Câu hỏi ôn tập thi cuối kỳ môn Trí tuệ nhân tạo K30-2026

Là khả năng của hệ thống máy tính có thể mô phỏng các quá trình suy nghĩ và học tập của con người.

Là một hệ thống phần cứng siêu mạnh có thể thay thế hoàn toàn bộ não con người trong mọi việc.

Là các chương trình máy tính được lập trình sẵn để thực hiện các phép tính số học phức tạp.

Là khả năng lưu trữ vô hạn các dữ liệu từ internet vào bộ nhớ cục bộ.

Chỉ có khả năng thực hiện một nhiệm vụ cụ thể hoặc một nhóm nhiệm vụ nhất định.

Có khả năng tư duy và học tập mọi lĩnh vực như con người.

Có trí thông minh vượt xa khả năng của bộ não con người.

Có khả năng tự nhận thức về sự tồn tại của chính nó.

Machine Learning (Học máy).

Computer Vision (Thị giác máy tính).

Robotics (Rô-bốt học).

Expert Systems (Hệ chuyên gia).

Hàm ước lượng chi phí từ trạng thái hiện tại n đến trạng thái đích.

Hàm ước lượng chi phí từ trạng thái hiện tại n đến trạng đầu tiên.

Tổng chi phí của toàn bộ hành trình sau khi đã hoàn thành.

Một giá trị ngẫu nhiên để quyết định hướng đi tiếp theo.

Luôn chọn lựa chọn tốt nhất tại thời điểm hiện tại mà không xét đến tương lai.

Luôn duyệt qua tất cả các phương án có thể trước khi ra quyết định.

Quay lui (Backtracking) để tìm lại đường đi tốt hơn nếu gặp bế tắc.

Luôn đảm bảo tìm ra lời giải tối ưu toàn cục cho mọi bài toán.

Hỗ trợ phân tích lượng lớn dữ liệu hình ảnh để phát hiện mầm bệnh sớm.

Thay thế hoàn toàn vai trò và trách nhiệm pháp lý của bác sĩ.

Tự động thực hiện mọi ca phẫu thuật mà không cần sự giám sát.

Loại bỏ hoàn toàn khả năng chẩn đoán sai trong mọi trường hợp.

Định kiến (Bias) trong dữ liệu đầu vào dẫn đến kết quả thiếu công bằng.

Tốc độ xử lý của máy tính ngày càng nhanh hơn con người.

Khả năng lưu trữ dữ liệu của hệ thống AI là quá lớn.

Việc AI có thể hoạt động liên tục 24/7 mà không cần nghỉ ngơi.

Khả năng hiểu, thông dịch và tạo ra ngôn ngữ của con người.

Khả năng di chuyển và tương tác vật lý với môi trường xung quanh.

Khả năng nhận diện vật thể thông qua camera và cảm biến.

Khả năng mô phỏng cấu trúc phần cứng của não bộ.

Thực hiện hành động dựa trên một cấu trúc thứ tự hợp lý của không gian khảo sát nhằm nhanh chóng đạt được một lời giải tốt.

Lấy tiêu chuẩn tối ưu của bài toán làm tiêu chuẩn lựa chọn hành động cho phạm vi cục bộ của từng bước thực hiện.

Giới hạn lại không gian tìm kiếm hoặc thực hiện một kiểu dò tìm đặc biệt để duyệt qua toàn bộ các trạng thái.

Đánh giá thô giá trị trạng thái hiện tại của bài toán tại mỗi bước giải để lựa chọn đường đi có chi phí thấp nhất.

AI hẹp chỉ thực hiện tối ưu một nhiệm vụ cụ thể, trong khi AI tổng quát sở hữu năng lực tư duy đa năng như con người

AI hẹp luôn đạt tốc độ xử lý nhanh hơn trong mọi bài toán, trong khi AI tổng quát đòi hỏi thời gian tính toán lâu hơn.

AI hẹp vận hành tự do không cần dữ liệu đầu vào, trong khi AI tổng quát phụ thuộc hoàn toàn vào dữ liệu huấn luyện.

AI hẹp là định hướng công nghệ trong tương lai, trong khi AI tổng quát là giải pháp đã được áp dụng phổ biến hiện tại.

Xác suất thống kê và đại số tuyến tính.

Văn học cổ điển và ngôn ngữ học so sánh.

Địa chất học và thăm dò khoáng sản.

Nghệ thuật hội họa và thiết kế đồ họa.

Luôn đưa ra lựa chọn tốt nhất tại mỗi bước cục bộ.

Luôn xem xét tất cả các khả năng có thể xảy ra trong tương lai.

Có khả năng quay lui (backtracking) để sửa lỗi ở các bước trước.

Luôn đảm bảo tìm được đường đi ngắn nhất trong mọi loại đồ thị.

Nút có khoảng cách trực tiếp từ nút hiện tại là nhỏ nhất.

Nút có khoảng cách từ nút hiện tại đến đích là lớn nhất.

Nút được chọn ngẫu nhiên để tăng tính đa dạng.

Nút có thứ tự bảng chữ cái đứng đầu tiên.

Tối ưu hóa thời gian hoàn thành công việc hoặc sử dụng nguồn lực.

Tăng số lượng nhân sự tham gia vào một công đoạn duy nhất.

Kéo dài thời gian thực hiện để đảm bảo chất lượng tuyệt đối.

Sắp xếp các công việc theo ý muốn ngẫu nhiên của người quản lý.

Tri thức là kết quả của việc tổ chức, phân tích thông tin để rút ra các quy luật và cách ứng xử.

Dữ liệu và tri thức là hai khái niệm hoàn toàn giống nhau và có thể thay thế cho nhau.

Tri thức là các tệp tin thô chưa qua xử lý, còn dữ liệu là thông tin đã được in ra giấy.

Thông tin là cấp độ cao nhất, bao trùm cả dữ liệu và tri thức trong mọi hệ thống AI.

Duyệt theo chuỗi: Nút 1, Nút 2, Nút 5 rồi dừng lại và thông báo lỗi không tìm thấy đường đi do gặp nhánh cụt X

Duyệt theo chuỗi: Nút 1, Nút 2, Nút 5, Nút 6, Nút 10, Nút 13, Nút 15 và đạt Goal thành công.

