Google Gemini 2 Sẵn Sàng Đánh Bại OpenAI o1?

<h2>Google Gemini 2 Sẵn Sàng Khẳng Định Vị Thế Trên OpenAI o1?</h2> <p><strong>Mục lục:</strong></p> <ol> <li><strong>Sự xuất hiện của Gemini 2.0-Pro-Exp-0111</strong></li> <li><strong>Gemini 2 mạnh mẽ hơn OpenAI o1</strong></li> <li><strong>Lấy cảm hứng từ Anthropic</strong></li> <li><strong>Google giành lại vị thế từ OpenAI</strong></li> <li><strong>Kết luận</strong></li> </ol> <p><strong>1. Sự xuất hiện của Gemini 2.0-Pro-Exp-0111</strong></p> <p>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. </p> <p>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. </p> <p>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.</p> <p><strong>2. Gemini 2 mạnh mẽ hơn OpenAI o1</strong></p> <p>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. </p> <p>Điều này cho thấy Google có thể sẽ thực hiện lời dự đoán trước đây của <strong>AIM</strong>, rằng Google sẽ tạo ra một mô hình tốt hơn OpenAI o1. </p> <p><strong>3. Lấy cảm hứng từ Anthropic</strong></p> <p>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. </p> <p>Tính năng này được gọi là "Jarvis" và đã bị rò rỉ gần đây. </p> <p>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.</p> <p><strong>4. Google giành lại vị thế từ OpenAI</strong></p> <p>Google đã đạt được thành công đáng kể với các sản phẩm mới, ví dụ điển hình là NotebookLM. </p> <p>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. </p> <p>Gemini 1.5 được biết đến với khả năng xử lý đồng thời mã, hình ảnh, video và văn bản. </p> <p>GitHub đã hợp tác với Google để đưa Gemini 1.5 Pro vào GitHub Copilot. </p> <p>Google đang phát triển AI có khả năng suy luận tương tự như con người, có thể được tích hợp vào nền tảng Gemini. </p> <p><strong>5. Kết luận</strong></p> <p>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. </p> <p>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.</p> <p><img alt="Logo" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg"></p>

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...

Read more »

