cassandra): Dữ liệu hệ thống sẽ được lưu trữ dạng cột thay vì theo hàng như trong các hệ thống SQL thông thường. Ở bất kỳ số cột có thể được nhóm hoặc tổng hợp khi cần thiết cho các truy vấn hoặc ở chế độ xem dữ liệu.
hệ thống no sql phổ biến
hệ thống no sql phổ biến

So sánh SQL và NoSQL

Bảng so sánh về cơ sở dữ liệu SQL và NOSQL:

Tham sốSQLNoSQL
Định nghĩaCơ sở dữ liệu SQL chủ yếu được gọi là RDBMS hoặc Cơ sở dữ liệu quan hệCơ sở dữ liệu NoSQL chủ yếu được gọi là cơ sở dữ liệu không liên quan hoặc csdl phân tán
Design forRDBMS truyền thống sử dụng cú pháp và truy vấn SQL để phân tích và lấy dữ liệu để có thêm thông tin chi tiết. Chúng được sử dụng cho các hệ thống OLAP.Hệ thống cơ sở dữ liệu NoSQL bao gồm nhiều công nghệ cơ sở dữ liệu khác nhau. Các cơ sở dữ liệu này được phát triển để đáp ứng nhu cầu trình bày cho sự phát triển của ứng dụng hiện đại.
Ngôn ngữ QueryStructured query language (SQL)Không có ngôn ngữ query
TypeSQL databases là cơ sở dữ liệu dựa trên bảng.NoSQL databases có thể dựa trên tài liệu, cặp khóa-giá trị, cơ sở dữ liệu biểu đồ.
SchemaSQL databases có lược đồ được xác định trước.NoSQL databases sử dụng lược đồ động cho dữ liệu phi cấu trúc.
Khả năng mở rộngSQL databases có thể mở rộng theo chiều dọc.NoSQL databases có thể mở rộng theo chiều ngang.
Ví dụOracle, Postgres, and MS-SQL.MongoDB, Redis, , Neo4j, Cassandra, Hbase.
Phù hợp choĐây là 1 lựa chọn lý tưởng cho môi trường truy vấn phức tạp.Không phù hợp với truy vấn phức tạp.
Lưu trữ dữ liệu phân cấpSQL databases không thích hợp cho việc lưu trữ dữ liệu phân cấp.Phù hợp hơn cho kho lưu trữ dữ liệu phân cấp vì nó hỗ trợ phương thức cặp khóa-giá trị.
VariationsMột loại có biến thể nhỏ.Nhiều loại khác nhau bao gồm các kho khóa-giá trị, cơ sở dữ liệu tài liệu và cơ sở dữ liệu đồ thị.
Năm phát triểnNó được phát triển vào những năm 1970 để giải quyết các vấn đề với lưu trữ tệp phẳng.Được phát triển vào cuối những năm 2000 để khắc phục các vấn đề và hạn chế của SQL databases.
Open-sourceMột sự kết hợp của mã nguồn mở như Postgres & MySQL, và thương mại như Oracle Database.Open-source
Tính nhất quánNó phải được cấu hình cho sự nhất quán chặt chẽ.Nó phụ thuộc vào DBMS như một số cung cấp tính nhất quán mạnh mẽ như MongoDB, trong khi những người khác cung cấp chỉ cung cấp sự nhất quán cuối cùng, như Cassandra.
Được sử dụng tốt nhất choRDBMS database là tùy chọn thích hợp để giải quyết các vấn đề về ACID.NoSQL được sử dụng tốt nhất để giải quyết các vấn đề về tính khả dụng của dữ liệu
Tầm quan trọngNó nên được sử dụng khi hiệu lực dữ liệu là siêu quan trọngSử dụng khi nó quan trọng hơn để có dữ liệu nhanh hơn dữ liệu chính xác
Lựa chọn tốt nhấtKhi bạn cần hỗ trợ truy vấn độngSử dụng khi bạn cần mở rộng quy mô dựa trên yêu cầu thay đổi
HardwareSpecialized DB hardware (Oracle Exadata, etc.)Commodity hardware
NetworkHighly available network (Infiniband, Fabric Path, etc.)Commodity network (Ethernet, etc.)
Loại lưu trữHighly Available Storage (SAN, RAID, etc.)Commodity drives storage (standard HDDs, JBOD)
Tính năng tốt nhấtHỗ trợ đa nền tảng, Bảo mật và miễn phíDễ sử dụng, hiệu suất cao và công cụ linh hoạt.
Mô hình ACID và BASEACID (Atomicity, nhất quán, cách ly và độ bền) là một chuẩn cho RDBMSCơ bản (Về cơ bản có sẵn, trạng thái mềm, phù hợp cuối cùng) là một mô hình của nhiều hệ thống NoSQL
PerformanceSQL hoạt động tốt và nhanh thì việc desgin tốt là cực kì quan trọng và ngược lại.Nhanh hơn SQL. NoSQL thì cho phép bạn lấy được tất cả thông tin về một item cụ thể với các codition mà không cần JOIN liên quan hoặc truy vấn SQL phức tạp.
Kết luậnDự án đã có yêu cầu dữ liệu rõ ràng xác định quan hệ logic có thể được xác định trước.Phù hợp với những dự án yêu cầu dữ liệu không liên quan, khó xác định, đơn giản mềm dẻo khi đang phát triển.

Tổng kết:

NoSQL database chỉ là một loại database có cách truy vấn, lưu trữ dữ liệu hoàn toàn khác so với RDBMS và SQL. Các ứng dụng hiện nay vẫn cần cả hai loại cơ sở dữ liệu trên để đáp ứng như cầu tùy theo từng lĩnh vực khác nhau.

Tham khảo tại:  https://www.mongodb.com/nosql-explained

Có thể bạn quan tâm:

  1. Ngôn ngữ lập trình là gì? Top ngôn ngữ lập trình HOT hiện nay

Trong những năm gần đây, cùng với sự bùng nổ của cuộc cách mạng 4.0. Kéo theo sự phát triển của trí tuệ nhân tạo(AI), học sâu, học máy. Cùng mình tìm hiểu thêm về những khái niệm này nhé.!

