Tài liệu Nghiên cứu và phát triển trí tuệ nhân tạo

n và hiệu quả của dược phẩm mới. Các kỹ thuật TTNT có thể cho phép đánh giá dữ liệu đa chiều để nghiên cứu các vấn đề y tế công cộng và cung cấp hệ thống hỗ trợ quyết định cho chẩn đoán y tế và phương pháp điều trị. Các công nghệ TTNT cần cho việc tuỳ biến hóa thuốc đối với cá nhân; kết quả là có thể tăng hiệu quả y tế, sự hài hòng của bệnh nhân, và ít lãng phí hơn. • Luật: Việc dùng máy để phân tích các lịch sử vụ án pháp lý có thể trở nên phổ biến. Sự tinh vi gia tăng của các quá trình này có thể cho phép mức phân tích cao hơn cho việc hỗ trợ quá trình phát hiện. Các công cụ phát hiện pháp lý có thể xác định và tóm tắt bằng chứng có liên quan; các hệ thống này thậm chí có thể xây dựng các lập luận pháp lý với sự tinh vi cao. • Dịch vụ cá nhân: Phần mềm TTNT có thể cho phép sử dụng kiến thức từ nhiều nguồn để cung cấp thông tin chính xác hơn cho vô số như cầu sử dụng. Các hệ thống ngôn ngữ tự nhiên có thể cung cấp giao diện trực quan với các hệ thống công nghệ trong các môi trường nhiễu loạn ở thế giới thực. Các công cụ cá nhân hóa có thể có tính năng hỗ trợ tự động lập kế hoạch cá nhân và nhóm. Tài liệu có thể được tự động tổng hợp từ nhiều kết quả tìm kiếm, tăng cường giữa nhiều phương tiện truyền thông. TTNT có thể cho phép phiên dịch đa ngôn ngữ trong thời gian thực. • Tăng cường an ninh quốc gia: Các phần tử máy học có thể xử lý một lượng lớn dữ liệu tình báo và xác định các mẫu cuộc sống liên quan từ các đối thủ với chiến thuật thay đổi nhanh chóng. Các phần tử này cũng có thể bảo vệ cơ sở hạ tầng quan trọng và các ngành kinh tế chủ yếu dễ bị tấn công. Hệ thống phòng thủ kỹ thuật số có thể làm giảm đáng kể rủi ro và thương vong ngoài chiến trường. • An ninh và thực thi pháp luật: Các nhân viên thực thi pháp luật và an ninh có thể giúp tạo ra một xã hội an toàn hơn thông qua việc sử dụng mẫu để phát hiện hành vi bất thường ở các cá nhân, hoặc để dự đoán hành vi đám đông nguy hiểm. Các hệ thống nhận thức thông minh có thể bảo vệ cơ sở hạ tầng quan trọng, chẳng hạn như sân bay và nhà máy điện. • An toàn và dự đoán: Các hệ thống và cảm biến phân tán và mô hình hiểu biết về các điều kiện bình thường có thể phát hiện khi xác suất đổ vỡ cơ sở hạ tầng lớn tăng cao, cho dù do thiên nhiên hoặc con người gây ra. Khả năng báo trước 34 này có thể giúp chỉ ra nơi sẽ có vấn đề, để điều chỉnh với các hoạt động ngăn chặn sự đổ vỡ khi, hoặc thậm chí trước khi nó xảy ra. Tuy nhiên, tầm nhìn cho việc sử dụng tích cực TTNT này đòi hỏi những tiến bộ NC&PT đáng kể. Nhiều thách thức kỹ thuật quan trọng và khó khăn vẫn còn ở tất cả các nhánh của TTNT, cả về khoa học cơ bản và trong các lĩnh vực ứng dụng. Công nghệ TTNT cũng có những rủi ro hiện tại, chẳng hạn như đổ vỡ tiềm năng của thị trường lao động khi con người được tăng cường hoặc thay thế bằng các hệ thống tự động, và sự không chắc chắn về an toàn và độ tin cậy của các hệ thống TTNT. Sau đây là những ưu tiên cao, các khu vực chiến lược đầu tư NC&PT TTNT sẽ hỗ trợ tầm nhìn này, đồng thời giảm thiểu sự đổ vỡ và rủi ro tiềm tàng. 3.3. Chiến lược nghiên cứu và phát triển Chiến lược 1: Đầu tư lâu dài vào nghiên cứu TTNT Đầu tư nghiên cứu TTNT là cần thiết trong các khu vực có tiềm năng mang lại lợi ích lâu dài. Nếu như thành phần quan trọng của nghiên cứu dài hạn là các nghiên cứu gia tăng với kết quả dự đoán được, thì duy trì đầu tư lâu dài vào các nghiên cứu có nguy cơ cao có thể dẫn đến thu được những lợi ích cao. Những thành quả này có thể nhìn thấy trong 5 năm, 10 năm, hoặc lâu hơn. Một ví dụ đầy đủ về duy trì những nỗ lực nghiên cứu cơ bản dẫn đến lợi ích cao bao gồm World Wide Web và học sâu. Trong cả hai trường hợp, những nền tảng cơ bản bắt đầu vào năm 1960, và chỉ sau hơn 30 năm nỗ lực nghiên cứu liên tục, những ý tưởng này đã biến thành các công nghệ chuyển biến mà chúng ta chứng kiến ngày hôm nay trong nhiều loại TTNT. Các phương pháp tập trung dữ liệu tiên tiến cho khám phá tri thức Để hiểu biết dữ liệu thông minh và khám phá tri thức cần đến nhiều công cụ mới cơ bản và công nghệ cần thiết. Cần có tiến bộ hơn nữa trong việc phát triển các thuật toán học máy tiên tiến hơn có thể xác định tất cả các thông tin hữu ích ẩn trong dữ liệu lớn. Nhiều vấn đề nghiên cứu mở xoay quanh việc kiến tạo và sử dụng dữ liệu, bao gồm cả tính chính xác và phù hợp cho đào tạo hệ thống TTNT. Sự chính xác của dữ liệu là vô cùng thách thức khi xử lý lượng lớn dữ liệu, gây khó khăn cho con người để đánh giá và trích xuất các kiến thức từ đó. Mặc dù nhiều nghiên cứu xử lý tính xác thực thông qua các phương pháp đảm bảo chất lượng dữ liệu để tiến hành làm sạch dữ liệu và khám phá tri thức, nhưng cần nghiên cứu thêm để nâng cao hiệu quả của các kỹ thuật làm sạch dữ liệu, tạo ra phương pháp để phát hiện những mâu thuẫn và bất thường trong dữ liệu, và phát 35 triển các phương pháp kết hợp phản hồi của con người. Các nhà nghiên cứu cần khám phá những phương pháp mới để cho phép dữ liệu và siêu dữ liệu liên quan được khai thác đồng thời. Nhiều ứng dụng TTNT về bản chất mang tính liên ngành và sử dụng dữ liệu không đồng nhất. Cần tiếp tục nghiên cứu máy học đa phương thức để cho phép khám phá kiến thức từ nhiều loại dữ liệu khác nhau (ví dụ, rời rạc, liên tục, văn bản, không gian, thời gian, không-thời gian, đồ thị). Các nhà nghiên cứu TTNT phải xác định số lượng dữ liệu cần thiết cho việc đào tạo và tập trung quy mô đủ lớn so với nhu cầu dữ liệu dài. Họ cũng phải xác định làm thế nào để tìm ra và xử lý các sự kiện hiếm gặp ngoài cách tiếp cận thống kê thuần túy; làm việc với các nguồn tri thức (tức là mọi loại thông tin giải thích thế giới, chẳng hạn như kiến thức về định luật hấp dẫn hay các chuẩn mực xã hội) cũng như các nguồn dữ liệu, tích hợp các mô hình và bản thể học vào quá trình học tập; và để có được hiệu suất học tập hiệu quả với ít dữ liệu khi không có nguồn dữ liệu lớn. Tăng cường khả năng nhận thức của hệ thống TTNT Nhận thức là cánh cửa của một hệ thống thông minh mở ra thế giới. Nhận thức bắt đầu với dữ liệu cảm biến dưới các phương thức và hình thức đa dạng, chẳng hạn như tình trạng