Generative AI (GenAI) hiện đang là một xu hướng nổi bật, mang đến nhiều cơ hội phát triển mới đồng thời đặt ra không ít thách thức cho doanh nghiệp. Để khai thác hiệu quả tiềm năng của công nghệ này, việc nắm bắt các thuật ngữ Generative AI chuyên môn là điều không thể thiếu. Bài viết này sẽ giới thiệu 40 thuật ngữ quan trọng về Generative AI, giúp bạn không chỉ hiểu rõ bản chất mà còn áp dụng kiến thức vào thực tiễn một cách hiệu quả.
1. AI tạo sinh (GenAI)
Thuật ngữ Generative AI là trí tuệ nhân tạo được thiết kế để tạo ra dữ liệu mới, thường ứng dụng trong các lĩnh vực như viết nội dung hoặc sáng tạo hình ảnh. Ví dụ các công cụ GenAI như SlimAI, Gemini,...
2. AI phân biệt (Discriminative AI)
AI phân biệt (Discriminative AI) là hệ thống AI tập trung vào việc phân loại và xác định dữ liệu đầu vào, giúp phân biệt giữa các nhóm khác nhau.
3. AGI (Artificial General Intelligence)
Trí tuệ nhân tạo tổng quát (AGI) là một loại AI được kỳ vọng có khả năng học tập và xử lý nhiều nhiệm vụ khác nhau giống như con người.
4. ASI (Artificial Super Intelligence)
Trí tuệ nhân tạo siêu việt (ASI) là khái niệm lý thuyết về AI với trí thông minh vượt xa khả năng của con người.
5. ANI (Artificial Narrow Intelligence)
Trí tuệ nhân tạo hẹp (ANI) là loại AI chuyên thực hiện một số nhiệm vụ cụ thể, không có khả năng xử lý đa dạng như trí tuệ con người.
6. Mô hình ngôn ngữ lớn nền tảng (Foundation LLM)
Mô hình ngôn ngữ lớn nền tảng (Foundation LLM) là công nghệ AI được phát triển để tạo và hiểu văn bản tự nhiên trong nhiều ngữ cảnh khác nhau.
7. Tự giám sát (Self-Supervision)
Tự giám sát (Self-Supervision) là một phương pháp đào tạo mà AI tự học từ dữ liệu không gán nhãn bằng cách dự đoán các phần thiếu.
8. Thích ứng miền (Domain Adaptation)
Thích ứng miền (Domain Adaptation) là điều chỉnh mô hình AI để nó hoạt động hiệu quả trong môi trường dữ liệu mới liên quan.
9. Độ dài ngữ cảnh (Context Length)
Độ dài ngữ cảnh (Context Length) là giới hạn về số lượng từ hoặc ký hiệu mà mô hình có thể xử lý để tạo đầu ra.
10. Học không mẫu (Zero Shot Learning)
Học không mẫu (Zero Shot Learning) là khả năng AI thực hiện nhiệm vụ chỉ dựa trên hướng dẫn, không cần ví dụ thực tế.
11. Học ít mẫu (Few Shot Learning)
Học ít mẫu (Few Shot Learning) là mô hình được cung cấp một số ít ví dụ để thực hiện nhiệm vụ cụ thể, dựa vào khả năng học từ dữ liệu giới hạn.
12. Transformer
Transformer là một kiến trúc AI nổi bật trong xử lý ngôn ngữ tự nhiên, sử dụng cơ chế chú ý để phân tích và xử lý thông tin song song hiệu quả.
13. Cơ chế chú ý (Attention)
Cơ chế chú ý (Attention) là phương pháp tập trung vào các phần quan trọng của dữ liệu đầu vào, giúp cải thiện hiệu suất của mạng nơ-ron.
14. Trọng số (Weights)
Trọng số (Weights) là các tham số điều chỉnh của mô hình, ảnh hưởng đến cách xử lý dữ liệu và sinh đầu ra.
15. MM-LLM
MM-LLM là mô hình ngôn ngữ đa phương thức, tích hợp khả năng phân tích và tạo nội dung văn bản, hình ảnh và âm thanh.
16. Mô hình khuếch tán (Diffusion Models)
Mô hình khuếch tán (Diffusion Models) tạo dữ liệu bằng cách dần giảm nhiễu từ tín hiệu, thường được dùng trong sáng tạo hình ảnh.
17. RAG (Retrieval-Augmented Generation)
Tạo sinh tăng cường truy xuất (RAG) kết hợp thông tin từ cơ sở dữ liệu để tăng độ chính xác và tính thực tế của đầu ra.
18. Phân mảnh (Tokenization)
Phân mảnh (Tokenization) là việc chuyển văn bản thành các đơn vị nhỏ hơn (token), chuẩn bị dữ liệu đầu vào cho mô hình ngôn ngữ.
19. Cơ sở kiến thức (Knowledge Base)
Cơ sở kiến thức (Knowledge Base) là một tập hợp dữ liệu có tổ chức được dùng làm nguồn thông tin trong truy xuất tăng cường.
20. Dữ liệu có cấu trúc (Structured Data)
Dữ liệu có cấu trúc (Structured Data) là dữ liệu được tổ chức rõ ràng theo định dạng cố định, như bảng biểu hoặc cơ sở dữ liệu.
21. Dữ liệu phi cấu trúc (Unstructured Data)
Dữ liệu phi cấu trúc (Unstructured Data) là loại dữ liệu không tuân theo định dạng cụ thể, chẳng hạn như văn bản tự nhiên, hình ảnh, hoặc video, thường đòi hỏi các công cụ đặc biệt để xử lý và phân tích.
