Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

AI overview (Tổng quan về trí tuệ nhân tạo)

1,007 views

Published on

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

Published in: Technology
  • Be the first to comment

AI overview (Tổng quan về trí tuệ nhân tạo)

  1. 1. AI Seminar Asilla Viet Nam Hai Nguyen hai@asilla.net www.asilla.net Ha Noi, 2017/04
  2. 2. Profile 2 Nguyễn Thanh Hải CEO @AsillaVN - BrSE, PM tại 1 số công ty Nhật Bản - Hơn 2 năm kinh nghiệm làm về Big Data, ML Phạm Thế Hưng Technical Leader @AsillaVN - Software developer - Technical leader - Hơn 2 năm kinh nghiệm làm về Big Data, ML
  3. 3. Về Asilla 1) a 3 ● Thành lập năm 2015 ● Số lượng thành viên: VN 8, JP 6
  4. 4. 本資料は株式会社アジラの許可無く対外的に参照・配布しないようお願い申し上げます。 アジラとは? アジアのゴジラ Asia’s Godzilla
  5. 5. Thực hiện các dự án về AI (JP market offshore) 5
  6. 6. al+ @VietNam 6
  7. 7. Các self services của Asilla về AI 7 1) Nhận diện xe ô tô ・Cloud parking ・Shop parking ・Logistic, vehicle management ・CRM linkage, etc. ・Web media ・Printing Dùng AI để kiểm tra các ảnh được upload Đánh giá dựa trên độ nhạy cảm của ảnh 2) Content monitoring https://maria.asilla.net
  8. 8. Các self services của Asilla về AI 8 3) Nhận diện hành động ・Y tế & điều dưỡng ・Chăm sóc người già, trẻ em ・Security ・etc
  9. 9. Hackathon & EXPO 9 23/6 ~ 25/6 Global AI Hackathon (hơn 1000 người tham dự) 27/6 ~ 30/6 1st AI EXPO @Tokyo Try our best!!!
  10. 10. Nội dung seminar 10 Basic course: ● Day 1: Overview about AI & data science ● Day 2: Linear algebra review & Linear regression ● Day 3: Classification algorithm ● Day 4: Practice about Linear regression or Classification Advanced course: ● Day 5: Tips & tricks about ML in real projects ● Day 6: Introduce about deep learning (CNN) & image processing ● Day 7: Introduce about RNN ● Day 8: Pratice about CNN
  11. 11. Thời gian thực hiện ● 8 buổi, 12/4 ~ 31/5 ● Thứ 4 hàng tuần 17:00 ~ 18:30 ● Trình bày 60 phút ● Q&A 30 phút 11
  12. 12. Mục tiêu ● Có cái nhìn tổng quan về AI, ML, Data Science ● Có thể thực hiện một số bài toán về AI ● Có thể tự nghiên cứu và tìm hiểu các thuật toán ML khác 12
  13. 13. Day 1: Overview about AI & Data Science
  14. 14. Lịch sử 14 Làm cho máy tính có được trí thông minh
  15. 15. Một số bài toán điển hình 15 Nhận dạng chữ viết tay Nhận dạng khuôn mặt Nhận dạng tiếng nói
  16. 16. Một số bài toán điển hình 16 Xử lý ngôn ngữ tự nhiên Chatbot Dịch tự động
  17. 17. Một số bài toán điển hình 17 Robotics Computer vision Game Ô tô tự hành
  18. 18. Quan điểm về AI 18
  19. 19. 19 AlphaGo vs Lee Sedol March 2016
  20. 20. 20 ROAD TO HAPPINESS IS STILL FAR
  21. 21. Machine Learning (ML) 21 ● Là một trong những phương tiện để thực hiện mục tiêu của AI ● Tự học hỏi dựa trên dữ liệu đưa vào mà không cần phải lập trình cụ thể ● Những năm gần đây đã đạt được những bước tiến lớn, tuy nhiên còn khá xa với mục tiêu cuối cùng ● ML hiện tại tập trung vào mục tiêu ngắn hạn: ○ Nhận thức cơ bản của con người: nghe, nhìn, hiểu ngôn ngữ, giải toán, lập trình, … ○ Hỗ trợ con người trong việc xử lý khối lượng thông tin khổng lồ (Big Data) Làm thế nào có được trí thông minh?
  22. 22. Tại sao cần Machine Learning? ● Không thể lập trình tất cả mọi thứ ● Một số xử lý là rất khó thực hiện theo một logic cụ thể Ví dụ: thế nào là hình ảnh khuôn mặt người? 22 Rule - based Non Rule - based
  23. 23. Phân nhóm các thuật toán ML ● Học có giám sát (Supervised learning) ○ Có “tri thức” về đầu ra, do đã được “chỉ bảo” bởi “thầy giáo” ○ Dự đoán đầu ra dựa trên “tri thức” đã học ● Học không giám sát (Unsupervised learning) ○ Không có “tri thức” về đầu ra => “Tự học” ● Học bán giám sát (Semi-Supervised learning) ● Học củng cố (Reinforcement learning) 23
  24. 24. Ví dụ về Học có giám sát 24 Bài toán: phân chia đống hoa quả thành 4 giỏ: chuối, táo, cam, other
  25. 25. Ví dụ về Học không có giám sát 25 Bài toán: phân chia đống hoa quả thành 4 giỏ
  26. 26. Supervised learning workflow 26
  27. 27. Các thuật toán trong ML 27
  28. 28. Data science ● Khai phá tri thức từ dữ liệu ● Cần nhiều kinh nghiệm & kiến thức tổng hợp 28
  29. 29. Big Data 29
  30. 30. Xử lý dữ liệu lớn 30
  31. 31. Developer nên bắt đầu từ đâu? 31
  32. 32. 1 + 1 ≈ 2 32 1 + 1 = 2 Thay đổi tư duy
  33. 33. 33
  34. 34. AI Developer 34 Dom ain expertise Hacking skills M ath & Statistics Machine Learning Research Danger zone AI
  35. 35. Các bước thực hiện 1 dự án AI (tại Asilla) 35 Research & model design Collect data Annotation (labeling) Training Evaluation Integration Improvement Thuê ngoài Auto tool & thuê ngoài
  36. 36. Một số trở ngại 36 Công sức xây dựng data Chi phí hạ tầng GPU
  37. 37. Độ chính xác & Sản phẩm hoá 37 0% 70% 90% 99%
  38. 38. Q&A 38
  39. 39. Chuẩn bị cho các buổi tiếp theo 39

×