[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_h%E1%BB%87%20th%E1%BB%91ng%20th%C3%B4ng%20minh{\"limit\":5}":3,"_public_topic_byId_hệ thống thông minh":11},{"code":4,"data":5,"meta":10},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":8,"vietnamLatest":9},[],[],[],[],null,{"code":4,"data":12,"meta":10},{"id":13,"title":14,"description":15,"content":16,"term":13,"englishTitle":10,"synonyms":10,"definition":10,"discipline":10,"references":10,"faqs":10,"createUser":17,"publishUser":21,"keywords":25,"keywordCount":18,"enrichTopicLink":26,"status":27,"createTime":28,"updateTime":29,"publishTime":30,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":31,"relateTopics":32},"hệ thống thông minh","Hệ thống thông minh là gì? Các bài báo nghiên cứu khoa học","Hệ thống thông minh là hệ thống có khả năng thu nhận dữ liệu, suy luận, học hỏi và tự điều chỉnh hành vi nhằm đạt mục tiêu trong các môi trường vận hành luôn biến đổi. Khác với hệ thống truyền thống, hệ thống thông minh dựa trên mô hình và dữ liệu để ra quyết định linh hoạt, thích nghi theo bối cảnh và mở rộng hiệu quả trong thực tiễn. ","\u003Cdiv>\u003Ch2>Giới thiệu chung về hệ thống thông minh\u003C\u002Fh2>\n\u003Cp>\nHệ thống thông minh (Intelligent Systems) là một hướng nghiên cứu và ứng dụng quan trọng trong khoa học và kỹ thuật hiện đại, tập trung vào việc xây dựng các hệ thống có khả năng xử lý thông tin, ra quyết định và hành động một cách linh hoạt trong môi trường biến đổi. Khác với các hệ thống truyền thống vốn hoạt động dựa trên tập luật cố định, hệ thống thông minh có thể điều chỉnh hành vi dựa trên dữ liệu và kinh nghiệm thu được trong quá trình vận hành.\n\u003C\u002Fp>\n\u003Cp>\nSự phát triển của hệ thống thông minh gắn liền với những tiến bộ trong trí tuệ nhân tạo, khoa học dữ liệu, cảm biến và hạ tầng tính toán. Nhờ sự kết hợp này, các hệ thống không chỉ xử lý dữ liệu ở quy mô lớn mà còn có khả năng phản ứng gần thời gian thực, đáp ứng yêu cầu ngày càng phức tạp của các bài toán thực tiễn.\n\u003C\u002Fp>\n\u003Cp>\nTrong bối cảnh chuyển đổi số, hệ thống thông minh đóng vai trò nền tảng cho nhiều công nghệ then chốt như xe tự hành, nhà máy thông minh và các nền tảng hỗ trợ ra quyết định. Việc hiểu rõ bản chất và cấu trúc của hệ thống thông minh là cơ sở để nghiên cứu, thiết kế và đánh giá các giải pháp công nghệ trong nhiều lĩnh vực khác nhau.\n\u003C\u002Fp>\n\n\u003Ch2>Khái niệm và định nghĩa hệ thống thông minh\u003C\u002Fh2>\n\u003Cp>\nHiện nay, chưa tồn tại một định nghĩa duy nhất được chấp nhận tuyệt đối cho khái niệm hệ thống thông minh. Tuy nhiên, phần lớn các định nghĩa đều thống nhất rằng đây là những hệ thống có khả năng thu nhận thông tin từ môi trường, xử lý thông tin đó bằng các cơ chế suy luận hoặc học tập, và tạo ra hành động phù hợp với mục tiêu đặt ra.\n\u003C\u002Fp>\n\u003Cp>\nMột cách tiếp cận phổ biến xem hệ thống thông minh như một thực thể bao gồm cả phần cứng và phần mềm, trong đó phần mềm đóng vai trò trung tâm trong việc biểu diễn tri thức và điều khiển hành vi. Khả năng thích nghi và cải thiện hiệu suất theo thời gian được coi là yếu tố phân biệt hệ thống thông minh với các hệ thống tự động thông thường.