1. Trí tuệ nhân tạo ai là gì(Artificial Intelligence)?

AI có thể được định nghĩa như một ngành khoa học máy tính liên quan đến những hành vi thông minh của sự tự động hóa. Trí Tuệ Nhân Tạo đang len lỏi vào mọi lĩnh vực trong đời sống mà có thể chúng ta không nhận ra. Xe tự hành của Google và Tesla, hệ thống tự tag khuôn mặt trong ảnh của Facebook,.. Tuy nhiên hiện nay, công nghệ AI vẫn đang còn rất nhiều hạn chế.

Xem thêm : Trí tuệ nhân tạo là gì

2. Sự ra đời của machine learning

Một trong những khác biệt giữa con người và máy tính là con người chúng ta học hỏi từ những kinh nghiệm trong cuộc sống, nhưng với máy tính hoặc máy móc cần được phải được thực hiện theo một quy trình có sẵn, được lập trình. Máy tính là những máy logic nghiêm ngặt với ý nghĩa thông thường.

Điều đó có nghĩa là nếu chúng ta muốn máy làm điều gì đó, chúng ta phải cung cấp cho nó những quy trình và các hướng dẫn chi tiết, từng bước về chính xác những việc cần phải làm.

Khả năng học tập là một yếu tố then chốt của trí thông minh.

sự ra đời của trí tuệ nhân tạo
sự ra đời của trí tuệ nhân tạo

Mechine learning là gì?

Machine learning được hiểu là một lĩnh vực con của Trí tuệ nhân tạo(Artificial Intelligence). Nó sử dụng những thuật toán cho phép máy tính có thể học từ dữ liệu để thực hiện các công việc thay vì được lập trình một cách rõ ràng.

Học máy là một ứng dụng của trí tuệ nhân tạo (AI) cung cấp cho các khả năng tự động học hỏi và cải thiện từ kinh nghiệm mà không cần lập trình rõ ràng. Học máy tập trung vào việc phát triển các chương trình máy tính có thể truy cập dữ liệu và sử dụng nó để tự học.

Machine learning trên thực tế

Hiện nay, máy học còn có nhiều hạn chế. Tuy nhiên đã có nhiều ứng dụng của machine learning rất tốt. dưới đây là một số ứng dụng phổ biến:

Phân tích nội dung văn bản

Phân tích văn bản là công việc trích xuất thông tin từ văn bản. Các văn bản ở đây có thể là các facebook posts, các đoạn chats, tài liệu,… Một số ví dụ phổ biến là:

  • Phân tích ngữ nghĩa: học cách phân loại một ý kiến là tích cực, trung tính hay tiêu cực dựa trên nội dung văn bản của người viết.
  • Lọc spam: là một trong những ứng dụng phân loại văn bản được biết và sử dụng nhiều nhất hiện nay. Phân loại văn bản là xác định chủ đề cho một văn bản. Bộ lọc spam sẽ học cách phân loại một email có phải spam không dựa trên nội dung và tiêu đề.
  • Khai thác thông tin: là từ một văn bản, học cách để trích xuất các thông tin hữu ích. Chẳng hạn như trích xuất địa chỉ, tên người, số điện thoại,..

Trò chơi điện tử và Robot

Trò chơi điện tử và robot: Là lĩnh vực lớn có sự góp mặt nhiều của machine learning. Machine learning có thể học và giải quyết công việc này thay bạn. Một kỹ thuật phổ biến được áp dụng  trong trường hợp này là học tăng cường.

Thành tựu của robot gần đây nhất là cỗ máy Alpha Go của Google DeepMind đã đánh bại kỳ thủ cờ vậy số 1 thế giới. Trong khi cờ vây là một trò chơi có không gian trạng thái cực kỳ lớn.

Ứng dụng trong các mạng xã hội hiện nay

Học máy đang được sử dụng trong một loạt các ứng dụng hiện nay. Ví dụ như là là Facebook News Feed. Nguồn cấp tin tức có sử dụng học máy để cá nhân hóa từng nguồn cấp dữ liệu thành viên.

Nếu một thành viên hay dừng lại để đọc hoặc thích một bài đăng của một người bạn cụ thể, News Feed sẽ bắt đầu hiển thị nhiều hơn về hoạt động của người bạn đó trước đó trong nguồn cấp dữ liệu.

Không chỉ riêng facebook, ta có thể bắt gặp những tính năng tương tự đó qua các mạng xã hội khác như google, instagram,….

phân biết trí tuệ nhân tạo, học máy, học sâu
phân biết trí tuệ nhân tạo, học máy, học sâu

Giúp nhận dạng hình ảnh

Nhận dạng hình ảnh là một trong những ví dụ về máy học và trí tuệ nhân tạo phổ biến nhất hiện nay. Về cơ bản, nó là một cách tiếp cận để xác định các đặc trưng của một đối tượng trong hình ảnh. Nhiều hơn, kỹ thuật này có thể được sử dụng để phân tích sâu hơn, chẳng hạn như nhận dạng hình khuôn, nhận dạng khuôn mặt, nhận dạng ký tự quang học và nhiều hơn nữa,…

3. Học sâu

Học sâu là một chức năng của trí tuệ nhân tạo (AI), bắt chước hoạt động của bộ não con người trong việc xử lí dữ liệu và tạo ra các mẫu để sử dụng cho việc đưa ra quyết định.

Học sâu đã phát triển cùng với thời đại kĩ thuật số, điều này đã mang lại sự bùng nổ dữ liệu dưới mọi hình thức và từ mọi khu vực trên thế giới.

Lượng dữ liệu khổng lồ này có thể truy cập dễ dàng và có thể được chia sẻ thông tin qua các ứng dụng như điện toán đám mây.

Tuy nhiên, thường thì dữ liệu không có cấu trúc, rộng lớn đến mức có thể phải mất hàng thập kỉ để con người hiểu được nó và trích xuất thông tin liên quan.

4. Deep Learning so với Machine Learning

Chúng ta đừng nhầm lẫn giữa Deep Learning và Machine Learning.

Trong nghiên cứu sâu, thuật toán được cung cấp dữ liệu thô và tự quyết định những tính năng có liên quan.