của chính hệ thống hoặc thông tin về môi trường. Các dữ liệu cảm biến được xử lý và tổng hợp, thường cùng với kiến thức các mô hình định trước, để trích xuất thông tin có liên quan đến nhiệm vụ của hệ thống TTNT như các đặc tính hình học, các thuộc tính, vị trí và vận tốc. Các dữ liệu tích hợp từ các dạng nhận thức hình thành cảnh báo tình huống cung cấp cho các hệ thống TTNT những kiến thức đầy đủ và mô hình trạng thái của thế giới xung quanh cần thiết để lên kế hoạch và thực hiện các nhiệm vụ một cách hiệu quả và an toàn. Các hệ thống TTNT sẽ hưởng lợi lớn từ những tiến bộ phần cứng và các thuật toán cho phép nhận thức mạnh mẽ và đáng tin hơn. Các cảm biến phải có khả năng thu được dữ liệu ở khoảng cách xa hơn, với độ phân giải cao hơn, và trong thời gian thực. Hệ thống nhận thức cần phải có khả năng tích hợp dữ liệu từ nhiều loại cảm biến và các nguồn khác, bao gồm cả đám mây điện toán, để xác định những gì các hệ thống TTNT đang nhận thức và cho phép dự đoán các trạng thái tương lai. Phát hiện, phân loại, xác định và công nhận các đối tượng vẫn còn là thách thức, đặc biệt là trong các điều kiện lộn xộn và động. Ngoài ra, nhận thức của con người cần phải được cải thiện rất nhiều bằng cách sử dụng sự kết hợp của cảm biến và thuật toán, sao cho hệ thống TTNT có thể làm việc hiệu quả hơn với con người. Cần có một khung tính toán và phổ biến sự không chắc chắn trong quá trình nhận thức để định lượng mức độ tin tưởng mà hệ thống TTNT có trong nhận thức tình huống và cải thiện độ chính xác. 36 Hiểu các khả năng và hạn chế lý thuyết của TTNT Mặc dù mục tiêu cuối cùng của nhiều thuật toán TTNT là để giải quyết những thách thức mở với các giải pháp giống người, nhưng chúng ta chưa biết rõ đâu là những khả năng và hạn chế lý thuyết của TTNT và mức độ mà các giải pháp giống người có thể thực hiện với thuật toán TTNT. Nghiên cứu lý luận là cần thiết để hiểu rõ hơn tại sao các kỹ thuật TTNT, đặc biệt là máy học, thường hoạt động tốt trong thực tế. Trong khi các ngành học khác nhau (bao gồm toán học, khoa học quản lý, khoa học máy tính) đang nghiên cứu vấn đề này, thì lĩnh vực này hiện đang thiếu các mô hình lý thuyết thống nhất hoặc các khung lý thuết để hiểu hiệu suất hoạt động của hệ thống TTNT. Cấn có các nghiên cứu bổ sung về khả năng giải quyết tính toán, là việc hiểu biết về các lớp vấn đề mà các thuật toán TTNT về mặt lý thuyết có khả năng giải quyết, và tương tự như vậy, những vấn đề chúng không có khả năng giải quyết. Sự hiểu biết này phải được phát triển trong bối cảnh của phần cứng hiện có, để xem phần cứng ảnh hưởng như thế nào đến hiệu suất hoạt động của các thuật toán. Hiểu được các vấn đề nan giải về mặt lý thuyết có thể giúp các nhà nghiên cứu phát triển các giải pháp gần đúng cho những vấn đề này, hoặc thậm chí mở các dòng nghiên cứu mới trên phần cứng cho hệ thống TTNT. Ví dụ, khi được phát minh vào những năm 1960, Mạng lưới thần kinh nhân tạo (Artificial Neural Networks - ANN) chỉ có thể được sử dụng để giải quyết vấn đề rất đơn giản. ANN chỉ trở nên khả thi để giải quyết các vấn đề phức tạp sau khi các cải tiến phần cứng như xử lý song song đã được thực hiện, và các thuật toán được điều chỉnh để sử dụng các phần cứng mới. Những phát triển này là nhân tố quan trọng trong việc hỗ trợ đạt được những tiến bộ đáng kể hiện nay trong học sâu. Theo đuổi nghiên cứu trí tuệ nhân tạo mục đích phổ quát Các phương pháp tiếp cận TTNT có thể được chia thành "TTNT hẹp" và "TTNT phổ quát." Hệ thống TTNT hẹp thực hiện các nhiệm vụ riêng lẻ trong các khu vực chuyên biệt được xác định rõ, chẳng hạn như nhận dạng giọng nói, nhận dạng hình ảnh, và dịch thuật. Một số hệ thống TTNT hẹp gần đây, bao gồm IBM Watson và AlphaGo của DeepMind, đã đạt được những kỳ tích lớn. Thật vậy, các hệ thống đặc biệt này đã được gắn nhãn "siêu nhân" vì chúng vượt trội so với những người chơi giỏi nhất trong các chương trình Jeopardy và Go tương ứng. Nhưng các hệ thống này là ví dụ cho TTNT hẹp, vì chúng chỉ có thể được áp dụng cho các nhiệm vụ mà chúng được thiết kế riêng. Sử dụng các hệ thống này cho phạm vi các vấn đề rộng hơn đòi hỏi nỗ lực cơ cấu lại đáng kể. Ngược lại, các mục tiêu dài hạn của TTNT phổ quát là tạo ra các hệ thống biểu hiện sự linh hoạt và đa dạng của trí tuệ của con người trong các lĩnh vực nhận thức, bao gồm cả 37 việc học, ngôn ngữ, nhận thức, suy luận, sáng tạo, và lập kế hoạch. Các khả năng học rộng sẽ cung cấp cho các hệ thống TTNT phổ quát khả năng chuyển giao kiến thức từ một lĩnh vực này sang lĩnhvực khác và tương tác học hỏi từ kinh nghiệm và từ con người. TTNT phổ quát là tham vọng của các nhà nghiên cứu kể từ khi TTNT ra đời, nhưng các hệ thống hiện nay vẫn còn rất xa mục tiêu này. Mối quan hệ giữa TTNT hẹp và phổ quát hiện đang được khám phá; có khả năng những bài học từ một bên có thể được áp dụng để cải thiện bên kia và ngược. Hầu hết các nhà nghiên cứu tin rằng TTNT phổ quát còn một chặng đường dài phải mất hàng thập kỷ, đòi hỏi những nỗ lực nghiên cứu tiên tục, lâu dài để đạt được. Phát triển hệ thống TTNT có khả năng mở rộng Các nhóm và mạng lưới hệ thống TTNT có thể được phối hợp hoặc độc lập hợp tác để thực hiện các nhiệm vụ mà một hệ thống TTNT riêng lẻ không làm được, và cũng có thể bao gồm con người cùng làm việc hoặc lãnh đạo nhóm. Sự phát triển và sử dụng các hệ thống đa TTNT như vậy tạo ra những thách thức nghiên cứu quan trọng trong việc lập kế hoạch, phối hợp, kiểm soát, và khả năng mở rộng của các hệ thống như vậy. Các kỹ thuật lập kế hoạch cho các hệ thống đa TTNT phải đủ nhanh để hoạt động và thích ứng trong thời gian thực với những thay đổi trong môi trường. Chúng cần thích ứng một cách trôi chảy với những thay đổi trong suy giảm và lỗi băng thông hay hệ thống liên lạc có sẵn. Nhiều nỗ lực trước đây đã hướng vào các kỹ thuật lập kế hoạch tập trung và phối hợp; tuy nhiên, các phương pháp này đều thất bại, chẳng hạn như mất người lập kế hoạch, hoặc mất liên lạc với người lập kế hoạch. Các kỹ thuật lập kế hoạch và kiểm soát phân tán khó đạt hơn về mặt thuật toán, và thường kém hiệu quả và không đầy đủ. Các nghiên cứu trong tương lai phải khám phá các