Duyệt theo chuỗi: Nút 1, Nút 2, Nút 6, Nút 10, Nút 12, Nút 13, Nút 15 và đạt Goal thành công.

Duyệt theo chuỗi: Nút 1, Nút 2, Nút 5, Nút 6, Nút 12, Nút 13, Nút 15 và đạt Goal thành công.

Cạnh có trọng số nhỏ nhất nối từ nút hiện tại đến một nút kề chưa thăm.

Cạnh có trọng số lớn nhất để nhanh chóng kết thúc hành trình.

Một cạnh ngẫu nhiên bất kỳ để đảm bảo tính khách quan của thuật toán.

Cạnh dẫn về nút xuất phát để kiểm tra lại các bước đã đi.

Sắp xếp các công việc theo một tiêu chí nhất định để tối ưu hóa thời gian hoàn thành hoặc giảm thời gian chờ.

Đảm bảo rằng tất cả các công việc đều được bắt đầu vào cùng một thời điểm.

Chia nhỏ một công việc duy nhất cho tất cả các máy tính có trong hệ thống.

Xóa bỏ các công việc có thời gian thực hiện quá dài để tiết kiệm chi phí.

Duyệt theo chuỗi: Nút 1, Nút 2, Nút 6, Nút 10, Nút 12, Nút 13, Nút 15 và đạt Goal thành công.

Duyệt theo chuỗi: Nút 1, Nút 2, Nút 5, Nút 6, Nút 10, Nút 13, Nút 15 và đạt Goal thành công.

Duyệt theo chuỗi: Nút 1, Nút 2, Nút 6, Nút 10, Nút 13, Nút 15 và đạt Goal thành công.

Duyệt theo chuỗi: Nút 1, Nút 2, Nút 6, Nút 10, Nút 12, Nút 15 và đạt Goal thành công.

Hành trình 1 - 2 - 5 - 3 - 4 - 1 với tổng chi phí bằng 14

Hành trình 1 - 3 - 4 - 5 - 2 - 1 với tổng chi phí bằng 11

Hành trình 1 - 2 - 3 - 4 - 5 - 1 với tổng chi phí bằng 12

Hành trình 1 - 2 - 4 - 3 - 5 - 1 với tổng chi phí bằng 15

Đường đi S - B - C - D - E - G với tổng chi phí bằng 46

Đường đi S - A - C - D - E - G với tổng chi phí bằng 51.

Đường đi S - A - C - D - E - G với tổng chi phí bằng 47.

Đường đi S - B - C - D - E - G với tổng chi phí bằng 42.

Không cần nhìn lại các bước đã qua và không cần tính toán các bước xa hơn ở tương lai.

Luôn luôn tìm ra được đường đi ngắn nhất tuyệt đối trong mọi sơ đồ đường xá.

Yêu cầu phải duyệt qua toàn bộ các đường đi có thể có trước khi chọn bước đầu tiên.

Phải sử dụng các hàm toán học phức tạp như tích phân và đạo hàm để ra quyết định.

Là phương pháp biểu diễn tri thức phản ánh cách tư duy dạng logic nguyên nhân – kết quả theo mô hình Nếu... thì...

Là kỹ thuật tìm kiếm không gian trạng thái nhằm mở rộng tất cả các đỉnh kề nhau trước khi đi xuống các tầng sâu hơn.

Là hàm ước lượng chi phí giúp đánh giá độ triển vọng của một trạng thái dựa trên thông tin bổ sung từ bài toán.

Là mô hình mạng đồ thị mô tả mối quan hệ phụ thuộc xác suất giữa các biến ngẫu nhiên trong không gian tri thức.

Là chương trình máy tính thông minh sử dụng tri thức và các thủ tục suy diễn để giải quyết bài toán phức tạp đòi hỏi trình độ của chuyên gia con người.

Là hệ thống mô phỏng cấu trúc mạng thần kinh sinh học nhằm tự động trích xuất các đặc trưng dữ liệu phức tạp mà không cần quy tắc lập trình sẵn.

Là giải thuật tối ưu hóa dựa trên cơ chế tiến hóa tự nhiên nhằm tìm kiếm giải pháp gần đúng cho các bài toán có không gian tìm kiếm kích thước lớn.

Là mô hình học máy tập trung vào việc dự báo các chuỗi dữ liệu thời gian thông qua cơ chế lan truyền ngược và điều chỉnh trọng số liên tục

Ưu tiên chọn ngay phương án có chi phí trước mắt nhỏ nhất tại bước hiện tại mà không tính đến ảnh hưởng lâu dài.

Cố gắng chiếm dụng tối đa tài nguyên vi xử lý và bộ nhớ hệ thống nhằm nâng cao tốc độ thực thi của thuật toán.

Tự động bỏ qua và từ chối xử lý tất cả các bước di chuyển giữa hai đỉnh kề nhau có chi phí thực hiện bằng 0.

Yêu cầu người dùng phải chủ động nhập thêm thông tin dữ liệu không gian tìm kiếm tại mỗi bước chuyển trạng thái.

A -> B -> C (Tổng chi phí là 3).

A -> C -> B (Tổng chi phí là 6).

A -> B -> A (Tổng chi phí là 4).

C -> B -> A (Tổng chi phí là 3).

Đối sánh các sự thật trong bộ nhớ làm việc với các luật trong cơ sở tri thức để rút ra kết luận mới.

Lưu trữ toàn bộ các luật suy diễn và dữ liệu thực nghiệm do chuyên gia con người cung cấp ban đầu.

Chuyển đổi ngôn ngữ tự nhiên của người dùng thành cấu trúc truy vấn để cập nhật vào cơ sở dữ liệu.

Thu thập và tổng hợp thông tin từ các hệ thống cảm biến bên ngoài để giải thích hành vi hệ thống.

Lưu trữ toàn bộ các khái niệm, sự kiện, luật sinh IF-THEN và mối quan hệ giữa chúng do chuyên gia cung cấp.

Thực hiện quá trình đối sánh các quy tắc với dữ liệu thực tế để rút ra các kết luận mới cho bài toán.

Tiếp nhận câu hỏi từ người dùng và hiển thị quy trình giải thích các bước suy luận của hệ thống.