\n\u003C\u002Fp>\n\u003Cp>\nCác yếu tố cốt lõi thường xuất hiện trong định nghĩa hệ thống thông minh có thể được tóm lược như sau:\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Khả năng cảm nhận môi trường thông qua dữ liệu hoặc tín hiệu đầu vào\u003C\u002Fli>\n  \u003Cli>Khả năng xử lý và phân tích thông tin ở nhiều mức độ phức tạp\u003C\u002Fli>\n  \u003Cli>Khả năng ra quyết định dựa trên mục tiêu và bối cảnh\u003C\u002Fli>\n  \u003Cli>Khả năng học hỏi hoặc điều chỉnh hành vi theo thời gian\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Đặc điểm cốt lõi của hệ thống thông minh\u003C\u002Fh2>\n\u003Cp>\nMột trong những đặc điểm quan trọng nhất của hệ thống thông minh là khả năng học. Thông qua các thuật toán học máy hoặc học tăng cường, hệ thống có thể cải thiện hiệu suất mà không cần lập trình lại toàn bộ. Quá trình học này thường dựa trên dữ liệu lịch sử, phản hồi từ môi trường hoặc sự tương tác với người dùng.\n\u003C\u002Fp>\n\u003Cp>\nBên cạnh khả năng học, hệ thống thông minh còn được đặc trưng bởi năng lực suy luận và thích nghi. Suy luận cho phép hệ thống đưa ra kết luận từ những thông tin không đầy đủ, trong khi thích nghi giúp hệ thống điều chỉnh chiến lược khi điều kiện môi trường thay đổi. Hai đặc điểm này đặc biệt quan trọng trong các môi trường không chắc chắn hoặc động.\n\u003C\u002Fp>\n\u003Cp>\nBảng dưới đây minh họa sự khác biệt cơ bản giữa hệ thống truyền thống và hệ thống thông minh:\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Ctbody>\u003Ctr>\n    \u003Cth>Tiêu chí\u003C\u002Fth>\n    \u003Cth>Hệ thống truyền thống\u003C\u002Fth>\n    \u003Cth>Hệ thống thông minh\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Cơ chế hoạt động\u003C\u002Ftd>\n    \u003Ctd>Dựa trên luật cố định\u003C\u002Ftd>\n    \u003Ctd>Dựa trên dữ liệu và mô hình học\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Khả năng thích nghi\u003C\u002Ftd>\n    \u003Ctd>Hạn chế\u003C\u002Ftd>\n    \u003Ctd>Cao\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Xử lý tình huống mới\u003C\u002Ftd>\n    \u003Ctd>Kém linh hoạt\u003C\u002Ftd>\n    \u003Ctd>Linh hoạt và mở rộng\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\n\u003Ch2>Kiến trúc tổng quát của một hệ thống thông minh\u003C\u002Fh2>\n\u003Cp>\nKiến trúc của một hệ thống thông minh thường được thiết kế theo mô hình phân lớp hoặc mô-đun, nhằm đảm bảo tính linh hoạt và khả năng mở rộng. Ở mức khái quát, hệ thống bao gồm các thành phần đảm nhiệm việc thu thập dữ liệu, xử lý thông tin, lưu trữ tri thức và thực thi hành động.\n\u003C\u002Fp>\n\u003Cp>\nMột chu trình hoạt động điển hình của hệ thống thông minh có thể được mô tả theo trình tự: cảm nhận môi trường, phân tích dữ liệu, suy luận hoặc ra quyết định, và cuối cùng là hành động. Chu trình này được lặp lại liên tục, cho phép hệ thống cập nhật trạng thái và phản ứng kịp thời với các thay đổi.