1. Tự động hóa quy trình (Process Automation):
Dựa trên quy trình làm việc (process workflow) và dữ liệu (data).
Cách hoạt động:
Kết hợp quy trình và dữ liệu để xây dựng kịch bản tự động hóa (automation script).
Các quy trình được lập trình trước theo các bước cụ thể, thực hiện tự động hóa các tác vụ lặp đi lặp lại mà không cần khả năng học hỏi hay sáng tạo.
Ứng dụng thực tế:
Hệ thống quản lý công việc, tự động gửi email, nhập dữ liệu, hoặc xử lý các công việc văn phòng cơ bản.
2. AI/Học máy có giám sát (Supervised AI/ML):
Dữ liệu gán nhãn (Training Dataset): Tập dữ liệu có thông tin đúng/sai để huấn luyện.
Mô hình học máy (ML Model): Sử dụng thuật toán học máy để học từ dữ liệu.
Cách hoạt động:
Mô hình học từ tập dữ liệu gán nhãn và phát triển khả năng dự đoán (Prediction) hoặc phân loại (Classification) dựa trên các mẫu đã học.
AI không tự điều chỉnh khi vận hành, nó chỉ đưa ra kết quả dựa trên kiến thức học được từ dữ liệu đã cung cấp.
Ứng dụng thực tế:
Dự đoán nhu cầu khách hàng, phát hiện gian lận tài chính, nhận diện hình ảnh, hoặc phân loại email (spam/không spam).
3. AI tạo sinh (Generative AI):
Prompt: Dữ liệu đầu vào, thường là câu lệnh hoặc yêu cầu của người dùng.
Mô hình ngôn ngữ lớn (LLM): Các mô hình AI tiên tiến (như GPT) được huấn luyện trên khối lượng lớn dữ liệu.
Cách hoạt động:
Từ các yêu cầu (prompt), AI sử dụng LLM để tạo ra nội dung mới như văn bản, hình ảnh, hoặc video.
Khác với AI giám sát, Generative AI không chỉ đưa ra kết quả dự đoán mà có thể sáng tạo dựa trên dữ liệu đã học.
Ứng dụng thực tế:
Viết bài báo, tạo hình ảnh nghệ thuật, thiết kế đồ họa, hoặc tạo video từ văn bản.
4. Agentic AI:
Agentic AI (AI có tính tác nhân) là một loại trí tuệ nhân tạo được thiết kế để hoạt động với mức độ tự chủ cao, có khả năng tự đưa ra quyết định, lập kế hoạch, và thực hiện các nhiệm vụ mà không cần sự can thiệp trực tiếp từ con người.
Mục tiêu (Goal): Khởi điểm là một nhiệm vụ hoặc mục tiêu cụ thể.
Dữ liệu (Data): Thông tin để AI lập kế hoạch và đưa ra quyết định.
Bộ nhớ (Memory): Lưu trữ các thông tin từ kinh nghiệm trước đó, giúp AI học hỏi và cải thiện.
Tích hợp hệ thống (Systems Integration): Khả năng tương tác với các hệ thống bên ngoài.
Cách hoạt động:
AI bắt đầu với một mục tiêu và tạo ra một kế hoạch (Plan) để đạt được mục tiêu đó.
Thực hiện các hành động (Act) bằng cách tích hợp với các hệ thống hoặc dữ liệu bên ngoài.
Phản ánh (Reflect) và phân tích hiệu quả của các hành động đã thực hiện.
Cuối cùng, đưa ra phản hồi (Response) để cải thiện trong các chu kỳ sau.
Đặc điểm nổi bật:
Vòng lặp tự cải thiện, có khả năng thích nghi và tự điều chỉnh.
Duy trì bộ nhớ và sử dụng kinh nghiệm để tối ưu hóa các hành động trong tương lai.
Ứng dụng thực tế:
Robot tự hành, trợ lý cá nhân AI, hoặc các hệ thống AI tự động hóa vận hành doanh nghiệp ở cấp độ cao.
So sánh và xu hướng:
1.Quy tắc cố định → 2. Học từ dữ liệu gán nhãn → 3. Sáng tạo nội dung mới → 4. Hành động tự chủ và tự cải thiện.
Agentic AI đại diện cho đỉnh cao của sự phát triển, cho phép hệ thống hoạt động một cách linh hoạt, thông minh và tự chủ hơn bao giờ hết.
Nguồn: Nguyễn Tiệp