Deep Learning là một nhánh của Machine Learning sử dụng mạng lưới thần kinh với nhiều lớp. Một mạng lưới thần kinh sâu phân tích dữ liệu với những biểu diễn đã học tương tự như cách một người nhìn vào một vấn đề. Với Machine Learning truyền thống, thuật toán được cung cấp một tập hợp các tính năng có liên quan để phân tích. Tuy nhiên, trong nghiên cứu sâu, thuật toán được cung cấp dữ liệu thô và tự quyết định các tính năng có liên quan. Mạng Deep Learning thường sẽ cải thiện khi bạn tăng lượng dữ liệu được sử dụng để đào tạo chúng.

Deep Learning về bản chất là một nhánh của trí tuệ nhân tạo ai cố gắng bắt chước cách thức hoạt động của bộ não con người.

Giống như con người cần học hỏi từ kinh nghiệm, một thuật toán Deep Learning có thể thực hiện một nhiệm vụ nhiều lần, mỗi lần điều chỉnh nó để cải thiện kết quả tốt hơn. Thuật ngữ “Deep Learning” dùng để chỉ các mạng lưới thần kinh có nhiều lớp cho phép học tập. Deep Learning có thể giải quyết bất kỳ vấn đề nào cần ‘suy nghĩ’ để tìm ra.

Cảm ơn các bạn đã đọc bài viết của mình. Mong mọi người để lại những góp ý bên dưới để mình hoàn thiện bài viết hơn nữa.

Tham khảo thêm

https://vi.wikipedia.org/wiki/Tr%C3%AD_tu%E1%BB%87_nh%C3%A2n_t%E1%BA%A1o

Bài viết cùng chủ đề:

  1. Bắt đầu học lập trình trí tuệ nhân tạo (AI) cần những gì
  2. Những tiến bộ phi thường của trí tuệ nhân tạo
  3. Lịch sử phát triển của trí tuệ nhân tạo
  4. Những ứng dụng của trí tuệ nhân tạo hiện nay

Hiện nay, trí tuệ nhân tạo đang là một chủ đề nóng được nhắc đến nhiều. Hãy cùng mình tìm hiểu thêm về ứng dụng của trí tuệ nhân tạo qua bài viết này nhé.

Trí tuệ nhân tạo: Máy Học vs Học Sâu vs Khoa Học Dữ Liệu

AI (Trí tuệ nhân tạo) là quá trình mô phỏng lại sự thông minh của con người trên máy móc. AI hoạt động bằng cách kết hợp một số lượng lớn dữ liệu lại với nhau và xử lý chúng một cách nhanh chóng nhất bằng các thuật toán thông minh. Từ đó cho phép các máy móc có thể tự động học và hiểu được những đặc trưng hay khuôn mẫu quan trọng từ các dữ liệu đầu vào để đưa ra các quyết định hữu ích.

1. Các thành phần trong AI bao gồm những gì ?

AI chỉ là khái niệm về sự mô phỏng trí thông minh của con người. Các thành phần chi tiết trong AI có thể hiểu gồm : Máy Học, Học Sâu và Khoa Học Dữ Liệu.

  • Máy Học:

Là các công cụ/thuật toán giúp phân tích, hiểu và xác định được các mẫu hữu ích trong dữ liệu. Các kỹ thuật tận dụng các thuật toán học máy, ứng dụng công nghệ trong các lĩnh vực như nông nghiệp và kỹ thuật bảo vệ dữ liệu trong học máy. Theo một bài báo được chia sẻ bởi Tiến sĩ Ganapthi Pulipaka, một nhà khoa học dữ liệu chính, học máy là một trong những kỹ thuật phổ biến nhất để phân tích hình ảnh. Các kỹ thuật khác là hỗ trợ máy của nhà cung cấp (SVM), mạng nơ-ron nhân tạo (ANN) và phân tích hồi quy, trong số những kỹ thuật khác.

Trong một tin khác, Jason Brownlee, một chuyên gia về học máy, đã chia sẻ một bài báo về khuôn khổ của các kỹ thuật chuẩn bị dữ liệu trong học máy. Trong một số trường hợp, dữ liệu của mô hình học máy tự nó có thể gợi ý việc chuẩn bị dữ liệu cần thiết. Trong các trường hợp khác, nó đòi hỏi một suy nghĩ có cấu trúc và đánh giá có hệ thống các kỹ thuật trên dữ liệu thô.

  • Học Sâu:

Là một phương pháp đặc biệt giúp máy tính có thể học thông qua các mô phỏng mạng neuron như não người.

  •  Khoa Học Dữ Liệu:

Là lĩnh vực thuần nghiên cứu về dữ liệu với quá trình từ trích xuất dữ liệu từ Dữ Liệu Lớn cho đến hiểu và đưa ra quyết định hữu ích từ các phương pháp và các thuật toán khác nhau.

dữ liệu lớn -AI
dữ liệu lớn -AI

2. Có bao nhiêu mức độ áp dụng AI ?

AI có 3 mức độ áp dụng :

  •  AI Hẹp: AI chỉ thực thi các công việc định sẵn và làm tốt hơn con người .
  • AI Tổng Quát: AI có thể thực thi bất cứ nhiệm vụ nào mà con người có thể làm .
  • AI Chủ Động: AI có thể đạt đến mức đánh bại con người hay nói cách khác làm những việc con người không thể làm được.

Vậy tầm quan trọng của AI trong Doanh nghiệp như thế nào ?

Không giống như các kỹ thuật BI chỉ giúp phân tích dữ liệu còn quyết định cuối cùng lại phụ thuộc hoàn toàn vào con người thì AI sẽ tự ra quyết định sau khi tự phân tích dữ liệu. Với sự giúp sức của AI chúng ta có thể :

– Tiết kiệm rất nhiều thời gian và tiền bạc trong vận hành

– Có một cái nhìn chuyên sâu về nghiệp vụ kèm theo các quyết định hiệu quả và thông minh hơn

– Giúp tương tác với khách hàng tốt hơn

– Giúp nâng cao tính hiệu quả cao trong các sản phẩm cung cấp cho khách hàng

– Giảm thiểu các rủi ro hay sai sót từ con người

– Càng nhiều dữ liệu thì các đáng tin và mạnh mẽ hơn kinh nghiệm con người

Một vài ví dụ về dự án AI ở Việt Nam ?

