Chương 2 - Xu Hướng Công Nghệ Chính và Internet Vạn Vật (IoT) môn Thương mại quốc tế | Trường Đại Học Thái Nguyên

lOMoAR cPSD| 22014077
Chương 2. MỘT SỐ XU HƯỚNG CÔNG NGHỆ CHÍNH
Chương 2 giới thiệu cho người học một số xu hướng công nghệ chính. Sự phát triển của
thương mại điện tử cho thấy một trong những thế hệ kinh doanh kỹ thuật số đầu tiên thực sự
đã tạo được vị thế và dấu ấn riêng của mình. Thương mại điện tử đã cách mạng hóa cách thức
kinh doanh khiến mọi thứ đối với người tiêu dùng trở nên tiện dụng, hiệu quả và phổ biến hơn bao giờ hết.
2.1. INTERNET VẠN VẬT (IOT)
Internet vạn vật (Internet of Things - IoT) có triển vọng tạo nên một xã hội kết nối bằng số, tác
động sâu sắc đến tất cả các lĩnh vực của nền kinh tế và xã hội. Mặc dù có tiềm năng rất lớn để
hỗ trợ phát triển nhân lực, xã hội và môi trường nhưng cũng cần phải áp dụng một số biện
pháp an toàn để bảo vệ dữ liệu và an ninh.
2.1.1. Khái niệm của Internet vạn vật (IoT)
Internet vạn vật bao gồm các thiết bị và các đối tượng, có trạng thái có thể thay đổi thông qua
Internet, có hoặc không có sự tham gia chủ động của các cá nhân. Thuật ngữ này có nghĩa rộng
hơn các thiết bị kết nối Internet truyền thống, như máy tính xách tay và điện thoại thông minh,
bởi nó bao gồm tất cả các loại vật thể và các cảm biến hiện hữu trong các không gian công
cộng, nơi làm việc, các ngôi nhà, chúng thu thập và trao đổi dữ liệu với nhau và với con người.
IoT thực sự là một Internet của vạn vật bởi vì, ngoài việc kết nối mọi thứ, nó còn cho phép các
kết nối bằng số giữa các thành phần khác trong thế giới tự nhiên như con người, động vật,
không khí và nước. Các bộ cảm biến và truyền động kết nối hệ thống trong IoT phục vụ cho việc
giám sát sức khỏe, vị trí và các hoạt động của con người và động vật và hiện trạng quy trình sản
xuất và môi trường tự nhiên, cùng với các ứng dụng khác. IoT có liên quan chặt chẽ đến phân
tích dữ liệu lớn và điện toán đám mây. Trong khi IoT thu thập dữ liệu và hoạt động dựa trên
các nguyên tắc cụ thể, điện toán đám mây tạo dung tích để lưu trữ dữ liệu và phân tích dữ liệu
lớn cho phép xử lý dữ liệu và ra quyết định. Kết hợp lại với nhau, các công nghệ này có thể tạo
khả năng cho các hệ thống thông minh và máy móc tự hành.
2.1.2. Đặc điểm của Internet vạn vật
Số lượng thiết bị kết nối ở trong và xung quanh nhà của người dân ở các nước OECD có thể sẽ
tăng từ 1 tỷ vào năm 2016 lên 14 tỷ vào năm 2022. Năm 2015, Trung Quốc với 84.435.197 triệu
thiết bị kết nối và Hoa Kỳ với 78.375.636 triệu thiết bị kết nối đã trở thành hai quốc gia có số
lượng thiết bị kết nối nhiều nhất thế giới. Đến năm 2030, ước tính có khoảng 8 tỷ người và 25
tỷ thiết bị “thông minh” được kết nối với nhau và xen lẫn trong một mạng thông tin khổng lồ.
Các ước tính khác cho rằng đến năm 2020 có khoảng từ 50 đến 100 tỷ thiết bị kết nối trong và
xung quanh nhà của người dân. Kết quả là sự nổi lên của một “siêu tổ chức” khổng lồ, hùng
mạnh, trong đó Internet tượng trưng cho “hệ thống thần kinh số toàn cầu”. lOMoAR cPSD| 22014077
∙ Internet vạn vật sẽ làm thay đổi xã hội
Internet vạn vật được thiết lập để tạo khả năng về một xã hội tương tác số, siêu kết nối. 37
Tác động kinh tế của nó được ước tính trong khoảng từ 2,7 nghìn tỷ đến 6,2 nghìn tỷ USD mỗi
năm vào năm 2025. IoT có ý nghĩa sâu sắc đối với mọi khía cạnh và các lĩnh vực của nền kinh tế,
tác động lớn nhất được dự báo là đối với các ngành y tế, chế tạo, các lĩnh vực công nghiệp nối
mạng và chính quyền địa phương.
Hình 2.1: 24 nước đứng đầu sử dụng thiết bị kết nối năm 2015
Nguồn: OECD (2015a), OECD Digital Economy Outlook 2015
Y tế và chăm sóc sức khỏe: IoT tạo ra các cơ hội để cung cấp dịch vụ chăm sóc sức khỏe tốt hơn
và giúp cải thiện sức khỏe bằng cách kết nối các bộ cảm biến bên trong và bên ngoài cơ thể với
các thiết bị giám sát sức khỏe cá nhân và các hệ thống y tế chuyên nghiệp. Cụ thể, các thiết bị
này sẽ cho phép theo dõi từ xa bệnh nhân ở nhà và nơi làm việc. Mạng Internet kết nối các vật
thể sinh học nano giám sát và quản lý mối nguy hại sức khỏe bên trong và ngoài có thể sẽ hình
thành. Đặc biệt, việc điều trị bệnh nhân mắc bệnh mãn tính được dự báo sẽ hiệu quả hơn.
Chế tạo thông minh: IoT cũng sẽ ảnh hưởng đến sản xuất công nghiệp bằng cách cải tiến hoạt
động của nhà máy và quản lý rủi ro trong chuỗi cung ứng. Các quy trình kinh doanh hiện tại,
như cung cấp sản phẩm, quản lý hàng tồn kho và bảo dưỡng máy móc, sẽ thay đổi một cách
căn bản. Phế thải và thất thoát có thể sẽ được giảm đáng kể bằng cách sử dụng các bộ cảm
biến và bộ ngắt mạch. IoT cung cấp dữ liệu và công cụ để tạo ra thông tin về chuỗi cung ứng
toàn diện. Kết hợp với những tiến bộ về công nghệ robot, IoT có thể dẫn đến quy trình sản xuất
hoàn toàn tự động, từ việc tuỳ chỉnh các thông số theo yêu cầu người sử dụng đến khâu giao hàng cuối cùng. lOMoAR cPSD| 22014077
Các hệ thống năng lượng: Các mạng lưới điện thông minh hỗ trợ bởi IoT với các thiết bị đo
năng lượng thông minh cho phép liên lạc hai chiều giữa người tiêu dùng và mạng lưới năng
lượng. Các lưới điện thông minh sẽ giúp cắt giảm chi phí vận hành và giảm sự cố lưới điện và
lãng phí điện bằng cách cung cấp thông tin thời gian thực về trạng thái của lưới điện. Hơn nữa,
IoT sẽ cho phép người tiêu dùng có được thông tin trong thời gian thực về việc sử dụng năng
lượng và sẽ khuyến khích họ quản lý mức tiêu thụ của mình dựa trên các chương trình định giá
thông minh (đã được thực hiện ở Hoa Kỳ) nhằm khuyến khích sử dụng năng
38 lượng thấp hơn trong thời gian cao điểm.
Hệ thống giao thông: IoT có triển vọng rất lớn trong việc cải tiến quản lý giao thông và an toàn
đường bộ. Các bộ cảm biến được gắn vào các phương tiện và các bộ phận trong cơ sở hạ tầng
đường bộ có thể kết nối với nhau, do đó tạo ra thông tin về lưu lượng giao thông và hiện trạng
kỹ thuật của phương tiện và cơ sở hạ tầng đường bộ. Điện thoại thông minh hiện đã được các
nhà cung cấp định vị tích cực sử dụng để theo dõi việc sử dụng đường bộ và cung cấp cho
người dùng thông tin cập nhật về giao thông trong thời gian thực. Đèn giao thông và các hệ
thống phí giao thông có thể thích nghi tốt hơn với việc sử dụng đường thực tế, các dịch vụ cấp
cứu có thể được kích hoạt tự động và bảo vệ chống trộm xe có thể được tăng cường.
