Trí tuệ nhân tạo không còn là lĩnh vực của các chuyên gia công nghệ. Để theo kịp, các nhà lãnh đạo doanh nghiệp trong nhiều ngành cần biết cách nói ngôn ngữ của AI.
Đó là ý tưởng đằng sau bảng thuật ngữ này. Nó sẽ cung cấp cho bạn các thuật ngữ và cụm từ thiết yếu cần thiết để thảo luận và triển khai các giải pháp AI trong tổ chức của bạn và mở khóa tiềm năng chuyển đổi của nó.
Thuật ngữ AI
Học tập chủ động : học tập chủ động là một phương pháp AI kết hợp hiệu quả các khía cạnh của học tập có giám sát và không giám sát. Mô hình AI xác định các mẫu, xác định những gì cần học tiếp theo và chỉ tìm kiếm sự can thiệp của con người khi cần thiết. Điều này dẫn đến một mô hình AI chuyên biệt nhanh hơn và chính xác hơn, lý tưởng cho các doanh nghiệp có ý định áp dụng AI đáng tin cậy và hiệu quả.
Căn chỉnh AI: Căn chỉnh AI là một lĩnh vực nghiên cứu và đào tạo AI tập trung vào việc căn chỉnh các mục tiêu của hệ thống AI với mục tiêu của người thiết kế và/hoặc người dùng. Điều này có thể bao gồm cả việc đảm bảo AI đạt được các mục tiêu mong muốn và cho phép các hệ thống AI kết hợp các giá trị và tiêu chuẩn đạo đức của người tạo ra chúng và/hoặc người dùng khi đưa ra quyết định.
Ảo giác AI: Ảo giác AI là kết quả đầu ra không chính xác hoặc gây hiểu lầm do hệ thống AI tạo ra. Những lỗi này là do nhiều yếu tố gây ra, bao gồm dữ liệu đào tạo không đủ hoặc thiên vị hoặc các giả định không chính xác do mô hình đưa ra.
Tự động hóa hỗ trợ AI: Tự động hóa hỗ trợ AI, hay "tự động hóa thông minh" đề cập đến việc tăng cường các công nghệ tự động hóa dựa trên quy tắc như tự động hóa quy trình bằng rô-bốt (RPA), với các khả năng AI như thuật toán học máy (ML), xử lý ngôn ngữ tự nhiên (NLP) và thị giác máy tính (CV), để mô phỏng nhiều loại quyết định và giải quyết vấn đề mà con người thực hiện và do đó mở rộng phạm vi công việc có thể được tự động hóa. Các công ty kết hợp chiến lược tự động hóa và AI trong toàn bộ quy trình kinh doanh của mình sẽ nâng cao năng suất của nhân viên, trải nghiệm của khách hàng và thúc đẩy quá trình chuyển đổi kỹ thuật số nhanh chóng và linh hoạt.
Kiểm toán sử dụng AI: Kiểm toán sử dụng AI là quá trình xem xét toàn diện chương trình AI của bạn để đảm bảo chương trình đáp ứng các mục tiêu đã đặt ra, tuân thủ các tiêu chuẩn bạn đã đặt ra và tuân thủ mọi yêu cầu pháp lý. Cũng giống như việc kiểm tra sức khỏe định kỳ đảm bảo sức khỏe của bạn, kiểm toán sử dụng AI là điều cơ bản để xác nhận rằng hệ thống đang hoạt động chính xác và có đạo đức.
Trí tuệ nhân tạo tổng quát (AGI): trí tuệ nhân tạo tổng quát là một hệ thống AI lý thuyết có cùng khả năng trí tuệ và khả năng thích ứng như con người. Nó đề cập đến một hệ thống AI về cơ bản có thể sánh ngang với các kỹ năng và khả năng của con người. Điều này phần lớn được coi là một khái niệm trong tương lai, với nhiều chuyên gia dự đoán rằng chúng ta còn cách hàng thập kỷ hoặc thậm chí hàng thế kỷ nữa mới đạt được AGI thực sự.
Trí tuệ nhân tạo (AI): trí tuệ nhân tạo là hệ thống máy tính có khả năng thực hiện các nhiệm vụ phức tạp mà trước đây chỉ con người mới có thể làm được, chẳng hạn như suy luận, ra quyết định và giải quyết vấn đề.
