Trí tuệ nhân tạo ai là gì? Các công bố khoa học về Trí tuệ nhân tạo ai
Trí tuệ nhân tạo (AI) là một lĩnh vực của khoa học máy tính, tập trung vào việc phát triển các hệ thống thực hiện các tác vụ đòi hỏi trí tuệ con người như nhận thức, lý luận và học tập. Khởi nguồn từ những năm 1950 với các nhà tiên phong như Alan Turing, AI đã phát triển qua nhiều giai đoạn và lĩnh vực, bao gồm học máy, xử lý ngôn ngữ tự nhiên, thị giác máy tính và hệ thống chuyên gia. AI được ứng dụng rộng rãi trong y tế, giao thông, tài chính và thương mại điện tử. Mặc dù AI đạt nhiều thành tựu, vẫn còn những thách thức về đạo đức và quyền riêng tư. Tương lai của AI đặt trọng tâm vào cải thiện độ tin cậy và tính giải thích của các hệ thống.
Trí Tuệ Nhân Tạo (AI) là gì?
Trí tuệ nhân tạo (AI) là một lĩnh vực khoa học máy tính tập trung vào việc tạo ra các hệ thống có khả năng thực hiện các tác vụ đòi hỏi trí tuệ con người. Các tác vụ này bao gồm nhận thức, lý luận, học tập và tự cải thiện. Mục tiêu của AI là phát triển các hệ thống có thể xử lý thông tin một cách sáng tạo và hợp lý.
Lịch Sử Phát Triển của AI
Lịch sử của trí tuệ nhân tạo có nguồn gốc từ những năm 1950. Trong thời điểm đó, các nhà khoa học như Alan Turing đã tiên đoán về khả năng tạo ra các máy tính thông minh. Cuộc hội thảo Dartmouth vào năm 1956 được coi là điểm khởi đầu chính thức của AI như một lĩnh vực nghiên cứu học thuật. Từ đó, AI đã trải qua nhiều giai đoạn phát triển, từ nghiên cứu lý thuyết cơ bản đến ứng dụng công nghiệp.
Các Lĩnh Vực Chính Trong AI
- Học máy (Machine Learning): Là một nhánh của AI, tập trung vào việc phát triển các thuật toán cho phép máy tính cải thiện hiệu suất thông qua việc học từ dữ liệu.
- Xử lý ngôn ngữ tự nhiên (Natural Language Processing): Nghiên cứu cách máy tính có thể hiểu, phân tích và tạo ra ngôn ngữ con người.
- Thị giác máy tính (Computer Vision): Liên quan đến việc giúp máy tính "nhìn" và diễn giải thông tin từ hình ảnh và video.
- Hệ thống chuyên gia (Expert Systems): Tạo ra các chương trình có khả năng đưa ra quyết định trong các lĩnh vực chuyên môn bằng cách sử dụng kiến thức và kỹ thuật lập luận.
Ứng Dụng của AI
AI đang được ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau:
- Y tế: AI được sử dụng để phân tích hình ảnh y khoa, hỗ trợ chẩn đoán và dự báo bệnh tật.
- Giao thông: Các hệ thống lái xe tự động và tối ưu hóa lưu lượng giao thông ngày càng phổ biến.
- Tài chính: AI giúp phân tích thị trường, quản lý rủi ro và phát hiện gian lận.
- Thương mại điện tử: AI hỗ trợ cá nhân hóa trải nghiệm mua sắm, dự báo nhu cầu và quản lý chuỗi cung ứng.
Những Thách Thức và Tương Lai của AI
Mặc dù AI đã đạt được nhiều thành tựu, nhưng vẫn tồn tại một số thách thức như vấn đề đạo đức, quyền riêng tư và an toàn dữ liệu. Sự tiến bộ của AI cũng đặt ra câu hỏi về tác động đối với công việc và xã hội.