\n\u003C\u002Fp>\n\u003Cp>\nCác thành phần chính trong kiến trúc hệ thống thông minh thường bao gồm:\n\u003C\u002Fp>\n\u003Col>\n  \u003Cli>Bộ thu thập dữ liệu: cảm biến, nguồn dữ liệu số hoặc giao diện người dùng\u003C\u002Fli>\n  \u003Cli>Mô-đun xử lý và suy luận: thuật toán phân tích, mô hình học máy\u003C\u002Fli>\n  \u003Cli>Cơ sở tri thức hoặc bộ nhớ: lưu trữ thông tin, mô hình và kinh nghiệm\u003C\u002Fli>\n  \u003Cli>Mô-đun hành động: hệ thống điều khiển, giao tiếp hoặc phản hồi\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>\nViệc tách biệt rõ ràng các mô-đun này giúp hệ thống dễ dàng bảo trì, nâng cấp và tích hợp với các thành phần khác trong hạ tầng công nghệ hiện có.\n\u003C\u002Fp>\n\u003Ch2>Các phương pháp và kỹ thuật nền tảng\u003C\u002Fh2>\n\u003Cp>\nHệ thống thông minh được xây dựng dựa trên nhiều phương pháp và kỹ thuật khác nhau, trong đó trọng tâm là các mô hình toán học và thuật toán tính toán cho phép hệ thống xử lý dữ liệu và đưa ra quyết định. Các phương pháp này không tồn tại độc lập mà thường được kết hợp để giải quyết những bài toán phức tạp trong thực tế.\n\u003C\u002Fp>\n\u003Cp>\nHọc máy là nền tảng phổ biến nhất, bao gồm học giám sát, học không giám sát và học tăng cường. Thông qua quá trình huấn luyện, hệ thống tìm ra mối quan hệ giữa dữ liệu đầu vào và đầu ra, từ đó tổng quát hóa để xử lý các tình huống mới. Mô hình dự đoán cơ bản có thể được biểu diễn như sau:\n\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">\n\\hat{y} = f(x; \\theta)\n\u003C\u002Fscript>\n\u003Cp>\nTrong đó \u003Cscript type=\"math\u002Ftex\">x\u003C\u002Fscript> là dữ liệu đầu vào, \u003Cscript type=\"math\u002Ftex\">\\theta\u003C\u002Fscript> là tập tham số của mô hình, và \u003Cscript type=\"math\u002Ftex\">\\hat{y}\u003C\u002Fscript> là kết quả đầu ra. Việc tối ưu hóa \u003Cscript type=\"math\u002Ftex\">\\theta\u003C\u002Fscript> thường dựa trên hàm mất mát và các thuật toán tối ưu.\n\u003C\u002Fp>\n\u003Cp>\nNgoài học máy, các kỹ thuật như logic mờ, hệ chuyên gia và thuật toán tiến hóa cũng đóng vai trò quan trọng. Logic mờ cho phép biểu diễn tri thức không chính xác, trong khi thuật toán tiến hóa mô phỏng quá trình chọn lọc tự nhiên để tìm nghiệm tối ưu trong không gian lớn.\n\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Học máy và học sâu\u003C\u002Fli>\n  \u003Cli>Logic mờ và suy luận mờ\u003C\u002Fli>\n  \u003Cli>Hệ chuyên gia dựa trên tri thức\u003C\u002Fli>\n  \u003Cli>Thuật toán di truyền và tiến hóa\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Phân loại hệ thống thông minh\u003C\u002Fh2>\n\u003Cp>\nViệc phân loại hệ thống thông minh giúp làm rõ phạm vi ứng dụng và đặc điểm kỹ thuật của từng nhóm hệ thống. Một cách phân loại phổ biến dựa trên mức độ tự chủ của hệ thống, từ các hệ hỗ trợ quyết định cho con người đến các hệ có khả năng hoạt động hoàn toàn độc lập.\n\u003C\u002Fp>\n\u003Cp>\nMột cách tiếp cận khác dựa trên nền tảng kỹ thuật được sử dụng. Các hệ thống dựa trên tri thức nhấn mạnh vào việc mã hóa kiến thức chuyên gia, trong khi các hệ thống dựa trên dữ liệu tập trung vào khả năng học từ tập dữ liệu lớn. Sự khác biệt này ảnh hưởng trực tiếp đến cách thiết kế và triển khai hệ thống.