Trí tuệ nhân tạo

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN
TRUNG TÂM PHÁT TRIỂN CÔNG NGHỆ THÔNG TIN
----------

BÁO CÁO MÔN HỌC
GIỚI THIỆU NGÀNH CÔNG NGHỆ THƠNG TIN

Mơn: Giới thiệu ngành Cơng nghệ thơng tin
GVHD:
Nhóm SVTH: CN2.K2023.2 - Nhóm 7

Thành phố Hồ Chí Minh, Năm 2023


DANH SÁCH THÀNH VIÊN VÀ PHÂN CƠNG CƠNG VIỆC NHĨM 7.....................................

I. TRÍ TUỆ NHÂN TẠO......................................................................................................................
II. NGƠN NGỮ LẬP TRÌNH PHỔ BIẾN TRONG PHÁT TRIỂN TRÍ TUỆ

NHÂN TẠO (AI)..................................................................................................................................

V. HỌC MÁY (MARCHINE LEARNING).......................................................................................

VI. CÔNG NGHỆ BLOCKCHAIN....................................................................................................

TÀI LIỆU THAM KHẢO...................................................................................................................

1


DANH SÁCH THÀNH VIÊN VÀ PHÂN CƠNG CƠNG VIỆC NHĨM 7

MSSV

Họ và tên

Nội dung tìm hiểu

Đánh
giá

23210186

Lê Thị Yến

● Tổng hợp nội dung
● Power Point

100%

23210114

Nguyễn Thanh Hịa

● Hỗ trợ rà sốt nội dung Power Point

100%

23210169

Đỗ Cao Trí

● Hỗ trợ rà sốt nội dung word

100%

23210180

Trần Xuân Viễn

● Đặt vấn đề
● Trả lời câu hỏi

100%

23210150

Cao Văn Tấn

● Tìm hiểu nội dung Blockchain

100%

23210145

Nguyễn Hồng Phúc

23210152

Nguyễn Thị Hoa Thắng

23210178

Nguyễn Chung Văn

23210165

Nguyễn Khánh Tiên

● Thuyết trình

100%

23210127

Nguyễn Hồng Long

● Tìm hiểu nội dung Trí tuệ nhân tạo

100%

23210096

Nguyễn Khắc Công

● Đặt vấn đề
● Trả lời câu hỏi

100%

22730037

Thái Quốc Khánh

● Hỗ trợ rà sốt nội dung word

100%

23210181

Nguyễn Lâm Hồng Vũ

23210130

Đỗ Hải Minh

●
●
●
●
●

Thuyết trình
Đặt câu hỏi
Đặt vấn đề
Trả lời câu hỏi
Tìm hiểu nội dung Ngơn ngữ lập
trình nào hiện nay đang dùng cho
phát triển trí tuệ nhân tạo

● Đặt vấn đề
● Trả lời câu hỏi

● Tìm hiểu nội dung Machine
Learning

100%
100%
100%

100%
100%

2


I.

TRÍ TUỆ NHÂN TẠO

1. Định nghĩa
Trí tuệ nhân tạo (Artificial Intelligence - AI) là một lĩnh vực trong ngành khoa học
máy tính nhằm phát triển các hệ thống và chương trình máy tính có khả năng thực
hiện các nhiệm vụ địi hỏi sự thơng minh, mà trước đây chỉ có thể được thực hiện bởi
con người. Mục tiêu chính của AI là tạo ra máy tính có khả năng học hỏi (machine
learning), tư duy (reasoning), nhận biết ngôn ngữ tự nhiên (natural language
processing), và thực hiện các tác vụ khác một cách tự động.
Trí tuệ nhân tạo khơng chỉ giới hạn trong việc mô phỏng khả năng tư duy của con
người mà còn liên quan đến khả năng tự học, tự điều chỉnh và tự thích ứng của máy
tính khi đối mặt với môi trường mới hay các tác vụ mới. Các ứng dụng của trí tuệ
nhân tạo đa dạng và bao gồm nhiều lĩnh vực như y tế, giao thông vận tải, giáo dục,
kinh doanh, nông nghiệp, và nhiều lĩnh vực khác.
2. Các ứng dụng trong cuộc sống

2.1. Trong Y tế
a) Dự đốn tình trạng sức khỏe cá nhân:
AI được sử dụng để phân tích dữ liệu sức khỏe cá nhân như dấu vết hoạt động,
giấc ngủ, và dữ liệu sinh học để dự đoán và cảnh báo về tình trạng sức khỏe cá nhân,
giúp người dùng duy trì lối sống lành mạnh.
b) Chẩn Đoán Bệnh:
Trong nghiên cứu của Stanford Medicine, một hệ thống AI được huấn luyện trên

