Bảng chú giải thuật ngữ Trí tuệ nhân tạo

AI tác nhân đề cập đến các hệ thống AI tiên tiến không chỉ đơn thuần phản hồi các lệnh mà còn có khả năng tạo nội dung, tự động thực hiện nhiệm vụ và đạt được mục tiêu. Những hệ thống này kết hợp khả năng suy luận, chức năng ghi nhớ và các vòng phản hồi để tự lập kế hoạch và thực hiện hành động một cách độc lập, thường sử dụng nhiều công cụ kỹ thuật số khác nhau và điều chỉnh cách tiếp cận thông qua quá trình học hỏi. Khác với AI truyền thống, AI tác nhân có thể hoạt động cả độc lập lẫn phối hợp với các AI tác nhân khác, đưa ra quyết định tự chủ đồng thời tương tác với nhiều nền tảng và hệ thống khác nhau để hoàn thành các nhiệm vụ phức tạp.

Trong bối cảnh công nghiệp, AI tác nhân đề cập đến việc triển khai các hệ thống AI có thể tự động giám sát, phân tích và kiểm soát nhiều khía cạnh của hoạt động công nghiệp, chẳng hạn như bảo trì dự đoán, kiểm soát chất lượng, quản lý tồn kho hoặc tối ưu hóa các quy trình sản xuất.

Trí tuệ nhân tạo (AI) là phần mềm có khả năng học hỏi và thích ứng. AI có thể giải quyết các nhiệm vụ đòi hỏi phải diễn giải ý nghĩa của dữ liệu đầu vào và điều chỉnh theo các yêu cầu đặt ra. Thông thường, đây là những nhiệm vụ mà trước đây chỉ có trí tuệ tự nhiên của con người mới có thể thực hiện. Có nhiều phương pháp AI khác nhau, khác biệt đáng kể về lĩnh vực ứng dụng, tiềm năng cũng như các rủi ro liên quan. Những nguyên lý cơ bản của AI đã được phát triển từ thế kỷ 20. Do tất cả các phương pháp AI đều cần lượng lớn dữ liệu huấn luyện, công nghệ này hiện ngày càng trở nên quan trọng hơn trong bối cảnh số hóa và dữ liệu lớn.

Một công nghệ cho phép chồng lớp thông tin kỹ thuật số lên môi trường và các đối tượng trong thế giới thực, thường thông qua các trải nghiệm thực tế ảo 3D mang tính nhập vai. AR tạo ra phiên bản nâng cao của thế giới thực thông qua bổ sung các yếu tố kỹ thuật số như hình ảnh, âm thanh và các yếu tố cảm nhận khác.

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

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

Những định kiến hoặc sự thiên vị không chủ ý có thể xuất hiện trong các hệ thống AI do dữ liệu huấn luyện hoặc thuật toán bị thiên lệch.

Các tập dữ liệu có quy mô lớn và phức tạp, thường được tạo ra bởi các cảm biến (công nghiệp), cũng như bởi doanh nghiệp, tổ chức và con người. Vì dữ liệu này thường không có cấu trúc, không đầy đủ hoặc có sai sót nên các phần mềm không sử dụng AI thường không thể xử lý một cách hợp lý.

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

Một dạng AI nhằm bắt chước các quá trình nhận thức của con người, như tri giác, suy luận và ra quyết định.

Một lĩnh vực con của AI cho phép máy tính trích xuất thông tin từ dữ liệu hình ảnh, chẳng hạn như ảnh và video, để hiểu và diễn giải chúng.

Các chiến lược, biện pháp và công cụ nhằm bảo vệ thông tin kỹ thuật số khỏi các cuộc tấn công từ bên ngoài. Có thể sử dụng AI để phát hiện và ngăn chặn các cuộc tấn công mạng, cũng như xác định và ứng phó với các sự cố vi phạm an ninh.