\n\u003C\u002Fp>\n\u003Cp>\nBảng sau trình bày một số cách phân loại tiêu biểu:\n\u003C\u002Fp>\n\u003Ctable border=\"1\" cellpadding=\"6\" cellspacing=\"0\">\n  \u003Ctbody>\u003Ctr>\n    \u003Cth>Tiêu chí phân loại\u003C\u002Fth>\n    \u003Cth>Nhóm hệ thống\u003C\u002Fth>\n    \u003Cth>Đặc điểm chính\u003C\u002Fth>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Mức độ tự chủ\u003C\u002Ftd>\n    \u003Ctd>Hỗ trợ quyết định\u003C\u002Ftd>\n    \u003Ctd>Con người giữ vai trò trung tâm\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Mức độ tự chủ\u003C\u002Ftd>\n    \u003Ctd>Tự động hoàn toàn\u003C\u002Ftd>\n    \u003Ctd>Hệ thống tự đưa ra và thực thi quyết định\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Nền tảng kỹ thuật\u003C\u002Ftd>\n    \u003Ctd>Dựa trên tri thức\u003C\u002Ftd>\n    \u003Ctd>Sử dụng luật và cơ sở tri thức\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Nền tảng kỹ thuật\u003C\u002Ftd>\n    \u003Ctd>Dựa trên dữ liệu\u003C\u002Ftd>\n    \u003Ctd>Sử dụng mô hình học máy\u003C\u002Ftd>\n  \u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\n\u003Ch2>Ứng dụng thực tiễn của hệ thống thông minh\u003C\u002Fh2>\n\u003Cp>\nHệ thống thông minh hiện diện trong nhiều lĩnh vực của đời sống và sản xuất. Trong y tế, các hệ thống hỗ trợ chẩn đoán và phân tích hình ảnh y khoa giúp bác sĩ phát hiện bệnh sớm và chính xác hơn. Nhiều nghiên cứu và dự án ứng dụng được công bố bởi các tổ chức uy tín như \n\u003Ca href=\"https:\u002F\u002Fwww.nih.gov\" target=\"_blank\" rel=\"noopener\">National Institutes of Health\u003C\u002Fa>.\n\u003C\u002Fp>\n\u003Cp>\nTrong lĩnh vực giao thông, hệ thống thông minh được sử dụng để tối ưu hóa luồng xe, quản lý tín hiệu giao thông và phát triển xe tự hành. Các thuật toán học tăng cường và thị giác máy tính đóng vai trò quan trọng trong việc giúp phương tiện nhận biết và phản ứng với môi trường xung quanh.\n\u003C\u002Fp>\n\u003Cp>\nNgoài ra, trong công nghiệp và tài chính, hệ thống thông minh hỗ trợ dự báo nhu cầu, phát hiện gian lận và tối ưu hóa quy trình sản xuất. Các báo cáo từ \n\u003Ca href=\"https:\u002F\u002Fwww.mckinsey.com\" target=\"_blank\" rel=\"noopener\">McKinsey & Company\u003C\u002Fa> \ncho thấy việc áp dụng các hệ thống này có thể cải thiện đáng kể hiệu suất và giảm chi phí vận hành.\n\u003C\u002Fp>\n\n\u003Ch2>Thách thức và hạn chế\u003C\u002Fh2>\n\u003Cp>\nMặc dù mang lại nhiều lợi ích, hệ thống thông minh vẫn tồn tại không ít hạn chế. Một trong những vấn đề nổi bật là tính minh bạch của mô hình, đặc biệt đối với các mô hình học sâu có cấu trúc phức tạp. Việc giải thích cách hệ thống đưa ra quyết định vẫn là thách thức lớn đối với cộng đồng nghiên cứu.\n\u003C\u002Fp>\n\u003Cp>\nBên cạnh đó, độ tin cậy và an toàn của hệ thống trong môi trường thực tế cũng là mối quan tâm đáng kể. Các hệ thống thông minh có thể hoạt động kém hiệu quả khi gặp dữ liệu ngoài phân phối huấn luyện hoặc khi môi trường thay đổi đột ngột.\n\u003C\u002Fp>\n\u003Cp>\nCác vấn đề đạo đức và pháp lý, như quyền riêng tư dữ liệu và trách nhiệm khi hệ thống gây ra sai sót, ngày càng được thảo luận rộng rãi. Nhiều khuyến nghị và khung pháp lý đang được xây dựng bởi các tổ chức như \n\u003Ca href=\"https:\u002F\u002Fwww.oecd.org\" target=\"_blank\" rel=\"noopener\">OECD\u003C\u002Fa>.