kỹ thuật hiệu quả hơn, mạnh mẽ, và có khả năng mở rộng cho việc lập kế hoạch, kiểm soát, và sự hợp tác của các nhóm gồm nhiều hệ thống TTNT và con người. Nuôi dưỡng nghiên cứu về TTNT giống người Để có được TTNT giống người đòi hỏi các hệ thống có khả năng tự giải thích theo cách mà mọi người có thể hiểu được. Điều này sẽ dẫn đến một thế hệ mới các hệ thống thông minh, chẳng hạn như hệ thống gia sư thông minh và các trợ lý thông minh có hiệu quả trong việc hỗ trợ con người thực hiện nhiệm vụ của họ. Tuy nhiên, còn có khoảng cách lớn giữa cách thuật toán TTNT hiện nay hoạt động với cách con người tìm hiểu và thực hiện nhiệm vụ. Con người có khả năng học chỉ từ một vài ví dụ, hoặc bằng cách tiếp nhận hướng dẫn chính thức và/hoặc "gợi ý" để thực hiện nhiệm vụ, hoặc bằng cách quan sát những người khác làm những việc đó. Ví dụ, các trường y có cách tiếp cận này khi sinh viên y khoa học tập bằng cách quan sát một bác sĩ thực hiện một thủ thuật y tế phức tạp. Ngay cả 38 trong các công việc hiệu suất cao như trò chơi Go vô địch thế giới, một người chơi lão luyện cũng chỉ chơi vài ngàn ván để tự đào tạo. Ngược lại, sẽ mất hàng trăm năm để một người chơi số ván cần thiết để đào tạo AlphaGo. Nhiều nghiên cứu cơ bản về các phương pháp tiếp cận mới để có được TTNT giống người sẽ đưa những hệ thống này đến gần mục tiêu hơn. Phát triển robot có nhiều khả năng và tin cậy hơn Những tiến bộ đáng kể trong công nghệ robot trong thập kỷ qua đang dẫn đến những tác động tiềm năng trong vô số ứng dụng, bao gồm sản xuất, hậu cần, y học, chăm sóc sức khỏe, quốc phòng và an ninh quốc gia, nông nghiệp và sản phẩm tiêu dùng. Trong khi robot từ lâu đã được hình dung cho các môi trường công nghiệp tĩnh, thì những tiến bộ gần đây liên quan đến việc hợp tác chặt chẽ giữa robot và người. Các công nghệ robot đang cho thấy triển vọng về khả năng bổ sung, gia tăng, nâng cao, hoặc ganh đua với các khả năng vật lý hoặc trí thông minh của con người. Tuy nhiên, các nhà khoa học cần phải làm cho các hệ thống robot có nhiều khả năng, tin cậy và dễ sử dụng hơn. Các nhà nghiên cứu cần phải hiểu rõ hơn nhận thức của robot để lấy thông tin từ các loại cảm biến khác nhau để cung cấp cho robot những thực nhận thức tình huống với thời gian thực. Cần có tiến bộ trong nhận thức và lý luận để cho phép robot hiểu và tương tác tốt hơn với thế giới vật chất. Nâng cao khả năng thích nghi và học hỏi sẽ cho phép robot có thể khái quát các kỹ năng của mình, tự đánh giá về hiệu suất hiện tại của chúng, và học động tác chuyển động cơ thể từ những người giáo viên. Sự di động và thao tác là những lĩnh vực cần nghiên cứu thêm để robot có thể di chuyển trên địa hình gồ ghề và không chắc chắn và xử lý khéo léo một loạt các đối tượng. Robot cần phải học để hợp nhóm và cộng tác với người theo cách liền mạch, đáng tin cậy và có thể dự đoán được. Thúc đẩy phần cứng cho TTNT nâng cao Trong khi nghiên cứu TTNT thường đi kèm với những tiến bộ trong phần mềm, thì hiệu suất hoạt động của hệ thống TTNT phụ thuộc rất nhiều vào phần cứng mà nó hoạt động. Sự phục hồi hiện nay trong máy học sâu liên quan trực tiếp với sự tiến bộ trong công nghệ phần cứng dựa trên bộ xử lý đồ họa (GPU) và bộ nhớ nâng cao, đầu vào/đầu ra, tốc độ đồng hồ, xử lý song song, và hiệu quả năng lượng. Phát triển phần cứng tối ưu hóa cho các thuật toán TTNT sẽ cho phép mức các mức hiệu suất cao hơn so với GPU. Một ví dụ là bộ vi xử lý "phỏng nơ-ron" được lấy cảm hứng từ tổ chức của não và, trong một số trường hợp, tối ưu hóa cho các hoạt động của mạng lưới thần kinh. Những tiến bộ phần cứng cũng có thể cải thiện hiệu suất của các phương pháp TTNT thâm dụng dữ liệu cao. 39 Cần nghiên cứu thêm các phương pháp để mở và đóng dòng dữ liệu theo các cách được kiểm soát trên toàn hệ thống phân tán. Cũng cần tiếp tục nghiên cứu để cho phép các thuật toán máy học có thể học một cách hiệu quả từ các dữ liệu tốc độ cao, bao gồm các thuật toán học máy phân tán đồng thời học từ nhiều luồng dữ liệu. Các phương pháp phản hồi dựa trên máy học nâng cao hơn sẽ cho phép hệ thống TTNT thông minh lấy mẫu hoặc ưu tiên các dữ liệu từ những mô phỏng quy mô lớn, dụng cụ thí nghiệm, và các hệ thống cảm biến phân tán, chẳng hạn như Tòa nhà thông minh và Internet Vạn vật (IoT). Những phương pháp này có thể yêu cầu việc ra quyết định nhập xuất (I/O) động, trong đó các lựa chọn được thực hiện trong thời gian thực để lưu trữ các dữ liệu dựa trên tầm quan trọng hoặc ý nghĩa, chứ không chỉ đơn giản là lưu trữ dữ liệu ở tần số cố định. Tạo ra TTNT cho phần cứng cải tiến Trong khi phần cứng cải tiến có thể dẫn đến các hệ thống TTNT có nhiều khả năng hơn, thì các hệ thống TTNT cũng có thể cải thiện hiệu suất của phần cứng. Điều này sẽ dẫn đến những tiến bộ hơn nữa thực hiện phần cứng, bởi những giới hạn vật lý trên máy tính đòi hỏi các phương pháp mới để thiết kế phần cứng. Các phương pháp dựa trên TTNT có thể đặc biệt quan trọng trong việc cải thiện hoạt động của các hệ thống tính toán hiệu năng cao (HPC). Các hệ thống như vậy tiêu thụ một lượng năng lượng khổng lồ. TTNT đang được sử dụng để dự đoán hiệu suất HPC và sử dụng tài nguyên, và đưa ra các quyết định tối ưu hóa trực tuyến nâng cao hiệu quả; các kỹ thuật TTNT tiên tiến hơn có thể nâng cao hiệu suất hệ thống. TTNT cũng có thể được sử dụng để tạo ra các hệ thống HPC có khả năng tự tái cấu trúc có thể xử lý các lỗi hệ thống, mà không cần sự can thiệp của con người. Các thuật toán TTNT cải tiến có thể tăng hiệu suất của các hệ thống đa lõi bằng cách giảm những di chuyển dữ liệu giữa bộ vi xử lý và bộ nhớ - trở ngại chính để ngăn cản các hệ thống tính toán hoạt động nhanh hơn 10 lần so với siêu máy tính hiện nay. Trong thực tế, cấu trúc các thao tác trong các hệ thống HPC không bao giờ giống nhau, và các ứng dụng khác nhau được thực hiện đồng thời, với trạng thái của mỗi mã phần mềm khác nhau phát triển một cách độc lập về thời gian. Các thuật toán TTNT cần phải được thiết kế để hoạt động trực tuyến và ở quy mô cho các hệ thống HPC. Chiến lược 2: Phát triển các phương pháp hợp tác người-TTNT Trong khi các hệ thống TTNT hoàn toàn tự trị sẽ rất quan trọng