22. Cơ sở dữ liệu vector (Vector DB)
Cơ sở dữ liệu vector (Vector DB) là hệ thống lưu trữ và truy vấn dữ liệu dựa trên các biểu diễn vector, hỗ trợ tìm kiếm thông tin nhanh và chính xác hơn.
23. Nhúng (Embeddings)
Nhúng (Embeddings) là biểu diễn số của dữ liệu, thường dưới dạng vector, giúp mô hình hiểu và xử lý đặc trưng của dữ liệu.
24. Tìm kiếm vector (Vector Search)
Tìm kiếm vector (Vector Search) là phương pháp truy vấn thông tin dựa trên sự tương đồng giữa các vector, phù hợp với các truy vấn ngữ nghĩa.
25. Prompting
Gợi ý (Prompting) là kỹ thuật cung cấp dữ liệu đầu vào được thiết kế kỹ lưỡng để hướng dẫn mô hình tạo ra kết quả phù hợp.
Xem thêm: AI Prompt Engineer là gì? Các công việc AI Prompt Engineer
26. Gợi ý người dùng (User Prompt)
Gợi ý người dùng (User Prompt) là câu hỏi hoặc yêu cầu mà người dùng đưa ra để tương tác với mô hình AI, nhằm chỉ định rõ nhiệm vụ hoặc thông tin cần thiết.
27. System Prompt
Gợi ý hệ thống (System Prompt) là đầu vào ban đầu do hệ thống cung cấp để hướng dẫn mô hình, xác định mục đích hoặc cách thức xử lý, thường cố định trong suốt quá trình sử dụng.
28. Meta Prompting
Gợi ý meta (Meta Prompting) là yêu cầu mô hình tự tạo ra các gợi ý để tối ưu hóa quá trình giải quyết nhiệm vụ cụ thể.
29. Học trong ngữ cảnh (In-Context Learning)
Học trong ngữ cảnh (In-Context Learning) là phương pháp học mà trong đó các ví dụ được tích hợp vào đầu vào của mô hình, giúp mô hình thực hiện các nhiệm vụ mới mà không cần huấn luyện lại.
30. Chuỗi hóa (Chaining)
Chuỗi hóa (Chaining) là kỹ thuật kết nối nhiều yêu cầu hoặc nhiệm vụ theo chuỗi, trong đó kết quả từ bước trước là đầu vào cho bước tiếp theo.
31. Tinh chỉnh (Fine-Tuning)
Tinh chỉnh (Fine-Tuning) là quá trình điều chỉnh mô hình ngôn ngữ để thực hiện một tác vụ cụ thể bằng cách tiếp tục huấn luyện trên tập dữ liệu chuyên biệt cho nhiệm vụ đó.
32. PEFT (Parameter-Efficient Fine-Tuning)
Tinh chỉnh hiệu quả tham số (PEFT) là phương pháp chỉ thay đổi một phần tham số của mô hình thay vì toàn bộ, giúp tiết kiệm tài nguyên và chi phí.
33. Chưng cất (Distillation)
Chưng cất (Distillation) là kỹ thuật huấn luyện một mô hình nhỏ hơn để nó có thể bắt chước hành vi của mô hình lớn hơn và phức tạp hơn.
34. Lượng tử hóa (Quantization)
Lượng tử hóa (Quantization) là quá trình giảm độ chính xác của các tham số mô hình để giảm bớt yêu cầu tài nguyên tính toán mà không ảnh hưởng quá nhiều đến kết quả.
35. GGUF
GGUF là định dạng lưu trữ nhị phân giúp tải và lưu mô hình nhanh chóng, dễ dàng thao tác.
36. Học tăng cường (Reinforcement Learning)
Học tăng cường (Reinforcement Learning) là một phương pháp học máy mà trong đó mô hình được huấn luyện qua thử nghiệm, nhận thưởng hoặc bị phạt dựa trên hành động của nó.
37. RLHF (Reinforcement Learning from Human Feedback)
Học tăng cường từ phản hồi con người (RLHF) là phiên bản đặc biệt của học tăng cường, trong đó phản hồi của con người được sử dụng để xác định phần thưởng hoặc hình phạt.
38. Tấn công đối kháng (Adversarial Attacks)
Tấn công đối kháng (Adversarial Attacks) là chiến lược cố ý làm sai lệch đầu ra của mô hình thông qua việc cung cấp các dữ liệu đầu vào có chủ đích nhằm gây nhầm lẫn.
39. MoE (Mixture of Experts)
Hỗn hợp chuyên gia (MoE) là kiến trúc mô hình kết hợp nhiều chuyên gia để cải thiện hiệu suất thông qua việc khai thác điểm mạnh của từng chuyên gia.
40. Hallucination
Ảo giác (Hallucination) là hiện tượng khi mô hình AI tạo ra thông tin không chính xác hoặc hoàn toàn không tồn tại, gây ra sự sai lệch trong kết quả.
Xem thêm: Cách giảm thiểu ảo giác trong AI
Việc nắm vững và hiểu rõ 40 thuật ngữ Generative AI không chỉ giúp bạn mở rộng kiến thức về công nghệ tiên tiến này mà còn giúp bạn trở thành người đi đầu trong xu hướng phát triển công nghệ hiện tại. Điều này sẽ hỗ trợ bạn áp dụng tốt hơn trong công việc và đạt được những thành công lớn. SlimCRM mong bạn sẽ thành công trong những thử thách sắp tới!
Tham khảo: Aishwarya Naresh Reganti