Các thành phố thông minh và cơ sở hạ tầng đô thị: Ngoài các mạng lưới thông minh và tối ưu
hóa giao thông, IoT nắm giữ triển vọng nâng cao hiệu quả hoạt động của các thành phố. Các bộ
cảm biến gắn trong thùng rác và trong cơ sở hạ tầng quản lý nước cho phép hợp lý hóa việc thu
gom rác thải và có thể cải thiện công tác quản lý nước. Hơn nữa, người dân có thể sử dụng các
dịch vụ định vị trên điện thoại di động để đóng góp cho thành phố (ví dụ để thông báo về
những thiệt hại đường giao thông và các loại cơ sở hạ tầng khác) cũng như
cung cấp cho các nhà quy hoạch đô thị những hiểu biết mới về việc sử dụng đường giao thông công cộng.
Chính phủ thông minh: Cũng như trong trường hợp các quy trình sản xuất, các hệ thống giám
sát trong thời gian thực và hệ thống thông minh dựa trên IoT có thể mang lại lợi ích cho khu
vực công. Chính phủ thông minh kết hợp các công nghệ thông tin, truyền thông và vận hành để
lên kế hoạch và quản lý các hoạt động ở các cấp chính quyền khác nhau để tăng hiệu quả và
cung cấp các dịch vụ công tốt hơn. Các nhà hoạch định chính sách có thể sử dụng lượng dữ liệu
lớn tạo ra bởi IoT để thiết kế các công cụ phản hồi và thích ứng với giám sát và đánh giá thời gian thực.
∙ Sự phát triển hơn nữa của IoT gặp khó khăn do chi phí CNTT cao và các nhu cầu kỹ năng mới nổi: lOMoAR cPSD| 22014077
Internet vạn vật sẽ phát triển nhanh chóng và hiệu quả như thế nào trong 15 năm tới phụ
thuộc phần lớn vào việc mở rộng băng thông rộng cố định và di động và giảm chi phí thiết bị.
Ngoài ra, để tối ưu hóa tiềm năng của IoT, doanh nghiệp và chính phủ sẽ phải xây dựng năng
lực để có thể xử lý các dữ liệu lớn và đa dạng được tạo ra. Các dữ liệu lớn do IoT tạo ra sẽ có ít
giá trị nếu thông tin không được trích xuất và phân tích. Về phần này, phân tích dữ liệu cung
cấp một tập hợp các công cụ và phương pháp có thể sử dụng để trích xuất thông tin từ dữ liệu.
Điều này bao gồm khai phá dữ liệu (xác định mẫu hình từ tập dữ liệu), mô tả (xây dựng hồ sơ
và phân loại các thực thể dựa trên các thuộc tính), thu thập tin tức kinh doanh (báo cáo định kỳ
các chỉ số hoạt động quan trọng cho quản lý quy trình), học máy (các thuật toán tự cải tiến
thực hiện các nhiệm vụ nhất định) và phân tích trực quan (công cụ và kỹ thuật để trực quan
hóa dữ liệu). Các kỹ năng phân tích dữ liệu là tài sản quan trọng cho tương lai và không chỉ đối
với tăng trưởng: bất bình đẳng xã hội có khả năng trầm trọng hơn nếu khoảng cách tiếp tục gia
tăng giữa những người có thể và người không thể theo kịp sự phát triển của IoT. 39
∙ Tiếp tục tồn tại những bất ổn định về công nghệ
Những phát triển đan xen lẫn nhau giữa các lĩnh vực dữ liệu lớn, đám mây, giao tiếp máy - máy
và cảm biến đã thúc đẩy sự phát triển IoT. Tác động của IoT đặc biệt phụ thuộc vào sự phát
triển các công nghệ mới và nổi trội trong phân tích dữ liệu lớn và trí tuệ nhân tạo. Đồng thời,
cảm biến, máy tính, thiết bị truyền động và các loại thiết bị khác cũng cần phải có khả năng liên
lạc với nhau thật hiệu quả để cho IoT phát triển. Tuy nhiên, bối cảnh thuận lợi của IoT đã thúc
đẩy một số tiêu chuẩn cạnh tranh trong các giải pháp kết nối và không dây, các nền tảng và ứng
dụng phần mềm, làm phát sinh các vấn đề về tính tương kết. Theo thời gian, các quy trình do
thị trường chi phối được hy vọng là sẽ làm cho các quy trình này hội tụ thành một số nhỏ hơn
các giải pháp hiệu quả.
∙ Tâm điểm của các mối quan tâm là vấn đề về lòng tin
An ninh và sự bảo mật riêng tư được coi là những rủi ro quan trọng nhất liên quan đến IoT. Các
hacker có thể thay đổi từ xa các vật thể kết nối như lưới điện hoặc xe không người lái hoặc sửa
đổi dữ liệu do IoT tạo ra. Độ tin cậy của hệ thống là một vấn đề lớn, vì cuộc sống của con người
có thể phụ thuộc vào sự việc truyền dữ liệu thành công, đôi khi trong thời gian thực. Vấn đề
chính của sự ưng thuận và có lẽ chính khái niệm riêng tư cũng bị
thách thức bởi luồng dữ liệu nhạy cảm gần như liên tục mà hàng tỷ bộ cảm biến có mặt ở mọi
nơi sẽ sản sinh ra. Hơn nữa, các thiết bị trong IoT có thể trở thành phần nối dài của cơ thể và trí
óc con người. Quyền tự trị của con người và cơ quan có thể chuyển đổi hoặc uỷ thác cho IoT,
với những nguy cơ tiềm ẩn đối với bảo mật riêng tư và an ninh của người dùng. lOMoAR cPSD| 22014077
Mâu thuẫn với các quy định hiện hành và sự bất ổn định trong điều hành có thể tác động như
những tắc nghẽn khi áp dụng các dịch vụ IoT ở các quốc gia khác nhau. Khía cạnh quốc tế của
IoT làm tăng thêm sự phức tạp do các vật thể và các thiết bị có thể được điều khiển từ xa ở
nước ngoài, trong khi sự kiện tụng lại nằm trong khuôn khổ luật pháp quốc gia.
2.1.3. Ứng dụng của IoT
Trong vài năm qua, IoT đã trở thành một trong những công nghệ quan trọng. IoT giúp mọi
người sống và làm việc thông minh hơn, cũng như chủ động hoàn toàn trong cuộc sống.
IoT cung cấp các thiết bị thông minh để tự động hóa ngôi nhà. Với IoT, người dùng có thể khởi
động các thiết bị trong nhà như hệ thống chiếu sáng, điều hòa, bình nóng lạnh tự động... bằng
điện thoại thông minh hay máy tính bảng. Các thao tác hẹn giờ, thay đổi nhiệt độ được thực
hiện nhanh chóng và dễ dàng trên thiết bị thông minh, giúp tiết kiệm tối đa thời gian sử dụng
và lượng điện tiêu thụ, tránh trường hợp quên tắt các thiết bị khi đi ra ngoài.
IoT là yếu tố cần thiết đối với hoạt động kinh doanh. IoT giúp cho doanh nghiệp nắm được cách
thức mà doanh nghiệp của họ vận hành theo thời gian thực, cung cấp thông tin chi tiết về mọi
thứ từ hiệu suất của máy móc đến chuỗi cung ứng và hoạt động hậu cần.
IoT cho phép các công ty tự động hóa các quy trình và giảm chi phí lao động. Nó cũng cắt giảm
chất thải và cải thiện việc cung cấp dịch vụ, làm cho việc sản xuất và giao hàng ít
40 tốn kém hơn, cũng như mang lại sự minh bạch trong các giao dịch của khách hàng.
Do đó, IoT là một trong những công nghệ quan trọng nhất của cuộc sống hàng ngày và nó sẽ
tiếp tục tăng trưởng khi có nhiều doanh nghiệp nhận ra tiềm năng của các thiết bị được kết nối
để giữ cho chúng cạnh tranh.