Những dự án AI nổi bật, đáng chú ý nhất hiện nay như sau :

– Đánh giá các chiến dịch quảng cáo

– Hệ thông đảm bảo chất lượng sản phẩm (Xác định lỗi sản phẩm)

– Phân tích chuẩn đoán bệnh trong y khoa

dự án trí tuệ nhân tạo
dự án trí tuệ nhân tạo

 

Các ứng dụng 𝐜ô𝐧𝐠 𝐧𝐠𝐡ệ 𝐀𝐈 𝐭𝐫𝐨𝐧𝐠 cuộc sống hàng ngày

1. Google Maps – Cảnh báo giao thông(ứng dụng trí tuệ nhân tạo)

Google Maps là một ứng dụng tiện lợi với tính ứng dụng vô cùng cao trong cuộc sống hiện đại. Google Maps hỗ trợ chúng ta rất nhiều về phương hướng và giao thông, thậm chí nó còn có thể biết được đâu là tuyến đường tốt nhất. Vậy thì thông tin này ở đâu ra?

Đó là nhờ sự kết hợp của những người dùng App, nhờ sự thu thập theo thời gian của lịch sử các tuyến đường người dùng đã đi qua. Mỗi người sử dụng bản đồ đều cung cấp vị trí của họ, tốc độ trung bình, tuyến đường mà họ đang di chuyển, từ đó giúp Google thu thập dữ liệu khổng lồ về giao thông, giúp họ dự đoán giao thông sắp tới và điều chỉnh tuyến đường của bạn.

2. Facebook – Truyền thông xã hội

Một trong những ứng dụng phổ biến nhất của Deep Learning là Đề xuất gắn thẻ bạn bè tự động. Facebook sử dụng tính năng nhận diện khuôn mặt, nhận dạng hình ảnh để tìm khuôn mặt của người phù hợp với cơ sở dữ liệu sẵn có và đề xuất gắn thẻ tự động dựa trên DeepFace.

3. Uber

Nếu bạn đã từng sử dụng một ứng dụng để đặt xe, bạn cũng đã sử dụng Machine Learning. Các AI Engineer đã sử dụng thuật toán Machine Learning dựa trên lịch sử các chuyến đi để đưa ra dự đoán ETA chính xác hơn thông qua tính năng cá nhân hóa dành riêng cho người dùng. Nó có thể tự động phát hiện vị trí và cung cấp các tùy chọn để về nhà hoặc văn phòng hoặc bất kỳ địa điểm thường xuyên nào khác dựa trên lịch sử di chuyển.

4. Đề xuất sản phẩm

Giả sử bạn kiểm tra một mặt hàng trên Amazon, nhưng bạn không mua nó ngay lập tức. Nhưng ngày hôm sau, bạn đang xem video trên YouTube và đột nhiên bạn thấy một quảng cáo cho cùng một mặt hàng. Bạn chuyển sang Facebook, ở đó bạn cũng thấy quảng cáo tương tự. Điều gì đang xảy ra?

Lý do chính là vì Google có thể theo dõi lịch sử tìm kiếm của bạn và đề xuất quảng cáo dựa trên điều đó. Đây là một trong những ứng dụng thú vị nhất của Machine Learning. Trên thực tế, 35% doanh thu của Amazon được tạo ra từ tính năng này.

5. Trợ lý cá nhân ảo

Trợ lý cá nhân ảo hỗ trợ tìm kiếm thông tin hữu ích khi được hỏi qua văn bản hoặc giọng nói. Tất cả những gì bạn cần làm là hỏi một câu hỏi đơn giản như “Lịch trình của tôi cho ngày mai là gì?” hoặc “Hiển thị các chuyến bay sắp tới của tôi”, trợ lý sẽ gửi đến cho bạn thông tin hữu ích ngay lập tức. Các trợ lý cá nhân gần đây đang được sử dụng để tạo Chatbot trong các ứng dụng đặt đồ ăn, các trang web đào tạo trực tuyến và trong cả các shop online,..

6. Ô tô tự lái(ứng dụng trí tuệ nhân tạo)

Đây là một trong những ứng dụng thú vị nhất của Deep Learning. Chắc rằng các bạn có nghe nói về Tesla – người dẫn đầu trong lĩnh vực. Công nghệ hiện tại của họ là của nhà sản xuất phần cứng NVIDIA, dựa trên Thuật toán học không giám sát (Unsupervised Learning Algorithm). Mô hình này hoạt động dựa trên Deep Learning và nó thu thập dữ liệu từ tất cả các phương tiện vào trình điều khiển. Theo dữ liệu do McKinsey thu thập, lượng dữ liệu này có giá trị khổng lồ lên đến 750 tỷ đô la.

trí tuệ nhân tạo:ô tô tự lái
trí tuệ nhân tạo:ô tô tự lái

7. Định giá tự động

Đặt giá phù hợp cho hàng hóa hoặc dịch vụ là một vấn đề lớn với mọi doanh nghiệp do có vô vàn chiến lược định giá khác nhau. Hiện nay, dù là vé xem phim, vé máy bay hay vé taxi, mọi thứ đều được định giá động. Trong những năm gần đây, trí tuệ nhân tạo đã cho phép các giải pháp định giá theo dõi xu hướng mua và xác định giá sản phẩm ở mức cạnh tranh hơn.

Một ví dụ điển hình cho tính năng này chiến lược tăng giá dựa trên mô hình Deep Learning của Uber, một mô hình học máy có biệt danh là “Geosurge”. Nếu bạn đến muộn một cuộc họp và bạn cần đặt một chiếc Uber ở một khu vực đông đúc, hãy sẵn sàng trả gấp đôi mức giá thông thường. Ngay cả đối với các chuyến bay, nếu bạn đi vào mùa lễ hội thì rất có thể giá sẽ đội lên gấp đôi mức giá gốc.

8. Google dịch(ứng dụng trí tuệ nhân tạo)

Bạn có còn nhớ khoảng thời gian khi du khách gặp rất nhiều khó khăn khi giao tiếp với người dân địa phương hoặc tìm kiếm các địa điểm khi mọi thứ được viết bằng một ngôn ngữ khác.