Quá trình phân tích và diễn giải dữ liệu nhằm phát hiện các thông tin giá trị và hỗ trợ đưa ra quyết định có cơ sở.

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

Một lĩnh vực con của Machine Learning sử dụng các mạng nơ-ron nhiều lớp để giúp máy học từ dữ liệu.

Một mô hình toán học mô tả hành vi của một đối tượng hoặc quy trình thực tế. Trong môi trường mô phỏng, có thể sử dụng bản sao số để mô phỏng điều gì sẽ xảy ra trong thế giới thực nếu các tham số của hệ thống thay đổi. Có thể sử dụng bản sao số trong toàn bộ vòng đời sản phẩm, bao gồm các giai đoạn thiết kế, sản xuất, vận hành và bảo trì. Các biểu diễn trực quan của bản sao số có hình dạng và hoạt động giống như đối tượng thực tế tương ứng, phản ánh thế giới thực và thích ứng theo thời gian thực với những gì đang diễn ra trong đó.

Điện toán biên là một kiến trúc hệ thống mà, khác với điện toán đám mây, đưa năng lực tính toán và lưu trữ dữ liệu đến gần hơn với các nguồn dữ liệu (tức “biên”). Cách tiếp cận này giúp giảm thời gian phản hồi và giảm yêu cầu năng lượng cho việc truyền dữ liệu. Các hệ thống AI biên có thể được triển khai gần về mặt vật lý với thiết bị thực thi. Những 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 với và di chuyển trong thế giới thực, thường thông qua việc sử dụng robot hoặc các 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 lệch, quyền riêng tư và trách nhiệm giải trình.

AI được thiết kế theo hướng minh bạch và có thể giải thích, giúp con người hiểu được cách thức và lý do vì sao một hệ thống máy đưa ra một quyết định cụ thể.

Một phương pháp huấn luyện trong học máy, trong đó nhiều thiết bị riêng biệt cùng huấn luyện một mô hình học máy bằng các bộ dữ liệu riêng của mình. Chỉ kết quả cuối cùng mới được chia sẻ với thực thể trung tâm trong mạng.

AI được thiết kế để tạo ra 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 như phần mềm CAD, tự động tạo ra nhiều phương án thiết kế dựa trên một tập hợp các ràng buộc. Phương pháp này sử dụng các kỹ thuật như AI, tối ưu hóa và mô phỏng.

AI công nghiệp đề cập đến việc ứng dụng AI trong các lĩnh vực tạo nên nền tảng của nền kinh tế, bao gồm công nghiệp, hạ tầng, di động và chăm sóc sức khỏe.

Mô hình nền tảng công nghiệp (IFM) được huấn luyện trước trên dữ liệu chuyên biệt của ngành nhằm hiểu sâu “ngôn ngữ” của kỹ thuật, tự động hóa và sản xuất, từ đó cho phép triển khai các giải pháp AI nhanh hơn và chính xác hơn. Chúng cung cấp một điểm khởi đầu tiêu chuẩn hóa, giúp tiết kiệm thời gian, nguồn lực và năng lượng nhờ lợi thế quy mô. IFM được thiết kế để giải quyết các thách thức công nghiệp trong thế giới thực. Chúng đóng vai trò là lớp trí tuệ phía sau các Industrial Copilot (Trợ lý AI công nghiệp) và tạo điều kiện cho việc chuyển giao tri thức cũng như hợp tác giữa các lĩnh vực. Các mô hình này không chỉ hỗ trợ văn bản, hình ảnh và âm thanh mà còn hỗ trợ mô hình 3D, bản vẽ 2D và các cấu trúc phức tạp khác như dữ liệu chuỗi thời gian đặc thù của ngành (xem thêm Multimodal LLMs (Các mô hình ngôn ngữ lớn đa phương thức)).

AI cấp công nghiệp chỉ một mức độ chất lượng cao: đáng tin cậy, an toàn và có thể tin cậy, được thiết kế để đáp ứng các yêu cầu và tiêu chuẩn nghiêm ngặt của những môi trường chuyên nghiệp đòi hỏi khắt khe nhất.

