Agent.ai.vn

Tác phẩm robot bán đấu giá 1 triệu USD, vượt kỳ vọng

<h2>Tác phẩm nghệ thuật của robot hình người được bán với giá 1 triệu USD tại buổi đấu giá, vượt xa kỳ vọng</h2>
<h3>Mục lục</h3>
<ol>
<li>Giới thiệu</li>
<li>Bối cảnh</li>
<li>Kết quả đấu giá</li>
<li>Ý nghĩa</li>
<li>Kết luận</li>
</ol>
<h3>Giới thiệu</h3>
Một tác phẩm nghệ thuật được tạo ra bởi một robot hình người đã được bán với giá 1 triệu USD tại một buổi đấu giá, vượt xa kỳ vọng ban đầu. Sự kiện này đã thu hút sự chú ý của giới nghệ thuật và công nghệ, đánh dấu một bước tiến mới trong mối quan hệ giữa con người và trí tuệ nhân tạo.
<h3>Bối cảnh</h3>
Tác phẩm nghệ thuật này là một bức tranh được tạo ra bởi robot hình người Ai-Da, được phát triển bởi một nhóm các nhà nghiên cứu tại Đại học Oxford. Ai-Da được trang bị các công nghệ tiên tiến như thị giác máy tính, xử lý ngôn ngữ tự nhiên và học máy để tạo ra các tác phẩm nghệ thuật độc đáo.
<h3>Kết quả đấu giá</h3>
Bức tranh của Ai-Da đã được bán với giá 1 triệu USD tại một buổi đấu giá được tổ chức bởi một nhà đấu giá danh tiếng tại London. Giá khởi điểm của bức tranh chỉ là 500.000 USD, nhưng mức giá đã nhanh chóng tăng lên gấp đôi khi nhiều người đấu giá tham gia tranh giành tác phẩm này. 
<h3>Ý nghĩa</h3>
Sự kiện này đánh dấu một bước tiến mới trong lĩnh vực nghệ thuật và công nghệ. Nó chứng tỏ khả năng của trí tuệ nhân tạo trong việc tạo ra các tác phẩm nghệ thuật có giá trị và được công nhận bởi giới chuyên môn. 
Ngoài ra, việc tác phẩm được bán với giá cao hơn nhiều so với kỳ vọng ban đầu cho thấy sự quan tâm ngày càng tăng của thị trường đối với nghệ thuật do AI tạo ra. Điều này cho thấy một xu hướng mới trong thị trường nghệ thuật, nơi AI có thể đóng vai trò quan trọng trong tương lai.
<h3>Kết luận</h3>
Buổi đấu giá thành công của tác phẩm nghệ thuật do robot hình người Ai-Da tạo ra là một sự kiện đáng chú ý, đánh dấu một bước tiến mới trong mối quan hệ giữa con người và trí tuệ nhân tạo. Nó cho thấy khả năng của AI trong việc tạo ra nghệ thuật và khả năng tiếp cận thị trường nghệ thuật truyền thống. Điều này đặt ra nhiều câu hỏi về vai trò của AI trong tương lai của nghệ thuật và cách chúng ta định nghĩa nghệ thuật trong thời đại kỹ thuật số.

Tác phẩm robot bán đấu giá 1 triệu USD, vượt kỳ vọng

Tác phẩm nghệ thuật của robot hình người được bán với giá 1 triệu USD tại buổi đấu giá, vượt xa kỳ vọng Mục lục Giới thiệu Bối cảnh Kết...

tháng 11 10, 2024

Gemini AI: Dễ dàng Tiếp cận và Tích hợp qua Thư viện OpenAI

<h2>Gemini AI: Dễ dàng tiếp cận và tích hợp thông qua OpenAI Library</h2>
Mục lục:
<ol>
<li>Gemini: Mẫu AI mới của Google</li>
<li>Gemini trong OpenAI Library: Tiếp cận dễ dàng</li>
<li>Con đường di chuyển đơn giản cho các nhà phát triển</li>
<li>Khả năng nâng cao và tính năng nổi bật</li>
<li>Kết luận</li>
</ol>
1. Gemini: Mẫu AI mới của Google
Google đã giới thiệu Gemini, một mẫu AI mới hứa hẹn mang lại sự dễ dàng tiếp cận và thân thiện với nhà phát triển. Gemini được thiết kế để cạnh tranh với các mô hình như GPT-4 của OpenAI, và đã được Google đưa ra những nỗ lực để dễ dàng tiếp cận và tích hợp vào nhiều ứng dụng khác nhau. Nếu bạn là một nhà phát triển đang tìm kiếm các giải pháp thay thế mạnh mẽ hoặc các công cụ bổ sung cho OpenAI, đây là lý do tại sao Gemini có thể là lựa chọn phù hợp.
2. Gemini trong OpenAI Library: Tiếp cận dễ dàng
Gemini của Google hiện đã có sẵn thông qua thư viện OpenAI, mang đến trải nghiệm liền mạch cho các nhà phát triển đã quen thuộc với các công cụ của OpenAI. Tích hợp này cho phép các nhà phát triển sử dụng trực tiếp Gemini cùng với các mô hình AI khác trong quy trình làm việc hiện tại của họ. Bước đi của Google hướng tới việc tích hợp Gemini vào các hệ sinh thái phổ biến giúp giảm bớt ma sát thường đi kèm với việc áp dụng các công nghệ AI mới.
3. Con đường di chuyển đơn giản cho các nhà phát triển
Việc chuyển đổi sang một nền tảng AI mới có thể rất khó khăn, đặc biệt là khi các nhà phát triển đã đầu tư một lượng thời gian đáng kể để tích hợp các mô hình hiện có. Google nhận thức được thách thức này và đã cung cấp hỗ trợ toàn diện cho những người muốn chuyển sang Gemini. Các công cụ di chuyển và tài liệu chi tiết được giới thiệu gần đây nhằm mục đích tạo điều kiện thuận lợi cho việc chuyển đổi này. Các nhà phát triển quen thuộc với API của OpenAI có thể dễ dàng chuyển đổi mã của họ, nhờ sự tương đồng về cú pháp và hướng dẫn mẫu.
4. Khả năng nâng cao và tính năng nổi bật
Khả năng tương thích của Gemini với các giao diện mô hình OpenAI hiện có là một điểm nổi bật chính. Google cũng tập trung vào việc cung cấp hiệu suất phù hợp hoặc vượt quá độ tin cậy và tốc độ của các mô hình cạnh tranh, khiến nó trở thành một giải pháp thay thế hoặc bổ sung phù hợp cho các nhà phát triển quan tâm đến việc mở rộng khả năng AI của họ. Các công cụ hỗ trợ di chuyển bao gồm các ví dụ giúp điều chỉnh các lời nhắc, tinh chỉnh các quy trình tinh chỉnh và điều chỉnh các chi tiết thực hiện - tất cả đều nhằm tạo điều kiện thuận lợi cho một trải nghiệm suôn sẻ.
Một trong những tính năng nổi bật của Gemini là tập trung vào việc cải thiện khả năng hiểu ngữ cảnh, được thiết kế để hỗ trợ các nhiệm vụ tinh vi và phức tạp hơn. Google nhắm mục tiêu giải quyết một số hạn chế hiện tại được quan sát thấy trong các mô hình AI truyền thống, chẳng hạn như duy trì tính mạch lạc trong các tương tác kéo dài hoặc hiểu thuật ngữ chuyên ngành. Việc đào tạo của Gemini đã được hưởng lợi từ nguồn dữ liệu phong phú của Google, đảm bảo hiệu suất mạnh mẽ trên nhiều trường hợp sử dụng khác nhau.
5. Kết luận
Sự ra mắt của Gemini trên OpenAI Library là một bước tiến quan trọng cho các nhà phát triển. Nó tạo ra sự thuận tiện và dễ dàng hơn trong việc tiếp cận, sử dụng và tích hợp công nghệ AI tiên tiến vào các dự án của họ. Với sự hỗ trợ và tài liệu đầy đủ, việc chuyển đổi từ các mô hình AI khác sang Gemini trở nên suôn sẻ hơn. Gemini hứa hẹn mang đến những khả năng mới, cải thiện hiệu suất và giải quyết các vấn đề hiện tại của các mô hình AI truyền thống.

Gemini AI: Dễ dàng Tiếp cận và Tích hợp qua Thư viện OpenAI

Gemini AI: Dễ dàng tiếp cận và tích hợp thông qua OpenAI Library Mục lục: Gemini: Mẫu AI mới của Google Gemini trong OpenAI Library: Tiế...

tháng 11 10, 2024

Mô hình ngôn ngữ nhỏ: Giải pháp hiệu quả cho xử lý thời gian thực và nhiệm vụ chuyên biệt

<h2>Mô hình ngôn ngữ nhỏ: Giải pháp hiệu quả cho xử lý thời gian thực và nhiệm vụ chuyên biệt</h2>
<h3>Mục lục</h3>
<ol>
<li>Giới thiệu</li>
<li>Thách thức của mô hình ngôn ngữ lớn (LLM)</li>
<li>Mô hình ngôn ngữ nhỏ (SLM): Một giải pháp thay thế hiệu quả</li>
<li>Khung nghiên cứu SLM</li>
<li>Phương pháp kỹ thuật</li>
<li>Kết quả thực nghiệm</li>
<li>Điểm chính</li>
<li>Kết luận</li>
<li>Thông tin tác giả</li>
</ol>
<h3>1. Giới thiệu</h3>
Công nghệ trí tuệ nhân tạo (AI) đã đạt được những tiến bộ đáng kể trong việc phát triển các mô hình ngôn ngữ lớn (LLM), nổi bật trong các nhiệm vụ phức tạp như tạo văn bản, tóm tắt và AI đàm thoại. Các mô hình như LaPM 540B và Llama-3.1 405B thể hiện khả năng xử lý ngôn ngữ tiên tiến, nhưng nhu cầu tính toán cao của chúng hạn chế khả năng ứng dụng trong môi trường thực tế hạn chế tài nguyên. Những LLM này thường được lưu trữ trên đám mây, yêu cầu bộ nhớ GPU và phần cứng khổng lồ, dẫn đến lo ngại về quyền riêng tư và cản trở việc triển khai trực tiếp trên thiết bị. Ngược lại, mô hình ngôn ngữ nhỏ (SLM) đang được khám phá như một lựa chọn thay thế hiệu quả và thích nghi, có khả năng thực hiện các nhiệm vụ chuyên biệt với yêu cầu tính toán thấp hơn.
<h3>2. Thách thức của mô hình ngôn ngữ lớn (LLM)</h3>
Thách thức chính với LLM, được giải quyết bởi SLM, là chi phí tính toán và độ trễ cao, đặc biệt là đối với các ứng dụng chuyên biệt. Ví dụ, các mô hình như Llama-3.1, chứa 405 tỷ tham số, yêu cầu hơn 200 GB bộ nhớ GPU, khiến chúng không thực tế để triển khai trên các thiết bị di động hoặc hệ thống edge. Trong các kịch bản thời gian thực, những mô hình này gặp phải độ trễ cao; việc xử lý 100 token trên bộ xử lý di động Snapdragon 685 với mô hình Llama-2 7B, chẳng hạn, có thể mất tới 80 giây. Sự chậm trễ như vậy cản trở các ứng dụng thời gian thực, khiến chúng không phù hợp cho các cài đặt như chăm sóc sức khỏe, tài chính và hệ thống trợ lý cá nhân, đòi hỏi phản hồi tức thời. Chi phí hoạt động liên quan đến LLM cũng hạn chế việc sử dụng của chúng, vì việc tinh chỉnh chúng cho các lĩnh vực chuyên biệt như chăm sóc sức khỏe hoặc pháp luật yêu cầu tài nguyên đáng kể, hạn chế khả năng tiếp cận đối với các tổ chức không có ngân sách tính toán lớn.
<h3>3. Mô hình ngôn ngữ nhỏ (SLM): Một giải pháp thay thế hiệu quả</h3>
Hiện tại, có nhiều phương pháp giải quyết những hạn chế này, bao gồm API dựa trên đám mây, xử lý dữ liệu theo batch và cắt tỉa mô hình. Tuy nhiên, những giải pháp này thường không đủ, vì chúng phải hoàn toàn khắc phục các vấn đề về độ trễ cao, sự phụ thuộc vào cơ sở hạ tầng rộng lớn và lo ngại về quyền riêng tư. Các kỹ thuật như cắt tỉa và lượng tử hóa có thể giảm kích thước mô hình nhưng thường làm giảm độ chính xác, điều này gây bất lợi cho các ứng dụng có nguy cơ cao. Việc thiếu các giải pháp có thể mở rộng, chi phí thấp để tinh chỉnh LLM cho các lĩnh vực cụ thể càng nhấn mạnh nhu cầu về một phương pháp tiếp cận thay thế để mang lại hiệu suất mục tiêu mà không có chi phí quá cao.
<h3>4. Khung nghiên cứu SLM</h3>
Các nhà nghiên cứu từ Đại học Bang Pennsylvania, Đại học Pennsylvania, UTHealth Houston, Amazon và Viện Công nghệ Rensselaer đã tiến hành một cuộc khảo sát toàn diện về SLM và xem xét một khung hệ thống để phát triển SLM cân bằng hiệu quả với khả năng giống LLM. Nghiên cứu này tổng hợp những tiến bộ trong việc tinh chỉnh, chia sẻ tham số và chưng cất kiến thức để tạo ra các mô hình phù hợp cho các trường hợp sử dụng hiệu quả và chuyên biệt. Kiến trúc nhỏ gọn và kỹ thuật xử lý dữ liệu tiên tiến cho phép SLM hoạt động trong môi trường năng lượng thấp, khiến chúng có thể truy cập được cho các ứng dụng thời gian thực trên các thiết bị edge. Sự hợp tác giữa các tổ chức góp phần xác định và phân loại SLM, đảm bảo phân loại hỗ trợ triển khai trong các cài đặt bộ nhớ thấp, hạn chế tài nguyên.
<h3>5. Phương pháp kỹ thuật</h3>
Các phương pháp kỹ thuật được đề xuất trong nghiên cứu này đóng vai trò quan trọng trong việc tối ưu hóa hiệu suất SLM. Ví dụ, cuộc khảo sát nêu bật sự chú ý truy vấn được nhóm (GQA), sự chú ý tiềm ẩn đa đầu (MLA) và Flash Attention là những sửa đổi hiệu quả về bộ nhớ cần thiết để hợp lý hóa các cơ chế chú ý. Những cải tiến này cho phép SLM duy trì hiệu suất cao mà không cần bộ nhớ lớn điển hình của LLM. Ngoài ra, các kỹ thuật chia sẻ tham số và thích nghi bậc thấp đảm bảo rằng SLM có thể quản lý các nhiệm vụ phức tạp trong các lĩnh vực chuyên biệt như chăm sóc sức khỏe, tài chính và hỗ trợ khách hàng, nơi phản hồi tức thời và quyền riêng tư dữ liệu là rất quan trọng. Trọng tâm của khung đối với chất lượng dữ liệu cũng nâng cao hiệu suất mô hình hơn nữa, kết hợp lọc, loại bỏ trùng lặp và cấu trúc dữ liệu được tối ưu hóa để cải thiện độ chính xác và tốc độ trong các ngữ cảnh chuyên biệt.
<h3>6. Kết quả thực nghiệm</h3>
Kết quả thực nghiệm nhấn mạnh tiềm năng hiệu suất của SLM, vì chúng có thể đạt được hiệu quả gần với LLM trong các ứng dụng cụ thể với độ trễ và sử dụng bộ nhớ giảm. Trong các điểm chuẩn trên các ứng dụng chăm sóc sức khỏe, tài chính và trợ lý cá nhân, SLM cho thấy giảm độ trễ đáng kể và tăng cường quyền riêng tư dữ liệu do xử lý cục bộ. Ví dụ, cải thiện độ trễ trong chăm sóc sức khỏe và xử lý dữ liệu cục bộ an toàn cung cấp một giải pháp hiệu quả cho việc xử lý dữ liệu trên thiết bị và bảo vệ thông tin nhạy cảm của bệnh nhân. Các phương pháp được sử dụng trong đào tạo và tối ưu hóa SLM cho phép những mô hình này giữ lại tới 90% độ chính xác của LLM trong các ứng dụng chuyên biệt, một thành tựu đáng chú ý khi giảm kích thước mô hình và yêu cầu phần cứng.
<h3>7. Điểm chính</h3>
<ul>
<li>Hiệu quả tính toán: SLM hoạt động với một phần nhỏ bộ nhớ và sức mạnh xử lý cần thiết bởi LLM, khiến chúng phù hợp cho các thiết bị có phần cứng hạn chế như điện thoại thông minh và thiết bị IoT.</li>
<li>Khả năng thích ứng chuyên biệt: Với các tối ưu hóa mục tiêu như tinh chỉnh và chia sẻ tham số, SLM giữ lại khoảng 90% hiệu suất của LLM trong các lĩnh vực chuyên biệt, bao gồm chăm sóc sức khỏe và tài chính.</li>
<li>Giảm độ trễ: So với LLM, SLM giảm thời gian phản hồi hơn 70%, cung cấp khả năng xử lý thời gian thực cần thiết cho các ứng dụng edge và các kịch bản nhạy cảm với quyền riêng tư.</li>
<li>Quyền riêng tư và bảo mật dữ liệu: SLM cho phép xử lý cục bộ, điều này làm giảm nhu cầu truyền dữ liệu lên các máy chủ đám mây và tăng cường quyền riêng tư trong các ứng dụng có nguy cơ cao như chăm sóc sức khỏe và tài chính.</li>
<li>Hiệu quả về chi phí: Bằng cách giảm yêu cầu phần cứng và tính toán, SLM đưa ra một giải pháp khả thi cho các tổ chức có tài nguyên hạn chế, dân chủ hóa quyền truy cập vào các mô hình ngôn ngữ được hỗ trợ bởi AI.</li>
</ul>
<h3>8. Kết luận</h3>
Cuộc khảo sát về mô hình ngôn ngữ nhỏ đưa ra một khung khả thi giải quyết các vấn đề quan trọng về việc triển khai LLM trong các môi trường hạn chế tài nguyên. Phương pháp SLM được đề xuất cung cấp một con đường đầy hứa hẹn để tích hợp khả năng xử lý ngôn ngữ tiên tiến vào các thiết bị năng lượng thấp, mở rộng phạm vi của công nghệ AI trên nhiều lĩnh vực khác nhau. Bằng cách tối ưu hóa độ trễ, quyền riêng tư và hiệu quả tính toán, SLM cung cấp một giải pháp có thể mở rộng cho các ứng dụng thực tế nơi LLM truyền thống không thực tế, đảm bảo khả năng ứng dụng rộng rãi và tính bền vững của mô hình ngôn ngữ trong ngành và nghiên cứu.
<h3>9. Thông tin tác giả</h3>
Asif Razzaq là Giám đốc điều hành của Marktechpost Media Inc. Là một doanh nhân và kỹ sư có tầm nhìn, Asif cam kết khai thác tiềm năng của Trí tuệ nhân tạo vì lợi ích xã hội. Nỗ lực gần đây nhất của ông là ra mắt Nền tảng truyền thông Trí tuệ nhân tạo, Marktechpost, nổi bật với việc đưa tin chuyên sâu về tin tức học máy và học sâu, cả về mặt kỹ thuật và dễ hiểu đối với nhiều đối tượng. Nền tảng này tự hào có hơn 2 triệu lượt xem mỗi tháng, minh chứng cho sự phổ biến của nó trong số các đối tượng mục tiêu.

