Bảng chú giải trí tuệ nhân tạo

Agentic AI đề cập đến các hệ thống AI tiên tiến không chỉ đơn thuần đáp ứng các lệnh; chúng tạo ra nội dung, tự động thực hiện các nhiệm vụ và đạt được mục tiêu. Các hệ thống này kết hợp khả năng suy luận, chức năng bộ nhớ và vòng phản hồi để lập kế hoạch và thực hiện các hành động một cách độc lập, thường sử dụng các công cụ kỹ thuật số khác nhau và điều chỉnh cách tiếp cận của chúng thông qua học tập. Không giống như AI truyền thống, AI đại lý có thể hoạt động độc lập và cộng tác với các tác nhân AI khác, đưa ra quyết định tự chủ trong khi giao tiếp với các nền tảng và hệ thống khác nhau để hoàn thành các nhiệm vụ phức tạp.

Trong bối cảnh công nghiệp, Agentic AI liên quan đến việc triển khai các hệ thống AI có thể giám sát, phân tích và kiểm soát độc lập các khía cạnh khác nhau của hoạt động công nghiệp, chẳng hạn như bảo trì dự đoán, kiểm soát chất lượng, quản lý hàng tồn kho hoặc tối ưu hóa quy trình sản xuất.

Trí tuệ nhân tạo (AI) đề cập đến phần mềm có khả năng học hỏi và thích ứng. AI có thể giải quyết các nhiệm vụ yêu cầu nó giải thích ý nghĩa của dữ liệu đầu vào và thích ứng với các yêu cầu. Thông thường, đây là những nhiệm vụ mà trước đây chỉ có thể được giải quyết bằng trí thông minh tự nhiên. Có một số loại phương pháp AI, khác nhau đáng kể về lĩnh vực ứng dụng, tiềm năng và rủi ro liên quan đến chúng. Các nguyên tắc cơ bản của AI được phát triển trong thế kỷ 20. Bởi vì tất cả các phương pháp AI đều yêu cầu một lượng lớn dữ liệu đào tạo, công nghệ hiện đang đạt được mức độ quan trọng ngày càng tăng thông qua số hóa và dữ liệu lớn.

Một công nghệ cho phép thông tin kỹ thuật số được phủ lên môi trường và đối tượng trong thế giới thực, thường sử dụng Thực tế ảo 3D nhập vai. AR cho phép một phiên bản nâng cao của thế giới vật lý bằng cách thêm hình ảnh kỹ thuật số, âm thanh và các yếu tố cảm giác khác.

Các hệ thống có thể hoạt động mà không cần sự can thiệp của con người, chẳng hạn như ô tô tự lái và máy bay không người lái.

Các phương tiện có thể hoạt động mà không cần sự can thiệp của con người, chẳng hạn như ô tô và xe tải tự lái.

Định kiến hoặc thiên vị ngoài ý muốn có thể xảy ra trong các hệ thống AI do dữ liệu hoặc thuật toán đào tạo sai lệch.

Các tập dữ liệu lớn và phức tạp, thường được tạo ra bởi các cảm biến (công nghiệp), nhưng cũng bởi các công ty, tổ chức và con người. Vì dữ liệu này thường không có cấu trúc, không đầy đủ hoặc không chính xác, phần mềm không hỗ trợ AI thường không thể xử lý nó theo cách có ý nghĩa.

Một chương trình hỗ trợ AI có thể tương tác với con người thông qua giao tiếp văn bản hoặc giọng nói.

Một loại AI nhằm mục đích tái tạo các quá trình nhận thức của con người, chẳng hạn như nhận thức, lý luận và ra quyết định.

Một tập hợp con của AI cho phép máy tính trích xuất thông tin từ hình ảnh, chẳng hạn như hình ảnh và video, để hiểu và giải thích chúng.

Chiến lược, đo lường và công cụ để giúp bảo mật thông tin kỹ thuật số khỏi những kẻ tấn công bên ngoài. AI có thể được sử dụng để phát hiện và ngăn chặn các cuộc tấn công mạng, và để xác định và ứng phó với các vi phạm bảo mật.

Quá trình phân tích và giải thích dữ liệu để khám phá những hiểu biết sâu sắc và đưa ra quyết định sáng suốt.