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><strong>Giới thiệu</strong></li> <li><strong>Khảo sát tài liệu</strong><ul> <li>Chẩn đoán y tế</li> <li>Quản lý hỗ trợ và điều dưỡng</li> </ul> </li> <li><strong>Chatbot AI dựa trên giọng nói được đề xuất</strong><ul> <li>Tại sao chatbot dựa trên TinyML?</li> </ul> </li> <li><strong>Thực thi</strong><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><strong>Kết quả</strong><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><strong>Thảo luận</strong></li> <li><strong>Kết luận</strong></li> <li><strong>Phần đạo đức và đồng ý</strong></li> <li><strong>Tài trợ</strong></li> <li><strong>Báo cáo công khai</strong></li> <li><strong>Tài liệu tham khảo</strong></li> </ol> <h3>1. Giới thiệu</h3> <p>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.</p> <h3>2. Khảo sát tài liệu</h3> <p>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.</p> <h3>2.1 Chẩn đoán y tế</h3> <p>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%.</p> <h3>2.2 Quản lý hỗ trợ và điều dưỡng</h3> <p>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>}</p> <p>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>}</p> <p>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.</p> <p>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.</p> <p>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.</p> <p>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>}</p> <h3>3. Chatbot AI dựa trên giọng nói được đề xuất</h3> <p>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. </p> <h3>3.1 Tại sao chatbot dựa trên TinyML?</h3> <p>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:</p> <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> <p>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.</p> <p>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.</p> <h3>4. Thực thi</h3> <p>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.</p> <h3>4.1 Nhận dạng bệnh nhân</h3> <p>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:</p> <p>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.</p> <p>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".</p> <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.</p> <p>Bước 4: Huấn luyện Máy Hỗ trợ Vector Tuyến tính (LSVM) dựa trên các mẫu dương và âm tính đã thu thập được.</p> <p>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.</p> <h3>4.2 Đo nhiệt độ</h3> <p>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:</p> <p>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.</p> <p>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.</p> <p>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.</p> <p>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.</p> <p>Bước 5: Sau 10 giây, cảm biến ghi lại nhiệt độ của bệnh nhân.</p> <p>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.</p> <p>Bước 7: Dữ liệu nhiệt độ được chuyển đổi sang định dạng JSON và được gửi đến bảng tính Google cloud.</p> <p>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.</p> <h3>4.3 Thực thi chatbot</h3> <p>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.</p> <h4>Bước 1: Bộ dữ liệu giọng nói</h4> <p>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.</p> <h4>Bước 2: Trích xuất đặc trưng âm thanh</h4> <p>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.</p> <h4>Bước 3: Huấn luyện mô hình</h4> <p>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.</p> <h4>Bước 4: Triển khai chatbot</h4> <p>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.</p> <h3>4.4 Tích hợp</h3> <p>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.</p> <h3>5. Kết quả</h3> <p>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.</p> <h3>5.1 Kết quả nhận dạng khuôn mặt</h3> <p>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%. </p><p>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>.</p> <div href="#ref-t0001" id="t0001"></div><a href="#ref-t0001" name="t0001"></a><table class="thumbnail-table"><tbody><tr><td><br /></td><td> <p class="tabtext"><strong>Bảng 1</strong> Độ chính xác đào tạo</p> </td></tr></tbody></table> <p>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>.</p> <div href="#ref-t0002" id="t0002"></div><a href="#ref-t0002" name="t0002"></a><table class="thumbnail-table"><tbody><tr><td><br /></td><td> <p class="tabtext"><strong>Bảng 2</strong> Độ chính xác phân loại</p> </td></tr></tbody></table> <p>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.</p> <h3>5.2 Kết quả đo nhiệt độ</h3> <p>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.</p> <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...

Read more »

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

<h2><br /></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> <p>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. </p> <h3>2. Phát hiện đáng lo ngại về AI chatbots</h3> <p>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". </p> <p>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.</p> <h3>3. Nguồn gốc của vấn đề</h3> <p>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.</p> <h3>4. Tác động và nguy cơ</h3> <p>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.</p> <p>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.</p> <h3>5. Giải pháp và lời khuyên</h3> <p>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. </p> <p>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. </p> <p>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. </p> <p><img alt="Logo" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg" /></p>

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...

Read more »

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> <p><strong>Mục lục</strong></p> <ol> <li>Giới thiệu</li> <li>ChatGPT</li> <li>Gemini</li> <li>Claude</li> <li>Microsoft Copilot</li> <li>Kết luận</li> </ol> <p><strong>1. Giới thiệu</strong></p> <p>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.</p> <p>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.</p> <p><strong>2. ChatGPT</strong></p> <ul> <li><strong>Ra mắt:</strong> Tháng 11 năm 2022</li> <li><strong>Nhà sáng tạo:</strong> OpenAI</li> <li><strong>Số lượng người dùng:</strong> 180,5 triệu </li> <li><strong>Kích thước dữ liệu đào tạo (TB):</strong> 170</li> <li><strong>Lịch sử:</strong> 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><strong>Lưu ý:</strong> 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> <p><strong>3. Gemini</strong></p> <ul> <li><strong>Ra mắt:</strong> Tháng 3 năm 2023</li> <li><strong>Nhà sáng tạo:</strong> Google</li> <li><strong>Số lượng người dùng:</strong> 42 triệu người dùng hoạt động</li> <li><strong>Kích thước dữ liệu đào tạo (TB):</strong> 120</li> <li><strong>Đặc điểm:</strong> 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> <p><strong>4. Claude</strong></p> <ul> <li><strong>Ra mắt:</strong> Tháng 3 năm 2023</li> <li><strong>Nhà sáng tạo:</strong> Anthropic</li> <li><strong>Số lượng người dùng:</strong> 54,4 triệu lượt truy cập mỗi tháng</li> <li><strong>Kích thước dữ liệu đào tạo (TB):</strong> 150</li> <li><strong>Thông tin chính:</strong> 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> <p><strong>5. Microsoft Copilot</strong></p> <ul> <li><strong>Ra mắt:</strong> Tháng 2 năm 2023</li> <li><strong>Nhà sáng tạo:</strong> Microsoft</li> <li><strong>Số lượng người dùng:</strong> 28 triệu lượt truy cập mỗi tháng</li> <li><strong>Kích thước dữ liệu đào tạo (TB):</strong> Chưa được công bố</li> <li><strong>Nguồn gốc:</strong> 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> <p><strong>6. Kết luận</strong></p> <p>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.</p> <p><img alt="Logo" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg"></p>