2.1.3.1. Cách thức IoT vận hành
Một hệ sinh thái IoT bao gồm các thiết bị Web-enabled (web kích hoạt) thông minh được
nhúng vào trong hệ thống, chẳng hạn như bộ xử lý, cảm biến và phần cứng truyền thông, để
thu thập, gửi và thực hiện hành động trên dữ liệu mà chúng thu thập được. Dữ liệu thu thập có
thể đơn giản là nhiệt độ, độ ẩm... hoặc phức tạp hơn là video, hình ảnh…
Các thiết bị IoT chia sẻ dữ liệu cảm biến mà chúng thu thập được bằng cách kết nối với cổng
IoT hoặc thiết bị cảm biến khác, nơi dữ liệu được gửi lên cloud (đám mây) để phân tích hoặc
phân tích cục bộ. Đôi khi, các thiết bị này giao tiếp với các thiết bị liên quan khác và hoạt động
dựa trên thông tin chúng nhận được từ nhau. Các thiết bị thực hiện hầu hết công việc mà
không có sự can thiệp của con người, mặc dù mọi người có thể tương tác với các thiết bị. lOMoAR cPSD| 22014077
Các giao thức kết nối, mạng và cách thức giao tiếp được sử dụng với các thiết bị web enabled
này phần lớn phụ thuộc vào các ứng dụng IoT cụ thể được triển khai.
IoT cũng có thể tận dụng trí tuệ nhân tạo (AI) và máy học để giúp cho quá trình thu thập dữ liệu
trở nên dễ dàng và chủ động hơn. Hình 2.2: Cách hệ thống IoT hoạt động
2.1.3.2. Một số ứng dụng IoT
Nhà và văn phòng thông minh
Nhà thông minh là một ví dụ điển hình về IoT. Trong ngôi nhà thông minh các thiết bị điện tử
dân dụng như đèn, quạt, máy lạnh... có thể được kết nối với nhau thông qua mạng internet. Sự
kết nối này cho phép người dùng vận hành các thiết bị này từ xa. Một ngôi nhà
41 thông minh có khả năng điều khiển ánh sáng, quản lý năng lượng, mở rộng và truy cập từ xa.
Thiết bị đeo được (Wearable)
Đồng hồ thông minh là ví dụ tiêu biểu về các thiết bị đeo tay thông minh. Đồng hồ thông minh
có khả năng đọc tin nhắn văn bản, hiển thị thông báo về các ứng dụng khác, theo dõi vị trí,
theo dõi trạng thái tập luyện, nhắc nhở lịch trình và liên tục theo dõi tình trạng sức khỏe. Ngoài
ra còn có một số thiết bị đeo được khác như: Kính thực tế ảo, vòng đeo thông minh, tai nghe không dây... Quản lý thiên tai
IoT giúp dự đoán và quản lý các thảm họa thiên nhiên. Lấy ví dụ về cháy rừng. Để tránh sự hỗn
loạn và tàn phá do cháy rừng, nhiều cảm biến khác nhau có thể được lắp đặt xung quanh ranh lOMoAR cPSD| 22014077
giới của các khu rừng. Các cảm biến này liên tục theo dõi nhiệt độ và hàm lượng carbon trong
khu vực. Báo cáo chi tiết sẽ được gửi đến trung tâm giám sát chung một cách thường xuyên.
Trong trường hợp xảy ra cháy rừng, một cảnh báo được gửi đến phòng kiểm soát, đồn cảnh sát
và đội cứu hỏa. Do đó, IoT giúp các cơ quan chức năng lập kế hoạch và phản ứng nhanh chóng
trong trường hợp khẩn cấp. Ô tô tự lái
Ô tô tự lái là một trong những dòng ô tô thông minh đã và đang phát triển với việc ứng dụng trí
tuệ nhân tạo (AI) và công nghệ cảm biến thông minh trong IoT. Một trong những thành phần
quan trọng của IoT trong ô tô là các cảm biến thông minh liên tục thu thập các thông tin về xe,
tình trạng giao thông, các phương tiện khác và các đối tượng khác trên đường đi.
Hệ thống bao gồm các đơn vị camera, cảm biến khoảng cách, RADAR, mảng ăng-ten RF để thu
thập thông tin và giúp xe đưa ra quyết định dựa trên những thay đổi đột ngột trên đường. Các
phương tiện và đồ vật thông minh có thể chia sẻ thông tin với nhau bằng công nghệ RF.
Khi dữ liệu khổng lồ được thu thập, AI có thể dự đoán được các tình huống nhất định trên
đường đi, cảnh báo tình trạng trên đường và phương tiện, hỗ trợ người lái xe an toàn, tránh va chạm.
Ví dụ: Hỗ trợ kiểm soát hành trình, quản lý nhiên liệu, thông báo có tai nạn trên tuyến đường,
tình trạng giao thông đông đúc ở một tuyến đường cụ thể...
Phân tích dữ liệu lớn (Big Data Analytics)
Một trong những thành phần cơ bản của phân tích dữ liệu lớn (Big data) chính là bản thân của
dữ liệu đó; nhiều tổ chức coi dữ liệu là tài sản quý giá nhất để phát triển chiến lược kinh doanh
của họ. Nguồn dữ liệu có thể từ bất kỳ đâu như máy móc, môi trường, thực vật, con người
hoặc thậm chí động vật.
Internet of Things sử dụng hàng trăm loại cảm biến được thiết kế để thu thập dữ liệu từ nhiều
loại ứng dụng. Lượng dữ liệu khổng lồ từ hàng triệu cảm biến thông minh sẽ giúp 42
cho việc phân tích dữ liệu cần sử dụng trí tuệ nhân tạo và máy học cải thiện được các thuật toán ra quyết định.
Máy đọc mã vạch thông minh
Máy đọc mã vạch IoT có thể giúp quản lý hàng tồn kho tốt hơn cho các nhà bán lẻ. Các đầu đọc
hỗ trợ xử lý tín hiệu kỹ thuật số dựa trên AI. Những thiết bị này có thể tối ưu hóa hoạt động
của nhiều lĩnh vực bao gồm bán lẻ, hậu cần, kho hàng... lOMoAR cPSD| 22014077
Đầu đọc thẻ thanh toán dựa trên IoT có tính năng kết nối dữ liệu đám mây để kết nối với các
hệ thống khác như phần mềm có tích hợp QRCode, Barcode. Sử dụng đầu đọc mã vạch được
kết nối sẽ giúp doanh nghiệp dễ dàng hơn trong quá trình quản lý hàng tồn kho.
Nông nghiệp thông minh
Nếu như trước đây toàn bộ quá trình nông nghiệp đều phụ thuộc vào sức lao động con người
thì giờ đây được đơn giản hóa nhờ sự xuất hiện của máy móc và công nghệ. Ứng dụng IoT
trong ngành trồng trọt giúp nông dân có thể kiểm soát và nắm bắt những thông tin cần thiết
như thời điểm tốt nhất thu hoạch, độ dinh dưỡng của đất, lượng phân bón phù hợp, độ ẩm của đất...
Những mô hình trang trại chăn nuôi thông minh cũng dần ra đời với những tiến bộ của IoT giúp
cho người chủ kiểm soát và thu thập các dữ liệu cần thiết về nhiệt độ chuồng, độ ẩm không khí
hoặc dữ liệu sức khỏe của vật nuôi... từ đó tiết kiệm sức lao động và nâng cao năng suất.
Công nghiệp sản xuất
Công nghiệp sản xuất là một trong những ngành sớm áp dụng IoT, nó đã thay đổi hoàn toàn
một số giai đoạn của chu kỳ phát triển sản phẩm. IoT công nghiệp sẽ giúp tối ưu hóa các công
đoạn sản xuất khác nhau của sản phẩm như:
- Giám sát chuỗi cung ứng và quản lý hàng tồn kho.
- Tối ưu hóa trong phát triển sản phẩm.
- Tự động hóa quy trình sản xuất hàng loạt.
- Kiểm tra chất lượng và cải tiến sản phẩm.
- Cải thiện việc đóng gói và quản lý.
- Tối ưu hóa quy trình bằng cách sử dụng dữ liệu được thu thập từ số lượng lớn các mạng cảm biến.
