THUẬT NGỮ VỀ AI BẠN CẦN NẮM TRƯỚC KHI BẮT ĐẦU: AI TỪ A ĐẾN Z

Những thuật ngữ AI bạn cần biết trước khi bắt đầu với nó

Sep 14, 2023 - 08:55
 42
THUẬT NGỮ VỀ AI BẠN CẦN NẮM TRƯỚC KHI BẮT ĐẦU: AI TỪ A ĐẾN Z

Artificial general intelligence, or AGI — Trí tuệ nhân tạo tổng quát, hay AGI : Một khái niệm gợi ý về một phiên bản AI tiên tiến hơn chúng ta biết ngày nay, một phiên bản có thể thực hiện các nhiệm vụ tốt hơn nhiều so với con người đồng thời giảng dạy và nâng cao khả năng của chính nó. 

AI ethics - Đạo đức AI - : Các nguyên tắc nhằm ngăn chặn AI làm hại con người, đạt được thông qua các phương tiện như xác định cách hệ thống AI nên thu thập dữ liệu hoặc xử lý sự thiên vị.

AI safety - An toàn AI: Một lĩnh vực liên ngành liên quan đến tác động lâu dài của AI và làm thế nào nó có thể đột ngột phát triển thành siêu trí thông minh có thể gây thù địch với con người.

 Algorithm - Thuật toán-: Một chuỗi hướng dẫn cho phép chương trình máy tính tìm hiểu và phân tích dữ liệu theo một cách cụ thể, chẳng hạn như nhận dạng các mẫu, để sau đó học hỏi từ dữ liệu đó và tự mình hoàn thành các nhiệm vụ. 

Alignment: Tinh chỉnh AI để tạo ra kết quả mong muốn tốt hơn. Điều này có thể đề cập đến bất cứ điều gì từ việc kiểm duyệt nội dung đến duy trì những tương tác tích cực với con người. 

Anthropomorphism: Khi con người có xu hướng gán cho những vật thể không phải con người những đặc điểm giống con người. Trong AI, điều này có thể bao gồm việc tin rằng chatbot giống con người hơn và có khả năng nhận thức cao hơn thực tế, như tin rằng nó đang vui, đang buồn hoặc thậm chí là có tri giác.

Artificial intelligence, or AI-Trí tuệ nhân tạo, hay AI: Việc sử dụng công nghệ để mô phỏng trí thông minh của con người, trong các chương trình máy tính hoặc robot. Một lĩnh vực khoa học máy tính nhằm mục đích xây dựng các hệ thống có thể thực hiện các nhiệm vụ của con người 

Bias: Liên quan đến các mô hình ngôn ngữ lớn, các lỗi phát sinh từ dữ liệu huấn luyện. Điều này có thể dẫn đến việc gán sai một số đặc điểm nhất định cho các chủng tộc hoặc nhóm nhất định dựa trên khuôn mẫu.

 Chatbot: Một chương trình giao tiếp với con người thông qua văn bản mô phỏng ngôn ngữ của con người. 

ChatGPT: Chatbot AI do OpenAI phát triển sử dụng công nghệ mô hình ngôn ngữ lớn.

 Cognitive computing: Một thuật ngữ khác cho trí tuệ nhân tạo.

Data augmentation - Tăng cường dữ liệu: Phối hợp lại dữ liệu hiện có hoặc thêm bộ dữ liệu đa dạng hơn để đào tạo AI. 

Deep learning: Một phương pháp AI và một trường con của học máy, sử dụng nhiều tham số để nhận dạng các mẫu phức tạp trong hình ảnh, âm thanh và văn bản. Quá trình này được lấy cảm hứng từ bộ não con người và sử dụng mạng lưới thần kinh nhân tạo để tạo ra các mẫu. 

