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

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

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

(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, AI, bộ não và kinh doanh trí tuệ

Theo John von Neumann (người tiên phong trong khoa học máy tính, người đã đưa ra cấu trúc chính thức đầu tiên của máy tính), các tế bào thần kinh có thể học hỏi từ "các mẫu" dựa trên đầu vào của chúng. Các nhà thần kinh học hiện nay gọi đây là nồng độ chất dẫn truyền thần kinh. Tuy nhiên, von Neumann không nhận thức được cách thức hoạt động của việc học tập thần kinh ["học tập thần kinh" đề cập đến quá trình học tập xảy ra trong não người, đặc biệt liên quan đến các cơ chế và chức năng thần kinh của nó].

Đó là một tiến bộ gần đây trong khoa học thần kinh cho chúng ta biết rằng việc học diễn ra thông qua việc tạo ra / sáng tạo và phá hủy các kết nối giữa các tế bào thần kinh có sẵn trong não.

Giài thích Biệt ngữ

• Tế bào thần kinh: Bộ não con người chứa khoảng 100 tỷ tế bào thần kinh, còn được gọi là tế bào thần kinh. Tế bào thần kinh có những kỹ năng đáng kinh ngạc để thu thập và truyền đạt tín hiệu điện hóa. Cổng và dây trong máy tính có thể được coi là tế bào thần kinh. Tế bào thần kinh có cùng đặc điểm và thành phần tương tự như các tế bào khác. Tuy nhiên, các tính chất điện hóa tích hợp cho phép chúng truyền tín hiệu trên một khoảng cách dài. Chúng có khả năng tuyệt vời để kết nối với nhau và gửi tin nhắn cho nhau.

von Neumann lưu ý rằng tốc độ xử lý thần kinh cực kỳ chậm, theo thứ tự một trăm phép tính mỗi giây, nhưng bộ não bù đắp điều này thông qua quá trình xử lý song song lớn. Các tế bào thần kinh kết nối và tạo ra các con đường và mạch mới theo kiểu tính toán "song song". Tương tự như vậy, các máy tính hiện đại ngày nay thực hiện xử lý song song để thực hiện / học các tác vụ. Như đã đề cập, trí tuệ nhân tạo giống như bộ não không phải là một ý tưởng mới. Khái niệm mạng lưới thần kinh, có khả năng bắt chước cấu trúc cơ bản của não, cực kỳ phổ biến vào những năm 1980 trong cộng đồng khoa học. Nhưng trong thời gian đó, lĩnh vực trí tuệ nhân tạo thiếu sức mạnh tính toán và sự sẵn có của dữ liệu đào tạo chất lượng khổng lồ. Cả sức mạnh tính toán và dữ liệu đều cần thiết và quan trọng để các mô hình, được hỗ trợ bởi các thuật toán, trở nên thực sự hiệu quả.

Những tiến bộ gần đây trong phần cứng máy tính đã góp phần vào sức mạnh xử lý rẻ hơn (về tốc độ và bộ nhớ). Do đó, một bộ phận của cộng đồng khoa học và công nghiệp đang cố gắng hết sức để đạt được trí thông minh của con người thông qua máy tính. Kết quả của nỗ lực này được nhìn thấy dưới dạng nhiều robot và máy móc khổng lồ được hình thành từ phòng thí nghiệm. Một trong những mục tiêu của việc đạt được "trí thông minh của con người" là có được lợi thế kinh doanh và thương mại so với các đối thủ cạnh tranh. Một ví dụ về điều này là IBM Watson. Cộng đồng khoa học và công nghiệp (chủ yếu là cộng đồng doanh nghiệp, bao gồm cả các công ty khởi nghiệp) đang cố gắng kiếm tiền từ những tiến bộ gần đây trong công nghệ thông qua một số sản phẩm và dịch vụ "nhanh". Họ đang tạo ra các loại sản phẩm / dịch vụ chatbot (máy / phần mềm trả lời truy vấn người dùng tự động) bằng cách tận dụng các nền tảng, dịch vụ và khuôn khổ đã có sẵn. Các công nghệ như học sâu và xử lý ngôn ngữ tự nhiên cho phép các nền tảng này.

Một nhóm doanh nhân mới đang tiếp cận với khách hàng "nhắm mục tiêu và tập trung" bằng cách sử dụng phương pháp tiếp cận "tôi là trên hết". Điều này có nghĩa là họ đang miêu tả mình là nhà đổi mới và nhà cung cấp thực sự các sản phẩm, ứng dụng và dịch vụ hỗ trợ học máy đột phá. Các sản phẩm, ứng dụng và dịch vụ hỗ trợ học máy đang xuất hiện "lần đầu tiên" trên thị trường và có khả

Chương 2 - Các khái niệm thực tế về học máy – Phần 1

(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.

Đây là một chương quan trọng vì nó thảo luận về các khái niệm cơ bản và thực tế của học máy (ML). Tôi không có cách tiếp cận học thuật để giải thích những khái niệm này. Tôi đã hướng suy nghĩ và năng lượng của mình để cung cấp cho bạn những khái niệm hữu ích trong quá trình ra quyết định thực tế. Do đó, trong khi giải thích các khái niệm, thuật ngữ và chi tiết kỹ thuật, tôi sử dụng các ví dụ và nghiên cứu điển hình hữu ích trong việc trích xuất thông tin chi tiết có liên quan từ chương.

Chương này bắt đầu với sự tiến hóa và lịch sử của học máy và với khái niệm tìm kiếm mối liên hệ giữa các trường phái tư tưởng và triết học khác nhau. Nó đưa bạn đến thế giới của trí tuệ nhân tạo bằng cách đi qua vài thập kỷ tiến bộ vừa qua. Sau đó, nó cung cấp cái nhìn thoáng qua về các ứng dụng trong tương lai của học máy. Chương này chứa một phần về các cơ hội kinh doanh mà học máy đang tạo ra. Điều này cung cấp cho bạn cái nhìn sâu sắc về các cơ hội kinh doanh sắp tới hoặc đã tồn tại trong các lĩnh vực hỗ trợ học máy. Một lần nữa, đối với các công cụ như thế này, các ví dụ và nghiên cứu điển hình có liên quan được sử dụng rộng rãi.

Có một ranh giới mong manh giữa các lĩnh vực ứng dụng và cơ hội kinh doanh. Các lĩnh vực ứng dụng của một công nghệ cũng có thể là lĩnh vực cơ hội. Ví dụ, học máy được áp dụng rộng rãi trong các ngành bán lẻ để thực hiện các loại dự đoán và đề xuất khác nhau. Đồng thời, các cơ hội kinh doanh to lớn tồn tại để tăng cường các sản phẩm và dịch vụ hiện có bằng cách sử dụng công nghệ học máy và tạo ra thị trường mới. Họ có thể làm điều này bằng cách thu hút khách hàng dựa trên các khuyến nghị từ phân tích thói quen / hành vi. Vì vậy, các cuộc thảo luận song song về các lĩnh vực ứng dụng và cơ hội kinh doanh cung cấp tầm nhìn hiện đại và tương lai nhất về chủ đề này.

Tôi cũng thảo luận về một số mô hình, thuật toán, công cụ, khung và ngôn ngữ lập trình quan trọng liên quan đến học máy. Có một phần về kiến trúc học máy cung cấp cho bạn cái nhìn toàn diện và tích hợp về kiến trúc "tổng quát" của học máy. Tóm lại, chương này cung cấp cho bạn cái nhìn sâu sắc tổng thể về các công nghệ đang thảo luận.

Liên kết lịch sử, tiến hóa, học máy và trí tuệ nhân tạo

Lĩnh vực trí tuệ nhân tạo dựa trên khả năng tự động hóa suy nghĩ của con người và khả năng nhận thức của họ. Nhìn chung, các công nghệ AI cố gắng mô phỏng và tái tạo suy nghĩ và hành vi của con người. Những suy nghĩ và hành vi này có thể được phân loại thành suy nghĩ, nói, cảm nhận và lý luận. Khoa học thiết kế chương trình làm cho máy tính thông minh hơn và điều này bao gồm mục tiêu "làm cho máy tính làm những việc mà con người tốt hơn".

Trong lịch sử, các học giả Hy Lạp, Ấn Độ và Trung Quốc có niềm tin vững chắc về khái niệm "cỗ máy tư duy". Họ tin rằng "cỗ máy tư duy" là có thể và việc xây dựng một cỗ máy là có thể đạt được. Các nhà triết học, tâm lý học và toán học của họ đã tham gia vào phương pháp này với những suy nghĩ, phát minh và khám phá của họ. Tuy nhiên, họ chủ yếu làm việc trong sự cô lập trong ranh giới địa lý hạn chế của họ. Bởi vì họ không có "sự sang trọng" để luôn được kết nối như chúng ta bây giờ, một suy nghĩ hợp nhất không bao giờ xuất hiện mà mọi người có thể chấp nhận. ["sự sang trọng" trong bối cảnh này làm nổi bật sự tương phản giữa sự kết nối liên tục của cuộc sống hiện đại và sự vắng mặt của kết nối như vậy trong quá khứ, cho thấy sự sẵn có của công nghệ đã ảnh hưởng đến sự xuất hiện và chấp nhận các ý tưởng và ý kiến trong xã hội.]