Quản lý bộ nhớ tạm thời nhằm lưu giữ các kết quả trung gian trong suốt quá trình hệ thống đang vận hành.

Có thể xếp công việc đó vào nhóm đầu hoặc nhóm cuối đều không làm mất tính tối ưu.

Bắt buộc phải loại bỏ công việc này khỏi danh sách thực hiện để tránh xung đột.

Phải ưu tiên thực hiện công việc này ở giữa danh sách các công việc khác.

Phải chia công việc này làm hai phần bằng nhau để chạy đồng thời trên 2 máy.

Bị rơi vào vòng lặp vô tận hoặc dừng lại tại nhánh cụt do chỉ chọn tối ưu cục bộ mà không có cơ chế lưu trữ để quay lui.

Không thể khởi chạy do số lượng các đỉnh trên đồ thị vượt quá khả năng xử lý của hàng đợi ưu tiên trong bộ nhớ làm việc.

Tự động chuyển sang thuật toán tìm kiếm theo chiều sâu khi phát hiện giá trị hàm ước lượng heuristic tại đỉnh hiện tại bằng 0.

Tìm ra đường đi đến đích nhưng chi phí thời gian tính toán lớn hơn nhiều so với thuật toán vét cạn toàn bộ không gian trạng thái.

Số lượng các trạng thái đã được tạo ra

Hàm đánh giá để xác định nút tốt nhất

Độ sâu của nút trong cây tìm kiếm

Thứ tự sinh các trạng thái ban đầu

Các trạng thái đã được kiểm tra xong

Các trạng thái đã sinh nhưng chưa xét

Các trạng thái đã bị loại bỏ khỏi cây

Các trạng thái không thể mở rộng thêm

Lưu trạng thái đã xét để tránh lặp lại

Lưu các trạng thái chưa được sinh ra

Lưu các trạng thái có chi phí nhỏ nhất

Lưu các trạng thái gần với đích nhất

Chi phí thực tế tích lũy khi di chuyển từ trạng thái bắt đầu đến trạng thái hiện tại.

Chi phí ước lượng heuristic khi di chuyển từ trạng thái hiện tại đến trạng thái đích.

Chi phí ước lượng trung bình của toàn bộ hành trình tính từ đỉnh gốc đến đỉnh đích.

Chi phí thực tế cần thiết để di chuyển trực tiếp từ trạng thái hiện tại sang trạng thái kế tiếp.

Chi phí ước lượng heuristic khi di chuyển từ trạng thái hiện tại đến trạng thái đích.

Chi phí thực tế tích lũy khi di chuyển từ trạng thái bắt đầu đến trạng thái hiện tại.

Chi phí thực tế tối thiểu cần có để di chuyển từ trạng thái hiện tại về đến trạng thái gốc.

Chi phí thực tế lớn nhất có thể phát sinh trên toàn bộ đường đi từ đầu đến cuối.

Giá trị g của trạng thái

Giá trị h của trạng thái

Giá trị f của trạng thái

Giá trị cạnh nối hai trạng thái

R4, R7

R4, R6, R7

R5, R6

R5, R6, R7

59

64

220

284

g=10, h=204,f=214

g=10, h=104,f=114

g=204, h=10,f=214

g=104, h=10,f=114

g=29, h=300,f=329

g=29, h=200,f=229

g=300, h=29,f=329

g=200, h=29,f=229

Trạng thái K

Trạng thái E

Trạng thái C

Trạng thái F

Trạng thái D

Trạng thái K

Trạng thái C

Trạng thái F

A-K-E-F

A-D-E-F

A-C-F

A-C-D-F

h=119

h=114

h=59

h=229

f = 59

f = 64

f = 247

f = 243

f(n) = g(n) - h(n)

f(n) = g(n) + h(n)

f(n) = g(n) * h(n)

f(n) = h(n) - g(n)

Bệnh nhân được chẩn đoán mắc bệnh Cúm

Bệnh nhân được chẩn đoán mắc bệnh Viêm họng cấp

Bệnh nhân được chẩn đoán mắc bệnh Cúm A

Bệnh nhân chỉ dừng ở mức Viêm đường hô hấp

= Tập node đã xét

Tập node chưa xét

Tập node bị loại

Tập node đích

)= Node chưa duyệt

Node đã duyệt

Node đích

Node nguồn

= Thêm Tk vào tập OPEN để chờ xét ở các bước tiếp theo.

Thêm Tk trực tiếp vào tập CLOSE vì đã hoàn thành phát triển.

Bỏ qua đỉnh Tk và tiếp tục xét các đỉnh con còn lại.

Dừng thuật toán và thông báo không tìm thấy đường đi.

Tri thức ít hơn thông tin, thông tin nhiều hơn dữ liệu

Tri thức nhiều hơn thông tin, thông tin ít hơn dữ liệu

Tri thức nhiều hơn thông tin, thông tin nhiều hơn dữ liệu

Tri thức ít hơn thông tin, thông tin ít hơn dữ liệu

Tự động thu thập và làm sạch dữ liệu thô trước khi đưa vào mô hình huấn luyện.

Tối ưu hóa dung lượng lưu trữ phần cứng và tăng tốc độ xử lý của bộ vi xử lý.

Mã hóa dữ liệu đầu vào thành các ma trận số thực để máy tính thực hiện suy diễn.

Định lượng hiệu năng và đo lường độ chính xác để so sánh chất lượng giữa các mô hình.

Nhân ma trận A với ma trận đơn vị I cùng kích thước để làm tăng mức độ tương phản của toàn bộ điểm ảnh.

Cộng ma trận A với ma trận chuyển vị của ma trận A nhằm cân bằng lại phân bố màu sắc trên bề mặt bức ảnh.

Nhân ma trận A với một hằng số vô hướng c (c > 1 làm ảnh sáng hơn, 0 < c < 1 làm ảnh tối đi).

Nhân ma trận A với ma trận nghịch đảo của ma trận A để tự động làm mờ các vùng nhiễu tần số cao của bức ảnh.

Đưa dữ liệu về khoảng [0, 1] giúp thuật toán tối ưu hội tụ nhanh hơn và tránh lệch trọng số.