Emergent behavior - Khuếch tán: Một phương pháp học máy lấy một phần dữ liệu hiện có, chẳng hạn như một bức ảnh, và thêm nhiễu ngẫu nhiên. Các mô hình khuếch tán huấn luyện mạng của họ để tái thiết kế hoặc khôi phục bức ảnh đó. 

End-to-end learning, or E2E: Khi một mô hình AI thể hiện những khả năng ngoài ý muốn. Học từ đầu đến cuối, hay E2E: Một quá trình học sâu trong đó một mô hình được hướng dẫn thực hiện một nhiệm vụ từ đầu đến cuối. Nó không được đào tạo để hoàn thành nhiệm vụ một cách tuần tự mà thay vào đó học hỏi từ các dữ liệu đầu vào và giải quyết tất cả cùng một lúc. 

Ethical considerations:: Nhận thức về ý nghĩa đạo đức của AI và các vấn đề liên quan đến quyền riêng tư, sử dụng dữ liệu, tính công bằng, lạm dụng và các vấn đề an toàn khác. 

Foom: Còn được gọi là cất cánh nhanh hoặc cất cánh cứng. Khái niệm cho rằng nếu ai đó xây dựng AGI thì có thể đã quá muộn để cứu nhân loại. 

Generative adversarial networks, or GANs: Mạng đối thủ tổng quát hoặc GAN: Một mô hình AI tổng quát bao gồm hai mạng thần kinh để tạo ra dữ liệu mới: một trình tạo và một bộ phân biệt đối xử. Trình tạo tạo nội dung mới và trình phân biệt đối xử sẽ kiểm tra xem nội dung đó có xác thực hay không. 

AI sáng tạo: Công nghệ tạo nội dung sử dụng AI để tạo văn bản, video, mã máy tính hoặc hình ảnh. AI được cung cấp một lượng lớn dữ liệu đào tạo, tìm ra các mẫu để tạo ra phản hồi mới của riêng mình, đôi khi có thể giống với tài liệu nguồn. 

Google Bard: Một chatbot AI của Google có chức năng tương tự ChatGPT nhưng lấy thông tin từ trang web hiện tại, trong khi ChatGPT bị giới hạn dữ liệu cho đến năm 2021 và không được kết nối với Internet.

Guardrails : Các chính sách và hạn chế được đặt ra đối với các mô hình AI để đảm bảo dữ liệu được xử lý một cách có trách nhiệm và mô hình đó không tạo ra nội dung đáng lo ngại.

 Hallucination: Phản hồi không chính xác từ AI. Có thể bao gồm AI tổng hợp tạo ra các câu trả lời không chính xác nhưng được tuyên bố một cách tự tin như thể đúng. Những lý do cho điều này không hoàn toàn được biết đến. Ví dụ: khi hỏi một chatbot AI, "Leonardo da Vinci vẽ bức Mona Lisa khi nào?" nó có thể trả lời bằng một tuyên bố không chính xác rằng, "Leonardo da Vinci đã vẽ bức Mona Lisa vào năm 1815", tức là 300 năm sau khi bức tranh này thực sự được vẽ. Large language model, or LLM - Mô hình ngôn ngữ lớn hay LLM: Một mô hình AI được đào tạo trên lượng lớn dữ liệu văn bản để hiểu ngôn ngữ và tạo ra nội dung mới bằng ngôn ngữ giống con người.

 Machine learning, or ML- Học máy hay ML: Một thành phần trong AI cho phép máy tính học hỏi và đưa ra kết quả dự đoán tốt hơn mà không cần lập trình rõ ràng. Có thể kết hợp với các bộ huấn luyện để tạo ra nội dung mới.

 Microsoft Bing: Một công cụ tìm kiếm của Microsoft hiện có thể sử dụng công nghệ hỗ trợ ChatGPT để đưa ra kết quả tìm kiếm do AI cung cấp. Nó tương tự như Google Bard ở chỗ được kết nối với internet.

 Multimodal AI - AI đa phương thức: Một loại AI có thể xử lý nhiều loại đầu vào, bao gồm văn bản, hình ảnh, video và giọng nói. 