Mô hình ngôn ngữ nhỏ: Giải pháp hiệu quả cho xử lý thời gian thực và nhiệm vụ chuyên biệt

Mô hình ngôn ngữ nhỏ: Giải pháp hiệu quả cho xử lý thời gian thực và nhiệm vụ chuyên biệt Mục lục Giới thiệu Thách thức của mô hình ngôn...

tháng 11 10, 2024

Mistral Ra Mắt API Điều Tiết Nội Dung Văn Bản

<h2>Mistral Ra mắt API Điều tiết để Phát hiện Nội dung Văn bản Không Mong muốn</h2>
Mục lục
<ol>
<li>Giới thiệu</li>
<li>API Điều tiết của Mistral</li>
<li>Ứng dụng của API</li>
<li>Hỗ trợ ngôn ngữ và các danh mục nội dung</li>
<li>Khả năng tiếp cận và giá cả</li>
<li>Quan hệ đối tác của Mistral</li>
</ol>
1. Giới thiệu
Mistral, một công ty khởi nghiệp AI có trụ sở tại Paris, đã công bố một API mới để điều tiết nội dung văn bản. API này nhằm giải quyết những lo ngại ngày càng tăng về quyền riêng tư dữ liệu, độ trễ và tuân thủ, đặc biệt hấp dẫn các công ty châu Âu phải tuân thủ các quy định nghiêm ngặt về bảo vệ dữ liệu.
2. API Điều tiết của Mistral
API điều tiết của Mistral được hỗ trợ bởi một mô hình được tinh chỉnh (Ministral 8B), có thể được điều chỉnh cho các ứng dụng và tiêu chuẩn an toàn cụ thể. API này cung cấp hai điểm cuối: một dành cho văn bản thô và một dành cho nội dung trò chuyện.
3. Ứng dụng của API
API điều tiết của Mistral có thể được áp dụng cho nhiều trường hợp sử dụng, bao gồm:
<ul>
<li>Phát hiện và loại bỏ nội dung độc hại, thù hận, bạo lực và vi phạm pháp luật.</li>
<li>Bảo vệ quyền riêng tư và thông tin cá nhân.</li>
<li>Tuân thủ các quy định về nội dung.</li>
</ul>
4. Hỗ trợ ngôn ngữ và các danh mục nội dung
API hiện hỗ trợ tiếng Anh, tiếng Pháp và tiếng Đức, phân loại nội dung vào một trong chín danh mục sau:
<ul>
<li>Tính dục</li>
<li>Ghét bỏ và phân biệt đối xử</li>
<li>Bạo lực và đe dọa</li>
<li>Nội dung nguy hiểm và phạm tội</li>
<li>Tự gây hại</li>
<li>Sức khỏe</li>
<li>Tài chính</li>
<li>Luật pháp</li>
<li>Thông tin nhận dạng cá nhân</li>
</ul>
5. Khả năng tiếp cận và giá cả
API điều tiết có sẵn thông qua nền tảng đám mây của Mistral, với giá cả được tính theo mức sử dụng.
6. Quan hệ đối tác của Mistral
Gần đây, Mistral đã công bố một số quan hệ đối tác quan trọng, bao gồm hợp tác với Microsoft Azure, Qualcomm và SAP. Điều này chứng tỏ sự tin tưởng và tiềm năng của Mistral trong lĩnh vực AI.
Kết luận
API điều tiết của Mistral cung cấp một giải pháp hiệu quả để phát hiện và loại bỏ nội dung văn bản không mong muốn. Với khả năng tùy chỉnh cao và hỗ trợ nhiều ngôn ngữ, API này hứa hẹn sẽ là một công cụ hữu ích cho các công ty muốn đảm bảo nội dung an toàn và tuân thủ các quy định.

Mistral Ra Mắt API Điều Tiết Nội Dung Văn Bản

Mistral Ra mắt API Điều tiết để Phát hiện Nội dung Văn bản Không Mong muốn Mục lục Giới thiệu API Điều tiết của Mistral Ứng dụng của AP...

tháng 11 10, 2024

Mối Nguy Hiểm Của Trí Tuệ Nhân Tạo: Anthropic Kêu Gọi Điều Chỉnh Khẩn Cấp

<h2>Mối Nguy Hiểm của Trí Tuệ Nhân Tạo: Anthropic Kêu Gọi Điều Chỉnh Khẩn Cấp</h2>
Mục lục
<ol>
<li>Bối cảnh và Lo ngại</li>
<li>Nhu cầu về Quy định</li>
<li>Tốc độ Phát triển AI</li>
<li>Mối Nguy Hiểm Thực Tế</li>
<li>Lời Kêu Gọi Hành Động</li>
</ol>
1. Bối cảnh và Lo ngại
Trong bối cảnh trí tuệ nhân tạo (AI) đang phát triển với tốc độ chóng mặt, Anthropic, một trong những nhà phát triển AI hàng đầu, đã lên tiếng cảnh báo về những rủi ro tiềm ẩn có thể dẫn đến hậu quả thảm khốc do các mô hình AI gây ra. Vào tháng 11 năm 2024, công ty này đã ra mắt phiên bản nâng cấp của mô hình Claude, giờ đây có khả năng kiểm soát máy tính, làm nổi bật nhu cầu cấp thiết về việc điều chỉnh để giải quyết những rủi ro liên quan đến AI.
2. Nhu cầu về Quy định
Trong một tuyên bố, Anthropic nhấn mạnh rằng "cơ hội để chủ động phòng ngừa rủi ro đang nhanh chóng đóng lại". Các mô hình AI đã chứng minh khả năng thúc đẩy những tiến bộ đáng kể trong nghiên cứu khoa học, chăm sóc sức khỏe và tăng trưởng kinh tế. Tuy nhiên, công ty này cảnh báo rằng nếu không có quy định được nhắm mục tiêu cẩn thận, những công nghệ này cũng có thể phơi bày xã hội trước những rủi ro nghiêm trọng. Anthropic lập luận rằng sự thiếu hụt quy định phù hợp có thể dẫn đến một kịch bản trong đó tiến bộ AI bị cản trở bởi những chính sách phản ứng kém hiệu quả, không giải quyết được những mối nguy hiểm thực sự.
3. Tốc độ Phát triển AI
Sự cấp thiết của Anthropic bắt nguồn từ tốc độ phát triển nhanh chóng của các mô hình AI, một số trong số đó giờ đây đạt được mức hiệu suất mà trước đây người ta cho rằng còn nhiều năm nữa mới có thể đạt được. Công ty này đã chỉ ra những tiến bộ của riêng mình, chẳng hạn như Claude 3.5 Sonnet đạt tỷ lệ thành công gần 50% trong các nhiệm vụ mã hóa thực tế chỉ sáu tháng sau khi Devin AI, của Cognition Labs, đạt 13,5%, một thành tích đáng kinh ngạc vào thời điểm đó. Với thế hệ tiếp theo của các mô hình AI đang rục rịch xuất hiện, có khả năng lập kế hoạch cho các nhiệm vụ phức tạp, nhiều bước, Anthropic nhận thấy đây là thời điểm quan trọng để chuẩn bị cho những rủi ro có thể phát sinh trong tương lai.
4. Mối Nguy Hiểm Thực Tế
Những rủi ro liên quan đến AI không chỉ là lý thuyết. Các mô hình AI đã thể hiện kiến thức ở mức chuyên gia trong nhiều lĩnh vực khoa học, nơi chúng có khả năng bị sử dụng sai mục đích. Anthropic từ lâu đã cảnh báo rằng các mô hình tiên tiến có thể sớm tạo ra những rủi ro đáng kể trong lĩnh vực an ninh mạng và hóa học, sinh học, phóng xạ và hạt nhân (CBRN), những lĩnh vực có nguy cơ rất cao.
5. Lời Kêu Gọi Hành Động
Anthropic kêu gọi các chính phủ hành động trong vòng 18 tháng tới để đảm bảo AI được phát triển một cách có trách nhiệm. Mặc dù tiến bộ trong AI mang lại những lời hứa hẹn to lớn, nhưng quy định cẩn thận, chiến lược sẽ là điều cần thiết để tận dụng lợi ích của nó đồng thời giảm thiểu những nguy hiểm. Nếu không có điều này, những rủi ro do AI gây ra có thể sớm trở thành một hiện thực không thể tránh khỏi.

Mối Nguy Hiểm Của Trí Tuệ Nhân Tạo: Anthropic Kêu Gọi Điều Chỉnh Khẩn Cấp

Mối Nguy Hiểm của Trí Tuệ Nhân Tạo: Anthropic Kêu Gọi Điều Chỉnh Khẩn Cấp Mục lục Bối cảnh và Lo ngại Nhu cầu về Quy định Tốc độ Phát t...

tháng 11 10, 2024

Cerebras Systems Cách Mạng Hóa Xử Lý Suy Luận AI: Nhanh Gấp 3 Lần Với Llama 3.1-70B ở 2.100 Token/Giây