Làm tăng số lượng chiều đặc trưng nhằm giúp mô hình học được các quan hệ phi tuyến phức tạp.

Tự động loại bỏ hoàn toàn các giá trị nhiễu ngoại lệ (Outliers) xuất hiện trong tập dữ liệu đầu vào.

Chuyển đổi bài toán hồi quy giá trị liên tục thành bài toán phân loại nhị phân giữa các căn nhà.

1 luật

2 luật

3 luật

4 luật

Mỗi khi tiếp nhận sự kiện từ môi trường, thủ tục suy diễn sẽ đối sánh sự kiện đó với cơ sở tri thức để rút ra kết luận hoặc hành động phù hợp.

Mỗi khi tiếp nhận sự kiện từ môi trường, thủ tục suy diễn sẽ lưu trữ trực tiếp sự kiện vào bộ nhớ mà không thực hiện liên kết với cơ sở tri thức.

Khi tiếp nhận thông tin mới, thủ tục suy diễn sẽ thực hiện kích hoạt toàn bộ các luật trong cơ sở tri thức mà không cần căn cứ vào sự kiện đầu vào.

Thủ tục suy diễn chỉ đóng vai trò truyền tải tín hiệu điều khiển ra môi trường bên ngoài mà không tham gia vào quá trình phân tích tri thức.

Chỉ chứa dữ liệu số, không chứa luật

Là nơi lưu các chương trình dịch của hệ thống

Có thể chứa sự kiện, luật và các quan hệ cần cho suy luận

Không liên quan đến bộ suy diễn

Tri thức miền ứng dụng được mô tả dưới dạng các đỉnh và cạnh của biểu đồ mạng ngữ nghĩa.

Tri thức miền ứng dụng tự nhiên có cấu trúc dạng quy tắc điều kiện – kết luận (IF – THEN).

Tri thức miền ứng dụng bao gồm chủ yếu là các tệp dữ liệu đa phương tiện như hình ảnh và âm thanh.

Tri thức miền ứng dụng tĩnh chỉ yêu cầu tra cứu dữ liệu trực tiếp mà không cần qua quy trình suy diễn.

Tất cả đều đúng.

Làm việc tốt khi bài toán có bản chất là đi thu thập thông tin rồi thấy điều cần suy diễn.

Cho ra khối lượng lớn các thông tin từ một số thông tin ban đầu. Nó sinh ra nhiều thông tin mới.

Suy diễn tiến là tiếp cận lý tưởng đối với các loại bài toán cần giải quyết các nhiệm vụ như lập kế hoạch, điều hành, điều khiển và diễn dịch.

Phù hợp với bài toán đưa ra giả thuyết và liệu giả thuyết đó có đúng hay không.

Khi suy diễn một điều gì từ thông tin đã biết , nó chỉ tìm trên một phần của cơ sở tri thức thích đáng đối với bài toán đang xét.

Tập trung vào đích đã cho. Nó tạo ra một loạt câu hỏi chỉ liên quan đến vấn đề đang xét, thuận tiện đối với người dùng.

Tất cả đều đúng.

Chỉ cần A đúng

Chỉ cần B đúng

A hoặc B đúng

Cả A và B đều đúng

Bộ thu nhận tri thức

Bộ giải thích

Giao diện người dùng

Bộ nhớ ngoài

Nếu bình X rỗng, bình Y rỗng thì đổ đầy nước vào 2 bình

Nếu bình X đầy thì đổ hết nước trong bình X đi

Nếu bình Y rỗng thì đổ đầy nước vào bình Y

Nếu bình X không đầy và bình Y không rỗng thì đổ nước từ bình Y sang bình X cho đến khi bình X đầy hoặc bình Y rỗng

Khoảng 16,1%, do tỷ lệ dương tính giả trong nhóm khỏe mạnh áp đảo nhóm bệnh.

Khoảng 95%, do đây là độ chính xác ghi trên quy trình xét nghiệm của thiết bị.

Khoảng 50%, do kết quả dương tính chia đều cơ hội giữa mắc bệnh và khỏe mạnh.

Khoảng 90%, do đã trừ đi tỷ lệ sai số dương tính giả của thiết bị xét nghiệm.

Một phương pháp biểu diễn luôn tối ưu cho mọi bài toán

Chỉ logic vị từ mới biểu diễn được tri thức

Việc chọn cách biểu diễn phụ thuộc loại tri thức và mục tiêu suy diễn

Mạng ngữ nghĩa luôn tốt hơn luật dẫn

Chỉ suy ra C

Suy ra C, D, E và G

Chỉ suy ra D và E

Không suy ra được G

Suy diễn tiến hoàn toàn

Suy diễn lùi hướng mục tiêu

Tìm kiếm ngẫu nhiên

Mạng ngữ nghĩa thuần túy

Tối ưu hóa giao diện người dùng nhằm nâng cao trải nghiệm tương tác trực quan.

Mở rộng tối đa dung lượng bộ nhớ lưu trữ vật lý của hệ thống máy tính.

Hoàn thiện cơ sở tri thức giúp hệ thống duy trì độ chính xác và suy luận đúng.

Loại bỏ hoàn toàn vai trò tham gia của chuyên gia con người trong tương lai.

Tối ưu hóa tốc độ xử lý phần cứng và giải phóng dung lượng bộ nhớ lưu trữ tạm thời của máy tính.

Tự động hóa quá trình thu thập dữ liệu thô từ môi trường xung quanh mà không cần qua tiền xử lý.

Mã hóa toàn bộ chương trình thành ngôn ngữ máy nhị phân nhằm nâng cao tính bảo mật cho hệ thống.

Chuyển đổi tri thức thực tế thành cấu trúc dữ liệu thích hợp để máy tính lưu trữ và suy diễn logic.

Khối lượng dữ liệu nhiều hơn thông tin, khối lượng thông tin nhiều hơn tri thức

Khối lượng dữ liệu ít hơn thông tin, khối lượng thông tin ít hơn tri thức.

Khối lượng dữ liệu nhiều hơn thông tin, khối lượng thông tin ít hơn tri thức.

Khối lượng dữ liệu ít hơn thông tin, khối lượng thông tin nhiều hơn tri thức.