Generation Z is unprecedentedly rich

Millennials were poorer at this stage in their lives. So were baby-boomers

The Economist. April 16th 2024.

Generation Z is taking over. In the rich world there are at least 250m people born between 1997 and 2012. About half are now in a job. In the average American workplace, the number of Gen Zers working full-time is about to surpass the number of full-time baby-boomers, those born from 1945 to 1964, whose careers are winding down. Gen Z is also grabbing power: America now has more than 6,000 Zoomer chief executives and 1,000 Zoomer politicians. As the generation becomes more influential, companies, governments and investors need to understand it.

Pundits produce a lot of fluff about the cohort. Recent “research” from Frito-Lay, a crisp-maker, finds that Gen Zers have a strong preference for “snacks that leave remnants on their fingers”, such as cheese dust. Yet different generations also display deeper differences in their personalities, in part due to the economic context in which they grow up. Germans who reached adulthood during the high-inflation 1920s came to detest rising prices. Americans who lived through the Depression tended to avoid investing in the stockmarket.

Many argue that Gen Z is defined by its anxiety. Such worriers include Jonathan Haidt, a social psychologist at New York University, whose new book, “The Anxious Generation”, is making waves. In some ways, Gen Zers are unusual. Young people today are less likely to form relationships than those of yesteryear. They are more likely to be depressed or say they were assigned the wrong sex at birth. They are less likely to drink, have sex, be in a relationship—indeed to do anything exciting. Americans aged between 15 and 24 spend just 38 minutes a day socialising in person on average, down from almost an hour in the 2000s, according to official data. Mr Haidt lays the blame on smartphones, and the social media they enable.

His book has provoked an enormous reaction. On April 10th Sarah Huckabee Sanders, the governor of Arkansas, echoed Mr Haidt’s arguments as she outlined plans to regulate children’s use of smartphones and social media. Britain’s government is considering similar measures. But not everyone agrees with Mr Haidt’s thesis. And the pushing and shoving over Gen Z’s anxiety has obscured another way in which the cohort is distinct. In financial terms, Gen Z is doing extraordinarily well. This, in turn, is changing the generation’s relationship with work.

Consider the group that preceded Gen Z: millennials, who were born between 1981 and 1996. Many entered the workforce at a time when the world was reeling from the global financial crisis of 2007-09, during which young people suffered disproportionately. In 2012-14 more than half of Spanish youngsters who wanted a job could not find one. Greece’s youth-unemployment rate was even higher. Britney Spears’s “Work Bitch”, a popular song released in 2013, had an uncompromising message for young millennials: if you want good things, you have to slog.

Gen Zers who have left education face very different circumstances. Youth unemployment across the rich world—at about 13%—has not been this low since 1991. Greece’s youth-unemployment rate has fallen by half from its peak. Hoteliers in Kalamata, a tourist destination, complain about a labour shortage, something unthinkable just a few years ago. Popular songs reflect the zeitgeist. In 2022 the protagonist in a Beyoncé song boasted, “I just quit my job”. Olivia Rodrigo, a 21-year-old singer popular with American Gen Zers, complains that a former love interest’s “career is really taking off”.

Many have chosen to study subjects that help them find work. In Britain and America Gen Zers are avoiding the humanities, and are going instead for more obviously useful things like economics and engineering. Among those who do not attend university, vocational qualifications are increasingly popular.

Chương 1 - Hãy tích hợp với Học máy – Phần 9 (Hết Chương 1)

(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.

Cách đám mây, mạng vạn vật, máy học, phân tích dữ liệu lớn và điện toán nhận thức hoạt động cùng nhau

Sự phức tạp của mối quan hệ giữa các công nghệ này làm cho điện toán nhận thức và học máy trở nên quan trọng trong việc nhận ra giá trị thực sự của mạng vạn vật và dữ liệu lớn. Điều này trở nên phù hợp hơn trong các hệ sinh thái năng động và nhanh nhẹn của các công nghệ và quy trình kinh doanh đòi hỏi sự đổi mới và đột phá trên cơ sở liên tục. Động cơ của mạng vạn vật là kết nối doanh nghiệp, dữ liệu và con người chặt chẽ hơn. Tiện ích của dữ liệu đó bị giới hạn bởi các biến chứng riêng của nó cho đến khi các suy luận hữu ích được rút ra từ nó. Nếu không có ý nghĩa hoặc suy luận, dữ liệu mạng vạn vật sẽ không được sử dụng.

Học máy, với sự liên kết của phân tích, tinh chỉnh dữ liệu thông qua các mô hình và thuật toán bằng cách liên tục xử lý nó (dữ liệu mới) trong thời gian thực. Điều này đào tạo hệ thống để thích ứng với các mẫu và liên kết thay đổi trong dữ liệu. Ngoài ra, các quy trình và công cụ phân tích rộng hơn giúp khám phá các mẫu và sự bất thường trong khối lượng lớn dữ liệu có thể dự đoán và dự đoán kết quả kinh doanh.

Trong quá trình hoàn chỉnh này, dữ liệu là rất quan trọng. Để cung cấp các bước hành động, một hệ thống nhận thức đòi hỏi lượng dữ liệu lớn, hiệu quả và đủ. Dựa trên chất lượng của tập dữ liệu có sẵn, hệ thống nhận thức có thể khám phá các mẫu bên trong nó (với sự trợ giúp của thuật toán học máy). Nếu dữ liệu không lớn, kết quả không nhất quán và chính xác. Điều này có thể dẫn đến các mô hình sai và vô dụng, sẽ gây nguy hiểm cho doanh nghiệp và đánh bại mục đích chung. Một hệ thống nhận thức cũng yêu cầu nhập và ánh xạ dữ liệu để hệ thống có thể bắt đầu khám phá các kết nối giữa các nguồn dữ liệu để có được thông tin chi tiết.[ thuật ngữ "ánh xạ dữ liệu" đề cập đến quá trình tổ chức và cấu trúc dữ liệu theo cách tạo điều kiện phân tích và hiểu biết trong hệ thống nhận thức.]

Để hoàn thành mục tiêu tìm kiếm thông tin chi tiết và giá trị, một hệ thống nhận thức sử dụng hầu hết các dạng dữ liệu, bao gồm dữ liệu có cấu trúc, bán cấu trúc và phi cấu trúc. Các thuật toán học máy là trái tim và xương sống của tất cả những điều này. Chúng cho phép quy trình hoàn chỉnh và đóng một vai trò lớn trong việc cung cấp các dịch vụ mạng vạn vật và Dữ liệu lớn giá trị gia tăng bằng cách tìm ra các mẫu, mối tương quan và sự bất thường trong dữ liệu.

Bây giờ bạn đến với thành phần công nghệ và triển khai. Bạn nhận được dữ liệu thông qua các hệ thống mạng vạn vật và các nguồn khác như tệp nhật ký và tài liệu lưu trữ. mạng vạn vật hoạt động như một trình tạo dữ liệu vô hạn (vì mạng vạn vật đang kết nối các đối tượng ảo và vật lý với Internet) và người tạo. Đám mây có thể đóng vai trò tổ chức và cung cấp tài nguyên cho mạng vạn vật và các nguồn dữ liệu khác. Ngoài ra, đám mây nói chung đóng vai trò trừu tượng để che giấu sự phức tạp và chức năng triển khai. Dữ liệu được lưu trữ trên đám mây trên cơ sở liên tục và thời gian thực và sau đó phân tích dữ liệu được áp dụng trên dữ liệu đó để hiểu ý nghĩa của nó. Kỹ thuật học máy tìm ra các mẫu để đưa ra dự đoán nhằm có được kết quả kinh doanh tốt hơn.

Hãy đặt điều này một cách có hệ thống. Vì lợi ích của sự hiểu biết, tôi chia dòng chảy hoàn chỉnh thành nhiều lớp. Tuy nhiên, đây không phải là sự phân tách tiêu chuẩn và phụ thuộc vào việc thực hiện. Ngoài ra, điều này thay đổi từ doanh nghiệp này sang doanh nghiệp khác dựa trên các chiến lược xung quanh nó (sự phân tách).

Chương 1 - Hãy tích hợp với 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.

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.

Điện toán nhận thức là gì?

Thuật ngữ "nhận thức" dùng để chỉ quá trình tinh thần của sự hiểu biết, bao gồm các đặc điểm như nhận thức, súc tích, hiểu biết, khả năng lý luận và phán đoán. Điện toán nhận thức đề cập đến các hệ thống tự học sử dụng khai thác dữ liệu, nhận dạng và kết hợp mẫu, và xử lý ngôn ngữ tự nhiên giống như cách bộ não con người hoạt động.