Những ngày đó xưa rồi, GNMT của Google (Google Neural Machine Translation) là một mô hình Deep Learning với hàng nghìn ngôn ngữ và từ điển, sử dụng NLP để cung cấp bản dịch chính xác nhất của bất kỳ câu hoặc từ nào. Vì giai điệu của các từ cũng quan trọng, các kỹ thuật khác như Gắn thẻ POS, NER (Nhận dạng đối tượng được đặt tên) và Chunking cũng được sử dụng. Đây là một trong những ứng dụng thiết thực nhất và được sử dụng nhiều nhất của Deep Learning.

9. Phát trực tuyến video (Netflix)

Thuật toán Netflix liên tục thu thập một lượng lớn dữ liệu về các hoạt động của người dùng như:

– Khi bạn tạm dừng, tua lại hoặc tua đi

– Nội dung bạn xem là gì, vào ngày nào

– Ngày và giờ bạn xem

– Khi bạn tạm dừng và thoát một chương trình (và sau đó bạn có xem tiếp không)

– Xếp hạng của người xem (khoảng 4 triệu lượt mỗi ngày), lượt tìm kiếm (khoảng 3 triệu mỗi ngày)

Và còn rất nhiều nữa. Họ thu thập dữ liệu này của từng người đăng ký và sử dụng Deep Learning để đưa ra các đề xuất phù hợp cho người dùng. Đó là lý do tại sao họ có tỷ lệ giữ chân khách hàng lớn như vậy.

hoạt động liên quan đến AI
hoạt động liên quan đến AI

Trong bài viết này, chúng tôi sẽ đề cập đến 20 sự thật đáng kinh ngạc về trí tuệ nhân tạo để giúp bạn hiểu rõ hơn về sự tiến bộ phi thường trong lĩnh vực công nghệ này.

Những tiến bộ phi thường của trí tuệ nhân tạo

  1. AI có thể thay đổi hiệu suất làm việc và GDP tiềm năng của toàn bộ nền kinh tế thế giới. Trung Quốc và Bắc Mỹ dự kiến sẽ là nơi thu được lợi ích kinh tế lớn nhất từ AI. Dự kiến vào năm 2030, Trung Quốc sẽ tăng 26% GDP còn Bắc Mỹ sẽ tăng 14.5% nhờ AI. Lượng GDP tăng lên này tương đương với 10,7 nghìn tỷ USD và chiếm gần 70% tác động kinh tế toàn cầu.
  2. Một thống kê từ chỉ số AI cho thấy nam giới đang tiếp tục thống trị nhóm ứng viên AI, trung bình lên tới 71%.
  3. Doanh thu toàn cầu từ trí tuệ nhân tạo cho các phần mềm ứng dụng doanh nghiệp dự kiến ​​sẽ tăng từ 1,62 tỷ đô la vào năm 2018 lên 31,2 tỷ đô la vào năm 2025.
  4. 87% người sử dụng AI hiện tại cho biết họ đang sử dụng hoặc cân nhắc sử dụng AI để dự báo bán hàng và cải thiện tiếp thị qua email.
  5. Một siêu máy tính tự học tên Nautilus có thể dự đoán được tương lai, và nó đã vô cùng nổi tiếng khi xác định được vị trí của Osama Bin Laden.
  6. Năm 2017, các nhà đầu tư VC đã tài trợ hơn 10,8 tỷ đô la cho các công ty khởi nghiệp tập trung vào AI và Machine Learning.
  7. Theo ba nhà nghiên cứu Trung Quốc, công nghệ AI của Google thông minh hơn nhiều so với Siri.
  8. Khi bạn tương tác với AI bằng giọng nói mặc định, đa số sẽ là giọng nữ. Lý do là các nghiên cứu đã chỉ ra rằng cả phụ nữ và nam giới đều thích nghe giọng nữ hơn.
  9. Google thông báo rằng họ đã tạo ra một bộ vi mạch có tên là Tensor Processing Unit và tuyên bố nó nhanh hơn tới 30 lần và tiết kiệm điện hơn 80 lần so với Intel processor cho các tác vụ Machine Learning.
  10. Đến năm 2025, AI dự kiến ​​sẽ trở thành một ngành công nghiệp trị giá 60 tỷ đô la.
  11. Tìm kiếm bằng giọng nói sẽ làm cho SEO phức tạp hơn vì người dùng sẽ chỉ nhận được một kết quả từ một nguồn dữ liệu.
  12. Ngày nay đã xuất hiện robot có thể tự chữa lành vết thương. ‘Khi Soft Robots bị hư hỏng, vật liệu có thể lành lại sau khi được làm nóng trong 40 phút ở 80 độ C.
  13. Google có 1 phòng thí nghiệm trí tuệ nhân tạo lượng tử (Quantum AI Lab), nơi mà không giống như các công ty khác, họ thực sự sở hữu một máy tính lượng tử.
  14. Deep Blue là robot AI đầu tiên, được sản xuất vào năm 1996. Nó là một máy tính chơi cờ vua và nó đã giành chiến thắng trong trận đấu đầu tiên với Nhà vô địch Thế giới vào ngày 10 tháng 2 năm 1996.
  15. Các chuyên gia tin rằng AI sẽ đảm nhận 16% công việc hiện tại trong vòng 10 năm tới. Nhưng đừng lo lắng, các cơ hội việc làm khác cũng sẽ xuất hiện.
  16. Trong lĩnh vực y tế, robot TUG có thể mang gần 1000 pounds (453.59 kg) thuốc đến bất kỳ vị trí nào trong bệnh viện. Do sự đổi mới này, các bác sĩ có thể dành nhiều thời gian hơn cho bệnh nhân.
  17. AI có khả năng chẩn đoán chính xác không kém gì các chuyên gia hàng đầu thế giới trong lĩnh vực y tế.
  18. Nhờ Big Data và Machine Learning, quá trình tạo ra và thử nghiệm các loại thuốc mới đã được đẩy nhanh hơn rất nhiều.
  19. Một thuật toán được mệnh danh là “robot doctor” có thể làm tốt hơn 96% các thuật toán khác trong một kỳ kiểm tra y tế của Trung Quốc.
  20. Đến năm 2025, dự kiến ​​10% chi phí trong lĩnh vực CNTT sẽ được chi cho các hoạt động liên quan đến trí tuệ nhân tạo

Những phẩm chất cần thiết trong thời đại 4.0

1. Sự nhanh nhẹn.

Tốc độ thay đổi, đặc biệt là với trí tuệ nhân tạo, thật đáng kinh ngạc. Do đó, các nhà lãnh đạo phải có khả năng đón nhận và tôn vinh sự thay đổi (bao gồm cả các công nghệ mới). Và quan trọng là họ không nên coi thay đổi là gánh nặng mà hãy xem đó là cơ hội để phát triển và đổi mới, cả ở cấp độ cá nhân và tổ chức.