Tri thức mô tả các bước tiến hành hay quy trình cụ thể để hoàn thành công việc.

Tri thức dùng để khẳng định một sự kiện hay khái niệm trong phạm vi xác định.

Tri thức đúc rút từ kinh nghiệm thực tiễn giúp rút ngắn thời gian giải bài toán.

Tri thức có vai trò điều khiển và định hướng việc truy xuất các tri thức khác.

Tri thức mô tả đặc điểm cấu tạo, thuộc tính và trạng thái nhận biết của một đối tượng cụ thể.

Tri thức mô tả cấu trúc trí tuệ tổng quát và mô hình tư duy chuyên gia về một lĩnh vực.

Tri thức diễn tả khái niệm về tri thức, hỗ trợ định hướng và chọn lọc tri thức thích hợp nhất.

Tri thức diễn tả quy trình xử lý, các bước thực hiện và phương pháp giải quyết một bài toán.

Tri thức thể hiện đặc điểm cấu tạo, thuộc tính nhận biết và trạng thái của một đối tượng hay sự kiện.

Tri thức diễn tả chi tiết quy trình xử lý, các bước thực hiện và phương pháp để giải quyết một bài toán.

Tri thức mô tả cấu trúc trí tuệ tổng quát cùng mô hình tư duy của chuyên gia về một lĩnh vực cụ thể.

Tri thức diễn tả khái niệm về tri thức, hỗ trợ định hướng và chọn lọc tri thức thích hợp nhất để sử dụng.

Tri thức thể hiện đặc điểm cấu tạo, thuộc tính nhận biết và trạng thái của một đối tượng hay sự kiện cụ thể.

Tri thức diễn tả thông tin về tri thức, giúp tìm kiếm và truy xuất tri thức thích hợp để giải quyết bài toán.

Tri thức mô tả cấu trúc trí tuệ tổng quát cùng mô hình tư duy của chuyên gia về một lĩnh vực xác định.

Tri thức diễn tả chi tiết quy trình xử lý, các bước thực hiện và phương pháp để giải quyết một bài toán.

Tri thức thể hiện đặc điểm cấu tạo, thuộc tính nhận biết và trạng thái của một đối tượng hay sự kiện cụ thể.

Tri thức diễn tả thông tin về tri thức, giúp định hướng và truy xuất tri thức thích hợp để giải quyết bài toán.

Tri thức mang tính ước lượng, phỏng đoán và được đúc rút chủ yếu từ kinh nghiệm thực tiễn.

Tri thức diễn tả chi tiết quy trình xử lý, các bước thực hiện và phương pháp để giải quyết một bài toán.

Số giờ học và Điểm thi môn AI có mối tương quan thuận rất mạnh với nhau.

Số giờ học và Điểm thi môn AI có mối tương quan nghịch rất mạnh với nhau.

Số giờ học là nguyên nhân trực tiếp và duy nhất quyết định Điểm thi môn AI.

Số giờ học và Điểm thi môn AI hoàn toàn độc lập và không có liên hệ với nhau.

Hai ma trận phải có cùng kích thước (cùng số hàng và cùng số cột).

Hai ma trận phải là ma trận vuông có số hàng bằng số cột.

Số cột của ma trận A phải bằng đúng số hàng của ma trận B.

Định thức của cả hai ma trận A và B đều phải khác giá trị 0.

A

B

C

D

Loại suy diễn để rút ra một kết luận tổng quát từ một tập các sự kiện đã liệt kê trước.

Loại suy diễn để đưa ra kết luận thì dựa vào thông tin đã biết. Các thông tin đã biết có quan hệ với nhau.

Loại suy diễn để rút ra một kết luận tổng quát từ một tập các sự kiện đã liệt kê trước.

Loại suy diễn có vẻ hợp lý từ các sự kiện và thông tin đã biết. Với suy diễn giả định thì câu kết luận có thể đúng cũng có thể không đúng.

Là quá trình suy luận ngược xuất phát từ một số sự kiện ban đầu, TB tìm kiếm các sự kiện đã sinh ra sự kiện này.

Loại suy diễn để đưa ra kết luận thì dựa vào thông tin đã biết. Các thông tin đã biết có quan hệ với nhau.

Loại suy diễn có vẻ hợp lý từ các sự kiện và thông tin đã biết. Với suy diễn giả định thì câu kết luận có thể đúng cũng có thể không đúng.

Loại suy diễn để rút ra một kết luận tổng quát từ một tập các sự kiện đã liệt kê trước.

Đại số tuyến tính, xác suất, thống kê, giải tích và tối ưu hóa

Hình học, số học, logic và đại số Boolean

Đại số tuyến tính, vật lý, hóa học và thống kê

Xác suất, lập trình, mạng máy tính và tối ưu hóa

Lưu trữ chương trình máy tính

Biểu diễn dữ liệu dưới dạng các giá trị số

Tạo kết nối mạng

Mã hóa mật khẩu

2

3

6

7

[170, 22, 65]

[65, 170, 22]

[170, 65, 22]

[22, 65, 170]

Tăng ngẫu nhiên độ tương phản của ma trận ảnh để làm mờ đi các đặc trưng đường nét khuôn mặt.

Kích thước hóa và chuẩn hóa ma trận ảnh khuôn mặt về một quy chuẩn chung cố định.

Chuyển đổi toàn bộ ma trận ảnh màu RGB sang ma trận nhị phân chỉ bao gồm hai giá trị 0 và 1.

Nhân ma trận ảnh với một hằng số cực lớn để phóng to tối đa số lượng điểm ảnh khu vực nền.

Tối ưu hóa tốc độ tính toán phần cứng và giải phóng dung lượng bộ nhớ lưu trữ của máy tính.

Chuyển đổi toàn bộ thuật toán tìm kiếm heuristic thành các hàm toán học tuyến tính đơn giản.

Biểu diễn và xử lý tính không chắc chắn do dữ liệu nhiễu hoặc thông tin không hoàn hảo.

Đảm bảo mã nguồn chương trình AI không xuất hiện các lỗi cú pháp trong quá trình thực thi.