Natural language processing - Xử lý ngôn ngữ tự nhiên: Một nhánh của AI sử dụng học máy và học sâu để cung cấp cho máy tính khả năng hiểu ngôn ngữ của con người, thường sử dụng các thuật toán học tập, mô hình thống kê và quy tắc ngôn ngữ.

Neural network:: Một mô hình tính toán giống với cấu trúc của bộ não con người và nhằm nhận dạng các mẫu trong dữ liệu. Bao gồm các nút hoặc nơ-ron được kết nối với nhau, có thể nhận ra các mẫu và học hỏi theo thời gian. 

Overfitting: Lỗi trong học máy khi nó hoạt động quá gần với dữ liệu huấn luyện và chỉ có thể xác định được các ví dụ cụ thể trong dữ liệu đã nói chứ không phải dữ liệu mới.

 Parameters -Tham số: Các giá trị số cung cấp cấu trúc và hành vi của LLM, cho phép nó đưa ra dự đoán. 

Prompt chaining - Chuỗi nhắc nhở: Khả năng AI sử dụng thông tin từ các tương tác trước đó để tô màu cho các phản hồi trong tương lai.

 Stochastic parrot - Con vẹt ngẫu nhiên: Một sự tương tự của LLM minh họa rằng phần mềm không có sự hiểu biết sâu sắc hơn về ý nghĩa đằng sau ngôn ngữ hoặc thế giới xung quanh nó, bất kể âm thanh đầu ra thuyết phục đến mức nào. Cụm từ này đề cập đến việc một con vẹt có thể bắt chước lời nói của con người mà không hiểu ý nghĩa đằng sau chúng. 

Style transfer - Chuyển kiểu: Khả năng điều chỉnh kiểu của một hình ảnh với nội dung của hình ảnh khác, cho phép AI diễn giải các thuộc tính hình ảnh của một hình ảnh và sử dụng nó trên một hình ảnh khác. Ví dụ như lấy bức chân dung tự họa của Rembrandt và tái tạo nó theo phong cách Picasso. 

Temperature - Nhiệt độ: Các tham số được đặt để kiểm soát mức độ ngẫu nhiên của đầu ra của mô hình ngôn ngữ. Nhiệt độ cao hơn có nghĩa là mô hình gặp nhiều rủi ro hơn.

 Text-to-image generation - Tạo văn bản thành hình ảnh: Tạo hình ảnh dựa trên mô tả văn bản.

Training data - Dữ liệu đào tạo: Các bộ dữ liệu được sử dụng để giúp các mô hình AI học hỏi, bao gồm văn bản, hình ảnh, mã hoặc dữ liệu. 

Transformer mode l- Mô hình biến áp: Kiến trúc mạng thần kinh và mô hình học sâu tìm hiểu ngữ cảnh bằng cách theo dõi các mối quan hệ trong dữ liệu, như trong câu hoặc các phần của hình ảnh. Vì vậy, thay vì phân tích từng từ một câu, nó có thể nhìn vào toàn bộ câu và hiểu ngữ cảnh.

 Turing test:: Được đặt theo tên của nhà toán học và nhà khoa học máy tính nổi tiếng Alan Turing, nó kiểm tra khả năng của một cỗ máy để hành xử giống con người. Máy sẽ vượt qua nếu con người không thể phân biệt được phản ứng của máy với người khác. 

Weak AI, aka narrow AI: AI tập trung vào một nhiệm vụ cụ thể và không thể học hỏi ngoài bộ kỹ năng của nó. Hầu hết AI ngày nay đều là AI yếu.

Zero-shot learning: Một bài kiểm tra trong đó người mẫu phải hoàn thành một nhiệm vụ mà không được cung cấp dữ liệu huấn luyện cần thiết. Một ví dụ là nhận ra một con sư tử khi chỉ được huấn luyện trên hổ.