Trong tương lai, AI dự kiến sẽ tiếp tục phát triển mạnh mẽ, đóng vai trò ngày càng quan trọng trong khoa học, công nghiệp và đời sống hằng ngày. Các nghiên cứu đang được đặt trọng tâm vào việc cải thiện tính khả dụng, độ tin cậy và khả năng giải thích của các hệ thống AI.
Danh sách công bố khoa học về chủ đề "trí tuệ nhân tạo ai":
Trí tuệ nhân tạo trong giáo dục: Cơ hội và thách thức đến tương lai của việc dạy và học ở trường đại học
Trí tuệ nhân tạo (Artificial Intelligence - AI) đang bùng nổ và có khả năng làm thay đổi mọi mặt trong đời sống nhân loại. Trong giáo dục, AI đang tạo ra những phương pháp dạy và học mới đang được thử nghiệm trong những điều kiện và ở nhiều quốc gia với trình độ phát triển khác nhau và đạt những mức độ thành công khác nhau. Bài báo này tập trung phân tích cơ hội, thách thức và những tác động trong tương lai của AI đối với việc dạy và học ở các trường đại học thế giới nói chung. (1) Bài báo phân tích những thay đổi tích cực mà AI đem lại cho giáo dục. (2) Những thách thức, khó khăn khi ứng dụng AI vào giáo dục đại học cũng như đề xuất một số giải pháp chủ yếu để khắc phục những khó khăn đó.
#Trí tuệ nhân tạo #giáo dục #đại học #cơ hội #thách thức
NGHIÊN CỨU ĐÁNH GIÁ ĐỘ CHÍNH XÁC CỦA THUẬT TOÁN EFFICIENTNET TRONG PHÁT HIỆN VÀ KHOANH VÙNG POLYP ĐẠI TRÀNG
Tạp chí Y học Việt Nam - Tập 509 Số 1 - 2022
Mục tiêu của nghiên cứu: đánh giá độ chính xác của thuật toán EfficientNet trong phát hiện polyp đại tràng và khảo sát các yếu tố liên quan đến tỷ lệ bỏ sót, nhận nhầm. Phương pháp nghiên cứu: Nghiên cứu mô tả cắt ngang. Thuật toán EfficientNet được kiểm chứng trên tập ảnh tĩnh bao gồm 4000 ảnh (2000 ảnh có polyp với 2111 tổn thương, 2000 ảnh không có polyp) bằng cách so sánh với phần gán nhãn chuẩn của chuyên gia. Độ chính xác được đánh giá bằng độ nhạy (Se), độ đặc hiệu (Sp), giá trị dự báo dương tính (PPV), giá trị dự báo âm tính (NPV). Mô hình hồi quy được sử dụng để khảo sát những yếu tố liên quan đến tỉ lệ bỏ sót và nhận nhầm. Kết quả: Se, PPV, Sp, NPV và độ chính xác lần lượt là 97,60%, 94,44%, 94,25%, 97,52% và 95,93%. Phân tích hồi quy đa biến cho thấy độ sạch, kích thước và số lượng vùng polyp có liên quan tới tỷ lệ bỏ sót, độ sạch và chẩn đoán có liên quan đến tỷ lệ nhận nhầm. Kết luận: Thuật toán EfficientNet có độ chính xác cao, có thể phát triển theo hướng đồng kiểm với bác sĩ nội soi trong quá trình soi và có thể tham gia huấn luyện, đào tạo y khoa với dữ liệu lớn.