- Giải pháp hiệu quả về chi phí để quản lý tổng thể nhà máy
2.2. TRÍ TUỆ NHÂN TẠO (AI)
2.2.1. Khái niệm về trí tuệ nhân tạo (AI)
Trí tuệ nhân tạo, tiếng Anh là artificial intelligence hay chữ viết tắt được dùng phổ biến là AI,
còn có thể hiểu bình dân hơn là ‘thông minh nhân tạo’, tức là sự thông minh của máy móc
do con người tạo ra, đặc biệt tạo ra cho máy tính, robot, hay các máy móc có các 43
thành phần tính toán điện tử. Trí tuệ nhân tạo là một lĩnh vực của khoa học và công nghệ nhằm
làm cho máy có những khả năng của trí tuệ và trí thông minh của con người, tiêu biểu như biết lOMoAR cPSD| 22014077
suy nghĩ và lập luận để giải quyết vấn đề, biết giao tiếp do hiểu ngôn ngữ và tiếng nói, biết học và tự thích nghi, …
Trí tuệ nhân tạo là một nhánh của khoa học liên quan đến việc làm cho máy tính có những khả
năng của trí tuệ con người, tiêu biểu như các khả năng “suy nghĩ”, “hiểu ngôn ngữ” và biết “học tập”.
Mong muốn làm cho máy có những khả năng của trí thông minh con người đã có từ nhiều thế
kỷ trước, tuy nhiên TTNT chỉ xuất hiện khi con người sáng tạo ra máy tính điện tử (MTĐT). Alan
Turing - nhà toán học lỗi lạc người Anh, người được xem là cha đẻ của Tin học do đưa ra cách
hình thức hóa các khái niệm thuật toán và tính toán trên máy Turing − một mô hình máy tính
trừu tượng mô tả bản chất việc xử lý các ký hiệu hình thức − có một đóng góp quan trọng và
thú vị cho TTNT vào năm 1950, gọi là phép thử Turing.
Phép thử Turing là một cách để trả lời câu hỏi ‘máy tính có biết nghĩ không?’, được phát biểu
dưới dạng một trò chơi. Hình dung có ba người tham gia trò chơi, một người đàn ông (A), một
người đàn bà (B) và một người chơi (C). Người chơi ngồi ở một phòng tách biệt với A và B,
không biết gì về A và B (như hai đối tượng ẩn X và Y) và chỉ đặt các câu hỏi cũng như nhận trả
lời từ A và B qua một màn hình máy tính. Người chơi cần kết luận trong X và Y ai là đàn ông ai
là đàn bà. Trong phép thử này, A luôn tìm cách làm cho C bị nhầm lẫn và B luôn tìm cách giúp C
tìm được câu trả lời đúng. Phép thử Turing thay A bằng một máy tính, và bài toán trở thành liệu
C có thể phân biệt được trong X và Y đâu là máy tính đâu là người đàn bà. Phép thử
Turing cho rằng máy tính là thông minh (qua được phép thử) nếu như biết cách làm sao cho C
không thể chắc chắn kết luận của mình là đúng. Tuy phép thử Turing đến nay vẫn được xem có
tầm quan trọng lịch sử và triết học hơn là giá trị thực tế (vì con người vẫn chưa làm được máy
hiểu ngôn ngữ và biết lập luận như vậy), ý nghĩa rất lớn của nó nằm ở chỗ đã nhấn mạnh rằng
khả năng giao tiếp thành công của máy với con người trong một cuộc đối thoại tự do và không
hạn chế là một biểu hiện chính yếu của trí thông minh nhân tạo. lOMoAR cPSD| 22014077
Hình vẽ 2.3: Phép thử Turing 44
Trăn trở về những chiếc máy tính thông minh đã thôi thúc nhiều nhà khoa học trong nhiều năm
tiếp theo, để rồi TTNT- với tư cách là một khoa học độc lập - đã ra đời chỉ chừng 10 năm sau
khi những chiếc máy tính đầu tiên được tạo ra để dùng chính cho việc tính toán (thực hiện các
phép tính số học cộng trừ nhân chia và so sánh bằng nhau khác nhau). Người ta vẫn lấy hội
nghị mùa hè năm 1956 tại trường Dartmouth ở Mỹ làm sự kiện ra đời của ngành TTNT. Hội
nghị đầu tiên này do Marvin Minsky và John McCarthy tổ chức với sự tham dự của vài chục nhà
khoa học, trong đó có Allen Newell và Herbert Simon. Bốn người này luôn được coi là những
người sáng lập của ngành TTNT. Nhiều người tham gia hội nghị
Dartmouth sau này đã trở thành những thủ lĩnh về nghiên cứu TTNT trong nhiều thập kỷ, trong
đó có giáo sư Donald Michie, một người tiên phong về TTNT ở châu Âu, người đã lập ra phòng
thí nghiệm TTNT nổi tiếng tại đại học Edinburgh ở Anh. Chính tại hội nghị Dartmouth, McCarthy
đã đề nghị tên gọi ‘artificial intelligence’. Mặc dù còn tranh cãi trong một thời gian, tên này vẫn
được thừa nhận và dùng cho đến nay.
Những người sáng lập ngành TTNT đều lần lượt được nhận giải Turing của ACM (Hội Tin học
lớn nhất thế giới) - được xem là giải Nobel của Tin học, mỗi năm thường chỉ trao cho một
người: Minsky (1969), McCarthy (1971), Newell và Simon (1975). Tính đột phá của tuổi trẻ và
tài năng đã thôi thúc họ nghĩ đến, đặt ra và đi tìm lời giải cho những vấn đề
nền tảng của TTNT, như đề xuất Dartmouth cho những người làm nghiên cứu về TTNT: “Mọi
khía cạnh của khả năng học tập cũng như mọi tính chất khác của trí thông minh đều có thể mô
tả được thật chính xác sao cho có thể làm ra máy để thực hiện chúng”, hoặc giả thuyết của lOMoAR cPSD| 22014077
Newell và Simon tiên đoán bản chất của trí thông minh là việc điều khiển ký hiệu: “Mọi hệ ký
hiệu hình thức đều có các cách cần và đủ để thực hiện các hành động thông minh phổ quát”.
2.2.2. Đặc điểm của trí tuệ nhân tạo (AI)
Nghiên cứu AI sớm vào những năm thập niên 60 đã khám phá các vấn đề mà công nghệ này có
thể giải quyết. Vào những năm 1960, Bộ Quốc phòng Hoa Kỳ đã quan tâm đến loại công việc
này và bắt đầu đào tạo máy tính để bắt chước lý luận cơ bản của con người. Ví dụ, Cơ quan Dự
án Nghiên cứu Quốc phòng Tiên tiến (DARPA) đã hoàn thành các dự án lập bản đồ đường phố
vào những năm 1970. Và DARPA đã sản xuất trợ lý cá nhân thông minh vào năm 2003…
Công việc ban đầu này đã mở đường cho tự động hóa và lý luận chính thức mà chúng ta thấy
trong các máy tính ngày nay, bao gồm các hệ thống hỗ trợ quyết định và hệ thống tìm kiếm
thông minh có thể được thiết kế để bổ sung và tăng cường khả năng của con người.
1943: Warren McCullough và Walter Pitts xuất bản cuốn “A Logical Calculus of Ideas Immanent
in Nervous Activity”, dịch ra là “Một tính toán logic của những ý tưởng tiềm ẩn trong hoạt động
thần kinh”. Bài viết đề xuất mô hình toán học đầu tiên để xây dựng một mạng lưới thần kinh.
1949: Trong cuốn sách “The Organization of Behavior: A Neuropsychological Theory”- Tổ chức
hành vi: Một lý thuyết thần kinh học, Donald Hebb đề xuất lý thuyết về các hệ thống con đường
thần kinh được tạo ra từ các kết nối giữa các tế bào thần kinh trở nên mạnh mẽ hơn. 45
1950: Alan Turing xuất bản “Computing Machinery and Intelligence” – Máy tính và trí thông
minh, đề xuất Thử nghiệm Turing, một phương pháp để xác định xem một máy tính có thông
minh hay không. Đại học Harvard Marvin Minsky và Dean Edmonds xây dựng SNARC, máy tính
mạng thần kinh đầu tiên. Claude Shannon xuất bản bài báo “Lập trình máy tính để chơi cờ”.
Isaac Asimov xuất bản “Ba định luật về robot”.
1952: Arthur Samuel phát triển một chương trình tự học để chơi cờ.
