Vina Technology at AI time - Công nghệ Việt Nam thời AI

Giám sát quốc gia của Trung Quốc thu thập dữ liệu - Công nghệ quan trọng của Mỹ để giải mã nó

New York Times. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Ở cuối một con đường hoang tàn, bao quanh bởi nhà tù, sâu trong một khu phức hợp đầy camera, công nghệ Mỹ đang cung cấp sức mạnh cho một trong những địa điểm tiên tiến nhất của tình trạng giám sát của nhà nước Trung Quốc.

Các máy tính bên trong khu phức hợp, được biết đến với tên gọi Trung tâm Máy tính Đám mây Urumqi, thuộc loại mạnh nhất thế giới. Chúng có thể xem nhiều hình ảnh giám sát trong một ngày hơn là một người có thể trong một năm. Chúng tìm kiếm khuôn mặt và các mẫu hành vi con người. Chúng theo dõi các xe ô tô. Chúng giám sát điện thoại.

Chính phủ Trung Quốc sử dụng những máy tính này để giám sát một số lượng không biết rõ về số lượng người ở Tân Cương, một khu vực phía tây của Trung Quốc nơi Bắc Kinh đã triển khai một chiến dịch giám sát và đàn áp dưới cái danh nghĩa là chống khủng bố.

Các chip do Intel và Nvidia, các công ty bán dẫn Mỹ, đã cung cấp sức mạnh cho khu phức hợp này kể từ khi nó mở cửa vào năm 2016. Đến năm 2019, vào thời điểm mà các báo cáo nói rằng Bắc Kinh đang sử dụng công nghệ tiên tiến để giam giữ và theo dõi nhóm dân tộc Hồi giáo tại Tân Cương, các chip Mỹ mới đã giúp nó được ghi vào danh sách các siêu máy tính nhanh nhất thế giới. Cả Intel và Nvidia đều nói rằng họ không biết về những gì họ gọi là lạm dụng công nghệ của hai công ty.

Công nghệ mạnh mẽ và khả năng lạm dụng tiềm ẩn đi vào cốt lõi của các quyết định mà chính phủ Biden phải đối mặt. Chính phủ Trump đã cấm bán các chip bán dẫn tiên tiến và các công nghệ khác cho các công ty Trung Quốc liên quan đến vấn đề an ninh quốc gia hoặc nhân quyền. Một câu hỏi quan trọng đối với Tổng thống đắc cử Joe Biden sẽ là liệu có nên cứng rắn, nới lỏng hoặc suy nghĩ lại những hạn chế đó.

Một số nhân vật trong ngành công nghệ lập luận rằng lệnh cấm đã đi quá xa, cắt đứt các bán hàng giá trị của sản phẩm Mỹ với rất nhiều ứng dụng vô hại và thúc đẩy Trung Quốc tạo ra các chip bán dẫn tiên tiến của riêng họ. Thật vậy, Trung Quốc đang chi hàng tỷ đô la để phát triển các chip cao cấp.

Ngược lại, những người phê phán việc sử dụng công nghệ Mỹ trong các hệ thống đàn áp cho rằng các người mua khai thác các phương án vượt lệnh cấm và rằng ngành công nghiệp và các quan chức nên theo dõi bán hàng và việc sử dụng chặt chẽ hơn.

Các công ty thường chỉ ra rằng họ không có quyền quyết định nơi mà sản phẩm của họ kết thúc. Các chip trong khu phức hợp Urumqi, ví dụ, được bán bởi Intel và Nvidia cho Sugon, công ty Trung Quốc ủng hộ trung tâm này. Sugon là một nhà cung cấp quan trọng cho lực lượng quân sự và an ninh Trung Quốc, nhưng nó cũng sản xuất máy tính cho các công ty dân sự.

Lập luận đó không còn đủ tốt nữa, theo Jason Matheny, giám đốc sáng lập của Trung tâm Công nghệ Bảo mật và Nổi bật của Đại học Georgetown và một quan chức tình báo Mỹ trước đây.

"Chính phủ và ngành công nghiệp cần suy nghĩ sâu hơn bây giờ khi các công nghệ đang phát triển đến mức bạn có thể thực hiện giám sát thời gian thực bằng cách sử dụng một siêu máy tính duy nhất đối với hàng triệu người," ông nói.

Không có bằng chứng nào cho thấy việc bán chip Nvidia hoặc Intel, trước lệnh cấm của Trump, vi phạm bất kỳ luật pháp nào. Intel nói rằng nó không còn bán bán dẫn cho siêu máy tính cho Sugon. Tuy nhiên, cả hai vẫn tiếp tục bán chip cho công ty Trung Quốc.

Sự tồn tại của khu phức hợp Urumqi và việc sử dụng chip Mỹ không phải là bí mật, và không thiếu dấu hiệu cho thấy Bắc Kinh đang sử dụng nó để giám sát. Từ năm 2015, khi khu phức hợp bắt đầu phát triển, các phương tiện truyền thông nhà nước và Sugon đã khoe về mối liên kết của nó với cảnh sát.

Theo tài liệu tiếp thị được phân phối tại Trung Quốc cách đây 5 năm, Nvidia đã quảng bá khả năng của khu phức hợp Urumqi và khoe rằng "ứng dụng giám sát video có khả năng lưu trữ lớn" đã giành được sự hài lòng của khách hàng.

Nvidia nói rằng các tài liệu đó đề cập đến các phiên bản cũ hơn

A National Security Insider Does the Math on the Dangers of AI

Jason Matheny, CEO of the influential think tank Rand Corporation, says advances in AI are making it easier to learn how to build biological weapons and other tools of destruction.

Lauren Goode, Senior writer, WIRED. April 23, 2024

And what do you see as our greatest adversary in biorisks?

First is nature. The evolution of natural viruses continues. We're going to have future viral pandemics. Some of them are going to be worse than Covid, some of them are going to be not as bad as Covid, but we've got to be resilient to both. Covid cost just the US economy more than $10 trillion, and yet what we invest in preventing the next pandemic is maybe $2 billion to $3 billion of federal investment.

Another category is intentional biological attacks. Aum Shinrikyo was a doomsday cult in Japan that had a biological weapons program. They believed that they would be fulfilling prophecy by killing everybody on the planet. Fortunately, they were working with 1990s biology, which wasn't that sophisticated. Unfortunately, they then turned to chemical weapons and launched the Tokyo sarin gas attacks.

The barrier to entry for somebody who wants to carry out a biological attack is eroding.

We have individuals and groups today that have mass-casualty intent and increasingly express interest in biology as a weapon. What's preventing them from being able to use biology effectively are not controls on the tools or the raw materials, because those are all now available in many laboratories and on eBay—you can buy a DNA synthesizer for much less than $100,000 now. You can get all the materials and consumables that you need from most scientific supply stores.

What an apocalyptic group would lack is the know-how to turn those tools into a biological weapon. There’s a concern that AI makes the know-how more widely available. Some of the research done by [AI safety and research company] Anthropic has looked at risk assessments to see if these tools could be misused by somebody who didn't have a strong bio background. Could they basically get graduate-level training from a digital tutor in the form of a large language model? Right now, probably not. But if you map the progress over the last couple of years, the barrier to entry for somebody who wants to carry out a biological attack is eroding.

Part 1 - A National Security Insider - 8000

So … we should remind everyone there’s an open bar tonight.

Unhappy hour. We’ll pick up the tab.

Right now everyone is talking about AI and a super artificial intelligence potentially overtaking the human race.

That's going to take a stiffer drink.

You are an effective altruist, correct?

According to the newspapers, I am.

Is that how you would describe yourself?

I don't think I've ever self-identified as an effective altruist. And my wife, when she read that, she was like, “You are neither effective nor altruistic.” But it is certainly the case that we have effective altruists at Rand who have been very concerned about AI safety. And it is a community of people who have been worried about AI safety longer than many others, in part because a lot of them came from computer science.

So you're not an effective altruist, you're saying, but are someone who's been very cautious about AI for a long time, like some effective altruists are. What was it that made you think years ago that we needed to be cautious about unleashing AI into the world?

I think it was when I realized that so much of what we depend on protecting us from the misuse of biology is knowledge. [AI] that can make highly specialized knowledge easier to acquire without guardrails is not an unequivocal good. Nuclear knowledge will be created. So will biological weapon knowledge. There will be cyber weapon knowledge. So we have to figure out how to balance the risks and benefits of tools that can create highly specialized knowledge, including knowledge about weapons systems.

It was clear even earlier than

Một người trong cuộc về an ninh quốc gia thực hiện phép toán về sự nguy hiểm của AI – Phần 2

Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Một loại rủi ro mà bạn đã rất quan tâm trong một thời gian dài là "rủi ro sinh học". Điều tồi tệ nhất có thể xảy ra là gì? Hãy giải thích cho chúng tôi vấn đề đó.

Tôi bắt đầu làm việc trong lĩnh vực y tế công cộng trước khi tôi làm việc trong lĩnh vực an ninh quốc gia, làm việc về kiểm soát bệnh truyền nhiễm - sốt rét và bệnh lao. Năm 2002, virus đầu tiên được tổng hợp từ đầu trong một dự án Darpa, và đó là một khoảnh khắc "thật tào lao" đối với khoa học sinh học và cộng đồng y tế công cộng, nhận ra sinh học sẽ trở thành một ngành kỹ thuật có khả năng bị lạm dụng. Tôi đã làm việc với các cựu chiến binh của chiến dịch loại trừ bệnh đậu mùa, và họ nghĩ, "Tào lao, chúng tôi vừa dành nhiều thập kỷ để loại bỏ một căn bệnh mà bây giờ có thể được tổng hợp từ đầu."

Có rất nhiều lỗ hổng trong xã hội. Covid là một minh chứng cho điều đó.

Sau đó tôi chuyển sang làm việc trong lĩnh vực an toàn sinh học, cố gắng tìm ra, Làm thế nào chúng ta có thể tăng cường an ninh xung quanh các phòng thí nghiệm sinh học để chúng ít có khả năng được sử dụng cho các mục đích có khả năng gây hại? Làm thế nào chúng ta có thể phát hiện các chương trình vũ khí sinh học? Thật không may, vẫn tồn tại với số lượng đáng kể ở một vài nơi trên thế giới. Ngoài ra, làm thế nào chúng ta có thể mang lại nhiều an ninh hơn cho xã hội để chúng ta kiên cường hơn khi nói đến không chỉ một đại dịch được thiết kế mà còn cả đại dịch tự nhiên?

Có rất nhiều lỗ hổng vẫn còn trong xã hội. Covid là một minh chứng cho điều này. Đây là một loại virus tương đối nhẹ trong lịch sử - nó có tỷ lệ tử vong do nhiễm trùng dưới 1% - trong khi có một số loại virus tự nhiên có tỷ lệ tử vong trên 50%. Có những loại virus tổng hợp có khả năng gây chết người gần 100% trong khi vẫn có khả năng lây truyền như SARS-CoV-2. Mặc dù chúng ta biết cách thiết kế và sản xuất vắc-xin rất nhanh, nhưng để chúng được phê duyệt ngày nay mất nhiều thời gian như khoảng 20 năm trước. Vì vậy, lượng thời gian mà bạn cần để tiêm chủng cho dân số ngày nay cũng giống như đối với cha mẹ và thậm chí đối với ông bà của chúng ta.

Khi tôi lần đầu tiên bắt đầu quan tâm đến an toàn sinh học vào năm 2002, chi phí hàng triệu đô la để tạo ra một loại virus bại liệt, một loại virus rất, rất nhỏ. Sẽ tốn gần 1 tỷ USD để tổng hợp một loại virus đậu mùa, một loại virus rất lớn. Ngày nay, chi phí ít hơn 100.000 đô la, vì vậy nó đã giảm 10.000 lần trong khoảng thời gian đó. Trong khi đó, chi phí cho vắc xin đã thực sự tăng gấp ba lần trong giai đoạn đó. Sự bất cân xứng giữa phòng ngự và tấn công đang đi sai hướng.

Và bạn thấy điều gì là đối thủ lớn nhất của chúng ta trong rủi ro sinh học?

Đầu tiên là thiên nhiên. Sự tiến hóa của virus tự nhiên vẫn tiếp tục. Chúng ta sẽ có những đại dịch virus trong tương lai. Một số trong số chúng sẽ tồi tệ hơn Covid, một số trong số chúng sẽ không tệ như Covid, nhưng chúng ta phải kiên cường với cả hai. Covid chỉ tiêu tốn của nền kinh tế Mỹ hơn 10 nghìn tỷ đô la, nhưng những gì chúng ta đầu tư để ngăn chặn đại dịch tiếp theo có thể là 2 tỷ đến 3 tỷ đô la đầu tư liên bang.

Một loại khác là các cuộc tấn công sinh học có chủ ý. Aum Shinrikyo là một giáo phái ngày tận thế ở Nhật Bản có chương trình vũ khí sinh học. Họ tin rằng họ sẽ thực hiện lời tiên tri bằng cách giết tất cả mọi người trên hành tinh. May mắn thay, họ đã làm việc với sinh học những năm 1990, không phức tạp lắm. Thật không may, sau đó họ đã chuyển sang vũ khí hóa học và tiến hành các cuộc tấn công bằng sarin ở Tokyo.

Rào cản gia nhập cho những ai đó muốn thực hiện một cuộc tấn công sinh học đang trở nên ngày càng yếu hơn.

Chúng ta có những cá nhân và nhóm ngày nay có ý định gây thương vong hàng loạt và ngày càng bày tỏ sự quan tâm đến sinh học như một vũ khí. Điều ngăn cản họ có thể sử dụng sinh học một cách hiệu quả không phải là kiểm soát các công cụ hoặc nguyên liệu thô, bởi vì tất cả

A National Security Insider Does the Math on the Dangers of AI

Jason Matheny, CEO of the influential think tank Rand Corporation, says advances in AI are making it easier to learn how to build biological weapons and other tools of destruction.

Lauren Goode, Senior writer, WIRED. April 23, 2024

Jason Matheny is a delight to speak with, provided you’re up for a lengthy conversation about potential technological and biomedical catastrophe.

Now CEO and president of Rand Corporation, Matheny has built a career out of thinking about such gloomy scenarios. An economist by training with a focus on public health, he dived into the worlds of pharmaceutical development and cultivated meat before turning his attention to national security.

As director of Intelligence Advanced Research Projects Activity, the US intelligence community's research agency, he pushed for more attention to the dangers of biological weapons and badly designed artificial intelligence. In 2021, Matheny was tapped to be President Biden’s senior adviser on technology and national security issues. And then, in July of last year, he became CEO and president of Rand, the oldest nonprofit think tank in the US, which has shaped government policy on nuclear strategy, the Vietnam War, and the development of the internet.

Matheny talks about threats like AI-enabled bioterrorism in convincing but measured tones, Mr. Doomsday in a casual suit. He’s steering Rand to investigate the daunting risks to US democracy, map out new strategies around climate and energy, and explore paths to “competition without catastrophe” in China. But his long-time concerns about biological weapons and AI remain top of mind.

Onstage with WIRED at the recent Verify cybersecurity conference in Sausalito, California, hosted by the Aspen Institute and Hewlett Foundation, he warned that AI is making it easier to learn how to build biological weapons and other potentially devastating tools. (There’s a reason why he joked that he would pick up the tab at the bar afterward.) The conversation has been edited for length and clarity.

Lauren Goode: To start, we should talk about your role at Rand and what you’re envisioning for the future there. Rand has played a critical role in a lot of US history. It has helped inform, you know, the creation of the internet—

Jason Matheny: We’re still working out the bugs.

Right. We’re going to fix it all tonight. Rand has also influenced nuclear strategy, the Vietnam War, the space race. What do you hope that your tenure at Rand will be defined by?

There’s three areas that I really want to help grow. First, we need a framework for thinking about what [technological] competition looks like without a race to the bottom on safety and security. For example, how can we assure competition with China without catastrophe? A second area of focus is thinking about how we can map out a climate and energy strategy for the country, in a way that is acceptable to our technology requirements, the infrastructure that we have and are building, and gets the economics right.

And then a third area is understanding the risks to democracy right now, not just in the United States but globally. We're seeing an erosion of norms in how facts and evidence are treated in policy debates. We have a set of very anxious researchers at Rand who are seeing this decay of norms. I think that's something that's happening not just in the United States but globally, alongside a resurgence of variants of autocracy.

One type of risk you’ve been very interested in for a long time is “biorisk.” What’s the worst thing that could possibly happen? Take us through that.

I started out in public health before I worked in national security, working on infectious disease control—malaria and tuberculosis. In 2002, the first virus was synthesized from scratch on a Darpa project, and it was sort of an “oh crap” moment for the biosciences and the public health community, realizing biology is going to become an engineering

Một người trong cuộc về an ninh quốc gia thực hiện phép toán về sự nguy hiểm của AI – Phần 1

Jason Matheny, Giám đốc điều hành của tổ chức tư vấn có ảnh hưởng Rand Corporation, cho biết những tiến bộ trong AI đang giúp việc học cách chế tạo vũ khí sinh học và các công cụ hủy diệt khác trở nên dễ dàng hơn.

Lauren Goode, Senior writer, WIRED. Ngày 23 tháng 4, 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Jason Matheny rất vui khi được nói chuyện, miễn là bạn sẵn sàng cho một cuộc trò chuyện dài về thảm họa công nghệ và y sinh tiềm ẩn.

Bây giờ là Giám đốc điều hành và chủ tịch của Rand Corporation, Matheny đã xây dựng sự nghiệp từ suy nghĩ về những kịch bản ảm đạm như vậy. Là một nhà kinh tế học được đào tạo tập trung vào sức khỏe cộng đồng, ông đã đi sâu vào thế giới phát triển dược phẩm và thịt trồng trọt trước khi chuyển sự chú ý sang an ninh quốc gia.

Là giám đốc của Hoạt động Dự án Nghiên cứu Tiên tiến Tình báo (IARPA - Intelligence Advanced Research Projects Activity), cơ quan nghiên cứu của cộng đồng tình báo Mỹ, ông đã thúc đẩy sự chú ý nhiều hơn đến sự nguy hiểm của vũ khí sinh học và trí tuệ nhân tạo được thiết kế tồi. Năm 2021, Matheny được chọn làm cố vấn cấp cao của Tổng thống Biden về các vấn đề công nghệ và an ninh quốc gia. Và sau đó, vào tháng Bảy năm ngoái, ông trở thành CEO và chủ tịch của Rand, tổ chức tư vấn phi lợi nhuận lâu đời nhất ở Mỹ, nơi đã định hình chính sách của chính phủ về chiến lược hạt nhân, Chiến tranh Việt Nam và sự phát triển của internet.

Matheny nói về các mối đe dọa như khủng bố sinh học hỗ trợ AI bằng giọng điệu thuyết phục nhưng có chừng mực, ông báo động các mối đe dọa được thảo luận. Ông đang chỉ đạo Rand điều tra những rủi ro khó khăn đối với nền dân chủ Mỹ, vạch ra các chiến lược mới xung quanh khí hậu và năng lượng, và khám phá các con đường dẫn đến "cạnh tranh mà không thảm họa" ở Trung Quốc. Nhưng mối quan tâm lâu dài của ông về vũ khí sinh học và AI vẫn được quan tâm hàng đầu.

Trên sân khấu với WIRED tại hội nghị an ninh mạng Verify gần đây ở Sausalito, California, do Viện Aspen và Quỹ Hewlett tổ chức, ông cảnh báo rằng AI đang giúp học cách chế tạo vũ khí sinh học và các công cụ có khả năng tàn phá khác dễ dàng hơn. (Có một lý do tại sao ông ấy nói đùa rằng ông ấy sẽ chọn tab ở quán bar sau đó.) Cuộc trò chuyện đã được chỉnh sửa cho dài và rõ ràng.

Lauren Goode: Để bắt đầu, chúng ta nên nói về vai trò của bạn tại Rand và những gì bạn đang hình dung cho tương lai ở đó. Rand đã đóng một vai trò quan trọng trong rất nhiều lịch sử Hoa Kỳ. Nó đã giúp thông báo, bạn biết đấy, việc tạo ra internet—

Jason Matheny: Chúng tôi vẫn đang tìm ra lỗi.

Đúng như vậy. Chúng ta sẽ thảo luận tất cả các vấn đề tối nay. Rand cũng đã ảnh hưởng đến chiến lược hạt nhân, Chiến tranh Việt Nam, cuộc chạy đua không gian. Bạn hy vọng rằng nhiệm kỳ của bạn tại Rand sẽ được xác định bởi điều gì?

Có ba lĩnh vực mà tôi thực sự muốn giúp phát triển. Đầu tiên, chúng ta cần một khuôn khổ để suy nghĩ về cạnh tranh [công nghệ] trông như thế nào mà không có một cuộc đua xuống đáy về an toàn và bảo mật. [cuộc đua xuống đáy đề cập đến cạnh tranh giữa các công ty, ngành công nghiệp, dẫn đến tình huống các tiêu chuẩn hoặc điều kiện xấu đi dần dần, thường là trong nỗ lực cắt giảm chi phí hoặc đạt được lợi thế cạnh tranh.]

Ví dụ, làm thế nào chúng ta có thể đảm bảo cạnh tranh với Trung Quốc mà không có thảm họa? Lĩnh vực trọng tâm thứ hai là suy nghĩ về cách chúng ta có thể vạch ra chiến lược khí hậu và năng lượng cho đất nước, theo cách có thể chấp nhận được đối với các yêu cầu công nghệ của chúng ta, cơ sở hạ tầng mà chúng ta có và đang xây dựng, và có được nền kinh tế phù hợp.

Và sau đó, một lĩnh vực thứ ba là hiểu những rủi ro đối với nền dân chủ ngay bây giờ, không chỉ ở Hoa Kỳ mà trên toàn cầu. Chúng ta đang thấy sự xói mòn các chuẩn mực trong cách xử lý các sự kiện và bằng chứng trong các cuộc tranh luận chính sách. Tại Rand chúng tôi có một nhóm các nhà nghiên cứu rất lo lắng

1 - Explain to a high school student, what is: "E-diasporas" and "Hyperconnected Diasporas"

Sure! Let's break it down:

1. E-diasporas: This term refers to diasporas (communities of people who have moved away from their original homeland and are scattered around the world) that are connected through electronic or digital means. In simpler terms, it's talking about communities of people who are spread out across different countries but stay connected through the internet, social media, or other digital platforms. So, instead of just relying on physical gatherings or letters to stay in touch, members of these diasporas use technology to communicate and maintain their sense of community.

2. Hyperconnected Diasporas: This builds on the idea of e-diasporas but emphasizes an even stronger level of connection. "Hyperconnected" means extremely connected or linked in multiple ways. So, hyperconnected diasporas are communities of people who not only use digital tools to stay in touch but are deeply intertwined through various online and offline channels. This might include things like social media groups, online forums, video calls, email chains, and even in-person gatherings or cultural events organized through digital platforms. In essence, hyperconnected diasporas are incredibly tight-knit communities despite being physically dispersed around the globe.

2 - Using technical terms, describe in detail, to Computer Science students: what technologies are used for "E-diasporas" and "Hyperconnected Diasporas".

Here's a technical breakdown for Computer Science students:

1. E-diasporas:

• Social Media Platforms: E-diasporas heavily utilize social media platforms such as Facebook, Twitter, Instagram, and LinkedIn to maintain connections, share updates, and organize events.

• Online Forums and Communities: Diaspora members often participate in online forums and communities related to their culture, ethnicity, or shared interests. Platforms like Reddit, Discord, and specialized forums serve as virtual gathering places.

• Messaging and Communication Apps: Messaging apps like WhatsApp, Telegram, and WeChat play a crucial role in enabling real-time communication among diaspora members, facilitating group chats, voice calls, and video calls.

• Email and Mailing Lists: Traditional email services and mailing lists are still used for disseminating important information, announcements, and newsletters within diaspora communities.

• Virtual Events and Webinars: E-diasporas organize and participate in virtual events, webinars, and online conferences using platforms like Zoom, Microsoft Teams, and Google Meet to bridge geographical gaps and foster community engagement.

2. Hyperconnected Diasporas:

• Augmented Reality (AR) and Virtual Reality (VR): Hyperconnected diasporas leverage AR and VR technologies to create immersive experiences, enabling members to virtually participate in cultural events, celebrations, and gatherings as if they were physically present.

• Blockchain and Cryptocurrencies: Blockchain technology and cryptocurrencies are used for secure transactions, crowdfunding initiatives, and transparent governance within hyperconnected diasporas, fostering trust and enabling financial inclusivity across borders.

• Decentralized Social Networks: Decentralized social networks based on blockchain technology offer greater privacy, control over personal data, and censorship resistance, providing alternative platforms for diaspora communities to interact without intermediaries.

• Artificial Intelligence (AI) and Machine Learning (ML): AI and ML algorithms are employed to analyze vast amounts of data generated by diaspora communities, providing insights into cultural trends, preferences, and sentiment analysis to better serve their needs and enhance engagement

• Internet of Things (IoT): IoT devices such as wearables, smart home appliances, and sensors facilitate seamless integration and connectivity within hyperconnected diasporas, enabling

E-diasporas / Người di cư điện tử và Hyperconnected Diasporas / Người di cư kết nối.

Tài liệu từ Internet, Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

1 - Giải thích cho học sinh trung học, "E-diasporas" và "Hyperconnected Diasporas" là gì?

1. E-diasporas: Thuật ngữ này đề cập đến người di cư (cộng đồng của những người đã rời khỏi quê hương ban đầu của họ và sống rải rác trên khắp thế giới) được kết nối thông qua các phương tiện điện tử hoặc kỹ thuật số. Nói một cách đơn giản hơn, đó là nói về cộng đồng của những người trải rộng trên các quốc gia khác nhau nhưng vẫn kết nối thông qua internet, phương tiện truyền thông xã hội hoặc các nền tảng kỹ thuật số khác. Vì vậy, thay vì chỉ dựa vào các cuộc tụ họp hoặc thư từ để giữ liên lạc, các thành viên của những cộng đồng hải ngoại này sử dụng công nghệ để giao tiếp và duy trì ý thức cộng đồng của họ.

2. Hyperconnected Diasporas: Thuật ngữ này được xây dựng dựa trên ý tưởng về e-diasporas nhưng nhấn mạnh mức độ kết nối thậm chí còn mạnh hơn. "Hyperconnected - Siêu kết nối" có nghĩa là cực kỳ kết nối hoặc liên kết theo nhiều cách. Vì vậy, cộng đồng người di cư siêu kết nối là cộng đồng những người không chỉ sử dụng các công cụ kỹ thuật số để giữ liên lạc mà còn gắn bó sâu sắc với nhau thông qua các kênh trực tuyến và ngoại tuyến khác nhau. Điều này có thể gồm những thứ như các nhóm truyền thông xã hội, diễn đàn trực tuyến, cuộc gọi video, chuỗi email và thậm chí các cuộc tụ họp trực tiếp hoặc các sự kiện văn hóa được tổ chức thông qua các nền tảng kỹ thuật số. Về bản chất, cộng đồng người di cư siêu kết nối là những cộng đồng cực kỳ chặt chẽ mặc dù bị phân tán trên toàn cầu.

2 - Sử dụng các thuật ngữ kỹ thuật, mô tả chi tiết, cho sinh viên Khoa học Máy tính: những công nghệ nào được sử dụng cho "E-diasporas" và "Hyperconnected Diasporas" .

Dưới đây là bảng phân tích kỹ thuật dành cho sinh viên Khoa học Máy tính:

1. Người di cư điện tử:

• Nền tảng truyền thông xã hội: Người di cư điện tử sử dụng rất nhiều nền tảng truyền thông xã hội như Facebook, Twitter, Instagram và LinkedIn để duy trì kết nối, chia sẻ cập nhật và tổ chức các sự kiện.

• Diễn đàn và cộng đồng trực tuyến: Các thành viên cộng đồng hải ngoại thường tham gia vào các diễn đàn và cộng đồng trực tuyến liên quan đến văn hóa, dân tộc hoặc sở thích chung. Các nền tảng như Reddit, Discord và các diễn đàn chuyên ngành đóng vai trò là nơi tụ tập ảo.