#Trí tuệ nhân tạo #EfficientNet #nội soi đại tràng #phát hiện polyp #khoanh vùng polyp
Phương pháp tiếp cận trí tuệ nhân tạo để dự báo độ kim lún và điểm hóa mềm của nhựa đường biến tính graphen oxit
Độ kim lún và điểm hóa mềm là hai chỉ tiêu quan trọng nhất để phân loại mác nhựa đường theo độ kim lún truyền thống. Việc xác định 2 chỉ tiêu này của nhựa đường biến tính graphen oxit (GO) bằng phương pháp thực nghiệm gặp những khó khăn nhất định do giá thành GO cao, thời gian thí nghiệm kéo dài. Mục đích của nghiên cứu này là sử dụng hệ thống suy luận thần kinh mờ thích ứng (ANFIS) kết hợp thuật toán giải thuật di truyền (GA) để dự đoán độ kim lún và điểm hóa mềm của nhựa đường biến tính GO. Hai bộ dữ liệu bao gồm bộ dữ liệu độ kim lún (122 mẫu), bộ dữ liệu điểm hóa mềm (130 mẫu) được thu thập từ 12 nghiên cứu khác nhau với 9 tham số đầu vào, được dùng để xây dựng và kiểm chứng công cụ mô phỏng số. Ngoài ra, nghiên cứu sử dụng kỹ thuật xác thực chéo 10 lần cùng với các tiêu chí thống kê là hệ số tương quan (R) và căn của sai số toàn phương trung bình (RMSE) để đánh giá hiệu suất của các mô hình. Kết quả nghiên cứu cho thấy, đối với bộ dữ liệu độ kim lún, mô hình ANFIS-GA có RMSE = 6.045 (0.1 mm), R = 0.949, mô hình ANFIS có RMSE = 8.492 (0.1 mm), R = 0.893. Đối với bộ dữ liệu hóa mềm, mô hình ANFIS-GA có RMSE = 1.848 (oC), R = 0.991, mô hình ANFIS có RMSE = 13.863 (oC), R = 0.818. Điều này cho thấy, cả hai mô hình ANFIS-GA và ANFIS đều đạt hiệu suất dự đoán tốt và độ chính xác cao. Với RMSE nhỏ hơn và R cao hơn ở cả 2 bộ dữ liệu, mô hình ANFIS-GA được đánh giá là tốt hơn ANFIS. Mô hình này hoàn toàn có thể được áp dụng để giúp các kỹ sư vật liệu tiết kiệm thời gian và chi phí thí nghiệm.
#Hệ thống suy luận thần kinh mờ thích ứng (ANFIS) #giải thuật di truyền (GA) #trí tuệ nhân tạo (AI) #máy học (ML) #độ kim lún #điểm hóa mềm #graphen oxit (GO)
Trí tuệ nhân tạo trong lĩnh vực dầu khí và khả năng ứng dụng tại Việt Nam
Thế kỷ XXI là thế kỷ của thời đại công nghệ số. Sự bùng nổ của công nghệ tự động hóa, phân tích dữ liệu, học máy và trí tuệ nhân tạo (AI) đang dần biến đổi cách sống và làm việc của con người. Trong khi đó, ngành dầu khí đang phải đối mặt với khủng hoảng chưa từng có từ mọi phương diện: suy thoái kinh tế, bất ổn xã hội, giá cả biến động và áp lực về chi phí cũng như nguồn lực. Đặc biệt, vào đầu năm 2020, đại dịch Covid-19 và sự suy giảm của giá dầu thô đã nâng sự cần thiết phải thay đổi và tái cấu trúc ngành dầu khí lên mức báo động.Trong số tất cả những công nghệ đang nở rộ mỗi ngày, các cỗ máy tư duy được hỗ trợ bởi AI được coi là một trong những công cụ hàng đầu để hỗ trợ người sử dụng đưa ra những quyết định chính xác và táo bạo. Theo McKinsey, từ 60 - 90% hoạt động hàng ngày của ngành dầu khí có thể được hỗ trợ bởi AI và học máy [1]. Bài báo này giới thiệu các ứng dụng của AI trong lĩnh vực dầu khí và định hướng ứng dụng AI vào các lĩnh vực của ngành Dầu khí Việt Nam.