3


hơn 100,000 hình ảnh tia X đã đạt độ chính xác cao trong việc nhận diện các bệnh lý
như phổi sưng, giúp bác sĩ đưa ra chẩn đốn nhanh chóng và chính xác.
c) Dự Báo Dịch Bệnh:
Trong cuộc khủng hoảng COVID-19, các mơ hình dự đốn của Johns Hopkins
University, sử dụng trí tuệ nhân tạo, đã giúp dự báo số lượng ca nhiễm và địa điểm
tiếp theo có thể bị ảnh hưởng, hỗ trợ các biện pháp ngăn chặn.
d) Quản Lý Dược Phẩm:
Firma, một cơng ty sử dụng trí tuệ nhân tạo, đã phát triển một hệ thống dự đoán
nhu cầu thuốc trong các bệnh viện dựa trên dữ liệu lịch sử, giúp giảm thiểu nguy cơ
thiếu hụt và lạc quan nguồn cung
2.2. Trong Kinh doanh Tài chính
a) Phân Tích Dữ Liệu Tài Chính:
Các cơng ty như IBM và SAS sử dụng trí tuệ nhân tạo để phân tích dữ liệu tài
chính lớn và phức tạp, giúp dự báo xu hướng thị trường, đưa ra dự đoán về giá chứng
khoán và hỗ trợ quyết định đầu tư.
b) Xác Nhận Giao Dịch Tự Động:
Trong ngành ngân hàng, trí tuệ nhân tạo được sử dụng để xác nhận giao dịch tự
động và phát hiện gian lận, giúp bảo vệ thông tin tài chính của khách hàng.

c) Tư Vấn Tài Chính Trực Tuyến:
Ứng dụng robo-advisors như Betterment và Wealthfront sử dụng trí tuệ nhân tạo
để tư vấn đầu tư cá nhân dựa trên mục tiêu tài chính và tình hình thị trường, giúp nhà
đầu tư đưa ra quyết định thông minh.
d) Quản Lý Rủi Ro Tài Chính:
Các cơng ty bảo hiểm sử dụng trí tuệ nhân tạo để đánh giá rủi ro và xây dựng mơ
hình dự báo chi phí bảo hiểm dựa trên nhiều yếu tố, từ thông tin cá nhân đến điều kiện
thị trường.
e) Dự Đốn Tình Hình Tài Chính Cá Nhân:
Các ứng dụng như Mint sử dụng AI để phân tích thơng tin tài chính cá nhân, dự
đốn xu hướng tiêu dùng và đề xuất kế hoạch ngân sách cá nhân
2.3.Trong Giáo dục
a) Học Máy Cho Phản Hồi Học Tập:
Khi sử dụng ứng dụng như Gradescope, học sinh và giáo viên có thể nhận phản
hồi tức thì về bài làm, giúp cải thiện quá trình học tập dựa trên hiệu suất cụ thể của
từng học sinh.
b) Nền Tảng Học Tập Cá Nhân Hóa:
Khan Academy sử dụng AI để tùy chỉnh nội dung học tập cho mỗi học sinh dựa
trên kết quả của họ trong các bài kiểm tra trước đó, tạo ra một trải nghiệm học tập cá
nhân hóa.
c) Hỗ Trợ Giáo Viên:
EdTech platforms như Squirrel AI hỗ trợ giáo viên trong việc theo dõi tiến triển

4


của học sinh, đồng thời đề xuất phương pháp giảng dạy phù hợp với từng học sinh dựa
trên dữ liệu học tập.
2.4. Trong Giao thơng Vận tải
a) Ơ Tơ Tự Lái:

Cơng ty Tesla sử dụng trí tuệ nhân tạo để cập nhật và tối ưu hóa phần mềm lái xe
tự động thông qua các bản cập nhật OTA (Over-The-Air), giúp xe ngày càng hiểu biết
và phản ứng tốt hơn trong môi trường giao thông.
b) Quản Lý Giao Thông Thông Minh:
Trong thành phố Singapore, hệ thống giao thông thông minh sử dụng dữ liệu từ
cảm biến và camera để dự đoán và quản lý lưu lượng giao thông, giảm nguy cơ ùn tắc
và tăng hiệu suất di chuyển.
c) Dịch Vụ Gọi Xe Thơng Minh:
Uber và Lyft sử dụng thuật tốn máy học để dự đoán nhu cầu vận chuyển trong
mỗi khu vực và tối ưu hóa việc kết nối hành khách với tài xế, giúp giảm thời gian chờ
đợi và tăng hiệu suất dịch vụ.
2.4. Trong Mạng xã hôi
a) Phân Loại Nội Dung:
Trí tuệ nhân tạo được sử dụng trong các mạng xã hội như Facebook và Instagram
để tự động phân loại nội dung, nhận diện và loại bỏ nội dung vi phạm chính sách cộng
đồng.
b) Gợi Ý Nội Dung Cá Nhân:
Các mạng xã hội sử dụng học máy để phân tích hành vi trực tuyến của người dùng
và đề xuất nội dung cá nhân hóa, từ bài viết đến quảng cáo, tối ưu hóa trải nghiệm
người dùng.
c) Phát Hiện Tin Giả và Thơng Tin Sai Lệch:
Trí tuệ nhân tạo được tích hợp vào các nền tảng mạng xã hội để phát hiện và kiểm
sốt thơng tin sai lệch và tin giả, giúp người dùng tiếp cận thơng tin chính xác.
d) Tư Duy Máy Học Trong Phân Loại Hình Ảnh:
Các ứng dụng mạng xã hội như Pinterest sử dụng học máy để hiểu và phân loại
hình ảnh, từ đó đề xuất nội dung và ý tưởng tương tự mà người dùng có thể quan tâm.
e) Tạo Nền Tảng Gặp Gỡ và Kết Nối:
Các ứng dụng như Tinder sử dụng thuật toán máy học để phân loại và đề xuất
những người dùng có khả năng phù hợp với nhau, tăng khả năng thành cơng trong
việc tìm kiếm đối tác.