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...

Read more »

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><strong>Google và OpenAI: Cuộc chiến về dữ liệu tin tức</strong></li> <li><strong>Google cáo buộc OpenAI sử dụng nội dung tin tức không trả phí</strong></li> <li><strong>OpenAI phản bác và đưa ra lập luận của mình</strong></li> <li><strong>Sự phức tạp của vấn đề đạo đức và pháp lý</strong></li> <li><strong>Kết luận</strong></li> </ol> <h3>1. Google và OpenAI: Cuộc chiến về dữ liệu tin tức</h3> <p>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.</p> <h3>2. Google cáo buộc OpenAI sử dụng nội dung tin tức không trả phí</h3> <p>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.</p> <h3>3. OpenAI phản bác và đưa ra lập luận của mình</h3> <p>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.</p> <h3>4. Sự phức tạp của vấn đề đạo đức và pháp lý</h3> <p>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.</p> <h3>5. Kết luận</h3> <p>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.</p> <p><img alt="Logo" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg"></p>

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...

Read more »

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> <p><strong>Mục lục</strong></p> <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> <p><strong>Nội dung bài báo:</strong></p> <p>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.</p> <p><strong>Hiểu về tìm kiếm thông minh trong doanh nghiệp:</strong></p> <p>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. </p> <p>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.</p> <p><strong>Zoom và Perplexity: Mang tìm kiếm thông minh vào UC:</strong></p> <p>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. </p> <p>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.</p> <p><strong>Sức mạnh của các giải pháp tìm kiếm AI:</strong></p> <p>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.</p> <p>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. </p> <p><strong>Lợi ích của tìm kiếm thông minh đối với giải pháp UC:</strong></p> <p>Tích hợp tìm kiếm thông minh vào các nền tảng UC mang lại nhiều lợi ích, bao gồm:</p> <ul> <li><strong>Quy trình tìm kiếm nhanh hơn:</strong> 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><strong>Các cuộc họp được sắp xếp hợp lý:</strong> 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><strong>Kết quả tìm kiếm chính xác và phù hợp hơn:</strong> 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><strong>Chia sẻ kiến thức được cải thiện:</strong> 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><strong>Giảm tải ứng dụng:</strong> 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><strong>Nâng cao trải nghiệm của nhân viên:</strong> Việc sử dụng các nền tảng UC dễ dàng và thuận tiện hơn, giúp nhân viên hài lòng và năng suất hơn.</li> </ul> <p><strong>Tác động liên tục của AI đối với Truyền thông hợp nhất:</strong></p> <p>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. </p> <p>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. </p> <p><strong>Tương lai của tìm kiếm thông minh trong UC:</strong></p> <p>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. </p> <p>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. </p> <p>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. </p> <p><img alt="Logo" src="https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEjrwz9PG3ltGG7b-dJ4KGk3s069Qm95v6sNrat4kvH0lfkQfaNlJaH9zwxr8dpplA6PuIRfSF37QHQNHMbLPv5L3qtUcPF13MFopQhf4DEsNlGlpTRWPCJiFKQyLn2U7FALiR1Y7Qmn9RnrPu9YeuJv2Cne8sMo84Yjl2ukMgJqXbUu4C7coTJ44-0vNsBY/s16000/logo-new.jpg"></p>

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...

Read more »