Hệ thống máy tính được thiết kế để hỗ trợ con người đưa ra quyết định bằng cách cung cấp thông tin và phân tích liên quan.

Một tập hợp con của Machine Learning liên quan đến việc sử dụng mạng nơ-ron với nhiều lớp để cho phép máy học từ dữ liệu.

Một mô hình toán học mô tả hành vi của một đối tượng vật lý hoặc quá trình. Trong môi trường mô phỏng, một chiếc digital twin có thể được sử dụng để mô phỏng những gì sẽ xảy ra trong thế giới thực nếu các thông số của hệ thống được thay đổi. Cặp song sinh kỹ thuật số có thể được sử dụng trong suốt vòng đời sản phẩm, bao gồm các giai đoạn thiết kế, sản xuất, vận hành và dịch vụ. Các biểu diễn trực quan của cặp song sinh kỹ thuật số trông và cư xử giống như các đối tác vật lý của chúng, phản ánh thế giới thực và thích nghi trong thời gian thực với những gì đang xảy ra ở đó.

Edge Computing là một loại kiến trúc hệ thống, không giống như điện toán đám mây, mang tính toán và lưu trữ dữ liệu đến gần hơn với các nguồn dữ liệu (“edge”). Nó giúp giảm thời gian phản hồi và lượng năng lượng cần thiết cho việc truyền dữ liệu. Các hệ thống Edge AI có thể được triển khai về mặt vật lý gần với thiết bị thực thi thực tế. Các thiết bị này có thể chạy các ứng dụng AI mà không cần kết nối với đám mây.

AI được thiết kế để tương tác và điều hướng thế giới vật lý, thường thông qua việc sử dụng robot hoặc phương tiện tự hành.

Nghiên cứu và áp dụng các nguyên tắc đạo đức trong việc phát triển và sử dụng AI, bao gồm các vấn đề như thiên vị, quyền riêng tư và trách nhiệm giải trình.

AI được thiết kế để minh bạch và có thể giải thích được, cho phép con người hiểu cách thức và lý do tại sao một cỗ máy đưa ra quyết định cụ thể.

Là một phương pháp đào tạo trong học máy trong đó nhiều thiết bị riêng biệt đào tạo một mô hình học máy với tập dữ liệu riêng (riêng biệt) của chúng. Chỉ có kết quả cuối cùng được chia sẻ với tác nhân chính trong mạng.

AI được thiết kế để tạo nội dung mới, chẳng hạn như hình ảnh, video và âm nhạc bằng cách kết hợp và học hỏi từ nội dung hiện có.

Khả năng của một ứng dụng, ví dụ: phần mềm CAD, để tự động tạo ra một số lựa chọn thay thế thiết kế với một tập hợp các ràng buộc. Sử dụng các kỹ thuật như AI, tối ưu hóa và mô phỏng.

Industrial AI đề cập đến việc áp dụng AI trong các ngành công nghiệp tạo thành xương sống của nền kinh tế của chúng ta - công nghiệp, cơ sở hạ tầng, di động và chăm sóc sức khỏe.

Mô hình nền tảng công nghiệp (IFM) được đào tạo trước về dữ liệu cụ thể trong ngành để hiểu sâu về “ngôn ngữ” của kỹ thuật, tự động hóa và sản xuất, đồng thời cho phép triển khai các giải pháp AI nhanh hơn và chính xác hơn. Chúng cung cấp một điểm khởi đầu tiêu chuẩn hóa, tiết kiệm thời gian, tài nguyên và năng lượng thông qua kinh tế quy mô. IFM được thiết kế để giải quyết các thách thức công nghiệp trong thế giới thực. Họ đóng vai trò là tầng thông minh đằng sau Công nghiệp Copilots và tạo điều kiện chuyển giao kiến thức và hợp tác giữa các lĩnh vực. Chúng không chỉ hỗ trợ văn bản, hình ảnh và âm thanh mà còn cả mô hình 3D, bản vẽ 2D và các cấu trúc phức tạp khác như dữ liệu chuỗi thời gian cụ thể trong ngành (xem thêm LLM đa phương thức).

AI cấp công nghiệp biểu thị mức độ chất lượng; đáng tin cậy, an toàn và đáng tin cậy, được thiết kế để đáp ứng các yêu cầu và tiêu chuẩn nghiêm ngặt của các môi trường chuyên nghiệp khắt khe nhất.