Một hàm số

Một ma trận

Một xác suất

Một biểu đồ

Một đặc trưng

Một mẫu dữ liệu

Một phép tính

Một mô hình AI

Một đặc trưng

Một mẫu dữ liệu

Một kết quả dự đoán

Một mô hình

Cung cấp các công cụ toán học để rút ra quy luật, ước lượng tham số và đánh giá độ tin cậy của mô hình.

Tự động chuyển đổi các dữ liệu dạng văn bản thô thành mã máy nhị phân mà không cần qua tiền xử lý.

Tối ưu hóa hạ tầng phần cứng giúp tăng tốc độ đọc ghi dữ liệu trên các thiết bị lưu trữ tạm thời.

Đảm bảo tính bảo mật tuyệt đối cho dữ liệu đầu vào thông qua các thuật toán mã hóa hóa đối xứng.

Dữ liệu hình ảnh số và hệ thống trọng số mạng nơ-ron, nhưng không biểu diễn được tập dữ liệu.

Bảng dữ liệu tập huấn luyện và hệ thống trọng số mạng nơ-ron, nhưng không biểu diễn được ảnh số.

Dữ liệu hình ảnh số và bảng dữ liệu tập huấn luyện, nhưng không biểu diễn được trọng số mạng nơ-ron.

Dữ liệu hình ảnh số, bảng dữ liệu tập huấn luyện và hệ thống trọng số của mạng nơ-ron.

Lưu trữ nguyên vẹn dữ liệu thô vào bộ nhớ tạm thời và thực hiện tìm kiếm truy xuất đối sánh chính xác.

Tự động quét sạch các thành phần dữ liệu nhiễu mà không cần thiết lập các bước tiền xử lý trung gian.

Chuyển đổi toàn bộ câu lệnh và dữ liệu văn bản thô thành các quy tắc logic IF-THEN cứng cố định.

Trích xuất đặc trưng, chuyển đổi dữ liệu thành các dạng biểu diễn số học và áp dụng thuật toán tính toán.

Chuyển đổi trực tiếp toàn bộ dữ liệu văn bản thành các quy tắc logic cứng định sẵn không có sai số.

Định lượng tính không chắc chắn và hỗ trợ mô hình ra quyết định tối ưu dựa trên dữ liệu không hoàn hảo.

Tối ưu hóa dung lượng lưu trữ phần cứng và tăng tốc độ xử lý của bộ vi xử lý trên máy tính.

Đảm bảo mã nguồn thuật toán không phát sinh lỗi cú pháp trong quá trình biên dịch và chạy chương trình.

Email chắc chắn là Spam

Email chắc chắn không phải Spam

Mô hình ước lượng xác suất email là Spam bằng 92%

Có 92 email Spam

Khẳng định tuyệt đối bệnh nhân chắc chắn bị viêm phổi và tiến hành điều trị ngay mà không cần kiểm tra thêm.

Bỏ qua hoàn toàn kết quả của AI vì xác suất chưa đạt mức 100% nên không có giá trị tham khảo trong y khoa.

Kết hợp xác suất 85% với các triệu chứng lâm sàng và xét nghiệm khác để đưa ra kết luận chẩn đoán cuối cùng.

Yêu cầu hệ thống AI tự động kê đơn thuốc điều trị trực tiếp cho bệnh nhân dựa trên mức xác suất 85%.

Phép thu phóng và thay đổi kích thước ma trận hình ảnh số trong thuật toán nội suy điểm ảnh.

Kỹ thuật nén dữ liệu thô không mất thông tin để giảm dung lượng lưu trữ trên đĩa cứng.

Thuật toán phân loại văn bản và lọc thư rác dựa trên mô hình Bayes

Thuật toán sắp xếp thứ tự các phần tử trong mảng dữ liệu một chiều theo giá trị tăng dần.

Cập nhật xác suất giả thuyết khi thu thập thêm bằng chứng hoặc dữ liệu thực nghiệm mới.

Tự động nén dung lượng bộ nhớ và tăng tốc độ tính toán ma trận điểm ảnh trên GPU.

Chuyển đổi trực tiếp các bài toán phân loại phi tuyến tính thành dạng bài toán tuyến tính.

Đảm bảo mã nguồn thuật toán không phát sinh các ngoại lệ hay lỗi cú pháp khi thực thi.

Xác suất email đó là thư rác tăng lên do phản ánh các đặc trưng phổ biến của email quảng cáo.

Xác suất email đó là thư quan trọng tăng lên vì chứa các thông tin mang lại giá trị thiết thực.

Khả năng hệ thống bị lỗi cú pháp lập trình tăng lên do phát hiện ra các ký tự tiếng Việt có dấu.

Khả năng dung lượng lưu trữ của máy chủ bị quá tải tăng lên do hệ thống phải tự động xóa bỏ email.

Đo mức độ phân tán của dữ liệu

Đếm số lượng dữ liệu

Mã hóa dữ liệu

Phân loại văn bản

Spam Email

Chatbot

Phát hiện gian lận ngân hàng

Thiết kế giao diện website

Quá trình tìm kiếm, ghi nhận và tập hợp các nguồn thông tin phù hợp để phục vụ huấn luyện mô hình.

Quá trình tự động làm sạch, loại bỏ các giá trị nhiễu và điền các giá trị còn thiếu trong bảng dữ liệu.

Quá trình nén kích thước các tệp tin chứa dữ liệu nhằm tiết kiệm dung lượng đĩa cứng của hệ thống.

Quá trình mã hóa các chuỗi văn bản tự nhiên thành ma trận các số thực để máy tính thực hiện suy diễn.

7.5

8.0

7.0

9.5

7.5

8.0

7.0

9.5

7.5

8.0

7.0

9.5

Đo mức độ phân tán của dữ liệu

Đếm số lượng dữ liệu

Mã hóa dữ liệu

Phân loại văn bản

Điểm số của học viên lớp B có mức độ phân tán rộng hơn so với lớp A.

Học viên lớp B chắc chắn có kết quả học tập tốt hơn học viên lớp A.

Sĩ số học viên của lớp A chắc chắn lớn hơn sĩ số học viên của lớp B.

Phân bố điểm số của học viên ở hai lớp hoàn toàn tương đồng nhau.

120

130

140

5200

Mô hình bị khuynh hướng ưu tiên dự đoán lớp đa số để tối đa hóa độ chính xác tổng thể mà bỏ qua lớp số ít.