• Ứng dụng nhắn tin và liên lạc: Các ứng dụng nhắn tin như WhatsApp, Telegram và WeChat đóng một vai trò quan trọng trong việc cho phép giao tiếp thời gian thực giữa các thành viên hải ngoại, tạo điều kiện cho các cuộc trò chuyện nhóm, cuộc gọi thoại và cuộc gọi video.

• Danh sách email và gửi thư: Các dịch vụ email truyền thống và danh sách gửi thư vẫn được sử dụng để phổ biến thông tin, thông báo và bản tin quan trọng trong cộng đồng người di cư.

• Sự kiện ảo và hội thảo trên web: Cộng đồng người di cư điện tử tổ chức và tham gia các sự kiện ảo, hội thảo trên web và hội nghị trực tuyến bằng các nền tảng như Zoom, Microsoft Teams và Google Meet để thu hẹp khoảng cách địa lý và thúc đẩy sự tham gia của cộng đồng.

2. Người di cư siêu kết nối:

• Thực tế tăng cường và Thực tế ảo: Cộng đồng người di cư siêu kết nối tận dụng công nghệ AR và VR để tạo ra trải nghiệm nhập vai, cho phép các thành viên hầu như tham gia vào các sự kiện văn hóa, lễ kỷ niệm và tụ họp như thể họ đang có mặt.

• Blockchain và tiền điện tử: Công nghệ Blockchain và tiền điện tử được sử dụng cho các giao dịch an toàn, các sáng kiến huy động vốn từ cộng đồng và quản trị minh bạch trong cộng đồng người di cư siêu kết nối, thúc đẩy niềm tin và cho phép hòa nhập tài chính xuyên biên giới.

• Mạng xã hội phi tập trung: Các mạng xã hội phi tập trung dựa trên công nghệ blockchain cung cấp quyền riêng tư cao hơn, kiểm soát dữ liệu cá nhân và khả năng chống kiểm duyệt, cung cấp các nền tảng thay thế cho cộng đồng người di cư tương tác mà không cần trung gian.

Trí tuệ nhân tạo và Học máy: Các thuật

McKinsey Under Criminal Investigation Over Opioid-Related Consulting

Justice Department is investigating the consulting firm’s advice to manufacturers of OxyContin and other opioid products

By Alexander Gladstone. The Washington Post. April 24, 2024.

The Justice Department is conducting a criminal investigation into consulting firm McKinsey related to its past role in advising some of the nation’s largest opioid manufacturers on how to boost sales.

Federal prosecutors are also probing whether McKinsey or any of its employees may have obstructed justice in relation to records of its consulting services for opioid producers, according to people familiar with the investigation, which has been ongoing for several years.

A grand jury has been empaneled in Virginia as part of the federal investigation into McKinsey’s opioid-related consulting, some of the people said. The U.S. attorney’s offices in the Western District of Virginia and the District of Massachusetts are jointly conducting the investigation, the people said.

McKinsey declined to comment.

The criminal probe centers on consulting advice McKinsey gave to drugmaker clients including Purdue, Endo International and Mallinckrodt that previously sparked mass civil litigation against the firm. Government and private plaintiffs filed hundreds of civil lawsuits in recent years accusing the consulting firm of exacerbating opioid addiction, an allegation that McKinsey has denied.

In 2021, McKinsey reached a settlement with all 50 states, five U.S. territories, and Washington, D.C., to pay $642 million to resolve civil opioid-related litigation against the firm, without admitting wrongdoing. The firm in 2023 reached separate deals totaling $347 million with Native American tribes, public school districts, insurance companies and municipal governments, also without admitting wrongdoing.

In the settlement with state attorneys general, McKinsey said that “in order to achieve finality and avoid the inherent cost and risk of litigating in venues across the country, McKinsey chose to be part of the solution to a complex public health crisis,” by contributing to opioid-abatement efforts without admitting liability.

McKinsey’s former clients Purdue, Endo, and Mallinckrodt filed for chapter 11 bankruptcy while facing mass lawsuits alleging they sold drugs through misleading marketing practices and fueled addiction. McKinsey helped Purdue, the closely held maker of the painkiller OxyContin, develop an initiative to boost drug sales and marketing, according to records released after Purdue went bankrupt in 2019.

McKinsey consultants advised the company on how to increase sales of its flagship drug, including suggesting that Purdue’s sales team make more calls to healthcare providers it knew wrote high volumes of OxyContin prescriptions and spend less time on doctors who prescribed the opioid medication the least, the records showed.

In August 2013, consultants from the firm sent a memo to Purdue executives with 20 recommendations they said would boost sales of OxyContin by more than $100 million annually. McKinsey advised Purdue that there was “significant opportunity” to shift sales calls to the highest volume prescribers, who as a group wrote 25 times as many OxyContin prescriptions on average than their peers, according to the memo, included in unsealed court records.

McKinsey previously said it stopped doing work on opioid-specific businesses in 2019 and that its work for Purdue was intended to support the legal use of opioids and patients with legitimate medical needs.

McKinsey also advised Purdue and Endo on how to target the U.S. Department of Veterans Affairs for sales of their products, according to documents made public through the firm’s settlements with state and local governments. This advisory work occurred while McKinsey was simultaneously working as a consultant for the VA itself. McKinsey has said that it advised the VA on matters unrelated to opioid procurement.

McKinsey đang bị điều tra hình sự về tư vấn liên quan đến opioid

Bộ Tư pháp đang điều tra lời khuyên của công ty tư vấn cho các nhà sản xuất OxyContin và các sản phẩm opioid khác

Alexander Gladstone. The Washington Post. Ngày 24 tháng 4, 2024.Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Bộ Tư pháp đang tiến hành một cuộc điều tra hình sự đối với công ty tư vấn McKinsey liên quan đến vai trò trong quá khứ của họ trong việc tư vấn cho một số nhà sản xuất opioid lớn nhất quốc gia về cách tăng doanh số bán hàng.

Các công tố viên liên bang cũng đang điều tra xem liệu McKinsey hoặc bất kỳ nhân viên nào của họ có thể đã cản trở công lý liên quan đến hồ sơ của các dịch vụ tư vấn cho các nhà sản xuất opioid hay không, theo những người quen thuộc với cuộc điều tra, đã diễn ra trong vài năm.

Một đại bồi thẩm đoàn đã được thành lập tại tiểu bang Virginia như một phần của cuộc điều tra liên bang về tư vấn liên quan đến opioid của McKinsey, một số người cho biết. Các văn phòng luật sư Hoa Kỳ ở Quận Tây Virginia và Quận Massachusetts đang cùng tiến hành cuộc điều tra, nguồn tin cho biết.

McKinsey từ chối bình luận.

Cuộc điều tra hình sự tập trung vào lời khuyên tư vấn mà McKinsey đưa ra cho các khách hàng sản xuất thuốc bao gồm Purdue, Endo International và Mallinckrodt trước đây đã gây ra vụ kiện dân sự hàng loạt chống lại công ty. Các nguyên đơn chính phủ và tư nhân đã đệ trình hàng trăm vụ kiện dân sự trong những năm gần đây cáo buộc công ty tư vấn làm trầm trọng thêm chứng nghiện opioid, một cáo buộc mà McKinsey đã phủ nhận.

Vào năm 2021, McKinsey đã đạt được thỏa thuận với tất cả 50 tiểu bang, 5 vùng lãnh thổ của Hoa Kỳ và Washington, DC, để trả 642 triệu đô la để giải quyết các vụ kiện liên quan đến opioid dân sự chống lại công ty, mà không thừa nhận hành vi sai trái. Vào năm 2023 công ty đã đạt được các thỏa thuận riêng biệt với tổng trị giá 347 triệu USD với các bộ lạc người Mỹ bản địa, các khu học chánh công lập, công ty bảo hiểm và chính quyền thành phố, cũng không thừa nhận hành vi sai trái.

Trong thỏa thuận với tổng chưởng lý tiểu bang, McKinsey nói rằng "để đạt được sự dứt khoát và tránh chi phí vốn có và rủi ro kiện tụng tại các địa điểm trên toàn quốc, McKinsey đã chọn là một phần của giải pháp cho một cuộc khủng hoảng sức khỏe cộng đồng phức tạp", bằng cách đóng góp vào các nỗ lực giảm opioid mà không thừa nhận trách nhiệm pháp lý.

Các khách hàng cũ của McKinsey là Purdue, Endo và Mallinckrodt đã nộp đơn xin phá sản theo chương 11 trong khi phải đối mặt với các vụ kiện hàng loạt cáo buộc họ bán ma túy thông qua các hoạt động tiếp thị gây hiểu lầm và gây nghiện. McKinsey đã giúp Purdue, nhà sản xuất thuốc giảm đau OxyContin, phát triển một sáng kiến để thúc đẩy doanh số bán và tiếp thị thuốc, theo hồ sơ được công bố sau khi Purdue phá sản vào năm 2019.

Các chuyên gia tư vấn của McKinsey đã tư vấn cho công ty về cách tăng doanh số bán thuốc chủ lực của mình, bao gồm đề nghị nhóm bán hàng của Purdue thực hiện nhiều cuộc gọi hơn đến các nhà cung cấp dịch vụ chăm sóc sức khỏe mà họ biết đã đặt hàng số lượng lớn đơn thuốc OxyContin và dành ít thời gian hơn cho các bác sĩ kê đơn thuốc opioid ít nhất, hồ sơ cho thấy.

Vào tháng 8 năm 2013, các chuyên gia tư vấn từ công ty đã gửi một bản ghi nhớ cho các giám đốc điều hành của Purdue với 20 khuyến nghị mà họ nói sẽ thúc đẩy doanh số bán hàng của OxyContin hơn 100 triệu đô la mỗi năm. McKinsey khuyên Purdue rằng có "cơ hội đáng kể" để chuyển các cuộc gọi bán hàng sang những người kê đơn có khối lượng lớn nhất, những người như một nhóm đã đặt hàng trung bình gấp 25 lần số đơn thuốc OxyContin so với các đồng nghiệp của họ, theo bản ghi nhớ, có trong hồ sơ tòa án chưa niêm phong

McKinsey trước đây cho biết họ đã ngừng làm việc trên các doanh nghiệp dành riêng cho opioid vào năm 2019 và công việc của họ cho Purdue nhằm hỗ trợ việc sử dụng hợp pháp opioid và bệnh nhân có nhu cầu y tế hợp pháp.

McKinsey cũng tư vấn cho Purdue và Endo về cách nhắm mục tiêu vào Bộ Cựu chiến binh

1 - China's Economy Is 'Failing': Admiral John Aquilino, head of the U.S. Indo-Pacific Command, expressed skepticism about China's economic growth figures, citing a real estate market crash as a significant factor in the country's economic decline.

Kinh tế Trung Quốc "đang thất bại": Đô đốc John Aquilino, trưởng Bộ chỉ huy Thái Bình Dương của Mỹ, thể hiện sự hoài nghi về các con số tăng trưởng kinh tế của Trung Quốc, chỉ ra sự sụp đổ thị trường bất động sản là một yếu tố quan trọng góp phần vào suy thoái kinh tế của quốc gia này.

2 - Real Estate Crisis: The article discusses how China's real estate crisis has adversely affected homeowners in poorer regions, leaving many unable to sell their properties despite desperate attempts.

Khủng hoảng bất động sản: Bài báo nói về cách khủng hoảng bất động sản của Trung Quốc đã ảnh hưởng tiêu cực đến chủ nhà ở các vùng nghèo, khiến nhiều người không thể bán được tài sản của mình mặc dù đã cố gắng mọi cách.

3 - Overcapacity Claim: China condemned the US for accusing them of industrial overcapacity, labeling the accusation as malicious and aimed at hindering China's industrial development.

Phản đối cáo buộc về dư lượng sản xuất: Trung Quốc lên án Mỹ vì cáo buộc họ về dư lượng sản xuất công nghiệp, gọi cáo buộc này là ác ý và nhằm vào việc ngăn cản sự phát triển công nghiệp của Trung Quốc.

4 - Hong Kong Debut: Chinese bubble-tea chain Sichuan Baicha Baidao Industrial had a disappointing first day of trading on the Hong Kong Stock Exchange, following the city's biggest initial public offering (IPO) of the year.

Sự ra mắt ở Hồng Kông: Chuỗi cửa hàng trà sữa Trung Quốc Sichuan Baicha Baidao Industrial đã có một ngày giao dịch đầu tiên không thành công trên Sàn giao dịch Chứng khoán Hồng Kông, theo sau là sự ra mắt công cộng lớn nhất của năm của thành phố.

5 - Supply Chain Role: Despite efforts to diversify its supply chain, mainland China remains Apple's main manufacturing base, with over a third of its disclosed suppliers located in China.

Vai trò chuỗi cung ứng: Mặc dù nỗ lực để đa dạng hóa chuỗi cung ứng, Trung Quốc đại lục vẫn là cơ sở sản xuất chính của Apple, với hơn một phần ba các nhà cung cấp được tiết lộ nằm ở Trung Quốc.

6 - Spying Allegations: A German man working for a German lawmaker in the European Parliament has been arrested on suspicion of spying for China, accused of working for a Chinese intelligence service and passing on information.

Cáo buộc gián điệp: Một người đàn ông người Đức làm việc cho một nhà lập pháp người Đức tại Quốc hội Châu Âu đã bị bắt giữ với cáo buộc gián điệp cho Trung Quốc, bị cáo buộc làm việc cho một dịch vụ tình báo Trung Quốc và truyền thông tin.

7 - Tech War: Mainland Chinese universities and research institutes have acquired high-end Nvidia artificial intelligence (AI) chips through resellers, despite US trade restrictions.

Chiến tranh công nghệ: Các trường đại học và viện nghiên cứu Trung Quốc đại lục đã mua các chip trí tuệ nhân tạo (AI) cao cấp của Nvidia thông qua các nhà phân phối, mặc dù có các hạn chế thương mại từ Mỹ.

8 - Statistics Law Revision: China is planning to revise its statistics law to combat persistent data fraud and strengthen statistical supervision.

Sửa đổi luật thống kê: Trung Quốc đang lên kế hoạch sửa đổi luật thống kê của mình để chống lại gian lận dữ liệu dai dẳng và tăng cường giám sát thống kê.

9 - Securities Investment Fund Law Revision: China's stock-market watchdog is revising the country's securities investment fund law to increase accountability for fund managers and enhance investor protection.

Sửa đổi Luật Quỹ Đầu tư Chứng khoán: Cơ quan giám sát thị trường chứng khoán của Trung Quốc đang sửa đổi luật quỹ đầu tư chứng khoán của quốc gia để tăng cường trách nhiệm của người quản lý quỹ và cải thiện bảo vệ cho nhà đầu tư

10 - Small Towns Thriving: As the cost of living in megacities rises, more people are opting to move to smaller towns, where they can enjoy a quality of life and pursue entrepreneurial opportunities

Amazon Introduces Custom AI Capabilities in Race Against Cloud Rivals

The company’s cloud-computing unit hasn’t made as big a splash as its rivals in AI, betting instead that businesses want to use a variety of AI models

By Belle Lin. The Washington Post. April 24, 2024.

Amazon.com will let companies use their own generative artificial-intelligence models inside its AI app development platform, part of a package of moves the cloud-computing giant is launching to keep up with its rivals in AI.

Amazon Web Services said “tens of thousands” of businesses are using Bedrock, its AI app development platform. Giving companies the ability to add DIY models to Bedrock makes it easier for enterprise developers and data scientists to work together, said Swami Sivasubramanian, vice president of AI and data at AWS.

The Seattle-based company also released two new AI models on Tuesday, its Titan image-generator model, which can create images from text, and its Titan text-embeddings V2 model, which is designed for things like Q&A chatbots and making personalized recommendations.

As companies test and use generative AI for various tasks, many are building their own AI by customizing a vendor’s model, or tailoring an open-source model with their own data. Generative AI is expected to drive global information-technology spending to $5.06 trillion this year, an 8% increase from 2023, according to market research and advisory firm Gartner. This adds to the urgency among cloud providers, software and device makers to offer AI-based products and services to enterprise clients.

Amazon has fallen behind tech rivals in the AI race, though it has been trying to boost its standing with new offerings at AWS and its retail operations, The Wall Street Journal previously reported. AWS doesn’t have a defining AI partnership such as Microsoft’s with OpenAI, or Copilot, Microsoft’s generative AI assistant for its business software. In November AWS introduced Amazon Q, an AI chatbot for companies and developers, and it offers the Titan models, but they are not as well-known as Google’s Gemini chatbot and models.

Like its rivals, AWS offers companies using its platform a sort of one-stop shop for AI, cloud-computing, and data and software services. The company has focused on helping developers build generative AI applications—a harder task than building software apps—and giving customers the choice between many models, Sivasubramanian said.

So far, AWS has positioned itself as a neutral provider of AI technology, making a wide variety of AI models—from its own to proprietary models from Anthropic and open-source models like Meta Platforms’ new Llama 3—available through Bedrock. Its model evaluation tool, made fully available on Tuesday, will cut down the time businesses would have spent testing and analyzing different models, Sivasubramanian said.

Microsoft and Google also let customers use AI models from other companies, and open-source models from Meta and Paris-based startup Mistral AI.

AWS’s AI strategy could work while businesses are still deciding which vendors and technologies to use, and which actually provide a return on investment, said Steven Dickens, vice president and practice leader for cloud at Futurum Group. “They’re not as invested in their own models as Microsoft and Google are,” he said. “AWS is more of a home for every model.”

Three months after Bedrock became generally available last September, a majority of AWS customers were using more than one model to build AI applications, the company said.

“No one model will rule them all, and now you can see practically every cloud provider has pivoted their strategy towards the same,” Sivasubramanian said. “Customers do not want to get locked into a single model because this space is so early.”

Sheldon Monteiro, chief product officer of Publicis Sapient, said the consulting firm encourages customers to keep their options open when choosing AI vendors.

Amazon giới thiệu khả năng AI tùy chỉnh trong cuộc đua với các đối thủ đám mây

Đơn vị điện toán đám mây của công ty đã không tạo được tiếng vang lớn như các đối thủ trong lĩnh vực AI, thay vào đó đặt cược rằng các doanh nghiệp muốn sử dụng nhiều mô hình AI khác nhau

Belle Lin. The Washington Post. Ngày 24, Tháng Tư, 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Amazon .com sẽ cho phép các công ty sử dụng các mô hình trí tuệ nhân tạo của riêng họ bên trong nền tảng phát triển ứng dụng AI của mình, một phần của gói động thái mà gã khổng lồ điện toán đám mây đang tung ra để theo kịp các đối thủ trong lĩnh vực AI.

Amazon Web Services cho biết "hàng chục nghìn" doanh nghiệp đang sử dụng Bedrock, nền tảng phát triển ứng dụng AI của hãng. Cung cấp cho các công ty khả năng thêm các mô hình DIY vào Bedrock giúp các nhà phát triển doanh nghiệp và nhà khoa học dữ liệu làm việc cùng nhau dễ dàng hơn, Swami Sivasubramanian, phó chủ tịch AI và dữ liệu tại AWS cho biết.

Công ty có trụ sở tại Seattle cũng đã phát hành hai mô hình AI mới vào thứ ba, mô hình tạo hình ảnh Titan, có thể tạo hình ảnh từ văn bản và mô hình nhúng văn bản Titan V2, được thiết kế cho những thứ như chatbot Hỏi & Đáp và đưa ra các đề xuất được cá nhân hóa.

Khi các công ty thử nghiệm và sử dụng AI tạo ra cho các nhiệm vụ khác nhau, nhiều công ty đang xây dựng AI của riêng họ bằng cách tùy chỉnh mô hình của nhà cung cấp hoặc điều chỉnh mô hình nguồn mở với dữ liệu của riêng họ. Generative AI dự kiến sẽ thúc đẩy chi tiêu công nghệ thông tin toàn cầu lên 5,06 nghìn tỷ USD trong năm nay, tăng 8% so với năm 2023, theo công ty nghiên cứu và tư vấn thị trường Gartner. Điều này làm tăng thêm tính cấp bách giữa các nhà cung cấp đám mây, nhà sản xuất phần mềm và thiết bị để cung cấp các sản phẩm và dịch vụ dựa trên AI cho khách hàng doanh nghiệp.

Amazon đã tụt lại phía sau các đối thủ công nghệ trong cuộc đua AI, mặc dù họ đã cố gắng nâng cao vị thế của mình với các dịch vụ mới tại AWS và các hoạt động bán lẻ của mình, The Wall Street Journal đưa tin trước đó. AWS không có quan hệ đối tác AI xác định như Microsoft với OpenAI hoặc Copilot, trợ lý AI của Microsoft cho phần mềm kinh doanh của mình. Vào tháng 11, AWS đã giới thiệu Amazon Q, một chatbot AI cho các công ty và nhà phát triển, và nó cung cấp các mô hình Titan, nhưng chúng không nổi tiếng như chatbot và mô hình Gemini của Google.

Giống như các đối thủ của mình, AWS cung cấp cho các công ty sử dụng nền tảng của mình một loại cửa hàng một cửa cho AI, điện toán đám mây và các dịch vụ dữ liệu và phần mềm. Công ty đã tập trung vào việc giúp các nhà phát triển xây dựng các ứng dụng AI tạo ra - một nhiệm vụ khó khăn hơn so với việc xây dựng các ứng dụng phần mềm - và cho khách hàng lựa chọn giữa nhiều mô hình, Sivasubramanian nói.

Cho đến nay, AWS đã định vị mình là nhà cung cấp công nghệ AI trung lập, cung cấp nhiều mô hình AI khác nhau — từ mô hình của riêng mình đến các mô hình độc quyền từ các mô hình nguồn mở và nhân loại như Llama 3 mới của Meta Platforms — thông qua Bedrock. Công cụ đánh giá mô hình của nó, được cung cấp đầy đủ vào thứ ba, sẽ cắt giảm thời gian các doanh nghiệp sẽ dành để thử nghiệm và phân tích các mô hình khác nhau, Sivasubramanian nói.

Microsoft và Google cũng cho phép khách hàng sử dụng các mô hình AI từ các công ty khác và các mô hình nguồn mở từ Meta và công ty khởi nghiệp Mistral AI có trụ sở tại Paris.

Chiến lược AI của AWS có thể hoạt động trong khi các doanh nghiệp vẫn đang quyết định sử dụng nhà cung cấp và công nghệ nào và nhà cung cấp nào thực sự mang lại lợi tức đầu tư, Steven Dickens, phó chủ tịch và lãnh đạo thực hành về đám mây tại Futurum Group cho biết. "Họ không đầu tư vào các mô hình của riêng họ như Microsoft và Google", ông nói. "AWS giống như một ngôi nhà cho mọi mô hình."

Ba tháng sau khi Bedrock được cung cấp rộng rãi vào tháng 9 năm ngoái, phần lớn khách hàng của AWS đã sử dụng nhiều hơn một mô hình để xây dựng các ứng dụng AI, công ty cho biết.

Chương 2 - Các khái niệm thực tế về học máy – Phần 12

(Trích từ sách Học máy cho những người ra quyết định (Machine Learning for Decision Makers, tác giả: Patanjali Kashyap - Bangalore, Karnataka, Ấn Độ) – Nhà xuất bản Apress. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Những tiến bộ mới nhất trong Học máy

Cho đến đây, tôi đã thảo luận về những đột phá trong học máy đã xảy ra trong vài thập kỷ qua. Tôi cũng mô tả cách các luồng dữ liệu lớn ảnh hưởng đến các công nghệ như Internet tốc độ cao và điện toán đám mây. Tuy nhiên, có rất nhiều đổi mới xảy ra trong các lĩnh vực liên quan chặt chẽ với học máy, như học sâu. Học sâu giữ cho học máy ở cốt lõi của nó, nhưng ý nghĩa của nó rất rộng. Nó trải rộng trên các hệ thống đề xuất (Netflix và Amazon), công nghệ nhận dạng khuôn mặt (Facebook), bộ lọc thư rác email (Google và Microsoft) và hệ thống nhận dạng giọng nói (Siri của Apple).

Độ sâu của sự tiến bộ thường không được biết đến đối với người dùng phổ thông cho đến khi nó được công khai. Nhưng dựa trên tốc độ tiến bộ, chúng ta có thể nói với sự chắc chắn rằng những phát triển đã xảy ra trong năm năm qua sẽ hầu như không là gì so với những gì chúng ta sẽ thấy trong năm năm tới. Dựa trên tình trạng phát triển kỹ thuật và lực kéo hiện tại của học máy, các phần sau đây thảo luận về một vài lĩnh vực có thể dẫn đến tiến bộ đặc biệt.

Nhận dạng dựa trên hình ảnh

Với sự trợ giúp của học sâu, tình trạng nhận dạng dựa trên hình ảnh hiện tại sẽ có một bước nhảy vọt lượng tử, vì rất nhiều nghiên cứu đang diễn ra trong lĩnh vực này. Ví dụ, các hệ thống / ứng dụng dựa trên học máy sẽ nhận dạng hình ảnh và xác định con người và hành động của họ trong hình ảnh, với độ chính xác cao. Phần tốt nhất của việc này là ứng dụng sẽ có thể làm điều này chỉ dựa trên hình ảnh, ít phụ thuộc vào dữ liệu bên ngoài. Các thuật toán và mô hình học sâu hiện đại sẽ không chỉ có thể nhận ra hình ảnh mới mà còn thu thập thông tin chi tiết từ hình ảnh của toàn bộ lịch sử loài người và cảnh quay video. Điều này sẽ thay đổi cách các tài sản này được tổ chức, định vị, xem và chia sẻ. Ví dụ: YouTube có thể sớm tìm thấy nội dung liên quan đến các phần của clip hoặc cảnh quay video mà bạn đã xem và thích một cách thông minh. Điều này sẽ chỉ được thực hiện trên cơ sở nội dung trực quan của video.

Nghiên cứu điển hình: Nhận dạng khuôn mặt

Thách thức

Thiết kế thuật toán nhận diện và nhận dạng khuôn mặt cho các ứng dụng trên nhiều miền.

Tiếp cận

Tạo cơ sở dữ liệu khuôn mặt và thực hiện nhận diện khuôn mặt bằng thuật toán Haar Cascades. Hình ảnh khuôn mặt được chụp phù hợp trong cơ sở dữ liệu hiện có về hình ảnh khuôn mặt của mọi người. Sử dụng thuật toán nhận dạng khuôn mặt với phân tích thành phần nguyên tắc.

Kết quả

Đạt được độ chính xác gần 60% cho nhận dạng khuôn mặt và 70% cho nhận diện khuôn mặt. Điều này có thể được áp dụng để tăng cường các biện pháp an ninh trong các tổ chức hoặc xác định và cung cấp ưu đãi cho khách hàng lặp lại trong các cửa hàng bán lẻ.

Y tế

Khả năng học máy để phân tích và lưu trữ lượng dữ liệu khổng lồ (kết hợp với công nghệ Dữ liệu lớn) sẽ cung cấp cho các bác sĩ và bệnh nhân ý kiến thứ hai rất cần thiết trong thời gian thực. Điều này sẽ cho phép họ chẩn đoán và cung cấp điều trị các bệnh y tế theo cách theo yêu cầu. Các thiết bị điện toán thông minh, có thể đeo được và hệ thống theo dõi sức khỏe cá nhân hỗ trợ IoT này có thể phát hiện các tình trạng sức khỏe và thể lực khác nhau trong thời gian thực và gửi thông báo cho bệnh nhân, để giúp họ ít bị bệnh hơn. Những tiến bộ mới nhất trong lĩnh vực này sẽ làm cho các công nghệ này trở nên phổ biến trong năm năm tới. Đeo các thiết bị này có thể trở nên phổ biến như có điện thoại di động ngày nay. Học máy đang dẫn đầu một cuộc cách mạng thầm lặng trong lĩnh vực chăm sóc sức khỏe bằng cách thúc đẩy những đột phá.

Du lịch và Truyền thông

Công nghệ dịch thuật thời gian thực là lĩnh vực mà rất nhiều ngành công nghiệp và doanh nghiệp đang đặt cược.

