Narrow AI, còn gọi là Trí tuệ nhân tạo yếu (Weak AI), đề cập đến các hệ thống trí tuệ nhân tạo được thiết kế để thực hiện một nhiệm vụ cụ thể và hoạt động trong một tập hợp ràng buộc hạn chế.
Giải thích về Narrow AI
Narrow AI thực hiện các nhiệm vụ cụ thể, như nhận dạng giọng nói hoặc phân tích hình ảnh. Đây là loại AI phổ biến nhất mà chúng ta gặp trong đời sống hằng ngày. Ví dụ gồm có trợ lý giọng nói trên điện thoại như Siri và Google Assistant, các thuật toán gợi ý của Netflix và Amazon, và AI vận hành xe tự hành.
Narrow AI được thiết kế để thực hiện những nhiệm vụ thường đòi hỏi trí tuệ con người, nhưng nó hoạt động trong các ràng buộc hạn chế và theo từng nhiệm vụ. Nó không có sự thấu hiểu hay ý thức; thay vào đó, nó tuân theo các quy tắc được lập trình sẵn hoặc học các mẫu từ dữ liệu. Chẳng hạn, một Narrow AI được thiết kế cho nhận dạng hình ảnh có thể nhận diện đối tượng trong ảnh vì nó đã được huấn luyện trên tập dữ liệu ảnh có gắn nhãn đối tượng, chứ không phải vì nó hiểu “đối tượng” là gì.
Thuật ngữ "Narrow AI" được dùng để phân biệt loại AI này với Trí tuệ nhân tạo tổng quát (Artificial General Intelligence, AGI), còn gọi là Trí tuệ nhân tạo mạnh (Strong AI). AGI đề cập đến loại AI có khả năng hiểu, học và áp dụng tri thức trên nhiều dạng nhiệm vụ, tương tự con người. Ngược lại, Narrow AI được thiết kế cho các nhiệm vụ cụ thể và không có khả năng thực hiện các tác vụ nằm ngoài phạm vi thiết kế.
Narrow AI được sử dụng vì nó có thể thực hiện những nhiệm vụ cụ thể hiệu quả và chính xác hơn con người. Nó có thể làm việc 24/7 không nghỉ, không cần lương, và xử lý lượng dữ liệu lớn nhanh chóng. Điều này đặc biệt hữu ích cho các công việc lặp đi lặp lại, tốn thời gian hoặc nguy hiểm đối với con người.
Ví dụ ứng dụng Narrow AI trong thực tế
Narrow AI được ứng dụng trong nhiều lĩnh vực, ví dụ:
- Trợ lý giọng nói. Siri, Alexa và Google Assistant là các ví dụ về Narrow AI được thiết kế để hiểu và phản hồi lệnh thoại, thực hiện các tác vụ như đặt báo thức, gọi điện và trả lời câu hỏi.
- Hệ thống gợi ý. Các thuật toán gợi ý được sử dụng bởi các nền tảng như Netflix, Amazon và Spotify là ví dụ về Narrow AI. Chúng phân tích hành vi và sở thích của người dùng để đề xuất phim, sản phẩm hoặc bài hát.
- Lọc email. Dịch vụ email như Gmail sử dụng Narrow AI để lọc thư rác và phân loại email đến vào các thư mục khác nhau.
- Dự báo thời tiết. Dự đoán nhiệt độ, lượng mưa và các điều kiện khác dựa trên dữ liệu khí hậu
Những lợi ích của Narrow AI là gì?
Narrow AI mang lại một số lợi thế:
- Hiệu suất. Các hệ thống Narrow AI có thể thực hiện những nhiệm vụ cụ thể hiệu quả và chính xác hơn con người, giảm thời gian và công sức để hoàn thành các nhiệm vụ này.
- Tính sẵn sàng. Không như con người, hệ thống Narrow AI có thể làm việc 24/7 không nghỉ, cung cấp dịch vụ liên tục. Chúng cũng có thể dễ dàng mở rộng hoặc thu hẹp để phù hợp với nhu cầu của một nhiệm vụ cụ thể.