<h2>Cerebras Systems Cách Mạng Hóa Xử Lý Suy Luận AI: Nhanh Gấp 3 Lần Với Llama 3.1-70B ở 2.100 Token/Giây</h2>
Mục lục
<ol>
<li>Giới thiệu</li>
<li>Cerebras Systems Tăng Tốc Suy Luận Gấp 3 Lần! Llama 3.1-70B ở 2.100 Token/Giây</li>
<li>Cải Tiến Kỹ Thuật và Lợi Ích</li>
<li>Tiềm Năng Biến Dổi và Ứng Dụng Thực Tế</li>
<li>Kết Luận</li>
</ol>
1. Giới thiệu
Trí tuệ nhân tạo (AI) đang phát triển nhanh chóng, nhưng cùng với sự phát triển đó là hàng loạt các thách thức kỹ thuật cần được khắc phục để công nghệ này thực sự phát triển mạnh mẽ. Một trong những thách thức cấp bách nhất hiện nay nằm ở hiệu suất suy luận. Các mô hình ngôn ngữ lớn (LLM), chẳng hạn như những mô hình được sử dụng trong các ứng dụng dựa trên GPT, yêu cầu một lượng lớn tài nguyên tính toán. Nút thắt cổ chai xảy ra trong quá trình suy luận - giai đoạn mà các mô hình được đào tạo tạo ra phản hồi hoặc dự đoán. Giai đoạn này thường phải đối mặt với các hạn chế do những giới hạn của các giải pháp phần cứng hiện tại, khiến quy trình này chậm, tốn năng lượng và tốn kém. Khi các mô hình trở nên lớn hơn, các giải pháp dựa trên GPU truyền thống ngày càng trở nên thiếu hiệu quả về cả tốc độ và hiệu quả, hạn chế tiềm năng biến đổi của AI trong các ứng dụng thời gian thực. Tình trạng này tạo ra nhu cầu về các giải pháp nhanh hơn, hiệu quả hơn để theo kịp nhu cầu của khối lượng công việc AI hiện đại.
2. Cerebras Systems Tăng Tốc Suy Luận Gấp 3 Lần! Llama 3.1-70B ở 2.100 Token/Giây
Cerebras Systems đã đạt được một bước đột phá đáng kể, khẳng định rằng quá trình suy luận của họ giờ đây nhanh hơn gấp ba lần so với trước. Cụ thể, công ty đã đạt được tốc độ xử lý ấn tượng 2.100 token/giây với mô hình Llama 3.1-70B. Điều này có nghĩa là Cerebras Systems hiện nay nhanh hơn gấp 16 lần so với giải pháp GPU nhanh nhất hiện có. Loại bước nhảy vọt về hiệu năng này tương đương với việc nâng cấp toàn bộ thế hệ công nghệ GPU, giống như việc chuyển từ NVIDIA A100 sang H100, nhưng tất cả đều được thực hiện thông qua một bản cập nhật phần mềm. Hơn nữa, không chỉ các mô hình lớn hơn được hưởng lợi từ sự gia tăng này - Cerebras đang cung cấp tốc độ gấp 8 lần so với GPU chạy mô hình Llama 3.1-3B nhỏ hơn nhiều, nhỏ hơn về quy mô gấp 23 lần. Những lợi ích ấn tượng như vậy nhấn mạnh lời hứa mà Cerebras mang lại cho lĩnh vực này, giúp suy luận tốc độ cao, hiệu quả có sẵn ở tốc độ chưa từng có.
3. Cải Tiến Kỹ Thuật và Lợi Ích
Những cải tiến kỹ thuật đằng sau bước nhảy vọt về hiệu năng mới nhất của Cerebras bao gồm một số tối ưu hóa dưới mui xe, về cơ bản nâng cao quá trình suy luận. Các kernel quan trọng như phép nhân ma trận (MatMul), giảm/phát sóng và các hoạt động theo từng phần tử đã được viết lại hoàn toàn và tối ưu hóa cho tốc độ. Cerebras cũng đã triển khai tính toán I/O wafer không đồng bộ, cho phép chồng chéo truyền dữ liệu và tính toán, đảm bảo sử dụng tối đa các tài nguyên có sẵn. Ngoài ra, giải mã suy đoán nâng cao đã được giới thiệu, hiệu quả giảm độ trễ mà không ảnh hưởng đến chất lượng của các token được tạo ra. Một khía cạnh quan trọng khác của sự cải thiện này là Cerebras đã duy trì độ chính xác 16 bit cho trọng số mô hình ban đầu, đảm bảo rằng sự gia tăng tốc độ này không ảnh hưởng đến độ chính xác của mô hình. Tất cả những tối ưu hóa này đã được xác minh thông qua phân tích nhân tạo kỹ lưỡng để đảm bảo chúng không làm giảm chất lượng đầu ra, khiến hệ thống của Cerebras không chỉ nhanh hơn mà còn đáng tin cậy cho các ứng dụng cấp doanh nghiệp.
4. Tiềm Năng Biến Dổi và Ứng Dụng Thực Tế
Hậu quả của sự gia tăng hiệu năng này rất sâu rộng, đặc biệt là khi xem xét các ứng dụng thực tế của LLM trong các lĩnh vực như y tế, giải trí và truyền thông thời gian thực. GSK, một gã khổng lồ dược phẩm, đã nhấn mạnh cách tốc độ suy luận được cải thiện của Cerebras đang thay đổi cơ bản quá trình khám phá thuốc của họ. Theo Kim Branson, Phó chủ tịch cấp cao về AI/ML tại GSK, những tiến bộ của Cerebras trong AI đang cho phép các tác nhân nghiên cứu thông minh hoạt động nhanh hơn và hiệu quả hơn, mang lại lợi thế quan trọng trong lĩnh vực nghiên cứu y học cạnh tranh. Tương tự, LiveKit - một nền tảng cung cấp chế độ thoại cho ChatGPT - đã chứng kiến sự cải thiện đáng kể về hiệu năng. Russ d’Sa, Giám đốc điều hành của LiveKit, nhận xét rằng những gì từng là bước chậm nhất trong đường ống AI của họ giờ đây đã trở thành bước nhanh nhất. Sự chuyển đổi này đang cho phép khả năng xử lý thoại và video tức thời, mở ra cánh cửa mới cho suy luận nâng cao, các ứng dụng thông minh thời gian thực và cho phép lên đến 10 lần bước suy luận nhiều hơn mà không làm tăng độ trễ. Dữ liệu cho thấy những cải thiện không chỉ là lý thuyết; chúng đang chủ động định hình lại quy trình làm việc và giảm bớt các nút thắt cổ chai hoạt động trên khắp các ngành.
5. Kết Luận
Cerebras Systems một lần nữa chứng minh cam kết của mình trong việc đẩy lùi giới hạn của công nghệ suy luận AI. Với tốc độ suy luận tăng gấp ba lần và khả năng xử lý 2.100 token/giây với mô hình Llama 3.1-70B, Cerebras đang thiết lập một tiêu chuẩn mới cho những gì có thể đạt được trong phần cứng AI. Bằng cách tập trung vào cả tối ưu hóa phần mềm và phần cứng, Cerebras đang giúp AI vượt qua giới hạn của những gì trước đây có thể đạt được - không chỉ về tốc độ mà còn về hiệu quả và khả năng mở rộng. Bước nhảy vọt mới nhất này có nghĩa là nhiều ứng dụng thông minh thời gian thực hơn, suy luận AI mạnh mẽ hơn và trải nghiệm người dùng mượt mà, tương tác hơn. Khi chúng ta tiến về phía trước, những tiến bộ như vậy là rất quan trọng để đảm bảo rằng AI vẫn là một động lực biến đổi trên khắp các ngành. Với Cerebras dẫn đầu, tương lai của suy luận AI trông nhanh hơn, thông minh hơn và đầy hứa hẹn hơn bao giờ hết.

Cerebras Systems Cách Mạng Hóa Xử Lý Suy Luận AI: Nhanh Gấp 3 Lần Với Llama 3.1-70B ở 2.100 Token/Giây

Cerebras Systems Cách Mạng Hóa Xử Lý Suy Luận AI: Nhanh Gấp 3 Lần Với Llama 3.1-70B ở 2.100 Token/Giây Mục lục Giới thiệu Cerebras Syste...

tháng 11 10, 2024

Gemini: Mở Rộng Khả Năng Tiếp Cận Với Thư Viện OpenAI

<h2>Gemini: Mở rộng khả năng tiếp cận với Thư viện OpenAI</h2>
<h3>Mục lục</h3>
<ol>
<li>Giới thiệu</li>
<li>Sử dụng Gemini với Thư viện OpenAI</li>
<li>Ví dụ mã</li>
<li>Kết luận</li>
</ol>
<h3>1. Giới thiệu</h3>
Google vừa thông báo rằng các nhà phát triển hiện có thể truy cập và xây dựng với các mô hình Gemini mới nhất thông qua Thư viện OpenAI và API REST. Điều này giúp cho việc bắt đầu sử dụng Gemini trở nên dễ dàng hơn bao giờ hết. 
<h3>2. Sử dụng Gemini với Thư viện OpenAI</h3>
Hiện tại, Gemini hỗ trợ API Chat Completions và Embeddings, và dự kiến sẽ có thêm các tính năng tương thích trong tương lai. Bạn có thể tìm hiểu thêm về tài liệu API Gemini tại <a href="https://ai.google.dev/gemini-api/docs/openai">tài liệu API Gemini</a>.
<h3>3. Ví dụ mã</h3>
Python:
<pre><code class="language-python">from openai import OpenAI
client = OpenAI(
 api_key="gemini_api_key",
 base_url="https://generativelanguage.googleapis.com/v1beta/"
)

response = client.chat.completions.create(
 model="gemini-1.5-flash",
 n=1,
 messages=[
 {"role": "system", "content": "You are a helpful assistant."},
 {
 "role": "user",
 "content": "Explain to me how AI works"
 }
 ]
)
print(response.choices[0].message)
</code></pre>
Typescript/Javascript:
<pre><code class="language-javascript">import OpenAI from "openai";
const openai = new OpenAI({
 apiKey: "gemini_api_key",
 baseURL: "https://generativelanguage.googleapis.com/v1beta/"
});

const response = await openai.chat.completions.create({
 model: "gemini-1.5-flash",
 messages: [
 { role: "system", content: "You are a helpful assistant." },
 {
 role: "user",
 content: "Explain to me how AI works",
 },
 ],
});
console.log(response.choices[0].message);
</code></pre>
REST:
<pre><code class="language-bash">curl "https://generativelanguage.googleapis.com/v1beta/chat/completions" \
 -H "Content-Type: application/json" \
 -H "Authorization: Bearer $gemini_api_key" \
 -d '{
 "model": "gemini-1.5-flash",
 "messages": [
 {"role": "user", "content": "Explain to me how AI works"}
 ]
 }'
</code></pre>
Bạn có thể xem thêm danh sách các tham số API Gemini được hỗ trợ tại <a href="https://ai.google.dev/api/generate-content#v1beta.GenerationConfig">tài liệu tham khảo API</a>.
<h3>4. Kết luận</h3>
Google rất vui mừng khi nhiều nhà phát triển có cơ hội bắt đầu xây dựng với Gemini và sẽ có thêm nhiều thông tin được cập nhật trong thời gian tới. Nếu bạn là khách hàng của Vertex AI Enterprise, bạn cũng có thể sử dụng tính năng tương thích với OpenAI tại <a href="https://cloud.google.com/vertex-ai/generative-ai/docs/multimodal/call-vertex-using-openai-library">tài liệu hỗ trợ Vertex AI</a>. Chúc bạn xây dựng thành công!

Gemini: Mở Rộng Khả Năng Tiếp Cận Với Thư Viện OpenAI

Gemini: Mở rộng khả năng tiếp cận với Thư viện OpenAI Mục lục Giới thiệu Sử dụng Gemini với Thư viện OpenAI Ví dụ mã Kết luận 1. Giớ...

tháng 11 10, 2024

Google Vids: Công cụ tạo video AI mới của Google Workspace

<h2>Google Vids: Công Cụ Tạo Video AI Mới Của Google Workspace</h2>
Mục lục:
<ol>
<li>Google Vids: Công Cụ Tạo Video AI Mới</li>
<li>Công Suất Tiết Kiệm Thời Gian Của Google Vids</li>
<li>Ai Có Quyền Truy Cập Google Vids?</li>
<li>Kết Luận: Cân Bằng Giữa AI và Con Người</li>
</ol>
1. Google Vids: Công Cụ Tạo Video AI Mới
Google Workspace đang bổ sung thêm một tính năng mới: "Vids" - công cụ tạo video AI hỗ trợ cho các phiên bản Workspace chọn lọc. Được quảng cáo là cách để "kể những câu chuyện hấp dẫn tại nơi làm việc," Google Vids hứa hẹn mang đến một công cụ trực quan mới cho những người sử dụng bộ sản phẩm năng suất này.
Google Vids đã bắt đầu được triển khai vào ngày 7 tháng 11 năm 2024 và có thể mất tối đa 15 ngày để đến được với một số người dùng.
2. Công Suất Tiết Kiệm Thời Gian Của Google Vids
Google Vids có khả năng tạo video bằng cách sử dụng trợ lý AI Gemini của Google. Ứng dụng này có thể sản xuất nội dung dựa trên lời nhắc văn bản, tài liệu được tải lên hoặc bản ghi âm giọng nói của bạn, là một ví dụ điển hình về cách Gemini nâng cao hiệu quả của Workspace.
Công cụ này sẽ tập hợp các cảnh gợi ý dựa trên đầu vào ban đầu của bạn, cung cấp một bản nháp đầu tiên cho bài thuyết trình video. Bản nháp sẽ bao gồm nhạc nền, cảnh quay và văn bản được đề xuất, thậm chí có thể tạo kịch bản để bạn ghi âm lời thoại.
Tuy nhiên, đừng lo lắng: nếu bạn không thích giọng nói của mình, Vids có thể xử lý điều đó cho bạn. Giống như các công cụ trực tuyến khác tạo lời thoại, Vids sẽ cung cấp cho bạn nhiều tùy chọn giọng nói để lựa chọn.
Google Vids có thể là một công cụ tiết kiệm thời gian tuyệt vời cho các bài thuyết trình tại nơi làm việc như:
<ul>
<li>Demo sản phẩm</li>
<li>Hướng dẫn cách thực hiện hoặc video onboarding nhân viên</li>
<li>Tổng hợp sự kiện</li>
<li>Nội dung tiếp cận nhà cung cấp</li>
<li>Cập nhật dự án hoặc mốc thời gian</li>
<li>Đánh giá chiến dịch hoặc thiết kế</li>
</ul>
3. Ai Có Quyền Truy Cập Google Vids?
Hiện tại, công cụ này đang được triển khai cho những người quản lý hoặc làm việc trên nền tảng Google Workspace, không phải người dùng Google nói chung. Danh sách các gói đăng ký sẽ có quyền truy cập vào Vids trong vài tuần tới:
<table>
<thead>
<tr>
<th>**Gói đăng ký</th>
<th>Cấp độ</th>
<th>Giá**</th>
</tr>
</thead>
<tbody><tr>
<td>Business</td>
<td>Standard</td>
<td>$12 / người dùng / tháng</td>
</tr>
<tr>
<td>Business</td>
<td>Plus</td>
<td>$18 / người dùng / tháng</td>
</tr>
<tr>
<td>Enterprise</td>
<td>Standard</td>
<td>Tùy chỉnh</td>
</tr>
<tr>
<td>Enterprise</td>
<td>Plus</td>
<td>Tùy chỉnh</td>
</tr>
<tr>
<td>Essentials</td>
<td>Enterprise Essentials</td>
<td>Tùy chỉnh</td>
</tr>
<tr>
<td>Essentials</td>
<td>Enterprise Essentials Plus</td>
<td>Tùy chỉnh</td>
</tr>
<tr>
<td>Education</td>
<td>Plus</td>
<td>$5 / học sinh / năm</td>
</tr>
</tbody></table>
Vids cũng sẽ khả dụng nếu bạn hoặc công ty của bạn có "phụ phí Gemini Business, Enterprise, Education hoặc Education Premium," theo Google Workspace Updates Blog.
Nếu bạn đang sử dụng một trong những gói đăng ký này và vẫn không thấy Google Vids là một tùy chọn trong vòng 15 ngày, quản trị viên của bạn có thể đã tắt tính năng này.
4. Kết Luận: Cân Bằng Giữa AI và Con Người
Google Vids có thể không thể tạo ra một bộ phim bom tấn Hollywood (ít nhất là chưa), nhưng nó có vẻ như là một công cụ hữu ích để tạo tài sản năng suất như hướng dẫn đào tạo. Là một người viết hướng dẫn, tôi hoàn toàn hiểu được video hữu ích như thế nào trong việc hướng dẫn từng bước. Và với tư cách là một nhà sáng tạo video, tôi vẫn tin rằng sự kết hợp giữa con người và AI sẽ luôn cần thiết, bất kể công nghệ AI tiên tiến như thế nào. Có lẽ đó chỉ là sự lạc quan của tôi.