trong một số lĩnh vực ứng dụng (ví dụ, thăm dò không gian sâu hoặc dưới nước), thì nhiều lĩnh vực ứng dụng khác (ví dụ, phục hồi sau thảm họa và chẩn đoán y tế) được giải 40 quyết một cách hiệu quả nhất bởi sự kết hợp của con người và hệ thống TTNT cùng làm việc để đạt được mục tiêu ứng dụng. Tương tác hợp tác này có ưu điểm về tính chất bổ sung của con người và hệ thống TTNT. Mặc dù đã có các cách tiếp cận hiệu quả đối với hợp tác người-TTNT, nhưng hầu hết trong số này là "giải pháp điểm" chỉ hoạt động trong một môi trường cụ thể, sử dụng các nền tảng cụ thể cho các mục tiêu cụ thể. Việc tạo các giải pháp điểm cho mỗi trường hợp ứng dụng không thể mở rộng; do đó cần thêm nhiều nghiên cứu đi xa hơn những giải pháp điểm, hướng tới các phương pháp tổng quát hơn trong hợp tác người-TTNT. Cần phải tìm cách cân bằng giữa thiết kế các hệ thống phổ quát hoạt động trong tất cả các loại vấn đề, đòi hỏi ít nỗ lực hơn để chế tạo và cơ sở thiết bị lớn hơn để chuyển đổi ứng dụng, với việc xây dựng số lượng lớn các hệ thống giải quyết vấn đề cụ thể có thể làm việc hiệu quả hơn đối với từng vấn đề. Các ứng dụng trong tương lai sẽ thay đổi đáng kể sự phân chia vai trò chức năng giữa người và hệ thống TTNT, bản chất của những tương tác giữa người và hệ thống TTNT, số lượng người và hệ thống TTNT khác cùng làm việc, người và hệ thống TTNT sẽ liên lạc và chia sẻ nhận thức tình huống như thế nào. Sư phân chia vai trò chức năng giữa người và hệ thống TTNT thường rơi vào một trong các loại sau: 1. TTNT thực hiện chức năng cùng với con người: Các hệ thống TTNT thực hiện nhiệm vụ ngoại vi hỗ trợ người ra quyết định. Ví dụ, TTNT có thể giúp con người có bộ nhớ làm việc, thu hồi bộ nhớ ngắn hay dài hạn, và các nhiệm dự đoán. 2. TTNT thực hiện chức năng khi con người gặp tình trạng quá tải nhận thức: Các hệ thống TTNT thực hiện các chức năng giám sát phức tạp (như hệ thống cảnh báo gần mặt đất trên máy bay), ra quyết định, và tự động chẩn đoán y tế khi con người cần trợ giúp. 3. TTNT thực hiện chức năng thay cho người: Các hệ thống TTNT thực hiện nhiệm vụ mà con người có khả năng rất hạn chế, chẳng hạn như đối với các tính toán toán học phức tạp, điều khiển hướng dẫn cho các hệ thống động trong môi trường hoạt động tranh chấp, các khía cạnh điều khiển cho các hệ thống tự động trong môi trường độc hại, và trong các tình huống mà hệ thống cần phản ứng rất nhanh (ví dụ, trong phòng điều khiển lò phản ứng hạt nhân). Để đạt được các tương tác hiệu quả giữa người và hệ thống TTNT cần có thêm nghiên cứu để đảm bảo rằng các thiết kế hệ thống không dẫn đến sự phức tạp quá mức, thiếu tin cậy. Sự quen thuộc của người với hệ thống TTNT có thể tăng lên thông qua đào tạo và kinh nghiệm, để đảm bảo rằng con người có sự am hiểu tốt về các khả năng của hệ thống TTNT, những gì các hệ thống TTNT có thể và 41 không thể làm. Để giải quyết những lo ngại này, các nguyên tắc tự động hóa lấy con người làm trung tâm nhất định phải được sử dụng trong việc thiết kế và phát triển các hệ thống này: 1. Sử dụng thiết kế trực quan, thân thiện với người dùng của những giao diện người- hệ thống TTNT, điều khiển và hiển thị. 2. Người vận hành luôn được thông báo. Hiển thị thông tin quan trọng, trạng thái của hệ thống TTNT, và thay đổi với những trạng thái này. 3. Người vận hành được đào tạo. Tham gia vào đào tạo thường xuyên về các kiến thức chung, kỹ năng, và khả năng (KSA), cũng như đào tạo về thuật toán và logic sử dụng trong hệ thống TTNT và các chế độ hỏng hóc dự kiến của hệ thống. 4. Làm cho tự động hóa linh hoạt. Triển khai các hệ thống TTNT nên được coi là một lựa chọn thiết kế cho những người vận hành, để họ quyết định xem muốn sử dụng chúng hay không. Một điều cũng rất quan trọng là thiết kế và triển khai các hệ thống TTNT thích ứng có thể được sử dụng để hỗ trợ những người vận hành trong thời gian quá tải công việc hoặc ốm đau. Nhiều thách thức cơ bản phát sinh cho các nhà nghiên cứu khi tạo ra các hệ thống làm việc hiệu quả với con người. Một số thách thức quan trọng bao gồm. Tìm kiếm các thuật toán mới cho TTNT nhận thức con người Qua nhiều năm, các thuật toán TTNT đã có thể giải quyết các vấn đề ngày càng phức tạp. Tuy nhiên, vẫn có khoảng cách giữa khả năng của các thuật toán và khả năng sử dụng các hệ thống này của con người. Cần có các hệ thống thông minh nhận thức con người có thể tương tác trực quan với người sử dụng và cho phép hợp tác máy-người liền mạch. Các tương tác trực quan bao gồm các tương tác nông, chẳng hạn như khi một người dùng loại bỏ một tùy chọn được hệ thống khuyến cáo; phương pháp tiếp cận dựa trên mô hình cân nhắc các hành động quá khứ của người sử dụng; hoặc thậm chí các mô hình sâu của ý định người sử dụng được dựa trên mô hình nhận thức chính xác của con người. Các mô hình gián đoạn cần được phát triển cho phép một hệ thống thông minh dừng hợp tác với con người chỉ khi cần thiết và thích hợp. Các hệ thống thông minh cũng cần có khả năng gia tăng nhận thức con người, biết lấy thông tin nào khi người sử dụng cần, ngay cả khi không được nhắc một cách rõ ràng. Các hệ thống thông minh trong tương lai phải có các chuẩn mực xã hội của con người và hành động phù hợp. Hệ thống thông minh có thể làm việc hiệu quả hơn với con người nếu chúng có một mức độ trí tuệ cảm xúc, để chúng có thể nhận ra cảm xúc của người dùng của họ và phản ứng thích hợp. Một mục tiêu nghiên cứu thêm là vượt qua các tương tác của một con người và một máy, hướng 42 tới một "hệ thống-của-hệ thống", đó là các nhóm gồm nhiều máy tính tương tác với nhiều người. Phát triển kỹ thuật TTNT tăng cường khả năng của người Trong khi phần lớn trọng tâm nghiên cứu TTNT trước đây là các thuật toán tương đương hoặc vượt trội con người trong thực hiện các nhiệm vụ hẹp, thì cần có thêm nghiên cứu để phát triển các hệ thống làm tăng thêm khả năng của con người trên nhiều lĩnh vực. Nghiên cứu tăng khả năng của người bao gồm các thuật toán làm việc trên thiết bị văn phòng (chẳng hạn như máy tính); thiết bị mang (như kính thông minh); thiết bị cấy ghép (như giao diện não); và trong môi trường sử dụng cụ thể (như phòng điều hành thiết kế đặc biệt). Ví