Một thuật ngữ được sử dụng để mô tả cuộc cách mạng công nghiệp lần thứ tư, liên quan đến việc tích hợp AI, IoT và các công nghệ tiên tiến khác vào sản xuất và công nghiệp.

Mạng lưới các thiết bị kỹ thuật được nhúng với cảm biến, phần mềm và kết nối để cho phép trao đổi dữ liệu. IoT là một trong những động lực chính của số hóa và dữ liệu lớn.

Một cơ sở dữ liệu thể hiện kiến thức dưới dạng biểu đồ của các nút và cạnh được kết nối với nhau, được sử dụng cho các ứng dụng AI như NLP và tìm kiếm.

Một loại mô hình ngôn ngữ AI được đào tạo trên một lượng lớn dữ liệu, chẳng hạn như GPT-3, để tạo ra văn bản giống con người.

Một tập hợp con của AI liên quan đến việc sử dụng các thuật toán và mô hình thống kê để cho phép máy móc học hỏi từ kinh nghiệm hoặc dữ liệu.

Một tập hợp con của AI cho phép các máy có camera kèm theo trích xuất thông tin trực quan để hiểu và giải thích môi trường xung quanh của chúng.

LLM đa phương thức có thể hiểu và xử lý nhiều loại dữ liệu - chẳng hạn như văn bản, hình ảnh, âm thanh hoặc dữ liệu cảm biến - đồng thời. Chúng được tích hợp vào các ứng dụng như thị giác máy tính, xe tự hành và robot. Chúng cải thiện nhận dạng đối tượng, hiểu cảnh và cho phép máy móc làm theo các hướng dẫn phức tạp. LLM đa phương thức có tiềm năng tác động đến việc xử lý và tạo dữ liệu cụ thể trong ngành - chẳng hạn như chuỗi thời gian, mô hình 2D và 3D hoặc dữ liệu cho thị giác máy - giống như cách mà LLM thông thường đã ảnh hưởng đến xử lý văn bản và giọng nói.

Một tập hợp con của AI tập trung vào sự tương tác giữa máy tính và ngôn ngữ của con người.

Một giao diện cho phép con người tương tác với máy tính bằng cách sử dụng cử chỉ tự nhiên, lời nói và các hình thức biểu đạt khác.

Một loại thuật toán Machine Learning được mô hình hóa theo cấu trúc của bộ não con người và được sử dụng để nhận ra các mẫu trong dữ liệu.

Một quá trình phân tích những thay đổi về điện áp và dòng điện của các tòa nhà hoặc máy móc bao gồm nhiều thiết bị phụ để suy ra sự đóng góp riêng của từng thiết bị trong hệ thống.

AI vật lý đề cập đến việc tích hợp trí tuệ nhân tạo vào máy móc - chẳng hạn như robot - có thể cảm nhận môi trường của chúng và hành động bên trong nó. Lấy cảm hứng từ chu kỳ vận động cảm giác của con người, AI vật lý xử lý các đầu vào cảm giác (chẳng hạn như máy ảnh 3D hoặc cảm biến xúc giác), tạo ra các lệnh điều khiển từ chúng và cho phép máy móc thực hiện các tác vụ phức tạp một cách thích ứng và tự chủ trong môi trường vật lý, 3D.

AI thông qua vật lý, còn được gọi là AI nhận thức vật lý, đề cập đến một lớp phương pháp trí tuệ nhân tạo mới kết hợp các định luật vật lý trực tiếp vào quá trình đào tạo. Không giống như các phương pháp tiếp cận AI thông thường dựa nhiều vào các bộ dữ liệu lớn để học hành vi, AI được thông qua Vật lý tích hợp các ràng buộc dựa trên vật lý để hướng dẫn học tập. Điều này cho phép các hệ thống AI suy luận và đưa ra dự đoán ngay cả khi dữ liệu thế giới thực bị hạn chế, bằng cách tận dụng kiến thức hiện có của chúng ta về cách thế giới vật lý hoạt động. Thay vì chỉ học từ các ví dụ, các mô hình này sử dụng kiến thức vật lý của họ để hướng việc học theo hướng các giải pháp tối ưu và nhất quán hơn về mặt vật lý.