Mô hình tự động xóa bỏ toàn bộ các tham số trọng số làm giảm dung lượng bộ nhớ trong quá trình huấn luyện.

Mô hình không thể chuyển đổi các đặc trưng dạng số thành dạng ma trận đại số tuyến tính để tính toán.

Mô hình bị phát sinh các lỗi cú pháp lập trình do không đọc được các nhãn dữ liệu của lớp số ít.

80%

90%

92,5%

95%

Tỷ lệ dự đoán đúng của mô hình

Tỷ lệ dự đoán sai của mô hình

Sai số giữa giá trị thực và dự đoán

Xác suất của dữ liệu đầu vào

Đo lường mức độ sai lệch giữa giá trị thực tế và giá trị dự đoán của mô hình.

Đo lường số lượng các đặc trưng đầu vào có trong tập dữ liệu huấn luyện.

Đo lường tổng số lượng mẫu dữ liệu hiện có trong tập dữ liệu thử nghiệm.

Tính toán xác suất một email đầu vào thuộc lớp thư rác hay thư thường.

Phương pháp thống kê toán học và kỹ thuật lập trình máy tính truyền thống.

Dữ liệu, thống kê, lập trình, học máy, trí tuệ nhân tạo và kiến thức chuyên ngành.

Thuật toán học máy chuyên sâu và mô hình trí tuệ nhân tạo nâng cao.

Quản lý dữ liệu doanh nghiệp và các kỹ thuật trực quan hóa đồ họa.

Khai thác thông tin và tri thức từ dữ liệu nhằm hỗ trợ công tác dự báo và ra quyết định.

Lưu trữ và bảo mật tập trung các nguồn dữ liệu thô trong cơ sở dữ liệu doanh nghiệp.

Thiết kế và xây dựng giao diện báo cáo đồ họa trực quan hóa chỉ số cho quản lý.

Xây dựng và bảo trì các hệ thống website quản trị dữ liệu phục vụ người dùng.

Sử dụng độ đo Khoảng cách Euclidean để tìm kiếm các điểm dữ liệu lân cận gần nhất trong không gian.

Sử dụng độ đo Độ tăng thông tin (Information Gain) để chọn thuộc tính phân chia tối ưu tại mỗi bước.

Sử dụng thuật toán Trượt độ dốc (Gradient Descent) để liên tục tối ưu hóa ma trận trọng số của mô hình.

Sử dụng Định lý Bayes để tính toán xác suất hậu kỳ dựa trên các xác suất tiên đề của tập dữ liệu.

Tối ưu hóa ma trận khoảng cách giữa các điểm dữ liệu để phân chia chúng thành các cụm hoàn toàn riêng biệt.

Xây dựng một cây quyết định có độ sâu nhỏ nhất nhưng vẫn phân loại chính xác các mẫu dữ liệu huấn luyện.

Tính toán xác suất hậu kỳ dựa trên định lý Bayes để xác định nhãn có khả năng xảy ra cao nhất cho mỗi mẫu.

Tìm tập hợp các phương trình tuyến tính giúp tối thiểu hóa chỉ số sai số bình phương trung bình trên tập dữ liệu.

Hệ thống thông tin (CSDL, ERP, CRM, LMS)

Website/API, thiết bị (Camera, IoT), khảo sát, file (CSV, Excel, JSON)

Chỉ dữ liệu giấy viết tay

Tất cả đều là nguồn phổ biến

Độ tuổi vì có Information Gain nhỏ nhất giúp giữ cho mức độ không chắc chắn remaining ở mức cao

Lịch sử tín dụng vì có Information Gain lớn nhất giúp giảm mức độ không chắc chắn của dữ liệu nhiều nhất

Thu nhập vì có Information Gain ở mức trung bình giúp đảm bảo sự cân bằng độ sâu cho cây

Kết hợp cả ba thuộc tính để lấy trung bình cộng Information Gain trước khi tiến hành phân nhánh

Khối lượng dữ liệu quá ít không đủ kích thước tối thiểu để tiến hành xây dựng các mô hình

Dữ liệu bị phân tán trên nhiều nền tảng đòi hỏi phải thực hiện quy trình tích hợp và đồng bộ

Dữ liệu đã đạt độ chuẩn hóa quá cao khiến cho hệ thống không còn các biến số để phân tích

Hệ thống tự động đồng nhất mọi cấu trúc dữ liệu mà không phát sinh bất kỳ thách thức kỹ thuật nào

Chỉ Apache Spark

Excel, Google Forms, Microsoft Forms

Chỉ Kafka

Chỉ TensorFlow

Loại bỏ các bản ghi có giá trị âm và điền các giá trị khuyết thiếu bằng chỉ số trung vị của cùng khung giờ.

Nhân toàn bộ các giá trị âm với -1 và điền các giá trị khuyết thiếu bằng số 0 cố định cho toàn bộ tập dữ liệu.

Giữ nguyên các giá trị âm để tăng tính đa dạng và xóa bỏ toàn bộ các dòng chứa dữ liệu bị khuyết thiếu.

Thay thế các giá trị âm bằng giá trị cực đại và điền dữ liệu khuyết bằng yếu vị của toàn bộ bảng dữ liệu.

Đảm bảo dữ liệu đồng nhất về định dạng, cấu trúc và giá trị phản ánh trên toàn bộ các hệ thống lưu trữ.

Đảm bảo dữ liệu được thu thập với tốc độ nhanh nhất để đáp ứng yêu cầu xử lý thời gian thực.

Đảm bảo toàn bộ các trường thông tin trong bảng dữ liệu đều được điền đầy đủ và không bị khuyết thiếu.

Đảm bảo dung lượng tệp tin dữ liệu được nén xuống mức tối thiểu để tiết kiệm không gian bộ nhớ.

Thiếu dữ liệu

Sai giá trị

Trùng dữ liệu

Sai kiểu

df.duplicated().sum()

df.isnull().sum()

df.dropna()

df.describe()

df = df.dropna()

df[Score] = df[Score].fillna(df[Score].mean())

df = df.drop_duplicates()

df[Score] = df[Score].fillna(0)

df.dropna()

df.drop_duplicates()

df.isnull()

df.fill()

Giá trị trung bình đại diện cho xu hướng tập trung của toàn bộ tập dữ liệu.