- Giảm lỗi do con người. Bằng cách tự động hóa các tác vụ, Narrow AI có thể giúp giảm khả năng xảy ra lỗi do con người.
- Cải thiện an toàn. Trong một số ngành như sản xuất hoặc vận tải, Narrow AI có thể giúp cải thiện an toàn bằng cách đảm nhận các công việc nguy hiểm hoặc lặp lại có thể gây rủi ro cho người lao động.
Những hạn chế của Narrow AI là gì?
Bất chấp các lợi ích, Narrow AI cũng có những hạn chế:
- Thiếu linh hoạt. Các hệ thống Narrow AI được thiết kế cho các nhiệm vụ cụ thể và không thể thực hiện nhiệm vụ ngoài phạm vi thiết kế. Ví dụ về vấn đề này có thể thấy ở các hệ thống nhận dạng giọng nói. Chúng được thiết kế để nhận biết và chuyển âm lời nói của con người, nhưng có thể gặp khó khăn với các giọng hoặc phương ngữ nằm ngoài phạm vi thiết kế. Chẳng hạn, một hệ thống nhận dạng giọng nói được thiết kế cho tiếng Anh Mỹ có thể khó chuyển âm chính xác giọng Scotland, dẫn đến lỗi phiên âm.
- Phụ thuộc vào dữ liệu. Hiệu năng của các hệ thống Narrow AI phụ thuộc nhiều vào chất lượng và số lượng dữ liệu dùng để huấn luyện. Ví dụ, trong lĩnh vực nhận dạng khuôn mặt, nếu hệ thống AI được huấn luyện trên một tập dữ liệu không đủ đa dạng, nó có thể gặp khó khăn khi nhận diện chính xác khuôn mặt của những người thuộc một số chủng tộc hoặc sắc tộc nhất định. Điều này có thể dẫn đến kết quả thiên lệch hoặc không chính xác, kéo theo hệ quả nghiêm trọng trong các lĩnh vực như thực thi pháp luật và an ninh.
- Thiếu sự thấu hiểu. Các hệ thống Narrow AI không thực sự hiểu các nhiệm vụ chúng thực hiện. Chúng chỉ đơn thuần tuân theo các hướng dẫn được lập trình sẵn hoặc các mẫu đã học từ dữ liệu. Trong lĩnh vực chẩn đoán y khoa, các hệ thống AI có thể được huấn luyện trên các tập dữ liệu lớn về hình ảnh y tế và có thể nhận diện chính xác một số mẫu hoặc bất thường. Tuy nhiên, chúng có thể không thực sự hiểu các cơ chế sinh học nền tảng hoặc bối cảnh lâm sàng đằng sau các mẫu này, điều có thể dẫn đến chẩn đoán sai hoặc khuyến nghị điều trị không phù hợp. Điều này nhấn mạnh tầm quan trọng của việc phát triển và kiểm thử hệ thống AI cùng với các chuyên gia y tế, những người có thể cung cấp bối cảnh cần thiết và diễn giải kết quả.
Tương lai của Narrow AI và các rủi ro
Narrow AI hiện diện ở khắp nơi: trong điện thoại, ô tô và nơi làm việc của chúng ta. Chúng ta ngày càng phụ thuộc vào nó vì nó giúp cuộc sống dễ dàng hơn. Hơn nữa, Narrow AI vẫn đang tiếp tục cải thiện, đưa chúng ta đến ngưỡng của trí tuệ nhân tạo tổng quát.
Tôi phát triển một ứng dụng Narrow AI gần như mỗi tuần cho blog và mục đích nghiên cứu của mình. Mô hình phân loại dữ liệu dạng bảng là mô hình Narrow AI nổi tiếng nhất. Ngoài ra, tôi đã làm việc với mô hình dự báo chuỗi thời gian, phân cụm, thị giác máy tính, xử lý ngôn ngữ tự nhiên và nhận dạng giọng nói. Nếu bạn muốn tìm hiểu thêm về Phân loại trong Học máy, bạn có thể thực hành xây dựng một mô hình Narrow AI.