1954: Thí nghiệm dịch máy Georgetown-IBM tự động dịch 60 câu tiếng Nga được chọn cẩn thận sang tiếng Anh.
1956: Cụm từ trí tuệ nhân tạo lần đầu tiên được nói đến tại “Dự án nghiên cứu mùa hè về trí
tuệ nhân tạo”. Với sự dẫn đầu bởi John McCarthy, hội nghị, trong đó xác định phạm vi và mục
tiêu của AI, được coi là sự ra đời của trí tuệ nhân tạo như chúng ta biết ngày nay. Allen Newell
và Herbert Simon trình diễn Nhà lý luận logic (LT), chương trình lý luận đầu tiên.
1958: John McCarthy phát triển ngôn ngữ lập trình AI Lisp và xuất bản bài báo “Programs with
Common Sense”. Bài viết đã đề xuất nhà tư vấn giả thuyết, một hệ thống AI hoàn chỉnh với khả
năng học hỏi kinh nghiệm hiệu quả như con người. lOMoAR cPSD| 22014077
1959: Allen Newell, Herbert Simon và JC Shaw giải quyết vấn đề chung (GPS), một chương trình
được thiết kế để bắt chước giải quyết vấn đề của con người. Herbert Gelernter phát triển
chương trình Định lý hình học. Arthur Samuel đồng xu với thuật ngữ học máy khi còn ở IBM.
John McCarthy và Marvin Minsky đã tìm thấy Dự án Trí tuệ nhân tạo MIT.
1963: John McCarthy bắt đầu Phòng thí nghiệm AI tại Stanford.
1966: Báo cáo của Ủy ban Tư vấn xử lý ngôn ngữ tự động (ALPAC) của chính phủ Hoa Kỳ nêu chi
tiết về sự thiếu tiến bộ trong nghiên cứu dịch máy, một sáng kiến lớn của chiến tranh lạnh với
lời hứa dịch tự động tiếng Nga. Báo cáo ALPAC dẫn đến việc hủy bỏ tất cả các dự án MT do chính phủ tài trợ.
1969: Các hệ thống chuyên gia thành công đầu tiên được phát triển trong DENDRAL, một
chương trình XX và MYCIN, được thiết kế để chẩn đoán nhiễm trùng máu, được tạo ra tại Stanford.
Năm 1972: Ngôn ngữ lập trình logic PRITAL được tạo ra.
Năm 1973: “Báo cáo Lighthill”, nêu chi tiết về sự thất bại trong nghiên cứu AI, được chính phủ
Anh công bố, từ đây dẫn đến việc cắt giảm nghiêm trọng tài trợ cho các dự án trí tuệ nhân tạo.
1974-1980: Liên tiếp là sự thất vọng với sự phát triển của AI dẫn đến sự cắt giảm DARPA lớn
trong các khoản trợ cấp học thuật. Kết hợp với báo cáo ALPAC trước đó và “Báo cáo Lighthill”
năm trước, tài trợ trí tuệ nhân tạo làm khô và các quầy nghiên cứu. Thời kỳ này được gọi là
“Mùa đông AI đầu tiên.”
1980: Tập đoàn thiết bị kỹ thuật số phát triển R1 (còn được gọi là XCON), hệ thống chuyên gia
thương mại thành công đầu tiên. Được thiết kế để định cấu hình các đơn đặt hàng 46
cho các hệ thống máy tính mới, R1 khởi đầu sự bùng nổ đầu tư vào các hệ thống chuyên gia sẽ
tồn tại trong phần lớn thập kỷ, kết thúc hiệu quả “Mùa đông AI” đầu tiên.
1982: Bộ Thương mại Quốc tế và Công nghiệp Nhật Bản khởi động dự án Hệ thống máy tính
thế hệ thứ năm đầy tham vọng. Mục tiêu của FGCS là phát triển hiệu năng giống như siêu máy
tính và một nền tảng để phát triển trí tuệ nhân tạo AI.
1983: Đáp lại FGCS của Nhật Bản, chính phủ Hoa Kỳ khởi động Sáng kiến điện toán chiến lược
để cung cấp nghiên cứu được tài trợ bởi DARPA trong điện toán tiên tiến và trí tuệ nhân tạo.
1985: Các công ty đang chi hơn một tỷ đô la một năm cho các hệ thống chuyên gia và toàn bộ
ngành công nghiệp được gọi là thị trường máy Lisp mọc lên để hỗ trợ họ. Các công ty như
Symbolics và Lisp Machines Inc. xây dựng các máy tính chuyên dụng để chạy trên ngôn ngữ lập trình AI Lisp. lOMoAR cPSD| 22014077
1987-1993: Khi công nghệ điện toán đám mây được cải thiện, có nhiều lựa chọn thay thế rẻ
hơn xuất hiện và thị trường máy Lisp sụp đổ vào năm 1987, mở ra “Mùa đông AI thứ hai”. Các
chuyên gia AI rất chật vật và không được sự ủng hộ trong giai đoạn này. DARPA kết thúc Sáng
kiến Điện toán Chiến lược vào năm 1993 sau khi chi gần 1 tỷ đô la và không đạt được kỳ vọng như đã tính toán.
1991: Lực lượng Hoa Kỳ triển khai DART, một công cụ lập kế hoạch và lập kế hoạch hậu cần tự
động, trong Chiến tranh vùng Vịnh.
2005: STANLEY, một chiếc xe tự lái, chiến thắng DARPA Grand Challenge. Quân đội Hoa Kỳ bắt
đầu đầu tư vào các robot tự hành như “Big Dog” của Boston Dynamic và “PackBot” của iRobot.
2008: Google tạo ra những bước đột phá trong nhận dạng giọng nói và giới thiệu tính năng này trong ứng dụng iPhone.
2011: Watson của IBM tuyên bố cạnh tranh về Jeopardy!.
2012: Andrew Ng, người sáng lập dự án Google Brain Deep Learning, cung cấp một mạng lưới
thần kinh bằng cách sử dụng thuật toán 10 triệu video YouTube dưới dạng tập huấn luyện.
Mạng lưới thần kinh đã học cách nhận ra một con mèo mà không được cho biết con mèo là gì.
2014: Google tạo ra chiếc xe tự lái đầu tiên để vượt qua bài kiểm tra lái xe của nhà nước.
2016: AlphaGo của Google DeepMind đánh bại nhà vô địch thế giới cờ vây Lee Sedol. Sự phức
tạp của trò chơi Trung Quốc cổ đại được coi là một trở ngại lớn để giải tỏa trong AI.
Tiềm năng phát triển của trí tuệ nhân tạo (AI)
Trí tuệ nhân tạo (AI) nhằm mục tiêu tạo ra các máy tính có khả năng suy luận đến một ngày nào
đó có thể vượt khả năng của con người. Mặc dù tác động đầy đủ của AI vẫn còn khó đánh giá,
nhưng các hệ thống thông minh có thể giúp làm tăng năng suất và dẫn đến
47 những thay đổi không thể đảo ngược trong xã hội chúng ta.
∙ Khi máy móc bắt đầu suy nghĩ
Trí tuệ nhân tạo được định nghĩa là khả năng của máy móc và hệ thống có thể tiếp thu và áp
dụng tri thức để thực hiện hành vi trí tuệ.
Điều này có nghĩa là việc thực hiện các nhiệm vụ nhận thức đa dạng khác nhau, ví dụ như thụ
cảm, xử lý tiếng nói, lập luận, học hỏi, ra quyết định và thể hiện khả năng di chuyển và thao tác
các đồ vật một cách phù hợp. Các hệ thống thông minh sử dụng kết hợp phân tích dữ liệu lớn,
điện toán đám mây, giao tiếp máy - máy và IoT để vận hành và học tập. AI tạo khả năng cho các lOMoAR cPSD| 22014077
loại phần mềm và robot mới ngày càng hoạt động như những tác nhân tự trị, hoạt động độc
lập, không lệ thuộc vào các quyết định của người sáng tạo và vận hành chúng, thông minh hơn
so với các máy móc đã thực hiện trước đây.