\n\u003C\u002Fp>\n\n\u003Ch2>Xu hướng nghiên cứu và phát triển trong tương lai\u003C\u002Fh2>\n\u003Cp>\nXu hướng nghiên cứu hiện nay tập trung vào việc phát triển các hệ thống thông minh có khả năng giải thích được, nhằm tăng mức độ tin cậy và chấp nhận của người dùng. Các mô hình giải thích được giúp con người hiểu rõ hơn mối liên hệ giữa dữ liệu đầu vào và quyết định của hệ thống.\n\u003C\u002Fp>\n\u003Cp>\nNgoài ra, học liên tục và học liên kết đang trở thành hướng nghiên cứu quan trọng, cho phép hệ thống học từ nhiều nguồn dữ liệu phân tán mà không cần tập trung dữ liệu về một nơi. Điều này góp phần giảm rủi ro về quyền riêng tư và tăng khả năng mở rộng.\n\u003C\u002Fp>\n\u003Cp>\nTheo các báo cáo khoa học và hội nghị chuyên ngành của \n\u003Ca href=\"https:\u002F\u002Fwww.ieee.org\" target=\"_blank\" rel=\"noopener\">IEEE\u003C\u002Fa>, hệ thống thông minh trong tương lai sẽ ngày càng nhấn mạnh vào sự hợp tác giữa con người và máy móc, thay vì thay thế hoàn toàn vai trò của con người.\n\u003C\u002Fp>\n\n\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\n\u003Cul>\n  \u003Cli>\n    Russell, S., & Norvig, P. (2021). \u003Ci>Artificial Intelligence: A Modern Approach\u003C\u002Fi>. Pearson.\n  \u003C\u002Fli>\n  \u003Cli>\n    Goodfellow, I., Bengio, Y., & Courville, A. (2016). \u003Ci>Deep Learning\u003C\u002Fi>. MIT Press. \n    \u003Ca href=\"https:\u002F\u002Fwww.deeplearningbook.org\" target=\"_blank\" rel=\"noopener\">https:\u002F\u002Fwww.deeplearningbook.org\u003C\u002Fa>\n  \u003C\u002Fli>\n  \u003Cli>\n    OECD (2023). \u003Ci>Artificial Intelligence and Responsible Innovation\u003C\u002Fi>. \n    \u003Ca href=\"https:\u002F\u002Fwww.oecd.org\u002Fsti\u002Fartificial-intelligence\u002F\" target=\"_blank\" rel=\"noopener\">https:\u002F\u002Fwww.oecd.org\u002Fsti\u002Fartificial-intelligence\u002F\u003C\u002Fa>\n  \u003C\u002Fli>\n  \u003Cli>\n    IEEE Computational Intelligence Society. \n    \u003Ca href=\"https:\u002F\u002Fcis.ieee.org\" target=\"_blank\" rel=\"noopener\">https:\u002F\u002Fcis.ieee.org\u003C\u002Fa>\n  \u003C\u002Fli>\n\u003C\u002Ful>\n\u003C\u002Fdiv>",{"id":18,"researcherId":10,"name":19,"imageUrl":20},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":22,"researcherId":10,"name":23,"imageUrl":24},2889,"Lê Xuân Niên","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLuyWIkhyP2W5E59cKwN7ciI2nbjMGUpXO9rVQquC826ujzkqhU=s96-c",[13],false,"PUBLISHED","2025-12-01T11:29:22.144+00:00","2026-01-13T10:44:29.971+00:00","2026-01-13T10:44:29.758+00:00",75,[33,36,39,42,52,62,65,71,76,81],{"id":34,"title":35,"term":34,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"tưới tiêu","Tưới tiêu là gì? Các bài báo nghiên cứu khoa học liên quan",{"id":37,"title":38,"term":37,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"lí thuyết ngữ vực","Lí thuyết ngữ vực là gì? Các công bố về Lí thuyết ngữ vực",{"id":40,"title":41,"term":40,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"cá nhân hóa","Cá nhân hóa là gì? Các bài nghiên cứu khoa học liên quan",{"id":43,"title":44,"term":43,"englishTitle":45,"definition":46,"discipline":47,"disciplineCode":48,"disciplineLabel":49,"disciplineColor":50,"disciplineIcon":51},"robot","Robot là gì? Cấu trúc, phân loại và ứng dụng tự động hóa","Robot","Robot là