Các hệ thống máy tính nhận thức có thể học và tương tác tự nhiên với người dùng để mở rộng khả năng của con người hoặc máy móc. Con người có thể làm nhiều hơn những gì họ có thể tự làm mà không cần tính toán nhận thức. (Các) hệ thống này tự phản ứng với môi trường mà không cần lập trình trước. Chúng có thể cảm nhận, học hỏi, suy luận và tương tác. Tóm lại, các hệ thống máy tính nhận thức có thể cảm nhận hoặc nhận thức môi trường và thu thập dữ liệu trên cơ sở nhu cầu và tình huống. Chúng có thể hiểu, giải thích và phân tích "bối cảnh" dựa trên dữ liệu và thông tin thu thập được và đưa ra quyết định dựa trên lý luận.

Các hệ thống điện toán nhận thức sử dụng các thuật toán học máy và phân tích Dữ liệu lớn để đạt được hành vi mong muốn, nhưng chúng không chỉ giới hạn trong các công nghệ này. Mục tiêu của điện toán nhận thức là tạo ra các hệ thống tự động có khả năng không chỉ giải quyết vấn đề mà còn có thể đề xuất các lựa chọn thay thế tốt hơn mà không cần sự trợ giúp của con người. Về mặt kỹ thuật, các hệ thống máy tính nhận thức có thể truy cập và phân tích các kho dữ liệu lịch sử khổng lồ, sau đó áp dụng các thuật toán và kỹ thuật học máy để xác định các kết nối và mối tương quan trên tất cả các phần thông tin đó. Chúng sử dụng một cơ sở kiến thức làm bộ máy để khám phá các mẫu, hỗ trợ quyết định và học sâu. Chúng quyết định những gì đúng trong một tình huống nhất định và cung cấp câu trả lời thích hợp vào thời điểm thích hợp trong bối cảnh thích hợp.

Một số định nghĩa chuyên nghiệp về điện toán nhận thức như sau:

• Điện toán nhận thức là mô phỏng các quá trình suy nghĩ của con người trong một mô hình máy tính. Điện toán nhận thức liên quan đến các hệ thống tự học sử dụng khai thác dữ liệu, nhận dạng mẫu và xử lý ngôn ngữ tự nhiên để bắt chước cách thức hoạt động của bộ não con người. Mục tiêu của điện toán nhận thức là tạo ra các hệ thống công nghệ thông tin tự động có khả năng giải quyết vấn đề mà không cần sự trợ giúp của con người.

• Hệ thống điện toán nhận thức dựa trên giao diện ngôn ngữ tự nhiên định hướng hộp thoại và thuật toán học máy. Chúng có các quy trình hỗ trợ tri thức và bắt chước khả năng ra quyết định của con người để cho phép con người và máy móc tương tác tự nhiên hơn. Điều này mở rộng chuyên môn và hiệu quả của con người bằng cách phân tích thông minh khối lượng dữ liệu và đưa ra những hiểu biết và giải pháp trong một phần nhỏ thời gian cần thiết.

Hệ thống nhận thức khác với các hệ thống máy tính hiện tại. Chúng vượt ra ngoài việc lập bảng, tính toán và các quy tắc và chương trình được biên dịch sẵn. Công nghệ này cho phép mọi người và doanh nghiệp tương tác với máy tính bằng ngôn ngữ tự nhiên như tiếng Anh.

Điều này cho phép khách hàng truyền đạt suy nghĩ, mối quan tâm và mong đợi của họ một cách tự nhiên hơn. Do đó, việc hiểu khách hàng và người dùng dễ dàng hơn nhiều. "Sự hiểu biết tự nhiên giống như con người" này trao quyền cho các tổ chức và doanh nghiệp đạt được sự hài lòng của khách hàng ở mức độ cao nhất và giúp họ giành được sự tin tưởng của họ. Hơn nữa, họ có thể có được sự hài lòng của khách hàng, dẫn đến lòng trung thành của khách hàng suốt đời. Ý tưởng tương tác với máy tính và hệ thống tự động

Những người thuộc thế hệ Z giàu có chưa từng thấy

The Economist. Ngày 16 tháng Tư, 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Những người thuộc thế hệ Millennial nghèo hơn ở giai đoạn này trong cuộc sống của họ. Những người bùng nổ trẻ em (baby boomers) cũng vậy. [Cụm từ này cho thấy rằng những người thuộc millennial và baby boomer đều trải qua những thách thức kinh tế trong một giai đoạn tương đương của cuộc đời họ. Hoàn cảnh tài chính của thế hệ millennial, điển hình là những người sinh từ đầu những năm 1980 đến giữa những năm 1990, kém thuận lợi hơn so với các thế hệ trước, đặc biệt là những người thuộc baby boomer (những người sinh ra giữa những năm 1940 và giữa những năm 1960.]

Thế hệ Z (những cá nhân sinh ra vào khoảng cuối những năm 1990 và đầu những năm 2010) đang tiếp quản. ["Thế hệ Z đang tiếp quản" biểu thị sự thay đổi ảnh hưởng xã hội và văn hóa đối với thế hệ được gọi là Thế hệ Z, thường đề cập đến những cá nhân sinh ra vào khoảng cuối những năm 1990 và đầu những năm 2010. Thế hệ Z đang ngày càng trở nên nổi bật trong các khía cạnh khác nhau của xã hội, bao gồm văn hóa, công nghệ, chính trị và kinh tế.]

Ở các nước giàu, có ít nhất 250 triệu người sinh từ năm 1997 đến năm 2012. Khoảng một nửa hiện đang có việc làm. Ở nơi làm việc trung bình của Mỹ, số lượng Thế hệ Z làm việc toàn thời gian sắp vượt qua số lượng những người thuộc thế hệ bùng nổ trẻ em (baby boomers) có việc làm toàn thời gian, những người sinh từ năm 1945 đến 1964, sự nghiệp của họ đang dần kết thúc. Thế hệ Z cũng đang nắm lấy quyền lực: Mỹ hiện có hơn 6.000 giám đốc điều hành và 1.000 chính trị gia thuộc thế hệ Z. Khi thế hệ này trở nên có ảnh hưởng hơn, các công ty, chính phủ và nhà đầu tư cần phải hiểu họ.

Các học giả tạo ra rất nhiều lông tơ về đoàn hệ. [Về cơ bản, tuyên bố cho thấy các chuyên gia đang đưa ra ý kiến hoặc phân tích về một nhóm nhân khẩu học cụ thể (như millennials, Thế hệ Z, v.v.) nghe có vẻ nhiều thông tin nhưng cuối cùng thiếu giá trị thực hoặc chiều sâu. Thay vì cung cấp những hiểu biết có ý nghĩa hoặc giải quyết các vấn đề quan trọng, họ có thể tập trung vào các khía cạnh hời hợt hoặc khuôn mẫu, do đó đóng góp rất ít cho sự hiểu biết hoặc thảo luận thực sự về nhóm thuần tập được đề cập.]

"Nghiên cứu" gần đây từ Frito-Lay, một nhà sản xuất khoai tây chiên giòn, phát hiện ra rằng Thế hệ Z có sở thích mạnh mẽ đối với "đồ ăn nhẹ để lại đồ ăn dư trên ngón tay của họ", chẳng hạn như bụi phô mai. Tuy nhiên, các thế hệ khác nhau cũng thể hiện sự khác biệt sâu sắc hơn trong tính cách của họ, một phần do bối cảnh kinh tế mà họ lớn lên. Những người Đức đến tuổi trưởng thành trong những năm 1920 lạm phát cao đã ghét giá cả tăng cao. Những người Mỹ sống qua cuộc Đại suy thoái có xu hướng tránh đầu tư vào thị trường chứng khoán.

Nhiều ý kiến cho rằng Thế hệ Z được định nghĩa bởi sự lo lắng của nó. Những người lo lắng như vậy bao gồm Jonathan Haidt, một nhà tâm lý học xã hội tại Đại học New York, người có cuốn sách mới, "Thế hệ lo lắng", đang tạo ra làn sóng. Ở một khía cạnh nào đó, Thế hệ Z là không bình thường. Những người trẻ tuổi ngày nay ít có khả năng hình thành các mối quan hệ hơn so với những năm trước. Họ có nhiều khả năng bị trầm cảm hoặc nói rằng họ đã được chỉ định sai giới tính khi sinh. Họ ít có khả năng uống rượu, quan hệ tình dục, ở trong một mối quan hệ - thực sự để làm bất cứ điều gì thú vị. Người Mỹ trong độ tuổi từ 15 đến 24 chỉ dành trung bình 38 phút mỗi ngày để giao tiếp trực tiếp, giảm từ gần một giờ vào những năm 2000, theo dữ liệu chính thức. Ông Haidt đổ lỗi cho điện thoại thông minh và phương tiện truyền thông xã hội mà chúng cho phép.

Cuốn sách của ông đã gây ra một phản ứng rất lớn. Hôm 10 tháng 4, Sarah Huckabee Sanders, Thống đốc bang Arkansas, lặp lại lập luận của ông Haidt khi bà vạch ra kế hoạch điều chỉnh việc sử dụng điện thoại thông minh và mạng xã hội của trẻ em. Chính phủ Anh đang xem xét các biện pháp tương tự.

We Need to be Ready for Biotechnology’s “ChatGPT” Moment

Story by Eric Schmidt

Imagine a world where everything from plastics to concrete is produced from biomass. Personalized cell and gene therapies prevent pandemics and treat previously incurable genetic diseases. Meat is lab-grown; enhanced nutrient grains are climate-resistant. This is what the future could look like in the years ahead.