dụ, nhận thức của con người tăng cường có thể cho phép một y tá chỉ ra sai lầm trong một quy trình y tế, dựa trên đọc dữ liệu kết hợp từ nhiều thiết bị. Các hệ thống khác có thể làm tăng thêm nhận thức con người bằng cách giúp đỡ người sử dụng lục lại những kinh nghiệm trong quá khứ có thể áp dụng cho tình hình hiện tại của người dùng. Một loại hình hợp tác khác giữa người và hệ thống TTNT liên quan đến học chủ động để hiểu dữ liệu thông minh. Trong học chủ động, đầu vào được tìm kiếm từ một chuyên gia trong lĩnh vực và việc học chỉ được thực hiện trên các dữ liệu khi các thuật toán học là không chắc chắn. Đây là một kỹ thuật quan trọng để giảm số lượng dữ liệu đào tạo cần được tạo ra ở chỗ đầu tiên, hoặc số lượng dữ liệu cần học. Học chủ động cũng là một cách quan trọng để có được đầu vào chuyên gia và tăng niềm tin vào thuật toán học. Phát triển kỹ thuật hiển thị hình ảnh và các giao diện TTNT-người Hiển thị hình ảnh và giao diện người dùng tốt hơn là những lĩnh vực bổ sung cần được phát triển nhiều hơn nữa để giúp con người hiểu được khối lượng lớn các tập dữ liệu hiện đại và thông tin từ nhiều nguồn khác nhau. Hiển thị hình ảnh và giao diện người dùng phải thể hiện rõ các dữ liệu và thông tin ngày càng phức tạp nhận được theo cách con người có thể hiểu được. Việc cung cấp kết quả trong thời gian thực rất quan trọng trong các hoạt động yêu cầu an toàn cao và có thể đạt được với năng lực tính toán và kết nối hệ thống tăng lên. Trong các trường hợp này, người dùng cần sự trực quan và các giao diện có thể nhanh chóng chuyển tải những thông tin chính xác phản ứng thời gian thực. Sự hợp tác người-TTNT có thể được áp dụng trong các môi trường rất khác nhau, và nơi liên lạc khó khăn. Trong một số lĩnh vực, độ trễ liên lạc người-TTNT thấp và đáng tin cậy. Trong các lĩnh vực khác (ví dụ, việc triển khai các xe tự hành Spirit và Opportunity lên sao Hỏa của NASA), liên lạc từ xa giữa người và hệ thống TTNT có một độ trễ rất cao (ví dụ, thời gian thông tin đi 1 vòng giữa Trái 43 Đất và Sao Hỏa là 5-20 phút). Những yêu cầu liên lạc và hạn chế những cân nhắc quan trọng cho NC&PT các giao diện người dùng. Phát triển hệ thống xử lý ngôn ngữ hiệu quả hơn Tạo khả năng cho phép con người tương tác với hệ thống TTNT thông qua ngôn ngữ nói và viết từ lâu đã là mục tiêu của các nhà nghiên cứu TTNT. Mặc dù đã có những tiến bộ đáng kể, nhưng các thách thức nghiên cứu mở đáng kể phải được giải quyết trong xử lý ngôn ngữ trước khi con người có thể giao tiếp một cách hiệu quả với các hệ thống TTNT như với người khác. Nhiều tiến bộ gần đây trong xử lý ngôn ngữ đã góp phần sử dụng các phương pháp học máy bằng dữ liệu, dẫn đến các hệ thống thành công, chẳng hạn như nhận dạng được lời nói tiếng Anh thành thạo trong môi trường xung quanh yên tĩnh trong thời gian thực. Tuy nhiên, những thành tựu này chỉ là những bước đầu tiên hướng tới các mục tiêu dài hạn. Các hệ thống hiện tại không thể đối phó với những thách thức thực tế như hiểu lời nói trong môi trường ồn ào, lời nói nặng giọng, lời nói của trẻ em, lời nói ngọng, và lời nói cho ngôn ngữ ký hiệu. Cần phát triển những hệ thống xử lý ngôn ngữ có khả năng tham gia vào các cuộc đối thoại theo thời gian thực với con người. Những hệ thống như vậy sẽ cần phải suy ra được các mục tiêu và ý định của người đối thoại của mình, sử dụng đăng ký thích hợp, phong cách và hùng biện với tình hình, và sử dụng các chiến lược sửa chữa trong trường hợp hiểu lầm đối thoại. Cần có nghiên cứu thêm để phát triển các hệ thống dễ dàng khái quát qua các ngôn ngữ khác nhau. Ngoài ra, cần nghiên cứu thêm để có được kiến thức hữu ích có cấu trúc dưới dạng sẵn sàng tiếp cận cho các hệ thống xử lý ngôn ngữ . Những tiến bộ xử lý ngôn ngữ trong nhiều lĩnh vực khác cũng cần thiết để làm cho sự tương tác giữa người và hệ thống TTNT tự nhiên và trực quan hơn. Các mô hình tính toán mạnh mẽ phải được xây dựng cho các mẫu ở cả ngôn ngữ nói và viết, cung cấp bằng chứng cho trạng thái cảm xúc, ảnh hưởng, và lập trường, và để xác định các thông tin đó là tiềm ẩn trong lời nói và văn bản. Các kỹ thuật xử lý ngôn ngữ mới là cần thiết để đưa ngôn ngữ vào bối cảnh môi trường cho hệ thống TTNT hoạt động trong thế giới vật chất, chẳng hạn như trong robot. Cuối cùng, vì cách thức con người giao tiếp trong các tương tác trực tuyến có thể hoàn toàn khác với các tương tác bằng giọng nói, mô hình ngôn ngữ được sử dụng trong bối cảnh này phải được hoàn thiện để hệ thống TTNT xã hội có thể tương tác hiệu quả hơn với mọi người. Chiến lược 3: Hiểu và giải quyết các tác động xã hội, luật pháp và đạo đức Khi các phần tử TTNT hành động tự chủ, chúng ta mong muốn chúng hành xử theo các chuẩn mực chính thức và không chính thức mà theo đó chúng ta duy 44 trì xã hội đồng loại. Là các lực lượng trật tự xã hội cơ bản, pháp luật và đạo đức do đó đều được thông báo và điều chỉnh hành vi của các hệ thống TTNT. Nghiên cứu chủ đạo cần bao gồm đến cả hiểu biết về ý nghĩa đạo đức, pháp luật và xã hội của TTNT, cũng như phát triển phương pháp thiết kế TTNT phù hợp với các nguyên tắc đạo đức, pháp luật và xã hội. Các mối quan tâm riêng tư cũng cần được xem xét. Như với bất kỳ công nghệ nào, việc sử dụng TTNT được chấp nhận sẽ được thông báo những giáo lý của pháp luật và đạo đức; thách thức là làm thế nào để áp dụng những giáo lý đó vào công nghệ mới này, đặc biệt là những nguyên lý liên quan đến quyền tự chủ, trung gian và kiểm soát. Để xây dựng hệ thống mạnh mẽ cư xử tốt, dĩ nhiên chúng ta cần phải quyết định thế nào là hành vi tốt trong mỗi miền ứng dụng. Chiều đạo đức này liên quan mật thiết đến những vấn đề về kỹ thuật chế tạo, các kỹ thuật này đáng tin cậy như thế nào, và sự trả giá là gì - tất cả các lĩnh vực đều cần đến khoa học máy tính, máy tính học tập và chuyên môn TTNT rộng hơn. Nghiên cứu trong lĩnh vực này có thể được hưởng lợi từ những quan điểm đa ngành có liên quan đến các chuyên gia khoa học máy tính, khoa học xã hội và hành vi, đạo đức, khoa học y sinh học, tâm lý học, kinh tế, luật, và nghiên cứu chính sách. Nâng cao tính công bằng, minh bạch và thiết kế có trách nhiệm Nhiều lo ngại đã nói về sự