II.

NGƠN NGỮ LẬP TRÌNH PHỔ BIẾN TRONG PHÁT TRIỂN TRÍ TUỆ
NHÂN TẠO (AI)

III.

Các ngơn ngữ lập trình phổ biến trong phát triển Trí tuệ nhân tạo
Trí tuệ nhân tạo (AI) đang dẫn đầu trong sự đổi mới cơng nghệ, cách mạng hóa
các ngành cơng nghiệp và thay đổi cách chúng ta tương tác với máy móc. Việc chọn

5


ngơn ngữ lập trình phù hợp rất quan trọng khi bắt đầu hành trình phát triển trí tuệ nhân
tạo. Mỗi ngơn ngữ đều có ưu và nhược điểm của riêng mình, và việc lựa chọn ngơn
ngữ phụ thuộc vào u cầu cụ thể của dự án. Dưới đây là các ngôn ngữ được sử dụng
phổ biến trong việc phát triển các dự án AI
1.1 Python
Python là ngôn ngữ phổ biến nhất cho phát triển AI vì sự đơn giản và dễ đọc của
nó. Python có một cộng đồng lập trình viên lớn đóng góp cho các thư viện của nó, làm
cho nó trở thành lựa chọn lý tưởng cho người mới học. Python được sử dụng để phát
triển các mô hình học máy, xử lý ngơn ngữ tự nhiên và các ứng dụng thị giác máy
tính. Các thư viện phổ biến cho Python bao gồm TensorFlow, Keras và PyTorch.
Một trong những ứng dụng nổi tiếng nhất của Python trong phát triển AI là
AlphaGo, một AI được phát triển bởi Google DeepMind, đã đánh bại nhà vơ địch thế
giới trong trị chơi Go vào năm 2016. AlphaGo sử dụng các mạng nơ-ron và học sâu
để phân tích và dự đốn các nước đi tốt nhất, minh chứng cho sức mạnh của Python
trong phát triển AI.

Những lý do Python là ngôn ngữ phổ biến trong phát triển trí tuệ nhân tạo:
• Thư viện phong phú: Python sở hữu một hệ sinh thái thư viện phong phú như
NumPy, SciPy, Pandas và scikit-learn, giúp đơn giản hóa việc thao tác dữ liệu, tính
tốn khoa học và học máy.
• Framework: Framework AI phổ biến như TensorFlow, PyTorch và Keras đều

6


chọn Python làm ngơn ngữ chính. Những thư viện này tối ưu hóa việc phát triển học
sâu và mạng nơ-ron.
• Hỗ trợ cộng đồng: Cộng đồng lập trình viên Python rất lớn, giúp giải quyết vấn
đề nhanh chóng, tài liệu hướng dẫn đầy đủ và nhiều tài nguyên trực tuyến.
• Linh hoạt: Python rất linh hoạt, phù hợp cho việc tạo mơ hình và xây dựng các
ứng dụng AI từ đầu đến cuối, từ tiền xử lý dữ liệu đến triển khai mơ hình

1.2. Java
Java là một ngơn ngữ lập trình nổi tiếng và được sử dụng rộng rãi, chủ yếu cho
phía máy chủ. Điều tốt nhất về Java là nó có thể được sử dụng cho nhiều loại phát
triển và trên nhiều nền tảng.

Lý do Java được coi là ngơn ngữ tốt để phát triển trí tuệ nhân tạo là vì nó đi kèm
với nhiều thư viện mã nguồn mở cho học sâu và NLP (Natural Language Processing).
Nó cũng thân thiện với người dùng và cung cấp một nền tảng để phát triển các ứng
dụng AI. Việc gỡ lỗi mã dễ dàng hơn trong Java so với nhiều ngôn ngữ lập trình khác.
Nó cho phép mở rộng và có thể được sử dụng cho cả các dự án doanh nghiệp quan
trọng và quy mô lớn.
Đối với phát triển ứng dụng Android, Java đã là ngôn ngữ gốc. Mặc dù các nhà
phát triển Android cũng làm việc với Kotlin, nhưng nó vẫn được sử dụng rộng rãi.
Một số ứng dụng Android dựa trên AI nổi tiếng nhất được xây dựng bằng Java bao

7


gồm Google Assistant và FaceApp.
Dưới đây là các thư viện và framework có sẵn với Java:
• OpenNLP
• Java Machine Learning library
• Neuroph
• Kubeflow
• Deep Java library
1.3. C++
C++ được tơn vinh vì sức mạnh, hiệu quả và tốc độ của nó. Nó thường được sử
dụng trong việc phát triển AI khi hiệu suất là điều tối quan trọng:
• AI hiệu suất cao: C++ phổ biến trong các ứng dụng AI đòi hỏi hiệu suất thời
gian thực, như robot, xe tự hành và thị giác máy tính.
• Thư viện máy học: Các thư viện như OpenCV, Dlib và Shark được viết bằng
C++ và được đánh giá cao về xử lý hình ảnh và học máy.
• Hiệu quả tài nguyên: Khả năng kiểm sốt bộ nhớ và tài ngun hệ thống của
C++ có lợi khi tối ưu hóa các thuật tốn AI.