một cỗ máy hoặc hệ thống cơ điện tử có khả năng tự động hóa, được lập trình để thực hiện một chuỗi các hành động hoặc thao tác vật lý phức tạp, có khả năng cảm nhận môi trường thông qua các cảm biến và đưa ra quyết định chấp hành thích ứng.","ENGINEERING_TECHNOLOGY","engineering-technology","Kỹ thuật và công nghệ","#5B62F4","cpu",{"id":53,"title":54,"term":53,"englishTitle":55,"definition":56,"discipline":57,"disciplineCode":58,"disciplineLabel":59,"disciplineColor":60,"disciplineIcon":61},"điều kiện cần và đủ","Điều kiện cần và đủ là gì? Các bài báo nghiên cứu khoa học","dieu kien can va du","khái niệm và đối tượng nghiên cứu cơ bản trong khoa học nông nghiệp, phản ánh các đặc trưng bản chất, cơ chế vận hành và các quy luật tương tác hệ thống trong thực tiễn.","AGRICULTURAL_SCIENCES","agricultural-sciences","Khoa học nông nghiệp","#2F9E44","sprout",{"id":63,"title":64,"term":63,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"khai thác văn bản","Khai thác văn bản là gì? Các nghiên cứu khoa học liên quan",{"id":66,"title":67,"term":68,"englishTitle":69,"definition":70,"discipline":47,"disciplineCode":48,"disciplineLabel":49,"disciplineColor":50,"disciplineIcon":51},"tái tạo hình ảnh","Tái tạo hình ảnh là gì? Ý nghĩa và ứng dụng chuyên sâu","Tái tạo hình ảnh","Image reconstruction","Tái tạo hình ảnh là quá trình tính toán nghịch đảo toán học để khôi phục hoặc tạo lập một hình ảnh số 2D hoặc mô hình 3D phản ánh cấu trúc bên trong của một đối tượng từ một tập hợp các phép đo chiếu hoặc tín hiệu thu nhận gián tiếp từ bên ngoài (như trong chụp cắt lớp vi tính CT, cộng hưởng từ MRI và chụp cắt lớp phát xạ positron PET).",{"id":72,"title":73,"term":72,"englishTitle":74,"definition":75,"discipline":47,"disciplineCode":48,"disciplineLabel":49,"disciplineColor":50,"disciplineIcon":51},"lập trình di truyền","Lập trình di truyền là gì? Các bài báo nghiên cứu khoa học","Genetic programming (GP)","Lập trình di truyền (genetic programming - GP) là một nhánh của kỹ thuật tính toán tiến hóa và trí tuệ nhân tạo, trong đó các chương trình máy tính được tự động tối ưu hóa và tiến hóa dựa trên các nguyên lý chọn lọc tự nhiên của Darwin.",{"id":77,"title":78,"term":77,"englishTitle":79,"definition":80,"discipline":47,"disciplineCode":48,"disciplineLabel":49,"disciplineColor":50,"disciplineIcon":51},"công nghệ sản xuất","Công nghệ sản xuất là gì? Định nghĩa và cơ chế","Manufacturing technology \u002F Production technology","Công nghệ sản xuất là hệ thống tích hợp các nguyên lý kỹ thuật, trang thiết bị, thuật toán điều khiển và quy trình công nghiệp nhằm biến đổi nguyên liệu đầu vào thành sản phẩm có giá trị sử dụng cao với hiệu suất tối ưu.",{"id":82,"title":83,"term":84,"englishTitle":85,"definition":86,"discipline":47,"disciplineCode":48,"disciplineLabel":49,"disciplineColor":50,"disciplineIcon":51},"công nghệ số","Công nghệ số là gì? Các công bố khoa học về Công nghệ số","Công nghệ số","Digital technology","Công nghệ số là tập hợp các công cụ điện tử, hệ thống phần cứng, phần mềm và mạng truyền thông vận hành dựa trên việc mã hóa, lưu trữ, xử lý và truyền tải thông tin dưới dạng các chuỗi tín hiệu nhị phân (bit 0 và 1)."]