Google Vids: Công cụ tạo video AI mới của Google Workspace

Google Vids: Công Cụ Tạo Video AI Mới Của Google Workspace Mục lục: Google Vids: Công Cụ Tạo Video AI Mới Công Suất Tiết Kiệm Thời Gian ...

tháng 11 10, 2024

Wipro Khởi Động Khu Vực Trải Nghiệm AI "Google Gemini" để Nâng Cao Tương Tác Khách Hàng

<h2>Wipro Khai Trương Khu Vực Trải Nghiệm Dựa Trên AI "Google Gemini" để Nâng Cao Tương Tác Khách Hàng</h2>
Mục lục
<ol>
<li>Giới thiệu</li>
<li>Khu Vực Trải Nghiệm Gemini</li>
<li>Hợp tác và Giải pháp</li>
<li>Đầu Tư vào AI của Wipro</li>
<li>Kết luận</li>
</ol>
1. Giới thiệu
Wipro Limited, một công ty dịch vụ công nghệ và tư vấn hàng đầu, đã hợp tác với Google Cloud để giới thiệu "Khu Vực Trải Nghiệm Google Gemini", nhằm thúc đẩy đổi mới doanh nghiệp thông qua các giải pháp được hỗ trợ bởi AI. 
2. Khu Vực Trải Nghiệm Gemini
Khu Vực Trải Nghiệm Google Gemini được đặt tại Trung tâm Đổi mới Thung lũng Silicon của Wipro ở Mountain View và sẽ sớm mở rộng thêm một địa điểm tại Bengaluru. Những trung tâm này sẽ cung cấp cho các doanh nghiệp cơ hội độc đáo để tương tác với các công cụ AI của Google, bao gồm các mô hình Gemini và Vertex AI, cho phép họ thử nghiệm trực tiếp các ứng dụng AI thế hệ mới.
3. Hợp tác và Giải pháp
Thông qua Khu Vực Trải Nghiệm, các doanh nghiệp có thể thử nghiệm khả năng của các mô hình ngôn ngữ lớn (LLM) của Google Gemini, bao gồm các ứng dụng nâng cao như xử lý ngôn ngữ tự nhiên, tạo ảnh, công cụ tương tác khách hàng và phân tích dự đoán. Wipro sẽ hợp tác chặt chẽ với khách hàng để đồng phát triển các ứng dụng AI tùy chỉnh và tích hợp AI của Google Cloud vào các quy trình làm việc hiện có.
4. Đầu Tư vào AI của Wipro
Wipro đã tích cực triển khai AI thế hệ mới trong lực lượng IT. Trong cuộc gọi kết quả kinh doanh quý 2 năm 2025, Giám đốc điều hành Wipro, Srini Pallia, cho biết công ty đã đào tạo và cấp chứng chỉ cho hơn 44.000 nhân viên về AI nâng cao và có một số lượng nhân viên đang tích cực sử dụng các công cụ phát triển AI cho tất cả khách hàng của họ.
5. Kết luận
Bằng cách cung cấp một môi trường thử nghiệm AI thực tế, Wipro hướng đến việc giúp các công ty hợp lý hóa quy trình, nâng cao trải nghiệm khách hàng và tối ưu hóa hoạt động kinh doanh trên nhiều lĩnh vực, bao gồm bán lẻ, chăm sóc sức khỏe, dịch vụ tài chính, sản xuất và viễn thông. Sáng kiến này cho thấy cam kết của Wipro trong việc thúc đẩy chuyển đổi kỹ thuật số và cung cấp cho khách hàng của họ các giải pháp AI hiệu quả.

Wipro Khởi Động Khu Vực Trải Nghiệm AI "Google Gemini" để Nâng Cao Tương Tác Khách Hàng

Wipro Khai Trương Khu Vực Trải Nghiệm Dựa Trên AI "Google Gemini" để Nâng Cao Tương Tác Khách Hàng Mục lục Giới thiệu Khu Vực ...

tháng 11 10, 2024

Google Gemini 2 Sẵn Sàng Đánh Bại OpenAI o1?

<h2>Google Gemini 2 Sẵn Sàng Khẳng Định Vị Thế Trên OpenAI o1?</h2>
Mục lục:
<ol>
<li>Sự xuất hiện của Gemini 2.0-Pro-Exp-0111</li>
<li>Gemini 2 mạnh mẽ hơn OpenAI o1</li>
<li>Lấy cảm hứng từ Anthropic</li>
<li>Google giành lại vị thế từ OpenAI</li>
<li>Kết luận</li>
</ol>
1. Sự xuất hiện của Gemini 2.0-Pro-Exp-0111
Thông tin rò rỉ gần đây trên X cho thấy Google đang chuẩn bị tung ra một mô hình mới mang tên Gemini-2.0-Pro-Exp-0111. 
Mô hình này dự kiến sẽ xuất hiện trong phần Advanced, nhưng hiện chưa rõ mục đích sử dụng là cho thử nghiệm nội bộ hay phát hành công khai. 
Người dùng đã thử nghiệm mô hình này bằng cách đưa ra các câu lệnh và nhận được phản hồi. Theo họ, Gemini 2.0-Pro-Exp-0111 hoạt động khá nhanh, nhưng vẫn chưa chắc chắn liệu phản hồi có thực sự đến từ phiên bản 2.0 hay không.
2. Gemini 2 mạnh mẽ hơn OpenAI o1
Một số người dùng trên X đã so sánh Gemini 2.0-Pro-Exp-0111 với OpenAI o1-mini và cho rằng Gemini 2.0-Pro-Exp-0111 có hiệu suất tốt hơn. 
Điều này cho thấy Google có thể sẽ thực hiện lời dự đoán trước đây của AIM, rằng Google sẽ tạo ra một mô hình tốt hơn OpenAI o1. 
3. Lấy cảm hứng từ Anthropic
Google đang lên kế hoạch phát hành một tính năng mới có khả năng kiểm soát trình duyệt web của người dùng để thực hiện các nhiệm vụ như thu thập thông tin, mua hàng hoặc đặt vé máy bay. Tính năng này cũng sẽ được tích hợp vào Gemini 2. 
Tính năng này được gọi là "Jarvis" và đã bị rò rỉ gần đây. 
Điều này khá giống với tính năng "Computer Use" của Anthropic, cho phép AI kiểm soát màn hình của người dùng để thực hiện các thao tác như xem màn hình, di chuyển con trỏ, nhấp chuột và nhập văn bản.
4. Google giành lại vị thế từ OpenAI
Google đã đạt được thành công đáng kể với các sản phẩm mới, ví dụ điển hình là NotebookLM. 
Trong cuộc gọi thu nhập gần đây, Giám đốc điều hành của Google Sundar Pichai tiết lộ rằng số lần gọi API của Google Gemini đã tăng gấp 14 lần trong sáu tháng qua. 
Gemini 1.5 được biết đến với khả năng xử lý đồng thời mã, hình ảnh, video và văn bản. 
GitHub đã hợp tác với Google để đưa Gemini 1.5 Pro vào GitHub Copilot. 
Google đang phát triển AI có khả năng suy luận tương tự như con người, có thể được tích hợp vào nền tảng Gemini. 
5. Kết luận
Cuộc chiến AI đang diễn ra sôi nổi và có vẻ như Google cuối cùng cũng đã sẵn sàng để giành lại vị thế từ OpenAI. 
Có thể nói, Google Gemini 2 đang là một đối thủ cạnh tranh đáng gờm cho OpenAI o1 và hứa hẹn sẽ mang đến những đột phá mới trong lĩnh vực AI.

Google Gemini 2 Sẵn Sàng Đánh Bại OpenAI o1?

Google Gemini 2 Sẵn Sàng Khẳng Định Vị Thế Trên OpenAI o1? Mục lục: Sự xuất hiện của Gemini 2.0-Pro-Exp-0111 Gemini 2 mạnh mẽ hơn OpenAI...

tháng 11 10, 2024

Chatbot Y tế Di động AI Nhẹ Dựa trên TinyML

<h2>Triển khai chatbot y tế di động AI nhẹ dựa trên TinyML</h2>
<h3>Mục lục</h3>
<ol>
<li>Giới thiệu</li>
<li>Khảo sát tài liệu<ul>
<li>Chẩn đoán y tế</li>
<li>Quản lý hỗ trợ và điều dưỡng</li>
</ul>
</li>
<li>Chatbot AI dựa trên giọng nói được đề xuất<ul>
<li>Tại sao chatbot dựa trên TinyML?</li>
</ul>
</li>
<li>Thực thi<ul>
<li>Nhận dạng bệnh nhân</li>
<li>Đo nhiệt độ</li>
<li>Thực thi chatbot<ul>
<li>Bước 1: Bộ dữ liệu giọng nói</li>
<li>Bước 2: Trích xuất đặc trưng âm thanh</li>
<li>Bước 3: Huấn luyện mô hình</li>
<li>Bước 4: Triển khai chatbot</li>
</ul>
</li>
<li>Tích hợp</li>
</ul>
</li>
<li>Kết quả<ul>
<li>Kết quả nhận dạng khuôn mặt</li>
<li>Kết quả đo nhiệt độ</li>
<li>Kết quả chatbot</li>
<li>Chuẩn bị hồ sơ bệnh án</li>
</ul>
</li>
<li>Thảo luận</li>
<li>Kết luận</li>
<li>Phần đạo đức và đồng ý</li>
<li>Tài trợ</li>
<li>Báo cáo công khai</li>
<li>Tài liệu tham khảo</li>
</ol>
<h3>1. Giới thiệu</h3>
Sự quan tâm đến việc tận dụng Trí tuệ Nhân tạo (AI) để nâng cao hiệu suất, năng lực và hiệu quả của các dịch vụ chăm sóc sức khỏe đang gia tăng. Mặc dù có sự phát triển vượt bậc trong nghiên cứu AI trong y tế, nhưng chỉ một số ít ứng dụng AI đã chuyển đổi thành công sang sử dụng lâm sàng. Những thách thức chính cản trở việc áp dụng các ứng dụng AI trong các kịch bản được xác thực lâm sàng bao gồm: thiếu hồ sơ y tế theo định dạng tiêu chuẩn, truy cập hạn chế vào bộ dữ liệu được sắp xếp và các yêu cầu pháp lý và đạo đức nghiêm ngặt liên quan đến bảo vệ quyền riêng tư của bệnh nhân. Gần đây, việc sử dụng chatbot đã mở rộng ra ngoài dịch vụ khách hàng để bao gồm các kịch bản sống còn. Chatbot ngày càng được tích hợp vào lĩnh vực chăm sóc sức khỏe, cung cấp giải pháp cho nhiều vấn đề sức khỏe. Trong kịch bản hiện tại, bệnh nhân đến thăm bệnh viện bị trì hoãn trong hàng đợi chờ bác sĩ. Tuy nhiên, chatbot về sức khỏe và thể dục đang thu hút sự chú ý trên thị trường, cho phép người dùng hỏi về những lo ngại y tế của họ và nhận được phản hồi. Chatbot y tế đã được phát triển để giải quyết vấn đề trì hoãn trong hàng đợi bệnh viện.<a href="#cit0001 cit0002 cit0003 cit0004" id="ref-cit0001 cit0002 cit0003 cit0004">1–4</a> Giao tiếp với chatbot được trang bị Xử lý Ngôn ngữ Tự nhiên (NLP) đóng vai trò quan trọng trong việc nâng cao sức khỏe tinh thần và thể chất của cá nhân do họ nhận được phản hồi tức thời. Theo Lee và Yoon,<a href="#cit0001" id="ref-cit0001">1</a> các ứng dụng chính của AI trong y tế bao gồm chẩn đoán, điều dưỡng và hỗ trợ quản lý. Ngoài ra, AI có thể được sử dụng để thu hút bệnh nhân, điều trị bệnh, giảm lỗi y tế và giảm chi phí chăm sóc sức khỏe.
<h3>2. Khảo sát tài liệu</h3>
Theo báo cáo của Tổ chức Y tế Thế giới,<a href="#cit0005" id="ref-cit0005">5</a> các yếu tố chính (khoảng 60%) ảnh hưởng đến tình trạng sức khỏe của cá nhân và chất lượng cuộc sống chung của họ có liên quan đến lối sống của họ. Bao gồm tập thể dục, thói quen ăn uống, giấc ngủ, kiểm soát căng thẳng, sử dụng chất kích thích, tuân thủ thuốc và các hoạt động giải trí.<a href="#cit0006" id="ref-cit0006">6</a> Với sự xuất hiện của các công nghệ do AI thúc đẩy, các can thiệp được cá nhân hóa và lời nhắc nhở được thiết kế phù hợp với thói quen hàng ngày của cá nhân giờ đây có thể được truyền tải thông qua các thiết bị kỹ thuật số dựa trên dữ liệu dấu hiệu sinh tồn theo thời gian thực. Trong các thiết lập chăm sóc sức khỏe, các công nghệ dựa trên AI được định vị để cách mạng hóa các quy trình hoạt động, tương tác của bệnh nhân và phương thức cung cấp dịch vụ chăm sóc, cuối cùng là nhằm mục đích cải thiện hiệu quả tổng thể và hiệu quả của kết quả của bệnh nhân.