Một ví dụ thực tế về C++ trong phát triển AI là hệ thống nhận dạng khuôn mặt
được sử dụng trong các sân bay. Hệ thống nhận dạng khuôn mặt sử dụng C++ để phân
tích lượng lớn dữ liệu một cách nhanh chóng, cho phép sàng lọc hành khách một cách
hiệu quả.
1.4. Prolog
Prolog đi kèm với một cách hoàn toàn khác để tiếp cận AI trong quá trình phát
triển. Dạng đầy đủ của Prolog là Lập trình theo logic vì nó được tạo ra cho các khái
niệm lập trình dựa trên logic.

8

Vai trò của Prolog đã tăng lên trong lĩnh vực học máy và AI nhờ cách hỗ trợ độc
đáo của nó trong việc tạo ra các dự án phát triển dựa trên AI. Khi các nhà phát triển
làm việc với ngôn ngữ Prolog, họ cần cung cấp một số dữ liệu và yêu cầu, chủ yếu
bao gồm các quy tắc, sự kiện và kết quả mong đợi.
1.5. LISP
Lisp là một ngôn ngữ độc đáo được sử dụng để phát triển AI từ những năm 1950.
Nó được biết đến với khả năng xử lý dữ liệu tượng trưng và được sử dụng để phát
triển hệ thống chuyên gia, xử lý ngôn ngữ tự nhiên và ứng dụng thị giác máy tính.
Mặc dù khơng phổ biến như Python, Lisp có một cộng đồng các nhà phát triển nhỏ
nhưng tận tâm, đánh giá cao tính linh hoạt và sức mạnh biểu đạt của nó.

Trong thực tế, các nhà khoa học đã dùng Lisp trong phát triển AI ở sứ mệnh thám
hiểm sao Hỏa của NASA. Lisp được sử dụng trong hệ thống điều khiển chuyển động
của tàu thám hiểm, cho phép nó di chuyển quanh địa hình khắc nghiệt của hành tinh.

9


IV.

So sánh các ngôn ngữ hiện nay trong phát triển Trí tuệ nhân tạo

Ngơn ngữ Điểm mạnh

Điểm yếu

Độ
biến

Python

Cú pháp dễ dàng,
thư viện mở rộng
cho AI (Pandas,
SciPy,
nltk,
Numpy), xử lý dữ
liệu hiệu quả

Đường
Rất cao
cong
học
tập
cao,
dành riêng
cho
lập
trình logic

Thích hợp
cho
cả
người mới
bắt đầu và
chun gia

Phân tích dữ

liệu,
học
máy, thuật
toán AI

Java

Thân thiện với
người dùng, gỡ lỗi
dễ hơn các ngơn
ngữ khác

Dài dịng Cao
hơn,
thời
gian phát
triển chậm
hơn

Tốt
cho
phân
tích
thống
kê,
mã hóa cho
mục
đích
chung

Xử lý
ngữ
nhiên,
tốn
kiếm,
lưới
kinh

C++

Rất nhanh, cung Phức
tạp Cao
cấp quyền kiểm hơn,
khó
sốt tài ngun hệ học hơn
thống

Đường cong Game
AI,
học tập cao xây
dựng
mơ
hình
machine
learning, tối
ưu hóa cơng
cụ tìm kiếm

Prolog

Tốt cho việc tạo Ít được sử Thấp
thuật tốn AI, dụng hơn, ít
khớp mẫu
thư
viện
hơn

u
cầu
hiểu biết về
lập
trình
chức năng

LISP

Tốt cho việc tạo
mẫu, hiệu quả
trong việc xử lý
tính tốn biểu
tượng

Đường cong Được
sử
học tập vừa dụng trong
phải
nghiên cứu
AI ban đầu,
nhận dạng
mẫu

Ít được sử Thấp
dụng hơn, ít
thư
viện
hơn

phổ Khả năng sử Ứng dụng AI
dụng
phổ biến

ngơn
tự
thuật
tìm
mạng
thần

Chatbot, trợ
lý giọng nói
và giao diện
người dùng
đồ
họa
(GUI)

10


V.

HỌC MÁY (MARCHINE LEARNING)

