Kiểm tra giữa kỳ: Trí tuệ nhân tạo, Học máy và Ứng dụng

AI biểu tượng dùng quy tắc logic do con người thiết kế, còn AI kết nối học quy luật ẩn từ dữ liệu.

AI biểu tượng chỉ dùng cho bài toán hồi quy, còn AI kết nối chỉ dùng cho phân loại.

AI biểu tượng yêu cầu dữ liệu có nhãn, còn AI kết nối không sử dụng nhãn.

AI biểu tượng luôn dựa trên mạng nơ-ron, còn AI kết nối luôn dựa trên cây quyết định.

ANI

AGI

ASI

Rule-based

Vì cách tiếp cận lai giúp loại bỏ hoàn toàn nhu cầu dữ liệu và kiểm thử.

Vì nó kết hợp khả năng biểu diễn quy tắc với sức mạnh học quy luật từ dữ liệu.

Vì AI biểu tượng và AI kết nối là hai cách gọi hoàn toàn khác nhau cho cùng một thuật toán.

Vì cách tiếp cận lai luôn cho độ chính xác cao hơn mọi mô hình chuyên biệt.

Học có giám sát

Học không giám sát

Học tăng cường

Học tự giám sát

LLM không thể xử lý văn bản tự nhiên.

LLM có khả năng suy luận cao nhưng vẫn chỉ giải quyết tốt các nhiệm vụ trong phạm vi được huấn luyện và thiết kế.

LLM bắt buộc phải sử dụng GPU cho mọi nhiệm vụ suy luận.

LLM không thể được huấn luyện bằng văn bản từ Internet.

Xử lý song song toàn bộ chuỗi đầu vào thay vì xử lý tuần tự từng phần tử.

Chỉ phân loại dữ liệu theo số nhãn cố định.

Tự động thu thập dữ liệu có nhãn từ Internet.

Thay thế hoàn toàn mọi bước truy xuất tri thức bên ngoài.

Accuracy luôn không thể được tính với dữ liệu mất cân bằng.

Mô hình không nhận diện được các trường hợp gian lận, làm giảm recall của lớp gian lận.

Mô hình chắc chắn sẽ có precision thấp hơn recall.

Mô hình không thể được huấn luyện trên dữ liệu chứa 99% lớp âm tính.

Ung thư cần hạn chế bỏ sót, còn spam cần hạn chế báo động giả.

Ung thư không có nhãn, còn spam luôn có nhãn.

Spam cần mô hình tạo sinh, còn ung thư cần mô hình phân loại tuyến tính.

Accuracy không thể dùng cho cả hai bài toán.

Toàn bộ dữ liệu là có cấu trúc vì đều có thể lưu trong máy tính.

Bảng khách hàng là dữ liệu có cấu trúc, còn tệp JSON là dữ liệu bán cấu trúc.

Cả hai đều là dữ liệu phi cấu trúc vì chúng phục vụ mô hình AI.

Cả hai đều là dữ liệu bán cấu trúc vì có thể kết hợp trong cùng một ứng dụng.

Garbage in, garbage out

Big Data càng nhiều thì mô hình càng chính xác tuyệt đối.

Dữ liệu chỉ cần được chia thành tập huấn luyện và kiểm tra.

Mô hình AI không phụ thuộc vào chất lượng dữ liệu.

Đặc điểm dữ liệu, mục tiêu dự đoán, yêu cầu giải thích và nguồn lực tính toán.

Chỉ độ phổ biến của thuật toán trên Internet.

Chỉ số đo accuracy và tên nhà phát triển thuật toán.

Chỉ loại dữ liệu đầu ra mong muốn.

Dưới khớp vì mô hình quá đơn giản.

Quá khớp vì mô hình học thuộc lòng dữ liệu huấn luyện.

Quá khớp vì mô hình chưa dùng đủ kỹ thuật regularization.

Dưới khớp vì dữ liệu kiểm tra có quá nhiều nhãn.

Nó dựa trên định lý Bayes và giả định các đặc trưng độc lập, giúp phân loại văn bản hiệu quả.

Nó tự động tạo ranh giới phi tuyến bằng kernel trick.

Nó là phương pháp học tăng cường dựa trên phần thưởng.

Nó yêu cầu chuẩn hóa mọi đặc trưng trước khi dự đoán.

Bagging huấn luyện các mô hình song song trên các mẫu con, còn Boosting huấn luyện tuần tự để sửa lỗi mô hình trước.

Bagging chỉ dùng cho học không giám sát, còn Boosting chỉ dùng cho học tăng cường.

Bagging không sử dụng nhiều mô hình, còn Boosting chỉ dùng một mô hình duy nhất.

Bagging nhằm tăng độ phức tạp, còn Boosting nhằm giảm overfitting trong mọi trường hợp.

Pooling trích xuất cạnh, còn tầng kết nối đầy đủ giảm kích thước không gian.

Pooling giảm kích thước không gian, còn tầng kết nối đầy đủ thực hiện quyết định dựa trên đặc trưng.

Pooling tạo nhãn giám sát, còn tầng kết nối đầy đủ tạo dữ liệu huấn luyện.

Pooling thực hiện truy xuất tri thức, còn tầng kết nối đầy đủ gọi công cụ bên ngoài.

Tận dụng mô hình đã huấn luyện sẵn và chỉ tinh chỉnh trên dữ liệu chuyên biệt, tiết kiệm dữ liệu và chi phí.

Loại bỏ hoàn toàn nhu cầu đánh giá mô hình trên dữ liệu mới.

Đảm bảo mô hình không bao giờ quá khớp.

Chỉ áp dụng được cho mô hình tuyến tính, không áp dụng cho CNN.

Chain-of-Thought

Few-shot prompting

Prompt chaining

Data cleaning

Bước generation không sử dụng đúng hoặc không diễn giải đúng đoạn đã truy xuất.

Hệ thống dùng quá nhiều ngữ cảnh trong prompt.

Mô hình phải được huấn luyện lại từ đầu mỗi khi người dùng đặt câu hỏi.

Mọi tài liệu trong kho tri thức đều phải có cấu trúc giống nhau.

Tiếp nhận mục tiêu → lập kế hoạch → hành động → quan sát kết quả → đánh giá và lặp lại nếu cần.

Thu thập dữ liệu → tiền huấn luyện → tinh chỉnh theo chỉ dẫn → RLHF → triển khai.

Tiền xử lý → chia tập → huấn luyện → kiểm định chéo → chọn mô hình.

Truy xuất → phân đoạn → sinh đáp án → tính điểm → lưu trữ.

Dữ liệu thực tế thay đổi theo thời gian khiến hiệu suất mô hình giảm.

Mô hình bị quá khớp ngay trong quá trình huấn luyện.

Mô hình dùng quá nhiều token trong mỗi lệnh gọi API.

Phiên bản prompt không được lưu trữ trong hệ thống.