<h3>2.1 Chẩn đoán y tế</h3>
Trong chẩn đoán y tế, AI được định vị để cách mạng hóa quy trình chẩn đoán cho bệnh nhân mắc các bệnh cụ thể. Vì lý do này, Máy học đã được giới thiệu như một kỹ thuật mới.<a href="#cit0007" id="ref-cit0007">7</a> Như Taylor đã nhấn mạnh,<a href="#cit0008" id="ref-cit0008">8</a> “lỗi chẩn đoán chiếm 60% tổng số lỗi y tế và chịu trách nhiệm về khoảng 40.000–80.000 ca tử vong hàng năm tại các bệnh viện ở Hoa Kỳ.” Do đó, việc tích hợp các hệ thống dựa trên AI trên nhiều lĩnh vực chăm sóc sức khỏe khác nhau có tiềm năng giảm thiểu lỗi do phán đoán của con người.<a href="#cit0009" id="ref-cit0009">9</a> Phòng khám Mayo, nổi tiếng với công việc tiên phong trong chăm sóc bệnh nhân, đã áp dụng AI để sàng lọc ung thư cổ tử cung. Bằng cách tận dụng giải pháp do AI hỗ trợ, phòng khám nhằm mục đích phát hiện những thay đổi tiền ung thư ở cổ tử cung. Giải pháp này sử dụng thuật toán được huấn luyện trên cơ sở dữ liệu khổng lồ gồm hơn 60.000 hình ảnh liên quan đến ung thư cổ tử cung từ Viện Ung thư Quốc gia để xác định các dấu hiệu sớm của tình trạng tiền ung thư. Các nhà nghiên cứu đã phát hiện ra rằng thuật toán này đạt được tỷ lệ chính xác cao hơn đáng kể (91%) so với chuyên gia được đào tạo (69%).<a href="#cit0010" id="ref-cit0010">10</a>,<a href="#cit0011" id="ref-cit0011">11</a> Trung tâm Y tế Gil thuộc Đại học Gachon ở Hàn Quốc đã đánh giá kết quả điều trị y tế trong một năm và đạt được mức độ thống nhất giữa nhân viên y tế và Watson dựa trên AI là 55,9%. Tuy nhiên, tỷ lệ đồng thuận giảm xuống còn 40% ở những bệnh nhân được chẩn đoán mắc ung thư dạ dày giai đoạn IV. Hơn nữa, nghiên cứu tại Bệnh viện Đại học Konyang ở Hàn Quốc vào tháng 4 năm 2018 tiết lộ rằng tỷ lệ đồng thuận giữa quyết định của bác sĩ và khuyến nghị điều trị của Watson là 48% đối với nhóm 100 bệnh nhân mắc ung thư vú.<a href="#cit0012" id="ref-cit0012">12</a> Bệnh viện Manipal, một trung tâm chăm sóc ung thư nổi tiếng ở Bangalore, Ấn Độ, đã triển khai Watson để điều trị ung thư vào năm 2015. Những bất đồng đáng chú ý đã được quan sát thấy trong chẩn đoán được thực hiện bởi nhân viên y tế đa ngành và đánh giá của Watson đối với bộ dữ liệu 1000 bệnh nhân ung thư. Bộ dữ liệu này chứa cơ sở dữ liệu tế bào ung thư liên quan đến ung thư vú, trực tràng và đại trực tràng, và được thu thập bởi hai bác sĩ trong ba năm. Đối với các trường hợp ung thư trực tràng, tỷ lệ đồng thuận giữa khuyến nghị của Watson và quyết định của bác sĩ là 85%. Tuy nhiên, đối với ung thư phổi, tỷ lệ đồng thuận giảm đáng kể, xuống còn 17,8%. Sự khác biệt đáng kể này cho thấy các mức độ đồng thuận khác nhau, tùy thuộc vào bản chất của ung thư.<a href="#cit0013" id="ref-cit0013">13</a> Chatbot để xạ trị sử dụng IBM Watson<a href="#cit0014" id="ref-cit0014">14</a> đã được triển khai với độ chính xác 95%.
<h3>2.2 Quản lý hỗ trợ và điều dưỡng</h3>
Liên quan đến điều dưỡng và quản lý hỗ trợ, nhân viên y tế thường xuyên phải đối mặt với khối lượng giấy tờ khổng lồ trong suốt hành trình chăm sóc. Khối lượng công việc khắt khe này đã thúc đẩy các bệnh viện áp dụng các hệ thống điện tử hợp nhất và tạo hồ sơ y tế kỹ thuật số được hỗ trợ bởi công nghệ dựa trên AI. Hơn nữa, việc sử dụng chatbot trực tuyến đã nổi lên như một phương tiện đầy hứa hẹn để tạo điều kiện cho các cuộc trò chuyện với bệnh nhân và gia đình họ trong môi trường bệnh viện.<a href="#cit0015" id="ref-cit0015">15</a>
Chatbot do AI hỗ trợ có tiềm năng cách mạng hóa các dịch vụ chăm sóc sức khỏe trong bệnh viện bằng cách hợp lý hóa tất cả các nhiệm vụ hành chính và cho phép nhân viên y tế hoặc chuyên gia dành nhiều thời gian và sự chú ý hơn cho việc chăm sóc bệnh nhân, từ đó nâng cao chất lượng dịch vụ của họ. Patel và Lam<a href="#cit0016" id="ref-cit0016">16</a> đề xuất sử dụng ChatGPT để tạo bản tóm tắt xuất viện trong bệnh viện, trong khi Howard và cộng sự<a href="#cit0016" id="ref-cit0016">16</a> đã nhấn mạnh khả năng của ChatGPT trong tư vấn nhiễm trùng. Công nghệ chatbot AI có thể chứng minh là vô giá trong việc hỗ trợ y tá với nhiều nhiệm vụ rườm rà, bao gồm giấy tờ, giải quyết các câu hỏi về y tá, hướng dẫn bệnh nhân đến các khoa bệnh viện khác nhau và đào tạo người chăm sóc.<a href="#cit0016" id="ref-cit0016">16</a> Sự hỗ trợ này có thể giảm bớt một số gánh nặng liên quan đến tình trạng thiếu nhân viên điều dưỡng và kiệt sức. Tuy nhiên, cần thận trọng và nên đề xuất các hướng dẫn vững chắc khi tích hợp chatbot AI vào các hệ thống chăm sóc sức khỏe của bệnh nhân để bảo vệ bí mật của bệnh nhân. Những biện pháp này rất cần thiết để duy trì các tiêu chuẩn đạo đức và gìn giữ lòng tin của bệnh nhân vào ngành.<a href="#cit0017" id="ref-cit0017">17</a>
Sau đại dịch COVID-19, đã có sự ủng hộ ngày càng tăng trong số các nhà nghiên cứu đối với việc cải tạo kỹ thuật số về sức khỏe tâm thần, đặc biệt là đối với các tình trạng như chứng mất trí nhớ.<a href="#cit0018" id="ref-cit0018">18</a> Các nghiên cứu lâm sàng trước đây đã tiết lộ hiệu quả của việc sử dụng robot hỗ trợ tương thích xã hội trong trị liệu để quản lý các triệu chứng hành vi và tâm lý của chứng mất trí nhớ (BPSD). Cách tiếp cận này đã làm giảm sự kích động, thúc đẩy sự tham gia xã hội, cải thiện giao tiếp và cuối cùng là giảm bớt khối lượng công việc của y tá.<a href="#cit0019" id="ref-cit0019">19</a> Tuy nhiên, bất chấp những lợi ích cho bệnh nhân, nhân viên y tế và người chăm sóc, phương pháp phi dược lý này phải chịu chi phí đáng kể liên quan đến việc mua sắm, đào tạo và bảo trì thiết bị cần thiết.
Như Kim đã mô tả,<a href="#cit0020" id="ref-cit0020">20</a> AI kết hợp kiến thức điều dưỡng với công nghệ thông tin để quản lý và truyền đạt thông tin của bệnh nhân. Các chuyên gia trong lĩnh vực này tập trung vào việc tối ưu hóa quy trình làm việc của y tá và đảm bảo quyền truy cập vào thông tin cần thiết để tạo ra các hệ thống chăm sóc bệnh nhân nội trú chất lượng tốt hơn. Mặc dù tầm quan trọng của nó, nhưng tin học điều dưỡng đã bị bỏ qua trong giáo dục điều dưỡng, một phần là do hạn chế kỹ thuật trong CNTT.
Một trong những tính năng chính của chatbot AI là khả năng tạo, sửa đổi và khắc phục sự cố mã lập trình thông qua các cuộc trò chuyện bằng ngôn ngữ tự nhiên. Với giao diện trực quan, ngay cả những cá nhân có kỹ năng lập trình hạn chế cũng có thể vượt qua các thách thức kỹ thuật và phát triển chương trình máy tính. Công cụ này rất hữu ích cho các nhà nghiên cứu trong lĩnh vực điều dưỡng vì nó cho phép họ xây dựng các chương trình máy tính thực tế mà không cần chuyên môn lập trình sâu rộng.
Xét các kịch bản này, việc sử dụng chatbot dựa trên AI để quản lý hỗ trợ, chẩn đoán và trị liệu cho nhiều tình trạng sức khỏe thể chất và tinh thần đang gia tăng. Chi phí liên quan đến việc mua sắm và bảo trì chatbot AI tương đương với máy tính cá nhân và việc đào tạo cần thiết cho bệnh nhân và quản trị viên là tối thiểu. Điều này mang đến một giải pháp thuận tiện và tiết kiệm chi phí để nâng cao sức khỏe của bệnh nhân, đặc biệt là trong những trường hợp can thiệp hành vi và tâm lý xã hội bị hạn chế hoặc ngừng hoạt động trong các biện pháp kiểm soát dịch bệnh. Nhìn vào tiềm năng của công nghệ này, nghiên cứu này đã phát triển một chatbot AI dựa trên giọng nói. Việc triển khai chatbot AI hỗ trợ dựa trên giọng nói được đề xuất tập trung vào việc thu thập thông tin từ chẩn đoán của bệnh nhân về các triệu chứng của họ và tạo ra một bảng thông tin cơ bản cho bác sĩ. Chatbot hỗ trợ này sẽ giúp tiết kiệm thời gian và công sức của y tá và các nhân viên y tế tuyến đầu khác, đồng thời mang lại sự hài lòng cho bệnh nhân. Vai trò của AI dựa trên Mô hình Ngôn ngữ Lớn (LLM) cũng đã được khám phá trong cuộc trò chuyện của chatbot y tế.<a href="#cit0021" id="ref-cit0021">21</a>
<h3>3. Chatbot AI dựa trên giọng nói được đề xuất</h3>
Nghiên cứu này đề xuất sử dụng tính toán biên dựa trên TinyML để triển khai một chatbot chào đón bệnh nhân trong môi trường bệnh viện. Nó có một mô-đun cảm biến nhiệt độ tích hợp. Chatbot đưa ra một loạt câu hỏi liên quan đến các triệu chứng của bệnh nhân. Dựa trên câu trả lời của bệnh nhân, chatbot ghi lại chi tiết triệu chứng của bệnh có thể xảy ra và tạo ra bảng thông tin cơ bản để hỗ trợ bác sĩ. Chatbot AI được đề xuất được lên kế hoạch xây dựng dưới dạng một kios độc lập hoặc robot di chuyển bên trong khuôn viên bệnh viện. Chatbot (robot) đã được triển khai bằng cách sử dụng phần cứng và phần mềm cần thiết để cung cấp hỗ trợ y tế cơ bản dựa trên AI. TinyML, đề cập đến các mô hình và thuật toán ML, được điều chỉnh để đạt được hiệu suất tối ưu trên các thiết bị có năng lượng thấp, hạn chế tài nguyên, chẳng hạn như bộ điều khiển vi mô. Việc triển khai TinyML để hỗ trợ y tế bao gồm việc phát triển các mô hình ML nhỏ gọn có khả năng phân tích các triệu chứng y tế cơ bản của bệnh nhân.