The next big game-changing revolution is in biology. It will allow us to more effectively fight disease, feed the planet, generate energy, and capture carbon. Already we’re on the cusp of these opportunities. Last year saw some important milestones: the U.S. approved the production and sale of lab-grown meat for the first time; Google DeepMind’s AI predicted structures of over 2 million new materials, which can potentially be used for chips and batteries; Casgevy became the first approved commercial gene-editing treatment using CRISPR. If I were a young person today, biology would truly be one of the most fascinating things to study.

Like the digital revolution, the biotech revolution stands to transform America’s economy as we know it—and it’s coming faster than we expect, turbocharged by AI. Recent advances in biotech are unlocking our ability to program biology just as we program computers. Just like OpenAI’s ChatGPT trains on human language input to come up with new text, AI models trained on biological sequences could design novel proteins, predict cancer growth, and create other useful consumables. In the future, AI will be able to help us run through millions of theoretical and actual biological experiments, more accurately predicting outcomes without arduous trial-and-error—vastly accelerating the rate of new discoveries.

We’re now on the verge of a “ChatGPT moment” in biology, with significant technological innovation and widespread adoption on the horizon. But how ready is America to do what it takes to bring it to fruition? I’m incredibly excited about this forthcoming breakthrough moment, but it’s paramount to ensure that it will happen on our shores. That is why I’m serving on the National Security Commission on Emerging Biotechnology. As the Commission recently wrote in its recent interim report, “Continued U.S. leadership in biotechnology development is not guaranteed.”

America has a history of being the first mover in an emerging industry before losing its leadership when outsourcing its production to other parts of the world. This pattern has repeated itself in high-tech sectors like passenger cars, consumer electronics, solar panels, and, most notably, semiconductors. To avoid the same mistake, it’s crucial we secure a reliable supply chain domestically and internationally that covers everything from raw material extraction to data storage while we build the necessary talent pipeline. Relying on other countries for key components in biotechnology presents enormous economic and national security risks. For instance, leaving our genetic information in the hands of our adversaries could potentially aid them in developing a bioweapon used to target a specific genetic profile. President Biden’s recent executive order aims to prevent sales of such sensitive personal data to China and other adversarial countries.

An investment in both human capital and physical infrastructure will be critical to continued U.S. leadership in biotech. Such investments need not come just from the government but should also provide incentives to stimulate more private funding, as did the CHIPS and Science Act. There’s no overstating how central the bioeconomy will be to U.S. growth over the next fifty years. At present, the bioeconomy generates at least 5% of U.S. GDP; in comparison, semiconductors only constitute around 1% of U.S. GDP. By some measures, 60% of physical inputs to the global economy could be grown with biological processes—the promise of biology is vast for tackling some of humanity’s biggest challenges, including climate change.

Chúng ta cần sẵn sàng cho khoảnh khắc "ChatGPT" của công nghệ sinh học

Tác giả: Eric Schmidt. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Hãy tưởng tượng một thế giới nơi mọi thứ từ nhựa đến bê tông được sản xuất từ sinh khối. Các liệu pháp gen và tế bào được cá nhân hóa ngăn ngừa đại dịch và điều trị các bệnh di truyền không thể chữa khỏi trước đây. Thịt được nuôi trong phòng thí nghiệm; Các loại ngũ cốc dinh dưỡng tăng cường có khả năng chống chịu khí hậu. Đây là những gì tương lai có thể trông như thế nào trong những năm tới.

Cuộc cách mạng thay đổi cuộc chơi lớn tiếp theo là trong sinh học. Nó sẽ cho phép chúng ta chống lại bệnh tật hiệu quả hơn, nuôi sống hành tinh, tạo ra năng lượng và thu giữ carbon. Chúng ta đã ở trên đỉnh của những cơ hội này. Năm ngoái đã chứng kiến một số cột mốc quan trọng: Hoa Kỳ lần đầu tiên phê duyệt việc sản xuất và bán thịt nuôi trong phòng thí nghiệm; AI của Google DeepMind dự đoán cấu trúc của hơn 2 triệu vật liệu mới, có khả năng được sử dụng cho chip và pin; Casgevy trở thành phương pháp điều trị chỉnh sửa gen thương mại đầu tiên được phê duyệt sử dụng CRISPR. Nếu tôi là một người trẻ ngày nay, sinh học sẽ thực sự là một trong những điều hấp dẫn nhất để nghiên cứu.

Hôm nay, Cục Quản lý Thực phẩm và Dược phẩm Hoa Kỳ đã phê duyệt hai phương pháp điều trị quan trọng, Casgevy và Lyfgenia, đại diện cho các liệu pháp gen dựa trên tế bào đầu tiên để điều trị bệnh hồng cầu hình liềm (SCD) ở bệnh nhân từ 12 tuổi trở lên. Ngoài ra, một trong những liệu pháp này, Casgevy, là phương pháp điều trị đầu tiên được FDA chấp thuận sử dụng một loại công nghệ chỉnh sửa bộ gen mới, báo hiệu một tiến bộ sáng tạo trong lĩnh vực liệu pháp gen.

Bệnh hồng cầu hình liềm là một nhóm các rối loạn máu di truyền ảnh hưởng đến khoảng 100.000 người ở Hoa Kỳ. Nó phổ biến nhất ở người Mỹ gốc Phi và, trong khi ít phổ biến hơn, cũng ảnh hưởng đến người Mỹ gốc Tây Ban Nha. Vấn đề chính trong bệnh hồng cầu hình liềm là đột biến hemoglobin, một loại protein được tìm thấy trong các tế bào hồng cầu cung cấp oxy đến các mô của cơ thể. Đột biến này làm cho các tế bào hồng cầu phát triển hình lưỡi liềm hoặc hình liềm. Những tế bào hồng cầu hình liềm này hạn chế dòng chảy trong mạch máu và hạn chế cung cấp oxy đến các mô của cơ thể, dẫn đến đau dữ dội và tổn thương cơ quan được gọi là các sự kiện tắc mạch (VOEs) hoặc khủng hoảng tắc mạch (VOC). Sự tái diễn của những sự kiện hoặc khủng hoảng này có thể dẫn đến khuyết tật đe dọa tính mạng và / hoặc tử vong sớm.

Casgevy, một liệu pháp gen dựa trên tế bào, được chấp thuận để điều trị bệnh hồng cầu hình liềm ở bệnh nhân từ 12 tuổi trở lên bị khủng hoảng tắc mạch tái phát. Casgevy là liệu pháp đầu tiên được FDA chấp thuận sử dụng CRISPR / Cas9, một loại công nghệ chỉnh sửa bộ gen. Tế bào gốc tạo máu (máu) của bệnh nhân được sửa đổi bằng cách chỉnh sửa bộ gen bằng công nghệ CRISPR / Cas9.

CRISPR / Cas9 có thể được định hướng để cắt DNA ở các khu vực được nhắm mục tiêu, cho phép khả năng chỉnh sửa chính xác (xóa, thêm hoặc thay thế) DNA nơi nó bị cắt. Các tế bào gốc máu biến đổi được cấy ghép trở lại vào bệnh nhân, nơi chúng ghép (gắn và nhân lên) trong tủy xương và tăng sản xuất hemoglobin của thai nhi (HbF), một loại hemoglobin tạo điều kiện cung cấp oxy. Ở những bệnh nhân bị bệnh hồng cầu hình liềm, nồng độ HbF tăng ngăn ngừa sự liềm của các tế bào hồng cầu.

Lyfgenia là một liệu pháp gen dựa trên tế bào. Lyfgenia sử dụng véc tơ lentivirus (phương tiện phân phối gen) để biến đổi gen và được chấp thuận để điều trị cho bệnh nhân từ 12 tuổi trở lên mắc bệnh hồng cầu hình liềm và tiền sử biến cố tắc mạch. Với Lyfgenia, các tế bào gốc máu của bệnh nhân được biến đổi gen để sản xuất HbAT87Q, một liệu pháp gen có nguồn gốc hemoglobin có chức năng tương tự như hemoglobin A, là hemoglobin trưởng thành bình thường được sản xuất ở những người không bị ảnh hưởng bởi bệnh hồng cầu hình liềm. Các tế bào hồng cầu chứa HbAT87Q có nguy cơ liềm và tắc nghẽn lưu lượng máu thấp hơn. Những tế

Chương 1 - Hãy tích hợp với 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.

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.

Mạng vạn vật là gì?

Mạng vạn vật (Internet of Things - mạng vạn vật) được hiểu là một mạng không dây tự cấu hình của các cảm biến và thiết bị. Mục tiêu và mục đích cuối cùng của nó là kết nối tất cả "sự vật hoặc đối tượng". Trong Mạng vạn vật, một đối tượng hoặc sự vật được kết nối với các đối tượng hoặc sự vật khác qua Internet, như một nguồn dữ liệu hoặc như một người dùng. Một số đối tượng có thể được trang bị máy tính nhỏ hoặc các đơn vị xử lý, có thể xử lý dữ liệu chúng nhận được.