1. Định nghĩa
Machine learning (ML) là một lĩnh vực nghiên cứu trong trí tuệ nhân tạo (AI) mà
máy tính được lập trình để tự học và cải thiện hiệu suất từ dữ liệu mà nó nhận được.
Phân tích machine learning là q trình sử dụng các phương pháp và mơ hình machine
learning để phân tích, hiểu và rút ra thơng tin từ dữ liệu.
Phân tích machine learning có thể được chia thành hai phần chính: phân tích dữ
liệu và huấn luyện mơ hình.
Phân tích dữ liệu: Đây là quá trình tiền xử lý dữ liệu trước khi đưa vào mơ hình
machine learning. Các bước trong phân tích dữ liệu bao gồm thu thập, xử lý, tiền xử lý
và biến đổi dữ liệu thành định dạng phù hợp cho việc huấn luyện và đánh giá mơ hình.
Điều này có thể bao gồm việc loại bỏ dữ liệu nhiễu, xử lý dữ liệu thiếu, chuẩn hóa dữ
liệu và tách dữ liệu thành tập huấn luyện và tập kiểm tra.
Huấn luyện mơ hình: Trong giai đoạn này, các mơ hình machine learning được
xây dựng và huấn luyện từ dữ liệu huấn luyện. Có nhiều loại mơ hình machine
learning như học có giám sát (supervised learning), học khơng giám sát (unsupervised
learning) và học tăng cường (reinforcement learning). Mỗi loại mơ hình có phương
pháp và thuật tốn riêng để huấn luyện. Mục tiêu của giai đoạn này là tìm ra mơ hình
có khả năng dự đoán tốt trên dữ liệu mới.
Sau khi mơ hình đã được huấn luyện, q trình phân tích machine learning tiếp
tục với việc đánh giá và triển khai mơ hình.
Đánh giá mơ hình: Đây là q trình đánh giá hiệu suất của mơ hình trên dữ liệu
kiểm tra độc lập. Các phép đo thông thường bao gồm độ chính xác (accuracy), độ
phân loại (classification), độ hồi quy (regression) và các phép đo khác liên quan đến
mục tiêu của bài tốn.
Triển khai mơ hình: Sau khi mơ hình đã được đánh giá và xác định là đạt đủ hiệu
suất, nó có thể được triển khai để sử dụng trong các ứng dụng thực tế. Q trình triển
khai có thể bao gồm việc tích hợp mơ hình vào hệ thống, tối ưu hóa và tinh chỉnh để

đáp ứng các yêu cầu và ràng buộc cụ thể.

11


Phân tích machine learning có thể áp dụng trong nhiều lĩnh vực, bao gồm nhận
dạng hình ảnh, xử lý ngơn ngữ tự nhiên, dự đốn chuỗi thời gian, phân tích dữ liệu y
tế, tự động lái xe và nhiều ứng dụng khác. Nó đóng vai trị quan trọng trong việc giúp
chúng ta hiểu và tận dụng thông tin từ dữ liệu lớn và phức tạp.

2. Các ứng dụng
2.1. Ứng dụng học máy trong xử lý ngôn ngữ tự nhiên

12


• Phân loại văn bản: ML có thể được sử dụng để phân loại văn bản tự động. Ví
dụ, một hệ thống phân loại tin tức có thể được xây dựng để tự động phân loại các bài
viết vào các danh mục khác nhau như thể thao, chính trị, kinh doanh, v.v.
• Dịch máy: ML đã có những đóng góp quan trọng trong lĩnh vực dịch máy tự
động. Các mô hình dịch máy dựa trên ML sử dụng phương pháp học từ dữ liệu huấn
luyện để tự động dịch văn bản từ một ngơn ngữ sang ngơn ngữ khác.
• Phân tích cảm xúc: ML có thể được sử dụng để phân tích và nhận biết cảm
xúc trong văn bản. Ví dụ, một hệ thống có thể được xây dựng để tự động xác định
xem một bình luận trên mạng xã hội là tích cực, tiêu cực hay trung lập.
• Trích xuất thơng tin: ML có thể giúp trích xuất thơng tin quan trọng từ văn
bản. Ví dụ, một hệ thống có thể tự động trích xuất thơng tin như tên, địa chỉ, số điện
thoại từ các văn bản hợp đồng hoặc email.
• Tạo câu tự động: ML cũng có thể được sử dụng để tạo ra văn bản tự động. Ví
dụ, một mơ hình ML có thể được huấn luyện để tạo ra các mô tả sản phẩm tự động

hoặc viết các bài viết báo tự động dựa trên dữ liệu huấn luyện.
• Hỏi đáp tự động: ML có thể được sử dụng để xây dựng các hệ thống hỏi đáp
tự động. Ví dụ, các trợ lý ảo hoặc chatbot có thể sử dụng ML để hiểu câu hỏi của
người dùng và đưa ra câu trả lời phù hợp.
2.2. Ứng dụng học máy để tự động đề xuất các sản phẩm
• Hệ thống gợi ý dựa trên nội dung: ML có thể được sử dụng để phân tích nội
dung của sản phẩm và xây dựng các mơ hình gợi ý dựa trên đặc trưng của sản phẩm.
Ví dụ, một mơ hình ML có thể học từ thơng tin như tên sản phẩm, mơ tả, hình ảnh và
đặc điểm kỹ thuật để đưa ra gợi ý các sản phẩm tương tự hoặc liên quan.