<h3>3.1 Tại sao chatbot dựa trên TinyML?</h3>
TinyML thuộc loại AI biên, còn được gọi là trí tuệ nhân tạo biên, tận dụng lợi thế của tính toán biên, nghĩa là thực hiện các phép tính cục bộ thay vì trên đám mây. Cách tiếp cận này mang lại một số lợi thế:
<ol list-type="order" type="1">
<li>Tính toán cục bộ đảm bảo độ trễ thấp, phù hợp cho các ứng dụng thời gian thực.</li>
<li>Giảm sự phụ thuộc vào giao tiếp từ xa dẫn đến tiết kiệm chi phí băng thông.</li>
<li>Tính toán cục bộ duy trì độ tin cậy ngay cả khi kết nối mạng bị gián đoạn.</li>
<li>Bảo mật được tăng cường bằng cách giảm thiểu truyền dữ liệu và sử dụng lưu trữ dữ liệu cục bộ.</li></ol>

Các loại chatbot khác nhau đã được triển khai bằng cách sử dụng các phương pháp dựa trên quy tắc, dựa trên revital, tạo, tuần tự-tới-tuần tự và dựa trên bộ chuyển đổi. Những chatbot này dựa vào yêu cầu tính toán cao, trong khi TinyML nhẹ và có thể được triển khai trên các thiết bị biên.
Việc sử dụng TinyML để chẩn đoán y tế mang lại nhiều lợi thế, bao gồm khả năng tiếp cận chăm sóc sức khỏe được cải thiện ở các vùng sâu vùng xa hoặc vùng có dịch vụ kém, giám sát sức khỏe của bệnh nhân liên tục và phát hiện kịp thời các vấn đề y tế. Tuy nhiên, điều quan trọng là phải giải quyết các thách thức như bảo vệ quyền riêng tư của dữ liệu, đảm bảo tính khả dụng của mô hình và tuân thủ quy định để đảm bảo việc triển khai TinyML trong các bối cảnh chăm sóc sức khỏe một cách có đạo đức và chu đáo.
<h3>4. Thực thi</h3>
Việc triển khai bao gồm ba giai đoạn: nhận dạng khuôn mặt của bệnh nhân, cảm biến nhiệt độ và chatbot. Phần cứng bao gồm bo mạch vi điều khiển ARM Cortex M4 (Arduino Nano 33 BLE sense) với micro MEMS tích hợp và hỗ trợ TinyML. Phần lớn các câu hỏi yêu cầu bệnh nhân trả lời có hoặc không. Mô hình đã được đào tạo để nhận biết các từ khóa này theo giới tính (ví dụ: nam hoặc nữ). Các tính năng như tên bệnh nhân, tuổi và giới tính, không thể được ghi lại bằng TinyML, yêu cầu triển khai dựa trên đám mây. Chúng được lưu trữ dưới dạng tín hiệu âm thanh và được xử lý để tạo ra bảng thông tin in. Việc huấn luyện để đặt nhiều câu hỏi liên quan đến triệu chứng là dựa trên đám mây và được triển khai ở biên, và phần suy luận được thực hiện trong chatbot di động.
<h3>4.1 Nhận dạng bệnh nhân</h3>
Ban đầu, khuôn mặt của bệnh nhân được xác định bằng cách sử dụng robot hỗ trợ AI ở biên. Robot phải phân biệt khuôn mặt người với các hình ảnh khác được chụp bởi camera. Điều này liên quan đến một thuật toán nhận dạng khuôn mặt bao gồm thu thập dữ liệu, đào tạo và phân loại. Để hoàn thành nhiệm vụ này, kiến trúc MobileNet V2 đã được sử dụng. Kiến trúc này rất hiệu quả và có thể được áp dụng cho các thiết bị nhúng có khả năng tính toán hạn chế. Các bước liên quan trong việc nhận dạng bệnh nhân là như sau:
Bước 1: Bộ dữ liệu được sử dụng để đào tạo đã được lấy từ kho lưu trữ GitHub của Prajna Bhandary với 1376 hình ảnh.
Bước 2: Phân loại dựa trên biểu đồ độ dốc theo hướng (HOG)<a href="#cit0022" id="ref-cit0022">22</a> liên quan đến việc phát hiện các mô tả HOG từ mẫu dương "P".
Bước 3: Lấy mẫu "N" mẫu âm tính từ bộ dữ liệu đào tạo âm tính. Bộ này không chứa bất kỳ đối tượng nào cần phát hiện và trích xuất các mô tả HOG, nói chung, N ≫ P trong các tình huống thực tế.
Bước 4: Huấn luyện Máy Hỗ trợ Vector Tuyến tính (LSVM) dựa trên các mẫu dương và âm tính đã thu thập được.
Đối với mỗi hình ảnh và thang đo có thể có, các kỹ thuật cửa sổ trượt đã được áp dụng, và các mô tả HOG được tính toán và áp dụng cho bộ phân loại ở mỗi cửa sổ. Nếu một cửa sổ nhất định bị phân loại sai, bản vá lỗi dương tính giả và xác suất phân loại của nó được ghi lại bằng cách sử dụng phương pháp khai thác âm tính cứng. Trong quá trình khai thác âm tính cứng này, nếu tìm thấy một số mẫu dương tính giả với xác suất phân loại tốt, những mẫu dương tính giả này được sử dụng để huấn luyện lại bộ phân loại. Sau khi đào tạo, thử nghiệm đã được thực hiện bằng cách sử dụng phương pháp cửa sổ trượt, trong đó các đặc trưng HOG được trích xuất và trình bày cho bộ phân loại. Nếu xác suất phân loại cao, hộp giới hạn của cửa sổ được ghi lại. Nếu có các hộp giới hạn chồng chéo, ức chế cực đại được sử dụng để loại bỏ chúng. Do đó, một bộ phân loại nhận dạng đối tượng tùy chỉnh và duy nhất đã được đào tạo và xây dựng để xác định bệnh nhân.
<h3>4.2 Đo nhiệt độ</h3>
Một đơn vị cảm biến nhiệt độ tự động đã được tích hợp vào robot để lấy số liệu nhiệt độ của bệnh nhân. Đơn vị sử dụng cảm biến nhiệt độ hồng ngoại không tiếp xúc để không có tiếp xúc vật lý giữa robot và bệnh nhân. Đơn vị cảm biến nhiệt độ ở chế độ ngủ để tiết kiệm năng lượng. Khi một bệnh nhân đứng trước robot và được phát hiện, cảm biến nhiệt độ là có thể. Các bước liên quan trong việc đo nhiệt độ là như sau:
Bước 1: Khi phát hiện thấy khuôn mặt người (bệnh nhân), Raspberry Pi giao tiếp nối tiếp với Arduino uno thông qua giao thức Firmata.
Bước 2: Khi nhận được dữ liệu nối tiếp thông qua giao thức Firmata, Arduino Uno đưa một chân cao trong 1 giây, sau đó giảm xuống.
Bước 3: Arduino nano BLE 33 được kết nối với Arduino uno. Arduino nano BLE 33 chứa mã cảm biến nhiệt độ, và nếu có bất kỳ thay đổi nào ở chân Arduino uno, nó sẽ kích hoạt đơn vị cảm biến nhiệt độ.
Bước 4: Sau khi được kích hoạt, mã cung cấp khoảng thời gian 10 giây để bệnh nhân đặt trán của họ trước cảm biến.
Bước 5: Sau 10 giây, cảm biến ghi lại nhiệt độ của bệnh nhân.
Bước 6: Sau khi thu được nhiệt độ, Arduino nano BLE 33 gửi dữ liệu đến Raspberry Pi 2 thứ hai qua giao tiếp nối tiếp.
Bước 7: Dữ liệu nhiệt độ được chuyển đổi sang định dạng JSON và được gửi đến bảng tính Google cloud.
Mã được sử dụng là thư viện Adafruit mlx90614. Thư viện cung cấp hai bộ số liệu thu được từ cảm biến: nhiệt độ môi trường xung quanh và nhiệt độ vật thể. Chỉ số liệu nhiệt độ vật thể được sử dụng vì nó lấy số liệu nhiệt độ từ vật thể (ví dụ: bệnh nhân). Phạm vi đo của cảm biến là khoảng 3–5 cm và độ chính xác là ±0,5 °C. Số liệu nhiệt độ được đo được gửi đến Raspberry Pi 2 thứ hai qua giao tiếp nối tiếp bằng Arduino Nano BLE 33. Điều này kích hoạt chatbot.
<h3>4.3 Thực thi chatbot</h3>
Sau khi ghi lại nhiệt độ của bệnh nhân, chatbot bắt đầu chuỗi hoạt động của nó. Các bước liên quan trong việc triển khai chatbot là như sau.
<h4>Bước 1: Bộ dữ liệu giọng nói</h4>
Các lệnh giọng nói v0.01 là bộ dữ liệu được sử dụng trong nghiên cứu này.<a href="#cit0023" id="ref-cit0023">23</a> Bộ dữ liệu được lấy từ Google và chứa danh sách các từ phổ biến. Có, không, nam, nữ và tiếng ồn nền được sử dụng để huấn luyện mô hình TinyML. Bộ dữ liệu tiếng ồn nền được bao gồm để mô hình dự đoán nó là tiếng ồn khi nghe thấy các từ hoặc tiếng ồn khác ngoài bốn từ khóa thông qua micro. Mỗi bộ dữ liệu kéo dài trong 1 giây. tệp waw. Các bộ dữ liệu được chia ngẫu nhiên theo tỷ lệ 80:20 để huấn luyện và thử nghiệm mô hình. Sau đây là số lượng bộ dữ liệu (tức là tệp) cho mỗi từ khóa được sử dụng để huấn luyện mô hình TinyML: "Có" - 2377 tệp, "Không" - 2375, "Nam" - 4095, "Nữ" - 3976 và "Tiếng ồn nền" - 1897. Tỷ lệ lấy mẫu của các tệp âm thanh là 44,1 kHz, nhưng bo mạch phát triển chỉ hỗ trợ tỷ lệ lấy mẫu tối đa là 16 kHz. Điều này không gây ra vấn đề gì vì studio edge impulse giảm tốc độ lấy mẫu các tệp âm thanh cho chúng ta xuống mức 16 kHz phù hợp.
<h4>Bước 2: Trích xuất đặc trưng âm thanh</h4>
Biến đổi Fourier rời rạc (DFT) và Biến đổi Fourier nhanh (FFT) được sử dụng để phân tích dữ liệu âm thanh; nó dường như tốt cho tiếng ồn phi thanh nhạc như vỡ kính và gõ cửa. Bởi vì nghiên cứu này tập trung vào việc thu thập giọng nói con người, các hệ số cepstral tần số Mel (MFCC) chuyển đổi âm thanh thô thành số được sử dụng ở đây. Năng lượng của mỗi đầu ra bộ lọc được thu được bằng cách tổng hợp diện tích dưới đường cong sau khi nhân đầu ra bộ lọc với FFT, được lưu trữ trong một mảng. MFCC là Biến đổi Cosin Rời rạc (DCT) của các mức năng lượng chồng chéo này. DCT cũng cho phép nén thông tin và khử tương quan các giá trị năng lượng. Liên quan đến nhận dạng giọng nói, DCT và hình dạng phổ tổng thể là hữu ích.
<h4>Bước 3: Huấn luyện mô hình</h4>
Để phân loại hình ảnh phổ, mạng nơ-ron tích chập (CNN) đã được sử dụng để xác định các mẫu trong dữ liệu đầu vào. Các bộ lọc trong các lớp CNN được cập nhật theo các đặc trưng hình ảnh là MFCC. Kích thước của mỗi hình ảnh được lọc đã được thu nhỏ bằng cách tối đa hóa, điều này rất quan trọng đối với hiệu quả bộ nhớ và sử dụng bộ xử lý. Sau khi huấn luyện mô hình, Edge Impulse Studio được sử dụng để phân tích hiệu suất trên thiết bị dựa trên sức mạnh xử lý của chip cortex M4.
<h4>Bước 4: Triển khai chatbot</h4>
Triển khai bao gồm chuyển đổi thành thư viện C++ hoặc phần sụn nhị phân sau khi tối ưu hóa nhiều lần. Điều này giúp việc tích hợp với Raspberry Pi dễ dàng hơn vì Raspberry Pi cho phép giao tiếp nối tiếp thông qua USB của nó. Thư viện Arduino C++ được ưu tiên vì mã được tạo bởi Edge Impulse Studio cung cấp dữ liệu như mất, độ trễ và giá trị dự đoán của mỗi từ khóa. Vì những dữ liệu này không cần thiết cho Raspberry Pi, nên thư viện đã được chỉnh sửa để chỉ cung cấp từ khóa mà người dùng đã nói nếu mô hình dự đoán trên ngưỡng 0,8. Điều này đảm bảo việc truyền thông từ khóa đến phần cứng thay vì tất cả các từ. Một số tối ưu hóa thêm về mô hình và bộ phân loại NN đã được thực hiện với trình biên dịch thần kinh tối ưu hóa cạnh (EON), có thể chạy với ít RAM hơn 25–55%, với ít bộ nhớ flash hơn 35%, mặc dù vẫn giữ nguyên độ chính xác như TensorFlow Lite cho Bộ điều khiển vi mô. Việc lựa chọn tối ưu hóa lượng tử hóa (int8) làm giảm thêm việc sử dụng RAM và bộ nhớ flash.
<h3>4.4 Tích hợp</h3>
Việc tích hợp ba phần nguyên bản này rất dễ dàng vì đơn vị cảm biến nhiệt độ đã sử dụng phương pháp giao tiếp nối tiếp để gửi dữ liệu nhiệt độ qua USB như trong <a href="#f0002" id="ref-f0002">Hình 2</a>. Quy trình tương tự có thể được thực hiện để gửi các từ khóa từ chatbot đến Raspberry Pi qua giao tiếp nối tiếp. Dữ liệu được lưu trữ tạm thời trong Raspberry Pi. Sau khi hoàn thành việc sàng lọc bệnh nhân, dữ liệu được gửi đến bảng tính Google cloud, nơi các câu trả lời cho các câu hỏi chatbot và số liệu nhiệt độ của bệnh nhân được lưu trữ ở định dạng bảng. Sau đó, dữ liệu được xóa trong Raspberry Pi.

<h3>5. Kết quả</h3>
Như đã thảo luận trong phần trước, có ba giai đoạn hoạt động trong chatbot hỗ trợ AI được đề xuất với TinyML. Bao gồm nhận dạng bệnh nhân, cảm biến nhiệt độ và chatbot đặt một loạt câu hỏi cho bệnh nhân và ghi lại các triệu chứng của họ.
<h3>5.1 Kết quả nhận dạng khuôn mặt</h3>
Bộ phân loại nhận dạng khuôn mặt đã được huấn luyện bằng cách sử dụng TensorFlow và Biểu đồ độ dốc theo hướng (HOG) đã được sử dụng để trích xuất vùng quan tâm (ROI), và bộ phân loại chỉ được áp dụng cho ROI. Độ chính xác phân loại thay đổi từ 90,4% đến 95,8%. Sáu hộp giới hạn chồng chéo của cùng một khuôn mặt trong <a href="#f0003" id="ref-f0003">Hình 3</a> đã được áp dụng tối đa hóa để giới hạn chúng thành hộp lớn nhất trong khi ức chế năm hộp giới hạn nhỏ nhất. Độ chính xác đào tạo cho 30 thử nghiệm được liệt kê trong <a href="#t0001" id="ref-t0001">Bảng 1</a>.

<div href="#ref-t0001" id="t0001"></div><a href="#ref-t0001" name="t0001"></a><table class="thumbnail-table"><tbody><tr><td> </td><td>
Bảng 1 Độ chính xác đào tạo
</td></tr></tbody></table>

Các tham số đã được thử nghiệm và đào tạo với 1300 bộ dữ liệu và tối thiểu 10 thử nghiệm mỗi bộ. Đối với luồng video kéo dài, độ chính xác của các mô hình là khoảng 90,2% đối với biểu đồ độ dốc theo hướng kết hợp với mạng nơ-ron tích chập dựa trên vùng. Độ chính xác phân loại được trình bày trong <a href="#t0002" id="ref-t0002">Bảng 2</a>.
<div href="#ref-t0002" id="t0002"></div><a href="#ref-t0002" name="t0002"></a><table class="thumbnail-table"><tbody><tr><td> </td><td>
Bảng 2 Độ chính xác phân loại
</td></tr></tbody></table>

Sau khi khuôn mặt được phát hiện, cảm biến nhiệt độ và chatbot được kích hoạt, và bệnh nhân phải cung cấp thông tin phù hợp (câu trả lời) cho robot.
<h3>5.2 Kết quả đo nhiệt độ</h3>
Các đầu ra và kết quả sau đã được thu được ở nhiệt độ phòng. <a href="#t0003" id="ref-t0003">Bảng 3</a> cho thấy số liệu nhiệt độ được ghi lại cho 15 đối tượng thử nghiệm để đánh giá độ chính xác của chúng.
<div href="#ref-t0003" id="t0003"></div><a href="#ref-t0003" name="t0003"></a><img alt="Logo" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg" />

Chatbot Y tế Di động AI Nhẹ Dựa trên TinyML

Triển khai chatbot y tế di động AI nhẹ dựa trên TinyML Mục lục Giới thiệu Khảo sát tài liệu Chẩn đoán y tế Quản lý hỗ trợ và điều dưỡn...

tháng 11 10, 2024

Trí tuệ nhân tạo: Khi chatbot trở thành công cụ gieo rắc thông tin sai lệch

<h2> </h2>
<h3>Mục lục</h3>
<ol>
<li>Giới thiệu</li>
<li>Phát hiện đáng lo ngại về AI chatbots</li>
<li>Nguồn gốc của vấn đề</li>
<li>Tác động và nguy cơ</li>
<li>Giải pháp và lời khuyên</li>
</ol>
<h3>1. Giới thiệu</h3>
Sự phát triển của trí tuệ nhân tạo (AI) đang ngày càng tạo ra những tác động to lớn đến cuộc sống con người. Một trong những ứng dụng nổi bật của AI là chatbot, những chương trình máy tính có khả năng giao tiếp và tương tác với người dùng như con người. 
<h3>2. Phát hiện đáng lo ngại về AI chatbots</h3>
Tuy nhiên, một nghiên cứu mới đây của NewsGuard đã hé lộ một phát hiện đáng lo ngại về khả năng của AI chatbots trong việc xử lý thông tin sai lệch. Nghiên cứu cho thấy rằng các chatbot AI đang gặp khó khăn trong việc "phản hồi hiệu quả đối với các thông tin sai lệch". 
Theo báo cáo của Voice of America, 70% lỗi của chatbot đến từ việc chúng được yêu cầu "tương tác với những thông tin sai lệch do người xấu tạo ra". Các chatbot được thử nghiệm bao gồm các chủ đề về chiến tranh toàn cầu và chính trị Hoa Kỳ, và chúng đã lặp lại thông tin sai lệch 18% thời gian và không đưa ra phản hồi trong 38,3% thời gian.
<h3>3. Nguồn gốc của vấn đề</h3>
Nguyên nhân chính của vấn đề này là do AI học hỏi chủ yếu từ các nguồn thông tin chất lượng thấp, dễ chứa đựng thông tin sai lệch và bị bóp méo. Điều này dẫn đến tình trạng "rác vào, rác ra" (garbage in, garbage out) trong việc xử lý thông tin của chatbot.
<h3>4. Tác động và nguy cơ</h3>
Sự gia tăng sử dụng AI chatbots, điển hình như ChatGPT với 200 triệu người dùng mỗi tuần, càng khiến vấn đề trở nên nghiêm trọng. Các chatbot có thể trở thành công cụ cho các hoạt động gây ảnh hưởng từ nước ngoài, chẳng hạn như các chiến dịch can thiệp vào bầu cử.
Ví dụ, sau các cơn bão Helene và Milton, các lý thuyết âm mưu được lan truyền trực tuyến, gieo rắc bất hòa giữa phe bảo thủ và phe tự do. Các lý thuyết này cho rằng phe tự do đang lợi dụng thời tiết cực đoan để củng cố vị thế cho ứng cử viên của họ trong các cuộc bầu cử.
<h3>5. Giải pháp và lời khuyên</h3>
Để giải quyết vấn đề này, cần chú trọng đến việc nâng cao chất lượng nguồn dữ liệu cho chatbot AI. Đồng thời, cần khuyến khích người dùng sử dụng các nguồn tin tức đáng tin cậy và phát triển các kỹ năng phân biệt thông tin chính xác và thông tin sai lệch. 
Matt Jordan, một học giả về truyền thông, đã khẳng định: "Cách giải quyết thông tin sai lệch là tin tưởng vào các phóng viên và các cơ quan truyền thông thay vì AI". Người dùng cần nhớ rằng chatbot chỉ là máy móc và không thể phân biệt được đâu là thông tin đáng tin cậy. 
Cuối cùng, người dùng nên chủ động tìm kiếm thông tin từ nhiều nguồn tin tức khác nhau và trau dồi kỹ năng phân tích thông tin để tránh bị ảnh hưởng bởi thông tin sai lệch.