2. Trí tuệ cảm xúc.

Khi ngày càng có nhiều hoạt động tại nơi làm việc trở nên tự động hóa, các kỹ năng nhẹ nhàng hơn như trí tuệ cảm xúc và sự đồng cảm sẽ trở nên quan trọng hơn đối với nhân viên của con người. Và nếu chúng ta mong đợi những nơi làm việc trong tương lai sẽ ưu tiên những kỹ năng con người như vậy, thì đó là lý do mà các nhà lãnh đạo phải tự mình làm mẫu cho những hành vi này.

phẩm chất cần thiết trong thời đại 4.0
phẩm chất cần thiết trong thời đại 4.0

3. Trí tuệ văn hóa.

Các nơi làm việc trong tương lai sẽ còn đa dạng, toàn cầu và phân tán hơn hiện tại. Các nhà lãnh đạo hiệu quả sẽ có thể đánh giá cao và tận dụng sự khác biệt mà các cá nhân mang lại cho bàn, tôn trọng và làm việc tốt với mọi người từ mọi hoàn cảnh – ngay cả khi họ có chung một thế giới quan.

4. Tính khiêm tốn.

Sự tự tin vẫn sẽ là một đặc điểm quan trọng ở các nhà lãnh đạo, nhưng những nhà lãnh đạo thành công trong tương lai sẽ có thể cân bằng giữa sự tự tin và sự khiêm tốn. Họ sẽ coi mình là người hỗ trợ và cộng tác, chứ không phải là bánh răng quan trọng để thành công. Nói cách khác, họ sẽ khuyến khích người khác tỏa sáng.

5. Trách nhiệm giải trình.

Cấu trúc tổ chức phẳng hơn, nhiều nhóm dựa trên dự án hơn, hợp tác làm việc – tất cả những điều này sẽ dẫn đến việc các tổ chức trở nên minh bạch và hợp tác hơn. Do đó, các nhà lãnh đạo sẽ cần phải minh bạch hơn và tự chịu trách nhiệm. Hơn nữa, hành động của họ phải phù hợp rõ ràng với mục tiêu của công ty.

6. Tầm nhìn.

Để hiểu được tác động của trí tuệ nhân tạo đối với doanh nghiệp và tất cả các bên liên quan, các nhà lãnh đạo trong cuộc cách mạng trí tuệ sẽ cần tầm nhìn toàn cảnh đó. AI sẽ chuyển đổi tổ chức và dẫn đến các cơ hội kinh doanh mới như thế nào? Các nhà lãnh đạo phải xác định điều này, đồng thời quản lý nhu cầu của các bên liên quan một cách hiệu quả.

7. Dũng cảm.

Chúng ta hầu như chưa chạm tới bề mặt của những gì trí tuệ nhân tạo có thể làm. Vì vậy, các nhà lãnh đạo sẽ cần can đảm đối mặt với điều không chắc chắn, can đảm để thất bại nhanh chóng và can đảm thay đổi hướng đi khi tình hình đòi hỏi một chiến lược mới. Là một phần của điều này, họ sẽ cần can đảm để xác định điểm yếu của bản thân và cởi mở để được huấn luyện và học hỏi. (Trên thực tế, khi các kỹ năng trở nên lỗi thời thậm chí nhanh hơn trong tương lai, các nhà lãnh đạo thành công sẽ cần phải trau dồi văn hóa học hỏi ngay trong doanh nghiệp.)

8. Trực giác.

Không nghi ngờ gì rằng việc đưa ra quyết định dựa trên dữ liệu là con đường phía trước, nhưng điều đó không có nghĩa là trực giác và bản năng sẽ trở nên lỗi thời, khác xa với nó. Đặc biệt khi nơi làm việc trải qua sự thay đổi nhanh chóng, các nhà lãnh đạo sẽ vẫn yêu cầu kỹ năng trực giác độc nhất của con người, khả năng “đọc” những gì không được nói.

"<yoastmark

9. Tính xác thực.

Bất kỳ công nghệ mới nào cũng kéo theo những vấn đề xung quanh vấn đề đạo đức và sử dụng sai mục đích, chưa kể đến các vấn đề xung quanh quản lý thay đổi. Do đó, các nhà lãnh đạo trong cuộc cách mạng tình báo sẽ cần có khả năng xây dựng lòng tin với khách hàng, nhân viên và các bên liên quan khác – và điều đó có nghĩa là phải thể hiện tính xác thực. Điều này sẽ trở nên đặc biệt quan trọng trong những thời điểm không chắc chắn, thay đổi hoặc thất bại.

10. Tập trung.

Cuối cùng, với tốc độ thay đổi đáng kinh ngạc và nhu cầu liên tục thích ứng, các nhà lãnh đạo tương lai sẽ cần duy trì sự tập trung giống như tia lửa vào các mục tiêu chiến lược của tổ chức. Họ sẽ cần có khả năng vượt qua sự hỗn loạn và cường điệu để xác định điều gì thực sự quan trọng – đặc biệt là các sáng kiến ​​và công nghệ sẽ giúp tổ chức thực hiện các mục tiêu của mình.