Thiên vị: thiên vị là hiện tượng làm sai lệch kết quả của các quyết định do AI thúc đẩy theo cách gây bất lợi cho một ý tưởng, mục tiêu hoặc nhóm người. Lỗi này thường xảy ra trong các mô hình AI do dữ liệu đào tạo không đủ hoặc không đại diện.
Điểm tin cậy: Điểm tin cậy AI là điểm xác suất cho biết mức độ chắc chắn của mô hình AI rằng nó đã thực hiện đúng nhiệm vụ được giao.
AI đàm thoại: AI đàm thoại là một loại hệ thống AI mô phỏng cuộc trò chuyện của con người, tận dụng nhiều kỹ thuật AI khác nhau như xử lý ngôn ngữ tự nhiên và AI tạo sinh. Nó cũng có thể được tăng cường bằng khả năng nhận dạng hình ảnh.
Kiểm soát chi phí: kiểm soát chi phí là một quy trình cho phép bạn theo dõi tiến độ dự án theo thời gian thực. Theo dõi việc sử dụng tài nguyên, phân tích số liệu hiệu suất và xác định khả năng vượt ngân sách trước khi chúng leo thang cho phép bạn hành động để giữ cho dự án của mình đi đúng hướng và trong phạm vi ngân sách.
Chú thích dữ liệu (hoặc dán nhãn dữ liệu): chú thích dữ liệu, còn được gọi là dán nhãn dữ liệu, là quá trình đánh dấu một tập dữ liệu bằng các tính năng cụ thể mà bạn muốn mô hình AI tìm hiểu và nhận dạng.
Học sâu: học sâu là một tập hợp con của học máy sử dụng mạng nơ-ron nhiều lớp (còn gọi là "mạng nơ-ron sâu") để mô phỏng quá trình ra quyết định phức tạp của con người.
Enterprise AI : Enterprise AI là sự kết hợp giữa trí tuệ nhân tạo—khả năng của máy móc để học, hiểu và tương tác theo cách rất con người—với phần mềm được thiết kế để đáp ứng nhu cầu của tổ chức. Enterprise AI phải tuân thủ các quy tắc quản trị, tuân thủ và bảo mật doanh nghiệp nghiêm ngặt. UiPath AI Trust Layer, cùng với khả năng con người trong vòng lặp và quy tắc trong quy trình làm việc có sẵn thông qua UiPath Business Automation Platform™, cho phép sử dụng Enterprise AI.
Các mô hình nền tảng: các mô hình nền tảng học từ một phạm vi dữ liệu rộng lớn và có thể được tinh chỉnh cho các tác vụ cụ thể, khiến chúng trở nên cực kỳ linh hoạt. Khả năng thích ứng này làm giảm nhu cầu xây dựng các mô hình riêng biệt cho từng tác vụ, khiến chúng trở thành một lựa chọn tiết kiệm chi phí. Nhiều kỹ thuật khác nhau, như thế hệ tăng cường truy xuất (RAG) và các phương pháp tiên tiến hơn, được sử dụng để thu hẹp khoảng cách giữa kiến thức chung của AI nền tảng và độ chính xác mà các mô hình AI chuyên biệt yêu cầu.
Trí tuệ nhân tạo tạo sinh : Trí tuệ nhân tạo tạo sinh là một loại trí tuệ nhân tạo có thể tạo ra nội dung mới, bao gồm văn bản, hình ảnh, âm thanh và dữ liệu tổng hợp. Dữ liệu tổng hợp được tạo ra một cách nhân tạo để giống với dữ liệu thực nhưng không sao chép các chi tiết thực tế trong thế giới thực. Công nghệ này học hỏi từ lượng lớn dữ liệu hiện có và được thiết kế để tạo ra nội dung mới, độc đáo giống với dữ liệu gốc nhưng khác biệt rõ rệt.
Quản trị tính năng AI tạo sinh: Quản trị tính năng AI tạo sinh đề cập đến tập hợp các nguyên tắc, chính sách và thực hành được thiết kế riêng để khuyến khích và đảm bảo việc sử dụng có trách nhiệm các công nghệ AI tạo sinh trên toàn bộ tổ chức. Điều này đảm bảo việc sử dụng chúng phù hợp với cả các giá trị của tổ chức và các chuẩn mực xã hội rộng hơn.
