Trắc nghiệm Tin học ứng dụng 12 Kết nối bài 1: Làm quen với Trí tuệ nhân tạo

1. Các thuật toán học không giám sát (Unsupervised Learning) được sử dụng khi dữ liệu đầu vào không có nhãn. Mục tiêu là tìm kiếm các mẫu ẩn, cấu trúc hoặc mối quan hệ trong dữ liệu. Ví dụ phổ biến là phân nhóm (clustering) để nhóm các điểm dữ liệu tương tự nhau.

2. Thị giác máy tính (Computer Vision) là một lĩnh vực của AI cho phép máy tính "nhìn" và diễn giải thế giới hình ảnh. Các ứng dụng bao gồm nhận dạng khuôn mặt, xe tự lái và phân tích hình ảnh y tế. Tesla Autopilot, hệ thống hỗ trợ lái xe của Tesla, sử dụng thị giác máy tính để nhận diện môi trường xung quanh.

3. Học tăng cường (Reinforcement Learning - RL) là một phương pháp học máy nơi một "tác nhân" (agent) học cách đưa ra quyết định bằng cách thực hiện các hành động trong một môi trường để tối đa hóa phần thưởng tích lũy. DeepMind"s AlphaGo, chương trình đánh cờ vây, là một ví dụ nổi tiếng về ứng dụng RL thành công.

4. Một trong những thách thức lớn trong AI là "vấn đề giải thích" (Explainability) hay "AI có thể giải thích" (Explainable AI - XAI). Điều này đề cập đến việc làm thế nào để hiểu được lý do tại sao một mô hình AI đưa ra một quyết định cụ thể, đặc biệt quan trọng trong các lĩnh vực nhạy cảm như y tế hoặc tài chính.

5. AI trong lĩnh vực pháp lý (Legal AI) có thể hỗ trợ công việc nghiên cứu pháp lý, xem xét tài liệu, dự đoán kết quả vụ kiện và tự động hóa việc soạn thảo các văn bản pháp lý cơ bản. Các công cụ như ROSS Intelligence sử dụng AI để hỗ trợ luật sư.

6. AI có thể được phân loại thành AI yếu (Narrow AI) và AI mạnh (General AI). AI yếu là các hệ thống được thiết kế để thực hiện một nhiệm vụ cụ thể (ví dụ: trợ lý ảo Siri). AI mạnh, hay còn gọi là "siêu trí tuệ" (Superintelligence), là khái niệm về AI có khả năng hiểu hoặc học bất kỳ nhiệm vụ trí tuệ nào mà con người có thể làm, một khái niệm vẫn còn là mục tiêu nghiên cứu và khoa học viễn tưởng.

7. Hệ thống khuyến nghị (Recommender Systems) sử dụng các kỹ thuật AI, đặc biệt là học máy, để dự đoán sở thích của người dùng và đề xuất các sản phẩm, dịch vụ hoặc nội dung phù hợp. Netflix và Amazon là những ví dụ điển hình về các nền tảng sử dụng hệ thống khuyến nghị hiệu quả.

8. AI trong ngành hàng không có thể được sử dụng để tối ưu hóa lịch trình bay, bảo trì dự đoán (predictive maintenance) cho máy bay, và hỗ trợ phi công trong các tình huống phức tạp thông qua hệ thống lái tự động tiên tiến. GE Aviation sử dụng AI để phân tích dữ liệu từ động cơ máy bay.

9. Trong AI, "xử lý ngôn ngữ tự nhiên" (Natural Language Processing - NLP) là một lĩnh vực tập trung vào việc cho phép máy tính hiểu, diễn giải và tạo ra ngôn ngữ của con người. Các ứng dụng phổ biến của NLP bao gồm dịch máy, phân tích cảm xúc và chatbot. Ví dụ, Google Translate là một ứng dụng NLP tiên tiến.

10. Trong lĩnh vực giải trí, AI có thể được sử dụng để tạo ra nội dung cá nhân hóa (ví dụ: playlist nhạc, đề xuất phim), phát triển nhân vật trong trò chơi điện tử, hoặc thậm chí sáng tác nhạc và viết kịch bản. OpenAI Jukebox là một ví dụ về AI sáng tác nhạc.

11. Học máy (Machine Learning - ML) là một nhánh quan trọng của AI, cho phép các hệ thống "học" từ dữ liệu mà không cần được lập trình tường minh cho từng tác vụ. Các thuật toán ML phổ biến bao gồm học có giám sát, học không giám sát và học tăng cường. Andrew Ng, một nhà nghiên cứu AI nổi tiếng, định nghĩa ML là việc "cho máy tính khả năng học mà không cần được lập trình rõ ràng".

12. Học sâu (Deep Learning - DL) là một tập hợp con của Học máy, sử dụng các mạng nơ-ron nhân tạo có nhiều lớp (deep neural networks) để học các biểu diễn dữ liệu phức tạp. Các mạng này mô phỏng cấu trúc và chức năng của bộ não con người. Geoffrey Hinton, một trong những "cha đẻ" của học sâu, đã có những đóng góp quan trọng trong việc phát triển các thuật toán học sâu hiệu quả.