Chương 2 - Các khái niệm thực tế về học máy – Phần 11

(Trích từ sách Học máy cho những người ra quyết định (Machine Learning for Decision Makers, tác giả: Patanjali Kashyap - Bangalore, Karnataka, Ấn Độ) – Nhà xuất bản Apress. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Học máy quy mô lớn

Các bộ dữ liệu đào tạo đang tăng kích thước khi các mô hình học máy trở nên phức tạp hơn theo thời gian. Các mô hình ngôn ngữ được học qua hàng triệu hoặc hàng tỷ cụm từ, trong khi các mô hình nhúng được dạy bằng cách sử dụng các bộ văn bản và đồ thị quy mô web. Có thể kết luận rằng trong vài năm qua, việc đào tạo các mô hình học máy trên các bộ dữ liệu khổng lồ đã mang lại lợi ích lớn cho các nhiệm vụ hạ nguồn nhưng cũng chứng minh là tốn kém về mặt tính toán. Một hệ thống học máy mạnh mẽ với các mô hình có thể xử lý hàng triệu đến hàng tỷ tham số một cách hiệu quả và hiệu năng là cần thiết với sự tăng trưởng to lớn của dữ liệu lớn. Hệ thống phải có khả năng xử lý số lượng dữ liệu cực lớn và cung cấp các phân tích dự đoán chính xác. Các hệ thống học máy truyền thống không thể xử lý một lượng lớn dữ liệu vì chúng xử lý dữ liệu tuần tự theo cách thương mại hoặc học thuật, sử dụng các thuật toán học máy lặp lại tiêu chuẩn. Do đó, có ý nghĩa rằng nhu cầu về các hệ thống học máy quy mô lớn đang tăng lên do các hệ thống này có thể đáp ứng các yêu cầu xử lý của các thuật toán học máy ở quy mô lớn này. Chúng làm điều này bằng cách học hỏi từ các mô hình phức tạp với hàng triệu đến hàng tỷ tham số. Hệ thống này yêu cầu các cụm phân tán được tạo thành từ hàng chục đến hàng nghìn máy cùng hoạt động.

Bởi vì nó bao gồm khối lượng dữ liệu khổng lồ, học máy quy mô lớn khác rất nhiều so với học máy thông thường. Một số lượng lớn các trường hợp đào tạo / thử nghiệm, đặc điểm hoặc lớp học bị thao túng. Ví dụ, các thuật toán học máy như vậy được sử dụng bởi Facebook, Instagram và Flickr, mỗi thuật toán có hàng chục tỷ bức ảnh có sẵn tại bất kỳ thời điểm nào. Tất cả đều có mặt trong các bộ dữ liệu học máy quy mô lớn:

• Hơn 100 tỷ ví dụ đào tạo

• Hơn 100 tỷ tính năng

• Khoảng 100 tính năng cho mỗi ví dụ đào tạo (dữ liệu thưa thớt)

Sự phát triển của các hệ thống học máy quy mô lớn sẽ cung cấp các hệ thống song song, hiệu quả, chịu lỗi, có thể mở rộng để thực hiện các nhiệm vụ học tập trên khối lượng dữ liệu khổng lồ đang nhận được rất nhiều sự chú ý từ các doanh nghiệp và học viện. Đối với các công ty và tổ chức phụ thuộc vào dữ liệu để đưa ra lựa chọn, học máy quy mô lớn là một công cụ quan trọng. Xử lý nhanh lượng dữ liệu khổng lồ có thể tạo ra thông tin sâu sắc và cải thiện việc ra quyết định.

Phân tích dự đoán, phân khúc khách hàng, quản lý rủi ro và phát hiện gian lận là một vài ứng dụng của học máy quy mô lớn. Học máy quy mô lớn có thể xác định các mối quan hệ, xu hướng và kết nối khó nhìn thấy nếu không có bộ dữ liệu khổng lồ. Kết quả là, các tập đoàn có thể trở nên thông minh hơn và tạo ra các kế hoạch hiệu quả hơn.

Về cơ bản, các thuật toán được sử dụng trong quá trình học máy quy mô lớn để khám phá các mẫu trong dữ liệu. Các thuật toán thường được sử dụng để dự đoán hoặc định vị xu hướng sau khi được đào tạo trên một tập dữ liệu. Một phương pháp đào tạo một thuật toán học máy để tìm xu hướng trong dữ liệu khách hàng và sau đó dự đoán hành vi của khách hàng.

Các biến thể của học máy, chẳng hạn như xử lý ngôn ngữ tự nhiên, cũng sử dụng học máy quy mô lớn. Các thuật toán xử lý ngôn ngữ tự nhiên được sử dụng để kiểm tra tài liệu được viết bằng ngôn ngữ tự nhiên và tìm các mẫu văn bản. Điều này có thể được sử dụng để giải mã ý nghĩa của văn bản, xác định chủ đề và dự đoán hình thức.

Học máy quy mô lớn là một công cụ hữu ích cho các công ty và tổ chức. Nó có thể có lợi để nhanh chóng xử lý một lượng lớn dữ liệu và tìm thông tin sâu sắc. Các tổ chức có thể tạo ra các chiến lược thành công hơn bằng cách sử dụng học máy quy mô lớn.

Ngôn ngữ lập trình cho Học máy

Chương 2 - Các khái niệm thực tế về học máy – Phần 10

(Trích từ sách Học máy cho những người ra quyết định (Machine Learning for Decision Makers, tác giả: Patanjali Kashyap - Bangalore, Karnataka, Ấn Độ) – Nhà xuất bản Apress. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Các công cụ dành cho Học máy

Google, Microsoft, IBM, Amazon và rất nhiều công ty sáng tạo khác đang cung cấp các API và công cụ học máy thông qua các nền tảng đám mây tương ứng của họ. Điều này làm cho cuộc sống dễ dàng hơn và APS (ứng dụng, sản phẩm và dịch vụ) được xây dựng nhanh chóng. Công cụ là một trong những phần quan trọng nhất của hệ sinh thái học máy. Việc lựa chọn công cụ phù hợp phụ thuộc vào nhiều yếu tố, bao gồm cả các yêu cầu. Các công cụ liên quan đến máy học trang bị cho bạn khả năng mang lại kết quả suôn sẻ. Trong kịch bản hiện tại, nơi thời hạn nghiêm ngặt và cứng nhắc, việc lựa chọn các công cụ thích hợp đóng vai trò là vũ khí không thể thiếu. Ngoài ra, chúng là một phần quan trọng của các quyết định và chiến lược kiến trúc. Ở cấp độ dự án, việc lựa chọn công cụ phù hợp đóng một vai trò rất quan trọng.

Giải thích Biệt ngữ

• API (Application Programming Interface): Danh sách các hướng dẫn cũng như thiết lập các hướng dẫn mà một ứng dụng có thể gửi đến ứng dụng khác. Ngoài ra, nó là một mô tả về cách một ứng dụng / thành phần phần mềm có thể xen kẽ hoặc giao tiếp với các ứng dụng / thành phần phần mềm khác. Nó được sử dụng theo cách để một chương trình riêng lẻ có thể kết nối trực tiếp với một chương trình khác và chúng có thể sử dụng các chức năng của nhau một cách được xác định rõ.

• Nền tảng: Một giải pháp chung hoàn chỉnh cho một loạt các vấn đề. Ví dụ: nền tảng Microsoft .NET và Windows cung cấp giải pháp cho nhiều vấn đề. Nhiều nhà cung cấp đang cung cấp các nền tảng dựa trên đám mây, thường được gọi là giải pháp Nền tảng như một dịch vụ (PaaS). Một nền tảng có thể bao gồm một số công cụ và thành phần. Đổi lại, các công cụ và thành phần có thể hữu ích trong việc giải quyết phạm vi vấn đề rộng hơn, như sự kiên trì, bảo mật, đồng thời, v.v. Nói chung, một nền tảng tốt sẽ đáp ứng mọi nhu cầu của bạn. Một nền tảng đi kèm với một bộ công nghệ, công cụ, thành phần và thư viện được chọn trước và bạn phải chọn trong số đó những gì bạn muốn sử dụng cho hệ thống của mình (mà bạn sẽ phát triển / sửa đổi). Một nền tảng là một thực thể cơ bản; Hãy nghĩ về nó như một nhà cung cấp dịch vụ. Nền tảng cung cấp các dịch vụ để chạy / cài đặt các công cụ và khung; Một khi điều đó được thực hiện, các chương trình chạy trên đầu trang đó.

• Khuôn khổ / Khung (Framework): Sử dụng các tính năng và chức năng được cung cấp bởi (các) nền tảng cơ bản để đạt được công việc. Ví dụ, một khuôn khổ có thể phục vụ như một công cụ để các nhà phát triển truy cập vào các phần và phần khác nhau của logic. Một khuôn khổ cung cấp một lớp trừu tượng trên nhiều phần của nền tảng cơ bản. Bạn có thể chạy nhiều khuôn khổ trên một nền tảng. Ví dụ: dựa trên yêu cầu dự án của bạn, bạn có thể chạy cùng một khung trên các nền tảng không giống nhau. Ví dụ: bạn có thể chạy .NET core framework trên Windows và Linux (nền tảng), trong khi .NET framework 4.5 sẽ chỉ chạy trên nền tảng Windows.

• Công cụ: Một bộ máy để thực hiện các chức năng cụ thể trong các chương trình phần mềm khi mã hóa hoặc khi thực hiện các nhiệm vụ chuyên ngành. Nó có các đầu vào được xác định trước cung cấp các đầu ra được xác định trước. Bộ công cụ giống như một bộ công cụ phát triển phần mềm — nó là một tập hợp các công cụ bao gồm các thư viện mã và các thành phần, và nó thường tiết kiệm các nỗ lực mã hóa vì nó đã tuân thủ và tổ chức các công cụ và thư viện.

• Thư viện: Một phần mã mà bạn có thể gọi từ chương trình của mình để thực hiện các tác vụ nhanh chóng và dễ dàng hơn. Ví dụ: thư viện đầu vào và đầu ra (I/O) sẽ cung cấp các phương tiện để tải và thao tác đầu vào, đầu ra và tệp (dưới dạng các đoạn mã được mã hóa sẵn và biên dịch). Điều này cho phép bạn hoàn thành nhiệm vụ của mình nhanh hơn

They bought Nvidia stock before the hype.

It's paid for cars, vacations, and a deposit on a dream home.

Ana Altchek and Jennifer Sor. Business Insider. Wed, April 24, 2024.

Nvidia has been a cash cow for investors lucky enough to have bought in before the AI-fueled rally.

Shares of the company have gained 1,500% since 2019 as its GPUs power the AI revolution.

Early retail investors told Business Insider their gains had paid for cars, vacations, and dream homes.

The dizzying rise of Nvidia stock in recent years has produced extraordinary gains for many retail investors, especially those who got in before the chipmaker became an artificial-intelligence superpower.

The stock's steep climb — up over 1,500% since 2019 — has transformed the lives of some of Nvidia's long-term retail investors, resulting in comfier retirements, new cars, and gains worth millions for some.

Business Insider reviewed brokerage and account statements to verify the gains and account balances of the investors it spoke with, some of whom asked to be identified by their first names only to protect their privacy.

Tom, a 48-year-old retail investor in New Jersey, first bought Nvidia in 2011, when the stock was valued at just about $5 a share. He put in $12,000 at the time and then another $50,000 in 2022. His total stake is now worth $3 million.

His fortune, which remains mostly invested and untouched, was a matter of research and good timing, he said.

"They were the original creators of the GPUs," he said. "I'm not even much of a techie. I'm not a computer person at all, but I knew that the GPUs would be worth something one day."

Nvidia went from a gaming icon to an AI superpower seemingly overnight. In the early days of the pandemic, its stock climbed as gamers, with time on their hands under COVID-19 lockdowns, scrambled to upgrade their computer rigs with the latest Nvidia GPUs.

Then, in November 2022, the debut of OpenAI's ChatGPT fueled a run of stunning growth for Nvidia as its GPUs were the only game in town when it came to powering such AI programs. The stock has essentially gone parabolic since.

According to Vanda Research, Nvidia has become the top stock among retail investors, surpassing retail portfolio concentrations of Apple, Tesla, and SPY, the most popular S&P 500 exchange-traded fund.

11. Windfall:

• English: A sudden, unexpected financial gain or benefit.

• Vietnamese: Một khoản lợi nhuận hoặc lợi ích tài chính đột ngột, không mong đợi.

12. Retirement:

• English: The withdrawal from one's occupation or job, usually upon reaching a certain age, often accompanied by financial planning to ensure financial security and independence.

• Vietnamese: Sự nghỉ hưu: Sự rút lui khỏi công việc hoặc nghề nghiệp của một người, thường khi đạt đến một độ tuổi nhất định, thường kèm theo kế hoạch tài chính để đảm bảo an toàn tài chính và độc lập tài chính.

Tom said his Nvidia stake was worth about three times what he had in his 401(k) and that he felt more comfortable that he'd be able to live well in retirement

13. Stock market:

• English: A marketplace where securities such as stocks and bonds are bought and sold by investors.

• Vietnamese: Thị trường chứng khoán: Một thị trường nơi các chứng khoán như cổ phiếu và trái phiếu được mua bán bởi các nhà đầu tư.

14. Bear case:

• English: A negative or pessimistic argument against the potential growth or success of a particular investment, asset, or market.

• Vietnamese: Trường hợp bi quan: Một lập luận tiêu cực hoặc bi quan chống lại tiềm năng tăng trưởng hoặc thành công của một khoản đầu tư, tài sản hoặc thị trường cụ thể.

15. Financial security:

• English: The state of having enough savings, investments, or other assets to cover expenses and withstand financial emergencies without experiencing significant hardship.

• Vietnamese: An ninh tài chính: Tình trạng có đủ tiết kiệm, đầu tư hoặc các tài sản khác để chi trả các chi phí và chịu đựng các tình huống khẩn cấp tài chính mà không gặp phải khó khăn đáng kể.

Họ đã mua cổ phiếu Nvidia trước khi giá cổ phiếu này bộc phát.

Giải thích thuật ngữ trong bài này.

Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

1. Nvidia stock:

• English: Shares representing ownership in Nvidia Corporation, a leading company in the semiconductor industry, known for its graphics processing units (GPUs) used in various applications, including gaming and artificial intelligence.

• Vietnamese: Cổ phiếu Nvidia: Cổ phiếu đại diện cho quyền sở hữu trong Công ty Nvidia Corporation, một công ty hàng đầu trong ngành công nghệ bán dẫn, nổi tiếng với các đơn vị xử lý đồ họa (GPU) được sử dụng trong nhiều ứng dụng, bao gồm cả game và trí tuệ nhân tạo.

2. Investors:

• English: Individuals or entities who allocate capital with the expectation of generating a return on investment, typically through the purchase of financial assets such as stocks, bonds, or real estate.

• Vietnamese: Nhà đầu tư: Cá nhân hoặc tổ chức đầu tư vốn với kỳ vọng sinh lợi, thường thông qua việc mua các tài sản tài chính như cổ phiếu, trái phiếu hoặc bất động sản.

3. Retail investors:

• English: Individual investors who buy and sell securities for their personal accounts, rather than on behalf of an institution or organization.

• Vietnamese: Nhà đầu tư bán lẻ: Các nhà đầu tư cá nhân mua và bán chứng khoán cho các tài khoản cá nhân của họ, thay vì thay mặt cho một tổ chức hoặc tổ chức nào đó.

4. Growth:

• English: An increase in the value of an investment over time, often measured as a percentage.

• Vietnamese: Sự tăng trưởng: Sự tăng giá trị của một khoản đầu tư theo thời gian, thường được đo lường dưới dạng phần trăm.

5. Chipmaker:

• English: A company involved in the design, development, and manufacturing of semiconductor chips used in various electronic devices.

• Vietnamese: Nhà sản xuất chip: Một công ty tham gia vào việc thiết kế, phát triển và sản xuất các vi chip bán dẫn được sử dụng trong các thiết bị điện tử khác nhau.

6. Artificial Intelligence (AI):

• English: The simulation of human intelligence processes by machines, particularly computer systems, to perform tasks that typically require human intelligence, such as visual perception, speech recognition, decision-making, and language translation.

• Vietnamese: Trí tuệ nhân tạo (AI): Việc mô phỏng các quy trình trí tuệ của con người bằng máy móc, đặc biệt là các hệ thống máy tính, để thực hiện các nhiệm vụ thường đòi hỏi trí tuệ của con người, như nhận thức hình ảnh, nhận dạng giọng nói, ra quyết định và dịch ngôn ngữ.

7. Parabolic:

• English: Relating to or having the form of a curve that is roughly U-shaped, characterized by a rapid increase in value or magnitude followed by a similarly rapid decrease.

• Vietnamese: Có hình dạng của một đường cong gần như hình chữ U, đặc trưng bởi sự tăng nhanh chóng về giá trị hoặc độ lớn, tiếp sau đó là một sự giảm tương tự nhanh chóng.

8. Roth IRA:

• English: A type of individual retirement account (IRA) that allows individuals to make after-tax contributions, with qualified withdrawals being tax-free.

• Vietnamese: Roth IRA: Một loại tài khoản tiết kiệm hưu trí cá nhân (IRA) cho phép cá nhân đóng góp sau thuế, với việc rút tiền hợp lệ không chịu thuế.

9. Securities:

• English: Tradable financial assets representing ownership in a company (stocks), debt owed by a company or government entity (bonds), or the right to ownership or payment based on an underlying asset (derivatives).

• Vietnamese: Chứng khoán: Các tài sản tài chính có thể giao dịch đại diện cho quyền sở hữu trong một công ty (cổ phiếu), nợ của một công ty hoặc tổ chức chính phủ (trái phiếu), hoặc quyền sở hữu hoặc thanh toán dựa trên một tài sản cơ bản (tương tác).

10. Lynchpin:

• English: A central or essential element that holds something together or provides support for it.

• Vietnamese: Một yếu tố trung tâm hoặc cần thiết giữ cho một cái gì đó lại hoặc cung cấp sự hỗ trợ cho nó.

人工智能需要联合国监督

Peter G. Kirchschläger. Project Syndicate. Apr 24, 2024

发自苏黎世——近年来许多科学家和科技领袖都敲响了人工智能的警钟，发出了核时代到来以来从未有过的严重警告。比如埃隆·马斯克（Elon Musk）就表示说“人工智能比核武器危险得多，”并因此提出了一个重要问题：“我们为什么没有对其实施监管？这太疯狂了。”

已故的斯蒂芬·霍金（Stephen Hawking）也提出了类似的观点：“除非我们学会如何为潜在风险做好准备并加以规避，否则人工智能可能会成为我们文明史上最糟糕的事件。它带来了各种危险，比如强大的自主操作武器，或是少数人压迫多数人的新方式。”

鉴于不加管控的人工智能可能带来的灾难性后果，我们显然有必要去建立国际防护栏以确保这种新兴技术（更准确地说是基于数据的系统）能符合共同利益。具体来说这意味着要保证人权能在全球范围内得到维护，包括在网上。

为此各国政府应制定法规去推动某些数据系统的发展，确保人权在这些系统的整个生命周期（包括设计、开发、生产、分配和使用）中得到尊重、保护、实施和实现，从而保护弱势者不受强权侵害。

同样重要的是，联合国必须紧急建立国际数据系统机构（International Data-Based Systems Agency）这么一个全球人工智能监督机构去促进这些技术的安全、可靠、可持续以及和平使用，确保它们尊重人权并促进该领域的合作。它还将拥有协助决定人工智能产品市场准入的监管权。鉴于基于数据的系统与核技术之间的相似性，国际原子能机构将是这类机构的最佳模式，尤其因为它是联合国少数几个有“牙齿”的机构之一。

国际原子能机构的成功表明我们是有能力在人类和地球的未来岌岌可危时谨慎行事、禁止盲目追求技术进步的。在对广岛和长崎的轰炸揭示了核战争的毁灭性人道主义后果后，核技术领域的研发受到了限制以防止出现更糟糕的结果。这要归功于一个拥有各类强大执行机制的国际管理体制——国际原子能机构。

越来越多的世界各国专家呼吁成立国际数据系统机构并支持创建以尊重人权为基础的数据系统。由纳尔逊·曼德拉（Nelson Mandela）创立的全球领导人独立团体“长老会”（The Elders）已经认识到了人工智能的巨大风险以及需要建立一个像国际原子能机构这样的国际机构去“在强有力的安全操作规程下管理这些强大的技术”，同时确保它们“以符合国际法和人权条约的方式被应用。”因此他们鼓励各国向联合国大会提请由国际法委员会起草一份国际条约以建立一个新的人工智能安全机构。

OpenAI公司CEO萨姆·阿尔特曼（Sam Altman）是具有法律约束力的人工智能监管框架的知名支持者之一——正是他所在公司于2022年底公开发布的ChatGPT掀起了人工智能军备竞赛。去年阿尔特曼呼吁建立一个国际机构去（在处理其他事项的同时）“检查系统、要求审计、测试是否符合安全标准，[并]对部署程度和安全等级做出限制。”就连教皇方济各也强调有必要建立一个多边机构来负责审查人工智能引发的伦理问题，并通过“一项具有约束力的国际条约”来规范人工智能的开发和使用。

联合国则强调了在基于数据的系统中促进和保护人权的重要性。2023 年7月联合国人权理事会一致通过了一项关于“新兴数字技术与人权”的决议，指出这些技术“可能缺乏适当的监管”并强调需要“采取有效措施去防止、减轻和弥补此类技术对人权的不利影响。”为此决议呼吁建立各类影响评估框架以进行尽职调查并确保有效的弥补措施以及人类监督和法律问责。

联合国大会在刚刚过去的三月一致通过了一项关于“把握安全、可靠和可信赖人工智能系统的机遇去促进可持续发展”的决议。这项具有里程碑意义的决议认识到“人们在线下拥有的权利也必须在线上得到保护，包括在人工智能系统的整个生命周期内。”

既然国际社会已经认识到在基于数据的系统中保护人权的必要性，那下一步该如何走就显而易见了。联合国现在必须将这一全球共识转化为行动，建立一个国际数据系统机构。

Peter G. Kirchschläger，卢塞恩大学伦理学教授兼ISE社会伦理研究所所长，是苏黎世联邦理工学院人工智能中心的客座教授。

AI Needs UN Oversight

Peter G. Kirchschläger. Project Syndicate. Apr 24, 2024

The United Nations must urgently establish an International Data-Based Systems Agency to promote safe, secure, and peaceful uses of artificial intelligence and to ensure that these systems respect human rights. Such an institution would also have regulatory authority to help determine market approval for AI products.

Many scientists and tech leaders have sounded the alarm about artificial intelligence in recent years, issuing dire warnings not heard since the advent of the nuclear age. Elon Musk, for example, has said that “AI is far more dangerous than nukes,” prompting him to ask an important question: “[W]hy do we have no regulatory oversight? This is insane.”

The late Stephen Hawking made a similar point: “Unless we learn how to prepare for, and avoid, the potential risks, AI could be the worst event in the history of our civilization. It brings dangers, like powerful autonomous weapons, or new ways for the few to oppress the many.”

Given the potentially catastrophic consequences of unchecked AI, there is a clear need for international guardrails to ensure that this emerging technology – more accurately called data-based systems – serves the common good. Specifically, that means guaranteeing that human rights are upheld globally, including online.

To that end, governments should introduce regulations that promote data-based systems that seek to protect the powerless from the powerful by ensuring that human rights are respected, protected, implemented, and realized within such systems’ entire life cycle, including design, development, production, distribution, and use.

Equally important, the United Nations must urgently establish an International Data-Based Systems Agency (IDA), a global AI watchdog that would promote safe, secure, sustainable, and peaceful uses of these technologies, ensure that they respect human rights, and foster cooperation in the field. It would also have regulatory authority to help determine market approval for AI products. Given the similarities between data-based systems and nuclear technologies, the International Atomic Energy Agency (IAEA) would be the best model for such an institution, not least because it is one of the few UN agencies with “teeth.”

The success of the IAEA has shown that we are capable of exercising caution and prohibiting the blind pursuit of technological advances when the future of humanity and the planet are at stake. After the bombing of Hiroshima and Nagasaki revealed the devastating humanitarian consequences of nuclear war, research and development in the field of nuclear technology was curtailed to prevent even worse outcomes. This was made possible by an international regime – the IAEA – with strong enforcement mechanisms.

A growing number of experts from around the world have called for the establishment of an IDA and supported the creation of data-based systems founded on respect for human rights. The Elders, an independent group of global leaders founded by Nelson Mandela, have recognized the enormous risks of AI and the need for an international agency like the IAEA “to manage these powerful technologies within robust safety protocols” and to ensure that they are “used in ways consistent with international law and human-rights treaties.” Consequently, they encourage countries to submit a request to the UN General Assembly for the International Law Commission to draft an international treaty establishing a new AI safety agency.

Among the influential supporters of a legally binding regulatory framework for AI is Sam Altman, the CEO of OpenAI, whose public release of ChatGPT in late 2022 kicked off the AI arms race. Last year, Altman called for an international authority that can, among other things, “inspect systems, require audits, test for compliance with safety standards, [and] place restrictions on degrees of deployment and levels of security.”

AI cần sự giám sát của Liên Hợp Quốc

Peter G. Kirchschläger. Project Syndicate. Ngày 24 tháng Tư, 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Giải thích thuật ngữ

Artificial Intelligence (AI):

English: The simulation of human intelligence processes by machines, especially computer systems, aiming to perform tasks that typically require human intelligence.

Vietnamese: Trí tuệ nhân tạo, sự mô phỏng các quy trình trí tuệ của con người bởi máy móc, đặc biệt là các hệ thống máy tính, nhằm thực hiện các nhiệm vụ thường đòi hỏi trí tuệ của con người.

United Nations (UN):

English: An international organization founded in 1945 after World War II, aiming to promote peace, security, and cooperation among nations.

Vietnamese: Liên Hiệp Quốc (LHQ), tổ chức quốc tế được thành lập vào năm 1945 sau Thế chiến II, với mục tiêu thúc đẩy hòa bình, an ninh và hợp tác giữa các quốc gia.

International Data-Based Systems Agency (IDA):

English: An organization proposed to be established by the United Nations to oversee and regulate the use of data-based systems, including artificial intelligence, to ensure they respect human rights and promote safe, secure, and peaceful uses of such technologies.

Vietnamese: Cơ quan Hệ thống Dựa trên Dữ liệu Quốc tế (IDA), một tổ chức được đề xuất được Liên Hiệp Quốc thành lập để giám sát và quy định việc sử dụng các hệ thống dựa trên dữ liệu, bao gồm trí tuệ nhân tạo, để đảm bảo chúng tôn trọng nhân quyền và thúc đẩy việc sử dụng các công nghệ như vậy một cách an toàn, bảo mật và hòa bình.

Human Rights:

English: Fundamental rights and freedoms to which all humans are entitled, often enshrined in national and international law.

Vietnamese: Nhân quyền, những quyền và tự do cơ bản mà tất cả con người đều được hưởng, thường được ghi trong luật pháp quốc gia và quốc tế.

Regulatory Oversight:

English: Supervision and control by a regulatory authority to ensure that rules, laws, and standards are followed in a particular industry or sector.

Vietnamese: Sự giám sát và kiểm soát bởi một cơ quan quy định để đảm bảo rằng các quy tắc, luật pháp và tiêu chuẩn được tuân thủ trong một ngành công nghiệp hoặc lĩnh vực cụ thể.

Nuclear Age:

English: The period in history characterized by the development and use of nuclear weapons, particularly during and after World War II.

Vietnamese: Thời đại hạt nhân, thời kỳ trong lịch sử được đặc trưng bởi sự phát triển và sử dụng vũ khí hạt nhân, đặc biệt là trong và sau Thế chiến II.

Autonomous Weapons:

English: Weapons that can operate independently without human intervention, often associated with artificial intelligence and robotics.

Vietnamese: Vũ khí tự động, các loại vũ khí có thể hoạt động một cách độc lập mà không cần sự can thiệp của con người, thường liên quan đến trí tuệ nhân tạo và robot.

