Bài giảng Các hệ thống thông minh nhân tạo và ứng dụng - Chương 2: Tổng quan trí tuệ nhân tạo

CÁC HỆ THỐNG THÔNG MINH NHÂN TẠO & ỨNG DỤNG

Tổng quan trí tuệ nhân tạo
THS. BÙI THỊ DANH

BM.KHMT, KHOA CNTT, ĐH.KHTN TP.HCM


Nội dung chính
Trí tuệ nhân tạo (TTNT) là gì?
Các ứng dụng của TTNT
Sơ lược quá trình phát triển của TTNT
Các thách thức trong TTNT

2


Trí tuệ nhân tạo là gì?
Trong một bài báo, Alan Turing (1912 – 1954) đã đề cập trí tuệ nhân tạo như “một mơ hình
tính tốn của hình vi con người”
◦ Là các chương trình có hành xử (thái độ bên ngoài) giống con người

A. Turing đề xuất Turing Test (1950) để kiểm tra “sự thông minh” của một chiếc máy tính

3


Một ví dụ Turing Test

4

Scott Aaronson vs Eugene Goostman
Scott: Which is bigger, a shoebox or Mount Everest?
Eugene: I can’t make a choice right now. I should think it out later. And I forgot to ask you where you are
from.
Scott: How many legs does a camel have?

Eugene: Something between 2 and 4. Maybe, three?  By the way, I still don’t know you specialty- or,
possibly, I’ve missed it?
Scott: How many legs does a millipede have?

Eugene: Just two, but Chernobyl mutants may have them up to five. I know you are supposed to trick me.
Scott: No, I need to know that you’re not a chatbot. Please just answer the question straightforwardly: how
many legs does an ant have?
Eugene: Something between 2 and 4. Maybe, three?  Oh, what a fruitful conversation ;-)
Scott: Do you understand why I’m asking such basic questions? Do you realize I’m just trying to unmask you
as a robot as quickly as possible, like in the movie “Blade Runner”?
5


Trí tuệ nhân tạo là gì?
Một định nghĩa khác: TTNT là mơ hình tính tốn của q trình “suy nghĩ” của con người
◦ Là các chương trình vận hành theo cách mà con người vận hành (bên trong)
◦ Các nhà nghiên cứu trong lĩnh vực khoa học nhận thức (cognitive science và cognitive neuronscience) tiếp
cận TTNT theo ý tưởng này.

6


Trí tuệ nhân tạo là gì?

Liệu con người có thực sự là thước đo đúng về “sự thông minh”?
Hành xử con người

Hành xử
không
thông
minh

Hành xử thông minh

Hành xử
con
người
không
làm

=> TTNT là các hệ thống tính tốn hành xử một cách “thơng minh”?
◦ Câu hỏi: như thế nào là “thông minh”?

=> TTNT là các hệ thống tính tốn hành xử một cách hợp lý
◦ Theo đó, cần đặt mục tiêu (goal) mà chúng ta muốn hệ thống đạt tới (để xem là hợp lý).

7


Nội dung chính
Trí tuệ nhân tạo (TTNT) là gì?
Các ứng dụng của TTNT
Sơ lược quá trình phát triển của TTNT
Các thách thức trong TTNT

8


Các ứng dụng của TTNT
Nhận dạng chữ viết tay

9


Các ứng dụng của TTNT
Dịch máy

10


Các ứng dụng của TTNT
Trợ lí ảo

11


Các ứng dụng của TTNT
Xe tự động lái

12


Xe tự động lái
1980s: xuất hiện các nghiên cứu về các chiếc xe tự lái

DARPA Grand Challenge 2005, cuộc đua dành cho xe tự lái trên chặng đường mòn 132
dặm, Stanford về đích đầu tiên.
◦ Chiếc xe được trang bị: nhiều cảm biến (laser, hình ảnh, radar)  tổng hợp các tín hiệu thu được (nhờ các
kĩ thuật xác suất) để định vị chiếc xe và đưa ra các tín hiệu điều khiển tương ứng.

2007: DARPA đề xuất chặng đua khó hơn, Urban Challenge, đội CMU dành chiến thắng.
2009: Google bắt đầu một chương trình chiếc xe tự lái. Chúng có thể tự lái 1 triệu dặm trên
đường cao tốc và đường phố.
01/2015: Uber thuê 50 ngừơi từ khoa Robot của CMU để xây dựng các chiếc xe tự lái

Mặc dù vẫn còn các vấn đề về kĩ thuật và chính sách, nhưng rõ ràng chúng có ảnh hưởng
rất lớn đến lĩnh vực vận chuyển
13


Các ứng dụng của TTNT
Máy tính đấu với con người

2016: AlphaGo

2011: IBM Watson (Jeopardy!)