Giá trị ngoại lệ đại diện cho dữ liệu bất thường hoặc lỗi ghi nhận.

Giá trị khuyết thiếu đại diện cho thông tin chưa được thu thập đầy đủ.

Giá trị trùng lặp đại diện cho bản ghi bị xuất hiện nhiều lần trong tập dữ liệu.

Hiệu suất P của máy tính đối với nhiệm vụ T được cải thiện nhờ kinh nghiệm E.

Dung lượng bộ nhớ lưu trữ của máy tính tăng lên sau khi xử lý các tập dữ liệu E.

Tốc độ xử lý của CPU được tối ưu hóa để giải quyết các nhiệm vụ T nhanh chóng hơn.

Số lượng các quy tắc lập trình cứng được thêm vào hệ thống tăng lên theo thời gian.

Khó khăn trong việc cập nhật và mở rộng khi các quy tắc trở nên quá phức tạp.

Yêu cầu cấu hình máy tính rất mạnh mới có thể thực thi được các câu lệnh logic.

Không thể xử lý được các phép toán số học cơ bản trong quá trình ra quyết định.

Tốc độ đưa ra phản hồi cho người dùng chậm hơn nhiều so với các mô hình học máy.

Mô hình không tự thông minh mà phụ thuộc hoàn toàn vào chất lượng dữ liệu đầu vào.

Dữ liệu càng nhiều thì mô hình chắc chắn sẽ đạt được độ chính xác tuyệt đối là 100%.

Mô hình có khả năng tự sửa lỗi dữ liệu đầu vào mà không cần sự can thiệp của con người.

Chỉ cần thuật toán mạnh thì chất lượng dữ liệu không còn đóng vai trò quan trọng nữa.

Tìm một đường thẳng mô tả tốt nhất mối quan hệ giữa biến độc lập và biến phụ thuộc.

Phân chia các đối tượng dữ liệu vào các nhóm khác nhau dựa trên sự tương đồng.

Xác định nhãn phân loại chính xác cho một đối tượng dựa trên các thuộc tính rời rạc.

Tối ưu hóa dung lượng lưu trữ dữ liệu bằng cách giảm số lượng các đặc trưng đầu vào.

Giá trị dự kiến của biến phụ thuộc khi tất cả các biến độc lập đều bằng không.

Độ lệch trung bình giữa các điểm dữ liệu thực tế so với đường thẳng dự báo.

Tốc độ thay đổi của biến phụ thuộc khi biến độc lập tăng thêm một đơn vị.

Tỷ lệ phần trăm sự biến động của dữ liệu được giải thích bởi mô hình hiện tại.

Để đánh giá khả năng dự báo của mô hình trên những dữ liệu mới chưa từng thấy.

Để tăng số lượng dữ liệu hiện có giúp mô hình học được nhiều đặc trưng phức tạp hơn.

Để đảm bảo rằng mô hình luôn đạt được sai số bằng 0 trên mọi tập dữ liệu đầu vào.

Để đơn giản hóa các phép tính toán ma trận trong quá trình tối ưu hóa các tham số.

Tính trung bình cộng của bình phương các sai số giữa giá trị dự đoán và thực tế.

Tính tổng trị tuyệt đối của các khoảng cách từ điểm dữ liệu đến đường hồi quy.

Tính căn bậc hai của tỷ lệ phần trăm các dự đoán chính xác trên tổng số mẫu.

Tính giá trị lớn nhất của sai số xuất hiện trong toàn bộ quá trình kiểm tra mô hình.

MSE phạt nặng hơn các sai số lớn, giúp mô hình cố gắng tránh các lỗi nghiêm trọng.

MSE có cùng đơn vị đo với biến mục tiêu giúp kết quả dễ giải thích cho người dùng.

MSE không bị ảnh hưởng bởi các giá trị ngoại lai (outliers) có trong tập dữ liệu.

MSE luôn cho kết quả nhỏ hơn MAE trong mọi trường hợp tính toán thực tế.

Mô hình giải thích được 85% sự biến động của dữ liệu mục tiêu thông qua các biến độc lập.

Mô hình dự báo chính xác hoàn toàn cho 85% tổng số lượng mẫu trong tập kiểm tra.

Xác suất để mô hình đưa ra dự đoán sai lệch trên thực tế chỉ còn là 15%.

Trung bình mỗi dự đoán của mô hình sẽ sai lệch 15 đơn vị so với giá trị thực tế.

Phân loại email là thư rác hoặc không phải thư rác.

Dự đoán giá bán của một căn hộ dựa trên diện tích và vị trí của nó.

Dự báo doanh thu bán hàng của tháng tới dựa trên ngân sách quảng cáo.

Ước lượng điểm thi của sinh viên dựa trên số giờ tự học mỗi ngày.

Cứ tăng thêm 1 đơn vị diện tích thì giá nhà dự kiến tăng thêm 50 đơn vị tiền tệ.

Giá thấp nhất của một căn nhà bất kể diện tích lớn hay nhỏ luôn là 50 đơn vị.

Diện tích căn nhà phải đạt tối thiểu là 50 đơn vị thì mới có thể bắt đầu định giá.

Mô hình đảm bảo rằng sai số khi dự báo giá nhà sẽ không bao giờ vượt quá 50 đơn vị.

Mô hình dễ bị hiện tượng không đại diện, dẫn đến kết quả dự báo kém trên dữ liệu thực tế.

Mô hình sẽ tự động tìm thêm các dữ liệu liên quan từ internet để bù đắp sự thiếu hụt.

Tốc độ huấn luyện sẽ chậm đi đáng kể do máy tính phải cố gắng suy luận từ ít dữ liệu.

Mô hình chắc chắn sẽ đạt được MSE bằng 0 vì ít dữ liệu nên dễ tìm thấy đường thẳng đi qua hết.

100 triệu đồng

200 triệu đồng

-100 triệu đồng

-200 triệu đồng

10.0

6.0

20.0

-1.0

160 dòng dữ liệu

40 dòng dữ liệu

100 dòng dữ liệu

180 dòng dữ liệu