AI biếtAI biết
AI Knowledge
AI Knowledge
  • Ai biết

    • AI Knowledge
    • 100 AI Concepts – Glossary
  • Tools

    • Cloudflare tools
    • Typescript tool
    • Python AI / ML Ecosystem

100 AI Concepts – Glossary

1. AI Fundamentals

  1. Artificial Intelligence (AI) – Trí tuệ nhân tạo, lĩnh vực xây dựng hệ thống có khả năng thực hiện các tác vụ đòi hỏi trí thông minh của con người.
  2. Machine Learning (ML) – Học máy, phương pháp giúp máy tính học quy luật từ dữ liệu.
  3. Deep Learning (DL) – Học sâu, nhánh ML sử dụng mạng neural nhiều tầng.
  4. Neural Network – Mạng nơ-ron nhân tạo, mô hình tính toán lấy cảm hứng từ hệ thần kinh.
  5. Artificial General Intelligence (AGI) – Trí tuệ nhân tạo tổng quát.
  6. Narrow AI – AI chuyên biệt, được thiết kế cho các nhiệm vụ cụ thể.
  7. Generative AI (GenAI) – AI tạo sinh văn bản, hình ảnh, âm thanh, video hoặc code.
  8. Multimodal AI – AI có khả năng xử lý nhiều dạng dữ liệu khác nhau.
  9. Inference – Quá trình sử dụng mô hình đã huấn luyện để tạo kết quả.
  10. Model – Mô hình AI, hệ thống toán học học các quy luật từ dữ liệu.

2. Machine Learning

  1. Supervised Learning – Học có giám sát bằng dữ liệu đã gắn nhãn.
  2. Unsupervised Learning – Học không giám sát, tìm cấu trúc trong dữ liệu chưa gắn nhãn.
  3. Semi-supervised Learning – Học bán giám sát, kết hợp dữ liệu có nhãn và không nhãn.
  4. Reinforcement Learning (RL) – Học tăng cường thông qua tương tác và phần thưởng.
  5. Self-supervised Learning – Học tự giám sát, tạo tín hiệu học từ chính dữ liệu.
  6. Transfer Learning – Học chuyển giao kiến thức từ mô hình đã huấn luyện.
  7. Fine-tuning – Tinh chỉnh mô hình bằng dữ liệu chuyên biệt.
  8. Overfitting – Mô hình học quá sát dữ liệu huấn luyện.
  9. Underfitting – Mô hình chưa học đủ để nắm bắt quy luật dữ liệu.
  10. Cross-validation – Phương pháp chia dữ liệu để đánh giá mô hình.

3. Deep Learning & Model Architecture

  1. Transformer – Kiến trúc neural network sử dụng Attention.
  2. Attention Mechanism – Cơ chế giúp mô hình tập trung vào thông tin quan trọng.
  3. Self-Attention – Cơ chế đánh giá mức độ liên quan giữa các token.
  4. Embedding – Biểu diễn dữ liệu thành vector số.
  5. Vector Space – Không gian biểu diễn các đối tượng bằng vector.
  6. Positional Encoding – Cách cung cấp thông tin vị trí cho token.
  7. Encoder – Thành phần mã hóa dữ liệu đầu vào.
  8. Decoder – Thành phần tạo đầu ra từ biểu diễn đã xử lý.
  9. Mixture of Experts (MoE) – Kiến trúc sử dụng nhiều expert network và cơ chế routing.
  10. Diffusion Model – Mô hình tạo sinh học cách khôi phục dữ liệu từ trạng thái nhiễu.

4. LLM – Large Language Models

  1. Large Language Model (LLM) – Mô hình ngôn ngữ lớn được huấn luyện trên dữ liệu quy mô lớn.
  2. Token – Đơn vị dữ liệu mà LLM sử dụng để xử lý văn bản.
  3. Tokenization – Quá trình chuyển văn bản thành chuỗi token.
  4. Context Window – Giới hạn lượng token mô hình có thể tiếp nhận.
  5. Prompt – Nội dung đầu vào định hướng kết quả của mô hình.
  6. System Prompt – Chỉ dẫn cấp hệ thống quy định vai trò và hành vi AI.
  7. Prompt Engineering – Kỹ thuật thiết kế prompt để cải thiện kết quả.
  8. Temperature – Tham số điều chỉnh mức độ ngẫu nhiên khi sinh kết quả.
  9. Top-p Sampling – Phương pháp chọn token dựa trên xác suất tích lũy.
  10. Hallucination – Hiện tượng AI tạo thông tin sai nhưng trình bày như sự thật.