Thuật ngữ dùng để mô tả cuộc cách mạng công nghiệp lần thứ tư, bao gồm việc tích hợp AI, IoT và các công nghệ tiên tiến khác vào lĩnh vực sản xuất và công nghiệp.

Mạng lưới các thiết bị kỹ thuật được tích hợp cảm biến, phần mềm và khả năng kết nối để cho phép trao đổi dữ liệu. IoT là một trong những động lực chính thúc đẩy số hóa và dữ liệu lớn.

Một cơ sở dữ liệu biểu diễn tri thức dưới dạng đồ thị gồm các nút và các cạnh liên kết với nhau, được sử dụng trong các ứng dụng AI như xử lý ngôn ngữ tự nhiên (NLP) và tìm kiếm.

Một loại mô hình ngôn ngữ AI được huấn luyện trên lượng dữ liệu khổng lồ, chẳng hạn như GPT-3, để tạo ra văn bản giống với cách viết của con người.

Một lĩnh vực con của AI sử dụng các thuật toán và mô hình thống kê để giúp máy học từ kinh nghiệm hoặc dữ liệu.

Một lĩnh vực con của AI cho phép các máy móc được gắn camera trích xuất thông tin hình ảnh để hiểu và diễn giải môi trường xung quanh.

Các mô hình ngôn ngữ lớn đa phương thức có thể hiểu và xử lý đồng thời nhiều loại dữ liệu khác nhau – chẳng hạn như văn bản, hình ảnh, âm thanh hoặc dữ liệu cảm biến. Chúng được tích hợp trong các ứng dụng như thị giác máy tính, phương tiện tự hành và robot. Các mô hình này giúp cải thiện khả năng nhận dạng đối tượng, hiểu bối cảnh và cho phép máy móc thực hiện các hướng dẫn phức tạp. Các mô hình ngôn ngữ lớn đa phương thức có tiềm năng tác động đến việc xử lý và tạo dữ liệu chuyên biệt theo ngành – chẳng hạn như dữ liệu chuỗi thời gian, mô hình 2D và 3D hoặc dữ liệu cho thị giác máy – tương tự như cách các mô hình ngôn ngữ lớn truyền thống đã tác động đến việc xử lý văn bản và giọng nói.

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

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

Một loại thuật toán Học máy 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 phương pháp phân tích các thay đổi về điện áp và dòng điện của các tòa nhà hoặc máy móc gồm nhiều thiết bị con, nhằm suy ra mức đóng góp riêng của từng thiết bị trong hệ thống.

AI vật lý đề cập đến việc tích hợp trí tuệ nhân tạo vào các máy móc – chẳng hạn như robot – có khả năng cảm nhận môi trường xung quanh và hành động trong môi trường đó. Lấy cảm hứng từ chu trình cảm giác – vận động của con người, AI vật lý xử lý các đầu vào cảm biến (như camera 3D hoặc cảm biến xúc giác), tạo ra các lệnh điều khiển từ những dữ liệu này và cho phép máy móc thực hiện các nhiệm vụ phức tạp một cách thích ứng và tự chủ trong môi trường vật lý ba chiều.

AI tích hợp tri thức vật lý, còn được gọi là Physics-aware AI (AI nhận thức quy luật vật lý), đề cập đến một lớp phương pháp trí tuệ nhân tạo mới tích hợp trực tiếp các định luật vật lý vào quá trình huấn luyện. Khác với các phương pháp AI truyền thống vốn phụ thuộc nhiều vào các tập dữ liệu lớn để học hành vi, AI tích hợp tri thức vật lý kết hợp các ràng buộc dựa trên vật lý để định hướng quá trình học. Nhờ đó, các hệ thống AI có thể suy luận và đưa ra dự đoán ngay cả khi dữ liệu thực tế bị hạn chế, bằng cách tận dụng kiến thức sẵn có về cách thế giới vật lý vận hành. Thay vì chỉ học từ các ví dụ, các mô hình này sử dụng kiến thức vật lý để dẫn dắt quá trình học hướng tới các giải pháp tối ưu và nhất quán với các quy luật vật lý.

