Từ điển AI

Ngôn ngữ của AI, được giải thích rõ ràng.

Các cuộc trò chuyện về AI thay đổi rất nhanh, và vốn từ vựng cũng thay đổi theo. Đây là từ điển tổng hợp 54 thuật ngữ chúng tôi thường nghe nhất trong các buổi trao đổi với khách hàng, từ khái niệm nền tảng đến ngôn ngữ của các mô hình ngôn ngữ lớn, được giải thích không dùng biệt ngữ khó hiểu.

ai · từ điển

Hình ảnh cận cảnh trừu tượng của một mạng nơ-ron phát sáng, tượng trưng cho các khái niệm được giải thích trong từ điển này

Đi đến một chữ cáiA B C D E F G H I J K L M N O P Q R S T U V W X Z

Agent (AI Agent): Một hệ thống sử dụng mô hình AI để lập kế hoạch và thực hiện hành động nhằm đạt mục tiêu, gọi các công cụ, API hoặc phần mềm khác với sự giám sát hạn chế của con người.
AGI (Artificial General Intelligence): Một dạng AI giả định có thể hiểu, học và thực hiện bất kỳ nhiệm vụ trí tuệ nào mà con người có thể làm, khác với các hệ thống hiện nay vốn chỉ chuyên biệt cho từng nhiệm vụ cụ thể.
Algorithm: Một tập hợp quy tắc hoặc các bước được xác định rõ mà máy tính thực hiện để giải quyết vấn đề hoặc hoàn thành nhiệm vụ, đây là logic nền tảng mà bất kỳ mô hình hay chương trình nào cũng vận hành theo.
Alignment (AI Alignment): Thực hành thiết kế và huấn luyện các hệ thống AI sao cho hành vi của chúng phù hợp với ý định và giá trị của con người, thay vì tối ưu hoá theo một mục tiêu thay thế ngoài ý muốn.
Attention Mechanism: Kỹ thuật cho phép mô hình xác định phần nào của dữ liệu đầu vào quan trọng nhất đối với một đầu ra cụ thể, đây là ý tưởng cốt lõi đằng sau kiến trúc Transformer.

Backpropagation: Thuật toán dùng để huấn luyện mạng nơ-ron, tính toán mức độ đóng góp của từng tham số nội bộ vào sai số và điều chỉnh chúng để cải thiện dự đoán tiếp theo.
Bias (Algorithmic Bias): Sai lệch có hệ thống trong kết quả đầu ra của mô hình, gây thiên vị hoặc bất lợi không công bằng cho một số nhóm nhất định, thường được kế thừa từ các khuôn mẫu trong dữ liệu huấn luyện.

Chain-of-Thought: Một kỹ thuật prompt yêu cầu mô hình suy luận qua từng bước trung gian trước khi đưa ra câu trả lời cuối cùng, thường giúp cải thiện độ chính xác với các nhiệm vụ phức tạp.
Chatbot: Một ứng dụng hội thoại, ngày càng được xây dựng trên nền mô hình ngôn ngữ lớn, được thiết kế để trả lời câu hỏi hoặc hoàn thành nhiệm vụ thông qua đối thoại bằng ngôn ngữ tự nhiên.
Chunking: Việc chia một tài liệu thành các đoạn nhỏ hơn trước khi tạo embedding cho nó, để hệ thống truy xuất có thể trả về đúng phần nội dung trả lời câu hỏi thay vì toàn bộ tài liệu.
Computer Vision: Lĩnh vực AI tập trung vào việc diễn giải hình ảnh và video, bao gồm các nhiệm vụ như phát hiện đối tượng, phân loại và tạo sinh hình ảnh.
Context Window: Lượng văn bản, được đo bằng token, mà một mô hình ngôn ngữ có thể xem xét cùng lúc khi tạo ra phản hồi, bao gồm cả prompt lẫn phần đầu ra mà mô hình đã tạo ra trước đó.

Deep Learning: Một nhánh của machine learning sử dụng mạng nơ-ron nhiều lớp để học các khuôn mẫu trực tiếp từ lượng lớn dữ liệu, là nền tảng của hầu hết các hệ thống AI hiện đại.
Diffusion Model: Một mô hình tạo sinh tạo ra hình ảnh hoặc dữ liệu khác bằng cách học cách đảo ngược quá trình thêm nhiễu dần dần, đây là kỹ thuật đứng sau hầu hết các công cụ tạo ảnh hiện đại.
Drift (Model Drift / Data Drift): Sự suy giảm dần độ chính xác của mô hình khi dữ liệu hoặc hành vi thực tế thay đổi so với dữ liệu mà mô hình được huấn luyện, đây là một trong những lý do chính khiến các hệ thống AI trong môi trường vận hành cần được giám sát liên tục.