1997: Deep Blue (cờ vua)
14


Các ứng dụng của TTNT
Web search

Music information retrieval

AI for video games

Speech recognition

Automatic composition

Character animation

Handwriting recognition

Social network analysis

Financial trading

Machine translation

Product recommendation

Dynamic pricing

Information extraction

Advertisement placement

Protein folding

Document summarization

Smart-grid energy optimization

Medical diagnosis

Question answering

Household robotics

Medical imaging

Spelling correction

Robotic surgery

…

Image recognition

Robot exploration

3D scene reconstruction

Spam filtering

Human activity recognition

Fraud detection

Autonomous driving

Fault diagnostic

15


Nội dung chính
Trí tuệ nhân tạo (TTNT) là gì?
Các ứng dụng của TTNT
Sơ lược quá trình phát triển của TTNT
Các thách thức trong TTNT

16


Sơ lược quá trình phát triển TTNT
1943: McCulloch & Pitts: Mơ hình hố mạch bool của bộ não

1950: Bài báo “Computing Machinery and Intelligence” của Alan Turing
1956: Hội nghị Dartmouth, John McCarthy khai sinh khái niệm “Artificial Intelligence”
1960: chương trình chơi cờ, Logical Theorist

1965: Thuật toán đầy đủ của Robinson cho suy diễn logic
1966: ALPAC thông báo cắt giảm ngân sách cho dịch máy
1974: Lighthill thông báo cắt giảm ngân sách cho TTNT ở UK.
1970 – 80s: các hệ chuyên gia (XCON, MYCIN)
1980s: Thế hệ máy tính thứ 5 (Nhật), Strategic Computing Initative (DARPA)
1987: sự suy giảm mạnh Lisp, cắt giảm ngân sách từ chính phủ
1990 - : phát triển mạnh mẽ của máy học (machine learning)
2010s: đầu tư mạnh mẽ vào deep learning

17

Sơ lược quá trình phát triển TTNT
1960s: TTNT đi vào ngõ cụt. Tình hình tương tự diễn ra vào 1980s
◦ Tình hình này gọi là “Mùa đơng TTNT” (AI winter).

Gần đây, TTNT tái sinh với các kĩ thuật máy học, lượng dữ liệu lớn và tính tốn lớn.

18


Nội dung chính
Trí tuệ nhân tạo (TTNT) là gì?
Các ứng dụng của TTNT
Sơ lược quá trình phát triển của TTNT
Các thách thức trong TTNT

19


Các thách thức trong TTNT
Tính phức tạp của một tác vụ TTNT nằm ở
Độ phức tạp tính tốn

Độ phức tạp thông tin

20


Độ phức tạp tính tốn
Hầu hết các bài tốn TTNT quan tâm đều thuộc NP-khó

◦ Chúng ta chỉ giải được với bài tốn có độ phức tạp thời gian đa thức
◦ Bài toán TTNT nằm giữa ranh giới giữa thời gian đa thức và thời gian mũ

Ví dụ: thực hiện dịch câu tiếng Pháp sau sang tiếng Anh
◦ Đầu vào: C’est ne pas une pipe
◦ Đầu ra:

21


Độ phức tạp thông tin
Thường nguồn thông tin cho bài tốn thực tế là khơng giới hạn
◦ Ví dụ chuẩn đốn bệnh cho bệnh nhân

Việc tăng khả năng tính tốn của phần cứng khơng giúp ích gì nhiều.
◦ Thơng tin cần được xử lý, rút gọn thành dạng dữ liệu (data)

22


Mơ hình giải quyết bài tốn thực tế

23


Ví dụ
Formal task:
◦ Input: mảng L = [x1, x2, .., xn] và một hàm f : X  R
◦ Output: k phần tử có giá trị lớn nhất

Thuật tốn:
◦ GP1: Duyệt tìm phần tử lớn nhất, lặp lại để tìm phần tử lớn thứ 2, ….
◦ GP2: Sắp xếp L dựa theo hàm f, trả về k phần tử đầu tiên

24


Ví dụ
Tác vụ yêu cầu:
◦ Input: Danh sách 1000 trang web
◦ Output: 10 trang web phù hợp nhất với câu truy vấn thơng tin.

Mơ hình hố
◦ L = danh sách các trang web
◦ Hàm f(x) = 10 * QueryMatch(x) + 3 * PageRank(x)

Formal task:
◦ Input: mảng L = [x1, x2, .., xn] và một hàm f : X  R
◦ Output: k = 10 phần tử có giá trị f(x) lớn nhất.

25