International Atomic Energy Agency (IAEA):

English: An international organization established to promote the peaceful use of nuclear energy and to prevent the proliferation of nuclear weapons.

Vietnamese: Cơ quan Năng lượng Nguyên tử Quốc tế (IAEA), một tổ chức quốc tế được thành lập để thúc đẩy việc sử dụng hòa bình năng lượng hạt nhân và ngăn chặn sự lan tràn của vũ khí hạt nhân.

AI Arms Race:

English: Competition among nations or organizations to develop and deploy artificial intelligence technologies for military purposes.

Vietnamese: Cuộc đua vũ trang trí tuệ nhân tạo, sự cạnh tranh giữa các quốc gia hoặc tổ chức để phát triển và triển khai các công nghệ trí tuệ nhân tạo cho mục đích quân sự.

Double Deterrence

English: A policy aimed at deterring two parties simultaneously, often used in the context of international relations to prevent conflict or aggression

Vietnamese: Chính sách đồng ngăn chặn, một chính sách nhằm ngăn chặn hai bên đồng thời, thường được sử dụng trong ngữ cảnh quan hệ quốc tế để ngăn chặn xung đột hoặc sự xâm lược

Emerging Technology

Vietnamese: Công nghệ mới nổi, những công nghệ mới và đang phát triển có khả năng tác động đáng kể đến xã hội và kinh tế

Sự sụp đổ của Nữ hoàng Airbnb

Bà hứa hẹn với các nhà đầu tư một vận may dễ dàng. Sau đó, tất cả đều sụp đổ.

Dan Latu. Business Insider. Tháng Tư 21, 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Vào một buổi tối thứ Ba với thời tiết dễ chịu đầu năm 2022, khoảng 150 người đã tập trung tại hội trường VFW ở Tulsa để nghe Nữ hoàng Airbnb trình bày.

Sau đại dịch, với lãi suất thấp và du lịch một lần nữa bùng nổ, danh sách Airbnb đã xuất hiện trên khắp thành phố. Đối với các nhà đầu tư trung bình, phép toán đơn giản không chính xác là không thể cưỡng lại. Ở Tulsa, bạn có thể mua một ngôi nhà kiểu ngoại ô với giá dưới 75.000 đô la và cho thuê nó với giá 117 đô la một đêm. Nếu bạn có khách đặt ba phần tư thời gian mỗi tháng – theo cách tính trung bình của người thuyết trình vào thời điểm đó - bạn có thể thu được khoảng 30,000 đô la một năm.

Tulsa có cảm giác của một cơn sốt vàng cho thuê. Và Dani Widell là Nữ hoàng Airbnb tự phong của thành phố.

Một nhà đầu tư bất động sản nhỏ đã trở thành quản lý tài sản Airbnb, Widell tuyên bố đã có tổng cộng 100 danh sách, nhiều hơn bất kỳ ai khác ở Tulsa. Tờ khai thuế sau đó cho thấy Widell Renovations đã tạo ra hơn 1 triệu đô la đặt phòng hàng năm. Widell là một người có mặt thường xuyên và năng động trên Facebook, nơi cô ấy đưa ra lời khuyên trong các nhóm cho thuê ngắn hạn và cung cấp dịch vụ của mình để biến nhà thành máy thu tiền. Cô hứa sẽ cung cấp cho các tài sản diện mạo của một khách sạn có phong cách quyến rũ, xử lý khách và đảm bảo có khăn trải giường mới và nguồn cung cấp giấy vệ sinh dồi dào. Các nhà đầu tư có thể đặt nó và hãy để cho cô ấy lo liệu.

Bây giờ, sau khi cô ấy thuyết trình tại hội trường VFW, những người tham dự đã la hét xung quanh Widell, mong muốn cô ấy quản lý việc cho thuê Airbnb của họ. "Vào thời điểm đó, cảm giác là, nếu bạn chưa cho thuê ngắn hạn, thì đã quá muộn", Kathy Portley, chủ tịch Hiệp hội các nhà đầu tư bất động sản Tulsa, đơn vị tài trợ cho sự kiện này, nhớ lại.

Tuy nhiên, đối với Widell, mọi chuyện đã quá muộn. Trong vòng một năm, đế chế Airbnb của cô đã sụp đổ. Chủ nhà không nhận được tiền thuê nhà của họ. Nhân viên không được trả lương. Các chủ nợ đến gõ cửa. Cuộc hôn nhân của cô đã tan vỡ. Sự sụp đổ đột ngột – và mạng lưới các cáo buộc đi kèm với nó – đưa ra một câu chuyện cảnh báo về những gì đến từ việc đặt quá nhiều niềm tin vào một thị trường đầy biến động, một bậc thầy chưa được kiểm chứng và lời hứa về tiền dễ dàng. Triều đại của Nữ hoàng Airbnb của Tulsa đã kết thúc - và các đối tượng của cô phải tự mình đối phó với hậu quả khó khăn.

Airbnb là một trong những câu chuyện xoay chuyển lớn theo hướng tiêu cực của đại dịch.

Trong những tháng đầu năm 2020, khi thế giới đóng cửa, công ty đã mất gần 80% hoạt động kinh doanh, sa thải 1.900 nhân viên và chứng kiến định giá giảm từ 31 tỷ USD xuống còn 18 tỷ USD. Các chuyên gia suy ngẫm rằng đại dịch có thể đã vĩnh viễn khiến du khách từ bỏ ý tưởng chia sẻ nhà.

Thay vào đó, khi các lệnh phong tỏa được dỡ bỏ và làm việc từ xa trở thành bình thường mới, người Mỹ đã thể hiện sự lôi cuốn chưa từng có khi đi du lịch - cho rằng điều đó có thể được thực hiện ở khoảng cách an toàn. Nhiều người đã tìm thấy không gian và sự an toàn mà họ đang theo đuổi trong Airbnb. Khi công ty lên sàn vào cuối năm 2020, đây là đợt IPO lớn nhất trong năm. Vào ngày giao dịch đầu tiên, giá cổ phiếu của Airbnb đã tăng gấp đôi. Khi lượng đặt phòng tăng vọt, các nhà đầu tư bất động sản lần đầu đổ xô vào hành động, biến nhà ở thành nhà cho thuê ngắn hạn. Không lâu sau, danh sách 260.000 Airbnb và Vrbo mới đã được thêm vào trên toàn quốc, theo công ty phân tích AirDNA.

Tulsa, một thành phố 400.000 dân từ lâu được biết đến là "thủ đô dầu mỏ của thế giới", dường như là một mảnh đất màu mỡ cho Airbnb. Thành phố, với Art Deco và các bungalow Craftsman rộng rãi tại trung tâm thành phố, đã là điểm đến cho người mua nhà tìm kiếm khả năng chi trả, khung cảnh nghệ thuật sống động và dễ dàng tiếp cận các hoạt động ngoài trời.

Công ty khởi nghiệp AI này giúp các cửa hàng bắt những kẻ trộm cắp vừa bỏ túi 1,5 triệu đô la tài trợ trước hạt giống mà không cần sử dụng pitch deck

Melia Russell - Business Insider. Ngày 22 tháng 4 năm 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Công ty khởi nghiệp của Nikhil Teja Kolli, MokSa.ai sử dụng camera an ninh hỗ trợ AI để hạn chế trộm cắp và gian lận.

Kể từ khi ra mắt cách đây một năm, MokSa.ai đã thu hút được hơn 70 khách hàng và 240.000 đô la ARR.

MokSa.ai đã bảo đảm 1,5 triệu đô la tài trợ trước hạt giống và nhằm mục đích mở rộng hoạt động của mình.

Khi còn là sinh viên đại học ở Kansas, Nikhil Teja Kolli làm ca đêm tại một cửa hàng tiện lợi ở ngoại ô Ozarks. Một đêm nọ, một người đàn ông nán lại bên trong cửa hàng cho đến khi tất cả các khách hàng khác ra về, sau đó tiếp cận quầy với một khẩu súng chỉa về phía Kolli. Tay súng hốt hết tiền mặt trong ngăn kéo và để Kolli bất động. Anh cảm thấy bất lực để ngăn chặn sự việc.

Tám tháng sau, anh ta lại bị hăm dọa bằng súng.

Anh ta không thể biết điều gì sẽ xảy ra sau đó, nhưng Kolli sẽ tiếp tục bắt đầu một doanh nghiệp tập trung vào việc giảm thiểu hành vi trộm cắp.

Công ty khởi nghiệp MokSa.ai của ông, nhằm mục đích giúp các doanh nghiệp hạn chế trộm cắp và gian lận nhân viên bằng cách sử dụng camera an ninh hỗ trợ trí tuệ nhân tạo, được ra mắt bí mật chưa đầy một năm trước. Nhưng nó đã có một loạt khách hàng trả tiền, điều hiếm thấy trong số các công ty khởi nghiệp có quy mô như vậy. Theo Kolli, hệ thống giám sát thời gian thực của nó đang được sử dụng tại hơn 70 trạm xăng, cửa hàng rượu và bodegas trên toàn quốc và đang tạo ra doanh thu định kỳ 20.000 đô la một tháng.

Giờ đây, cách tiếp cận khác nhau liên quan đến học máy và lợi nhuận mạnh mẽ này đã thuyết phục các nhà đầu tư cung cấp cho nó nguồn tài trợ trước hạt giống. ["tài trợ trước hạt giống" đề cập đến vòng vốn ban đầu được huy động bởi một công ty khởi nghiệp trong giai đoạn phát triển sớm nhất, thường là trước khi nó có một sản phẩm được phát triển đầy đủ hoặc lực kéo đáng kể trên thị trường. Khoản tài trợ này được sử dụng để trang trải các chi phí ban đầu liên quan đến việc bắt đầu kinh doanh, chẳng hạn như nghiên cứu và phát triển, thuê nhân sự chủ chốt và xác nhận ý tưởng hoặc khái niệm kinh doanh.]

MokSa.ai nói với Business Insider rằng họ đã bảo đảm thành công 1,5 triệu đô la tài trợ trong vòng 3 do Array Ventures dẫn đầu, với sự tham gia của Jay Farner, cựu giám đốc điều hành của Quicken Loans và The Fund Midwest.

Công ty sử dụng thị giác máy tính để tự động hóa một số phần giám sát vẫn được thực hiện bởi con người. Nó tạo ra phần mềm cho các camera an ninh có sẵn để phát hiện hoạt động đáng ngờ - hãy nghĩ, một người nhét sáu gói bia vào quần hoặc nhân viên thu ngân tặng hàng hóa cho bạn bè - và gửi thông báo thời gian thực đến bảng điều khiển khách hàng. Cảnh báo bao gồm một đoạn clip về vụ việc, giúp chủ doanh nghiệp tiết kiệm thời gian mà họ có thể dành để phát lại hàng giờ cảnh quay camera để tìm kiếm thủ phạm.

Kolli cho biết công ty ban đầu đã cố gắng sử dụng các mô hình trí tuệ nhân tạo mã nguồn mở, được đào tạo trước nhưng nhận thấy rằng một số mô hình này cho thấy sự thiên vị đại diện cho các bộ dữ liệu mà họ được đào tạo. Sau đó, họ đã cố gắng tinh chỉnh các mô hình đó, nhưng Kolli cho biết hiệu suất của chúng đã rất kém. Cuối cùng, nó đã quyết định bằng cách sử dụng các mô hình sử dụng chung liên tục học hỏi khi có cảnh quay mới.

Công ty cũng trả tiền cho các thực tập sinh đại học ở Ấn Độ để xem các cảnh quay cho hoạt động đáng ngờ và chú thích nó - một quá trình được gọi là dán nhãn dữ liệu.

"Khi chúng tôi đang nói chuyện, có dữ liệu mới xuất hiện và những mô hình này đang trở nên tốt hơn", Kolli nói

Theo Shruti Gandhi, người sáng lập và đối tác chung duy nhất tại Array Ventures, một phần ma thuật của MokSa.ai là các mô hình tùy chỉnh cho trường hợp sử dụng này.

"Các bộ dữ liệu mà họ đã thu thập được trong hai năm qua là từ một công ty dịch vụ cho phép họ triển khai

Apple AI - Tin đồn, tính năng, nghiên cứu và thiết bị được hỗ trợ

Bởi José Adorno. BGR. Ngày 10 Tháng Tư, 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Apple sẽ dốc toàn lực cho AI vào năm 2024. Công ty dự kiến sẽ giới thiệu một số tính năng trí tuệ nhân tạo trong bài phát biểu WWDC sẽ hoạt động với các thiết bị hiện có và sắp tới, từ iPhone đến iPad và Mac. Dưới đây là tất cả mọi thứ chúng ta biết về những nỗ lực AI của Apple.

Tin đồn mới nhất

Theo nhà phân tích Jeff Pu của Haitong International Securities, iOS 18 cuối cùng có thể mang các tính năng AI tổng hợp lên iPhone vào cuối năm 2024. Ông đề nghị Apple đã xây dựng vài trăm máy chủ AI vào năm 2023 và sẽ xây dựng nhiều hơn nữa vào năm 2024. TrendForce cũng đã gợi ý về việc Apple mua máy chủ AI, vì công ty máy chủ AI Supermicro muốn "tích cực mở rộng nỗ lực để đảm bảo các đơn đặt hàng AI từ khách hàng, bao gồm cả Apple và Meta".

Bằng cách kết hợp AI dựa trên đám mây và xử lý dữ liệu trên thiết bị, Apple cuối cùng sẽ tung ra AI tạo nội dung của mình cho iPhone và iPad vào cuối năm 2024, có nghĩa là chúng sẽ là một phần của chu kỳ iOS 18.

Tim Cook xác nhận AI sắp ra mắt - nhưng các tính năng cốt lõi có thể được giữ kín.

Trong cuộc gọi thu nhập đầu tiên của Apple trong năm, Giám đốc điều hành của công ty, Tim Cook, đã không đề cập đến iOS 18 bằng tên. Nhưng ông đã đề cập đến AI hai lần, nêu ra những dự đoán trong các thông báo sắp tới. Ông đã làm như vậy trong bài phát biểu của mình ngay sau khi nhắc nhở những người trong cuộc gọi về việc ra mắt Vision Pro.

Cook cho biết Apple sẽ dành "rất nhiều thời gian và công sức" cho AI, với các chi tiết sẽ ra mắt vào cuối năm nay:

Những khoảnh khắc như thế này [sự ra mắt của Vision Pro] là những gì chúng tôi sống ở Apple. Chúng là lý do tại sao chúng tôi làm những gì chúng tôi đang làm. Đó là lý do tại sao chúng tôi rất tận tâm với sự đổi mới đột phá và tại sao chúng tôi rất tập trung vào việc đẩy công nghệ đến giới hạn của nó khi chúng tôi làm việc để làm phong phú thêm cuộc sống của người dùng.

Khi chúng tôi nhìn về phía trước, chúng tôi sẽ tiếp tục đầu tư vào những công nghệ này và các công nghệ khác sẽ định hình tương lai. Điều đó bao gồm trí tuệ nhân tạo, nơi chúng tôi tiếp tục dành rất nhiều thời gian và công sức, và chúng tôi rất vui mừng được chia sẻ chi tiết về công việc đang diễn ra của chúng tôi trong không gian đó vào cuối năm nay.

Tuy nhiên, lời nói của Tim Cook không đủ để thuyết phục nhà phân tích Jeff Pu của Haitong Securities. Ông tin rằng cổ phiếu $AAPL đang được định giá quá cao và các nhà đầu tư nên thận trọng về chu kỳ iPhone 15, AirPods, Mac và Apple Watch, bên cạnh doanh số bán iPhone 16 "có khả năng bị tắt tiếng".

Mặc dù các tính năng AI sẽ bắt đầu xuất hiện vào cuối năm nay trên iPhone, Pu hy vọng nó sẽ bị hạn chế với một số nâng cấp phần cứng liên quan đến AI cho iPhone 16 với chip A18 và A18 Pro. "Chúng tôi hy vọng một AI tạo nội dung hoạt động tốt hơn sẽ diễn ra vào năm 2025, có thể là với iPhone 17, thời điểm để nâng cao hoạt động kinh doanh sản phẩm / dịch vụ của Apple".

Tính năng

Những nỗ lực AI của Apple có thể bao gồm một số tính năng mới. Mặc dù công ty đã sử dụng trí tuệ nhân tạo trong một số sản phẩm của mình, công ty thường gọi chúng là được hỗ trợ bởi "học máy" hoặc chip Neural Engine.

Trong số các tính năng mới, Mark Gurman của Bloomberg mong đợi những điều sau:

• Các tính năng tự động tóm tắt và tự động hoàn thành cho các ứng dụng cốt lõi và phần mềm năng suất (Pages, Keynote). Điều này cũng được đồn đại, cho biết mã trên iOS 18 cho thấy chức năng này.

• Tạo danh sách phát tốt hơn trong Apple Music

• Một cuộc đại tu tổng thể lớn của Siri tập trung vào AI

• Hoàn thành mã trong phiên bản Xcode mới dành cho nhà phát triển

• Các công cụ AppleCare hỗ trợ nhân viên giúp khách hàng khắc phục sự cố

Người dùng X Nicolás Álvarez cũng tìm thấy tính năng Trợ lý duyệt Safari với mã iOS 18. Nó sẽ sử dụng cấu trúc của iCloud Private Relay để gửi dữ liệu liên quan đến Apple theo cách

History Already Tells Us the Future of AI

Daron Acemoglu and Simon Johnson. Project Syndicate. Apr 23, 2024.

David Ricardo, one of the founders of modern economics in the early 1800s, understood that machines are not necessarily good or bad. His insight that whether they destroy or create jobs all depends on how we deploy them, and on who makes those choices, could not be more relevant today.

Artificial intelligence and the threat that it poses to good jobs would seem to be an entirely new problem. But we can find useful ideas about how to respond in the work of David Ricardo, a founder of modern economics who observed the British Industrial Revolution firsthand. The evolution of his thinking, including some points that he missed, holds many helpful lessons for us today.

Private-sector tech leaders promise us a brighter future of less stress at work, fewer boring meetings, more leisure time, and perhaps even a universal basic income. But should we believe them? Many people may simply lose what they regarded as a good job – forcing them to find work at a lower wage. After all, algorithms are already taking over tasks that currently require people’s time and attention.

In his seminal 1817 work, On the Principles of Political Economy and Taxation, Ricardo took a positive view of the machinery that had already transformed the spinning of cotton. Following the conventional wisdom of the time, he famously told the House of Commons that “machinery did not lessen the demand for labour.”

Since the 1770s, the automation of spinning had reduced the price of spun cotton and increased demand for the complementary task of weaving spun cotton into finished cloth. And since almost all weaving was done by hand prior to the 1810s, this explosion in demand helped turn cotton handweaving into a high-paying artisanal job employing several hundred thousand British men (including many displaced, pre-industrial spinners). This early, positive experience with automation likely informed Ricardo’s initially optimistic view.

But the development of large-scale machinery did not stop with spinning. Soon, steam-powered looms were being deployed in cotton-weaving factories. No longer would artisanal “hand weavers” be making good money working five days per week from their own cottages. Instead, they would struggle to feed their families while working much longer hours under strict discipline in factories.

As anxiety and protests spread across northern England, Ricardo changed his mind. In the third edition of his influential book, published in 1821, he added a new chapter, “On Machinery,” where he hit the nail on the head: “If machinery could do all the work that labour now does, there would be no demand for labour.” The same concern applies today. Algorithms’ takeover of tasks previously performed by workers will not be good news for displaced workers unless they can find well-paid new tasks.

Most of the struggling handweaving artisans during the 1810s and 1820s did not go to work in the new weaving factories, because the machine looms did not need many workers. Whereas the automation of spinning had created opportunities for more people to work as weavers, the automation of weaving did not create compensatory labor demand in other sectors. The British economy overall did not create enough other well-paying new jobs, at least not until railways took off in the 1830s. With few other options, hundreds of thousands of hand weavers remained in the occupation, even as wages fell by more than half.

Another key problem, albeit not one that Ricardo himself dwelled upon, was that working in harsh factory conditions – becoming a small cog in the employer-controlled “satanic mills” of the early 1800s – was unappealing to handloom weavers. Many artisanal weavers had operated as independent businesspeople and entrepreneurs who bought spun cotton and then sold their woven products on the market.

Lịch sử đã cho chúng ta biết tương lai của AI

Daron Acemoglu và Simon Johnson. Dự án Syndicate. Ngày 23 tháng 4 năm 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

David Ricardo, một trong những người sáng lập kinh tế học hiện đại vào đầu những năm 1800, hiểu rằng máy móc không nhất thiết phải tốt hay xấu. Cái nhìn sâu sắc của ông rằng liệu chúng phá hủy hay tạo ra việc làm đều phụ thuộc vào cách chúng ta triển khai chúng và vào ai đưa ra những lựa chọn đó, không thể phù hợp hơn ngày nay.

Trí tuệ nhân tạo và mối đe dọa mà nó đặt ra cho những công việc tốt dường như là một vấn đề hoàn toàn mới. Nhưng chúng ta có thể tìm thấy những ý tưởng hữu ích về cách phản ứng trong công việc của David Ricardo, người sáng lập kinh tế học hiện đại, người đã trực tiếp quan sát Cách mạng Công nghiệp Anh. Sự phát triển trong suy nghĩ của ông, bao gồm một số điểm mà ông đã bỏ lỡ, chứa đựng nhiều bài học hữu ích cho chúng ta ngày nay.

Các nhà lãnh đạo công nghệ khu vực tư nhân hứa hẹn cho chúng ta một tương lai tươi sáng hơn, ít căng thẳng hơn trong công việc, ít cuộc họp nhàm chán hơn, nhiều thời gian giải trí hơn và thậm chí có thể là thu nhập cơ bản phổ quát. Nhưng chúng ta có nên tin họ không? Nhiều người có thể chỉ đơn giản là mất những gì họ coi là một công việc tốt - buộc họ phải tìm việc làm với mức lương thấp hơn. Rốt cuộc, các thuật toán đã đảm nhận các nhiệm vụ hiện đang đòi hỏi thời gian và sự chú ý của mọi người.

Trong tác phẩm nổi tiếng năm 1817 của mình, Về các nguyên tắc kinh tế chính trị và thuế - On the Principles of Political Economy and Taxation, Ricardo đã có một cái nhìn tích cực về máy móc đã biến đổi việc kéo sợi bông. Theo sự khôn ngoan thông thường thời bấy giờ, ông đã nổi tiếng khi nói với Hạ viện rằng "máy móc không làm giảm nhu cầu lao động".

Kể từ những năm 1770, việc tự động hóa kéo sợi đã làm giảm giá bông kéo sợi và tăng nhu cầu cho nhiệm vụ bổ sung là dệt bông kéo thành vải thành phẩm. Và vì hầu hết tất cả việc dệt đều được thực hiện bằng tay trước những năm 1810, sự bùng nổ nhu cầu này đã giúp biến dệt thủ công bông thành một công việc thủ công được trả lương cao sử dụng hàng trăm nghìn người đàn ông Anh (bao gồm nhiều thợ kéo sợi tiền công nghiệp). Trải nghiệm ban đầu, tích cực này với tự động hóa có thể đã thông báo cho quan điểm lạc quan ban đầu của Ricardo.

Nhưng sự phát triển của máy móc quy mô lớn không dừng lại ở kéo sợi. Chẳng mấy chốc, khung dệt chạy bằng hơi nước đã được triển khai trong các nhà máy dệt bông. Những "thợ dệt tay" thủ công sẽ không còn kiếm tiền tốt khi làm việc năm ngày mỗi tuần từ chính ngôi nhà của họ. Thay vào đó, họ sẽ phải vật lộn để nuôi sống gia đình trong khi làm việc nhiều giờ hơn dưới kỷ luật nghiêm ngặt trong các nhà máy.

Khi sự lo lắng và biểu tình lan rộng khắp miền bắc nước Anh, Ricardo đã thay đổi suy nghĩ của mình. Trong ấn bản thứ ba của cuốn sách có ảnh hưởng của mình, xuất bản năm 1821, ông đã thêm một chương mới, "Về máy móc", nơi ông tuyên bố một cách chính xác: "Nếu máy móc có thể làm tất cả các công việc mà lao động hiện đang làm, sẽ không có nhu cầu về lao động." Mối quan tâm tương tự cũng áp dụng ngày hôm nay. Việc các thuật toán tiếp quản các nhiệm vụ được thực hiện trước đây bởi người lao động sẽ không phải là tin tốt cho những người lao động bị di dời trừ khi họ có thể tìm thấy các nhiệm vụ mới được trả lương cao.

Hầu hết các nghệ nhân dệt thủ công gặp khó khăn trong những năm 1810 và 1820 đã không đi làm trong các nhà máy dệt mới, bởi vì máy dệt không cần nhiều công nhân. Trong khi tự động hóa kéo sợi đã tạo cơ hội cho nhiều người làm thợ dệt, tự động hóa dệt không tạo ra nhu cầu lao động bù đắp trong các lĩnh vực khác. Nền kinh tế Anh nói chung không tạo ra đủ việc làm mới được trả lương cao khác, ít nhất là cho đến khi đường sắt cất cánh vào những năm 1830. Với một vài lựa chọn khác, hàng trăm ngàn thợ dệt tay vẫn tiếp tục làm nghề, ngay cả khi tiền lương giảm hơn một nửa.

Chương 2 - Các khái niệm thực tế về học máy – Phần 9

(Trích từ sách Học máy cho những người ra quyết định (Machine Learning for Decision Makers, tác giả: Patanjali Kashyap - Bangalore, Karnataka, Ấn Độ) – Nhà xuất bản Apress. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Vật lý học

Đôi khi, vật lý xử lý các vấn đề phức tạp và với nhiều dữ liệu. Ví dụ, trong các thí nghiệm Máy va chạm Hadron Lớn (LHC) tại CERN, học máy trở nên rất hữu ích trong việc tìm hiểu tác động của va chạm. Nó phân tích mọi va chạm và cung cấp những hiểu biết hữu ích cho các nhà khoa học. Các thuật toán học máy đánh bại các nhà vật lý trong các nhiệm vụ liên quan đến hồi quy hoặc phân loại từ 25 đến 30%.

• Các thuật toán và mô hình học máy được sử dụng để xử lý dữ liệu vệ tinh. Cũng trong vật lý khí quyển, học máy được sử dụng để dự báo và dự báo thời tiết.

• Học máy thường được sử dụng trong vật lý thiên văn để phân loại và tổ chức lượng dữ liệu khổng lồ. Ví dụ, các thuật toán phân cụm được sử dụng trên dữ liệu Kepler để sắp xếp, định vị và xác định các hệ sao có môi trường xung quanh ổn định có thể phù hợp với việc sử dụng.

Sinh học

Các thuật toán và mô hình học máy như mô hình Markov, máy vectơ hỗ trợ, mạng thần kinh và mô hình đồ họa được sử dụng thường xuyên để xử lý và quản lý tính ngẫu nhiên và không chắc chắn của dữ liệu. Đây là những kỹ thuật chính để phân tích bộ gen người. Chúng được sử dụng đặc biệt để dự báo các khu vực mã hóa hoặc không mã hóa của bộ gen; các ứng dụng khác bao gồm dự đoán RNA. Có một số công ty mới và được thành lập trong lĩnh vực này.

Ví dụ, Khoa học sinh học công nghiệp DuPont đang thực hiện nhiều công việc trong kỹ thuật protein của enzyme và kỹ thuật trao đổi chất của vi khuẩn để bảo vệ môi trường của chúng ta. Họ đang phân tích các protein và enzyme và trích xuất cái nhìn sâu sắc với sự trợ giúp của các thuật toán và mô hình học máy. Một vài lĩnh vực khác mà cơ hội kinh doanh tồn tại bao gồm:

• Thuật toán tìm gen: Bằng cách sử dụng các mô hình Markov, mô hình Markov ẩn (HMM), thuật toán Viterbi và ước tính tham số, các công ty có thể cung cấp thông tin di truyền được cá nhân hóa và cá nhân hóa.