Hầu hết các chuyên gia đồng ý rằng tác động của Mạng vạn vật đối với cuộc sống của chúng ta sẽ lớn hơn nhiều so với tác động kết hợp của máy tính và Internet. Với buổi bình minh của mạng vạn vật, các công nghệ như giao tiếp trường gần và điện thoại thông minh có thể đeo được đã trở thành hiện thực và được nhúng vào cuộc sống hàng ngày của chúng ta.

Mạng vạn vật về cơ bản tích hợp thế giới vật lý và kỹ thuật số bằng cách đưa các ý tưởng, yếu tố và thành phần khác nhau lại với nhau. Nó cố gắng tạo ra một mạng lưới các thiết bị được kết nối liền mạch với nhau (có dây hoặc không dây) giao tiếp qua Internet một cách toàn diện. Số lượng thiết bị được kết nối là hàng nghìn tỷ. Trên thực tế, chúng ta có thể hình dung mạng vạn vật như một kết nối mạng của các đối tượng phổ biến.

Một thực tế đã được chứng minh là mạng vạn vật tác động đến hầu hết mọi doanh nghiệp và cá nhân bởi tác động rộng lớn hơn của nó đối với xã hội và thương mại.

Hơn nữa, việc tích hợp di động, đám mây, học máy, điện toán nhận thức và dữ liệu mạng vạn vật ảnh hưởng đến một loạt các hoạt động kinh doanh và thói quen của các cá nhân. Ví dụ, nó đã thay đổi các loại dụng cụ và thiết bị được sử dụng trong các tổ chức cho mục đích kết nối. Một thế hệ thiết bị kết nối mới kết hợp với các dịch vụ sáng tạo cho phép các hệ thống thông minh độc đáo. Các hệ thống thông minh này được cung cấp bởi dữ liệu do thiết bị mạng vạn vật tạo ra.

Mạng vạn vật giúp các doanh nghiệp đạt được hiệu quả và khai thác trí thông minh từ một loạt các thiết bị được kết nối và có sẵn. Nhìn chung, một khi một tổ chức được cung cấp bởi mạng vạn vật, khả năng hoạt động của nó sẽ tăng lên. Điều này, đến lượt nó, tạo thành quả dưới hình thức sự hài lòng của khách hàng. Mạng vạn vật cũng sẽ có tác động sâu sắc đến cuộc sống của con người. Nó rất hữu ích trong việc cải thiện an toàn công cộng, giao thông vận tải và chăm sóc sức khỏe với thông tin tốt hơn và giao thông và liên lạc nhanh hơn. mạng vạn vật trên thực tế ảnh hưởng đến xã hội, con người và tổ chức theo nhiều cách.

Một số định nghĩa chính thức của mạng vạn vật được liệt kê ở đây:

• Mạng vạn vật là về việc kết nối với những thứ hàng ngày xung quanh chúng ta bằng cách sử dụng các công nghệ Internet.

• Mạng vạn vật bắt đầu với việc kết nối mọi thứ chung quanh bạn, có nghĩa là những điều quan trọng nhất đối với doanh nghiệp của bạn. mạng vạn vật là về việc làm cho dữ liệu của bạn kết hợp với nhau theo những cách mới. Bạn có thể khai thác dữ liệu bằng bảng điều khiển hỗ trợ mạng vạn vật, khám phá trí thông minh có thể hành động. mạng vạn vật giúp bạn hiện đại hóa cách bạn kinh doanh.

• Mạng vạn vật liên kết các đối tượng thông minh với Internet. Nó có thể cho phép trao đổi dữ liệu chưa từng có trước đây và mang lại thông tin cho người dùng một cách an toàn hơn. Bạn có thể hiểu sâu hơn với các phân tích bằng cách sử dụng hệ thống mạng vạn vật để nâng cao năng suất, tạo mô hình kinh doanh mới và tạo ra các luồng doanh thu mới.

Tiến hóa, phát triển và tương lai của mạng vạn vật

Chương 1 - Hãy tích hợp với 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.

Điện toán đám mây là gì?

Một định nghĩa được áp dụng rộng rãi về điện toán đám mây đến từ Viện Tiêu chuẩn và Công nghệ Quốc gia Hoa Kỳ:

• Điện toán đám mây là một mô hình cho phép truy cập mạng phổ biến, thuận tiện, theo yêu cầu, vào một nhóm tài nguyên điện toán có thể được cấu hình để chia sẻ (ví dụ: mạng, máy chủ, lưu trữ, ứng dụng và dịch vụ) có thể được cung cấp và phát hành nhanh chóng với nỗ lực quản lý tối thiểu hoặc tương tác của nhà cung cấp dịch vụ.

Ở cấp độ trừu tượng, điện toán đám mây là một tập hợp các thực tiễn tốt nhất và có thể là một trong những cách để thiết kế, triển khai và sử dụng các công nghệ truyền thống và sáng tạo. Mô hình điện toán đám mây cho phép doanh nghiệp triển khai các giải pháp theo những cách đơn giản, hiệu quả và đáng tin cậy. Điện toán đám mây có liên quan đến bí quyết kỹ thuật để tạo ra một cơ sở công nghệ ổn định, mạnh mẽ và an toàn xung quanh sự kết hợp của các quy trình, khuôn khổ và thực tiễn tốt nhất đã được thiết lập và phát triển. Mô hình điện toán đám mây có những đặc tính sau đây:

• Năm đặc điểm

• Ba chế độ dịch vụ

• Bốn chế độ triển khai

Chúng ta hãy xem xét chi tiết các đặc điểm, dịch vụ và mô hình triển khai.

Các đặc điểm cơ bản của điện toán đám mây

Dưới đây là những đặc điểm cần thiết:

• Tự phục vụ và cung cấp theo yêu cầu: Đặc tính này cung cấp sức mạnh cho người dùng để cung cấp khả năng tính toán. Điều này bao gồm nhưng không giới hạn ở việc quản lý thời gian và lưu trữ máy chủ. Việc cung cấp dịch vụ diễn ra tự động mà không cần sự tương tác và can thiệp của con người.

• Truy cập mạng rộng hơn: Dịch vụ và các khả năng khác có sẵn trên mạng lưới. Các dịch vụ này được cung cấp cho người dùng thông qua nhiều nền tảng, khung, thiết bị và thiết bị. Các thiết bị, như điện thoại di động, máy tính xách tay, máy tính để bàn và hệ thống đeo được, được kết nối và có sẵn thông qua truy cập mạng rộng hơn với mức độ người dùng. Truy cập mạng rộng hơn cung cấp tính sẵn sàng cao, điều này rất quan trọng trong nhiều tình huống kinh doanh.

• Tổng hợp tài nguyên: Tài nguyên và dịch vụ máy tính được gộp lại để phục vụ nhiều người dùng với tài nguyên vật lý và ảo không giống nhau. Cơ sở phân bổ nguồn lực năng động và phân bổ giao dịch theo nhu cầu của người dùng làm cho việc tổng hợp tài nguyên rất hữu ích.

• Độ co giãn nhanh: Đây là khả năng nhanh chóng cung cấp khả năng tính toán và các khả năng tài nguyên khác, trong hầu hết các trường hợp tự động, để nhanh chóng mở rộng quy mô, phát hành và mở rộng quy mô.

• Dịch vụ đo lường: Tài nguyên và việc sử dụng dịch vụ có thể được theo dõi, đo lường, kiểm soát và báo cáo, chủ yếu với sự trợ giúp của bảng điều khiển hoặc giao diện người dùng đồ họa. Nhà cung cấp và người dùng dịch vụ đánh giá cao mức độ và thời điểm họ đang sử dụng các dịch vụ và sản phẩm. Điều này rất quan trọng đối với các quy trình quyết định chiến lược và tinh chỉnh.

• Mô hình định giá động: Cho phép người dùng truy cập các dịch vụ và các khả năng khác trên cơ sở trả tiền cho mỗi lần sử dụng.

Sự kết hợp của các đặc điểm, yêu cầu, triển khai và mô hình dịch vụ tạo ra một giải pháp đám mây. Giải pháp này được cung cấp bởi nhiều nhà cung cấp, bao gồm Microsoft, Google, Amazon và IBM. Bây giờ bạn sẽ tìm hiểu về các mô hình dịch vụ và triển khai.

Phương pháp triển khai điện toán đám mây

Có ba loại mô hình triển khai điện toán đám mây, thường được gọi là công cộng, riêng tư và lai.

• Đám mây công cộng: Trong mô hình triển khai đám mây công cộng, tài nguyên được chia sẻ qua Internet và được sử dụng khi cần thiết bởi các nhóm, cá

Chương 1 - Hãy tích hợp với Học máy – Phần 5

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

Phân tích dữ liệu là gì?

Phân tích về cơ bản là khám phá và tìm kiếm giao tiếp trong các mẫu tập dữ liệu có ý nghĩa, có thể đạt được với bất kỳ tập dữ liệu nào bất kể lớn hay nhỏ. Trên thực tế, Dữ liệu lớn không phải là tiêu chí cần thiết để tận dụng phân tích và thúc đẩy việc ra quyết định dựa trên dữ liệu. Nếu Dữ liệu lớn không đáp ứng ba V, nó không đủ điều kiện là Dữ liệu lớn.