#Artificial intelligence #digital technology #machine learning #industry 4.0 #technological application
TỔNG QUAN NGHIÊN CỨU ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG CHẨN ĐOÁN UNG THƯ VÚ BẰNG ẢNH GIẢI PHẪU BỆNH KỸ THUẬT SỐ
Tạp chí Y học Việt Nam - Tập 500 Số 1 - 2021
Ung thư vú là bệnh ung thư phổ biến nhất trên nữ giới và là nguyên nhân gây tử vong hàng đầu do ung thư trên toàn thế giới. Cơ sở chính để điều trị ung thư vú là chẩn đoán mô bệnh học, việc chẩn đoán này quyết định hướng điều trị và tiên lượng bệnh. Những tiến bộ trong trí tuệ nhân tạo (AI) cùng với việc vận dụng giải phẫu bệnh kỹ thuật số đã đưa ra một cách tiếp cận đầy hứa hẹn trong việc chẩn đoán, phân loạiung thư vú, đáp ứng được nhu cầu trong thực tế lâm sàng. Trong bài viết này, chúng tôi tổng quan về ứng dụng AI trong chẩn đoán ung thư vú dựa trên ảnh kỹ thuật số hóa giải phẫu bệnh, đồng thời phác thảo những tiềm năng ứng dụngtại Việt Nam.
#Ung thư vú #trí tuệ nhân tạo #ảnh giải phẫu bệnh
Ứng dụng trí tuệ nhân tạo (AI) trong quản trị chuỗi cung ứng hàng nông sản
Bài báo tập trung nghiên cứu các vấn đề xoay quanh đến hoạt động ứng dụng trí tuệ nhân tạo (AI) vào trong công tác quản trị chuỗi cung ứng hàng nông sản. Nội dung nghiên cứu đề cập đến khái niệm về AI, quy trình trong chuỗi cung ứng nông sản; các ứng dụng của AI trong chuỗi cung ứng nông sản. Đồng thời, nghiên cứu cũng đánh giá được các thách thức, khó khăn trong việc áp dụng AI vào quản trị chuỗi cung ứng nông sản. Đề tài sử dụng phương pháp nghiên cứu định tính thông qua việc tổng hợp, phân tích các dữ liệu thứ cấp từ các nguồn tài liệu trong và ngoài nước. Từ đó đề xuất các khuyến nghị nhằm nâng cao hiệu quả ứng dụng AI như: xây dựng cơ sở hạ tầng về công nghệ thông tin; giải quyết bài toán về chi phí khi áp dụng AI; các vấn đề liên quan đến đào tạo và liên kết giữa các bên liên quan.
#Ai #chuỗi cung ứng nông nghiệp #trí tuệ nhân tạo
Phát triển mô hình trí tuệ nhận tạo mới để tối ưu kế hoạch điều phối xe vận chuyển bê tổng thương phẩm, góp phần giảm thiểu ô nhiễm khí thải
TẠP CHÍ VẬT LIỆU & XÂY DỰNG - Tập 12 Số 05 - 2022
Bài báo này đề xuất một mô hình tối ưu hóa kết hợp thuật toán chuồn chuồn (Dragonfly Algorithm DA) và thuật toán sói xám (Grey Wolf Optimizer GWO). Trong mô hình này, thuật toán DA được sử dụng để cải thiện khả năng tìm kiếm toàn cục của thuật toán GWO. Trái ngược với những thuật toán GWO lai được phát triển trước đây, trong mô hình đề xuất của bài báo này, quá trình tối ưu hóa được dẫn dắt đồng thời bởi GWO và DA. Đầu tiên, quần thể các cá nhân tìm kiếm được chia làm hai nhóm. Mỗi nhóm được dẫn dắt bởi một thuật toán riêng rẽ. Sau đó, các nhóm con này được kết hợp lại thành một nhóm vào cuối mỗi lần lặp. Để xác minh chất lượng giải pháp của mô hình đề xuất, bài báo đã sử dụng một bài toán cụ thể về điều phối lịch trình xe tải vận chuyển bê tông thương phẩm. Kết quả của thuật toán được so sánh với hai thuật toán: thuật toán tối bầy đàn PSO và thuật toán tối ưu kiến sư tử ALO. Kết quả chỉ ra rằng mô hình lai được đề xuất vượt trội hơn PSO và ALO về chất lượng giải pháp, độ ổn định và khả năng tìm kiếm giải pháp tối ưu toàn cục.
