Trí tuệ nhân tạo là gì? Các công bố khoa học về Trí tuệ nhân tạo

Học máy (Machine learning) nghiên cứu vấn đề làm thế nào để xây dựng các hệ thống máy tính tự động cải thiện qua kinh nghiệm. Đây là một trong những lĩnh vực kỹ thuật phát triển nhanh chóng hiện nay, nằm tại giao điểm của khoa học máy tính và thống kê, và là cốt lõi của trí tuệ nhân tạo và khoa học dữ liệu. Tiến bộ gần đây trong học máy được thúc đẩy bởi sự phát triển của các thuật toán và lý thuyết học mới cùng với sự bùng nổ liên tục trong việc sẵn có dữ liệu trực tuyến và khả năng tính toán chi phí thấp. Việc áp dụng các phương pháp học máy dựa trên dữ liệu đã xuất hiện trong khoa học, công nghệ và thương mại, dẫn đến việc ra quyết định dựa trên bằng chứng trong nhiều lĩnh vực cuộc sống, bao gồm chăm sóc sức khỏe, sản xuất, giáo dục, mô hình tài chính, cảnh sát và tiếp thị.

Những lỗ hổng mới nổi đòi hỏi các cuộc thảo luận mới

Trí tuệ nhân tạo (AI) là sự phát triển của các hệ thống máy tính có khả năng thực hiện các nhiệm vụ thông thường đòi hỏi trí thông minh của con người. Sự tiến bộ trong phần mềm và phần cứng AI, đặc biệt là các thuật toán học sâu và các bộ xử lý đồ họa (GPU) hỗ trợ quá trình đào tạo của chúng, đã dẫn đến sự quan tâm ngày càng tăng về ứng dụng AI trong y tế. Trong chẩn đoán lâm sàng, các phương pháp tầm nhìn máy tính dựa trên AI đang chuẩn bị cách mạng hóa chẩn đoán dựa trên hình ảnh, trong khi những loại AI khác cũng đã cho thấy tiềm năng tương tự trong các phương pháp chẩn đoán khác nhau. Trong một số lĩnh vực, chẳng hạn như gen lâm sàng, một loại thuật toán AI đặc biệt gọi là học sâu được sử dụng để xử lý các tập dữ liệu gen lớn và phức tạp. Trong bài tổng quan này, chúng tôi đầu tiên tóm tắt các loại vấn đề chính mà các hệ thống AI có thể giải quyết hiệu quả và mô tả những nhiệm vụ chẩn đoán lâm sàng được hưởng lợi từ các giải pháp này. Tiếp theo, chúng tôi tập trung vào các phương pháp mới đang nổi lên cho các nhiệm vụ cụ thể trong gen lâm sàng, bao gồm xác định biến thể, chú thích bộ gen và phân loại biến thể, cũng như sự tương ứng giữa kiểu hình và kiểu gen. Cuối cùng, chúng tôi kết thúc bằng một cuộc thảo luận về tiềm năng tương lai của AI trong ứng dụng y học cá thể hóa, đặc biệt là cho dự đoán rủi ro trong các bệnh phức tạp phổ biến, cùng với các thách thức, hạn chế và thành kiến cần được giải quyết cẩn thận để triển khai thành công AI trong ứng dụng y tế, đặc biệt là những ứng dụng sử dụng dữ liệu di truyền và gen của con người.

Các vụ cháy rừng có ảnh hưởng quan trọng đến môi trường và đời sống của chúng ta. Khả năng dự đoán chính xác diện tích có thể bị ảnh hưởng trong một sự kiện cháy rừng có thể giúp tối ưu hóa các nỗ lực quản lý cháy. Với sự phức tạp của nhiệm vụ này, cần có các công cụ tính toán mạnh mẽ để dự đoán diện tích sẽ bị cháy trong một vụ cháy rừng. Mục đích của nghiên cứu này là phát triển một hệ thống thông minh dựa trên lập trình di truyền để dự đoán các khu vực bị cháy, chỉ sử dụng dữ liệu liên quan đến rừng đang phân tích và dữ liệu khí tượng. Chúng tôi đã sử dụng lập trình di truyền hình học dựa trên các toán tử hình học đã được định nghĩa gần đây cho lập trình di truyền. Kết quả thí nghiệm, đạt được bằng cách sử dụng cơ sở dữ liệu của 517 sự kiện cháy rừng từ năm 2000 đến 2003, đã cho thấy tính thích hợp của hệ thống đã đề xuất trong việc dự đoán các khu vực bị cháy. Cụ thể, các kết quả đạt được với lập trình di truyền hình học tốt hơn đáng kể so với những gì được tạo ra bởi lập trình di truyền tiêu chuẩn và các phương pháp học máy tiên tiến khác trên cả dữ liệu huấn luyện và dữ liệu ngoài mẫu. Nghiên cứu này cho thấy việc điều tra sâu hơn về lập trình di truyền trong lĩnh vực dự đoán cháy rừng có thể mang lại hiệu quả cao.