∙ Sự phát triển của máy thông minh
Những nỗ lực phát triển AI ban đầu tập trung vào việc xác định các quy tắc mà phần mềm có
thể sử dụng để thực hiện một nhiệm vụ. Các hệ thống như vậy giải quyết các vấn đề hạn hẹp,
nhưng không đủ khả năng khi phải đối mặt với các nhiệm vụ phức tạp hơn như biên dịch và
nhận dạng tiếng nói. Sự phát triển các phương pháp thống kê mang lại những đột phá quan
trọng trong lĩnh vực AI bằng cách tập trung vào phân tích dữ liệu. Thay vì để cung cấp các quy
tắc mệnh lệnh toàn diện, học máy (hoặc thống kê) nhằm mục đích ra quyết định dựa trên các
hàm xác suất xuất phát từ những kinh nghiệm trong quá khứ. Bằng cách này, máy tính có thể
chơi cờ vua không chỉ bằng cách sử dụng các nước đi thiết lập sẵn và cân nhắc khả năng kết
quả, mà còn bằng cách tham khảo các trò chơi trong quá khứ và tính toán khả năng di chuyển
của một nước đi cụ thể để mang lại chiến thắng. Thông qua học máy, các ứng dụng phần mềm
có thể thực hiện các nhiệm vụ cụ thể đồng thời học cách để nâng cao hiệu suất, tức là bằng
cách thu thập và phân tích dữ liệu về kinh nghiệm của nó và đề xuất những hiệu chỉnh cho hoạt
động chức năng của nó, dần dần cải tiến việc thực hiện nhiệm vụ. Kết quả là, máy móc phát
triển, chỉnh sửa và tinh chỉnh các quy tắc hướng dẫn hoạt động. Những tiến bộ trong IoT và
phân tích dữ liệu đã làm phong phú thêm nhánh thuật toán này với một nguồn dữ liệu ngày
càng tăng cho việc ra quyết định. Thông qua những tiến bộ về năng lực tính toán và kỹ thuật
học máy, theo dự báo năng lực nhận thức của máy sẽ vượt quá con người.
Trí tuệ nhân tạo không chỉ giới hạn trong thế giới số, kết hợp với những tiến bộ trong kỹ thuật
cơ điện, nó mở rộng khả năng cho các robot có thể thực hiện các nhiệm vụ nhận thức trong
thế giới tự nhiên. AI có thể cho phép các robot thích ứng với môi trường làm việc mới mà
không cần phải lập trình lại. Các robot tiên tiến có thể thích nghi với điều kiện làm việc thay đổi
và tự học có thể mang lại những tiết kiệm đáng kể về chi phí lao động và tăng năng suất. AI
cũng có thể áp dụng để quản lý hàng tồn trữ tốt hơn và tối ưu hóa nguồn lực. Ngoài ra, AI
mang nhiều hứa hẹn về sự an toàn, bằng cách thay thế con người, giảm được tai nạn lao động
và tăng cường hiệu quả của quyết định được đưa ra trong các tình huống nguy cấp. 48
∙ Trí tuệ nhân tạo có thể phá vỡ ngành công nghiệp
Các robot có hỗ trợ AI ngày càng trở thành trung tâm của ngành hậu cần và chế tạo, sẽ thay thế
lao động con người trong các quy trình sản xuất. AI đang mở rộng vai trò của robot, vốn
thường được giới hạn trong các nhiệm vụ đơn điệu yêu cầu tốc độ, chính xác và sự khéo léo.
Các cảm biến được sử dụng ngày càng phổ biến trong các dây chuyền sản xuất, làm cho chúng lOMoAR cPSD| 22014077
thông minh hơn và hiệu quả hơn thông qua việc làm cho các quy trình thích ứng với sự thay
đổi các yêu cầu sản xuất và điều kiện làm việc. Các ngành, lĩnh vực có thể
sẽ trải qua một cuộc cách mạng sản xuất mới và một sự biến đổi căn bản, đó là ngành nông
nghiệp, hóa chất, dầu mỏ và than đá, cao su và chất dẻo, giày dép và dệt may, vận tải, xây
dựng, quốc phòng, giám sát và an ninh.
∙ Trí tuệ nhân tạo cũng có thể cách mạng hóa dịch vụ
Trí tuệ nhân tạo sẽ được triển khai rộng trong một loạt các ngành công nghiệp dịch vụ, như giải
trí, y học, marketing và tài chính. Tài chính đang được cách mạng hóa bằng phân tích dữ liệu
lớn và AI. Hiện nay ở Hoa Kỳ, các thuật toán đang độc lập tiến hành nhiều giao dịch hơn cả con
người. Xu hướng này đặc biệt mạnh trong thị trường chứng khoán và đang trở nên rõ rệt trong
giao dịch các loại tài sản khác như ngoại tệ. Học máy có tiềm năng nâng cao vai trò của các
thuật toán trong kinh doanh bằng cách cho phép chúng điều chỉnh các chiến lược của mình
theo thời gian. Nhiều sản phẩm dựa trên AI đang được triển khai dưới hình thức dịch vụ web.
Ví dụ, các công cụ đề cử của Amazon, Netflix và Spotify đều dựa trên các công nghệ học máy.
Trong ngành y tế, việc chẩn đoán có thể trở nên chính xác và dễ tiếp cận hơn nhờ vào phân tích
các cơ sở dữ liệu y tế sử dụng AI. Các robot phẫu thuật đã được đưa vào ứng dụng và việc tự
động hóa hơn nữa các nhiệm vụ liên quan đến y học là điều có thể xảy ra. Một khi hiệu suất
được cải thiện, đặc biệt là năng lực nhân hình hóa, AI có thể thực hiện được các nhiệm vụ xã
hội. Các “robot xã hội” có thể giúp giải quyết nhu cầu của xã hội già hóa thông qua việc hỗ trợ
con người về thể chất và tinh thần, hành động như những người bạn và giảm bớt sự cô lập xã
hội của người cao tuổi.
∙ Việc thu được lợi ích của AI phụ thuộc vào một số điều kiện khung đang được áp dụng
Một yếu tố thiết yếu để thu được lợi ích từ AI là cung cấp các mạng lưới vận tải, năng lượng và
truyền thông đáng tin cậy, bao gồm cả IoT. AI có thể gây ra những sai lầm có thể dẫn đến
những thiệt hại nghiêm trọng (ví dụ như chẩn đoán bệnh sai). Các quyết định của AI có thể bị
hiểu sai, bị chỉ trích hoặc bác bỏ (ví dụ như từ chối cho vay). Bản chất không hoàn chỉnh của AI
làm nảy sinh các câu hỏi về các nguyên tắc trách nhiệm hợp pháp và nghĩa vụ pháp lý được san
sẻ như thế nào giữa AI với các nhà lắp ráp, nhà lập trình, các chủ sở hữu AI,... Luật pháp và
khuôn khổ pháp lý cần được xây dựng và thực thi trước khi có thể gặt hái được nhiều lợi ích
của AI trên các thị trường như vận tải và y tế. Một khía cạnh pháp lý khác của AI liên quan đến
quyền sở hữu trí tuệ (IP) đối với các phát minh được tạo khả năng nhờ vào AI và IP và thu nhập
nên chia sẻ như thế nào. Những cân nhắc về luật pháp sẽ dẫn đến những hậu quả quan trọng
đối với thị trường bảo hiểm và hệ thống IP.
Với những xu hướng được dự báo trên, các yêu cầu về kỹ năng mới sẽ hình thành. Nhu 49 lOMoAR cPSD| 22014077
cầu về nhân công trí thức có khả năng phát triển AI hoặc thực hiện các tác vụ dựa trên AI sẽ
tăng lên. Tri thức sáng tạo hoặc ngầm ẩn, ít có khả năng mã hóa và các kỹ năng đòi hỏi sự
tương tác xã hội hoặc sự khéo léo của con người khó tự động hóa có thể vẫn phụ thuộc vào
con người trong vài thập kỷ tới. Các hệ thống giáo dục ngày nay sẽ cần đảm bảo trang bị cho
thế hệ trẻ những kỹ năng thích hợp để thực hiện trong môi trường AI tiên tiến trong tương lai.
Các hệ thống đào tạo sẽ giúp làm cho quá trình chuyển đổi diễn ra suôn sẻ và đảm bảo rằng
người dân có thể đương đầu và phát huy được sự phát triển của công nghệ AI.