Trí tuệ nhân tạo: Khi chatbot trở thành công cụ gieo rắc thông tin sai lệch

Mục lục Giới thiệu Phát hiện đáng lo ngại về AI chatbots Nguồn gốc của vấn đề Tác động và nguy cơ Giải pháp và lời khuyên 1. Giới t...

tháng 11 10, 2024

4 Trợ lý ảo dựa trên LLM đang làm mưa làm gió trong AI

<h2>4 Trợ lý ảo dựa trên mô hình ngôn ngữ lớn (LLM) đang làm mưa làm gió trong thế giới AI</h2>
Mục lục
<ol>
<li>Giới thiệu</li>
<li>ChatGPT</li>
<li>Gemini</li>
<li>Claude</li>
<li>Microsoft Copilot</li>
<li>Kết luận</li>
</ol>
1. Giới thiệu
Trí tuệ nhân tạo (AI) đã là một phần không thể thiếu trong ngành công nghiệp quốc phòng trong nhiều thập kỷ. Tại Hội nghị Quốc phòng và Chính phủ Raymond James gần đây, Carey Smith, Giám đốc điều hành của Parsons và người được trao giải Wash100, đã chia sẻ rằng AI là một phần thiết yếu trong bộ công cụ của công ty từ nhiều năm nay. AI thế hệ mới, chẳng hạn như các mô hình ngôn ngữ lớn (LLM), được lập trình thông qua các bộ dữ liệu ngôn ngữ đa tầng để đánh giá đầu vào và trả về đầu ra dễ hiểu, cũng đã có mặt trong một thời gian. Tuy nhiên, chúng đã thu hút được sự chú ý của công chúng thông qua một số sản phẩm mới đầy hứa hẹn từ các công ty công nghệ lớn.
Bài viết này sẽ điểm qua một số sản phẩm chatbot được phát triển từ LLM, đang thu hút sự chú ý và thu hút sự quan tâm của các công ty trong ngành công nghiệp quốc phòng. Họ đang xem xét cách các công cụ hướng đến công chúng này có thể mang lại lợi ích cho công việc của họ trong việc phục vụ nhiệm vụ của chính phủ.
2. ChatGPT
<ul>
<li>Ra mắt: Tháng 11 năm 2022</li>
<li>Nhà sáng tạo: OpenAI</li>
<li>Số lượng người dùng: 180,5 triệu </li>
<li>Kích thước dữ liệu đào tạo (TB): 170</li>
<li>Lịch sử: ChatGPT, một chatbot được phát triển từ LLM GPT-4o của OpenAI, là sản phẩm đã châm ngòi cho cơn sốt AI vào cuối năm 2022. Khả năng cung cấp phản hồi nhanh chóng, tương đối chính xác và mô phỏng cách nói chuyện của con người đã khiến nó trở nên vô cùng phổ biến, thu hút lượng truy cập và đăng ký cao kỷ lục cho một dịch vụ phần mềm chỉ trong vài tháng. ChatGPT chắc chắn đã mở đường và truyền cảm hứng cho các sản phẩm được liệt kê tiếp theo trong danh sách này, tất cả đều xuất hiện như đối thủ cạnh tranh trong thời gian ngắn sau khi nó ra mắt.</li>
<li>Lưu ý: Vào tháng 8 năm 2024, ChatGPT đã chuyển sang giai đoạn phát hành ổn định, cho thấy nó đã vượt qua tất cả các xác minh và thử nghiệm. Tuy nhiên, nó vẫn tiếp tục bị chỉ trích vì những "ảo giác" của nó - phản hồi không chính xác hoặc lỗi logic dẫn đến câu trả lời sai.</li>
</ul>
3. Gemini
<ul>
<li>Ra mắt: Tháng 3 năm 2023</li>
<li>Nhà sáng tạo: Google</li>
<li>Số lượng người dùng: 42 triệu người dùng hoạt động</li>
<li>Kích thước dữ liệu đào tạo (TB): 120</li>
<li>Đặc điểm: Gemini là một chatbot cố gắng trả lời tất cả các truy vấn được đặt ra và tạo nội dung theo yêu cầu của người dùng. Ban đầu được gọi là Bard, nó là sản phẩm tiếp theo của LaMDA và PaLM 2, hai sản phẩm AI trước đó của Google. Những sản phẩm này không được tung ra rộng rãi do sự thận trọng quá mức, tuy nhiên, sau khi ChatGPT được phát hành, ban lãnh đạo Google rất muốn giới thiệu sản phẩm tương đương của họ với sản phẩm của OpenAI.</li>
</ul>
4. Claude
<ul>
<li>Ra mắt: Tháng 3 năm 2023</li>
<li>Nhà sáng tạo: Anthropic</li>
<li>Số lượng người dùng: 54,4 triệu lượt truy cập mỗi tháng</li>
<li>Kích thước dữ liệu đào tạo (TB): 150</li>
<li>Thông tin chính: Claude được đào tạo bởi mô hình AI Hiến pháp của Anthropic, cố gắng đảm bảo chatbot hoạt động dựa trên các nguyên tắc đạo đức của con người. Nó cũng được biết đến với "sự minh bạch và khả năng truy xuất nguồn gốc", theo một nhà văn trên Medium. "Không giống như một số hệ thống AI khác hoạt động như một 'hộp đen', Claude cung cấp giải thích chi tiết cho các quyết định và hành động của nó", người dùng mô tả.</li>
</ul>
5. Microsoft Copilot
<ul>
<li>Ra mắt: Tháng 2 năm 2023</li>
<li>Nhà sáng tạo: Microsoft</li>
<li>Số lượng người dùng: 28 triệu lượt truy cập mỗi tháng</li>
<li>Kích thước dữ liệu đào tạo (TB): Chưa được công bố</li>
<li>Nguồn gốc: Microsoft và OpenAI đã hợp tác kể từ năm 2019 và các sản phẩm và công việc AI của cả hai đã gắn bó chặt chẽ kể từ đó. Copilot dựa trên LLM GPT-4 của OpenAI. Ban đầu được gọi là Bing Chat khi ra mắt, nhưng sau đó đã đổi tên. Cùng với việc đổi tên, Copilot đã được tích hợp hoàn toàn vào hệ điều hành Windows 11 của Microsoft, bao gồm việc tạo ra một nút trên bàn phím Windows dành riêng cho Copilot và được giới thiệu vào bộ Office 365 phổ biến.</li>
</ul>
6. Kết luận
Các chatbot dựa trên LLM như ChatGPT, Gemini, Claude và Microsoft Copilot đang tạo nên một làn sóng mới trong thế giới AI. Chúng có tiềm năng cách mạng hóa cách chúng ta tương tác với công nghệ, và các công ty quốc phòng đang tìm cách tận dụng sức mạnh của chúng để cải thiện các hoạt động của mình. Tuy nhiên, cũng cần lưu ý rằng công nghệ AI vẫn đang trong giai đoạn phát triển và các chatbot này vẫn có những hạn chế nhất định. Việc đánh giá và thử nghiệm cẩn thận là điều cần thiết để đảm bảo rằng AI được sử dụng một cách có trách nhiệm và hiệu quả trong các nhiệm vụ quan trọng của chính phủ.

4 Trợ lý ảo dựa trên LLM đang làm mưa làm gió trong AI

4 Trợ lý ảo dựa trên mô hình ngôn ngữ lớn (LLM) đang làm mưa làm gió trong thế giới AI Mục lục Giới thiệu ChatGPT Gemini Claude Micro...

tháng 11 10, 2024

Google và OpenAI: Tranh chấp về sử dụng nội dung tin tức trong đào tạo AI

<h2>Google và OpenAI: Tranh chấp về việc sử dụng nội dung tin tức trong đào tạo AI</h2>
<h3>Mục lục</h3>
<ol>
<li>Google và OpenAI: Cuộc chiến về dữ liệu tin tức</li>
<li>Google cáo buộc OpenAI sử dụng nội dung tin tức không trả phí</li>
<li>OpenAI phản bác và đưa ra lập luận của mình</li>
<li>Sự phức tạp của vấn đề đạo đức và pháp lý</li>
<li>Kết luận</li>
</ol>
<h3>1. Google và OpenAI: Cuộc chiến về dữ liệu tin tức</h3>
Mối quan hệ giữa Google và OpenAI, hai gã khổng lồ công nghệ, đang trở nên căng thẳng hơn khi Google cáo buộc OpenAI sử dụng nội dung tin tức của mình để đào tạo mô hình AI mà không trả phí. Cuộc tranh chấp này đặt ra những câu hỏi nghiêm trọng về đạo đức và pháp lý liên quan đến việc sử dụng dữ liệu trong lĩnh vực AI.
<h3>2. Google cáo buộc OpenAI sử dụng nội dung tin tức không trả phí</h3>
Google đã cáo buộc OpenAI sử dụng nội dung tin tức từ các nguồn tin tức của mình, bao gồm cả The New York Times và The Washington Post, để đào tạo mô hình ngôn ngữ AI của mình, ChatGPT. Google cho rằng việc sử dụng nội dung này mà không trả phí là bất hợp pháp và vi phạm các điều khoản dịch vụ của Google.
<h3>3. OpenAI phản bác và đưa ra lập luận của mình</h3>
OpenAI đã bác bỏ các cáo buộc của Google, cho rằng họ không sử dụng bất kỳ nội dung tin tức nào được bảo vệ bởi bản quyền. Họ cho rằng việc sử dụng dữ liệu công khai để đào tạo AI là cần thiết để tạo ra những mô hình AI hiệu quả và hữu ích cho xã hội.
<h3>4. Sự phức tạp của vấn đề đạo đức và pháp lý</h3>
Vấn đề đạo đức và pháp lý liên quan đến việc sử dụng dữ liệu trong lĩnh vực AI là rất phức tạp. Một mặt, các công ty AI cần dữ liệu để đào tạo các mô hình AI của mình. Mặt khác, việc sử dụng dữ liệu mà không có sự đồng ý hoặc trả phí có thể vi phạm quyền riêng tư và bản quyền của người sáng tạo.
<h3>5. Kết luận</h3>
Tranh chấp giữa Google và OpenAI là một ví dụ điển hình về những thách thức mà các công ty AI phải đối mặt khi sử dụng dữ liệu để đào tạo các mô hình AI của mình. Vấn đề này đòi hỏi sự thảo luận cởi mở và minh bạch từ phía các nhà nghiên cứu, các nhà hoạch định chính sách và các công ty AI để tìm ra một giải pháp công bằng và bền vững cho cả hai bên.

Google và OpenAI: Tranh chấp về sử dụng nội dung tin tức trong đào tạo AI

Google và OpenAI: Tranh chấp về việc sử dụng nội dung tin tức trong đào tạo AI Mục lục Google và OpenAI: Cuộc chiến về dữ liệu tin tức G...

tháng 11 10, 2024

Tìm kiếm thông minh: AI nâng cao trải nghiệm người dùng trong UC

<h2>Tìm kiếm thông minh: Cách AI nâng cao trải nghiệm người dùng trong UC</h2>
Mục lục
<ol>
<li>Hiểu về tìm kiếm thông minh trong doanh nghiệp</li>
<li>Zoom và Perplexity: Mang tìm kiếm thông minh vào UC</li>
<li>Sức mạnh của các giải pháp tìm kiếm AI</li>
<li>Lợi ích của tìm kiếm thông minh đối với giải pháp UC<ul>
<li>Quy trình tìm kiếm nhanh hơn</li>
<li>Các cuộc họp được sắp xếp hợp lý</li>
<li>Kết quả tìm kiếm chính xác và phù hợp hơn</li>
<li>Chia sẻ kiến thức được cải thiện</li>
<li>Giảm tải ứng dụng</li>
<li>Nâng cao trải nghiệm của nhân viên</li>
</ul>
</li>
<li>Tác động liên tục của AI đối với Truyền thông hợp nhất</li>
<li>Tương lai của tìm kiếm thông minh trong UC</li>
</ol>
Nội dung bài báo:
Bài báo này thảo luận về tác động của tìm kiếm thông minh, được hỗ trợ bởi AI, đối với trải nghiệm người dùng trong các nền tảng truyền thông hợp nhất (UC). Bài báo cho thấy rằng việc tích hợp các giải pháp tìm kiếm thông minh như Perplexity AI vào các nền tảng UC như Zoom và Microsoft Teams đang tạo ra một cuộc cách mạng trong cách người dùng truy cập thông tin và tương tác với các công cụ UC.
Hiểu về tìm kiếm thông minh trong doanh nghiệp:
Trong thế giới ngày nay, nơi khối lượng dữ liệu ngày càng tăng và các nhân viên sử dụng nhiều ứng dụng riêng biệt hơn bao giờ hết, việc tìm kiếm thông tin một cách hiệu quả là một thách thức lớn đối với các doanh nghiệp. Các giải pháp tìm kiếm thông minh đã được phát triển để giải quyết vấn đề này bằng cách kết nối các kho dữ liệu và thông tin trong hệ sinh thái của một doanh nghiệp. 
Tuy nhiên, các giải pháp này chỉ giải quyết được một phần vấn đề: chúng thống nhất cơ sở dữ liệu và thông tin nội bộ, nhưng không giúp các thành viên trong nhóm điều hướng internet hoặc kết hợp dữ liệu hiện có của họ với những hiểu biết cập nhật. Chúng cũng không cung cấp quyền truy cập trực tiếp vào các giải pháp tìm kiếm bên trong các nền tảng mà các doanh nghiệp đã sử dụng để giao tiếp, chẳng hạn như Zoom và Microsoft Teams.
Zoom và Perplexity: Mang tìm kiếm thông minh vào UC:
Các doanh nghiệp như Zoom, thông qua quan hệ đối tác với Perplexity AI, đang giới thiệu một giải pháp mới được thiết kế đặc biệt để cải thiện năng suất, giao tiếp và hợp tác. Perplexity AI được coi là công cụ tìm kiếm do AI cung cấp hàng đầu trên thế giới, kết hợp AI thế hệ và đối thoại, máy học và các thuật toán tiên tiến để hợp lý hóa cách mọi người tìm kiếm thông tin. 
Bằng cách nhúng một cách thức tìm kiếm và trích xuất thông tin nâng cao từ internet vào Zoom Workplace, Zoom đang tăng cường giá trị mà các nhóm nhận được từ các nền tảng truyền thông hợp nhất của họ. Thay vì phải tìm kiếm câu trả lời nhanh cho các truy vấn trên internet và kết hợp nghiên cứu của họ với dữ liệu nội bộ, các nhóm sẽ có một giải pháp tìm kiếm đầy đủ trong tầm tay mọi lúc.
Sức mạnh của các giải pháp tìm kiếm AI:
Khả năng sử dụng công cụ tìm kiếm thông minh bên trong một nền tảng UC có thể không mang lại giá trị lớn ngay từ đầu. Tuy nhiên, các giải pháp này cung cấp cho người dùng doanh nghiệp nhiều chức năng nâng cao hơn so với các giải pháp tìm kiếm thông thường.
Chẳng hạn, một nhà thiết kế sản phẩm có thể chia sẻ thông số kỹ thuật của một mặt hàng mới với Zoom AI Companion và yêu cầu nó đưa ra các đề xuất cải tiến dựa trên các báo cáo và nghiên cứu mới nhất có sẵn trên internet. 
Lợi ích của tìm kiếm thông minh đối với giải pháp UC:
Tích hợp tìm kiếm thông minh vào các nền tảng UC mang lại nhiều lợi ích, bao gồm:
<ul>
<li>Quy trình tìm kiếm nhanh hơn: Các công cụ AI có thể thu thập dữ liệu từ hàng trăm trang web và nguồn khác nhau cùng một lúc, phân tích giá trị của chúng và đưa ra câu trả lời cho một truy vấn trong vài giây.</li>
<li>Các cuộc họp được sắp xếp hợp lý: Tìm kiếm thông minh được tích hợp trong các nền tảng UC như Zoom hoặc Microsoft Teams có thể giúp giảm bớt thời gian họp dài và gây khó chịu.</li>
<li>Kết quả tìm kiếm chính xác và phù hợp hơn: Các mô hình AI được nâng cao có thể tìm kiếm qua nhiều nguồn thông tin với tốc độ cao, giúp tăng khả năng tìm được câu trả lời phù hợp ngay lập tức. </li>
<li>Chia sẻ kiến thức được cải thiện: Các giải pháp tìm kiếm thông minh như Perplexity AI không chỉ tóm tắt thông tin từ internet thành các phản hồi đơn giản, dựa trên văn bản đối với các truy vấn. Chúng cũng có thể chuyển đổi dữ liệu thành các định dạng khác nhau, giúp việc chia sẻ kiến thức với toàn bộ nhóm dễ dàng hơn.</li>
<li>Giảm tải ứng dụng: Việc xây dựng các tính năng tìm kiếm thông minh vào một nền tảng Truyền thông hợp nhất có nghĩa là nhân viên có thể truy cập nhiều công cụ hơn trong một môi trường duy nhất.</li>
<li>Nâng cao trải nghiệm của nhân viên: Việc sử dụng các nền tảng UC dễ dàng và thuận tiện hơn, giúp nhân viên hài lòng và năng suất hơn.</li>
</ul>
Tác động liên tục của AI đối với Truyền thông hợp nhất:
AI, đặc biệt là các giải pháp tiên tiến như hệ thống AI thế hệ và đối thoại, đang có tác động to lớn đến bối cảnh truyền thông hợp nhất. 
AI không chỉ đơn giản hóa việc tóm tắt các cuộc họp và tạo nội dung, mà còn trở thành những "trợ lý cá nhân" thực sự cho nhân viên ngày nay. Được tích hợp vào các công cụ UC, chúng có thể cung cấp hướng dẫn và hỗ trợ liên tục cho hầu hết mọi nhiệm vụ mà nhân viên phải đối mặt. 
Tương lai của tìm kiếm thông minh trong UC:
Zoom chỉ là một trong những công ty đầu tiên nhúng các giải pháp tìm kiếm thông minh cấp cao vào nền tảng truyền thông hợp nhất của mình. 
Mặc dù có thể không phải là tính năng AI tiên tiến nhất mà một nền tảng UC có thể cung cấp ngày nay, nhưng tìm kiếm thông minh chắc chắn sẽ mang lại nhiều lợi ích cho người dùng. 
Nó có thể là giai đoạn tiếp theo trong việc biến các nền tảng UC trở nên thuận tiện, toàn diện và thân thiện với người dùng hơn đối với tất cả mọi người.