• Tìm các vị trí miRNA: Các công ty như dược phẩm Rose sử dụng các mô hình Hidden Markov để cho phép nghiên cứu trong các lĩnh vực như nghiên cứu viêm gan C.

• Phân loại và dự đoán: Điều này liên quan đến việc tích hợp các dữ liệu sinh học khác nhau và chọn mô hình tốt nhất để thực hiện phân loại dữ liệu và dự đoán.

Cơ hội kinh doanh không chỉ tồn tại trong các lĩnh vực này, mà còn mở rộng các ngành khác, bao gồm sinh học vũ trụ, khoa học môi trường, sinh học xã hội, tâm lý học, v.v. Vấn đề ở đây là làm nổi bật các cơ hội của học máy trong lĩnh vực khoa học.

Các loại máy học

Có nhiều loại thuật toán học máy trong thế giới khoa học dữ liệu. Chương này tập trung chủ yếu vào ba loại thuật toán — giám sát, không giám sát và củng cố. Chương 1 bao gồm các khái niệm và hoạt động cơ bản của học tập có giám sát và không giám sát. Ở đây, tôi trình bày chi tiết về học tăng cường.

Học tăng cường

Học tăng cường là một thể loại học máy đào tạo hệ thống bằng phần thưởng và hình phạt. Nói cách khác, nó huấn luyện một hệ thống giống như con người huấn luyện thú cưng. Ví dụ, nếu thú cưng của bạn vâng lời và hành động theo hướng dẫn của bạn, bạn khuyến khích chúng bằng cách thưởng cho chúng và có thể trừng phạt chúng khi chúng không vâng lời. Tương tự, nếu hệ thống làm tốt, huấn luyện viên sẽ cho nó phần thưởng tích cực (điểm tích cực). Khi hệ thống hoạt động không tốt, huấn luyện viên sẽ trừng phạt nó (điểm tiêu cực). Hệ thống học tập nhận được điểm tiêu cực phải tự cải thiện để được chính xác hơn.

Đây là một cơ chế / quy trình thử và sai. Các thuật toán học tăng cường giữ lại có chọn lọc các kết quả đầu ra khai thác phần thưởng được thừa nhận trong một khoảng thời gian. Nói chung, thuật toán học tăng cường cố gắng bắt chước cách bộ não con người hành động liên quan đến hình phạt và phần thưởng. Chúng chọn những hành động mang lại

Chương 2 - Các khái niệm thực tế về học máy – Phần 8

(Trích từ sách Học máy cho những người ra quyết định (Machine Learning for Decision Makers, tác giả: Patanjali Kashyap - Bangalore, Karnataka, Ấn Độ) – Nhà xuất bản Apress. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Mạng viễn thông, sản phẩm và dịch vụ

Cơ hội kinh doanh tồn tại trong các lĩnh vực sau:

• Tối ưu hóa mạng động và dự đoán cho khách hàng và nhà cung cấp dịch vụ mạng.

• Bảo tồn hoặc giữ chân khách hàng cho công ty gốc dựa trên hồ sơ dữ liệu cuộc gọi và phân tích máy học dự đoán (phân tích máy học = máy học + phân tích).

• Tối ưu hóa hoạt động của khách hàng trong mạng của thuê bao thông qua APS thông minh.

• Chấm điểm khách hàng, xác định tỷ lệ rời bỏ và APS dựa trên giảm thiểu.

• Tối ưu hóa các ưu đãi được thực hiện cho khách hàng để bán chéo để nâng cao hiệu quả và hiệu quả.

• Cải tiến và quản lý khách hàng và trung tâm cuộc gọi theo thời gian thực.

• Phân tích, phòng ngừa và quản lý gian lận.

• Cải thiện dịch vụ dựa trên vị trí thông qua việc sử dụng dữ liệu và phân tích GPS.

• Trung tâm khách hàng và trung tâm cuộc gọi hiệu quả.

Phân bổ băng thông dựa trên các mẫu sử dụng.

Dịch vụ chuyên nghiệp

Cơ hội kinh doanh tồn tại trong các lĩnh vực sau:

• Phân tích mục tiêu quảng cáo thông qua các thuật toán học sâu và máy học.

• Tham dự phương tiện truyền thông xã hội, phân tích cảm xúc / cảm xúc theo thời gian thực và tiếp thị được nhắm mục tiêu trên cơ sở phân tích học máy.

• Quản lý chiến dịch hiệu quả và hiệu quả và đưa vào các chương trình khách hàng thân thiết đúng hạn dựa trên phân tích dự đoán. Có rất nhiều cơ hội trong không gian này để tạo hệ thống nhận thức nhân tạo.

• Xác định, phát hiện và ngăn chặn tội phạm theo thời gian thực cho các nhà cung cấp bảo mật.

• Giá cá nhân hóa cho du lịch dựa trên phân tích hành vi của cá nhân / nhóm.

• Giám sát và quản lý cơ sở hạ tầng công nghệ thông tin theo thời gian thực. Cung cấp các dịch vụ tự phục hồi, bảo trì dự đoán và quản lý trong công nghệ thông tin.

• Phát hiện mẫu vi phạm bảo mật theo thời gian thực thông qua học máy để tạo các quy tắc tùy chỉnh trong công nghệ thông tin.

Các sáng kiến của khu vực công và chính phủ

Cơ hội kinh doanh tồn tại trong các lĩnh vực sau:

• Nâng cao lối sống và chất lượng cuộc sống của người dân. Ví dụ, cải tiến trong dịch vụ bệnh nhân và quản lý đường cao tốc dựa trên học máy.

• Cải tiến hệ thống vũ khí và tình báo chiến tranh để chống khủng bố với sự trợ giúp của hệ thống nhận thức nhân tạo dựa trên học máy (phân tích dự đoán).

• Hệ thống thuế thông minh thông qua hệ thống nhận thức nhân tạo dựa trên học máy.

• Xác định, phát hiện và ngăn chặn gian lận trong phạm vi công cộng và chính phủ.

• Tăng cường an ninh mạng của mạng công cộng và các tổ chức và phòng ban chính phủ.

• Tăng cường các chương trình giám sát và ứng phó cho các tổ chức công cộng và chính phủ.

• Tin học y tế, tin sinh học và dược lý học hiệu quả, hiệu quả và tối ưu hóa với việc sử dụng phân tích hợp lý.

• Đánh giá và dự đoán điều trị theo thời gian thực dựa trên mật độ dân số.

• Tăng cường hệ thống hỗ trợ quyết định lâm sàng.

• Kiểm soát và quản lý ô nhiễm thông minh và thông minh thông qua học máy được kích hoạt hệ thống nhận thức nhân tạo.

Bán lẻ và bán buôn

Cơ hội kinh doanh tồn tại trong các lĩnh vực sau:

• Quản lý bố cục và vị trí cửa hàng thời gian thực thông qua việc sử dụng hệ thống nhận thức nhân tạo học máy.

• Tăng cường và tối ưu hóa chuỗi cung ứng và chuỗi giá trị.

• Theo dõi và quản lý RFID thời gian thực.

• Tối ưu hóa giá cả và chi phí. Ví dụ: cung cấp giá gợi ý động dựa trên phân tích Dữ liệu lớn và máy học.

• Hành vi của khách hàng, lập bản đồ tính cách truyền thông xã hội và phân tích tình cảm và cảm xúc dựa trên nguồn cấp dữ liệu truyền thông xã hội.

• Tạo thông tin chi tiết và phản hồi khách hàng có thể hành động dựa trên phân tích dữ liệu không đồng nhất. Ví dụ: cung cấp phân đoạn vi mô dữ liệu hành vi của khách hàng.

Chương 2 - Các khái niệm thực tế về học máy – Phần 7

(Trích từ sách Học máy cho những người ra quyết định (Machine Learning for Decision Makers, tác giả: Patanjali Kashyap - Bangalore, Karnataka, Ấn Độ) – Nhà xuất bản Apress. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Mô hình ngôn ngữ lớn như ChatGPT sử dụng Học tăng cường từ phản hồi của con người (RLHF) như thế nào?

Với hiệu suất vượt trội trong nhiều nhiệm vụ ngôn ngữ, bao gồm mô hình hóa ngôn ngữ, dịch máy và trả lời câu hỏi, các mô hình ngôn ngữ lớn đã tự khẳng định mình là một công cụ chính trong xử lý ngôn ngữ tự nhiên. Mặc dù có sức mạnh lớn, các mô hình ngôn ngữ lớn cũng có những hạn chế, chẳng hạn như xu hướng sản xuất nội dung phụ, không liên quan hoặc thậm chí phản cảm.

Có được dữ liệu đào tạo chất lượng cao là một trong những vấn đề lớn nhất vì các mô hình ngôn ngữ lớn đòi hỏi nhiều dữ liệu để hoạt động tốt. Ngoài ra, học tập có giám sát đòi hỏi người chú thích của con người để phân loại dữ liệu, đây là một hoạt động tốn thời gian và tốn kém.

Để giải quyết những vấn đề này, học tăng cường từ phản hồi của con người đã được trình bày như một khuôn khổ có thể tạo ra các nhãn cao cấp cho dữ liệu đào tạo. Để tạo ra văn bản chất lượng cao, thích hợp, gắn kết trong khuôn khổ này, các mô hình ngôn ngữ lớn trước tiên được đào tạo trước bằng cách sử dụng học tập không giám sát và sau đó được tinh chỉnh bằng học tăng cường từ phản hồi của con người.

Các mô hình ngôn ngữ lớn có thể học hỏi từ sở thích của người dùng và tạo ra kết quả đầu ra phù hợp hơn với mục tiêu và ý định của người dùng, nhờ học tăng cường từ phản hồi của con người, có thể có tác động lớn đến nhiều ứng dụng xử lý ngôn ngữ tự nhiên. Các mô hình ngôn ngữ lớn có thể được đào tạo hiệu quả với dữ liệu ít được gắn nhãn hơn và thực hiện tốt hơn một số nhiệm vụ nhất định bằng cách sử dụng học tăng cường từ phản hồi của con người, kết hợp học tăng cường và phản hồi của con người. Do đó, học tăng cường từ phản hồi của con người là một khuôn khổ hiệu quả để tăng cường năng lực của các mô hình ngôn ngữ lớn và tăng cường khả năng hiểu và tạo ra ngôn ngữ tự nhiên của họ.

Trong học tăng cường từ phản hồi của con người, một kho dữ liệu văn bản khá lớn được sử dụng để dạy các mô hình ngôn ngữ lớn , sau đó được đào tạo trước. Để tạo ra các đầu ra mạch lạc và dễ hiểu, mô hình phải học các mẫu và cấu trúc cơ bản của ngôn ngữ. Học tăng cường từ phản hồi của con người có thể được sử dụng để tinh chỉnh các mô hình ngôn ngữ lớn sau khi đào tạo trước, điều này tốn kém về mặt tính toán nhưng cung cấp một cơ sở mạnh mẽ.

Sự phát triển của một mô hình phần thưởng, một mô hình học máy đánh giá tầm cỡ của văn bản được tạo ra bởi các mô hình ngôn ngữ lớn , là giai đoạn thứ hai. Mô hình phần thưởng tạo ra một số vô hướng cho biết chất lượng đầu ra từ đầu ra của các mô hình ngôn ngữ lớn làm đầu vào của nó. Một các mô hình ngôn ngữ lớn khác đã được thay đổi để tạo ra một giá trị vô hướng duy nhất thay vì một loạt các mã thông báo văn bản có thể đóng vai trò là mô hình phần thưởng

Một bộ dữ liệu văn bản do các mô hình ngôn ngữ lớn tạo ra được gắn nhãn chất lượng bởi những người đánh giá con người để đào tạo mô hình phần thưởng. Khi được đưa ra một gợi ý, các mô hình ngôn ngữ lớn tạo ra một số kết quả đầu ra mà các giám khảo con người chấm điểm từ xuất sắc đến tệ nhất. Chất lượng của văn bản được tạo ra bởi các mô hình ngôn ngữ lớn sau đó được dự đoán bởi mô hình phần thưởng. Bằng cách học hỏi từ đầu ra của các mô hình ngôn ngữ lớn và điểm xếp hạng được đưa ra bởi các nhà đánh giá con người, mô hình phần thưởng phát triển một mô tả toán học về sở thích của con người

Các mô hình ngôn ngữ lớn trở thành tác nhân học tăng cường trong giai đoạn cuối, thiết lập một vòng lặp học tăng cường. Trong mỗi tập đào tạo, các mô hình ngôn ngữ lớn tạo văn bản bằng cách sử dụng một số tín hiệu từ tập dữ liệu đào tạo. Mô hình phần thưởng sau đó nhận được đầu ra của nó và chỉ định điểm dựa trên mức độ phù hợp với sở thích của con người

China’s Rebalancing Imperative – Part 3

Stephen S. Roach, Project Syndicate. April 19, 2024.

China’s policy challenge

I have not come lightly to this more cautious perspective, and I have taken a fair amount of flak for it, especially from long-biased US politicians and their media consorts who, in years past, have been critical of my more upbeat views on Chinese growth. John Maynard Keynes is often credited (though incorrectly) with having the humility to say, “When the facts change, I change my mind.” There can be little doubt that the facts surrounding the Chinese economy have changed.

Until recently, my Chinese friends have been more open to debating whether China’s structural problems – especially its debt, demographic shifts, and mounting deflation risks – are now starting to resemble those that long afflicted Japan. Given that Japan’s failure to address the structural and institutional underpinnings of a serious TFP problem was a key factor contributing to its protracted malaise, and that those same concerns resonate in China today, it is appropriate to ask if the Chinese economy might be ensnared in a similar trap. Moreover, reversing the downward trend in TFP aligns with both my proposed rebalancing framework and Xi’s recent policy comments.

In the end, this is no academic exercise. Describing a problem without taking a stab at a solution is an exercise in futility. In that spirit, I close with an assessment of the current Chinese policy strategy as seen through the lens of China’s rebalancing imperative, and offer three tentative conclusions:

First, the Chinese government needs a more enlightened policy response to its profound growth challenges. Its reliance on what it has long called “proactive fiscal stimulus and prudent monetary policy,” while necessary, is insufficient and too similar to the toolkit that China successfully deployed in the aftermath of past financial crises.

Chinese policymakers once again seem to be resorting to the brute force of large cash infusions to address major dislocations in the property market, local-government financing vehicles, and the stock market. But they may not be enough to offset powerful structural headwinds and advance the goal of economic rebalancing, which suggests that the risks to this year’s official growth target of around 5% are tilted to the downside.

Second, short-term countercyclical tactics do not effectively address the deeply rooted structural issues that are preventing China’s rebalancing. The combination of external pressures and lagging household consumption leaves China with no choice but to boost productivity to hit its medium- and longer-term growth objectives. Xi’s recent focus on the “new productive forces” of a “new development model,” and the productivity-enhancing supply-side initiatives that Premier Li Qiang announced in this year’s Government Work Report are encouraging.

But productivity challenges are especially daunting for China, give its recent TFP downtrend. The country’s economic leaders must therefore deepen their model-based assessments of the analytical and empirical linkages between Chinese policy design and its TFP quagmire.

Lastly, the time has come for Chinese authorities to reform the social safety net as a means of jump-starting consumer-led rebalancing. Enhancing social services currently ranks far too low, at number ten, on the list of “major tasks for 2024” in Li’s report. The emphasis needs to shift from a fixation on quantity – boosting enrollment in nationwide health-care and retirement plans – to improving the quality of welfare programs by increasing the benefits offered by these schemes. Only then can the fear-driven excess savings of an aging population be replaced by an increased propensity to spend.

Unfortunately, China’s latest policy initiatives, such as a “worry-free consumption” initiative and a consumer goods trade-in program, are vague and focused on the short term.

Nhu cầu khẩn cấp tái cân bằng của Trung Quốc – Phần 3

Stephen S. Roach, Project Syndicate. 19 Tháng Tư, 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Thách thức chính sách của Trung Quốc

Tôi đã không tiếp cận thận trọng hơn quan điểm này, và tôi đã nhận được khá nhiều sự chỉ trích cho nó, đặc biệt là từ các chính trị gia Hoa Kỳ thiên vị từ lâu và các hiệp hội truyền thông của họ, những người, trong những năm qua, đã chỉ trích quan điểm lạc quan hơn của tôi về tăng trưởng của Trung Quốc. John Maynard Keynes thường được ghi nhận (mặc dù không chính xác) với sự khiêm tốn để nói, "Khi sự thật thay đổi, tôi thay đổi suy nghĩ của mình." Có thể có chút nghi ngờ rằng các sự kiện xung quanh nền kinh tế Trung Quốc đã thay đổi.

Cho đến gần đây, những người bạn Trung Quốc của tôi đã cởi mở hơn để tranh luận liệu các vấn đề cơ cấu của Trung Quốc - đặc biệt là nợ, thay đổi nhân khẩu học và rủi ro giảm phát gia tăng - hiện đang bắt đầu giống với những vấn đề đã ảnh hưởng từ lâu đến Nhật Bản. Cho rằng sự thất bại của Nhật Bản trong việc giải quyết nền tảng cấu trúc và thể chế của một vấn đề Năng suất nhân tố tổng thể" nghiêm trọng là một yếu tố chính góp phần vào tình trạng bất ổn kéo dài của nước này, và những mối quan tâm tương tự đó cộng hưởng ở Trung Quốc ngày nay, thật thích hợp để hỏi liệu nền kinh tế Trung Quốc có thể bị mắc kẹt trong một cái bẫy tương tự hay không. Hơn nữa, việc đảo ngược xu hướng giảm của Năng suất nhân tố tổng thể" phù hợp với cả khuôn khổ tái cân bằng được đề xuất của tôi và các bình luận chính sách gần đây của ông Tập.

Cuối cùng, đây không phải là bài tập học thuật. Mô tả một vấn đề mà không thử một giải pháp cho vấn đề là một bài tập vô ích. Trên tinh thần đó, tôi kết thúc với một đánh giá về chiến lược chính sách hiện tại của Trung Quốc được nhìn qua lăng kính của nhu cầu khẩn cấp tái cân bằng của Trung Quốc, và đưa ra ba kết luận dự kiến:

Thứ nhất, chính phủ Trung Quốc cần một phản ứng chính sách sáng suốt hơn đối với những thách thức tăng trưởng sâu sắc của mình. Sự phụ thuộc của Trung Quốc vào cái mà họ từ lâu đã gọi là "kích thích tài khóa chủ động và chính sách tiền tệ thận trọng", trong khi cần thiết, là không đủ và quá giống với bộ công cụ mà Trung Quốc đã triển khai thành công sau hậu quả của các cuộc khủng hoảng tài chính trong quá khứ.

Các nhà hoạch định chính sách Trung Quốc một lần nữa dường như đang sử dụng sức mạnh của các khoản tiền mặt lớn để giải quyết những xáo trộn lớn trong thị trường bất động sản, các phương tiện tài chính của chính quyền địa phương và thị trường chứng khoán. Nhưng chúng có thể không đủ để bù đắp những cơn gió ngược cơ cấu mạnh mẽ và thúc đẩy mục tiêu tái cân bằng kinh tế, điều này cho thấy rủi ro đối với mục tiêu tăng trưởng chính thức của năm nay là khoảng 5% đang nghiêng về phía giảm.

Thứ hai, các chiến thuật phản chu kỳ ngắn hạn không giải quyết hiệu quả các vấn đề cấu trúc sâu xa đang ngăn cản sự tái cân bằng của Trung Quốc. Sự kết hợp của áp lực bên ngoài và tiêu dùng hộ gia đình tụt hậu khiến Trung Quốc không còn lựa chọn nào khác ngoài việc tăng năng suất để đạt được các mục tiêu tăng trưởng trung và dài hạn. Sự tập trung gần đây của ông Tập vào "lực lượng sản xuất mới" của một "mô hình phát triển mới" và các sáng kiến tăng cường năng suất từ phía cung mà Thủ tướng Lý Cường đã công bố trong Báo cáo Công tác Chính phủ năm nay rất đáng khích lệ

Nhưng những thách thức về năng suất đặc biệt khó khăn đối với Trung Quốc, do xu hướng giảm năng suất nhân tố tổng hợp gần đây. Do đó, các nhà lãnh đạo kinh tế của đất nước phải đào sâu các đánh giá dựa trên mô hình của họ về mối liên hệ phân tích và thực nghiệm giữa thiết kế chính sách của Trung Quốc và vũng lầy năng suất nhân tố tổng hợp

Cuối cùng, đã đến lúc chính quyền Trung Quốc cải cách mạng lưới an sinh xã hội như một phương tiện để bắt đầu tái cân bằng do người tiêu dùng lãnh đạo. Tăng cường các dịch vụ xã hội hiện đang xếp hạng quá thấp, ở vị trí thứ mười, trong danh sách "nhiệm vụ chính cho năm 2024

China’s Rebalancing Imperative – Part 2

Stephen S. Roach, Project Syndicate. April 19, 2024.

Unleashing Domestic Demand

This is hardly the first time that China has had to cope with negative global shocks. Starting with the Asian financial crisis of the late 1990s and the dot-com recession of the early 2000s, and continuing through the 2008-09 global financial crisis and the more recent COVID-19 pandemic, China has used traditional countercyclical policy tools, both fiscal and monetary, to sustain rapid GDP growth. While attending the China Development Forum in the early 2000s, I remember discussing possible external shocks with then-Premier Zhu Rongji. His response – an investment-driven proactive fiscal stimulus – is still an important feature of China’s playbook.

But today, a major downturn in the Chinese property sector, amplified by a huge debt overhang, has eroded the potency of any investment offset, reducing considerably the possible benefits of countercyclical policies. That puts the focus squarely on the Chinese consumer.

It has long been obvious that household consumption as a share of the Chinese economy is far too low, as Figure 3 shows. The main culprit is the lack of a broad social safety net; provisions for retirement and health care are particularly inadequate. In the face of an uncertain future, aging Chinese consumers opt for fear-driven precautionary saving over discretionary consumption. Until this urgent challenge is addressed, under-consumption and excess saving will persist.

Moreover, China’s deeply troubled property market has added a new dimension to this dynamic, with falling home prices and reduced household wealth exacerbating the economic vulnerability that has held back private consumption. Taken together, these forces will continue to stymie Chinese rebalancing, an especially worrisome outcome for an economy in dire need of new sources of growth.

China’s lagging domestic consumption is at odds with the official government position on the state of the Chinese economy. According to the latest Statistical Communiqué of the People’s Republic of China, final consumption expenditure was estimated to have contributed 4.3 percentage points, or more than 80%, of last year’s 5.2% increase in total Chinese GDP – nearly three times the 1.5 percentage points contributed by gross capital formation.

These figures paint a surprisingly robust picture of consumption-led Chinese economic growth. The disparity with my depiction of Chinese under-consumption is largely technical, traceable to the United Nations System of National Accounts (SNA), the international standard for national income accounting.

The SNA measures final consumption as the sum of household consumption plus consumption of the “broader community” of businesses and government units. The latter two categories accounted for around 16 percentage points of Chinese GDP in 2022, according to the latest figures, which boosted SNA-based final consumption expenditure as a share of GDP to an estimated 53.2% in 2022, well above the 37.2% attributed to the household sector.

Consequently, when Chinese authorities boast about the newfound strength of consumption-led economic growth, it is important to understand that they are using a much broader metric of national consumption than I am. My focus is exclusively on household final consumption expenditure, a chronically weak segment of the Chinese economy that remains a prime candidate to drive the long overdue – and increasingly urgent – rebalancing.

While the arguments for consumer-led rebalancing are already well-established, the IMF’s latest Article IV consultation with China underscores this case. IMF researchers find that China’s household savings rate, roughly 33% in 2022, contrasts sharply with the median global household savings rate, which the Fund puts at around 12%. This likely reflects the pressure on asset prices – homes, yes, but also underwater equity holdings that are suffering through a wrenching

Nhu cầu khẩn cấp tái cân bằng của Trung Quốc - Phần 2

Stephen S. Roach, Project Syndicate. 19 Tháng Tư, 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Giải phóng nhu cầu trong nước

Đây không phải là lần đầu tiên Trung Quốc phải đối phó với những cú sốc tiêu cực trên toàn cầu. Bắt đầu với cuộc khủng hoảng tài chính châu Á vào cuối những năm 1990 và cuộc suy thoái dot-com đầu những năm 2000, và tiếp tục qua cuộc khủng hoảng tài chính toàn cầu 2008-09 và đại dịch COVID-19 gần đây hơn, Trung Quốc đã sử dụng các công cụ chính sách phản chu kỳ truyền thống, cả tài khóa và tiền tệ, để duy trì tăng trưởng GDP nhanh chóng. Trong khi tham dự Diễn đàn Phát triển Trung Quốc vào đầu những năm 2000, tôi nhớ đã thảo luận về những cú sốc bên ngoài có thể xảy ra với Thủ tướng Chu Dung Cơ lúc bấy giờ. Phản ứng của ông - một kích thích tài khóa chủ động dựa trên đầu tư - vẫn là một đặc điểm quan trọng trong vở kịch của Trung Quốc.

Nhưng ngày nay, một cuộc suy thoái lớn trong lĩnh vực bất động sản Trung Quốc, được khuếch đại bởi một khoản nợ khổng lồ, đã làm xói mòn tiềm năng của bất kỳ khoản bù đắp đầu tư nào, làm giảm đáng kể lợi ích có thể có của các chính sách phản chu kỳ. Điều đó đặt trọng tâm trực tiếp vào người tiêu dùng Trung Quốc.

Từ lâu, rõ ràng là tiêu dùng hộ gia đình như một phần của nền kinh tế Trung Quốc là quá thấp. Thủ phạm chính là thiếu mạng lưới an sinh xã hội rộng lớn; Quy định về hưu trí và chăm sóc sức khỏe đặc biệt bất cập. Đối mặt với một tương lai không chắc chắn, người tiêu dùng Trung Quốc già nua lựa chọn tiết kiệm phòng ngừa do sợ hãi hơn là tiêu dùng tùy ý. Cho đến khi thách thức cấp bách này được giải quyết, tiêu dùng dưới mức và tiết kiệm dư thừa sẽ vẫn tồn tại.

Hơn nữa, thị trường bất động sản gặp khó khăn sâu sắc của Trung Quốc đã thêm một khía cạnh mới cho động lực này, với giá nhà giảm và tài sản hộ gia đình giảm làm trầm trọng thêm tính dễ bị tổn thương kinh tế đã kìm hãm tiêu dùng tư nhân. Kết hợp với nhau, các lực lượng này sẽ tiếp tục cản trở sự tái cân bằng của Trung Quốc, một kết quả đặc biệt đáng lo ngại đối với một nền kinh tế đang rất cần các nguồn tăng trưởng mới.

Tiêu dùng nội địa tụt hậu của Trung Quốc mâu thuẫn với quan điểm chính thức của chính phủ về tình trạng của nền kinh tế Trung Quốc. Theo Thông cáo Thống kê mới nhất của Cộng hòa Nhân dân Trung Hoa, chi tiêu tiêu dùng cuối cùng ước tính đã đóng góp 4,3 điểm phần trăm, tương đương hơn 80%, trong mức tăng 5,2% của năm ngoái trong tổng GDP của Trung Quốc - gần gấp ba lần mức 1,5 điểm phần trăm do tổng vốn hình thành.

Những con số này vẽ ra một bức tranh mạnh mẽ đáng ngạc nhiên về tăng trưởng kinh tế Trung Quốc dựa vào tiêu dùng. Sự khác biệt với mô tả của tôi về tiêu dùng dưới mức của Trung Quốc phần lớn là kỹ thuật, có thể truy nguyên từ Hệ thống Tài khoản Quốc gia của Liên Hợp Quốc (SNA), tiêu chuẩn quốc tế về kế toán thu nhập quốc dân.

Hệ thống Tài khoản Quốc gia của Liên Hợp Quốc đo lường mức tiêu thụ cuối cùng là tổng tiêu dùng hộ gia đình cộng với mức tiêu thụ của "cộng đồng rộng lớn hơn" của các doanh nghiệp và cơ quan chính phủ. Hai loại sau chiếm khoảng 16 điểm phần trăm GDP của Trung Quốc vào năm 2022, theo số liệu mới nhất, điều này đã thúc đẩy chi tiêu tiêu dùng cuối cùng dựa trên Hệ thống Tài khoản Quốc gia của Liên Hợp Quốc như một phần của GDP lên ước tính 53,2% vào năm 2022, cao hơn nhiều so với mức 37,2% do khu vực hộ gia đình quy cho.