13. Trong AI, "kỹ thuật đặc trưng" (Feature Engineering) là quá trình sử dụng kiến thức chuyên môn về dữ liệu để tạo ra các đặc trưng (features) mới từ dữ liệu thô, nhằm cải thiện hiệu suất của các mô hình học máy. Đây là một bước quan trọng trong quy trình xây dựng mô hình AI.

14. Một trong những mục tiêu ban đầu của AI là tạo ra các "máy biết suy nghĩ" (thinking machines), nhưng lĩnh vực này đã phát triển để bao gồm cả "máy hành động giống con người" (acting humanly) và "máy hành động hợp lý" (acting rationally), theo các phân loại của Stuart Russell và Peter Norvig trong cuốn "Artificial Intelligence: A Modern Approach".

15. Tự động hóa quy trình bằng robot (Robotic Process Automation - RPA) là một công nghệ sử dụng "robot phần mềm" để tự động hóa các tác vụ lặp đi lặp lại, dựa trên quy tắc, thường được thực hiện bởi con người trên các ứng dụng máy tính. RPA khác với robot vật lý; nó là phần mềm thực hiện các hành động trên giao diện người dùng.

16. AI trong nông nghiệp có thể giúp tối ưu hóa việc sử dụng nước và phân bón, dự đoán sâu bệnh và năng suất cây trồng, cũng như hỗ trợ việc thu hoạch tự động. Robot nông nghiệp sử dụng AI để thực hiện các công việc như gieo hạt và phun thuốc bảo vệ thực vật.

17. AI có thể được ứng dụng trong nhiều lĩnh vực khác nhau. Trong y tế, AI được sử dụng để chẩn đoán bệnh, phát triển thuốc mới và cá nhân hóa liệu pháp điều trị. Trong tài chính, AI được dùng cho giao dịch thuật toán, phát hiện gian lận và đánh giá rủi ro tín dụng.

18. AI tạo sinh (Generative AI) là một loại AI có khả năng tạo ra nội dung mới, chẳng hạn như văn bản, hình ảnh, âm nhạc hoặc mã, dựa trên dữ liệu mà nó đã được huấn luyện. Các mô hình ngôn ngữ lớn (LLM) như GPT-3 và GPT-4 là những ví dụ điển hình về AI tạo sinh.

19. Đạo đức trong AI (AI Ethics) là một lĩnh vực quan trọng, đề cập đến các vấn đề như thiên vị trong thuật toán (algorithmic bias), quyền riêng tư, trách nhiệm giải trình và tác động của AI đến việc làm. Việc đảm bảo AI được phát triển và sử dụng một cách công bằng, minh bạch và có trách nhiệm là mục tiêu cốt lõi.

20. AI trong lĩnh vực bán lẻ có thể được sử dụng để phân tích hành vi khách hàng, tối ưu hóa quản lý kho hàng, cá nhân hóa các chương trình khuyến mãi và cải thiện trải nghiệm mua sắm trực tuyến. Amazon"s "Customers who bought this item also bought" là một ví dụ về ứng dụng AI trong bán lẻ.

21. AI trong giáo dục có thể hỗ trợ cá nhân hóa lộ trình học tập cho từng học sinh, cung cấp phản hồi tức thì và tự động hóa việc chấm điểm. Các hệ thống học tập thích ứng (Adaptive Learning Systems) là một ví dụ về ứng dụng AI trong giáo dục.

22. AI có thể đóng vai trò quan trọng trong việc phát triển "thành phố thông minh" (Smart Cities) bằng cách quản lý giao thông hiệu quả hơn, tối ưu hóa tiêu thụ năng lượng, cải thiện dịch vụ công cộng và tăng cường an ninh. Hệ thống quản lý giao thông sử dụng AI để điều chỉnh đèn tín hiệu dựa trên luồng giao thông thời gian thực.

23. Theo định nghĩa phổ biến nhất, Trí tuệ nhân tạo (AI) là lĩnh vực khoa học máy tính tập trung vào việc tạo ra các hệ thống có khả năng thực hiện các tác vụ đòi hỏi trí thông minh của con người, ví dụ như học hỏi, giải quyết vấn đề và nhận dạng mẫu. Khái niệm này đã được phát triển qua nhiều thập kỷ bởi các nhà nghiên cứu như John McCarthy, người đã đặt ra thuật ngữ "Artificial Intelligence" vào năm 1956.

24. Trong lĩnh vực AI, "kỹ sư dữ liệu" (Data Engineer) và "nhà khoa học dữ liệu" (Data Scientist) có vai trò khác nhau nhưng bổ trợ. Kỹ sư dữ liệu tập trung vào việc xây dựng và duy trì hệ thống để thu thập, lưu trữ và xử lý dữ liệu, đảm bảo dữ liệu sạch và sẵn sàng. Nhà khoa học dữ liệu sử dụng dữ liệu đó để phân tích, xây dựng mô hình và rút ra hiểu biết.

25. AI có thể được ứng dụng để phát hiện gian lận trong các giao dịch tài chính, bảo hiểm hoặc thương mại điện tử bằng cách phân tích các mẫu bất thường trong dữ liệu. Các hệ thống này thường sử dụng các thuật toán học máy để nhận diện các hoạt động đáng ngờ.