Vòng đời phân tích trải qua sáu giai đoạn thủ tục tiêu chuẩn chính và mạnh mẽ, phụ thuộc vào nhau và được giải quyết cho đến khi mỗi giai đoạn đáp ứng các tiêu chí cụ thể. Hoạt động bắt đầu từ việc hiểu môi trường kinh doanh và kết thúc bằng việc thu được kết quả, phát triển các khuyến nghị, thực hiện và kết hợp các phát hiện. Cuối cùng, việc cải thiện liên tục độ chính xác và hiệu quả của hiệu suất mô hình đang được duy trì thông qua hiệu chuẩn thường xuyên.

Danh sách sau đây giải thích tất cả các bước chính liên quan đến phân tích được trình bày một cách hợp nhất:

• Mục tiêu và giả thuyết kinh doanh: Trong giai đoạn này, kịch bản kinh doanh, mục tiêu và tính sẵn có của dữ liệu trong nền tảng Dữ liệu lớn được phân tích. Đây còn được gọi là giai đoạn khám phá.

• Trích xuất, chuẩn bị và lấy mẫu dữ liệu: Trong giai đoạn thứ hai, danh sách các biến và khoảng thời gian dự kiến để phân tích được xác định. Tiền xử lý dữ liệu là một quá trình chuẩn bị dữ liệu thô và làm cho nó phù hợp với mô hình học máy. Đây là bước đầu tiên và quan trọng khi tạo ra một mô hình học máy.

• Lập kế hoạch mô hình và phát triển các mô hình / thuật toán dự đoán: Trong giai đoạn này, các mô hình được thiết kế và các mô hình hiệu quả dựa trên kết quả được hoàn thiện.

• Thu được kết quả và phát triển các giải pháp chiến lược, khuyến nghị và vận hành: Trong giai đoạn này, những hiểu biết sâu sắc được lấy từ các mô hình, dựa trên kết quả và chuyển đổi chúng thành các giải pháp chiến lược. Các khuyến nghị kinh doanh cũng được đưa ra trong giai đoạn này. Cuối cùng, các mục hành động được phát triển trên cơ sở các khuyến nghị mà công ty có thể thực hiện dựa trên các ưu tiên và sở thích của họ.

Bây giờ chúng ta hãy kiểm tra vòng đời dữ liệu, tạo thành cơ sở cho Dữ liệu lớn, thông tin và thậm chí cho cả học máy. Vòng đời dữ liệu, còn được gọi là vòng đời thông tin, được định nghĩa là khoảng thời gian mà dữ liệu có mặt trong hệ thống của bạn. Vòng đời này bao gồm từng giai đoạn dữ liệu của bạn trải qua, từ lần chụp đầu tiên trở đi. Các đối tượng dữ liệu trải qua nhiều giai đoạn của cuộc sống theo tốc độ riêng của chúng. Dưới đây là mô tả về một vài thành phần vòng đời dữ liệu chính:

• Tạo, tiếp nhận hoặc thu thập dữ liệu: Cho dù bạn thu thập dữ liệu thông qua nhập dữ liệu, thu thập dữ liệu có sẵn từ các nguồn bên ngoài hoặc hấp thụ tín hiệu từ máy móc, bạn có được thông tin theo một cách nào đó. Bước này mô tả khi các giá trị dữ liệu đi vào tường lửa của hệ thống của bạn.

• Xử lý dữ liệu: Bao gồm một số quy trình, bao gồm làm sạch và chuẩn bị dữ liệu thô để phân tích thêm. Mặc dù trình tự chính xác của các bước có thể khác nhau, việc chuẩn bị dữ liệu thường liên quan đến việc kết hợp dữ liệu từ nhiều nguồn, xác nhận dữ liệu và thực hiện chuyển đổi. Định dạng lại, tóm tắt, chuẩn hóa và cải thiện dữ liệu là các bước thường xuyên trong quy trình xử lý dữ liệu.

• Đánh giá dữ liệu: Đây là bước quan trọng nhất, bất kể bạn phân tích và diễn giải dữ liệu của mình như thế nào. Để nghiên cứu và phân tích dữ liệu của bạn, một số phân tích có thể được yêu cầu. Đây có thể là một tham chiếu đến phân tích thống kê và trực quan hóa. Nó cũng có thể sử dụng mô hình dữ liệu truyền thống (DM) hoặc trí tuệ nhân tạo (AI)

• Chia sẻ hoặc xuất bản dữ liệu: Tại thời điểm này, các dự đoán và thông tin chuyên sâu được chuyển thành các lựa chọn và hướng đi. Dữ liệu

Chương 1 - Hãy tích hợp với Học máy – Phần 4

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

Đặc điểm của Học máy

Bây giờ là thời điểm tốt để xem xét các đặc điểm của học máy. Hiểu được những đặc điểm này sẽ cung cấp cho bạn một cái nhìn nén về công nghệ. Chúng ta hãy xem xét các đặc điểm:

• Khả năng tự động áp dụng và sửa đổi hành vi dựa trên nhu cầu của người dùng. Ví dụ: email hoặc tin tức được cá nhân hóa.

• Khả năng khám phá kiến thức mới từ cơ sở dữ liệu lớn về sự thật.

• Khả năng hỗ trợ con người và thay thế các nhiệm vụ đơn điệu, đòi hỏi một số trí thông minh.

• Khả năng tạo ra "cái nhìn sâu sắc" bằng cách hoạt động lặp đi lặp lại trên dữ liệu và học hỏi từ những sai lầm.

Những thách thức kinh doanh hiện tại đối với Học máy

Triển khai Học máy có nhiều thách thức. Các lĩnh vực và phạm vi ứng dụng của nó rất rộng, vì vậy những thách thức cũng có nhiều mặt. Chúng ta hãy xem xét những thách thức này.

Xử lý, quản lý và sử dụng dữ liệu phức tạp và không đồng nhất

Khối lượng lớn dữ liệu phức tạp đang được tạo ra mỗi ngày (chính xác là mỗi giây) từ nhiều nguồn dữ liệu không đồng nhất về khách hàng. Tuy nhiên, có được cái nhìn sâu sắc từ dữ liệu này là một trong những thách thức. Ngoài ra, sự sẵn có của dữ liệu làm cho các yêu cầu / quyết định kinh doanh phức tạp và tốn thời gian hơn vì nhu cầu và mong đợi của khách hàng là cực kỳ cao. Hoàn thành mong đợi của khách hàng là một nhiệm vụ đầy thách thức.

Thông thường, các mối quan hệ và mối tương quan chưa biết được ẩn trong một lượng lớn dữ liệu đa nguồn (phức tạp, không đồng nhất, động, phân tán và rất lớn) và đa cấu trúc (nhiều định dạng và loại dữ liệu có thể bắt nguồn từ sự tương tác giữa con người và máy móc, chẳng hạn như ứng dụng web hoặc mạng xã hội). Bằng cách áp dụng các mô hình học máy trên các bộ dữ liệu đa cấu trúc và có nguồn gốc đa cấu trúc có chất lượng và tính khả dụng khác nhau, bạn có thể hiểu rõ hơn về hành vi của các sản phẩm và ứng dụng và do đó phát triển các sản phẩm / ứng dụng có chất lượng cao hơn. Tuy nhiên, việc phát triển các thuật toán phát hiện các quy tắc có ý nghĩa từ dữ liệu đó là một thách thức khác. Nhưng cuộc hôn nhân của học máy với các kỹ thuật tính toán, xử lý dữ liệu và phân tích tiên tiến đã làm cho điều đó trở nên khả thi. Ví dụ: cơ sở hạ tầng đám mây Microsoft Azure cung cấp "nhà máy dữ liệu" của nó. Đây là một loại công cụ tích hợp dựa trên đám mây giúp tích hợp dữ liệu đa nguồn và đa cấu trúc.

Lưu trữ, quản lý và phân tích khối lượng lớn dữ liệu là một thách thức khác. Tuy nhiên, những tiến bộ gần đây trong học máy, dữ liệu lớn và công nghệ lưu trữ, cung cấp cho con người một loạt các giải pháp để quản lý thách thức này. Điều tốt là các giải pháp được cung cấp này có thể mở rộng, xây dựng tùy chỉnh, nhanh chóng, tự động, chính xác và hiệu quả. Chúng cũng hỗ trợ môi trường thời gian thực.

Các kịch bản, hệ thống và phương pháp kinh doanh năng động

Kiến thức và hiểu biết mới về nhiệm vụ, hoạt động và kinh doanh liên tục được con người khám phá, tạo ra và sinh ra. Do đó, rất khó để liên tục thiết kế lại hoặc tái tạo các hệ thống và mô hình "bằng tay", sau đó sẽ được đồng bộ hóa nếu những thay đổi thường xuyên xảy ra, bao gồm cả môi trường kinh doanh từ góc độ tổ chức trên cơ sở năng động. Do đó, dữ liệu phức tạp và các kịch bản kinh doanh thay đổi cần một số phương pháp và kỹ thuật để dạy các hệ thống (máy tính) thực hiện việc này thay cho chúng. Tuy nhiên, việc tạo ra loại hệ thống động này không phải là dễ dàng. Để đối phó với thách thức này, học máy là một trong những công cụ quan trọng nhất. Các hệ thống học máy đưa ra dự đoán dựa trên các phương pháp được xác định có tính chất tự động và thích ứng. Hiệu quả tính toán của chúng có thể được cải thiện, vì chúng là những hệ thống năng động và linh hoạt.