nhạy cảm của các thuật toán TTNT nhiều dữ liệu trong lỗi và lạm dụng, và các nhánh có thể về giới tính, tuổi tác, chủng tộc, hoặc các tầng lớp giàu-nghèo. Việc thu thập và sử dụng dữ liệu phù hợp cho hệ thống TTNT, trong vấn đề này, là một thách thức quan trọng. Tuy nhiên, ngoài các vấn đề thuần túy liên quan đến dữ liệu, câu hỏi lớn nổi lên là về thiết kế TTNT công bằng, minh bạch và có trách nhiệm. Các nhà nghiên cứu phải tìm hiểu làm thế nào để thiết kế các hệ thống này để các hành động và quyết định của chúng được minh bạch và dễ giải thích đối với người, và do đó có thể được xem xét bất kỳ sự thiên vị nào chúng có thể có, thay vì chỉ học và lặp lại những thành kiến. Có những vấn đề trí tuệ nghiêm túc về làm thế nào để thể hiện và "mã hóa" các hệ thống giá trị và niềm tin. Các nhà khoa học cũng phải nghiên cứu mức độ phạm vi xem xét về công lý và công bằng có thể được thiết kế vào hệ thống, và làm thế nào để thực hiện điều này trong giới hạn của kỹ thuật chế tạo hiện hành. Xây dựng TTNT đạo đức Ngoài những giả định cơ bản của công lý và công bằng là các quan tâm khác về việc liệu hệ thống TTNT có thể biểu hiện hành vi tuân thủ các nguyên tắc đạo đức chung. Làm thế nào các tiến bộ trong TTNT có thể định hình các vấn đề mới "liên quan đến máy" về đạo đức, hoặc những việc sử dụng TTNT nào có thể được 45 coi là phi đạo đức? Đạo đức vốn dĩ là một vấn đề triết học trong khi công nghệ TTNT phụ thuộc vào, và được giới hạn bởi, kỹ thuật. Do đó, trong giới hạn của những gì khả thi công nghệ, các nhà nghiên cứu phải cố gắng phát triển các thuật toán và kiến trúc phù hợp với, hay tuân thủ, pháp luật hiện hành, chuẩn mực xã hội và đạo đức - rõ ràng là một nhiệm vụ rất khó khăn. Các nguyên tắc đạo đức thường ghi nhận các mức độ mơ hồ khác nhau và rất khó chuyển vào hệ thống chính xác và thiết kế thuật toán. Ngoài ra còn có các biến chứng khi hệ thống TTNT, đặc biệt với các loại thuật toán ra quyết định độc lập mới, phải đối mặt với tình huống đạo đức khó xử dựa trên các hệ thống độc lập và có thể xung đột giá trị. Các vấn đề đạo đức khác nhau tùy theo nền văn hóa, tôn giáo, tín ngưỡng. Tuy nhiên, các khuôn khổ tham khảo đạo đức có thể chấp nhận có thể được phát triển để hướng dẫn hệ thống TTNT lập luận và ra quyết định, để giải thích và biện minh cho kết luận và hành động của chúng. Cần có cách tiếp cận đa ngành để tạo ra các tập dữ liệu đào tạo phản ánh một hệ thống giá trị thích hợp, bao gồm các ví dụ chỉ ra hành vi ưa thích khi thể hiện các vấn đề đạo đức khó hoặc có các giá trị xung đột. TTNT cần phương pháp thích hợp để giải quyết xung đột dựa trên giá trị, nơi mà hệ thống kết hợp các nguyên tắc có thể giải quyết thực tế các tình huống phức tạp khi các quy tắc nghiêm ngặt không thể thực hiện được. Thiết kế các cấu trúc TTNT đạo đức Cần phải có thêm tiến bộ trong nghiên cứu cơ bản để xác định làm thế nào để thiết kế tốt nhất các kiến trúc cho hệ thống TTNT kết hợp lý luận đạo đức. Nhiều phương pháp đã được đề xuất, chẳng hạn như một kiến trúc màn hình hai tầng ngăn cách TTNT hoạt động khỏi phần tử màn hình chịu trách nhiệm cho việc đánh giá đạo đức hay pháp lý của bất kỳ hành động nào. Một quan điểm khác thiên về kỹ thuật an toàn, trong đó sử dụng một khuôn khổ khái niệm chính xác cho kiến trúc phần tử TTNT để đảm bảo rằng hành vi TTNT là an toàn và không gây hại cho con người. Phương pháp thứ ba là xây dựng một kiến trúc đạo đức sử dụng các nguyên tắc lý thuyết đã được xác lập, kết hợp với những hạn chế logic về hành vi hệ thống TTNT để phù hợp với giáo lý đạo đức. Khi hệ thống TTNT trở nên phổ quát hơn, các kiến trúc của chúng có thể sẽ bao gồm các hệ thống con có thể tiếp nhận các vấn đề đạo đức ở nhiều cấp độ phán xét, bao gồm: quy tắc phù hợp với mô hình phản ứng nhanh, lý luận cho phản ứng chậm hơn để mô tả và biện minh cho hành động, tín hiệu xã hội để chỉ ra sự tin cậy cho người sử dụng, và các quá trình xã hội hoạt động qua thang thời gian thậm chí dài hơn cho phép hệ thống tuân theo các chuẩn mực văn hóa. Các nhà nghiên cứu sẽ cần phải tập 46 trung vào việc làm thế nào để giải quyết tốt nhất thiết kế tổng thể các hệ thống TTNT phù hợp với các mục tiêu đạo đức, pháp lý và xã hội. Chiến lược 4: Đảm bảo an toàn và an ninh của hệ thống TTNT Trước khi một hệ thống TTNT được đưa vào sử dụng rộng rãi, cần đảm bảo rằng hệ thống sẽ hoạt động một cách an toàn, chắc chắn và được kiểm soát. Cần nghiên cứu để giải quyết thách thức tạo ra hệ thống TTNT tin cậy, có cơ sở và đáng tin. Cũng như với các hệ thống phức tạp khác, hệ thống TTNT đối mặt với những thách thức an toàn và bảo mật quan trọng do: • Môi trường phức tạp và không chắc chắn: Trong nhiều trường hợp, hệ thống TTNT được thiết kế để hoạt động trong môi trường phức tạp, với số lượng lớn trạng thái tiềm tàng không được kiểm tra hoặc thử nghiệm thấu đáo. Một hệ thống có thể đối đầu với các điều kiện chưa được xem xét trong thiết kế. • Hành vi bất ngờ: Đối với hệ thống TTNT học sau khi triển khai, hành vi của hệ thống có thể được xác định chủ yếu bởi các giai đoạn học trong điều kiện không giám sát. Trong điều kiện như vậy, có thể khó dự đoán hành vi của hệ thống. • Thông số sai lệch mục tiêu: Do khó khăn trong việc chuyển mục tiêu của con người vào hướng dẫn máy tính, các mục tiêu được lập trình cho một hệ thống TTNT có thể không phù hợp với các mục tiêu đã được các lập trình viên dự định. • Tương tác người-máy: Trong nhiều trường hợp, hiệu suất của một hệ thống TTNT bị ảnh hưởng đáng kể bởi sự tương tác của con người. Trong những trường hợp này, sự thay đổi trong phản ứng của con người có thể ảnh hưởng đến an toàn của hệ thống. Để giải quyết những vấn đề này cũng như các vấn đề khác tương tự, cần đầu tư bổ sung để thúc đẩy an ninh và an toàn cho TTNT, bao gồm khả năng giải thích và minh bạch, tin cậy, xác minh và xác nhận, an ninh chống lại các tấn công, và TTNT an toàn lâu dài. Chiến lược 5: Phát triển các bộ dữ liệu và môi trường công cộng sử dụng chung trong đào tạo và kiểm tra TTNT Những lợi ích của TTNT sẽ tiếp tục tích luỹ, nhưng chỉ trong phạm vi của các nguồn tài nguyên đào tạo và kiểm tra cho TTNT được phát