13


• Hệ thống gợi ý dựa trên hành vi người dùng: ML cũng có thể được sử dụng để
phân tích hành vi mua hàng của người dùng và xây dựng các mơ hình gợi ý dựa trên
dữ liệu người dùng. Ví dụ, một hệ thống có thể sử dụng ML để hiểu các mẫu mua
hàng của người dùng, ví dụ như lịch sử mua hàng, sản phẩm được xem, sản phẩm đã
mua, và dựa trên đó đưa ra gợi ý sản phẩm tương tự hoặc phù hợp với sở thích của
người dùng.
• Hệ thống gợi ý dựa trên thơng tin ngữ cảnh: ML có thể được sử dụng để phân
tích ngữ cảnh xung quanh việc mua sắm và đưa ra các gợi ý sản phẩm phù hợp. Ví dụ,
một hệ thống có thể xem xét thơng tin về địa điểm, thời gian, sự kiện đặc biệt, xu
hướng mua hàng, và dựa trên đó đưa ra gợi ý sản phẩm phù hợp với ngữ cảnh đó.
• Hệ thống gợi ý dựa trên thơng tin đa nguồn: ML cho phép tích hợp thông tin từ
nhiều nguồn khác nhau như đánh giá sản phẩm, phản hồi từ khách hàng, dữ liệu xã hội
và dữ liệu bên ngoài. Bằng cách tổng hợp và phân tích dữ liệu này, hệ thống có thể
đưa ra gợi ý sản phẩm chính xác và đáng tin cậy.
• Hệ thống gợi ý thời gian thực: ML có thể được sử dụng để xây dựng hệ thống
gợi ý thời gian thực, nghĩa là đưa ra gợi ý sản phẩm ngay lập tức khi người dùng
tương tác. Việc này đòi hỏi xử lý nhanh chóng và hiệu quả dữ liệu lớn để đưa ra gợi ý

chính xác và phù hợp trong thời gian thực.
2.3. Ứng dụng học máy trong phát hiện gian lận
• Phát hiện gian lận tín dụng: ML có thể được sử dụng để phân tích dữ liệu liên
quan đến giao dịch tín dụng hoặc thẻ tín dụng. Các mơ hình ML có thể học từ dữ liệu
lịch sử giao dịch, mơ hình hóa mẫu hành vi gian lận và phát hiện các hành vi bất
thường hoặc gian lận trong giao dịch hiện tại.
• Phát hiện gian lận trong giao dịch điện tử: ML có thể được sử dụng để phát
hiện gian lận trong các giao dịch điện tử, chẳng hạn như gian lận thanh toán trực
tuyến, gian lận thẻ tín dụng trực tuyến hoặc gian lận trong giao dịch qua mạng. Các
mơ hình ML có thể phân tích các đặc trưng của giao dịch, ví dụ như địa chỉ IP, thông
tin người dùng, loại giao dịch và phát hiện các mơ hình gian lận.
• Phát hiện gian lận trong bảo hiểm: ML có thể được áp dụng để phát hiện gian
lận trong ngành bảo hiểm, chẳng hạn như gian lận trong yêu cầu bồi thường, gian lận
trong đơn hàng bảo hiểm hoặc gian lận trong thông tin y tế. Các mơ hình ML có thể
phân tích dữ liệu liên quan đến khách hàng, đơn hàng và các yếu tố quan trọng khác
để xác định các biểu hiện gian lận.
• Phát hiện gian lận trong giao dịch tài chính: ML có thể được sử dụng để phát
hiện gian lận trong các giao dịch tài chính, chẳng hạn như gian lận giao dịch chứng
khoán, gian lận trong giao dịch ngoại hối hoặc gian lận trong giao dịch ngân hàng.
Các mô hình ML có thể sử dụng phân tích dữ liệu lịch sử, các chỉ số tài chính và các
yếu tố khác để phát hiện các hành vi bất thường hoặc gian lận.
• Phát hiện gian lận trong dữ liệu lớn: ML có thể được áp dụng để phát hiện gian
lận trong dữ liệu lớn, nơi có lượng dữ liệu lớn và đa dạng. Các kỹ thuật ML như học

14


không giám sát, học tăng cường và mạng nơ-ron sâu có thể được sử dụng để phát hiện
các mơ hình và gian lận trong dữ liệu lớn.
2.4. Ứng dụng học máy trong vận hành xe tự động

• Nhận diện và phân loại đối tượng: ML có thể được sử dụng để nhận diện và
phân loại các đối tượng quan trọng trên đường, chẳng hạn như ôtô, xe máy, người đi
bộ, biển báo giao thông, đèn giao thông, v.v. Các mô hình ML, chẳng hạn như mạng
nơ-ron sâu, có thể học từ dữ liệu hình ảnh hoặc video thu thập từ các cảm biến như
camera và radar để nhận biết các đối tượng và đưa ra quyết định phù hợp.
• Dự đốn và ước lượng: ML có thể được sử dụng để dự đốn và ước lượng các
thơng tin quan trọng liên quan đến vận hành xe tự hành. Ví dụ, mơ hình ML có thể
được sử dụng để dự đốn hành vi của các phương tiện xung quanh, như tốc độ, hướng
di úi chuyển và lộ trình dự kiến. Ngồi ra, ML cũng có thể được sử dụng để ước lượng
tình trạng đường, dự đốn tình huống giao thơng phức tạp và đưa ra quyết định an
tồn và hiệu quả.
• Hệ thống quyết định và kiểm sốt: ML có thể được sử dụng trong việc xây
dựng hệ thống quyết định và kiểm sốt trong xe tự hành. Các mơ hình ML, bao gồm
học tăng cường và học sâu, có thể học từ dữ liệu và mô phỏng để xác định các hành
động tối ưu và điều khiển xe tự động. Ví dụ, hệ thống ML có thể đưa ra quyết định về
tốc độ, thời điểm phanh, tăng tốc, và lựa chọn làn đường để đảm bảo an toàn và hiệu
quả khi vận hành trên đường.
• Học từ dữ liệu thời gian thực: ML có thể được sử dụng để học từ dữ liệu thời
gian thực trong quá trình vận hành xe tự hành. Dữ liệu từ các cảm biến như camera,
lidar và radar có thể được sử dụng để cung cấp thông tin liên tục và cập nhật về môi
trường xung quanh. Các mơ hình ML có thể học từ dữ liệu này để đưa ra các quyết
định và điều khiển xe tự động theo thời gian thực.
15