Chương 1 - Hãy tích hợp với Học máy – Phần 3

(Trích từ sách Học máy cho những người ra quyết định (Machine Learning for Decision Makers, tác giả: Patanjali Kashyap) – 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 thành phố.

Chi tiết về học máy (tiếp theo)

Học tập có giám sát

Học có giám sát là quá trình học tập mà biến đầu ra được biết đến. Bằng chứng đầu ra của biến được sử dụng rõ ràng trong đào tạo. Trong học tập có giám sát, dữ liệu có "nhãn". Nói cách khác, bạn biết những gì bạn đang cố gắng dự đoán. Trên thực tế, thuật toán này chứa một biến mục tiêu hoặc kết quả được dự đoán từ một tập hợp các yếu tố dự đoán nhất định (các biến độc lập). Sử dụng tập hợp các biến này, một hàm được tạo ra ánh xạ đầu vào đến các kết quả dự đoán. Quá trình đào tạo tiếp tục cho đến khi mô hình đạt được mức độ chính xác dự kiến trên dữ liệu đào tạo. Trong các vấn đề liên quan đến máy học, một đoàn tàu được đặt để kiểm tra tỷ lệ đặt là 80:20 là chấp nhận được. Trong thế giới Big Data ngày nay, 20% tương đương với một tập dữ liệu khổng lồ. Bạn có thể dễ dàng sử dụng dữ liệu này để đào tạo và giúp mô hình của bạn học tốt hơn. Tuy nhiên, tỷ lệ này thay đổi dựa trên kích thước của dữ liệu.

1. Học tập hoặc đào tạo: Các mô hình học bằng cách sử dụng dữ liệu đào tạo.

2. Kiểm tra mô hình bằng cách sử dụng dữ liệu thử nghiệm không nhìn thấy, để kiểm tra độ chính xác của mô hình.

Học không giám sát

Trong học không giám sát, kết quả là không rõ. Phân cụm đang diễn ra trên tập dữ liệu có sẵn để làm nổi bật các phân vùng và hệ thống phân cấp có ý nghĩa. Không giống như học có giám sát, học không giám sát được sử dụng trên dữ liệu không có lịch sử. Trong học tập không giám sát, thuật toán phải tìm dữ liệu chứa không đủ thông tin hoặc hạn chế. Ngoài ra, nó phải tìm bất kỳ cấu trúc ẩn nào trong tập dữ liệu. Mức độ lớp dữ liệu là không rõ. Không có biến mục tiêu hoặc kết quả hiện diện để dự đoán / ước tính trong học không giám sát.

Học không giám sát được sử dụng để tổ chức dữ liệu thành các nhóm hoặc cụm cụ thể. Quá trình này giúp khám phá các cấu trúc hoặc mẫu cơ bản trong dữ liệu mà không cần các ví dụ được gắn nhãn hoặc các danh mục được xác định trước.

Kỹ thuật này phù hợp nhất để phân khúc khách hàng thành các cụm khác nhau để tham gia cụ thể. Một số lĩnh vực ứng dụng của nó là bản đồ tự tổ chức, lập bản đồ lân cận gần nhất, phân tách giá trị số ít và phân cụm k-means. Các công ty thương mại điện tử như Amazon sử dụng kỹ thuật này cho các đề xuất trực tuyến, xác định các ngoại lệ dữ liệu và các chủ đề văn bản phân đoạn.

Học máy đã thay đổi cách trích xuất dữ liệu và diễn giải của nó. Nó sử dụng các bộ tự động của các phương pháp và thuật toán chung. Trước đó, các kỹ thuật thống kê truyền thống đã được sử dụng cho các loại phân tích tương tự. Các công ty đang sử dụng bộ lý thuyết và thực tiễn học tập mới này để tạo doanh thu. Do đó, học máy đã bắt đầu tác động đến nhiều tổ chức kinh doanh và nghiên cứu. Các sản phẩm và dịch vụ được xây dựng xung quanh học máy để đạt được vị trí dẫn đầu thị trường.

Bởi vì sự đột phá và đổi mới là câu thần chú cho sự thành công của hầu hết các chiến lược kinh doanh, học máy và các công nghệ liên quan của nó chiếm vị trí trung tâm. Đây là lý do chính mà các phương pháp học máy sử dụng nhiều dữ liệu đã được áp dụng trong lĩnh vực khoa học, công nghệ, thương mại và quản lý. Cuộc cách mạng này đang dẫn ngành công nghiệp đến việc ra quyết định dựa trên bằng chứng nhiều hơn với sự trợ giúp của máy tính trên nhiều tầng lớp xã hội. Năm bước ra quyết định dựa trên bằng chứng là:

1. Hỏi: Chuyển một vấn đề thực tế thành một câu hỏi có thể trả lời.

2. Thu thập: Tìm kiếm và truy xuất bằng chứng một cách có hệ thống.

3. Thẩm định: Đánh giá nghiêm túc độ tin cậy của bằng chứng.

4. Áp dụng: Kết hợp bằng chứng vào quá trình ra quyết định.

我们的早期采用者指数考察了美国企业是如何部署人工智能的

各行各业的公司都在使用这项技术

Jun 25th 2023

科技股迎来了丰收年。尽管最近股价有所波动，但以同等权重衡量，“五大科技巨头”（亚马逊、苹果、Meta和微软）的股价自1月份以来已经上涨了60%(见图1)。大型芯片制造商英伟达的股价上涨了两倍，另一家芯片制造商AMD的股价几乎翻了一番。它们的市盈率(衡量市场认为一家公司相对于其利润的价值)是标普500指数中位数公司的10倍。

这种激增的主要原因是人工智能的前景。自去年11月推出人工智能聊天机器人Chatgpt以来，投资者对一波能够创造类似人类内容的新技术越来越兴奋，从诗歌、视频片段到代码行。这种“生成式人工智能”依赖于大型语言模型，这些模型是在互联网的大块数据上“训练”出来的。许多人认为，这项技术可能会重塑整个行业，其对商业和社会的影响不亚于智能手机或云计算。人们认为，能够充分利用这项技术的公司将能够扩大利润空间并获得市场份额。

企业老板们煞费苦心地展示他们是如何利用人工智能的。4月4日，摩根大通的老板杰米•戴蒙表示，该行拥有600名机器学习工程师，并已将人工智能应用于300多种不同的内部应用程序。礼来公司的老板大卫•里克斯表示，这家制药巨头有超过100个使用人工智能的项目正在进行中。最近辞去星巴克老板职务的霍华德·舒尔茨曾表示，他计划投资10亿美元，用人工智能来研究如何制作完美的素食早餐三明治来搭配其公司销售的咖啡。

公司案例研究只揭示了部分情况。为了更广泛地了解哪些公司和行业正在采用人工智能，《经济学人》研究了标普500指数中所有公司的数据。我们考察了五项指标: 提及人工智能的已发布专利所占比例；针对人工智能公司的风险投资活动；收购人工智能公司；招聘信息中提到人工智能；在财报电话会议上也提到了这项技术。因为其他类型的人工智能也可以为商业带来好处，我们的分析捕捉了所有人工智能的活动，而不仅仅是生成式ai。结果表明，除了科技公司，其他公司对人工智能的兴趣也很广泛，而且增长迅速。此外，明显的领先者和落后者已经出现了。

首先是日益增长的兴趣。人工智能的专业知识似乎已经在广泛传播。研究公司PredictLeads表示，在过去三年中，全球约有三分之二的公司发布了提到人工智能技能的招聘广告。在这些公司中，目前有5.3%的空缺职位提到人工智能，高于过去三年平均水平2.5%。在某些行业，这一比例的上升更为显著(见表2)。在零售企业中，这一比例从3%跃升至11%，而在芯片制造商中，这一比例从9%上升至19%。

斯坦福大学的阿米特·塞鲁教授提供的数据显示，2020年至2022年间，人工智能相关专利的数量呈上升趋势。另一家研究公司PitchBook得出结论，到2023年，标普500指数公司约25%的风险交易涉及人工智能初创企业，高于2021年的19%。另一家研究公司GlobalData发现，自2021年以来，约有一半的受调查公司在财报电话会议上谈到了人工智能，今年第一季度，美国公司财报电话会议上提到人工智能的次数比上一季度增加了一倍多。大约一半的公司在2020年至2022年间获得了与该技术相关的专利。