triển và có sẵn. Sự đa dạng, độ sâu, chất lượng và độ chính xác của các tập dữ liệu đào tạo và các nguồn lực khác ảnh hưởng đáng kể đến hoạt động của TTNT. Nhiều công nghệ TTNT khác nhau đòi hỏi dữ liệu chất lượng cao để đào tạo và kiểm tra, cũng như các môi trường mô phỏng năng động, cơ sở thử nghiệm tương tác. 47 Không chỉ là vấn đề kỹ thuật, đây là một thách thức lớn về "hàng hóa công", do tiến bộ sẽ bị ảnh hưởng nếu việc đào tạo và thử nghiệm TTNT chỉ giới hạn trong một số ít các thực thể đã giữ các bộ dữ liệu và nguồn tài nguyên có giá trị, nhưng chúng ta phải đồng thời tôn trọng các quyền thương mại và cá nhân và lợi ích đối với dữ liệu. Cần nghiên cứu phát triển các bộ dữ liệu và môi trường chất lượng cao cho một loạt các ứng dụng TTNT, và cho phép truy cập một cách có trách nhiệm vào các tập hợp dữ liệu tốt và các nguồn tài nguyên thử nghiệm và đào tạo. Các thư viện phần mềm mã nguồn mở và các bộ công cụ bổ sung cũng cần thiết để thúc đẩy sự tiến bộ của NC&PT TTNT. Phát triển và mở tiếp cận các bộ dữ liệu đa dạng để đáp ứng nhu cầu quan tâm và ứng dụng TTNT trên phổ rộng. Tính toàn vẹn và tính sẵn sàng của các bộ dữ liệu đào tạo và thử nghiệm TTNT là rất quan trọng để đảm bảo các kết quả đáng tin cậy về mặt khoa học. Cần có hạ tầng kỹ thuật cũng như kỹ thuật-xã hội để hỗ trợ nghiên cứu tái sinh trong lĩnh vực kỹ thuật số đã được xem là một thách thức quan trọng và cũng cần thiết cho các công nghệ TTNT. Các bộ dữ liệu hiệu chỉnh và công khai với nguồn gốc được xác định để cho phép tái lặp là một yếu tố quan trọng đảm bảo cho sự tiến bộ trong TTNT. Như trong các khoa học thâm dụng dữ liệu khác, thu thập dữ liệu gốc là đặc biệt quan trọng. Các nhà nghiên cứu phải có khả năng tái tạo các kết quả với các bộ dữ liệu khác nhau. Bộ dữ liệu phải là đại diện của các ứng dụng thực tế đầy thử thách, và không chỉ là các phiên đơn giản. Để có tiến bộ nhanh chóng, cần tập trung vào cung cấp được các bộ dữ liệu đã có trong chính phủ, những dữ liệu có thể được phát triển bằng tài trợ liên bang, và trong chừng mực có thể, những dữ liệu trong khu vực công nghiệp. Làm cho các tài nguyên dữ liệu đào tạo và thử nghiệm đáp ứng các lợi ích công cộng và thương mại Với sự bùng nổ liên tục của dữ liệu, nguồn dữ liệu, và công nghệ thông tin trên toàn thế giới, các tập dữ liệu đang gia tăng cả về số lượng và quy mô. Các kỹ thuật và công nghệ để phân tích dữ liệu không đáp ứng được khối lượng lớn các nguồn thông tin thô. Thu thập dữ liệu, xử lý, phân tích, và hiển thị hình ảnh là tất cả các thách thức nghiên cứu quan trọng, và khoa học cần để trích xuất được những kiến thức giá trị từ khối lượng dữ liệu khổng lồ đang bị tụt hậu. Mặc dù có các kho dữ liệu, nhưng chúng thường không thể đáp ứng được sự mở rộng quy mô của các tập dữ liệu, do hạn chế thông tin về nguồn gốc dữ liệu, và không hỗ trợ tìm kiếm dữ liệu nhiều nghĩa. Một ví dụ về các loại chương trình hạ tầng mở/chia sẻ cần thiết để hỗ trợ các nhu cầu nghiên cứu TTNT là chương trình IMPACT (Thị trường Thông tin về 48 Chính sách và Phân tích sự tin cậy và rủi ro mạng) được phát triển bởi Bộ An ninh Nội địa (DHS) Hoa Kỳ. Chương trình này hỗ trợ nỗ lực nghiên cứu rủi ro an ninh mạng toàn cầu bằng cách phối hợp và phát triển khả năng chia sẻ dữ liệu và thông tin thực tế, bao gồm các công cụ, mô hình và phương pháp luận. IMPACT cũng hỗ trợ chia sẻ dữ liệu quan trọng giữa cộng đồng NC&PT an ninh mạng quốc tế, các nhà cung cấp cơ sở hạ tầng quan trọng, và những người ủng hộ trong chính phủ của họ. Phát triển các thư viện phần mềm mã nguồn mở và các bộ công cụ Các thư viện phần mềm mã nguồn mở và các bộ công cụ ngày càng nhiều cho phép tiếp cận các công nghệ TTNT tiên tiến đối với mọi nhà phát triển có kết nối Internet. Các tài nguyên như bộ công cụ Weka, Mallet, và OpenNLP, ngoài những công cụ khác, đã thúc đẩy sự phát triển và ứng dụng của TTNT. Các công cụ phát triển công cụ, bao gồm kho mã giá rẻ hoặc miễn phí và hệ thống kiểm soát phiên bản, cũng như các ngôn ngữ phát triển giá rẻ hoặc miễn phí (ví dụ, R, Octave, và Python) tạo điệu kiện cho sử dụng và mở rộng các thư viện này. Ngoài ra, đối với những người có thể không muốn tích hợp các thư viện này một cách trực tiếp, các dịch vụ học máy dựa trên đám mây có thể thực hiện các nhiệm vụ như phân loại ảnh theo yêu cầu thông qua các giao thức web có độ trễ thấp không đòi hỏi hoặc cần ít chương trình để sử dụng. Cuối cùng, rất nhiều dịch vụ web cũng cung cấp sử dụng các phần cứng chuyên biệt, bao gồm cả các hệ thống dựa trên GPU. Có thể cho rằng phần cứng chuyên dụng cho các thuật toán TTNT, bao gồm bộ vi xử lý phỏng nơ-ron, cũng sẽ trở nên phổ biến rộng rãi thông qua các dịch vụ này. Chiến lược 6: Đo lường và đánh giá các công nghệ TTNT thông qua các tiêu chuẩn và mức chuẩn Tiêu chuẩn, mức chuẩn, testbeds được cộng đồng TTNT chấp nhận có ý nghĩa quan trọng để hướng dẫn và thúc đẩy NC&PT công nghệ TTNT. Các phần dưới đây phác thảo các lĩnh vực cần có những tiến bộ. Phát triển phổ rộng các tiêu chuẩn TTNT Việc phát triển các tiêu chuẩn phải được đẩy nhanh để bắt kịp với các khả năng phát triển nhanh chóng và các lĩnh vực mở rộng của các ứng dụng TTNT. Các tiêu chuẩn cung cấp các yêu cầu, thông số kỹ thuật, hướng dẫn, hoặc các đặc tính có thể được sử dụng thống nhất để đảm bảo rằng các công nghệ TTNT đáp ứng các mục tiêu quan trọng đối với chức năng và khả năng tương tác, và chúng thực hiện đáng tin cậy và an toàn. Việc áp dụng các tiêu chuẩn mang lại uy tín cho những tiến bộ công nghệ và tạo điều kiện mở rộng thị trường tương thích. 