Do đó, khi chính quyền Trung Quốc khoe khoang về sức mạnh mới của tăng trưởng kinh tế dựa vào tiêu dùng, điều quan trọng là phải hiểu rằng họ đang sử dụng một thước đo tiêu dùng quốc gia rộng hơn nhiều so với tôi. Trọng tâm của tôi chỉ tập trung vào chi tiêu tiêu dùng cuối cùng của hộ gia đình, một phân khúc yếu kém kinh niên của nền kinh tế Trung Quốc vẫn là ứng cử viên hàng đầu để thúc đẩy tái cân bằng đã quá hạn và ngày càng cấp bách.

Trong khi các lập luận về tái cân bằng do người tiêu dùng dẫn đầu đã được thiết lập tốt, tham vấn Điều IV mới nhất của Quỹ Tiền tệ Thế giới

China’s Rebalancing Imperative – Part 1

Stephen S. Roach, Project Syndicate. April 19, 2024.

China’s deeply entrenched countercyclical policy mindset is misaligned with its structural challenges: mounting deflationary risks, exacerbated by the lethal interplay between a rapidly aging population and serious productivity problems. The authorities need to devise a new response to unleash consumption-led growth.

China is facing a broad constellation of problems: an underperforming economy, a superpower conflict with the United States, stiff demographic headwinds, and a serious productivity challenge. Its policy response so far has drawn on a playbook that has proven successful in the past but that may not be enough today. Battered from all sides, Chinese authorities need the courage and imagination to devise new solutions.

Despite being a diehard China optimist for 25 years, first as an investment banker and more recently as an academic, I have become far more cautious about the country’s medium- to longer-term economic outlook. This was not a spontaneous change in my thinking, but rather reflects my growing concern about the mismatch between powerful structural forces and China’s time-worn standard countercyclical toolkit.

This policy challenge highlights China’s need to shift from an export- and investment-led growth model to one driven increasingly by private consumption. In fact, I have repeatedly stressed China’s rebalancing imperative, including in my Yale course “Next China,” my books Unbalanced: The Codependency of America and China and, more recently, Accidental Conflict: America, China, and the Clash of False Narratives, and in presentations to the China Development Forum over many years.

The most successful development stories almost always involve major shifts in the sources of economic growth, which in turn allow economies to reinvent themselves out of necessity or by design. Failure to do so can lead to the so-called middle-income trap, which has ensnared most emerging economies since World War II. In China, the interplay of mounting external pressures, lagging household consumption, and falling productivity is driving a rebalancing imperative that will increasingly shape China’s policy choices in the years ahead.

The Slowdown Cometh

As a poor economy in the late 1970s, China was in desperate need of a new recipe for growth. The developed world, in the grip of wrenching stagflation, had come to a similar realization. Trade liberalization offered a mutually beneficial solution. In line with Deng Xiaoping’s strategy of “reform and opening up,” China turned to external demand – especially from the US – to generate strong export- and investment-led economic growth. China’s low-cost, increasingly higher-quality goods were a boon for income-constrained consumers in the West – an economic marriage of convenience that unleashed a powerful wave of globalization.

From the early 1980s until 2005, China was arguably the world’s greatest beneficiary of trade liberalization. But the 2008-09 global financial crisis reversed its role. China went from being a global “taker” – drawing on external demand to support its economy – to being a global “maker” – generating incremental output to support a world facing a profound shortfall of aggregate demand. Indeed, China’s strong economic growth was the only thing that prevented a fragile post-crisis world from slipping back into recession.

As a result of this role reversal, China deservedly earned a reputation as an engine of global economic growth, especially in the decade following the global financial crisis. As Figure 1 shows, China accounted for fully 32% of cumulative growth in world GDP from 2010 to 2019, compared to 24% from 2000 to 2008. China’s strong economic growth underpinned a sharp increase in China’s share of world GDP in purchasing-power-parity (PPP) terms, from 11.1% in 2007 to 17.2% in 2019.

But China is not the growth engine it used to be.

Nhu cầu khẩn cấp tái cân bằng của Trung Quốc – Phần 1

Stephen S. Roach, Project Syndicate. Ngày 19 Tháng Tư, 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Tư duy chính sách phản chu kỳ cố thủ sâu sắc của Trung Quốc không phù hợp với những thách thức cấu trúc của nó: rủi ro giảm phát gia tăng, trầm trọng hơn bởi sự tương tác chết người giữa dân số già nhanh chóng và các vấn đề năng suất nghiêm trọng. Các nhà chức trách cần đưa ra một phản ứng mới để giải phóng tăng trưởng dựa vào tiêu dùng.

Trung Quốc đang phải đối mặt với một loạt các vấn đề: một nền kinh tế kém hiệu quả, một cuộc xung đột siêu cường với Hoa Kỳ, những cơn gió ngược nhân khẩu học gay gắt và một thách thức năng suất nghiêm trọng. Phản ứng chính sách của nó cho đến nay đã rút ra một vở kịch đã được chứng minh là thành công trong quá khứ nhưng điều đó có thể không đủ cho ngày hôm nay. Bị vùi dập từ mọi phía, chính quyền Trung Quốc cần can đảm và trí tưởng tượng để đưa ra các giải pháp mới.

Mặc dù là một người lạc quan về Trung Quốc trong 25 năm, đầu tiên là một chủ ngân hàng đầu tư và gần đây là một học giả, tôi đã trở nên thận trọng hơn nhiều về triển vọng kinh tế trung và dài hạn của đất nước. Đây không phải là một sự thay đổi tự phát trong suy nghĩ của tôi, mà là phản ánh mối quan tâm ngày càng tăng của tôi về sự không phù hợp giữa các lực lượng cấu trúc mạnh mẽ và bộ công cụ phản chu kỳ tiêu chuẩn đã lỗi thời của Trung Quốc.

Thách thức chính sách này nhấn mạnh nhu cầu của Trung Quốc trong việc chuyển từ mô hình tăng trưởng dựa vào xuất khẩu và đầu tư sang mô hình ngày càng được thúc đẩy bởi tiêu dùng tư nhân. Trên thực tế, tôi đã nhiều lần nhấn mạnh mệnh lệnh tái cân bằng của Trung Quốc, bao gồm cả trong khóa học Yale "Trung Quốc tiếp theo", các cuốn sách của tôi Không cân bằng: Sự phụ thuộc của Mỹ và Trung Quốc và gần đây hơn là Xung đột ngẫu nhiên: Mỹ, Trung Quốc và Cuộc đụng độ của những câu chuyện sai lầm, và trong các bài thuyết trình cho Diễn đàn Phát triển Trung Quốc trong nhiều năm. ["Trung Quốc tiếp theo" có thể đề cập đến một khóa học được giảng dạy bởi Stephen S. Roach tại Đại học Yale tập trung vào việc hiểu và phân tích quỹ đạo tương lai của nền kinh tế Trung Quốc và vai trò của nó trong bối cảnh toàn cầu. Thuật ngữ "Trung Quốc tiếp theo" cho thấy một cách tiếp cận hướng tới tương lai để nghiên cứu Trung Quốc, nhấn mạnh các động lực, thách thức và cơ hội kinh tế đang phát triển của đất nước. Khóa học có thể bao gồm một loạt các chủ đề liên quan đến phát triển kinh tế của Trung Quốc, cải cách cơ cấu, ưu tiên chính sách và ý nghĩa của chúng đối với cả Trung Quốc và thế giới. Bằng cách cung cấp một khóa học có tiêu đề Trung Quốc tiếp theo", Stephen S. Roach báo hiệu sự quan tâm của mình trong việc khám phá triển vọng tương lai của nền kinh tế và xã hội Trung Quốc, cung cấp cho sinh viên những hiểu biết và quan điểm để điều hướng sự phức tạp của sự chuyển đổi đang diễn ra của Trung Quốc và ý nghĩa của nó đối với các vấn đề toàn cầu.]

Những câu chuyện phát triển thành công nhất hầu như luôn liên quan đến những thay đổi lớn trong các nguồn tăng trưởng kinh tế, từ đó cho phép các nền kinh tế tự đổi mới khi cần thiết hoặc theo thiết kế. Nếu không làm như vậy có thể dẫn đến cái gọi là bẫy thu nhập trung bình, vốn đã gài bẫy hầu hết các nền kinh tế mới nổi kể từ Thế chiến II. Ở Trung Quốc, sự tác động lẫn nhau của áp lực bên ngoài, tiêu dùng hộ gia đình tụt hậu và năng suất giảm đang thúc đẩy một nhu cầu khẩn cấp tái cân bằng sẽ ngày càng định hình các lựa chọn chính sách của Trung Quốc trong những năm tới.

Giai đoạn tăng trưởng kinh tế chậm hơn đang đến gần

Là một nền kinh tế nghèo nàn vào cuối những năm 1970, Trung Quốc đang rất cần một công thức mới để tăng trưởng. Thế giới phát triển, trong sự kìm kẹp của lạm phát đình trệ đau đớn, đã đi đến một nhận thức tương tự. Tự do hóa thương mại đưa ra một giải pháp đôi bên cùng có lợi. Phù hợp với chiến lược "cải cách và mở cửa" của Đặng Tiểu Bình, Trung Quốc đã chuyển sang nhu cầu bên ngoài

Chương 2 - Các khái niệm thực tế về học máy – Phần 6

(Trích từ sách Học máy cho những người ra quyết định (Machine Learning for Decision Makers, tác giả: Patanjali Kashyap - Bangalore, Karnataka, Ấn Độ) – Nhà xuất bản Apress. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Xin mua sách Machine Learning for Decision Makers, tiếng Anh, từ nhà xuất bản Apress, Amazon, và tại các website trên Internet hay tại các tiệm sách trong khu phố gần nhà.

Ứng dụng và sản phẩm phân khúc khách hàng

Có được một khách hàng mới trong môi trường kinh doanh cạnh tranh này là khó khăn. Rất nhiều công việc khó khăn và nỗ lực được đầu tư để làm như vậy. Ngoài ra, có được một khách hàng mới chỉ là một nửa trận chiến. Giữ chân khách hàng bằng cách cung cấp giá trị và sự hài lòng liên tục là chìa khóa thành công. Câu hỏi làm thế nào một công ty nên liên tục cung cấp giá trị cho mỗi khách hàng, để khách hàng tham gia mạnh mẽ hơn, là một thách thức. Nhưng một khi doanh nghiệp đạt được điều này, nó có thể bán cho khách hàng nhiều sản phẩm và dịch vụ hơn. Bằng cách cung cấp các ứng dụng tài chính và tăng trưởng doanh thu (FinTech) cho phép học máy khôn ngoan và thông minh cho khách hàng, họ nhận ra giá trị đồng tiền của mình. Thế hệ mới của ứng dụng, sản phẩm và dịch vụ (APS) học máy có khả năng tăng cường nguồn kinh tế, tài chính và doanh thu từ khách hàng. Ngoài ra, các tổ chức được hưởng lợi bằng cách làm điều này vì nó cho phép họ đạt được phân khúc khách hàng hiệu quả và hiệu năng.

Nó có khả năng có thể giúp các doanh nghiệp theo nhiều cách:

• Kết hợp đúng sản phẩm hoặc dịch vụ với đúng khách hàng

• Đề xuất hoặc đề xuất giá tốt nhất hiện có để xác định bán thêm

• Cung cấp thông điệp tiếp thị được cá nhân hóa cho từng khách hàng

Tích hợp dữ liệu khách hàng với các kết quả trong quá khứ thể hiện một lộ trình dự đoán toàn diện để cung cấp giá trị bổ sung cho khách hàng và mở rộng doanh thu.

Ưu tiên và phân loại khách hàng thông minh Sản phẩm, Ứng dụng và Dịch vụ (APS)

Thông thường, các doanh nghiệp cố gắng tìm kiếm khách hàng của họ từ biển cơ sở dữ liệu có sẵn của khách hàng. Học máy giúp doanh nghiệp phân loại, ưu tiên và xếp hạng khách hàng phù hợp nhất. Điều này cho phép các nhóm không chỉ nhắm mục tiêu khách hàng lý tưởng mà còn cung cấp cho họ sản phẩm hoặc dịch vụ mong muốn một cách nhanh chóng.

Dưới đây là cách điều này có thể giúp các doanh nghiệp:

• Cải thiện tỷ lệ chốt cho quy trình bán hàng

• Tăng lợi nhuận trên chi tiêu tiếp thị của bạn

• Tận dụng tốt nhất đội ngũ bán hàng của bạn

Sử dụng cách tiếp cận dựa trên dữ liệu để khám phá các mô hình của thị trường mục tiêu, các nhóm bán hàng có thể phát triển một quy trình ưu tiên hiệu quả và tập trung vào các cơ hội tốt nhất. Dưới đây là cái nhìn thoáng qua về các hoạt động công nghệ và quy trình của APS dự đoán:

1. Công nghệ học máy phân tích dữ liệu lịch sử (ví dụ: hồ sơ khóa sổ) và xác định các mẫu và mối tương quan trong đó. Dựa trên phân tích này, nó xác định cách các vé được phân loại, định tuyến và giải quyết.

2. Khi một sự kiện mới xảy ra (hồ sơ hỗ trợ mới đến), công cụ dựa trên học máy sẽ ngay lập tức xác minh nội dung, dự đoán các thuộc tính và đề xuất phản hồi thích hợp.

3. Dựa trên các dự đoán, trình kích hoạt có thể định tuyến các quy tắc hoặc macro phản hồi để tự động hóa quy trình.

4. Khi tìm thấy giải pháp, hệ thống sẽ tìm hiểu và điều chỉnh các dự đoán của nó để nó luôn được cập nhật với các nhu cầu và quy trình hiện tại.

Hệ thống tự trị và trực quan

Các ứng dụng, sản phẩm và dịch vụ (APS) thuộc danh mục này thường có khả năng suy nghĩ như con người. Đây là một lĩnh vực đang phát triển. Về cơ bản, những APS này cố gắng bắt chước bộ não con người. Chúng tạo ra các mạch và con đường thần kinh nhân tạo, chính xác là cách bộ não con người tạo ra các tế bào thần kinh sinh học. Chúng có khả năng đưa ra quyết định dựa trên các tình huống và có thể điều chỉnh trong môi trường thay đổi năng động. Có rất nhiều cơ hội kinh doanh trong lĩnh vực này và nhiều loại ứng dụng

Ai thu được nhiều lợi nhuận nhất từ AI tạo nội dung? – Phần 3

Giải nén những gì cần thiết để xây dựng và triển khai một mô hình ngôn ngữ lớn cho thấy người chơi nào sẽ đạt được nhiều nhất - và nơi những người mới tham gia có thể có triển vọng tốt nhất.

Tác giả: Kartik Hosanagar và Ramayya Krishnan - Oreilly. Ngày 12 tháng 3 năm 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Tầm quan trọng của giao diện người dùng

Các công ty xây dựng các ứng dụng trên các mô hình nền tảng (thường được gọi là trình bao bọc GPT) phải đối mặt với câu hỏi hóc búa rằng các đối thủ cạnh tranh có thể dễ dàng sao chép chức năng của các ứng dụng của họ bằng cách xây dựng trên các mô hình nền tảng tương tự hoặc vượt trội. Trong trường hợp không có sự khác biệt dựa trên mô hình hoặc dữ liệu, các công ty sẽ cần phải phân biệt mình ở cuối đường ống - giao diện nơi trí thông minh của máy gặp người dùng.

Chúng tôi tin rằng lợi thế ở đây nằm ở các ứng dụng có đối tượng ổn định. Lấy ví dụ về GitHub Copilot, một công cụ hỗ trợ AI tạo nội dung để viết mã. Nó chạy trên trình tạo mã Codex của OpenAI (và gần đây hơn là GPT-4) và được phân phối thông qua GitHub, một nền tảng phát triển phần mềm thuộc sở hữu của Microsoft. 100 triệu nhà phát triển sử dụng GitHub cung cấp cho nó một lợi thế phân phối lớn so với các công ty khởi nghiệp làm việc trên các sản phẩm tạo mã tương tự. Phân tích từ một cơ sở người dùng lớn như vậy cũng mang lại cho GitHub một lợi thế khác biệt về việc cải thiện mô hình và tích hợp nó vào nền tảng phát triển phần mềm của họ. (Tuy nhiên, các công ty sẽ phải đối mặt với một thách thức trong việc cân bằng việc tăng cường mô hình AI với các mối quan tâm về quyền riêng tư của người dùng. Một trường hợp điển hình là sự phẫn nộ của công chúng đã khiến Zoom đảo ngược thay đổi đối với các điều khoản dịch vụ cho phép họ sử dụng nội dung khách hàng để đào tạo các mô hình AI.)

Những công ty đang thống trị hoặc nắm giữ thị phần đáng kể về công nghệ sẽ có xu hướng tự nhiên đối với tích hợp dọc, nơi người tạo mô hình ngôn ngữ lớn cũng sở hữu ứng dụng. Google đã tích hợp khả năng mô hình ngôn ngữ lớn của mình vào Google Docs và Gmail, giống như Microsoft đang làm với bộ sản phẩm của mình thông qua quan hệ đối tác với OpenAI.

Đồng thời, những công ty đang thống trị các lĩnh vực cụ thể không có mô hình ngôn ngữ lớn riêng có thể tìm thấy thành công trong việc xây dựng các ứng dụng phù hợp với cơ sở người dùng hiện tại của họ trên các mô hình ngôn ngữ lớn của bên thứ ba. Họ có thể tận dụng quyền truy cập chặng cuối của mình để dễ dàng gói các khả năng hỗ trợ AI mới vào các dịch vụ hiện có của họ và đưa chúng đến tay khách hàng nhanh hơn so với đối thủ cạnh tranh. Nói cách khác, nếu có một thị trường mô hình ngôn ngữ lớn lớn và cạnh tranh cung cấp các tính năng tương đương, các ứng dụng tự hào có cơ sở người dùng lớn và trung thành sẽ nắm bắt được nhiều giá trị nhất từ AI tạo nội dung bằng cách tận dụng lợi thế phân phối của chúng ở đầu ngăn xếp AI tạo nội dung. Lợi thế này, cùng với những lợi thế dữ liệu mà những người đương nhiệm đã sở hữu, đặt ra những thách thức cho những người mới tham gia.

Ý nghĩa đối với các nhà quản lý đang xây dựng các chiến lược AI tạo nội dung của họ là gì? Nếu công ty của họ là một công ty đang thống trị ngành, họ cần suy nghĩ kỹ về những nhiệm vụ phức tạp dành riêng cho miền nào có thể được giải quyết tốt hơn bằng cách sử dụng dữ liệu độc quyền. Lợi thế độc quyền này sẽ cho phép một doanh nghiệp cung cấp giá trị độc đáo cho khách hàng của mình. Khi chức năng của các dịch vụ và sản phẩm hỗ trợ AI của công ty dễ dàng được sao chép bởi các đối thủ cạnh tranh - vì họ có dữ liệu tương tự hoặc vì mô hình ngôn ngữ lớn tổng quát có thể đạt được các khả năng tương tự - khả năng triển khai ngay lập tức các ứng dụng này cho một cơ sở được cài đặt lớn và lặp lại dựa trên lượng lớn dữ liệu khách hàng sẽ phải là nguồn gốc của lợi thế cạnh tranh của nó.

Who Profits the Most From Generative AI? – Part 2

Unpacking what it takes to build and deploy a large language model reveals which players stand to gain the most — and where newer entrants might have the best prospects.

Kartik Hosanagar and Ramayya Krishnan - Oreilly. March 12, 2024.

To Build or Borrow?

Companies looking to break into the market for generative AI services will have to decide whether to build applications on top of third-party foundation models like GPT-4 or build and host their own large language models (either building on top of open-source alternatives or training them from scratch). Building on third-party models can come with security risks, such as the potential exposure of proprietary data. This risk is partly mitigated by using trusted cloud and large language model providers that can guarantee that customer data remains confidential and is not used to train and improve their models.

An alternative is to leverage open-source large language models, such as Llama 2 and Falcon 40B, without relying on third-party providers like OpenAI. The appeal of open-source models is that they provide companies with complete and transparent access to the model, are often cheaper, and can be hosted on private clouds. However, open-source models are currently lagging GPT-4 in terms of performance on complex tasks such as code generation and mathematical reasoning. Further, hosting such models requires internal technical skills and knowledge whereas using an large language model hosted by a third party can be as simple as signing up for a service and using the provider’s APIs to access the functionality. Cloud providers have increasingly started to host open-source models and offer access to them via an API to address the concern.

A final alternative is for companies is to build their own private models from scratch. The private-versus-public large language model question hinges on whether a company has the resources to deploy, manage, maintain, and continually improve that technology. Vendors are arising to help with these nontrivial tasks, but the hassle-free appeal of one-stop shopping at the big cloud infrastructure providers that are offering ready-to-go foundation models on their platforms will be appealing.

Domain-Specific Opportunities

The performance of an large language model is determined by the architecture of the neural network — the model — and the quantity and quality of the data it is trained on

Transformer models require large amounts of data. High-performing transformer models — ones that generate accurate, relevant, coherent, and unbiased content and are less likely to hallucinate — operate on a scale of over a trillion tokens (a basic unit of text for an large language model, often a word or sub-word) of internet data and billions of parameters (variables of a machine learning model that can be adjusted through training). The biggest large language models have the best performance on a wide variety of tasks. But data quality and distinctiveness can be equally important to the effectiveness of large language models, and models trained or fine-tuned on domain-specific data can outperform larger general purpose models on specialized tasks in specific domains. For this reason, organizations that have access to large volumes of high-quality data in specific domains might have an advantage over other players in creating specialized models for their sectors

For example, Bloomberg leveraged its access to financial data to build a model specialized for financial tasks. BloombergGPT is a 50 billion parameter model, compared with ChatGPT-3.5’s roughly 475 billion parameters, and yet early research showed it outperforming ChatGPT-3.5 on a series of benchmark financial tasks. Both models are trained on large data sets — BloombergGPT is trained on 700 billion tokens, and ChatGPT-3.5 on 500 billion. But more than 52% of BloombergGPT’s training data set consists of curated financial sources, which gives it an advantage

Ai thu được nhiều lợi nhuận nhất từ AI tạo nội dung? – Phần 2

Giải nén những gì cần thiết để xây dựng và triển khai một mô hình ngôn ngữ lớn cho thấy người chơi nào sẽ đạt được nhiều nhất - và nơi những người mới tham gia có thể có triển vọng tốt nhất.

Tác giả: Kartik Hosanagar và Ramayya Krishnan - Oreilly. Ngày 12 tháng 3 năm 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Để xây dựng hay mượn?

Các công ty muốn thâm nhập vào thị trường cho các dịch vụ AI tạo nội dung sẽ phải quyết định xem có nên xây dựng các ứng dụng trên các mô hình nền tảng của bên thứ ba như GPT-4 hay xây dựng và lưu trữ mô hình ngôn ngữ lớn của riêng họ (xây dựng dựa trên các lựa chọn thay thế nguồn mở hoặc đào tạo chúng từ đầu). Xây dựng trên các mô hình của bên thứ ba có thể đi kèm với rủi ro bảo mật, chẳng hạn như khả năng tiếp xúc với dữ liệu độc quyền. Rủi ro này được giảm thiểu một phần bằng cách sử dụng các nhà cung cấp dịch vụ đám mây và mô hình ngôn ngữ lớn đáng tin cậy có thể đảm bảo rằng dữ liệu khách hàng vẫn được bảo mật và không được sử dụng để đào tạo và cải thiện mô hình của họ.

Một giải pháp thay thế là tận dụng các mô hình ngôn ngữ lớn nguồn mở, chẳng hạn như Llama 2 và Falcon 40B, mà không cần dựa vào các nhà cung cấp bên thứ ba như OpenAI. Sự hấp dẫn của các mô hình nguồn mở là chúng cung cấp cho các công ty quyền truy cập đầy đủ và minh bạch vào mô hình, thường rẻ hơn và có thể được lưu trữ trên các đám mây riêng. Tuy nhiên, các mô hình nguồn mở hiện đang tụt hậu GPT-4 về hiệu suất đối với các tác vụ phức tạp như tạo mã và lý luận toán học. Hơn nữa, việc lưu trữ các mô hình như vậy đòi hỏi các kỹ năng và kiến thức kỹ thuật nội bộ trong khi sử dụng mô hình ngôn ngữ lớn do bên thứ ba lưu trữ có thể đơn giản như đăng ký dịch vụ và sử dụng API của nhà cung cấp để truy cập chức năng. Các nhà cung cấp đám mây ngày càng bắt đầu lưu trữ các mô hình nguồn mở và cung cấp quyền truy cập vào chúng thông qua API để giải quyết mối quan tâm.

Một giải pháp thay thế cuối cùng là cho các công ty là xây dựng các mô hình riêng của họ từ đầu. Câu hỏi mô hình ngôn ngữ lớn tư nhân so với công cộng xoay quanh việc liệu một công ty có đủ nguồn lực để triển khai, quản lý, duy trì và liên tục cải tiến công nghệ đó hay không. Các nhà cung cấp đang hình thành để giúp đỡ với những nhiệm vụ không tầm thường này, nhưng sự hấp dẫn của việc mua sắm một cửa tại các nhà cung cấp cơ sở hạ tầng đám mây lớn đang cung cấp các mô hình nền tảng sẵn sàng hoạt động trên nền tảng của họ sẽ rất hấp dẫn.

Cơ hội theo miền cụ thể

Hiệu suất của mô hình ngôn ngữ lớn được xác định bởi kiến trúc của mạng nơ-ron - mô hình - và số lượng và chất lượng của dữ liệu mà nó được đào tạo.

Mô hình máy biến áp yêu cầu lượng dữ liệu lớn. Các mô hình máy biến áp hiệu suất cao - những mô hình tạo ra nội dung chính xác, có liên quan, mạch lạc và không thiên vị và ít có khả năng bị ảo giác - hoạt động trên quy mô hơn một nghìn tỷ mã thông báo (mã thông báo là một đơn vị văn bản cơ bản cho mô hình ngôn ngữ lớn, thường là một từ hoặc từ phụ) dữ liệu internet và hàng tỷ tham số (biến của mô hình học máy có thể được điều chỉnh thông qua đào tạo). Các mô hình ngôn ngữ lớn lớn nhất có hiệu suất tốt nhất trên nhiều tác vụ khác nhau. Nhưng chất lượng và tính khác biệt của dữ liệu có thể quan trọng không kém đối với hiệu quả của mô hình ngôn ngữ lớn và các mô hình được đào tạo hoặc tinh chỉnh trên dữ liệu miền cụ thể có thể vượt trội hơn các mô hình mục đích chung lớn hơn về các nhiệm vụ chuyên biệt trong các lĩnh vực cụ thể. Vì lý do này, các tổ chức có quyền truy cập vào khối lượng lớn dữ liệu chất lượng cao trong các lĩnh vực cụ thể có thể có lợi thế hơn những người chơi khác trong việc tạo ra các mô hình chuyên biệt cho lĩnh vực của họ.

Ví dụ, Bloomberg đã tận dụng quyền truy cập vào dữ liệu tài chính để xây dựng một mô hình chuyên biệt cho các nhiệm vụ tài chính. BloombergGPT là một mô hình tham số 50 tỷ, so với khoảng 475 tỷ thông số của ChatGPT-3.5, nhưng nghiên cứu ban đầu cho thấy

Who Profits the Most From Generative AI? – Part 1

Unpacking what it takes to build and deploy a large language model reveals which players stand to gain the most — and where newer entrants might have the best prospects.

Kartik Hosanagar and Ramayya Krishnan - Oreilly. March 12, 2024.