Chú thích tạo sinh: chú thích tạo sinh tận dụng sức mạnh của AI tạo sinh để hợp lý hóa việc dán nhãn hoặc chú thích các tập dữ liệu. Mặc dù thường được sử dụng như một hình thức dán nhãn trước, nhưng vẫn cần có con người để xác định chú thích cuối cùng sẽ như thế nào.
Phân loại tạo sinh: phân loại tạo sinh là việc sử dụng AI và truy vấn ngôn ngữ tự nhiên để phân loại các định dạng thông tin như tài liệu hoặc thông tin liên lạc.
Trích xuất tạo sinh: trích xuất tạo sinh là việc sử dụng AI và truy vấn ngôn ngữ tự nhiên để hiểu và trích xuất chính xác dữ liệu từ một loại thông tin cụ thể, như tài liệu hoặc tin nhắn.
Xác thực tạo sinh: xác thực tạo sinh là việc sử dụng AI tạo sinh để xem xét và xác thực các đầu ra của mô hình AI chuyên biệt. Mặc dù không thể thay thế con người trong vòng lặp, nhưng nó có thể giảm khối lượng công việc của người đánh giá bằng cách tự động hóa việc xem xét các trường hợp.
Lọc nội dung có hại: lọc nội dung có hại đóng vai trò như một lá chắn bảo vệ trong các hệ thống AI. Đây là phương pháp được thiết kế để phát hiện và lọc nội dung có hại tập trung vào bốn danh mục chính—lời nói thù địch, nội dung khiêu dâm, bạo lực và nội dung liên quan đến tự gây hại. Nó xếp loại các vi phạm này dựa trên mức độ nghiêm trọng (an toàn, thấp, trung bình và cao) và đóng vai trò quan trọng trong việc thúc đẩy môi trường kỹ thuật số an toàn và lành mạnh hơn.
Con người trong vòng lặp (HITL): con người trong vòng lặp là một quá trình phản hồi trong đó một con người (hoặc một nhóm người) cung cấp đánh giá quan trọng về đầu ra của một mô hình AI. Sự hợp tác này rất cần thiết để cải thiện việc đào tạo mô hình AI và đóng vai trò là biện pháp bảo vệ để xác minh các quyết định của AI trước khi chúng tác động đến kết quả thực tế.
Xử lý tài liệu thông minh (IDP) : xử lý tài liệu thông minh là công nghệ trích xuất dữ liệu từ nhiều loại tài liệu khác nhau (bao gồm biểu mẫu, hợp đồng và thông tin liên lạc như email) để tự động hóa và phân tích các tác vụ dựa trên tài liệu. IDP khai thác nhiều loại AI, bao gồm xử lý ngôn ngữ tự nhiên và thị giác máy tính, để trích xuất dữ liệu từ nội dung có cấu trúc, bán cấu trúc và không có cấu trúc.
Mô hình ngôn ngữ lớn (LLM): mô hình ngôn ngữ lớn là một loại công nghệ AI có thể hiểu và tạo nội dung dựa trên văn bản. Nó được đào tạo chuyên nghiệp bằng cách sử dụng lượng dữ liệu khổng lồ (do đó tại sao nó được gọi là "lớn") và dựa trên các nguyên tắc học máy. Sử dụng một loại mạng nơ-ron chuyên dụng được gọi là mô hình biến áp, LLM là một thành phần chính của các công nghệ AI hiện đại đang đóng góp đáng kể vào việc hiểu và tạo ngôn ngữ.
Cổng LLM: cổng mô hình ngôn ngữ lớn đóng vai trò là cầu nối quan trọng giữa người dùng và dịch vụ LLM. Cùng với việc chuyển hướng các yêu cầu đến dịch vụ và quản lý phản hồi, nó thúc đẩy tính hữu ích và hiệu quả của các trao đổi LLM bằng cách thực hiện các tác vụ hậu xử lý quan trọng. Cổng này đảm bảo rằng LLM phù hợp với các thông lệ tốt nhất của ứng dụng AI bằng cách đảm bảo rằng nó được sử dụng hiệu quả, an toàn và có trách nhiệm.
