Trí tuệ nhân tạo AI

Trí tuệ nhân tạo (AI) ngày càng phổ biến trong các ứng dụng và thiết bị ta dùng hằng ngày: trợ lý số, ứng dụng điện thoại, trên xe, trong nhà và nhiều sản phẩm thông minh khác. Có rất nhiều định nghĩa về AI, nhưng ta có thể hiểu AI là phần mềm mô phỏng được một hoặc vài đặc điểm của con người như sau.

• Nhận thức trực quan (visual perception): dùng Computer Vision để tiếp nhận, diễn giải và xử lý hình ảnh, video từ các camera.
• Phân tích và chuyển đổi chữ (text analysis and conversion): dùng Natural Language Processing (NLP) để đọc và sinh ra phản hồi dạng text giống người, hoặc rút trích ngữ nghĩa trong text.
• Hội thoại (speech): nhận dạng hội thoại làm đầu vào và tổng hợp hội thoại làm đầu ra. Kết hợp nhận dạng hội thoại với NLP cho phép giao tiếp người-máy (Conversational AI) trở nên tự nhiên như giữa người với người.
• Ra quyết định (decision making): dùng kinh nghiệm cũ và các mối tương quan đã học để đánh giá tình huống và đưa ra hành động phù hợp. Ví dụ, nghe tiếng động cơ để phát hiện vấn đề và đưa ra cảnh báo.

Những khả năng này đang được mở rộng hằng ngày, làm AI thông minh, hữu dụng và được ứng dụng rộng rãi hơn.

AI được xây từ khoa học dữ liệu

Data Science

Tập trung vào xử lý và phân tích dữ liệu, dùng các kỹ thuật thống kê để khám phá và trực quan hóa các mối quan hệ, các mẫu (pattern) trong dữ liệu, đồng thời thử nghiệm các mô hình (model) để khám phá những mẫu đó.

Machine Learning

Là tập con của Data Science, liên quan đến việc huấn luyện và kiểm chứng mô hình dự đoán. Nhà khoa học dữ liệu chuẩn bị dữ liệu, rồi dùng nó để huấn luyện mô hình dựa trên thuật toán khai thác các đặc trưng (feature) của dữ liệu để dự đoán giá trị cho các nhãn (label) chưa xác định.

AI

Thường được xây trên Machine Learning để tạo ra phần mềm mô phỏng các đặc điểm trí thông minh của con người.

Phát triển với AI

Cần biết cách tích hợp khả năng AI vào phần mềm. Thời nay mở mắt ra là thấy một ứng dụng mới có AI, nên kỹ sư cần biết cách tích hợp vào càng nhanh càng tốt để tạo ra sản phẩm.

Tích hợp các khối AI nhỏ thành tính năng phức tạp. Không cần trở thành nhà khoa học dữ liệu mới dùng được AI; có rất nhiều mô hình đơn giản được cung cấp miễn phí, bạn chỉ việc lắp ghép chúng lại thành ứng dụng thực tiễn.

Huấn luyện và suy luận mô hình

Nhiều hệ thống AI dựa vào mô hình dự đoán, và mô hình này phải được huấn luyện bằng dữ liệu (sample data). Quá trình huấn luyện sẽ phân tích dữ liệu và xác định mối quan hệ giữa các feature (giá trị thường xuất hiện trong các quan sát) và label (giá trị mà mô hình học để dự đoán).

Sau khi huấn luyện xong, bạn gửi dữ liệu mới gồm các feature đã biết và yêu cầu mô hình dự đoán khả năng của các nhãn. Bước này gọi là suy luận (inference).

Xác suất và điểm tin cậy

Một mô hình ML huấn luyện tốt có thể chính xác, nhưng không mô hình dự đoán nào là không thể sai.

Dự đoán của mô hình ML dựa trên xác suất. Kỹ sư phần mềm không cần hiểu toán xác suất sâu, nhưng cần hiểu rằng dự đoán phản ánh khả năng thống kê chứ không phải sự thật tuyệt đối.

Trong hầu hết trường hợp, mỗi dự đoán đi kèm một điểm tin cậy phản ánh xác suất của nó. Nhà phát triển nên dùng điểm tin cậy này để đánh giá dự đoán và đặt ngưỡng phù hợp, nhằm tăng độ tin cậy của ứng dụng và giảm rủi ro từ những dự đoán dựa trên xác suất cận biên.

Trách nhiệm và đạo đức của AI

Kỹ sư phần mềm cần cân nhắc tác động của phần mềm lên người dùng và xã hội, trong đó có các khía cạnh đạo đức.

Với ứng dụng tích hợp AI, điều này càng quan trọng, vì hệ thống AI hoạt động và ra quyết định dựa trên các mô hình xác suất, nên phụ thuộc vào dữ liệu đã dùng để huấn luyện.