AI dự đoán tận dụng phân tích thống kê và học máy để nhận diện các mẫu trong dữ liệu vận hành thời gian thực và dữ liệu lịch sử từ máy móc và thiết bị, từ đó có thể dự đoán hành vi trong tương lai, phát hiện bất thường, dự báo các sự cố tiềm ẩn và đề xuất các hành động bảo trì. Công nghệ này được sử dụng để nâng cao tình trạng và độ tin cậy của tài sản, giảm thời gian dừng máy ngoài kế hoạch và hỗ trợ việc ra quyết định nhanh hơn dựa trên dữ liệu 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 thời điểm máy móc cần được bảo trì hoặc sửa chữa dựa trên dữ liệu thời gian thực.

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

Một loại Học máy trong đó các tác nhân chưa được huấn luyện học cách xây dựng chiến lược thông qua cơ chế thưởng và phạt của hệ thống sau khi thực hiện các hành động.

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

Lĩnh vực của kỹ thuật và AI tập trung vào việc thiết kế, chế tạo và vận hành robot.

Việc sử dụng AI để phân tích và diễn giải cảm xúc cũng như quan điểm được thể hiện trong văn bản hoặc lời nói.

Một hệ thống 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 năng.

Phần cứng chuyên dụng, chẳng hạn như Bộ xử lý đồ họa (GPU) hoặc các thiết bị biên tích hợp Bộ xử lý ngôn ngữ (LPU), là một xu hướng mới nổi trong lĩnh vực AI công nghiệp. Những thiết bị này cung cấp năng lực tính toán hiệu năng cao tại biên, cho phép xử lý các thuật toán AI theo thời gian thực. Việc tích hợp chúng cho phép xử lý song song và tăng tốc hiệu suất, giúp thực thi các nhiệm vụ AI phức tạp nhanh hơn. Việc xử lý cục bộ này giúp giảm độ trễ và giảm sự phụ thuộc vào tài nguyên đám mây, đặc biệt quan trọng đối với các ứng dụng nhạy cảm về thời gian. Phần cứng chuyên dụng cũng hỗ trợ các mô hình AI tiên tiến, mang lại khả năng phân tích sâu hơn và hiệu suất tốt hơn. Đồng thời, giúp giảm chi phí bằng cách giảm thiểu nhu cầu về hạ tầng đám mây quy mô lớn và việc truyền dữ liệu liên tục.

Khả năng của máy móc trong việc nhận dạng và diễn giải lời nói của con người.

Một phương pháp học trong đó các mô hình học máy được huấn luyện bằng các tập dữ liệu đã được gán nhãn (đã biết trước) để dự đoán kết quả.

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

Dữ liệu nhân tạo được tạo ra bởi các thuật toán thay vì từ các sự kiện trong thế giới thực, được sử dụng để huấn luyện và kiểm định các mô hình Học máy. Chất lượng của dữ liệu tổng hợp có vai trò rất quan trọng vì nó quyết định liệu AI có tạo ra kết quả đạt tiêu chuẩn sau khi huấn luyện hay không.

Một phương pháp học trong đó các mô hình Học máy tự khám phá các mẫu và nhóm dữ liệu trong những tập dữ liệu trước đó chưa biết (chưa được gán nhãn).

Thực tế ảo là môi trường được dựng bằng kỹ thuật số có thể tái tạo một không gian thực tế, tạo ra một thực tại thay thế hoặc kết hợp cả hai. Người dùng có thể khám phá không gian ảo này ngay tại nhà, văn phòng hoặc trên sàn nhà máy.