∙ AI có thể thay đổi con người theo những cách không thể đoán trước
Việc tích hợp AI vào phạm vi cá nhân sẽ tạo ra sự gắn bó tình cảm ở con người, đặc biệt liên
quan đến các robot dùng AI có hình dạng người và làm thay đổi hành vi xã hội của con người.
Một số lập luận cho rằng sự khác biệt hành vi giữa máy có AI và máy không sử dụng AI có thể
biện minh cho việc cung cấp robot xã hội với các quyền hợp pháp và việc bảo vệ chúng có thể
sử dụng như một chỉ dẫn cho sự điều chỉnh rộng hơn các hành vi được mong đợi về mặt xã hội.
Một số khác cho rằng mối quan hệ xã hội giữa con người và robot nên được phản ánh trong
bổn phận đạo đức. Nói rộng hơn, việc sử dụng AI cho tất cả các mục đích của con người gây ra
một số vấn đề về đạo đức và triết học xung quanh cuộc sống con người, bao gồm cả khả năng
làm mất tính người của xã hội. Nó đặt ra câu hỏi về vai trò của con người trong một xã hội tăng
cường AI mới và có thể xác định lại cách mọi người sử dụng thời gian của mình, tức là bằng
cách cân đối lại thời gian dành cho công việc và giải trí.
2.2.3. Ứng dụng trí tuệ nhân tạo AI
Trí tuệ nhân tạo đã đi vào một số lĩnh vực đã thâm nhập sâu vào nhiều ứng dụng thực tiện trong xã hội.
AI trong chăm sóc sức khỏe –
Ứng dụng nổi bật của trí tuệ nhân tạo AI là cải thiện sức khỏe của con người và giảm
chi phí. Các bệnh viện đang áp dụng máy để chẩn đoán tốt hơn và nhanh hơn con người. Một
trong những biết công nghệ tốt nhất chăm sóc sức khỏe là IBM Watson. Nó có thể hiểu ngôn
ngữ tự nhiên và có khả năng trả lời các câu hỏi. Hệ thống khai thác dữ liệu bệnh nhân và các
nguồn dữ liệu có sẵn khác để tạo thành một giả thuyết, sau đó đưa ra một lược đồ chấm điểm tin cậy. –
Các ứng dụng AI khác bao gồm chatbot , chương trình máy tính được sử dụng trực
tuyến để trả lời các câu hỏi và hỗ trợ khách hàng, giúp sắp xếp các cuộc hẹn theo dõi hoặc hỗ
trợ bệnh nhân thông qua quy trình thanh toán và trợ lý sức khỏe ảo cung cấp phản hồi y tế cơ bản. lOMoAR cPSD| 22014077 AI trong kinh doanh
– Tự động hóa quá trình robot đang được áp dụng cho các công việc có tính chất lặp đi lặp lại.
– Các thuật toán được tích hợp vào các nền tảng phân tích và CRM để khám phá thông tin về
cách phục vụ khách hàng tốt hơn. 50
– Chatbots đã được kết hợp vào các trang web để cung cấp dịch vụ ngay lập tức cho khách hàng. AI trong giáo dục
AI có thể tự động hóa việc chấm điểm, giúp các giáo viên có thêm thời gian. AI có thể đánh giá
năng lực và quản lý sinh viên. Gia sư AI có thể cung cấp hỗ trợ cho sinh viên, đảm bảo họ hoàn
thành đúng theo giáo trình từ trước. Thậm AI có thể thay thế một số giáo viên. AI trong tài chính
AI được ứng dụng trong lĩnh vực tài chính, các ứng dụng như thu thập dữ liệu cá nhân và cung cấp tư vấn tài chính. AI trong pháp luật
Quá trình khám phá, sàng lọc thông tin tài liệu trong pháp luật thường là công việc dành cho
con người. Tuy nhiên tự động hóa trong quá trình này đang giúp con người sử dụng thời gian hiệu quả hơn. AI trong sản xuất
Đây là một lĩnh vực đã đi đầu trong việc kết hợp robot vào quy trình làm việc. Robot công
nghiệp được sử dụng để thực hiện các nhiệm vụ đơn lẻ và giải phóng sức lao động của con người.
2.3. DỮ LIỆU LỚN (BIG DATA)
2.3.1. Khái niệm dữ liệu lớn (Big Data)
Khái niệm dữ liệu lớn
Dữ liệu lớn thường bao gồm tập hợp dữ liệu với kích thước vượt xa khả năng của các công cụ
phần mềm thông thường để thu thập, hiển thị, quản lý và xử lý dữ liệu trong một thời gian có
thể chấp nhận được. Kích thước dữ liệu lớn là một mục tiêu liên tục thay đổi. Như năm 2012
thì phạm vi một vài chục terabytes tới nhiều petabytes dữ liệu. Dữ liệu lớn yêu cầu một tập các
kỹ thuật và công nghệ được tích hợp theo hình thức mới để khai phá từ tập dữ liệu đa dạng,
phức tạp, và có quy mô lớn. lOMoAR cPSD| 22014077
Dữ liệu lớn (Big data) là một thuật ngữ cho việc xử lý một tập hợp dữ liệu rất lớn và phức tạp
mà các ứng dụng xử lý dữ liệu truyền thống không xử lý được. Dữ liệu lớn bao gồm các thách
thức như phân tích, thu thập, giám sát dữ liệu, tìm kiếm, chia sẻ, lưu trữ, truyền nhận, trực
quan, truy vấn và tính riêng tư. Thuật ngữ này thường chỉ đơn giản đề cập đến việc việc sử
dụng các phân tích dự báo, phân tích hành vi người dùng, hoặc một số
phương pháp phân tích dữ liệu tiên tiến khác trích xuất giá trị từ dữ liệu mà ít khi đề cập đến
kích thước của bộ dữ liệu (Wikipedia.org).
Dữ liệu lớn và quá trình phát triển
Nhiều năm trước, khi dữ liệu lớn trở thành một chủ đề bàn tán sôi nổi (khoảng năm 2005), các
chuyên gia công nghệ đã thảo luận về dữ liệu lớn như một vấn đề mang tính kỹ thuật. Khái
niệm dữ liệu lớn đã xuất hiện khoảng 20 năm trước trong một vài lĩnh vực như 51
thiên văn học và nghiên cứu gen, nơi khối lượng dữ liệu sinh ra có dung lượng rất lớn, vượt
quá khả năng xử lý của các kiến trúc máy tính truyền thống. Thường được tham chiếu tới như
kiến trúc mở rộng theo chiều dọc (scale-up), những hệ thống truyền thống này gồm có một cặp
điều khiển (controller) và hàng loạt tủ rack chứa thiết bị lưu trữ. Để mở rộng, bạn chỉ cần thêm
thiết bị lưu trữ. Khi hệ thống vận hành hết khả năng điều khiển của nó, bạn cần bổ sung cả một
hệ thống mới. Cách làm này vừa tốn kém vừa không đáp ứng được nhu cầu lưu trừ và xử lỷ các
tệp dữ liệu khổng lồ.
Ngược lại, kiến trúc mở rộng theo chiều ngang (scale-out) sử dụng hàng ngàn hoặc hàng chục
ngàn bộ vi xử lý nhằm xử lý dữ liệu song song. Để tăng khả năng xử lý, bạn bổ sung thêm CPU,
bộ nhớ và kết nối, qua đó đảm bảo hiệu suất không suy giảm khi bạn mở rộng. Kết quả mang lại
là cách tiếp cận linh hoạt hơn, ít tốn kém hơn so vói kiến trúc mở rộng theo chiều dọc và rất
phù hợp để xử lý dữ liệu lớn. Bối cảnh đó đã dẫn tới sự ra đời và cải tiến liên tục của một vài
công nghệ phần mềm mới, gồm có Map Reduce và Hadoop, được thiết kế như phần mềm
chuyên biệt đáp ứng nhu cầu khai thác kiến trúc mở rộng theo chiều ngang và xử lý dữ liệu lớn.
