Tổng quan về trí tuệ nhân tạo. Trí tuệ nhân tạo hiện tại đang làm gì, làm như thế nào? Phát triển một sản phẩm về trí tuệ nhân tạo phải làm như thế nào?

1. AI Seminar
Asilla Viet Nam
Hai Nguyen
hai@asilla.net
www.asilla.net
Ha Noi, 2017/04

2. Profile
2
Nguyễn Thanh Hải
CEO @AsillaVN
- BrSE, PM tại 1 số công ty Nhật
Bản
- Hơn 2 năm kinh nghiệm làm về
Big Data, ML
Phạm Thế Hưng
Technical Leader @AsillaVN
- Software developer
- Technical leader
- Hơn 2 năm kinh nghiệm làm về
Big Data, ML

3. Về Asilla
1) a
3
● Thành lập năm 2015
● Số lượng thành viên: VN 8, JP 6

4. 本資料は株式会社アジラの許可無く対外的に参照・配布しないようお願い申し上げます。
アジラとは？
アジアのゴジラ
Asia’s Godzilla

5. Thực hiện các dự án về AI (JP market offshore)
5

6. al+ @VietNam
6

7. Các self services của Asilla về AI
7
1) Nhận diện xe ô tô
・Cloud parking
・Shop parking
・Logistic, vehicle management
・CRM linkage, etc.
・Web media
・Printing
Dùng AI để kiểm tra các ảnh được upload Đánh giá dựa trên độ nhạy cảm của ảnh
2) Content monitoring https://maria.asilla.net

8. Các self services của Asilla về AI
8
3) Nhận diện hành động
・Y tế & điều dưỡng
・Chăm sóc người già, trẻ em
・Security
・etc

9. Hackathon & EXPO
9
23/6 ~ 25/6 Global AI Hackathon (hơn
1000 người tham dự)
27/6 ~ 30/6 1st AI EXPO @Tokyo
Try our best!!!

10. Nội dung seminar
10
Basic course:
● Day 1: Overview about AI & data science
● Day 2: Linear algebra review & Linear regression
● Day 3: Classification algorithm
● Day 4: Practice about Linear regression or Classification
Advanced course:
● Day 5: Tips & tricks about ML in real projects
● Day 6: Introduce about deep learning (CNN) & image processing
● Day 7: Introduce about RNN
● Day 8: Pratice about CNN

11. Thời gian thực hiện
● 8 buổi, 12/4 ~ 31/5
● Thứ 4 hàng tuần 17:00 ~ 18:30
● Trình bày 60 phút
● Q&A 30 phút
11

12. Mục tiêu
● Có cái nhìn tổng quan về AI, ML, Data Science
● Có thể thực hiện một số bài toán về AI
● Có thể tự nghiên cứu và tìm hiểu các thuật toán ML khác
12

13. Day 1:
Overview about AI & Data Science

14. Lịch sử
14
Làm cho máy tính có được trí thông minh

15. Một số bài toán điển hình
15
Nhận dạng chữ viết tay Nhận dạng khuôn mặt
Nhận dạng tiếng nói

16. Một số bài toán điển hình
16
Xử lý ngôn ngữ tự nhiên Chatbot
Dịch tự động

17. Một số bài toán điển hình
17
Robotics
Computer vision
Game Ô tô tự hành

18. Quan điểm về AI
18

19. 19
AlphaGo vs Lee Sedol
March 2016

20. 20
ROAD TO HAPPINESS IS STILL FAR

21. Machine Learning (ML)
21
● Là một trong những phương tiện để thực hiện
mục tiêu của AI
● Tự học hỏi dựa trên dữ liệu đưa vào mà không
cần phải lập trình cụ thể
● Những năm gần đây đã đạt được những bước
tiến lớn, tuy nhiên còn khá xa với mục tiêu cuối
cùng
● ML hiện tại tập trung vào mục tiêu ngắn hạn:
○ Nhận thức cơ bản của con người: nghe,
nhìn, hiểu ngôn ngữ, giải toán, lập trình, …
○ Hỗ trợ con người trong việc xử lý khối
lượng thông tin khổng lồ (Big Data)
Làm thế nào
có được trí
thông minh?

22. Tại sao cần Machine Learning?
● Không thể lập trình tất cả mọi thứ
● Một số xử lý là rất khó thực hiện theo một logic cụ thể
Ví dụ: thế nào là hình ảnh khuôn mặt người?
22
Rule - based Non Rule - based

23. Phân nhóm các thuật toán ML
● Học có giám sát (Supervised learning)
○ Có “tri thức” về đầu ra, do đã được “chỉ bảo”
bởi “thầy giáo”
○ Dự đoán đầu ra dựa trên “tri thức” đã học
● Học không giám sát (Unsupervised
learning)
○ Không có “tri thức” về đầu ra => “Tự học”
● Học bán giám sát (Semi-Supervised
learning)
● Học củng cố (Reinforcement learning)
23

24. Ví dụ về Học có giám sát
24
Bài toán: phân chia đống hoa
quả thành 4 giỏ: chuối, táo,
cam, other

25. Ví dụ về Học không có giám sát
25
Bài toán: phân chia đống hoa
quả thành 4 giỏ

26. Supervised learning workflow
26

27. Các thuật toán trong ML
27

28. Data science
● Khai phá tri thức từ dữ liệu
● Cần nhiều kinh nghiệm & kiến
thức tổng hợp
28

29. Big Data
29

30. Xử lý dữ liệu lớn
30

31. Developer nên bắt đầu từ đâu?
31

32. 1 + 1 ≈ 2 32
1 + 1 = 2
Thay đổi tư duy

33. 33

34. AI Developer
34
Dom
ain
expertise
Hacking
skills
M
ath
&
Statistics
Machine
Learning
Research
Danger
zone
AI

35. Các bước thực hiện 1 dự án AI (tại Asilla)
35
Research
& model
design
Collect
data
Annotation
(labeling)
Training Evaluation Integration Improvement
Thuê ngoài
Auto tool &
thuê ngoài

36. Một số trở ngại
36
Công sức xây dựng data Chi phí hạ tầng
GPU

37. Độ chính xác & Sản phẩm hoá
37
0% 70% 90% 99%

38. Q&A
38

39. Chuẩn bị cho các buổi tiếp theo
39