Điểm mấu chốt ở đây là kỹ năng lãnh đạo của con người cũng sẽ quan trọng không kém trong cuộc cách mạng tình báo, nếu không muốn nói là hơn thế. Con người đang, và sẽ vẫn là tài sản quan trọng nhất đối với bất kỳ doanh nghiệp nào. Nhưng những gì chúng tôi đánh giá là kỹ năng lãnh đạo quan trọng trong tương lai có thể rất khác so với các kỹ năng lãnh đạo truyền thống được coi trọng ngày nay. Tôi dự đoán rằng những kỹ năng nhẹ nhàng hơn, mang tính con người hơn – những thứ như sự khiêm tốn và trí tuệ cảm xúc – sẽ trở nên quan trọng hơn nhiều trong tương lai.

Cảm ơn các bạn đã quan tâm đến bài viết về những tiến bộ phi thường của trí tuệ nhân tạo.

Bài viết cùng chủ đề:

  1. Bắt đầu học lập trình trí tuệ nhân tạo (AI) cần những gì
  2. Phân biệt trí tuệ nhân tạo, học máy và học sâu, các khái niệm liên quan
  3. Lịch sử phát triển của trí tuệ nhân tạo
  4. Những ứng dụng của trí tuệ nhân tạo hiện nay

Trí tuệ nhân tạo (ai) ngày càng phát triển, và thuật ngữ trí tuệ nhân tạo không còn xa lạ với mỗi chúng ta. Hãy cũng mình tìm hiểu thêm về lịch sử phát triển của trí tuệ nhân tạo nhé.

Máy móc có thể suy nghĩ?

Trong nửa đầu thế kỷ 20, khoa học viễn tưởng đã cho thế giới dần quen thuộc với khái niệm robot thông minh nhân tạo. Nó bắt đầu với robot hình người đóng giả Maria ở Metropolis. Ở những năm 1950, chúng ta đã có một thế hệ các nhà khoa học, nhà toán học và triết học với những khái niệm trí tuệ nhân tạo đã đồng hóa trong tâm trí họ về mặt văn hóa.

Một trong những người như vậy là Alan Turing, một nhà đa khoa trẻ tuổi người Anh, người đã khám phá ra khả năng toán học của trí tuệ nhân tạo. Turing đề xuất rằng con người sử dụng thông tin có sẵn cũng như lý do để giải quyết vấn đề và để đưa ra quyết định, vậy tại sao máy móc không thể làm được điều tương tự? Đây là khuôn khổ hợp lý trong bài báo năm 1950 của ông, Máy tính và trí thông minh, trong đó ông thảo luận về cách chế tạo máy thông minh và cách kiểm tra trí thông minh của chúng.

sự phát triển của trí tuệ nhân tạo
sự phát triển của trí tuệ nhân tạo

Sự ngăn cản, khó khăn ban đầu

Thật không may, nói chuyện là rẻ. Điều gì đã ngăn Turing bắt đầu làm việc ngay lúc đó? Đầu tiên, máy tính cần thay đổi về cơ bản. Trước năm 1949, máy tính thiếu điều kiện tiên quyết chính cho trí thông minh: chúng không thể thực hiện lưu trữ các lệnh mà chỉ thực thi chúng. Nói cách khác, máy tính có thể biết phải làm gì nhưng không thể nhớ chúng đã làm gì. Thứ hai, máy tính cực kỳ đắt tiền. Vào đầu những năm 1950, chi phí thuê một chiếc máy tính lên đến 200.000 USD một tháng. Chỉ có những trường đại học danh tiếng và các công ty công nghệ lớn mới có đủ khả năng để hoạt động trong vùng nước chưa được khám phá này. Cần có bằng chứng lập luận cũng như sự vận động từ những người có năng lực cao để thuyết phục các nguồn tài trợ rằng trí tuệ máy móc đáng để theo đuổi.

Xem thêm: Ứng dụng của trí tuệ nhân tạo

Mở đầu cho sự phát triển AI

Năm năm sau, bằng chứng được khởi tạo thông qua Allen Newell, Cliff Shaw và Herbert Simon’s, Nhà lý thuyết logic. The Logic Theorist đây là một chương trình được thiết kế để bắt chước các kỹ năng giải quyết vấn đề của một con người và được tài trợ bởi Công ty Nghiên cứu và Phát triển (RAND). Nó được nhiều người coi là chương trình trí tuệ nhân tạo đầu tiên và được trình bày tại Dự án Nghiên cứu Mùa hè Dartmouth về Trí tuệ Nhân tạo (DSRPAI) do John McCarthy và Marvin Minsky tổ chức vào năm 1956.

Trong hội nghị lịch sử này, McCarthy đã tưởng tượng ra một nỗ lực hợp tác tuyệt vời, cùng các nhà nghiên cứu hàng đầu từ nhiều lĩnh vực khác nhau cho một cuộc thảo luận về trí tuệ nhân tạo, thuật ngữ mà ông đặt ra tại chính sự kiện này. Đáng buồn thay, hội nghị không đạt được kỳ vọng của McCarthy. Mọi người không thống nhất được các phương pháp cho lĩnh vực này. Mặc dù vậy, tất cả mọi người đều đồng ý rằng AI là có thể đạt được. Không thể phủ nhận tầm quan trọng của sự kiện này vì nó đã xúc tác cho hai mươi năm nghiên cứu AI tiếp theo.

sự phát triển của trí tuệ nhân tạo
sự phát triển của trí tuệ nhân tạo

Roller Coaster với những sự thành công và thất bại

Từ năm 1957 đến năm 1974

AI phát triển mạnh mẽ. Máy tính đã có thể lưu trữ nhiều thông tin hơn và trở nên nhanh hơn, rẻ hơn và dễ tiếp cận hơn. Các thuật toán học máy cũng được cải thiện và mọi người trở nên hiểu biết nhiều hơn áp dụng những thuật toán cho vấn đề của họ. Những minh chứng ban đầu như Người giải quyết vấn đề chung của Newell và Simon và ELIZA của Joseph Weizenbaum cho thấy hứa hẹn về các mục tiêu giải quyết vấn đề và giải thích ngôn ngữ nói tương ứng. Những thành công này, cũng như sự vận động của các nhà nghiên cứu hàng đầu (cụ thể là những người tham dự DSRPAI) đã thuyết phục các cơ quan chính phủ như Cơ quan Dự án Nghiên cứu Tiên tiến Quốc phòng (DARPA) tài trợ cho nghiên cứu trí tuệ nhân tạo AI tại một số cơ sở.