• Tối ưu hóa và cải tiến qua thời gian: ML cung cấp khả năng tối ưu hóa và cải
tiến qua thời gian trong vận hành xe tự hành. Bằng cách thu thập dữ liệu từ các xe tự
hành đang hoạt động và tổng hợp thơng tin đó, các mơ hình ML có thể được cập nhật
và cải tiến để cung cấp trải nghiệm vận hành tốt hơn và đáng tin cậy hơn.

VI.

CƠNG NGHỆ BLOCKCHAIN

Trong những năm gần đây, cơng nghệ blockchain và ứng dụng của nó đang trở
thành xu hướng “hot” tại Việt Nam và thế giới. Các ứng dụng blockchain có khả năng
hổ trợ cho rất nhiều lĩnh vực trong đời sống
1. Các ứng dụng trong cuộc sống
1.1. Trong sản xuất
Để cải thiện năng suất cho dây chuyền quản lý chuỗi cung ứng thì chúng ta cần có
các thiết bị thông tin hổ trợ. Dây chuyền công nghệ blockchain sẽ thay đảm nhiệm vai
trờ này giúp giám sát quy trình sản xuất, phân phối sản phầm, số lượng hàng tồn
kho…
Đồng thời, chúng ta có thể tận dụng cơng nghệ chuỗi khối để kiểm tra hàng chính
hãng, giúp ta có thể hạn chế mua phải hàng giả và hàng nhái.
Các ứng dụng công nghệ blockchain trong sản xuất:
- Quản lý các kho bãi sản xuất, hàng tồn kho
- Kiểm soát nguồn cung nguyên liệu trong chuỗi cung ứng
- Theo dõi số lượng hàng mua vào và bán ra, kiểm tra quy trình sản xuất
- Truy xuất nguồn gốc hàng hoá, sản phẩm
1.2. Trong Y tế
Xu hướng số hoá dữ liệu, thông tin người bệnh, đơn đặt hàng, quản lý kho, giao
dịch cho các thiết bị y tế…trong quá trình quản lý tài liệu đã trở nên phổ biến hơn.
Do vậy, các thiết bị thông minh được trang bị trong phần lớn các bệnh viện để
giám sát các dữ liệu này. Tuy nhiên các thiết bị này vẫn còn nhiều hạn chế về quyền
riêng tư và bảo mật, cho nên công nghệ blockchain được sử dụng để khắc phục những
vấn đề này
Các ứng dụng của blockchain trong lĩnh vực y tế:
- Liên kết và phát triển ứng dụng quản lý chất lượng và quản lý bệnh lý.
- Kiểm soát chuỗi cung ứng thuốc và vật tư y tế như theo dõi nguồn đầu vào,

nguồn gốc và hạn sử dụng của các trang thiết bị y tế.
- Đảm bảo tính minh bạch và khả năng tự động hoá đối với giao dịch khám chữa
bệnh, quyền sở hữu dữ liệu tình trạng sức khoẻ của người bệnh, kết quả xét nghiệm
lâm sàng.
1.3. Trong Giáo dục
Cơng nghệ blockchain có thể giúp hạn chế gian lận trong quá trình học tập, xin
việc làm, học bổng, giảm thiểu tình trạng khai gian về học vấn, kinh nghiệm làm
việc… Với tính năng đồng bộ thơng minh, các điều khoản về nội quy đào tạo sẽ được

16


thực hiện tự động giúp xử lý những trường hợp vi phạm, nâng cao quy trình giảng
dạy, phản hồi từ người học…
Các ứng dụng của blockchain trong nghành giáo dục:
- Theo dõi và lưu trữ dữ liệu học tập của học sinh, sinh viên như bảng điểm,
trường đại học, trường dạy nghề, chứng chỉ…
- Đánh giá mức độ phù hợp của ứng viên trong q trình đào tạo, từ đó sẽ có
những điều chỉnh hợp lý
- Đánh giá năng lực của cá nhân so với yêu cầu đầu vào dựa trên dữ liệu học vấn
đã được ghi lại
- Quản lý mức độ đánh giá sự uy tín trong các bài nghiên cứu khoa học
1.4. Trong Nông nghiệp
Một trong những yếu tố then chốt để có được lịng tin từ người tiêu dùng chính là
nguồn gốc chất lượng và an tồn cao. Hệ thống blockchain với vai trò như một sổ cái
nông nghiệp trên nền tảng số sẽ giúp người dùng cũng như người buôn bán nắm được
các thông tin về sản phẩm một cách chính xác.
Ai cũng có thể theo dõi phương pháp ni trồng, q trình di chuyển từ nhà cung
cấp đến chợ, cửa hàng, siêu thị…Điều này cũng đồng nghĩa với việc nhà kinh doanh
có thể quản lý về giá cả, chất lượng, tài chính và bán hàng của mình với cơng nghệ