生成式人工智能的使用可能最终会比其他类型的人工智能更加普遍。这是因为它擅长于经营一家公司所必需的许多任务。咨询公司麦肯锡的一份报告认为，生成式人工智能所创造的预期价值的四分之三将来自四种企业职能——研发、软件工程、营销和客户服务。在某种程度上，所有这些业务都是大多数大企业的核心。此外，任何拥有用于指导员工的内部数据库的大公司都可以找到人工智能聊天机器人的用途。摩根士丹利正在开发一款人工智能助手，帮助其财富管理人员从庞大的内部数据库中找到并总结答案。石油服务公司斯伦贝谢，也开发了一个类似的助手来帮助服务工程师。

虽然许多公司都在采用人工智能，但有些公司比其他公司更热情。使用每个指标对所有公司进行排名，然后取平均值，生成一个简单的评分系统。在头部的公司似乎正在赢得投资者的支持。自今年年初以来，排名前100的公司的股价中位数上涨了11%，而排名最低的五分之一公司的股价则丝毫未变。

毫无疑问，排名靠前的都是硅谷公司。从广义上讲，标普500指数包含82家科技公司。其中近50家公司进入了前100名。英伟达是得分最高的公司。根据PredictLeads的数据，在过去的三年里，其三分之一的招聘信息都提到了人工智能。在过去的一年里，该公司在财报电话会议上提到人工智能的次数接近200次，比其他任何公司都多。其他排名靠前的科技公司包括云计算巨头——亚马逊(第34位)、微软(第12位)和Alphabet(第3位)。它们出售一系列人工智能工具的使用权，从帮助训练复杂模型的服务，到让你无需编写大量代码就能使用人工智能的软件。

除了科技公司，有两类公司采用人工智能的速度似乎是最快。一个是数据密集型行业，如保险公司、金融服务公司和医疗保健提供商。在我们的前100名中，它们约占四分之一。数据库公司Databricks的阿里·古德斯指出，这些公司往往拥有大量结构化的数据集，比如贷款账簿或病人档案，这使得人工智能的使用更加容易。摩根大通目前约有十分之一的招聘启事提到了人工智能。该公司最近为“Indexgpt”申请了专利，这是一个注入人工智能的聊天机器人，可以提供投资建议。吉利德科学和莫德纳等医疗保健公司使用人工智能来发现新药。其他公司，如雅培实验室和阿莱技术，则生产人工智能医疗设备。美国食品和药物管理局去年批准了97台这样的机器，高于2017年的26台。

第二类是已经被技术颠覆的行业，包括汽车制造商、电信、媒体和零售业。来自这些行业的13家公司进入了得分最高的100家公司，包括福特、通用和特斯拉。电动汽车的兴起和自动驾驶汽车的前景鼓励汽车制造商投资于技术。今年3月，福特成立了自动驾驶汽车子公司Latitude ai，有朝一日可能与通用的Cruise竞争。今年4月，埃隆•马斯克告诉分析师，特斯拉正在购买专门的人工智能芯片，并“非常专注于”提高他们的人工智能能力，以改善其自动驾驶方面的能力。

零售公司正在利用人工智能来支持他们的核心业务。运动服装巨头耐克于2021年申请了一项可以生成运动鞋三维计算机模型的系统专利。数据库供应商Snowflake的克里斯蒂安·克莱纳曼指出，零售公司也在利用电子商务的增长，收集更多的客户数据。这使得营销活动的目标更加精确。有些公司可能会在个性化方面更进一步。2021年，消费品巨头宝洁公司为一种基于人工智能的系统申请了专利，该系统可以根据照片分析用户的皮肤和头发状况，并推荐治疗它们的产品。

各行业人工智能使用差异可能是所从事工作类型的不同。加州大学的安德里亚·艾斯菲尔德主导的一篇论文研究了企业受人工智能的影响程度。研究人员评估了公司里在进行的有哪些任务，以及Chatgpt完成这些任务的能力。受影响最大的是科技公司，主要是因为人工智能聊天机器人擅长编码。受影响最小的行业往往依赖体力劳动，如农业和建筑业。

行业内也有明显的领先者和落后者。标普500指数中约有70家公司在我们的任何指标上都没有显示出关注人工智能的迹象。其中包括保险公司和医疗保健公司等重人工智能的行业。行业内部的一个区别因素可能是投资。在我们排名前100位的公司中，研发支出占收入的比例中位数为11%。而排名最低的100名则为零。

咨询公司BCG的弗拉德•卢基奇指出，公司内部甚至存在很多差异。他回忆起曾访问过同一家中型跨国公司的两个部门。其中一个没有使用人工智能的经验。另一个则很先进；它已经使用Openai技术的试点版本两年了。

许多非科技公司对人工智能的使用正变得越来越复杂。塞鲁的数据显示，大约有80家非科技公司拥有与人工智能相关的专利，这些专利被另一项专利引用，这表明它们具有一定的技术价值。标普500指数中约有45家非科技公司最近发布了提到模型训练的招聘广告，其中包括波音、联合健康和道富银行。这表明他们可能正在构建自己的模型，而不是使用Openai等公司现成的技术。这种方法的优势在于，它可以产生更精确的人工智能，从而比竞争对手拥有更大的优势。

然而，向内部训练的转变也暗示了一个风险：安全。今年5月，三星发现员工将敏感代码上传到Chatgpt。令人担忧的是，这些信息可能存储在运行这些模型的公司的外部服务器上，比如微软和Alphabet。据报道，现在三星正在训练自己的模型。它还加入了禁止或限制使用Chatgpt的公司名单，如苹果和摩根大通。

其他风险比比皆是。包括Openai在内的模型制造商因使用互联网数据训练模型而被起诉违反版权法。一些大公司认为，如果他们使用Openai的技术，他们可能会承担责任。此外，模型容易编造信息。在一次事件中，一位纽约律师使用Chatgpt撰写了一份动议。聊天机器人包含了虚构的案例，律师被法院罚款。

但所有这些都必须与潜在的巨大好处进行权衡。技术的浪潮常常使工业发生翻天覆地的变化。随着生成式人工智能向经济领域扩散，不难想象它也会做同样的事情。卢基奇表示，企业面临的最大风险可能是“落后”。从美国公司对“全人工智能”的争夺来看，许多老板和投资者都会同意这一点。■

Our early-adopters index examines how corporate America is deploying AI

Companies of all stripes are using the technology

The Economist. Jun 25th 2023.

Technology stocks are having a bumper year. Despite a recent wobble, the share price of the Big Five—Alphabet, Amazon, Apple, Meta and Microsoft—has jumped by 60% since January, when measured in an equally weighted basket. The price of shares in one big chipmaker, Nvidia, has tripled and in another, amd, almost doubled. Their price-to-earnings ratios (which measures how much the markets think a company is worth relative to its profits) are ten times that of the median firm in the s&p 500.

The main reason for the surge is the promise of artificial intelligence (AI). Since the launch in November of Chatgpt, an ai-powered chatbot, investors have grown ever more excited about a new wave of technology that can create human-like content, from poems and video footage to lines of code. This “generative ai” relies on large-language models which are “trained” on big chunks of the internet. Many think the technology could reshape whole industries and have as much impact on business and society as smartphones or cloud computing. Firms that can make the best use of the technology, the thinking goes, will be able to expand profit margins and gain market share.

Corporate bosses are at pains to demonstrate how they are adopting ai. On April 4th Jamie Dimon, JPMorgan Chase’s boss, said his bank had 600 machine-learning engineers and had put ai to work on more than 300 different internal applications. David Ricks, the boss of Eli Lilly, has said that the pharmaceutical giant has more than 100 projects on the go using ai. Howard Schultz, who recently stood down as boss of Starbucks, had said he planned to invest $1bn to use ai to figure out how to make the perfect vegan breakfast sandwich to accompany the coffee the firm sells.

Company case studies reveal only part of the picture. To get a broader sense of which companies and industries are adopting ai The Economist examined data on all the firms in the S&P 500. We looked at five measures: the share of issued patents that mention ai; venture-capital (vc) activity targeting ai firms; acquisitions of ai firms; job listings citing ai; and mentions of the technology on earnings calls. Because other types of ai could bring benefits for business, our analysis captures activity for all ai, not just the generative wave. The results show that even beyond tech firms the interest in ai is widespread and growing fast. Moreover, clear leaders and laggards are already emerging.

Start with the growing interest. ai expertise already seems to be spreading widely. About two-thirds of the firms in our universe have placed a job ad mentioning ai skills in the past three years says PredictLeads, a research firm. Of those that did, today 5.3% of their listed vacancies mention ai, up from a three-year average of 2.5%. In some industries the rise is more dramatic. In retail firms that share has jumped from 3% to 11%, while among chipmakers that proportion grew from 9% to 19%.

The number of AI-related patents trended up between 2020 and 2022, based on data provided by Amit Seru of Stanford University. PitchBook, another research firm, concludes that in 2023 some 25% of venture deals by S&P 500 firms involved ai startups, up from 19% in 2021. GlobalData, also a research firm, finds that about half the firms scrutinised have talked about ai in their earnings calls since 2021 and that in the first quarter of this year the number of times ai was mentioned in the earnings calls of America Inc more than doubled compared with the previous quarter. Roughly half been granted a patent relating to the technology between 2020 and 2022.

The use of generative ai may eventually become even more common that other sorts of AI. That is because it is good at lots of tasks essential to running a firm.