Embedding: Một biểu diễn số của văn bản, hình ảnh hoặc dữ liệu khác, thể hiện ý nghĩa dưới dạng mà mô hình có thể so sánh và tìm kiếm.
Ethics (AI Ethics): Việc nghiên cứu và thực hành nhằm đảm bảo các hệ thống AI được phát triển và sử dụng một cách công bằng, an toàn và minh bạch, bao gồm các vấn đề như thiên vị, quyền riêng tư và trách nhiệm giải trình.
Explainable AI (XAI): Các kỹ thuật và công cụ giúp con người hiểu được quyết định của mô hình, quan trọng đối với sự tin cậy, việc gỡ lỗi và tuân thủ quy định.

Few-shot Learning: Việc đưa prompt hoặc huấn luyện mô hình chỉ với một số ít ví dụ để định hướng hành vi mong muốn, thay vì huấn luyện lại toàn bộ.
Fine-tuning: Việc huấn luyện thêm một mô hình đã được huấn luyện trước trên một tập dữ liệu nhỏ hơn, chuyên biệt hơn, để mô hình hoạt động tốt hơn với một nhiệm vụ hoặc lĩnh vực cụ thể.
Foundation Model: Một mô hình lớn được huấn luyện trên dữ liệu đa dạng, có thể được điều chỉnh, thông qua fine-tuning hoặc prompt, cho nhiều nhiệm vụ khác nhau.

Generative AI: Các hệ thống AI có khả năng tạo ra nội dung mới, như văn bản, hình ảnh, âm thanh hoặc mã nguồn, thay vì chỉ phân loại hoặc dự đoán từ dữ liệu có sẵn.
GPU (Graphics Processing Unit): Phần cứng chuyên dụng thực hiện nhiều phép tính song song, giúp xử lý nhanh hơn nhiều so với CPU thông thường khi huấn luyện và vận hành các mô hình AI.
Graph Neural Network (GNN): Một kiến trúc mô hình được xây dựng để học trực tiếp từ dữ liệu dạng đồ thị, chẳng hạn như mạng lưới người, sản phẩm hoặc giao dịch có liên kết với nhau, thay vì dữ liệu dạng lưới hoặc chuỗi mà hầu hết các mô hình khác yêu cầu.
GraphRAG: Một phương pháp retrieval-augmented generation tổ chức dữ liệu nguồn thành một knowledge graph trước, giúp mô hình suy luận dựa trên các mối quan hệ rõ ràng giữa các thực thể thay vì chỉ truy xuất những đoạn văn bản tương tự rời rạc.
Guardrails: Các quy tắc, bộ lọc hoặc cơ chế kiểm tra được đặt xung quanh một hệ thống AI để giữ cho đầu ra và hành động của nó nằm trong giới hạn an toàn, đúng như dự định.

Hallucination: Khi mô hình tạo ra thông tin nghe có vẻ hợp lý nhưng thực chất không chính xác hoặc hoàn toàn bịa đặt.
Human-in-the-Loop: Một thiết kế hệ thống trong đó con người xem xét, phê duyệt hoặc chỉnh sửa đầu ra của AI trước khi nó có hiệu lực, cân bằng giữa tự động hoá và sự giám sát.

Inference: Quá trình chạy một mô hình đã được huấn luyện trên dữ liệu đầu vào mới để tạo ra kết quả, khác với quá trình huấn luyện, khi các tham số của mô hình đang được học.

Jailbreak (Prompt Jailbreak): Một prompt được thiết kế để vượt qua các guardrail an toàn của mô hình và tạo ra nội dung mà mô hình thường sẽ từ chối tạo.

Knowledge Graph: Một mạng lưới có cấu trúc gồm các thực thể và mối quan hệ giữa chúng, được dùng để cung cấp cho hệ thống AI ngữ cảnh thực tế, có thể truy vấn, ngoài những gì có trong dữ liệu huấn luyện.

Large Language Model (LLM): Một mạng nơ-ron được huấn luyện trên lượng lớn văn bản để dự đoán và tạo ra ngôn ngữ, là công nghệ đứng sau các công cụ như ChatGPT và Claude.

Machine Learning: Lĩnh vực rộng hơn về việc xây dựng các hệ thống cải thiện khả năng thực hiện nhiệm vụ bằng cách học từ dữ liệu, thay vì chỉ tuân theo các quy tắc được lập trình sẵn.
Multimodal AI: Một mô hình có khả năng hiểu hoặc tạo ra nhiều hơn một loại dữ liệu, chẳng hạn như văn bản, hình ảnh và âm thanh, trong cùng một hệ thống.