Tìm kiếm thông minh: AI nâng cao trải nghiệm người dùng trong UC

Tìm kiếm thông minh: Cách AI nâng cao trải nghiệm người dùng trong UC Mục lục Hiểu về tìm kiếm thông minh trong doanh nghiệp Zoom và Per...

tháng 11 10, 2024

Cái Chết Của Google Tìm Kiếm?

<h2>Cái Chết Của Công Cụ Tìm Kiếm</h2>
Mục lục
<ol>
<li>AI đang cách mạng hóa cách thức tìm kiếm thông tin trên mạng</li>
<li>AI và Công Cụ Tìm Kiếm: Sự kết hợp hoàn hảo?</li>
<li>AI Tìm Kiếm: Hứa hẹn, Thách thức và Lạ lùng</li>
<li>Sự khác biệt giữa AI Tìm Kiếm và Google Tìm Kiếm</li>
<li>Cái giá của sự tiện lợi: Mất đi sự tò mò và khám phá</li>
<li>Bóng ma kiểm soát: AI Tìm Kiếm và sự độc quyền thông tin</li>
<li>Kết luận: Tạm biệt Web như chúng ta biết</li>
</ol>
1. AI đang cách mạng hóa cách thức tìm kiếm thông tin trên mạng
Trong vòng gần hai năm, những công ty công nghệ lớn nhất thế giới đã tuyên bố rằng AI sẽ biến đổi web, cuộc sống của bạn và cả thế giới. Nhưng trước hết, họ đang tái tạo lại công cụ tìm kiếm đơn giản.
2. AI và Công Cụ Tìm Kiếm: Sự kết hợp hoàn hảo?
Về lý thuyết, chatbot và tìm kiếm là một cặp hoàn hảo. Google Tìm kiếm thông thường diễn giải truy vấn và đưa ra kết quả phù hợp. Các công ty công nghệ đã bỏ ra hàng chục hoặc hàng trăm triệu đô la để thiết kế các chatbot có thể diễn giải đầu vào của con người, tổng hợp thông tin và đưa ra phản hồi trôi chảy, hữu ích. Không cần tinh chỉnh từ khóa hay lục tìm Wikipedia nữa - ChatGPT sẽ làm tất cả. Tìm kiếm cũng là một mục tiêu hấp dẫn: Định hình cách mọi người điều hướng internet đồng nghĩa với việc định hình chính internet.
3. AI Tìm Kiếm: Hứa hẹn, Thách thức và Lạ lùng
Hàng tháng trời dự đoán về AI thế hệ tiếp theo nay đã đạt đến đỉnh điểm, gần như đồng thời, với cái nhìn rõ ràng nhất về tương lai của internet. Sau một loạt phát hành giới hạn và demo sản phẩm, đầy những trở ngại và sai sót đáng xấu hổ, các công ty công nghệ đang ra mắt các công cụ tìm kiếm chạy bằng AI với tư cách là sản phẩm hoàn thiện, toàn diện.
4. Sự khác biệt giữa AI Tìm Kiếm và Google Tìm Kiếm
Trong nhiều năm, thanh tìm kiếm đã trở thành một thực thể quen thuộc. Mọi người trên khắp thế giới đều quen thuộc với nó; nhiều thế hệ ngầm hiểu Google là cách thức đầu tiên và tốt nhất để tìm hiểu về bất kỳ điều gì. Nhập một truy vấn, lọc qua danh sách liên kết, nhập một truy vấn tiếp theo, nhận thêm liên kết và cứ như vậy cho đến khi câu hỏi của bạn được trả lời hoặc thắc mắc được giải đáp. Tính gián tiếp và khẩu độ rộng đó - tất cả những cú nhấp chuột và cuộn trang - theo một cách nào đó là những phẩm chất đặc trưng của Google Tìm kiếm truyền thống, cho phép (thậm chí buộc) bạn đi qua chiều sâu và bề rộng của các kết nối, những thứ biện minh cho thuật ngữ world-wide web. Theo nghĩa đó, siêu liên kết là khối xây dựng của internet hiện đại.
5. Cái giá của sự tiện lợi: Mất đi sự tò mò và khám phá
AI Tìm Kiếm có thể khiến cho chúng ta mất đi sự tò mò và khám phá, những điều tạo nên sự thú vị trong việc tìm kiếm thông tin trên Internet. 
6. Bóng ma kiểm soát: AI Tìm Kiếm và sự độc quyền thông tin
Việc kiểm soát công cụ tìm kiếm đồng nghĩa với việc kiểm soát cách thức hầu hết mọi người truy cập mọi thứ kỹ thuật số khác - đó là một nền tảng tuyệt vời để giành được sự tin tưởng và khả năng hiển thị, quảng cáo hoặc ảnh hưởng đến dư luận.
7. Kết luận: Tạm biệt Web như chúng ta biết
Internet đang thay đổi, và không ai bên ngoài những tập đoàn này có quyền quyết định. Và sự thay đổi lớn nhất, hữu ích nhất và đáng sợ nhất có thể đến từ các công cụ tìm kiếm chạy bằng AI hoạt động hoàn hảo. 
Với AI, mục tiêu là giữ bạn trong hệ sinh thái của một công ty công nghệ - giữ bạn sử dụng giao diện AI và nhận thông tin mà AI cho là phù hợp và cần thiết. AI Tìm Kiếm sẽ khiến cho cuộc sống của chúng ta thuận tiện và hợp lý hơn, nhưng có thể bớt đi phần nào sự kỳ diệu và thú vị, bớt đi phần nào sự sáng tỏ. Một quy trình từng hướng đến việc khám phá sẽ chuyển sang khai thác. Ít đi lang thang, nhiều đi săn. Không còn những điều chưa biết. Nếu những công ty này thực sự đạt được mục tiêu của mình, sẽ không còn siêu liên kết nữa - và do đó, sẽ không còn web thực sự.

Cái Chết Của Google Tìm Kiếm?

Cái Chết Của Công Cụ Tìm Kiếm Mục lục AI đang cách mạng hóa cách thức tìm kiếm thông tin trên mạng AI và Công Cụ Tìm Kiếm: Sự kết hợp ho...

tháng 11 10, 2024

AI300: Cách Mạng Tính Toán Trí Tuệ Nhân Tạo

<h2>AI300: Cách Mạng Tính Toán Trí Tuệ Nhân Tạo</h2>
Mục lục
<ol>
<li>AI300: Một Bước Tiến Mang Tính Cách Mạng trong Công Nghệ Tính Toán<ul>
<li>AI300 là gì?</li>
<li>Hiệu suất vượt trội và tiết kiệm năng lượng</li>
<li>Độ trễ dự đoán và nhất quán</li>
</ul>
</li>
<li>Cách Mạng AI: AI300 Định Hình Thế Giới Bằng Những Cách Bất Ngờ<ul>
<li>Ứng dụng trong quản lý thiên tai</li>
<li>Tiến bộ trong y học cá nhân hóa</li>
<li>Những tranh cãi về quyền riêng tư và việc làm</li>
<li>Cần cân bằng và đạo đức trong sử dụng công nghệ</li>
</ul>
</li>
</ol>
1. AI300: Một Bước Tiến Mang Tính Cách Mạng trong Công Nghệ Tính Toán
AI300, được phát triển bởi Groq, là một bộ công nghệ toàn diện nhằm nâng cao khả năng học máy và xử lý dữ liệu. AI300 nổi bật với khả năng xử lý các phép tính phức tạp hiệu quả và nhanh chóng, mang lại những bước tiến đáng kể trong lĩnh vực tính toán trí tuệ nhân tạo. 
AI300 là gì?
AI300 không chỉ là một giải pháp đơn lẻ, mà là một tập hợp các công nghệ được thiết kế để nâng cao hiệu suất của học máy và xử lý dữ liệu. Groq, một công ty nổi tiếng với cách tiếp cận sáng tạo đối với AI, đã phát triển AI300 nhằm xử lý các phép tính phức tạp với hiệu quả và tốc độ chưa từng có.
Hiệu suất vượt trội và tiết kiệm năng lượng
Một trong những điểm nổi bật của AI300 là khả năng cung cấp hiệu suất vượt trội mà không yêu cầu quá nhiều năng lượng tiêu thụ. Điều này đặc biệt hữu ích trong các trung tâm dữ liệu và các môi trường đòi hỏi hiệu quả năng lượng cao. Kiến trúc của AI300 tận dụng sự đơn giản để tăng cường hiệu suất xử lý, đạt tốc độ lên tới 900 teraflops mỗi giây. Hiệu suất này khiến AI300 trở thành lựa chọn lý tưởng cho các ứng dụng cần sức mạnh tính toán khổng lồ, chẳng hạn như phân tích dữ liệu thời gian thực và học sâu.
Độ trễ dự đoán và nhất quán
Ngoài ra, AI300 còn nổi bật với độ trễ dự đoán và nhất quán, khiến nó trở thành lựa chọn đáng tin cậy cho các nhà phát triển và kỹ sư cần tính xác định trong các tác vụ AI. Điều này có nghĩa là các công nghệ mới nổi như lái xe tự động, mô hình tài chính và chẩn đoán sức khỏe có thể dựa vào những hiểu biết được cung cấp bởi AI một cách nhanh chóng hơn bao giờ hết.
2. Cách Mạng AI: AI300 Định Hình Thế Giới Bằng Những Cách Bất Ngờ
AI300 đang cách mạng hóa các ngành công nghiệp trên toàn cầu, nhưng tác động của nó vượt xa khả năng kỹ thuật, thúc đẩy những thay đổi xã hội và kinh tế đáng kể.
Ứng dụng trong quản lý thiên tai
Một trong những ứng dụng hấp dẫn của AI300 là trong lĩnh vực quản lý thiên tai. Khả năng xử lý dữ liệu nhanh chóng của AI300 cho phép mô hình hóa và dự đoán thời gian thực các thảm họa tự nhiên, cung cấp cho cộng đồng các cảnh báo quan trọng và hỗ trợ trong việc ứng phó khẩn cấp hiệu quả hơn.
Tiến bộ trong y học cá nhân hóa
Ngoài ra, AI300 đang mở đường cho những tiến bộ thú vị trong y học cá nhân hóa. Khả năng phân tích nhanh chóng các tập dữ liệu khổng lồ cho phép các nhà cung cấp dịch vụ chăm sóc sức khỏe điều chỉnh phương pháp điều trị cho phù hợp với hồ sơ di truyền cá nhân như chưa từng có, tiềm năng dẫn đến kết quả thành công hơn trong các bệnh phức tạp như ung thư.
Những tranh cãi về quyền riêng tư và việc làm
Tuy nhiên, việc tích hợp AI300 vào các lĩnh vực khác nhau không phải là không có tranh cãi. Các nhà hoạt động bảo mật thông tin bày tỏ lo ngại về việc triển khai AI300 trong các công nghệ giám sát. Với sức mạnh xử lý và phân tích dữ liệu nhận dạng khuôn mặt tức thời, cuộc tranh luận về quyền tự do dân sự và quyền riêng tư đang nóng lên. Liệu lợi ích có xứng đáng với khả năng xâm phạm quyền riêng tư tiềm ẩn?
Một khía cạnh thú vị khác là vai trò của AI300 trong lực lượng lao động. Mặc dù AI300 thúc đẩy hiệu quả và năng suất, nhưng ngày càng có nhiều lo ngại về việc thay thế việc làm, đặc biệt là trong các lĩnh vực dựa nhiều vào dữ liệu. Liệu các ngành công nghiệp sẽ tận dụng công nghệ này để bổ sung cho vai trò của con người, hay vô tình đẩy các lao động ra khỏi thị trường việc làm?
Cần cân bằng và đạo đức trong sử dụng công nghệ
Việc áp dụng AI300 đặt ra những câu hỏi thiết yếu về sự cân bằng và đạo đức trong việc sử dụng công nghệ. Khi đứng ở ngưỡng cửa của làn sóng AI này, các doanh nghiệp và xã hội sẽ định hình một tương lai như thế nào để khai thác tối ưu các công nghệ này trong khi vẫn bảo vệ lợi ích con người?
Để tìm hiểu thêm về khả năng của AI, bạn có thể truy cập Groq tại <a href="https://www.groq.com">https://www.groq.com</a>.

AI300: Cách Mạng Tính Toán Trí Tuệ Nhân Tạo

AI300: Cách Mạng Tính Toán Trí Tuệ Nhân Tạo Mục lục AI300: Một Bước Tiến Mang Tính Cách Mạng trong Công Nghệ Tính Toán AI300 là gì? Hiệ...

tháng 11 10, 2024

Tác phẩm robot bán đấu giá 1 triệu USD, vượt kỳ vọng

Gemini AI: Dễ dàng Tiếp cận và Tích hợp qua Thư viện OpenAI

Mô hình ngôn ngữ nhỏ: Giải pháp hiệu quả cho xử lý thời gian thực và nhiệm vụ chuyên biệt

Mistral Ra Mắt API Điều Tiết Nội Dung Văn Bản

Mối Nguy Hiểm Của Trí Tuệ Nhân Tạo: Anthropic Kêu Gọi Điều Chỉnh Khẩn Cấp

Cerebras Systems Cách Mạng Hóa Xử Lý Suy Luận AI: Nhanh Gấp 3 Lần Với Llama 3.1-70B ở 2.100 Token/Giây

Gemini: Mở Rộng Khả Năng Tiếp Cận Với Thư Viện OpenAI

Google Vids: Công cụ tạo video AI mới của Google Workspace

Wipro Khởi Động Khu Vực Trải Nghiệm AI "Google Gemini" để Nâng Cao Tương Tác Khách Hàng

Google Gemini 2 Sẵn Sàng Đánh Bại OpenAI o1?

Chatbot Y tế Di động AI Nhẹ Dựa trên TinyML

Trí tuệ nhân tạo: Khi chatbot trở thành công cụ gieo rắc thông tin sai lệch

4 Trợ lý ảo dựa trên LLM đang làm mưa làm gió trong AI

4 Trợ lý ảo dựa trên LLM đang làm mưa làm gió trong AI

4 Trợ lý ảo dựa trên LLM đang làm mưa làm gió trong AI

Google và OpenAI: Tranh chấp về sử dụng nội dung tin tức trong đào tạo AI

Tìm kiếm thông minh: AI nâng cao trải nghiệm người dùng trong UC

Cái Chết Của Google Tìm Kiếm?

AI300: Cách Mạng Tính Toán Trí Tuệ Nhân Tạo

Bài đăng phổ biến

Labels