49 Một ví dụ tiêu chuẩn liên quan đến TTNT đã được phát triển là P1872-2015 (các bản thể học tiêu chuẩn cho Robotics và Tự động hóa), do Viện Kỹ thuật điện và điện tử (IEEE) phát triển. Tiêu chuẩn này cung cấp cách thể hiện kiến thức một cách có hệ thống và một tập các thuật ngữ và định nghĩa. Chúng cho phép chuyển giao kiến thức rõ ràng giữa người, robot và các hệ thống nhân tạo khác, cũng như cung cấp cơ sở nền tảng cho các ứng dụng các công nghệ TTNT cho robot. Công việc bổ sung trong phát triển các tiêu chuẩn TTNT cần trong tất cả các lĩnh vực nhánh của TTNT. Các tiêu chuẩn là cần thiết tập trung gồm: • Công nghệ phần mềm: quản lý hệ thống phức tạp, duy trì, an ninh, giám sát và điều khiển hành vi bất ngờ; • Hoạt động: để đảm bảo độ chính xác, độ tin cậy, mạnh mẽ, khả năng tiếp cận, và khả năng mở rộng; • Phép đo: định lượng các yếu tố ảnh hưởng đến hiệu suất và tuân thủ các tiêu chuẩn; • An toàn: đánh giá quản lý rủi ro và phân tích rủi ro của hệ thống, tương tác người -máy tính, hệ thống kiểm soát, và tuân thủ quy định; • Khả năng sử dụng: đảm bảo rằng các giao diện và kiểm soát có hiệu quả, hiệu lực và trực quan (thấy được); • Khả năng cộng tác: xác định thành phần hoán đổi, dữ liệu, và các mô hình giao dịch qua các giao diện chuẩn và tương thích; • Bảo mật: tập trung vào tính bí mật, tính toàn vẹn và tính sẵn sàng của thông tin, cũng như an ninh mạng; • Riêng tư: kiểm soát để bảo vệ các thông tin trong khi đang được xử lý, khi truyền tải, hoặc lưu trữ; • Truy xuất nguồn gốc: cung cấp một bản ghi sự kiện (thực hiện, kiểm tra, và hoàn thành), và cho xử lý dữ liệu; và • Lĩnh vực: xác định các thuật ngữ chuẩn lĩnh vực cụ thể và các khung tương ứng Thành lập mức chuẩn công nghệ TTNT Các mức chuẩn, gồm kiểm tra và đánh giá, cung cấp các số đo định lượng cho phát triển các tiêu chuẩn và đánh giá sự phù hợp với các tiêu chuẩn. Mức chuẩn hỗ trợ cho đổi mới bằng cách thúc đẩy các tiến bộ nhằm giải quyết các tình huống lựa chọn chiến lược; chúng bổ sung cung cấp dữ liệu khách quan để theo dõi sự phát triển của khoa học và công nghệ TTNT. Để đánh giá một cách hiệu quả các công nghệ TTNT, các phương pháp thử nghiệm và phép đo phù hợp và hiệu quả phải được phát triển và chuẩn hóa. Các phương pháp thử tiêu chuẩn sẽ quy định các giao thức và thủ tục đánh giá, so sánh, và quản lý hiệu suất của các 50 công nghệ TTNT. Các chỉ số chuẩn cần thiết để xác định các số đo định lượng để mô tả đặc điểm các công nghệ TTNT, trong đó bao gồm: độ chính xác, độ phức tạp, sự tin cậy và năng lực, rủi ro và sự không chắc chắn; khả năng giải thích; sự thiên vị ngoài ý muốn; so sánh với hiệu suất của con người; và tác động kinh tế. Chiến lược 7: Hiểu rõ hơn nhu cầu nhân lực NC&PT TTNT Để đạt được những tiến bộ NC&PT TTNT cần thiết được nêu trong chiến lược này sẽ đòi hỏi dủ lực lượng lao động đủ NC&PT TTNT. Các quốc gia có sự hiện diện mạnh nhất trong NC&PT TTNT sẽ xác lập các vị trí hàng đầu trong tự động hóa của tương lai. Họ sẽ trở thành người dẫn đầu trong các năng lực như sáng tạo và phát triển thuật toán; khả năng trình diễn; và thương mại hóa. Phát triển chuyên môn kỹ thuật sẽ cung cấp cơ sở cho những tiến bộ này. Trong khi không có dữ liệu về lực lượng lao động chính thức TTNT hiện tại, nhiều báo cáo gần đây từ các lĩnh vực thương mại và học thuật đang cho thấy ngày càng thiếu các chuyên gia trong TTNT. Việc cung ứng chuyên gia TTNT hạn chế, trong khi nhu cầu dự kiến sẽ tiếp tục leo thang. Các công ty công nghệ cao đang đầu tư nguồn lực đáng kể vào việc tuyển dụng giảng viên và sinh viên có chuyên môn TTNT. Các trường đại học và các ngành công nghiệp cho biết đang trong trận chiến để tuyển dụng và giữ chân nhân tài TTNT. Cần nghiên cứu thêm để hiểu rõ hơn về nhu cầu nguồn nhân lực hiện tại và tương lai cho NC&PT TTNT. Dữ liệu là cần thiết để mô tả tình trạng hiện nay của lực lượng lao động NC&PT TTNT, bao gồm nhu cầu của các viện nghiên cứu, chính phủ, và công nghiệp. Các nghiên cứu cần tìm hiểu nguồn cung và nhu cầu nhân lực tại nơi làm việc TTNT, để giúp dự đoán nhu cầu của lực lượng lao động trong tương lai. 51 KẾT LUẬN Trí tuệ nhân tạo là công nghệ biến đổi có triển vọng mang lại lợi ích to lớn cho kinh tế và xã hội. TTNT có khả năng cách mạng hóa cách thức chúng ta sống, làm việc, học hỏi, khám phá và giao tiếp. Nghiên cứu TTNT có thể tiếp tục là những ưu tiên quốc gia của Hoa Kỳ, bao gồm nâng cao sự thịnh vượng kinh tế, cải thiện cơ hội giáo dục và chất lượng cuộc sống, và tăng cường an ninh quốc gia. Vì những lợi ích tiềm năng này, chính phủ Hoa Kỳ đã đầu tư vào nghiên cứu AI trong nhiều năm. Tuy nhiên, như với bất kỳ công nghệ quan trọng mà chính phủ đã quan tâm, không chỉ có những cơ hội to lớn mà cũng có một số cân nhắc phải được xem xét. Mục tiêu cuối cùng của nghiên cứu này là để sản xuất tạo ra kiến thức TTNT mới và các công nghệ cung cấp một loạt các lợi ích tích cực cho xã hội, trong khi giảm thiểu các tác động tiêu cực. Chiến lược 1-6 của kế hoạch này nhằm mục đích xây dựng một khuôn khổ triển khai NC&PT TTNT để xác định các cơ hội KH&CN và hỗ trợ trợ hiệu quả các đầu tư NC&PT TTNT. Các khuôn khổ thực hiện càn phải xem xét đến các ưu tiên NC&PT của từng cơ quan, dựa trên nhiệm vụ, khả năng, thẩm quyền, và ngân sách. Trong khi đó Chiến lược 7 của kế hoạch tập trung nghiên cứu bối cảnh quốc gia để tạo ra và duy trì một lực lượng lao động hùng hậu trong NC&PT TTNT để giải quyết các thách thức chiến lược NC&PT được nêu ra. Qua những hành động mạnh mẽ và cụ thể của chính quyền Hoa Kỳ chuẩn bị cho tương lai của TTNT, chúng ta có thể cảm nhận thấy rằng TTNT đang bắt đầu hiện diện phổ cập theo các mức độ khác nhau trong đời sống của các nước tến thế giới. Việc trang bị tâm lý và kiến thức cho người dân là nhiệm vụ cần thiết của các chính phủ để quốc gia không bị gạt ra bên lề của cuộc cách mạng mới trong tất cả các lĩnh vực kinh tế và xã hội. Thực hiện: Trung tâm Phân tích thông tin 52 TÀI LIỆU THAM KHẢO CHÍNH 1. “One Hundred Year Study on Artificial Intelligence (AI100),” Stanford University, accessed August 1, 2016, https://ai100.stanford.edu 2. "National artificial intelligence research and development strategic plan". National Science and Technology Council (NSTC). 10/2016. 3. Preparing for the future of artificial intelligence. National Science and Technology Council (NSTC), Office of Science and Technology Policy (OSTP). 10/2016 3. Artificial intelligence: opportunities and implications for the future of decision making. Government Office for Science (UK). 2/2016 4. Artificial Intelligence: Opportunities and Risks. Policy paper by the Effective Altruism Foundation, 12/2015 53 Tổng luận 12-2016 NGHIÊN CỨU VÀ PHÁT TRIỂN TRÍ TUỆ NHÂN TẠO