Dữ liệu lớn (Big data) xuất hiện chính thức lần đầu tiên như một thuật ngữ vào tháng 10 năm
1997 trong một bài báo của hai nhà nghiên cứu Michael Cox và David Ellsworth đến từ NASA,
xuất bản trong tập kỷ yếu Hội thảo Thị giác máy tính IEEE lần thứ 8. Họ đã viết như sau: “Trực
quan hóa đặt ra một thách thức thú vị cho hệ thống máy tính: các tập dữ
liệu thường có dung lượng khá lớn, làm suy yếu khả năng của bộ nhớ chính, ổ nhớ cục bộ và
ngay cả ổ nhớ ở khoảng cách xa. Chúng tôi gọi vấn đề này là dữ liệu lớn.”33 Vào năm 2013,
thuật ngữ dữ liệu lớn đã lan rộng đến mức Từ điển tiếng Anh Oxford phải khẳng định nó đã đi
vào đời sống văn hóa và quyết định cập nhật thuật ngữ “dữ liệu lớn” vào phiên bản từ điển mới nhất của năm đó. lOMoAR cPSD| 22014077
Trong báo cáo nghiên cứu năm 2001, META Group (bây giờ là Gartner) nhà phân tích Doug
Laney định nghĩa những thách thức và cơ hội tăng dữ liệu như là 3 chiều, tăng giá trị dữ liệu,
tốc độ vào ra của dữ liệu (velocity) và khổ giới hạn của kiểu dữ liệu (variety). Gartner đã cập
nhật định nghĩa như sau: "Dữ liệu lớn là khối lượng lớn, tốc độ cao và/hoặc loại hình thông tin
rất đa dạng mà yêu cầu phương thức xử lý mới để cho phép tăng cường ra quyết định, khám
phá bên trong và xử lý tối ưu". Định nghĩa '3Vs' của Gartner vẫn được sử dụng rộng rãi: Dữ liệu
lớn tiêu biểu cho tập thông tin mà đặc điểm như khối lượng lớn (Volume), tốc độ cao (Velocity)
và đa dạng (Variety) để yêu cầu phương thức phân tích và công nghệ
riêng biệt để biến nó thành có giá trị. Thêm nữa, vài tổ chức đã thêm vào tính xác thực
(Veracity) để mô tả về nó. 3Vs đã được mở rộng để bổ sung đặc tính của dữ liệu lớn.
Big Data được ví như“nguồn dầu mỏ” của CMCN 4.0 tuy nhiên bên cạnh lợi ích không tưởng đó
thì Big Data cũng tạo ra thách thức không nhỏ. Vài năm gần đây, thuật ngữ Big Data (Dữ liệu
lớn) được nhắc đến thường xuyên khi coi là một trong những công nghệ nổi bật của cuộc cách mạng công nghiệp 4.0.
Dữ liệu lớn, an toàn là nguyên liệu của cuộc cách mạng công nghiệp lần thứ tư. Điều làm cho
cuộc cách mạng lần thứ tư khác biệt với tự động hóa và đưa vào áp dụng việc xử lý dữ liệu điện
tử trong những năm 1970 là việc điều khiển quá trình và nhất là lượng dữ liệu 52
khổng lồ (“big data”) được xử lý và các loại dữ liệu khác nhau được kết nối không bị chốt vào
một địa điểm. Ngoài ra, người ta đã xây dựng năng lực để xử lý đánh giá dữ liệu theo thời gian
thực. Các phương pháp xử lý đánh giá mới, như học bằng máy, đóng một vai trò lớn. Qua đó,
dữ liệu đồng thời là nguyên liệu và tiền tệ của Công nghiệp 4.0. “Dữ liệu lớn” sẽ làm thay đổi
đáng kể công nghiệp truyền thống và thúc đẩy công nghiệp hóa 4.0.
Trong việc xử lý, tổng hợp và kết nối các loại dữ liệu khác nhau theo thời gian thực có một tiềm
năng lớn: “Dữ liệu lớn” tạo cho Công nghiệp 4.0 có những khả năng tối ưu hóa rộng lớn và cho
những mô hình kinh doanh hoàn toàn mới có thể đa dạng hóa thêm bằng Internet vạn vật
(IoT). Như vậy, các sản phẩm và máy móc có thể trao đổi ngày càng nhiều thông tin chi tiết về
trạng thái của chúng. Chẳng hạn như thông qua việc xử lý đánh giá dữ liệu có thể dự báo một
cách chính xác hơn nhiều những khả năng các bộ phận máy móc không hoạt động được so với trước đây.
Tuy nhiên cũng có nguy cơ là các doanh nghiệp lớn với nhiều dữ liệu sẽ có một lợi thế kinh tế
quyết định mà các đối thủ cạnh tranh không thể nào đuổi kịp hoặc đối với người ứng dụng
hoặc khách hàng hoàn toàn không minh bạch điều gì xảy ra với dữ liệu của mình. lOMoAR cPSD| 22014077
2.3.2. Đặc điểm của dữ liệu lớn
Dữ liệu lớn tiếp tục phát triển và tiến hóa theo ba phương diện: dung lượng, tốc độ và hình
dạng. Không chỉ các chuyên gia công nghệ và nhà khoa học dữ liệu, mà ngay cả ban lãnh đạo
điều hành trong tổ chức cần hiểu được cách thức từng phương diện này của dữ liệu tạo ra giá
trị như một tài sản kinh doanh.
2.3.2.1. Dung lượng
Dung lượng dữ liệu trên toàn cầu đã tăng theo cấp số nhân trong vòng 25 năm qua, với lượng
dữ liệu sinh ra trong một ngày tăng từ khoảng 2,5 terabyte (2.5 X 1012 byte) năm 1997 lên tới
2.5 exabyte (2.5 X 1018 byte) năm 2018 và sẽ tiếp tục gia tăng trong thời gian tới. Dung lượng
của dữ liệu cũng đang tăng nhanh ở cấp độ doanh nghiệp. Theo IDC, trung bình mỗi doanh
nghiệp năm 2016 lưu trữ gần 350 terabyte du liệu, và các doanh nghiệp cũng ước tính rằng con
số này sẽ tăng 52% trong năm tiếp theo. Các tổ chức hiện nay có thể tiếp cập những tập hợp
dữ liệu với dung lượng ngày càng lớn được sinh ra từ cả bên trong lẫn bên ngoài tổ chức. Đó là
nguồn cung cấp “nhiên liệu” cho các ứng dụng AI tiêu tốn nhiều dữ liệu nhằm tìm ra các đặc
trưng mới và cung cấp những dự báo chính xác hơn cho tổ chức.
2.3.2.2. Tốc độ
Khi thiết bị IoT xuất hiện khắp mọi nơi, dữ liệu sẽ được sinh ra với tốc độ ngày càng lớn. Nếu
dung lượng dữ liệu lớn hơn giúp cải thiện các thuật toán AI, thì việc dữ liệu được sinh ra với
tần suất cao hơn cũng giúp nâng cao hiệu suất của AI. Ví dụ, dữ liệu chuỗi thời gian đọc từ xa
do một động cơ kết xuất ra trong một giây chứa thông tin có giá trị gấp 60 lần so với khi nó
được kết xuất ra trong một phút, và chắc chắn sẽ làm tăng mức độ chính xác trong dự báo của
một ứng dụng bảo trì tiên đoán được hỗ trợ bởi AI.
2.3.2.3. Định dạng
Ngày nay, dữ liệu được sinh ra với muôn hình vạn trạng: hình ảnh, video, thông tin đo 53
từ xa, diễn văn, thông điệp viết tay, tin nhắn dạng ngắn, đồ thị mạng, email, tin nhắn văn bản,
dòng tweets, bình luận trên web, cuộc gọi đến tổng đài, phản hồi để lại trên trang web của
công ty, và nhiều dạng dữ liệu khác nữa. Dữ liệu thường được xếp vào hai dạng thức chính: cấu
trúc và phi cấu trúc. Dữ liệu cấu trúc - như mảng, danh sách, bản ghi, có thể được quản lý hiệu
quả bằng các công cụ truyền thống như bảng quan hệ và bảng tính. Dữ liệu phi cấu trúc (là mô
hình dữ liệu không được định nghĩa sẵn) gồm mọi dạng thức khác như: vãn bản, sách, ghi chép,
phát biểu, email, bản ghi âm, hình ảnh, nội dung xã hội, video, v.v. Phần lớn dữ liệu trên thế
giới của chúng ta, theo ước lượng khoảng bẩy mươi đến chín mươi phần trăm tồn tại ở dạng
phi cấu trúc. Ngày nay, với sự hỗ trợ của ứng dụng trí tuệ nhân tạo, các tổ chức có thể tập hợp