AI dự đoán tận dụng phân tích thống kê và học máy để xác định các mẫu trong dữ liệu hoạt động thời gian thực và lịch sử từ máy móc và thiết bị, cho phép nó dự đoán các hành vi trong tương lai, phát hiện sự bất thường, dự báo các lỗi tiềm ẩn và đề xuất các hành động bảo trì. Nó được sử dụng để nâng cao sức khỏe và độ tin cậy của tài sản, giảm thời gian ngừng hoạt động ngoài kế hoạch và hỗ trợ ra quyết định dựa trên dữ liệu nhanh hơn trong các hoạt động công nghiệp.

Việc sử dụng AI và các mô hình thống kê để dự đoán các sự kiện hoặc xu hướng trong tương lai dựa trên dữ liệu lịch sử.

Việc sử dụng AI để dự đoán khi nào máy móc sẽ cần bảo trì hoặc sửa chữa, dựa trên dữ liệu thời gian thực.

Việc sử dụng AI để phát hiện các khuyết tật và đảm bảo rằng các sản phẩm đáp ứng các tiêu chuẩn chất lượng.

Một loại Machine Learning trong đó các đại lý chưa được đào tạo học một chiến lược thông qua các hình phạt và phần thưởng của hệ thống sau khi thực hiện các hành động.

Các ứng dụng AI đáp ứng các tiêu chuẩn đạo đức và đạo đức được xác định.

Ngành kỹ thuật và AI tập trung vào thiết kế, xây dựng và vận hành robot.

Việc sử dụng AI để phân tích và diễn giải cảm xúc và ý kiến được thể hiện trong văn bản hoặc bài phát biểu.

Một lưới điện sử dụng AI và các công nghệ tiên tiến khác để tối ưu hóa việc sản xuất, phân phối và tiêu thụ điện.

Phần cứng chuyên dụng, chẳng hạn như Đơn vị xử lý đồ họa (GPU) hoặc các thiết bị biên hỗ trợ Đơn vị xử lý ngôn ngữ (LPU), là một xu hướng mới nổi trong AI công nghiệp. Các thiết bị này cung cấp sức mạnh tính toán hiệu suất cao ở rìa, cho phép xử lý các thuật toán AI theo thời gian thực. Sự tích hợp của chúng cho phép xử lý song song và tăng tốc hiệu suất, dẫn đến việc thực hiện nhanh hơn các tác vụ AI phức tạp. Xử lý cục bộ này làm giảm độ trễ và sự phụ thuộc vào tài nguyên đám mây, làm cho nó trở nên quan trọng đối với các ứng dụng nhạy cảm với thời gian. Phần cứng chuyên dụng cũng hỗ trợ các mô hình AI tiên tiến, dẫn đến nâng cao thông tin chi tiết và cải thiện hiệu suất. Hơn nữa, nó giảm chi phí bằng cách giảm thiểu nhu cầu về cơ sở hạ tầng đám mây mở rộng và truyền dữ liệu.

Khả năng của máy móc để nhận biết và giải thích lời nói của con người.

Một phương pháp học tập trong đó các mô hình học máy được đào tạo với một bộ dữ liệu được gắn nhãn (đã biết) để dự đoán kết quả.

Tối ưu hóa dòng chảy hàng hóa và vật liệu trong chuỗi cung ứng để giảm chi phí và nâng cao hiệu quả. AI thường được sử dụng để tự động hóa quy trình, phát hiện kém hiệu quả, đảm bảo chất lượng hàng hóa và dự báo nhu cầu.

Dữ liệu nhân tạo được tạo bởi các thuật toán thay vì các sự kiện trong thế giới thực được sử dụng để đào tạo và xác thực các mô hình Machine Learning. Chất lượng của dữ liệu tổng hợp là rất quan trọng. Nó xác định liệu AI có tạo ra kết quả chấp nhận được sau khi đào tạo hay không.

Một phương pháp học tập trong đó các mô hình Machine Learning khám phá các mẫu và nhóm trong dữ liệu mà trước đây chưa được biết đến (không được gắn nhãn).

Thực tế ảo (VR) trình bày một môi trường được hiển thị kỹ thuật số có thể sao chép một không gian thực tế, tạo ra một thực tế thay thế hoặc kết hợp cả hai. Người dùng có thể khám phá không gian ảo từ giới hạn của nhà, văn phòng hoặc sàn nhà máy.