Trí tuệ nhân tạo (AI) và robot dự kiến sẽ có ảnh hưởng đáng kể trong dài hạn đối với giáo dục đại học. Phạm vi của ảnh hưởng này rất khó nắm bắt phần nào vì tài liệu nghiên cứu thường bị phân mảnh, cũng như ý nghĩa thay đổi của chính các khái niệm đó. Tuy nhiên, những phát triển này bao quanh bởi nhiều tranh cãi liên quan đến việc những gì là khả thi về mặt kỹ thuật, những gì thực tế để triển khai, và những gì là mong muốn từ góc độ sư phạm hay vì lợi ích của xã hội. Các câu chuyện thiết kế tưởng tượng sinh động về các kịch bản tương lai liên quan đến AI hoặc robot đang sử dụng cung cấp một phương tiện để giải thích và đặt câu hỏi về các khả năng công nghệ. Bài báo mô tả việc sử dụng một cuộc tổng hợp tài liệu rộng rãi để phát triển tám câu chuyện thiết kế như vậy nhằm nắm bắt phạm vi sử dụng tiềm năng của AI và robot trong học tập, quản lý và nghiên cứu. Chúng khuyến khích thảo luận rộng rãi bằng cách khởi xướng các vấn đề như cách chúng có thể hỗ trợ việc giảng dạy các kỹ năng cao hay thay đổi vai trò của nhân viên, cũng như khám phá tác động đến khả năng hành động của con người và bản chất của việc số hóa dữ liệu.

Trí tuệ nhân tạo là một trong những công nghệ chính để phát triển cuộc cách mạng công nghiệp lần thứ tư. Công nghệ này cũng có tác động đáng kể đến các chuyên gia phần mềm, những người luôn nỗ lực đạt được phát triển phần mềm chất lượng cao bằng cách sửa các loại lỗi phần mềm khác nhau. Trong quá trình phát triển và bảo trì phần mềm, lỗi phần mềm là yếu tố chính có thể ảnh hưởng đến chi phí và thời gian giao hàng phần mềm. Để sửa lỗi phần mềm một cách hiệu quả, các kho lưu trữ lỗi mở được sử dụng để nhận diện các báo cáo lỗi và phân loại, ưu tiên các báo cáo được giao cho các nhà phát triển phần mềm phù hợp nhất dựa trên mức độ quan tâm và chuyên môn của họ. Do thiếu tài nguyên như thời gian và nhân lực, quá trình phân loại báo cáo lỗi này cực kỳ quan trọng trong phát triển phần mềm. Để cải thiện hiệu suất phân loại báo cáo lỗi, nhiều nghiên cứu đã tập trung vào việc sử dụng phân phối Dirichlet tiềm ẩn (LDA) kết hợp với k láng giềng gần nhất hoặc máy vector hỗ trợ. Mặc dù các phương pháp hiện có đã cải thiện độ chính xác của phân loại lỗi, nhưng chúng thường gây ra xung đột giữa các kỹ thuật kết hợp và tạo ra kết quả phân loại sai. Trong nghiên cứu này, chúng tôi đề xuất một phương pháp để cải thiện hiệu suất phân loại báo cáo lỗi bằng cách sử dụng nhiều tập chủ đề dựa trên LDA thông qua việc cải thiện LDA. Phương pháp đề xuất cải thiện các tập chủ đề hiện có của LDA bằng cách xây dựng hai tập chủ đề phụ. Trong thí nghiệm của chúng tôi, chúng tôi đã thu thập báo cáo lỗi từ một hệ thống theo dõi lỗi phổ biến, Bugzilla, cũng như báo cáo lỗi Android, để đánh giá phương pháp đề xuất và chứng minh việc đạt được hai mục tiêu sau: tăng độ chính xác của phân loại báo cáo lỗi và đảm bảo tính tương thích với các phương pháp hiện đại khác.

Trí tuệ nhân tạo (AI) không chỉ đang làm thay đổi các ngành công nghiệp và doanh nghiệp, đặc biệt là những doanh nghiệp đã chậm trễ trong việc tiếp thu, mà còn có tác động đáng kể đến đời sống công cộng. Điều này đòi hỏi các cơ quan chính phủ phải chú ý đến ý kiến và cảm xúc của công chúng về AI. Tuy nhiên, có rất ít kiến thức về những yếu tố tác động đến nhận thức của công chúng về AI. Bài báo này chính là để lấp đầy khoảng trống này. Với phương pháp nghiên cứu, nghiên cứu tiến hành một cuộc khảo sát về nhận thức công cộng trực tuyến với cư dân của Sydney, Melbourne và Brisbane, và khám phá dữ liệu khảo sát thu thập được thông qua phân tích thống kê. Phân tích cho thấy: (a) công chúng lo ngại về việc AI xâm phạm quyền riêng tư của họ, nhưng không quá lo lắng về việc AI trở nên thông minh hơn con người; (b) công chúng tin tưởng vào AI trong phong cách sống của họ, nhưng mức độ tin cậy thấp hơn đối với các công ty và chính phủ triển khai AI; (c) công chúng đánh giá cao những lợi ích của AI trong các dịch vụ đô thị và quản lý thiên tai; (d) tùy thuộc vào bối cảnh địa phương, nhận thức của công chúng có sự khác biệt; và (e) những yếu tố tác động đến nhận thức công cộng bao gồm giới tính, độ tuổi, kiến thức về AI và kinh nghiệm với AI. Những phát hiện này sẽ hỗ trợ các cơ quan chức năng trong việc phát triển các chính sách nhằm giảm thiểu lo ngại của công chúng và tối đa hóa sự nhận thức về AI.