In the months since the public launch of ChatGPT, massive investments have been made in the form of venture capital firms plowing money into generative AI startups, and corporations ramping up spending on the technology in hopes of automating elements of their workflows. The excitement is merited. Early studies have shown that generative AI can deliver significant increases in productivity. Some of those increases will come from augmenting human effort, and some from substituting for it.

But the questions that remain are, who will capture the value of this exploding market, and what are the determinants of value capture? To answer these questions, we analyzed the generative AI stack — broadly categorized as computing infrastructure, data, foundation models, fine-tuned models, and applications — to identify points ripe for differentiation. While there are generative AI models for text, images, audio, and video, we use text (large language models, or LLMs) as an illustrative context for our discussion throughout.

Computing infrastructure. At the base of the generative AI stack is specialized computing infrastructure powered by high-performance graphics processing units (GPUs) on which machine learning models are trained and run. In order to build a new generative AI model or service, a company might consider purchasing GPUs and related hardware to set up the infrastructure required to train and run an large language model locally. This would likely be cost-prohibitive and impractical, however, given that this infrastructure is commonly available through major cloud vendors, including Amazon Web Services (AWS), Google Cloud, and Microsoft Azure.

Data. Generative AI models are trained on massive internet-scale data. For example, training data for OpenAI’s GPT-3 included Common Crawl, a publicly available repository of web crawl data, as well as Wikipedia, online books, and other sources. The use of data sets like Common Crawl implies that data from many websites such as those of the New York Times and Reddit was ingested during the training process. In addition, foundation models also include domain-specific data that is crawled from the web, licensed from partners, or purchased from data marketplaces such as Snowflake Marketplace. While AI model developers release information of how the model was trained, they do not provide detailed information about the provenance of their training data sources. Still, researchers have been able to use techniques like prompt injection attacks to reveal the different data sources used to train the AI models.

Foundation models. Foundation models are neural networks broadly trained on massive data sets without being optimized for specific domains or downstream tasks such as drafting legal contracts or answering technical questions about a product. Foundation language models include closed-source models like OpenAI’s GPT-4 and Google’s Gemini as well as open-source models like Llama-2 from Meta and Falcon 40B from the United Arab Emirates’ Technology Innovation Institute. All of these models are based on the transformer architecture outlined in a seminal 2017 paper by Vaswani et al.2 While one could attempt to enter the generative AI stack by building a new foundation model, the data, computing resources, and technical expertise required to create and train high-performing models form a significant barrier to entry that has resulted in a small number of high-quality large foundation models.

Retrieval-augmented generations and fine-tuned models. Foundation models are versatile and have good performance for a wide range of language tasks, but they might not have the best performance for specific contexts and tasks.

Ai thu được nhiều lợi nhuận nhất từ AI tạo nội dung? – Phần 1

Giải nén những gì cần thiết để xây dựng và triển khai một mô hình ngôn ngữ lớn cho thấy người chơi nào sẽ đạt được nhiều nhất - và nơi những người mới tham gia có thể có triển vọng tốt nhất.

Tác giả: Kartik Hosanagar và Ramayya Krishnan - Oreilly. Ngày 12 tháng 3 năm 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Trong những tháng kể từ khi ra mắt công khai ChatGPT, các khoản đầu tư lớn đã được thực hiện dưới hình thức các công ty đầu tư mạo hiểm đổ tiền vào các công ty khởi nghiệp AI và các tập đoàn tăng cường chi tiêu cho công nghệ với hy vọng tự động hóa các yếu tố trong quy trình làm việc của họ. Sự phấn khích là xứng đáng. Các nghiên cứu ban đầu đã chỉ ra rằng AI tạo ra có thể mang lại sự gia tăng đáng kể về năng suất. Một số trong những sự gia tăng đó sẽ đến từ việc gia tăng nỗ lực của con người, và một số từ việc thay thế cho nỗ lực đó.

Nhưng câu hỏi còn lại là, ai sẽ nắm bắt được giá trị của thị trường bùng nổ này, và những yếu tố quyết định của việc nắm bắt giá trị là gì? Để trả lời những câu hỏi này, chúng tôi đã phân tích ngăn xếp AI tạo ra - được phân loại rộng rãi là cơ sở hạ tầng điện toán, dữ liệu, mô hình nền tảng, mô hình tinh chỉnh và ứng dụng - để xác định các điểm chín muồi để phân biệt. [Thuật ngữ "ngăn xếp AI tạo ra" đề cập đến một khuôn khổ có cấu trúc hoặc hệ sinh thái của các thành phần có liên quan đến việc tạo và sử dụng các mô hình trí tuệ nhân tạo (AI).]

Mặc dù có các mô hình AI tạo nội dung cho văn bản, hình ảnh, âm thanh và video, chúng tôi sử dụng văn bản (mô hình ngôn ngữ lớn hoặc mô hình ngôn ngữ lớn) làm ngữ cảnh minh họa cho cuộc thảo luận của chúng tôi xuyên suốt.

Cơ sở hạ tầng máy tính. Tại cơ sở của ngăn xếp AI tạo ra là cơ sở hạ tầng điện toán chuyên dụng được cung cấp bởi các đơn vị xử lý đồ họa hiệu suất cao (GPU) mà trên đó các mô hình học máy được đào tạo và chạy. Để xây dựng một mô hình hoặc dịch vụ AI thế hệ mới, một công ty có thể xem xét mua GPU và phần cứng liên quan để thiết lập cơ sở hạ tầng cần thiết để đào tạo và chạy mô hình ngôn ngữ lớn cục bộ. Tuy nhiên, điều này có thể sẽ hạn chế do chi phí và không thực tế, vì cơ sở hạ tầng này thường có sẵn thông qua các nhà cung cấp đám mây lớn, bao gồm Amazon Web Services (AWS), Google Cloud và Microsoft Azure.

Dữ liệu. Các mô hình AI tạo nội dung được đào tạo trên dữ liệu quy mô internet khổng lồ. Ví dụ: dữ liệu đào tạo cho GPT-3 của OpenAI bao gồm Common Crawl, một kho lưu trữ dữ liệu thu thập dữ liệu web có sẵn công khai, cũng như Wikipedia, sách trực tuyến và các nguồn khác. Việc sử dụng các bộ dữ liệu như Common Crawl ngụ ý rằng dữ liệu từ nhiều trang web như của New York Times và Reddit đã được nhập vào trong quá trình đào tạo. Ngoài ra, các mô hình nền tảng cũng bao gồm dữ liệu miền cụ thể được thu thập dữ liệu từ web, được cấp phép từ các đối tác hoặc được mua từ các thị trường dữ liệu như Snowflake Marketplace. Trong khi các nhà phát triển mô hình AI phát hành thông tin về cách mô hình được đào tạo, họ không cung cấp thông tin chi tiết về nguồn gốc của các nguồn dữ liệu đào tạo của họ. Tuy nhiên, các nhà nghiên cứu đã có thể sử dụng các kỹ thuật như tấn công tiêm nhắc để tiết lộ các nguồn dữ liệu khác nhau được sử dụng để đào tạo các mô hình AI. ["tấn công tiêm nhắc" đề cập đến một phương pháp được các nhà nghiên cứu sử dụng để thao tác các lời nhắc đầu vào được cung cấp cho mô hình AI nhằm tiết lộ thông tin về các nguồn dữ liệu được sử dụng để đào tạo mô hình.]

Mô hình nền móng. Mô hình nền tảng là các mạng nơ-ron được đào tạo rộng rãi trên các tập dữ liệu khổng lồ mà không được tối ưu hóa cho các lĩnh vực cụ thể hoặc các nhiệm vụ hạ nguồn như soạn thảo hợp đồng pháp lý hoặc trả lời các câu hỏi kỹ thuật về sản phẩm. Các mô hình ngôn ngữ nền tảng bao gồm các mô hình nguồn đóng như GPT-4 của OpenAI và Gemini của Google cũng như các mô hình nguồn mở như Llama-2 từ Meta và Falcon 40B từ Viện Đổi mới Công nghệ của Tiểu vương quốc Ả Rập Thống nhất.

PC AI (PC hỗ trợ AI) là gì?

Bởi Jane McEntegart. Intel PR. Jane McEntegart, thành viên Nhóm Truyền thông Toàn cầu của Intel, đã làm việc tại Intel từ năm 2019.

Tháng Hai 07, 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

PC của bạn sẽ trông như thế nào khi được tang cường hỗ trợn AI? Và lợi thế của Intel là gì?

Rất có thể nếu bạn hỏi 10 người khác nhau "PC AI là gì?", bạn sẽ nhận được 10 câu trả lời khác nhau. Nhưng điều đó đúng với những ngày đầu của bất kỳ phần quan trọng nào của công nghệ. Thật khó để nhìn vào tương lai và tưởng tượng thế giới sẽ như thế nào.

Tại Intel Innovation vào tháng 9 năm 2023, Giám đốc điều hành Intel Pat Gelsinger đã so sánh trí tuệ nhân tạo và tác động của nó đối với PC với tác động của Wi-Fi đối với kết nối.

"AI PC sẽ là một thời điểm thay đổi lớn trong đổi mới kỹ thuật", Pat nói với các nhà phát triển, nhắc nhở họ rằng nền tảng Centrino là thứ đã phá vỡ Wi-Fi vào năm 2003.

Sẵn sàng dẫn đầu về phí cho PC AI là Intel® Core™ Ultra, nền tảng PC đầu tiên của Intel có bộ xử lý thần kinh (NPU) tích hợp. Được giới thiệu vào tháng 12 năm 2023, công cụ AI chuyên dụng này cung cấp khả năng tăng tốc AI tiết kiệm năng lượng và suy luận cục bộ trên PC. Đó là "cách" của AI trong PC của bạn. Nếu bạn chưa hiểu rõ hơn một chút về "cái gì" đó, bạn không đơn độc.

Đó là nơi làm việc song song với các kỹ sư kiến trúc tương lai có những đặc quyền của nó. Tôi đã gặp Caitlin Anderson, phó chủ tịch của Nhóm Bán hàng và Tiếp thị và tổng giám đốc của Danh mục Nhóm Máy tính Khách hàng, và Robert Hallock, giám đốc cấp cao về Tiếp thị Kỹ thuật Khách hàng trong Nhóm Máy tính Khách hàng, để hỏi một số câu hỏi cơ bản và một số câu hỏi không cơ bản về PC AI.

PC AI là gì? ('Nhìn kìa, Ma! Không có mây!')

PC AI có CPU, GPU và NPU, mỗi loại đều có khả năng tăng tốc AI cụ thể. NPU hay đơn vị xử lý thần kinh là một công cụ tăng tốc chuyên dụng xử lý các tác vụ trí tuệ nhân tạo và học máy ngay trên PC của bạn thay vì gửi dữ liệu để xử lý trên đám mây. GPU và CPU cũng có thể xử lý các khối lượng công việc này, nhưng NPU đặc biệt tốt trong các phép tính AI năng lượng thấp. PC AI đại diện cho một sự thay đổi cơ bản trong cách máy tính của chúng ta hoạt động. Nó không phải là một giải pháp cho một vấn đề không tồn tại trước đây. Thay vào đó, nó hứa hẹn sẽ là một cải tiến lớn cho việc sử dụng PC hàng ngày.

Vậy nó hoạt động như thế nào? So với AI tạo nội dung và các mô hình ngôn ngữ lớn khổng lồ được đào tạo trên hàng tấn dữ liệu công khai, AI sẽ xảy ra trên PC của bạn dễ tiếp cận hơn ở hầu hết mọi cấp độ. Khái niệm này dễ tiêu hóa hơn và bởi vì nó được đào tạo trên dữ liệu của bạn mà không cần truy cập vào đám mây, lợi ích sẽ hấp dẫn ngay lập tức hơn đối với số người dùng lớn hơn.

Trong ngắn hạn, thế giới PC AI liên quan đến trợ lý cá nhân và các mô hình AI nhỏ hơn chạy trực tiếp trên PC của bạn, sử dụng dữ liệu của bạn để cung cấp các cải tiến AI cá nhân, riêng tư, an toàn hơn cho những việc bạn đã làm hàng ngày - ghi biên bản cuộc họp, tổ chức giải bóng đá ảo, tự động hóa các cải tiến để chỉnh sửa ảnh và video hoặc đặt ra hành trình hoàn hảo cho một cuộc đoàn tụ gia đình dựa trên thời gian đến và đi của mọi người.

Bạn có muốn ứng dụng với điều đó không?

Khi các nhà sản xuất phần mềm như Adobe và Zoom tìm đến AI để kích hoạt các tính năng ngày càng tiên tiến, nhu cầu về phần cứng mạnh mẽ hơn tăng lên. Và khi phần cứng trở nên có khả năng hơn ... Có nhiều không gian hơn cho đổi mới phần mềm. Bạn có thấy tôi sẽ đi đâu với cái này không?

Robert Hallock giải thích rằng AI thay đổi cách các ứng dụng hoạt động.

"Phần mềm AI là một loại phần mềm khác với các ứng dụng thông thường. Đó là các thuật toán khác nhau và các kiểu thực thi khác nhau trên CPU", ông nói.

Intel đang làm việc với các nhà cung cấp phần mềm và nhà sản xuất thiết bị gốc (OEM) để giúp họ tận dụng tối đa các khả năng AI được tích hợp trong bộ xử lý Intel Core Ultra. Là một phần của Chương trình Tăng tốc PC AI, các nhóm chuyên dụng của Intel cung cấp hỗ trợ

AI mang đến cho thị trường thiết bị doanh nghiệp nhiều điều thú vị

Nhưng các giám đốc thông tin không hoàn toàn bị thuyết phục rằng mọi người đều cần một PC hỗ trợ AI.

Tác giả: Isabelle Bousquette - Tạp chí Phố Wall. Ngày 19 tháng 4 năm 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Các nhà sản xuất chip và nhà sản xuất PC đã công bố các sản phẩm mới cho phép tính toán AI ở cấp độ thiết bị riêng lẻ.

Sự đổi mới lớn nhất trong nhiều năm đã đến với máy tính cá nhân khi các nhà sản xuất tích hợp chip cho phép họ chạy các mô hình AI quy mô lớn trực tiếp trên thiết bị. Nhưng các giám đốc thông tin sẽ muốn bắt đầu mua những chiếc PC đắt tiền hơn nhanh như thế nào, vẫn còn phải chờ xem.

Các nhà sản xuất chip bao gồm Qualcomm và AMD và các nhà sản xuất PC như Lenovo và Dell trong năm ngoái đều đã công bố các sản phẩm mới cho phép tính toán AI ở cấp độ thiết bị riêng lẻ. Họ nói rằng việc chạy các mô hình AI trên chính PC — thay vì đám mây — sẽ giảm độ trễ, giảm thiểu hóa đơn thanh toán tiền thuê đám mây, cung cấp bảo mật cao hơn và cuối cùng hỗ trợ các giám đốc thông tin triển khai AI cho các trường hợp sử dụng như tạo mã và tạo nội dung.

"Không gian PC đã không chứng kiến sự đổi mới và bất kỳ sự đột phá nào trong nhiều năm", Kedar Kondap, Phó chủ tịch cấp cao và Tổng giám đốc tính toán và chơi game tại Qualcomm và là người đứng đầu bộ phận kinh doanh PC hỗ trợ AI của công ty, cho biết.

Nhưng một số giám đốc thông tin vẫn không bị thuyết phục về việc liệu các thiết bị mới có đáng giá hay không. Một số người nói rằng họ sẽ đầu tư trước tiên chỉ cho các vai trò kỹ thuật như các nhà khoa học dữ liệu. Những người khác nói rằng họ sẽ đầu tư cho ngay cả người dùng doanh nghiệp thông thường — nhưng chỉ khi đã đến lúc làm mới chu kỳ thay thế thiết bị thông thường.

"Tôi muốn nói rằng nó khá tốn kém", Elizabeth Hackenson, giám đốc thông tin của công ty quản lý năng lượng và tự động hóa kỹ thuật số Schneider Electric cho biết, đồng thời cho biết thêm rằng cô sẽ chỉ xem xét các PC hỗ trợ AI cho các thành viên của nhóm sản phẩm hoặc nhóm AI.

Điều đó có thể thay đổi, bà nói thêm, nếu chi phí giảm theo thời gian.

Jay Ferro, phó chủ tịch điều hành kiêm giám đốc thông tin, công nghệ và sản phẩm tại công ty quản lý dữ liệu nghiên cứu lâm sàng Clario, cũng cho biết ban đầu ông sẽ xem xét các PC mới cho các vai trò như nhà khoa học dữ liệu, kỹ sư hoặc người sáng tạo nội dung kỹ thuật số.

"Chờ đợi, dù chỉ một chút, sẽ cho chúng ta nhiều lựa chọn trưởng thành hơn, tránh được chi phí chấp nhận sớm, nhiều lựa chọn hơn và các nghiên cứu điển hình vững chắc hơn", ông nói thêm. Đồng thời, "sức hấp dẫn của PC được tăng cường AI là mạnh mẽ".

Dell cho biết PC hỗ trợ AI của họ chỉ đắt hơn một chút và chỉ ra một máy tính xách tay 14 inch hỗ trợ AI mà họ đang bán với giá 1.339 đô la, so với máy tính xách tay 14 inch không hỗ trợ AI mà họ bán với giá 1.109 đô la. Giám đốc công nghệ PC và thiết bị thông minh của Lenovo, Daryl Cromer cho biết mặc dù PC hỗ trợ AI đắt hơn, nhưng "về giá trị, nó sẽ rất hấp dẫn".

Những tiến bộ về mặt phần mềm cộng với sự tích hợp của cái gọi là NPU, hoặc các đơn vị xử lý thần kinh, là những gì làm cho nó thực tế để chạy các mô hình ngôn ngữ lớn trực tiếp trên các thiết bị thay vì thiết lập đám mây tốn kém, các nhà sản xuất cho biết. (NPU không nên nhầm lẫn với các chip GPU rất cần thiết để cung cấp năng lượng cho các trung tâm dữ liệu).

Chi phí chạy AI trên đám mây nổi tiếng là đắt đỏ và khả năng thực hiện tính toán đó đã bị hạn chế bởi những hạn chế của cơ sở hạ tầng vật lý hiện có ngày nay.

Với máy tính AI, "Bạn nhận được lợi ích về bảo mật, quyền riêng tư, tính trực tiếp mà bạn nhận được từ việc chạy nội dung rõ ràng trên thiết bị", Kondap của Qualcomm cho biết.

Để chắc chắn, một số mô hình AI lớn vẫn còn quá lớn để thực sự chạy trên một thiết bị và có thể sẽ tiếp tục chạy trên đám mây hoặc đám mây lai và thiết lập trên thiết bị, ông nói.

Bản tóm tắt Tin thức về Trung Quốc, Ngày 21 tháng 4, 2024.

The China Brief / 中国简报 - Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Nhà lãnh đạo Đức đi trên con đường tốt đẹp ở Trung Quốc; Việc Trung Quốc siết chặt dữ liệu lan sang thông tin chứng khoán theo thời gian thực; Nền kinh tế Trung Quốc tăng trưởng 5,3% trong quý I/2024, vượt kỳ vọng

Internet Trung Quốc thích thú bởi tòa nhà trông giống như băng vệ sinh

Bản tóm tắt Tin thức về Trung Quốc, Ngày 21 tháng 4, 2024.

Chào mừng bạn đến với số báo này của Bản tóm tắt Tin thức về Trung Quốc. Hôm nay là ngày 21 tháng 4 năm 2024. Tại Bản tóm tắt Tin thức về Trung Quốc, chúng tôi mang đến cho bạn những tin tức mới nhất về chính trị, kinh tế và xã hội của Trung Quốc từ các nguồn truyền thông toàn cầu, cùng với phân tích chuyên gia độc quyền.

Nhà lãnh đạo Đức đi trên con đường tốt đẹp ở Trung Quốc - Thời báo NY

Thủ tướng Đức Olaf Scholz gần đây đã đến thăm Trung Quốc để thúc đẩy quan hệ kinh doanh giữa hai nước, đồng thời bày tỏ lo ngại về xuất khẩu của Trung Quốc sang châu Âu và sự ủng hộ của nước này đối với Nga. Trong suốt chuyến đi của mình, ông Scholz đã ủng hộ các công ty Đức đang gặp khó khăn trong việc cạnh tranh ở Trung Quốc và nhấn mạnh những lo ngại ngày càng tăng ở Liên minh châu Âu về dòng hàng hóa Trung Quốc bị bán lỗ. Chuyến thăm này đánh dấu chuyến đi đầu tiên của Thủ tướng Scholz tới Trung Quốc kể từ khi chính phủ Đức chỉ định Trung Quốc là "đối tác, đối thủ cạnh tranh và đối thủ hệ thống" và kêu gọi giảm sự phụ thuộc vào hàng hóa Trung Quốc. Nền kinh tế Đức đã thu hẹp gần đây, cho thấy sự phụ thuộc vào Trung Quốc để tăng trưởng. Các công ty Đức đã thúc đẩy tiếp cận nhiều hơn vào thị trường Trung Quốc và đã làm dấy lên lo ngại về cạnh tranh không lành mạnh.

Internet Trung Quốc thích thú bởi tòa nhà trông giống như băng vệ sinh - BBC

Thiết kế được đề xuất của một nhà ga xe lửa ở Nam Kinh, Trung Quốc, đang thu hút sự chú ý vì nó giống với một tấm băng vệ sinh hơn là hoa mận dự định. Thiết kế, được chính quyền tỉnh Giang Tô và Tập đoàn Đường sắt Quốc gia Trung Quốc phê duyệt, đã gây ra cuộc thảo luận trên các nền tảng truyền thông xã hội. Một số người dùng đã kêu gọi xã hội giải quyết vấn đề xấu hổ về thời gian và ca ngợi thiết kế này đã đi trước thời đại. Việc xây dựng dự kiến bắt đầu vào nửa đầu năm 2024 và chi phí ước tính của nhà ga xe lửa là 20 tỷ nhân dân tệ Trung Quốc (2,76 tỷ USD).

Sự kìm hãm dữ liệu của Trung Quốc lan sang thông tin chứng khoán theo thời gian thực

Nikkei Châu Á -

Ba sàn giao dịch lớn ở Trung Quốc sẽ ngừng tiết lộ dữ liệu khối lượng giao dịch theo thời gian thực từ tháng tới, tuyên bố rằng động thái này nhằm mục đích chế ngự sự biến động của thị trường. Tuy nhiên, động thái này đã làm dấy lên lo ngại của các nhà đầu tư về tính minh bạch của dữ liệu. Các quy tắc mới sẽ áp dụng cho một liên kết thương mại quan trọng giữa Hồng Kông và đại lục đã được áp dụng từ năm 2014.

Chiến tranh công nghệ: cách các nhà khoa học Trung Quốc lắp đặt chip máy tính AI giá rẻ để cung cấp năng lượng cho vũ khí siêu thanh - South China Morning Post

Các nhà nghiên cứu Trung Quốc đã phát triển một hướng dẫn để cải thiện hiệu suất của vũ khí siêu thanh bằng cách sử dụng chip trí tuệ nhân tạo (AI) chi phí thấp. Bằng cách cài đặt mô-đun máy tính GPU Nvidia Jetson TX2i, nhóm nghiên cứu đã có thể tăng tốc độ xử lý của các mô hình động lực học chất lỏng tính toán gấp bốn lần. Mô-đun có sẵn trực tuyến với giá vài trăm đô la. Các nhà nghiên cứu, từ Viện Nghiên cứu Máy móc Điện Bắc Kinh và Đại học Công nghệ Đại Liên, cho biết mô-đun này lý tưởng để tối ưu hóa thời gian thực của các hệ thống máy bay siêu thanh và cắt giảm chi phí phát triển. Nhóm nghiên cứu đã sử dụng chip của Mỹ cho dự án của họ, nhưng các chuyên gia cho biết Trung Quốc có khả năng tạo ra chip của riêng mình, có khả năng hơn cho mục đích quân sự. Theo các chuyên gia, việc sử dụng chip AI để cải thiện khả năng dẫn đường bằng tên lửa siêu thanh sẽ là mối quan tâm lớn đối với Mỹ, do tính dễ bị tổn

Chương 2 - Các khái niệm thực tế về học máy – Phần 5

(Trích từ sách Học máy cho những người ra quyết định (Machine Learning for Decision Makers, tác giả: Patanjali Kashyap - Bangalore, Karnataka, Ấn Độ) – Nhà xuất bản Apress. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Xin mua sách Machine Learning for Decision Makers, tiếng Anh, từ nhà xuất bản Apress, Amazon, và tại các website trên Internet hay tại các tiệm sách trong khu phố gần nhà.

Làm giàu trải nghiệm khách hàng

Trong danh mục này là các ứng dụng, sản phẩm và dịch vụ (APS) có thể tự đưa ra quyết định, với sự can thiệp tối thiểu từ con người. Chúng tự cung tự cấp và có thể trích xuất thông tin chi tiết từ các hệ thống một cách tự động. Tôi giới hạn bản thân trong không gian khách hàng vì phạm vi của cuốn sách. Tuy nhiên, ranh giới của nó gần như vô tận và kích thước là vô hạn. Có rất nhiều cơ hội kinh doanh trong lĩnh vực này. Các phần sau đây giải thích sự phân tách rộng hơn của APS loại này.

Hệ thống hỗ trợ khách hàng dựa trên học máy tự động

Các công ty như Wise.io sử dụng học máy để cung cấp hỗ trợ khách hàng "khôn ngoan và thông minh". Ví dụ: họ cung cấp phản hồi nhanh hơn cho vé dịch vụ khách hàng. Do đó, các đại lý chăm sóc khách hàng của khách hàng của họ có thể tập trung vào việc giải quyết các vấn đề quan trọng hơn của khách hàng, thay vì công việc thông thường.

Đây là cách điều này có thể giúp các doanh nghiệp:

• Học máy cho phép công cụ hỗ trợ dự đoán nhóm hoặc cá nhân nào sẽ nhận được yêu cầu của khách hàng mới dựa trên bộ kỹ năng của đại diện hỗ trợ. Sau đó, động cơ sẽ tự động đưa vé vào đúng hàng đợi.

• Học máy cho phép giao diện hỗ trợ (công cụ) hiển thị cho nhân viên mẫu phản hồi tốt nhất sẽ được sử dụng dựa trên nội dung và lịch sử của yêu cầu.

• Nếu hệ thống hỗ trợ học máy tìm ra giải pháp cho yêu cầu/vấn đề mà khách hàng nêu ra trong kho kiến thức, hệ thống sẽ tự động chọn giải pháp, khắc phục sự cố và phản hồi yêu cầu. Một hệ thống dựa trên học máy và trí tuệ nhân tạo của Wipro đang hoạt động trên cùng một triết lý. Wipro đang sử dụng phương pháp này để đạt được sự hài lòng của khách hàng và nâng cao năng suất của đại lý.

Câu chuyện về hỗ trợ khách hàng và tự động hóa

Tự động hóa là về việc tiêu thụ hoặc sử dụng công nghệ để cho phép các quy trình chạy hoàn hảo mà không cần sự can thiệp của con người / thủ công. Suy nghĩ này trái ngược với giả thuyết dự đoán rằng tự động hóa kinh doanh sẽ thay thế nguồn nhân lực và lao động tri thức. Tự động hóa tạo điều kiện cho những người lao động tri thức bằng cách giải phóng họ để tập trung vào các nhiệm vụ trực quan hơn. Nó giải phóng họ khỏi trách nhiệm của các nhiệm vụ hành chính và lặp đi lặp lại. Nó chỉ cho phép sự can thiệp của con người khi nó không thể thiếu. Tự động hóa có thể ở hầu hết mọi nơi, nhưng nó đóng một vai trò lớn hơn trong các tổ chức nơi tài nguyên và kiến thức của họ rất quý giá. Dưới đây là bốn cách nhóm hỗ trợ khách hàng có thể gặt hái những lợi ích của tự động hóa:

• Không có công việc lặp đi lặp lại: Các nhóm hỗ trợ thường tràn ngập các yêu cầu lặp đi lặp lại. Hầu hết thời gian, họ buộc phải trả lời cùng một câu hỏi nhiều lần. Đôi khi, nó trở nên bực bội và mất động lực. Tự động hóa giúp các nhóm hỗ trợ trong những tình huống này. Hệ thống tự động xử lý các tình huống như thế này theo nhiều cách. Ví dụ: dựa trên mức độ nghiêm trọng hoặc mức độ ưu tiên của yêu cầu, hệ thống sẽ định tuyến tài liệu đến nhân viên hỗ trợ thích hợp, người có bộ kỹ năng và chuyên môn phù hợp để giải quyết một vấn đề cụ thể. Ví dụ: giả sử nhóm hỗ trợ nhận được một hồ sơ với một loại vấn đề cụ thể. Dựa trên việc phân loại tài liệu, hệ thống có thể truy cập cơ sở kiến thức có sẵn, tìm giải pháp và khắc phục sự cố. Sau khi sự cố được khắc phục, hệ thống có thể đóng tài liệu và thông báo cho người yêu cầu rằng sự cố đã được khắc phục.