này
Các ứng dụng của blockchain trong lĩnh vực nông nghiệp:
- Quản lý chuỗi cung cấp của sản phẩm, hàng tồn kho
- Lưu trữ thông tin của hàng hố, quy trình chăm sóc, tiêu chuẩn cho thực phẩm
- Truy xuất nguồn gốc và vòng đời sản xuất nơng sản
1.5. Trong ngành Tài chính - ngân hàng
Trong lĩnh vực tài chính và ngân hàng, vấn đề bảo mật dữ liệu người dùng, tham
nhũng, lạm quyền là vấn đề rất nan giải. Nhưng với quyết định ứng dụng công nghệ
blockchain với các điểm nổi bật từ tính năng như bảo mật cao, giao dịch nhanh, tiết
kiệm chi phí, tối thiểu rủi ro.
Các ứng dụng blockchain trong lĩnh vực tài chính – ngân hàng:
- Xác thực thơng tin khách hàng, khả năng tín dụng trực tiếp mà ko cần qua
trung gian
- Tính bảo mật cao và tiện lợi với các cơng nghệ xác minh danh tính, thanh tốn
nhanh chóng và cập nhật giao dịch liên tục
- Quản lý và hạn chế rủi ro về trục trặc kỹ thuật và vỡ nợ trước khi thực hiện
giao dịch
- Hệ thống quản lý thơng minh cho phép các tính năng liên tục đổi mới và cải
tiến dựa trên sự chấp thuận của tất cả người dùng trong chuỗi
1.6. Trong lĩnh vực bán lẻ
Quy trình quản lý chuỗi cung ứng, quản lý sản phẩm như q trình phân phối,
kiểm sốt thơng tin và số lượng hàng hố cũng như các báo cáo tài chính, hợp đồng

17


quan trọng…tất cả sẽ đều trở nên dễ dàng và chính xác khi cơng nghệ blockchain
được ứng dụng
Các ứng blockchain trong nghành bán lè:
- Quản lý hàng hố thơng qua mã định danh trên hệ thống blockchain bao gồm:

Quy trình sản xuất, thông tin mặt hàng và thời gian vận chuyển, tồn kho, lưu kho…
- Đảm bảo chất lượng hàng hố khi có giao dịch giữa nhà sản xuất và cơng ty
vận tải
- Quản lý lưu thơng của dịng tiền phát sinh từ giao dịch hạn chế thiệt hại và xử
lý ngay những vấn đề phát sinh nếu có
1.7. Trong lĩnh vực logistic
Trên thực tế, ngành Logistics hay vận tải thường gặp nhiều bất cập do chi phí cao,
khó theo dõi tình trạng hàng hóa, dễ phát sinh tai nạn giao thơng… Vì vậy, nhiều
doanh nghiệp đã triển khai ứng dụng của Blockchain sẽ giải quyết những bất cập trên
Các ứng dụng blockchain trong nghành logistic:
- Quản lý hàng hóa thông qua mã định danh trên hệ thống blockchain giúp theo
dõi từng mặt hàng, thời gian vận chuyển, tồn kho, lưu kho,…
- Kết hợp với IoT và AI, Blockchain trở nên hữu ích trong việc giám sát sức
chứa vận chuyển. Cụ thể, cảm biến IoT gắn trong các phương tiện vận tải giúp doanh
nghiệp tính tốn khơng gian cần có cho lô hàng, phương tiện vận tải cùng mức giá phù
hợp
- Công nghệ Blockchain xác thực thông tin về hiệu suất, lịch sử bảo trì để ln
đảm bảo phương tiện vận tải có trạng thái vận hành tốt nhất
1.8. Trong du lịch
Trong những ứng dụng mà công nghệ Blockchain mang lại cho ngành du lịch thì
sự ổn định và bảo mật ln được đánh giá cao. Tính phân cấp của Blockchain giúp
cho các thông tin không thể bị mất, đảm bảo mọi giao dịch đều có thể theo dõi được.
Các ứng dụng blockchain trong lĩnh vực du lịch:
- Theo dõi quá trình vận chuyển hành lý, nhất là đối với những chuyến du lịch
xuyên quốc gia
- Nhận dạng bằng vân tay, quét mã sẽ tiết kiệm thời gian cho quá trình check in
tại các sân bay, khách sạn, địa điểm du lịch
- Khách du lịch được phép lựa chọn hình thức thanh tốn đa dạng qua ngân hàng
tồn cầu, ví điện tử, tiền điện tử…
Ngoài ra các ứng dụng blockchain còn được sử dụng trong nhiều lĩnh vực khác

như thương mại điện tử, an ninh mạng, bất động sản, giải trí, nghệ thuật, bảo hiểm…
Sự phổ biến của cơng nghệ blockchain là rất lớn, với những tín hiệu thực tế hiện nay
rất có thể cơng nghệ này sẽ đi vào từng ngóc ngách của đời sống con người.
TÀI LIỆU THAM KHẢO

18