Tính giống con người của AI là một lợi thế lớn giúp ứng dụng thân thiện hơn, nhưng cũng khiến người dùng đặt quá nhiều niềm tin vào khả năng ra quyết định chính xác của nó. Một dự đoán sai hay việc lạm dụng AI có thể gây hại cho cá nhân hoặc một nhóm người. Vì vậy, kỹ sư xây dựng giải pháp có AI cần cân nhắc thấu đáo để giảm rủi ro và đảm bảo tính công bằng, độ tin cậy cũng như sự bảo vệ trước tác hại và phân biệt đối xử.

Công bằng

Hệ thống AI nên đối xử công bằng với mọi người. Ví dụ, giả sử bạn tạo mô hình ML hỗ trợ ngân hàng phê duyệt khoản vay. Mô hình nên dự đoán việc có nên duyệt khoản vay hay không mà không thiên vị dựa trên giới tính, dân tộc hay các yếu tố khác, vốn có thể tạo ra lợi thế hoặc bất lợi không công bằng cho một nhóm người nộp đơn.

Tính công bằng của hệ thống ML đang là lĩnh vực được nghiên cứu rất tích cực, và đã có một số công cụ để đánh giá, định lượng và giảm thiểu sự thiếu công bằng trong mô hình. Tuy nhiên, chỉ dùng công cụ thôi là chưa đủ. Hãy tính đến sự công bằng ngay từ đầu quá trình phát triển: xem xét kỹ dữ liệu huấn luyện để chắc rằng nó đại diện cho mọi đối tượng có khả năng bị ảnh hưởng, và đánh giá chất lượng dự đoán cho từng nhóm nhỏ người dùng trong suốt vòng đời phát triển.

Tin cậy và an toàn

Hệ thống AI phải hoạt động đáng tin cậy và an toàn. Hãy nghĩ đến phần mềm AI cho xe tự lái, hay mô hình chẩn đoán triệu chứng và đề xuất đơn thuốc cho bệnh nhân. Sự thiếu tin cậy ở những hệ thống này có thể gây rủi ro lớn cho tính mạng con người.

Như bất kỳ phần mềm nào, ứng dụng dựa trên AI phải trải qua quy trình quản lý triển khai và kiểm thử nghiêm ngặt để đảm bảo hoạt động đúng như mong đợi trước khi phát hành. Ngoài ra, kỹ sư cần tính đến bản chất xác suất của mô hình ML và đặt ngưỡng phù hợp khi đánh giá điểm tin cậy của dự đoán.

Quyền riêng tư và bảo mật

Hệ thống AI phải bảo mật và tôn trọng quyền riêng tư. Các mô hình ML dựa trên khối lượng dữ liệu lớn, có thể chứa thông tin cá nhân cần được giữ kín. Ngay cả sau khi mô hình đã huấn luyện xong và hệ thống đã vận hành, nó vẫn dùng dữ liệu mới để dự đoán hay thực hiện hành động, điều có thể liên quan tới quyền riêng tư và bảo mật. Vì vậy phải có biện pháp bảo vệ dữ liệu và nội dung của khách hàng.

Tính toàn diện

Hệ thống AI nên trao quyền và thu hút mọi người, mang lại lợi ích cho mọi thành phần trong xã hội, bất kể khả năng thể chất, giới tính, khuynh hướng tình dục, sắc tộc hay yếu tố khác.

Một cách để tăng tính toàn diện là đảm bảo khâu thiết kế, phát triển và kiểm thử ứng dụng có sự tham gia của càng nhiều nhóm người dùng càng tốt.

Minh bạch

Hệ thống AI phải dễ hiểu. Người dùng cần được biết rõ mục đích của hệ thống, cách nó hoạt động và những hạn chế có thể có.

Ví dụ, khi hệ thống AI dựa trên mô hình ML, bạn nên cho người dùng biết các yếu tố có thể ảnh hưởng tới độ chính xác của dự đoán, chẳng hạn số trường hợp dùng để huấn luyện hay các đặc trưng ảnh hưởng nhiều nhất đến dự đoán. Bạn cũng nên chia sẻ điểm tin cậy của dự đoán.

Khi ứng dụng AI dựa vào dữ liệu cá nhân, chẳng hạn hệ thống nhận dạng khuôn mặt, bạn nên nói rõ dữ liệu của người dùng được dùng và lưu giữ ra sao, cũng như ai có quyền truy cập.

Trách nhiệm và giải trình

Con người phải chịu trách nhiệm về hệ thống AI. Dù nhiều hệ thống AI dường như hoạt động tự chủ, trách nhiệm cuối cùng vẫn thuộc về nhà phát triển, những người đã huấn luyện và kiểm chứng mô hình, đồng thời xác định logic đứng sau các quyết định dựa trên dự đoán của mô hình, để đảm bảo hệ thống tổng thể đáp ứng yêu cầu về trách nhiệm.

Để làm được điều này, người thiết kế và phát triển giải pháp AI phải làm việc trong một khuôn khổ quản trị và các nguyên tắc tổ chức, nhằm đảm bảo giải pháp đáp ứng các tiêu chuẩn đạo đức và pháp lý đã được xác định rõ ràng.