Học máy (ML) : học máy là một nhánh của AI sử dụng dữ liệu và thuật toán để dần dần cải thiện độ chính xác của mô hình AI bằng cách mô phỏng cách học của con người.
Độ chính xác của mô hình: độ chính xác của mô hình đo lường tần suất mô hình AI thực hiện nhiệm vụ một cách chính xác. Các đánh giá kỹ thuật hơn thường bao gồm "điểm F1", một số liệu kết hợp độ chính xác (khả năng tránh kết quả dương tính giả) và khả năng thu hồi (khả năng tìm thấy tất cả các trường hợp có liên quan).
Xử lý ngôn ngữ tự nhiên (NLP): xử lý ngôn ngữ tự nhiên là một kỹ thuật AI kết hợp các mô hình ngôn ngữ, thống kê và AI để cho phép máy móc nhận dạng, hiểu và tạo văn bản và/hoặc giọng nói.
Che giấu PII và dữ liệu nhạy cảm: che giấu dữ liệu thông tin nhận dạng cá nhân (PII) là biện pháp bảo mật quan trọng trong doanh nghiệp. Đây là quy trình phát hiện và che giấu cẩn thận dữ liệu nhạy cảm thuộc các danh mục PII chuẩn như số an sinh xã hội, địa chỉ email và số thẻ tín dụng. Biện pháp bảo vệ này bảo vệ quyền riêng tư và tính bảo mật của dữ liệu người dùng bằng cách đảm bảo rằng các quy trình học máy không vô tình tiết lộ hoặc chia sẻ bất kỳ thông tin nhạy cảm nào.
Độ chính xác: độ chính xác đề cập đến độ chính xác của các dự đoán được đưa ra bởi mô hình AI. Nói cách khác, đó là tỷ lệ phần trăm các dự đoán của mô hình là chính xác. Nhìn chung, độ chính xác càng cao thì kết quả của mô hình càng có liên quan.
Lời nhắc: lời nhắc là các đầu vào, truy vấn hoặc yêu cầu mà người dùng hoặc chương trình đưa ra cho mô hình ngôn ngữ lớn AI để có được đầu ra mong muốn. Lời nhắc có thể là bất kỳ sự kết hợp nào của văn bản và/hoặc mã và thường ở dạng câu hỏi đàm thoại hoặc đoạn mã.
Thu hồi: thu hồi đo lường khả năng của mô hình AI trong việc xác định tất cả các điểm dữ liệu có liên quan. Nói cách khác, đó là tỷ lệ phần trăm dự đoán dương tính thực sự so với tổng số dương tính thực tế. Thu hồi cực kỳ quan trọng trong các tình huống mà việc phát hiện mọi trường hợp dương tính thực tế là rất quan trọng, ngay cả khi có nguy cơ dự đoán một số trường hợp dương tính giả. Ví dụ, trong chẩn đoán y khoa, tỷ lệ thu hồi cao là điều cần thiết để đảm bảo phát hiện tất cả các bệnh tiềm ẩn, ngay cả khi điều đó có nghĩa là đánh dấu một số trường hợp dương tính giả cần được điều tra thêm.
AI có trách nhiệm: AI có trách nhiệm là hoạt động thiết kế, phát triển và triển khai AI với mục đích tốt để trao quyền cho nhân viên và doanh nghiệp trong khi vẫn tác động công bằng đến khách hàng và xã hội. Cách tiếp cận này xây dựng lòng tin và cho phép các công ty mở rộng các sáng kiến AI của mình một cách tự tin. Bằng cách ưu tiên các hoạt động AI có trách nhiệm, chúng ta có thể đảm bảo rằng công nghệ mạnh mẽ này là một động lực vì lợi ích chung trên thế giới.
Tạo dữ liệu tăng cường truy xuất (RAG): tạo dữ liệu tăng cường truy xuất là một kỹ thuật nhằm nâng cao độ chính xác và độ tin cậy của AI tạo sinh bằng cách tận dụng dữ liệu hoặc "bối cảnh" lấy từ các nguồn bên ngoài.
Học bán giám sát: học bán giám sát là một tập hợp con của học máy. Nó kết hợp các kỹ thuật học có giám sát và không giám sát bằng cách sử dụng cả dữ liệu có nhãn và không có nhãn để đào tạo các mô hình AI.