Các mô hình ngôn ngữ lớn như GPT-3.5 Turbo và GPT-4, vốn am hiểu ngữ cảnh của con người tốt hơn, đã thay đổi môi trường làm việc của chúng ta. Các doanh nghiệp hiện đang tích hợp những công nghệ này vào nơi làm việc, giúp nhân viên làm việc hiệu quả hơn.
Mặc dù Narrow AI có nhiều lợi ích tiềm năng, cũng tồn tại những rủi ro đáng kể liên quan đến thiên lệch, thiếu khả năng giải thích mô hình, độ tin cậy, an toàn và tác động đến việc làm. Đánh giá rủi ro toàn diện và thực hành AI có trách nhiệm sẽ là chìa khóa để giảm thiểu các nguy cơ này khi Narrow AI tiếp tục thâm nhập vào cuộc sống và nơi làm việc của chúng ta.
Những mô hình Narrow AI này hiện đang chuyển sang các hệ thống đa phương thức có thể hiểu và xử lý nhiều loại đầu vào. Điều đó giúp khắc phục những hạn chế cốt lõi của chúng và khiến chúng trở nên thông minh hơn, hữu ích hơn. Tìm hiểu về công nghệ đa phương thức bằng cách đọc Những điều mới nhất về OpenAI, Google AI và ý nghĩa đối với Khoa học dữ liệu.
Bạn muốn tìm hiểu thêm về AI và học máy? Hãy xem các tài nguyên sau:
Câu hỏi thường gặp
Sự khác biệt giữa Narrow AI và Trí tuệ nhân tạo tổng quát (AGI) là gì?
Trong khi Narrow AI được thiết kế để thực hiện các nhiệm vụ cụ thể, AGI đề cập đến các hệ thống AI có khả năng hiểu, học và áp dụng tri thức trên nhiều dạng nhiệm vụ, tương tự con người.
Liệu Narrow AI có thể trở thành AGI không?
Hiện tại thì không. Dù Narrow AI đã có những bước tiến đáng kể, việc phát triển AGI — một AI có năng lực nhận thức rộng tương tự con người — vẫn là một thách thức phức tạp và là chủ đề nghiên cứu đang tiếp diễn.
Một số ví dụ về Narrow AI là gì?
Narrow AI xuất hiện ở khắp nơi trong đời sống hằng ngày của chúng ta. Ví dụ gồm có trợ lý giọng nói như Siri và Alexa, hệ thống gợi ý được Netflix và Amazon sử dụng, và hệ thống lọc email mà Gmail triển khai.
Là một nhà khoa học dữ liệu được chứng nhận, tôi đam mê tận dụng công nghệ tiên tiến để tạo ra các ứng dụng học máy đổi mới. Với nền tảng vững chắc về nhận dạng giọng nói, phân tích và báo cáo dữ liệu, MLOps, AI hội thoại và NLP, tôi đã rèn giũa kỹ năng phát triển các hệ thống thông minh có thể tạo ra tác động thực sự. Bên cạnh chuyên môn kỹ thuật, tôi cũng là một người truyền đạt tốt, có khả năng chắt lọc các khái niệm phức tạp thành ngôn ngữ rõ ràng, súc tích. Nhờ đó, tôi trở thành một blogger được nhiều người quan tâm trong lĩnh vực khoa học dữ liệu, chia sẻ góc nhìn và kinh nghiệm với cộng đồng các chuyên gia dữ liệu ngày càng lớn. Hiện tại, tôi tập trung vào sáng tạo và biên tập nội dung, làm việc với các mô hình ngôn ngữ lớn để phát triển nội dung mạnh mẽ và hấp dẫn, giúp doanh nghiệp và cá nhân tận dụng tối đa dữ liệu của mình.
