Giới thiệu về AI

[dangquangminh]

Hãy tưởng tượng một thế giới nơi xe tự hành an toàn lướt đi trên các con phố, công cụ AI tạo nên những tác phẩm nghệ thuật và bản nhạc mê hoặc, còn chatbot thì mang lại trải nghiệm chăm sóc khách hàng mượt mà. Những thành tựu ấy không còn là viễn tưởng – chúng đã thành hiện thực nhờ sự bùng nổ của Trí tuệ Nhân tạo (AI).
AI đang dẫn đầu làn sóng đổi mới công nghệ, tác động sâu rộng tới y tế, tài chính, giáo dục, giải trí và vô số lĩnh vực khác. Dù bạn là kỹ sư công nghệ, nhà quản trị doanh nghiệp hay đơn giản là người tò mò, việc nắm vững những nền tảng căn bản của AI là tối quan trọng. Khóa học này sẽ trang bị cho bạn kiến thức để hiểu vai trò của AI trong các ứng dụng, từ hệ thống luật lệ truyền thống đến mô hình học sâu (deep learning) tiên tiến.
Chúng tôi sẽ “giải mã” AI – làm rõ các thành phần và ứng dụng của nó – theo cách gắn liền với nhu cầu nghề nghiệp của bạn. Bạn sẽ phân biệt được AI truyền thống và AI sinh tạo, hiểu điểm mạnh – điểm yếu của từng hướng tiếp cận, và biết ứng dụng kiến thức ấy vào các tình huống thực tế.
Kết thúc chương trình, bạn sẽ có thể:

• Mô tả AI truyền thống sử dụng logic và hệ thống luật lệ.
• Trình bày luồng xử lý trong AI truyền thống dựa trên biểu tượng (symbolic AI).
• Chỉ ra thách thức của AI truyền thống: khó mở rộng, kém linh hoạt.
• Liệt kê 5 ứng dụng hiện đại của AI truyền thống trong quá trình phát triển hệ thống AI.
• So sánh machine learning và deep learning trong thực tiễn, bao gồm:
  • Học có giám sát (supervised) vs. không giám sát (unsupervised)
  • Tính dễ giải thích (interpretability) và yêu cầu dữ liệu (data handling)

---

Khai mở thêm – kết nối lý thuyết với thực tiễn

1. Vì sao vẫn cần “AI truyền thống”?

Trước khi deep learning bùng nổ, expert system (hệ chuyên gia) đã giúp bác sĩ chẩn đoán bệnh, router phát hiện tấn công dựa trên chữ ký (signature), hay hệ thống Business Rules Engine quyết định phê duyệt khoản vay. Ở các môi trường đòi hỏi tính tuân thủ cao (ví dụ fintech, healthcare), luật lệ rõ ràng và khả năng truy vết lập luận của AI truyền thống vẫn vô cùng giá trị.
Ví dụ minh họa

• Y tế: MYCIN (1970s) chẩn đoán nhiễm trùng huyết qua chuỗi câu hỏi – đáp dựa trên luật “Nếu… thì…”.
• Bảo mật mạng: IDS dựa trên chữ ký SoC tạo rule “Nếu gói chứa chuỗi "/bin/sh" ở payload TCP 23 thì cảnh báo”.
• Ngân hàng: Hệ thống chấm điểm tín dụng theo quy tắc “IF thu nhập < X AND nợ > Y THEN từ chối”.

2. Thách thức cố hữu

• Khó mở rộng: Bổ sung mỗi luật mới dễ xung đột luật cũ; quy mô tăng gây “bùng nổ luật”.
• Tĩnh, cứng: Môi trường biến động (zero-day attack) khiến rule-based dễ lỗi thời.
• Chi phí bảo trì: Chuyên gia phải liên tục cập nhật tri thức bằng tay.

3. “Hiện đại hóa” AI truyền thống

Ngày nay, ta kết hợp symbolic AI với học máy theo mô hình neurosymbolic: deep learning trích xuất tri thức, rule-engine suy diễn để giữ độ tin cậy. Cisco SecureX, IBM Watson xài hướng này để phân tích log, tạo rule chặn đe dọa mới rồi giải thích lý do.
4. So sánh Machine Learning (ML) vs. Deep Learning (DL)

Dữ liệu	Vừa phải, cần feature engineering	Lớn, raw data (ảnh, âm thanh)
Giải thích	Cao: tầm quan trọng feature rõ	Thấp: “Hộp đen” nhiều triệu tham số
Phần cứng	CPU đủ (đa phần)	GPU/TPU cần thiết
Ứng dụng	Phát hiện gian lận thẻ tín dụng, dự báo tồn kho	Nhận dạng hình ảnh y khoa, tạo văn bản (ChatGPT)

5. Ứng dụng AI truyền thống trong phát triển hệ thống AI (Top-5)

1. Tiền xử lý dữ liệu: Rule-based làm sạch log (bỏ header không cần).
2. Hậu xử lý: Luật kinh doanh gán nhãn kết quả mô hình (ví dụ gắn mức độ ưu tiên cảnh báo).
3. Giải thích mô hình: Suy diễn dựa trên ontology để chuyển vector embedding thành lý giải dễ hiểu.
4. Ràng buộc đạo đức & an toàn: Luật “không sinh nội dung vi phạm” áp cho chatbot.
5. Giám sát chất lượng: Rule kiểm tra drift: “Nếu precision giảm > 3% trong 7 ngày thì rollback”.

6. Học có giám sát vs. không giám sát

• Supervised: Bạn có nhãn → huấn luyện mô hình dự đoán; ví dụ ảnh X-quang đã ghi “viêm phổi/phổi khỏe”.
• Unsupervised: Không nhãn → mô hình tự nhóm (clustering) hoặc phát hiện bất thường; áp dụng phát hiện thiết bị IoT dị thường trong mạng.

7. Lời khuyên cho người mới bắt đầu

1. Bắt đầu nhỏ: Thử viết rule-engine (Python experta) giải Sudoku để hiểu suy diễn.
2. Hiểu dữ liệu: Trước khi lao vào deep learning, hãy khám phá, trực quan hóa CSV bằng Pandas/Matplotlib.
3. Kết hợp công cụ: Kết hợp Scikit-learn (ML) và LangChain/Transformers (DL/LLM) cho giải pháp end-to-end.
4. Giữ đạo đức – bảo mật: Luôn kiểm soát dữ liệu nhạy cảm, thiết lập guardrail cho model.
5. Thực hành liên tục: Đăng ký Kaggle, tham gia dự án GitHub, viết blog chia sẻ – học đi đôi làm.

---

Tóm tắt

AI không chỉ là những mô hình sâu khó hiểu. Từ hệ chuyên gia đầu tiên đến ChatGPT ngày nay, hành trình AI là chuỗi tiến hóa kết hợp tri thức biểu tượng, thống kê và mạng nơ-ron. Hiểu “cái cũ” giúp ta xây “cái mới” vững vàng hơn. Hãy bắt đầu hành trình khám phá – và đừng quên chia sẻ bài viết này để lan tỏa kiến thức tới cộng đồng kỹ sư Việt!