AI chuyên biệt : AI chuyên biệt đề cập đến các hệ thống trí tuệ nhân tạo được thiết kế để thực hiện các nhiệm vụ cụ thể hoặc giải quyết các vấn đề cụ thể trong một phạm vi hoặc lĩnh vực hẹp. Hãy nghĩ về nó như chuyên gia cá nhân của bạn được thiết kế để thực hiện một công việc cực kỳ tốt. Vì nó được lập trình để tập trung vào một nhiệm vụ cụ thể hoặc giải quyết một vấn đề cụ thể, nên nó có thể đi sâu vào chủ đề và cung cấp mức độ chính xác và hiệu quả cao. Nó thường ít tốn kém hơn để chạy (vì diện tích nhỏ hơn) và tạo ra đầu ra chính xác hơn, nhưng cần phải đào tạo để tối đa hóa độ chính xác.
Học có giám sát: học có giám sát là một tập hợp con của học máy. Nó được đặc trưng bởi việc sử dụng các tập dữ liệu được gắn nhãn để đào tạo các mô hình AI nhằm dự đoán chính xác kết quả.
Phân loại: trong đào tạo mô hình AI, phân loại là hệ thống phân loại tổ chức các nhãn hoặc thẻ được sử dụng để chú thích dữ liệu. Các nhãn này được sử dụng để đào tạo mô hình hiểu và học các mẫu, xu hướng và kết quả khác nhau. Phân loại cấu trúc các lớp thông tin khác nhau bằng cách đưa chúng vào một hệ thống phân cấp (ví dụ: khiếu nại của khách hàng là một loại email và email là một loại giao tiếp), giúp cung cấp sự rõ ràng và chính xác trong quá trình đào tạo.
Transformer: mô hình transformer là một loại công nghệ AI học ý nghĩa bằng cách theo dõi các mối quan hệ trong dữ liệu tuần tự, chẳng hạn như các từ trong câu hoặc các số trong một chuỗi. Các mô hình này áp dụng các kỹ thuật toán học được gọi là 'chú ý' hoặc 'tự chú ý' để phát hiện các xu hướng và mối quan hệ tinh tế giữa các điểm dữ liệu.
Học không giám sát: học không giám sát là một tập hợp con của học máy. Nó sử dụng các thuật toán học máy để phân tích và nhóm các tập dữ liệu không có nhãn mà không cần sự can thiệp của con người.
Cơ sở dữ liệu vectơ: cơ sở dữ liệu vectơ là tập hợp dữ liệu được lưu trữ dưới dạng vectơ. Cơ sở dữ liệu vectơ giúp các mô hình AI dễ dàng ghi nhớ các đầu vào và lời nhắc của người dùng trước đó. Điều này cho phép AI trong các trường hợp sử dụng tìm kiếm, đề xuất và tạo văn bản.
Vector: vector là một chuỗi số được tạo ra bởi mô hình AI biểu diễn từ ngữ, hình ảnh, video và âm thanh. Vector rất quan trọng để giúp mô hình AI hiểu ý nghĩa và ngữ cảnh.
Bạn vẫn còn thắc mắc liên quan đến AI?
Thế giới AI đang phát triển với tốc độ chóng mặt và ít công ty có đủ khả năng để tự triển khai và quản lý công nghệ. Đối với hầu hết các tổ chức, giải pháp trọn gói cho phép bạn bắt đầu và chạy nhanh là giải pháp tốt nhất.
Nền tảng tự động hóa doanh nghiệp UiPath™ có các công cụ bạn cần để đưa AI vào hoạt động trên toàn doanh nghiệp của bạn. Chúng tôi liên tục bổ sung các tính năng mới khi AI phát triển, đảm bảo bạn có các khả năng mới nhất và tuyệt vời nhất theo ý mình.
Bạn có tò mò về cách AI có thể chuyển đổi doanh nghiệp của bạn không? Chúng tôi có câu trả lời bạn cần và chuyên môn để hướng dẫn bạn trên hành trình của mình. Hãy liên hệ với chúng tôi ngay hôm nay để khám phá cách AI + tự động hóa thông qua Nền tảng UiPath có thể đưa hoạt động của bạn lên một tầm cao mới.
Bài đăng trên blog này được đồng sáng tác bởi Judy Lee, Trưởng phòng Tiếp thị Sản phẩm tại UiPath.