Natural Language Processing (NLP): Lĩnh vực AI liên quan đến việc hiểu, diễn giải và tạo ra ngôn ngữ của con người.
Neural Network: Một kiến trúc mô hình lấy cảm hứng lỏng lẻo từ bộ não, gồm các nút được xếp theo lớp, học cách chuyển đổi đầu vào thành đầu ra thông qua quá trình huấn luyện.

Orchestration (Agent Orchestration): Việc điều phối nhiều mô hình AI, agent hoặc công cụ để chúng cùng phối hợp thực hiện một nhiệm vụ hoặc quy trình lớn hơn.
Overfitting: Khi mô hình học dữ liệu huấn luyện quá sát, bao gồm cả nhiễu và các đặc điểm ngẫu nhiên của nó, dẫn đến hoạt động kém trên dữ liệu mới, chưa từng thấy.

Parameter: Một giá trị nội bộ mà mô hình học được trong quá trình huấn luyện; các mô hình ngôn ngữ lớn hiện nay có từ hàng triệu đến hàng nghìn tỷ tham số.
Pretraining: Giai đoạn huấn luyện ban đầu, trên diện rộng, trong đó mô hình học các khuôn mẫu tổng quát từ một tập dữ liệu lớn trước khi fine-tuning cho nhiệm vụ cụ thể.
Prompt Engineering: Thực hành thiết kế đầu vào cho mô hình AI để có được kết quả mong muốn một cách đáng tin cậy, một kỹ năng ngày càng quan trọng khi làm việc với LLM.

Quantization: Một kỹ thuật giảm độ chính xác của các tham số trong mô hình để thu nhỏ kích thước và tăng tốc độ inference, thường đánh đổi một phần nhỏ độ chính xác.

RAG (Retrieval-Augmented Generation): Một phương pháp trong đó mô hình truy xuất tài liệu hoặc dữ liệu liên quan trước khi tạo phản hồi, giúp câu trả lời được đặt nền trên thông tin thực tế, cập nhật.
Reinforcement Learning: Một phương pháp huấn luyện trong đó mô hình học thông qua thử và sai, nhận phần thưởng hoặc hình phạt cho hành động của mình để cải thiện các quyết định trong tương lai.

Supervised Learning: Huấn luyện mô hình trên các ví dụ đã được gán nhãn, trong đó mỗi đầu vào có một đầu ra đúng đã biết, để mô hình học cách ánh xạ giữa chúng.
Synthetic Data: Dữ liệu được tạo ra một cách nhân tạo, dùng để huấn luyện hoặc kiểm thử mô hình, thường nhằm bổ sung cho dữ liệu thực hoặc bảo vệ quyền riêng tư.

Token: Một đơn vị văn bản nhỏ, gần bằng một từ hoặc một phần của từ, mà mô hình ngôn ngữ xử lý như đơn vị cơ bản của đầu vào và đầu ra.
Transformer: Kiến trúc mạng nơ-ron, được xây dựng xung quanh attention mechanism, làm nền tảng cho hầu như tất cả các mô hình ngôn ngữ lớn hiện đại.

Unsupervised Learning: Huấn luyện mô hình trên dữ liệu chưa được gán nhãn, để mô hình tự tìm ra khuôn mẫu hoặc nhóm mà không có đáp án đúng đã biết trước để học theo.

Vector Database: Một cơ sở dữ liệu được tối ưu hoá để lưu trữ và tìm kiếm embedding, thường được dùng để vận hành các hệ thống RAG và tìm kiếm ngữ nghĩa.
Vision-Language Model: Một mô hình được huấn luyện để hiểu cả hình ảnh và văn bản cùng lúc, có thể trả lời câu hỏi về một hình ảnh hoặc tạo chú thích cho nó.

Weights (Model Weights): Các giá trị số mà mạng nơ-ron học được, quyết định cách nó chuyển đổi đầu vào thành đầu ra; huấn luyện chính là quá trình điều chỉnh các giá trị này.

XGBoost: Một thuật toán gradient boosting được sử dụng rộng rãi cho dữ liệu dạng bảng, được ưa chuộng trong ngành vì độ chính xác và tốc độ với các bài toán dự đoán truyền thống.

Zero-shot Learning: Yêu cầu mô hình thực hiện một nhiệm vụ mà nó chưa từng được huấn luyện hoặc xem ví dụ, dựa vào những gì nó đã học được trong quá trình pretraining.

Có thuật ngữ nào chúng tôi nên bổ sung?

Từ điển này phát triển cùng với ngành AI. Hãy cho chúng tôi biết điều gì còn thiếu, hoặc trao đổi với chúng tôi về ý nghĩa của những thuật ngữ này đối với doanh nghiệp của bạn.

Bắt đầu trao đổi