#Trí tuệ nhân tạo #Thuật toán tối ưu #Thuật toán sói xám #Thuật toán chuồn chuồn #Điều phối xe bê tông thương phẩm
Một số vấn đề về ứng dụng trí tuệ nhân tạo và thiết bị giám sát công cộng trong phòng ngừa tội gây rối trật tự công cộng và hành vi khác xâm phạm trật tự công cộng
Tạp chí Khoa học Kiểm sát - Tập 4 Số 50 - 2021
Bài viết trình bày những vấn đề cấp thiết và cơ sở khoa học để ứng dụng trí tuệ nhân tạo và giám sát công cộng trong phòng ngừa tội gây rối trật tự công cộng trong giai đoạn hiện nay và tương lai gần; thực trạng các nguồn lực và tình hình ứng dụng trí tuệ nhân tạo và giám sát công cộng trong phòng ngừa tội phạm này. Qua đó, đưa ra giải pháp nhằm triển khai, áp dụng và tăng cường ứng dụng trí tuệ nhân tạo và giám sát công cộng trong phòng ngừa tội gây rối trật tự công cộng tại Việt Nam.
#Giám sát công cộng bằng camera giám sát #phòng ngừa tội phạm #tội gây rối trật tự công cộng #trí tuệ nhân tạo
Ứng dụng trí tuệ nhân tạo trong dự đoán sức chống cắt của đất sau biến dạng
Sau khi bị biến dạng do các tác động như như xói mòn, sạt lở, đất sẽ thay đổi đáng kể sức chống cắt. Do vậy công tác dự báo suy giảm cường độ chống cắt của các lớp đất này từ đó giúp dự đoán được khả năng tái diễn xạt lở mất ổn định với các lớp đất bị biến dạng này là một công tác hết sức cần thiết. Trong bài báo này sẽ ứng dụng trí thông minh nhân tạo mà cụ thể là thuật toán rừng ngẫu nhiên (RF) để dự báo sức chống cắt còn lại của đất sau biến dạng. Để thực hiện việc mô phỏng, 131 dữ liệu thí nghiệm đã được thu thập từ công bố quốc tế. Bộ dữ liệu bao gồm bốn biến đầu vào là giới hạn chảy LL, chỉ số dẻo PI, độ lệch biểu đồ phân loại Casagrande ∆PI, hàm lượng sét CF. Việc đánh giá các mô hình được thực hiện và so sánh trên tập dữ liệu huấn luyện (70% dữ liệu) và tập dữ liệu kiểm chứng (30% dữ liệu còn lại) bằng các tiêu chí là hệ số tương quan Pearson ® và sai số RMSE. Kết quả của nghiên cứu cho thấy mô hình rừng ngẫu nhiên khả thi trong việc xác định sức chống cắt còn lại của đất sau biến dạng của đất với hệ số tương quan cho mô hình huấn luyện là 0.97 và kiểm chứng là 0.78. Đồng thời, mô hình rừng cây ngẫu nhiên có thể chỉ ra tầm quan trọng của từng tính chất của đất đến sức chống cắt còn lại của đất biến dạng, lần lượt theo thứ tự là Giới hạn chảy > Độ lệch biểu đồ phân loại Casagrande ∆PI > Hàm lượng sét > Chỉ số dẻo.
#Trí tuệ nhân tạo (AI) #rừng ngẫu nhiên (RF) #sức chống cắt #góc ma sát #sạt lở.
Tổng số: 42
- 1
- 2
- 3
- 4
- 5