• Tính nhất quán: Tự động hóa cho phép nhóm hoặc tập trung kiến thức và cho phép lưu trữ và ghi lại đúng cách.

Chương 2 - Các khái niệm thực tế về học máy – Phần 4

(Trích từ sách Học máy cho những người ra quyết định (Machine Learning for Decision Makers, tác giả: Patanjali Kashyap - Bangalore, Karnataka, Ấn Độ) – Nhà xuất bản Apress. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Xin mua sách Machine Learning for Decision Makers, tiếng Anh, từ nhà xuất bản Apress, Amazon, và tại các website trên Internet hay tại các tiệm sách trong khu phố gần nhà.

Cơ hội kinh doanh Học máy

Những công nghệ này — học máy, phân tích Dữ liệu lớn, điện toán đám mây và điện toán nhận thức — đang chuyển đổi mô hình kinh doanh của hầu hết các ngành công nghiệp trên toàn cầu. Những cách thức kinh doanh cũ đang thay đổi nhanh chóng. Các doanh nghiệp trên tất cả các thị trường dọc và ngang đang tìm ra những cách mới để vận hành và đổi mới doanh nghiệp của họ. Điều này tạo ra các cơ hội kinh doanh và con đường mới cho các doanh nghiệp kỹ thuật số và trong xã hội. Tinh thần kinh doanh đang trên đà phát triển; Những bộ óc sáng tạo đang tạo ra các mô hình kinh doanh mới xung quanh thế hệ công nghệ mới. Kết quả của lực kéo này được thể hiện dưới dạng hoạt động được tối ưu hóa, giảm chi phí, cải thiện dịch vụ và / hoặc tung ra sản phẩm mới. Rất nhiều công ty đang sử dụng học máy vì lợi ích tài chính của họ và đạt được kết quả tuyệt vời:

• AOL sử dụng học máy để cung cấp các đề xuất mua sắm.

• Booz Allen Hamilton sử dụng học máy (thuật toán phân cụm của Mahout) cho mục đích kinh doanh của mình.

• Cull.tv sử dụng học máy cho hệ thống đề xuất nội dung của mình.

• DataMine Lab sử dụng thuật toán phân loại cụm học máy để cải thiện nhắm mục tiêu quảng cáo của khách hàng.

• Drupal đang đặt cược vào các thuật toán học máy để cung cấp các giải pháp và hệ thống đề xuất nội dung nguồn mở của mình.

• Evolv đang sử dụng các nền tảng dựa trên học máy để dự đoán các hoạt động liên quan đến lực lượng lao động.

• Foursquare và Idealo sử dụng Mahout (một khung học máy) cho công cụ đề xuất.

• Google sử dụng học máy để tính toán xác suất nhấp chuột cho AdSense và các mạng quảng cáo khác.

• Các thuật toán và mô hình học máy được sử dụng cho giao dịch thuật toán tự động. Các công ty dựa trên thị trường tiền tệ thiết lập và đào tạo các mô hình và sử dụng chúng để đặt giao dịch trong nano giây. Một tỷ lệ lớn các giao dịch ngày nay được thực hiện bởi máy tính và rất nhiều doanh nghiệp FinTech lớn tham gia vào việc này.

• Các nhà bán lẻ sử dụng học máy để tối ưu hóa và đề xuất không gian quảng cáo, hoạt động tiếp thị, vị trí sản phẩm, giá cả và nhắm mục tiêu của họ. Một số ví dụ là Walmart, Apple và Flipchart.

• Các công ty dược phẩm như Rose Pharmaceuticals sử dụng học máy cho các hoạt động liên quan đến khai thác dữ liệu.

• Ấn Độ là nơi có cụm công ty khởi nghiệp AI lớn thứ ba trên thế giới. Các công ty khởi nghiệp này tham gia vào việc phát triển bot, công cụ nhận dạng và hỗ trợ ảo hỗ trợ học máy.

• Ấn Độ cũng được xếp hạng thứ ba trong việc triển khai tự động hóa robot trong quy trình kinh doanh cốt lõi của mình. Các chuyên gia tài chính sẵn sàng áp dụng tự động hóa dựa trên học máy để tiết kiệm thời gian và nhận trợ giúp trong quá trình ra quyết định.

• Các công ty như Microsoft, IBM, Google và Amazon đang cung cấp các nền tảng "tự túc". Các công ty khởi nghiệp đang sử dụng các nền tảng này để tìm giải pháp của riêng họ. Ngoài ra, những gã khổng lồ công nghệ đã tung ra một số sản phẩm và ứng dụng học máy để giải quyết và nâng cao một số thách thức cụ thể của ngành trong thời gian gần đây.

Vì học máy ở khắp mọi nơi, cơ hội kinh doanh là rất lớn trong hầu hết các lĩnh vực này. Các thế hệ học máy mới có một số khả năng sáng tạo đóng vai trò là chất xúc tác cho các cơ hội kinh doanh. Ngoài lĩnh vực kỹ thuật, học máy đang tạo ra những cơ hội mới trong các lĩnh vực chức năng sau:

• Nghiên cứu và phát triển

• Sản xuất và vận hành

• Bán hàng và tiếp thị

• Hỗ trợ khách hàng

• Chức năng tài chính, nhân sự và hành chính

How One Author Pushed the Limits of AI Copyright

Kate Knibbs. Wired. April 17, 2024.

Elisa Shupe was initially rebuffed when she tried to copyright a book she wrote with help from ChatGPT. Now the US Copyright Office has changed course—but there’s a catch.

Conceptual artwork of glitchy copyright symbol

Last October, I received an email with a hell of an opening line: “I fired a nuke at the US Copyright Office this morning.”

The message was from Elisa Shupe, a 60-year-old retired US Army veteran who had just filed a copyright registration for a novel she’d recently self-published. She’d used OpenAI's ChatGPT extensively while writing the book. Her application was an attempt to compel the US Copyright Office to overturn its policy on work made with AI, which generally requires would-be copyright holders to exclude machine-generated elements.

That initial shot didn’t detonate—a week later, the USCO rejected Shupe’s application—but she ultimately won out. The agency changed course earlier this month after Shupe appealed, granting her copyright registration for AI Machinations: Tangled Webs and Typed Words, a work of autofiction self-published on Amazon under the pen name Ellen Rae.

The novel draws from Shupe’s eventful life, including her advocacy for more inclusive gender recognition. Its registration provides a glimpse of how the USCO is grappling with artificial intelligence, especially as more people incorporate AI tools into creative work. It is among the first creative works to receive a copyright for the arrangement of AI-generated text.

“We’re seeing the Copyright Office struggling with where to draw the line,” intellectual property lawyer Erica Van Loon, a partner at Nixon Peabody, says. Shupe’s case highlights some of the nuances of that struggle—because the approval of her registration comes with a significant caveat.

The USCO’s notice granting Shupe copyright registration of her book does not recognize her as author of the whole text as is conventional for written works. Instead she is considered the author of the “selection, coordination, and arrangement of text generated by artificial intelligence.” This means no one can copy the book without permission, but the actual sentences and paragraphs themselves are not copyrighted and could theoretically be rearranged and republished as a different book.

The agency backdated the copyright registration to October 10, the day that Shupe originally attempted to register her work. It declined to comment on this story. “The Copyright Office does not comment on specific copyright registrations or pending applications for registration,” Nora Scheland, an agency spokesperson says. President Biden’s executive order on AI last fall asked the US Patent and Trademark Office to make recommendations on copyright and AI to the White House in consultation with the Copyright Office, including on the “scope of protection for works produced using AI.”

Although Shupe’s Limited copyright registration is notable, she originally asked the USCO to open a more significant path to copyright recognition for AI-generated material. “I seek to copyright the AI-assisted and AI-generated material under an ADA exemption for my many disabilities,” she wrote in her original copyright application.

Shupe believes fervently that she was only able to complete her book with the assistance of generative AI tools. She says she has been assessed as 100 percent disabled by the Department of Veterans Affairs and struggles to write due to cognitive impairment related to conditions including bipolar disorder, borderline personality disorder, and a brain stem malformation.

She is proud of the finished work and sees working with a text generator as a different but no less worthwhile method of expressing thoughts. “You don't just hit ‘generate’ and get something worthy of publishing. That may come in the future, but we're still far from it,” she says, noting that she spent upwards of 14 hours a day working on her draft.

Làm thế nào một tác giả đã thách thức giới hạn của bản quyền AI

Kate Knibbs. Wired. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số. Ngày 17 tháng 4, 2024.

Elisa Shupe ban đầu bị từ chối khi cô cố gắng đăng ký bản quyền một cuốn sách mà bà viết với sự giúp đỡ từ ChatGPT. Bây giờ Văn phòng Bản quyền Hoa Kỳ đã thay đổi hướng đi — nhưng có một nhược điểm. [ nhưng có một nhược điểm", đề cập đến điều kiện ẩn làm phức tạp tình huống.]

Tác phẩm nghệ thuật khái niệm về biểu tượng bản quyền trục trặc

Tháng Mười năm ngoái, tôi nhận được một email với một dòng mở đầu: " Sáng nay tôi đã có một hành động quyết liệt đối với Văn phòng Bản quyền Hoa Kỳ."

Tin nhắn là từ Elisa Shupe, một cựu chiến binh Quân đội Hoa Kỳ đã nghỉ hưu 60 tuổi, người vừa nộp đơn đăng ký bản quyền cho một cuốn tiểu thuyết mà bà tự xuất bản gần đây. Bà đã sử dụng ChatGPT của OpenAI khá nhiều trong khi viết cuốn sách. Đơn của bà là một nỗ lực để buộc Văn phòng Bản quyền Hoa Kỳ đảo ngược chính sách của mình đối với tác phẩm được làm bằng AI, thường yêu cầu chủ sở hữu bản quyền loại trừ các yếu tố do máy tạo ra.

Phát súng ban đầu đó đã không phát nổ - một tuần sau, USCO đã từ chối đơn đăng ký của Shupe - nhưng cuối cùng bà đã giành chiến thắng. Cơ quan này đã thay đổi hướng đi vào đầu tháng này sau khi Shupe kháng cáo, cấp đăng ký bản quyền cho AI Machinations: Tangled Webs and Typed Words, một tác phẩm tự truyện tự xuất bản trên Amazon dưới bút danh Ellen Rae.

Cuốn tiểu thuyết rút ra từ cuộc đời đầy biến cố của Shupe, bao gồm cả việc bà ủng hộ việc công nhận giới tính toàn diện hơn. Việc đăng ký của nó cung cấp một cái nhìn thoáng qua về cách Văn phòng Bản quyền Hoa Kỳ đang vật lộn với trí tuệ nhân tạo, đặc biệt là khi nhiều người kết hợp các công cụ AI vào công việc sáng tạo. Đây là một trong những tác phẩm sáng tạo đầu tiên nhận được bản quyền cho việc sắp xếp văn bản do AI tạo ra. ["việc sắp xếp văn bản do AI tạo ra" đề cập đến cấu trúc nội dung văn bản được tạo ra bởi trí tuệ nhân tạo và bản quyền được cấp liên quan đến sự sắp xếp hoặc thành phần sáng tạo của văn bản này.]

"Chúng tôi đang thấy Văn phòng Bản quyền Hoa Kỳ đang vật lộn với việc vạch ra ranh giới ở đâu", luật sư sở hữu trí tuệ Erica Van Loon, một đối tác tại Nixon Peabody, nói. Trường hợp của Shupe nêu bật một số sắc thái của cuộc đấu tranh đó - bởi vì việc phê duyệt đăng ký của bà đi kèm với một cảnh báo quan trọng.

Thông báo của Văn phòng Bản quyền Hoa Kỳ cấp cho Shupe đăng ký bản quyền cuốn sách của bà không công nhận bà là tác giả của toàn bộ văn bản như thông thường đối với các tác phẩm viết. Thay vào đó, bà được coi là tác giả của "lựa chọn, phối hợp và sắp xếp văn bản được tạo ra bởi trí tuệ nhân tạo". Điều này có nghĩa là không ai có thể sao chép cuốn sách mà không được phép, nhưng bản thân các câu và đoạn văn thực tế không có bản quyền và về mặt lý thuyết có thể được sắp xếp lại và tái bản thành một cuốn sách khác.

Cơ quan này đã lùi thời hạn đăng ký bản quyền đến ngày 10 tháng 10, ngày mà Shupe ban đầu cố gắng đăng ký tác phẩm của mình. Họ từ chối bình luận về câu chuyện này. " Văn phòng Bản quyền Hoa Kỳ không bình luận về đăng ký bản quyền cụ thể hoặc các đơn đăng ký đang chờ xử lý", Nora Scheland, phát ngôn viên của cơ quan cho biết. Sắc lệnh hành pháp của Tổng thống Biden về AI vào mùa thu năm ngoái đã yêu cầu Văn phòng Sáng chế và Nhãn hiệu Hoa Kỳ đưa ra các khuyến nghị về bản quyền và AI cho Nhà Trắng với sự tham vấn của Văn phòng Bản quyền Hoa Kỳ, bao gồm cả "phạm vi bảo vệ đối với các tác phẩm được sản xuất bằng AI".

Mặc dù đăng ký bản quyền hạn chế của Shupe là đáng chú ý, ban đầu bà yêu cầu Văn phòng Bản quyền Hoa Kỳ mở một con đường quan trọng hơn để công nhận bản quyền cho tài liệu do AI tạo ra. "Tôi tìm cách giữ bản quyền tài liệu do AI hỗ trợ và do AI tạo ra theo miễn trừ ADA cho nhiều khuyết tật của tôi", bà viết trong đơn đăng ký bản quyền ban đầu của mình.

Shupe tin tưởng một cách nhiệt thành rằng bà chỉ có thể hoàn thành cuốn sách của mình với sự hỗ trợ của các công

Eric Schmidt Warned Against China’s AI Industry - Emails Show He Also Sought Connections to It

Will Knight – WIRED. April 11, 2024.

Transparency advocates say that Eric Schmidt's pursuit of “personal” connections with AI companies in China represents a concerning conflict of interest.

In November 2019, the US government’s National Security Commission on Artificial Intelligence (NSCAI), an influential body chaired by former Google CEO and executive chairman Eric Schmidt, warned that China was using artificial intelligence to “advance an autocratic agenda.”

Just two months earlier, Schmidt was also seeking potential personal connections to China’s AI industry on a visit to Beijing, newly disclosed emails reveal. Separately, tax filings show that a nonprofit private foundation overseen by Schmidt and his wife contributed to a fund that feeds into a private equity firm that has made investments in numerous Chinese tech firms, including those in AI.

When the NSCAI issued its full findings in 2021, Schmidt and the NSCAI’s vice chairman said in a statement that “China’s plans, resources, and progress should concern all Americans,” and warned that “China’s domestic use of AI is a chilling precedent for anyone around the world who cherishes individual liberty.”

The 2019 email communications, obtained through a Freedom of Information Act request by the Tech Transparency Project (TTP), a nonprofit research initiative that tracks tech industry influence, show staff at Schmidt Futures, a philanthropic venture, asking NSCAI employees to help identify “possible engagements [Schmidt] might have on AI, in a personal capacity.” The names are redacted, but an NSCAI staff member replies, “Sure thing, happy to help out.” One person is tasked with coming up with “interesting companies in Beijing.”

It is unclear what meetings, if any, occurred in China as a result of the discussions, or whether such meetings might have translated into business dealings. However, the messages add detail to what appears to be a complicated relationship between Schmidt and America’s chief geopolitical rival. They also reflect the paradox of rivalry and interdependence that characterizes the dynamics between the world's two most powerful nations.

Flight records previously obtained by TTP show that a Gulfstream flew from Google’s home hanger in November 2019. A day later, press reports suggest Schmidt, who was in China for the Bloomberg New Economy Forum, dined with Kai-Fu Lee, ex-head of Google China and a prominent Chinese entrepreneur and investor. The pair told a Bloomberg reporter at the time that they were “just catching up.”

Tax filings for 2019 show that the Eric and Wendy Schmidt Fund for Strategic Innovation, a nonprofit overseen by the billionaire and his wife, had invested almost $17 million in a fund that feeds into an investment firm then called Hillhouse Capital, which invests in a number of prominent Chinese tech companies, among other businesses. In October 2016, Reuters reported that Hillhouse launched an AI investment fund with the Chinese Academy of Sciences, a state-run institution. In 2017, Hillhouse led a funding round of $55 million in the Chinese AI company Yitu, a startup that would soon be repeatedly blacklisted by the US government for allegedly supplying face recognition technology used for surveillance in China.

The final NSCAI report includes a section on promoting “International Digital Democracy” initiatives. It provides a handful of suggestions for how to “develop, promote, and fund” digital ecosystems, including partnerships with the private sector—citing Hillhouse as a positive example

There is no indication that Schmidt’s visit to China is related to the investments made by Hillhouse, and no evidence that Schmidt used his role at the NSCAI to further his own business goals. But even as separate matters, the emails and investments associated with Schmidt underscore the potential conflicts of interest he may have encountered in his role

Eric Schmidt cảnh báo chống ngành công nghiệp AI của Trung Quốc

Email cho thấy anh ta cũng tìm kiếm các kết nối với nó.

Will Knight – WIRED. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số. Ngày 11 tháng 4, 2024.

Những người ủng hộ tính minh bạch nói rằng việc Eric Schmidt theo đuổi các kết nối "cá nhân" với các công ty AI ở Trung Quốc thể hiện sự xung đột lợi ích liên quan.

Trong tháng 11 năm 2019, Ủy ban An ninh Quốc gia về Trí tuệ nhân tạo của chính phủ Mỹ, một cơ quan có ảnh hưởng do cựu Giám đốc điều hành và Chủ tịch điều hành Google Eric Schmidt làm chủ tịch, cảnh báo rằng Trung Quốc đang sử dụng trí tuệ nhân tạo để "thúc đẩy một chương trình nghị sự chuyên quyền".

Chỉ hai tháng trước đó, Schmidt cũng đang tìm kiếm các kết nối cá nhân tiềm năng với ngành công nghiệp AI của Trung Quốc trong chuyến thăm Bắc Kinh, các email mới được tiết lộ. Một cách riêng biệt, hồ sơ thuế cho thấy một quỹ tư nhân phi lợi nhuận do Schmidt và vợ giám sát đã đóng góp vào một quỹ cung cấp cho một công ty cổ phần tư nhân đã đầu tư vào nhiều công ty công nghệ Trung Quốc, bao gồm cả những công ty trong lĩnh vực AI.

Khi Ủy ban An ninh Quốc gia về Trí tuệ nhân tạo công bố những phát hiện đầy đủ vào năm 2021, Schmidt và phó chủ tịch Ủy ban An ninh Quốc gia về Trí tuệ nhân tạo cho biết trong một tuyên bố rằng "các kế hoạch, nguồn lực và tiến bộ của Trung Quốc nên liên quan đến tất cả người Mỹ" và cảnh báo rằng "việc Trung Quốc sử dụng AI trong nước là một tiền lệ tiêu cực hoặc đáng ngại đối với bất kỳ ai trên thế giới trân trọng tự do cá nhân".

Thông tin liên lạc qua email năm 2019, có được thông qua yêu cầu Đạo luật Tự do Thông tin của Dự án Minh bạch Công nghệ, một sáng kiến nghiên cứu phi lợi nhuận theo dõi ảnh hưởng của ngành công nghệ, cho thấy nhân viên tại Schmidt Futures, một liên doanh từ thiện, yêu cầu nhân viên Ủy ban An ninh Quốc gia về Trí tuệ nhân tạo giúp xác định "các cam kết có thể có [Schmidt] có thể có trên AI, trong khả năng cá nhân." Những cái tên đã được biên tập lại, nhưng một nhân viên Ủy ban An ninh Quốc gia về Trí tuệ nhân tạo trả lời, "Chắc chắn rồi, rất vui khi được giúp đỡ." Một người được giao nhiệm vụ tìm ra "các công ty thú vị ở Bắc Kinh".

Không rõ những cuộc họp nào, nếu có, đã xảy ra ở Trung Quốc do kết quả của các cuộc thảo luận, hoặc liệu các cuộc họp như vậy có thể chuyển thành các giao dịch kinh doanh hay không. Tuy nhiên, các thông điệp bổ sung thêm chi tiết cho những gì dường như là một mối quan hệ phức tạp giữa Schmidt và đối thủ địa chính trị chính của Mỹ. Chúng cũng phản ánh nghịch lý của sự cạnh tranh và phụ thuộc lẫn nhau đặc trưng cho động lực giữa hai quốc gia hùng mạnh nhất thế giới.

Hồ sơ chuyến bay mà Dự án Minh bạch Công nghệ thu được trước đó cho thấy một chiếc Gulfstream đã bay từ bãi đậu máy bay của Google vào tháng 11 năm 2019. Một ngày sau, báo chí đưa tin Schmidt, người đang ở Trung Quốc để tham dự Diễn đàn Kinh tế Mới Bloomberg, đã ăn tối với Kai-Fu Lee, cựu giám đốc Google Trung Quốc và là một doanh nhân và nhà đầu tư nổi tiếng của Trung Quốc. Cặp đôi nói với một phóng viên Bloomberg vào thời điểm đó rằng họ "chỉ gặp bình thường để cập nhật cho nhau các vấn đề cá nhân".

Hồ sơ thuế năm 2019 cho thấy Quỹ Eric và Wendy Schmidt về đổi mới chiến lược, một tổ chức phi lợi nhuận do tỷ phú và vợ giám sát, đã đầu tư gần 17 triệu USD vào một quỹ cung cấp cho một công ty đầu tư khi đó có tên Hillhouse Capital, đầu tư vào một số công ty công nghệ nổi tiếng của Trung Quốc, trong số các doanh nghiệp khác. Vào tháng 10 năm 2016, Reuters báo cáo rằng Hillhouse đã ra mắt một quỹ đầu tư AI với Viện Hàn lâm Khoa học Trung Quốc, một tổ chức nhà nước. Năm 2017, Hillhouse đã dẫn đầu vòng tài trợ 55 triệu đô la trong công ty AI Yitu của Trung Quốc, một công ty khởi nghiệp sẽ sớm bị chính phủ Mỹ đưa vào danh sách đen vì bị cáo buộc cung cấp công nghệ nhận dạng khuôn mặt được sử dụng để giám sát ở Trung Quốc.

Chương 2 - Các khái niệm thực tế về học máy – Phần 3

(Trích từ sách Học máy cho những người ra quyết định (Machine Learning for Decision Makers, tác giả: Patanjali Kashyap - Bangalore, Karnataka, Ấn Độ) – Nhà xuất bản Apress. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Xin mua sách Machine Learning for Decision Makers, tiếng Anh, từ nhà xuất bản Apress, Amazon, và tại các website trên Internet hay tại các tiệm sách trong khu phố gần nhà.

Học máy: Bạn và dữ liệu của bạn

Học máy là một ngành khoa học cũ, nhưng nó đang có được động lực do tạo ra lượng dữ liệu khổng lồ từ các nguồn không đồng nhất với tốc độ nhanh chóng. Trong khi nhiều thuật toán học máy đã tồn tại trong một thời gian dài và mang di sản từ thống kê, khả năng tự động áp dụng các phép tính và logic toán học phức tạp cho dữ liệu lớn với sự trợ giúp của các phân tích phức tạp lặp đi lặp lại, nhanh hơn và nhanh hơn, là một sự phát triển gần đây.

Công nghệ liên quan đến Học máy

Phần này trình bày một số học máy phổ biến và các công nghệ liên quan và mối quan hệ của chúng. Nó sẽ giúp bạn hiểu các khái niệm quan trọng.

• Khoa học dữ liệu: Ở cấp độ rộng hơn, khoa học dữ liệu là một môn học tích hợp của khoa học toán học, thống kê và lập trình. Tuy nhiên, nó không chỉ giới hạn trong các lĩnh vực nghiên cứu và đang mở rộng sang trí tuệ nhân tạo, khoa học hành vi thống kê, công nghệ cơ sở dữ liệu, tâm lý học, xã hội học, nhận thức và khoa học thần kinh.

• Phân tích dữ liệu (data analysis): Một hoạt động điều tra. Trong phân tích dữ liệu, sau khi quét tập dữ liệu có sẵn, nhà phân tích có được thông tin chi tiết ẩn trong các tập dữ liệu.

• Phân tích dữ liệu (data analytics): Khi bạn áp dụng toán học, thống kê và thuật toán trên tập dữ liệu có sẵn để tìm ra cái nhìn sâu sắc và mối tương quan có ý nghĩa giữa chúng, quá trình này được gọi là phân tích dữ liệu(data analytics). Phân tích (analytics) là kết quả của phân tích (analysis). Trong khi đó, phân tích (analysis) là phương pháp hoặc nhóm phương pháp có thể được sử dụng để phân tích dữ liệu.

• Phân tích dự đoán: Khái niệm hóa và tạo ra một mô hình định lượng cho phép dự đoán kết quả hoặc kết quả dựa trên dữ liệu / thông tin lịch sử đáng kể có thể là một nhiệm vụ phức tạp và chuyên sâu về công nghệ. Dữ liệu đầu vào chứa nhiều biến và tất cả chúng cần được xem xét đồng thời. Một số biến này có liên quan và những biến khác có thể không quan trọng trong việc xác định kết quả. Mô hình dự đoán chi phối những hiểu biết sâu sắc từ dữ liệu có thể được trích xuất và sử dụng để đưa ra dự đoán chính xác và có liên quan trong một kịch bản nhất định. Một mô hình tốt cho phép và cởi mở với các thay đổi để nó có thể phù hợp với sự thay đổi trong các biến. Đôi khi cần phải thay đổi để tăng khả năng dự đoán. Sự thay đổi đúng đắn có thể làm tăng cơ hội đạt được kết quả mong muốn.

• Khai thác dữ liệu: Tìm các mẫu trong tập dữ liệu có sẵn. Thuật ngữ này trở nên phổ biến vào cuối những năm 90 và đầu những năm 2000 khi các tổ chức nhận ra sức mạnh của việc hợp nhất dữ liệu và cách sử dụng nó. Với việc sử dụng công nghệ này, dữ liệu từ các nguồn không đồng nhất được tập hợp lại để khám phá các xu hướng, sự bất thường và mối tương quan chưa biết trước đây. Khai thác dữ liệu cho phép tìm kiếm thông qua một lượng lớn dữ liệu mà không có ý tưởng chính xác những gì bạn đang tìm kiếm. Nó giúp xác định mối tương quan trong các tập dữ liệu có sẵn thông qua việc sử dụng các kỹ thuật như phân tích vũ phu và mạng lưới thần kinh.

Ghi chú

Khai thác dữ liệu có thể được coi là một siêu tập hợp của nhiều phương pháp và kỹ thuật để trích xuất thông tin chi tiết từ dữ liệu có sẵn. Công nghệ này có thể liên quan đến các phương pháp hoặc kỹ thuật thống kê truyền thống hoặc các khái niệm nâng cao, như học máy. Một vài kỹ thuật thuộc lĩnh vực khai thác dữ liệu gồm các thuật toán thống kê, học máy, phân tích văn bản, phân tích chuỗi thời gian và các lĩnh vực phân tích khác. Khai thác dữ liệu cũng bao gồm nghiên cứu và thực hành lưu trữ dữ liệu