Chính phủ đặc biệt quan tâm đến một cỗ máy có thể phiên âm và dịch ngôn ngữ nói cũng như xử lý dữ liệu. Sự lạc quan đã cao và kỳ vọng thậm chí còn cao hơn. Năm 1970, Marvin Minsky nói với Tạp chí Life, “từ ba đến tám năm nữa, chúng ta sẽ có một cỗ máy với trí thông minh chung của một con người trung bình”. Tuy nhiên, mặc dù đã có bằng chứng cơ bản về nguyên tắc, nhưng vẫn còn một chặng đường dài phía trước để đạt được những mục tiêu cuối cùng của xử lý ngôn ngữ tự nhiên, tư duy trừu tượng và tự nhận thức.

Vào những năm 1980

AI đã được kích hoạt lại bởi hai nguồn: mở rộng bộ công cụ thuật toán và tăng quỹ. John Hopfield và David Rumelhart đã phổ biến các kỹ thuật “học sâu” cho phép máy tính học bằng cách sử dụng kinh nghiệm. Mặt khác, Edward Feigenbaum giới thiệu các hệ thống chuyên gia bắt chước quy trình ra quyết định của con người. Chính phủ Nhật Bản đã tài trợ rất nhiều cho các hệ thống chuyên gia và các nỗ lực liên quan đến trí tuệ nhân tạo AI khác như một phần của Dự án Máy tính Thế hệ Thứ năm (FGCP) của họ.

Từ năm 1982-1990

họ đã đầu tư 400 triệu đô la với mục tiêu cách mạng hóa quá trình xử lý máy tính, thực hiện lập trình logic và cải thiện trí tuệ nhân tạo. Thật không may, hầu hết các mục tiêu đầy tham vọng đã không được đáp ứng. Tuy nhiên, có thể lập luận rằng những tác động gián tiếp của FGCP đã truyền cảm hứng cho một thế hệ kỹ sư và nhà khoa học trẻ tài năng. Bất chấp việc tài trợ của FGCP không còn nữa, và trí tuệ nhân tạo AI không còn được chú ý nữa.

AI lại phát triển mạnh mẽ
AI lại phát triển mạnh mẽ

Trớ trêu thay, khi không có sự tài trợ của chính phủ và sự thổi phồng của công chúng, trí tuệ nhân tạo AI lại phát triển mạnh mẽ. Trong những năm 1990 và 2000, nhiều mục tiêu quan trọng của trí tuệ nhân tạo đã đạt được.

Năm 1997, đương kim vô địch cờ vua thế giới kiêm đại sư Gary Kasparov bị đánh bại bởi IBM’s Deep Blue, một chương trình máy tính chơi cờ. Trận đấu được công bố rộng rãi này là lần đầu tiên một nhà đương kim vô địch cờ vua thế giới để thua máy tính và là một bước tiến lớn đối với một chương trình ra quyết định thông minh nhân tạo.

Cùng năm đó, phần mềm nhận dạng giọng nói do Dragon Systems phát triển đã được triển khai trên Windows. Đây là một bước tiến lớn khác. Có vẻ như không có vấn đề gì mà máy móc không thể xử lý. Ngay cả cảm xúc của con người cũng là một trò chơi công bằng, bằng chứng là Kismet, một robot do Cynthia Breazeal phát triển có thể nhận biết và thể hiện cảm xúc.

Trí tuệ nhân tạo có ở mọi nơi

Hiện nay chúng ta đang sống trong thời đại của “dữ liệu lớn”. Thời đại mà chúng ta có khả năng thu thập một lượng lớn thông tin quá cồng kềnh để một người có thể xử lý.

Vì vậy, việc ứng dụng trí tuệ nhân tạo trong lĩnh vực này đã khá hiệu quả trong một số ngành công nghiệp như ngân hàng, tiếp thị và giải trí. Chúng tôi nhận thấy rằng ngay cả khi các thuật toán không cải thiện nhiều, dữ liệu lớn và máy tính khổng lồ cho phép trí tuệ nhân tạo học. Có thể có bằng chứng cho thấy định luật Moore đang chậm lại một chút, nhưng sự gia tăng dữ liệu chắc chắn không làm mất đi bất kỳ động lực nào. Những đột phá trong khoa học máy tính, toán học hoặc khoa học thần kinh đều được coi là tiềm năng vượt qua mức trần của định luật Moore.

Trong tương lai

Trước mắt, ngôn ngữ AI được coi là một sự phát triển lớn tiếp theo. Trên thực tế, nó đã được tiến hành. Tôi không thể nhớ lần cuối cùng tôi gọi điện cho một công ty và nói chuyện trực tiếp với một người. Ngày nay, máy móc thậm chí đang gọi cho tôi! Người ta có thể tưởng tượng việc tương tác với một hệ thống AI trong một cuộc trò chuyện trôi chảy hoặc có một cuộc trò chuyện bằng hai ngôn ngữ khác nhau được dịch trong thời gian thực.

Chúng ta cũng có thể mong đợi thấy những chiếc ô tô không người lái trên đường trong hai mươi năm tới. Về lâu dài, mục tiêu là trí thông minh chung, tức là một cỗ máy vượt qua khả năng nhận thức của con người trong mọi nhiệm vụ. Đây là đường nét của robot có tri giác mà chúng ta thường thấy trong phim. Đối với tôi, dường như không thể tưởng tượng nổi rằng điều này sẽ được thực hiện trong 50 năm tới.

Thế giới đang chuyển mình trong những nghiên cứu về TTNT. Sự phát triển của nó làm cuộc sống chúng ta ngày một thay đổi hơn nữa. Hãy cùng phát triển bản thân trong thời kì 4.0 này nhé.

Bài viết cùng chủ đề:

  1. Bắt đầu học lập trình trí tuệ nhân tạo (AI) cần những gì
  2. Phân biệt trí tuệ nhân tạo, học máy và học sâu, các khái niệm liên quan
  3. Những ứng dụng của trí tuệ nhân tạo hiện nay