5. RAG & Knowledge Systems

  1. Retrieval-Augmented Generation (RAG) – Kết hợp truy xuất dữ liệu bên ngoài với khả năng sinh nội dung của LLM.
  2. Vector Database – Cơ sở dữ liệu chuyên lưu trữ và tìm kiếm vector.
  3. Semantic Search – Tìm kiếm dựa trên ý nghĩa và ngữ cảnh.
  4. Chunking – Chia tài liệu thành các đoạn nhỏ.
  5. Indexing – Tổ chức dữ liệu để tìm kiếm hiệu quả.
  6. Retrieval – Quá trình truy xuất dữ liệu liên quan.
  7. Reranking – Sắp xếp lại kết quả truy xuất theo mức độ liên quan.
  8. Hybrid Search – Kết hợp tìm kiếm từ khóa và tìm kiếm ngữ nghĩa.
  9. Knowledge Graph – Đồ thị biểu diễn thực thể và mối quan hệ.
  10. Grounding – Neo câu trả lời AI vào nguồn dữ liệu hoặc bằng chứng cụ thể.

6. AI Agents & Agentic Systems

  1. AI Agent – Hệ thống AI có khả năng nhận mục tiêu, lập kế hoạch và thực hiện hành động.
  2. Agentic AI – Cách tiếp cận xây dựng hệ thống AI có tính tự chủ.
  3. Agent Loop – Vòng lặp nhận thông tin, suy luận, hành động và quan sát.
  4. Tool Calling – Khả năng yêu cầu thực thi công cụ bên ngoài.
  5. Function Calling – Cơ chế gọi hàm với các tham số có cấu trúc.
  6. Planning – Quá trình chia mục tiêu thành các bước thực hiện.
  7. Task Decomposition – Phân rã nhiệm vụ phức tạp thành nhiệm vụ nhỏ.
  8. Multi-Agent System – Hệ thống nhiều agent phối hợp với nhau.
  9. Agent Memory – Cơ chế lưu giữ thông tin cho agent.
  10. Human-in-the-loop (HITL) – Đưa con người vào quy trình giám sát hoặc xác nhận.

7. AI Engineering & Agent Infrastructure

  1. AI Harness – Lớp hạ tầng bao quanh model, cung cấp môi trường thực thi, tools, context và kiểm soát.
  2. MCP (Model Context Protocol) – Giao thức chuẩn hóa cách ứng dụng AI kết nối với dữ liệu và công cụ bên ngoài.
  3. MCP Server – Thành phần cung cấp tools, resources và prompts thông qua MCP.
  4. Orchestration – Điều phối model, agent, tool và workflow.
  5. Workflow – Chuỗi bước thực thi nhằm hoàn thành một nhiệm vụ.
  6. State Management – Quản lý trạng thái của agent hoặc workflow.
  7. Checkpointing – Lưu trạng thái để có thể khôi phục hoặc tiếp tục.
  8. Sandbox – Môi trường cô lập để AI thực thi code hoặc thao tác an toàn.
  9. Computer Use – Khả năng AI tương tác với máy tính qua giao diện đồ họa.
  10. Browser Automation – Tự động hóa thao tác trình duyệt bằng AI hoặc công cụ điều khiển.

8. AI Development & Optimization

  1. Quantization – Giảm độ chính xác biểu diễn trọng số để giảm dung lượng mô hình.
  2. Pruning – Loại bỏ thành phần ít quan trọng của mô hình.
  3. Knowledge Distillation – Chuyển giao kiến thức từ mô hình lớn sang mô hình nhỏ.
  4. LoRA (Low-Rank Adaptation) – Kỹ thuật fine-tuning bằng các ma trận hạng thấp.
  5. QLoRA – Kết hợp quantization và LoRA để tiết kiệm tài nguyên khi fine-tuning.
  6. Batch Inference – Xử lý nhiều yêu cầu inference trong cùng một batch.
  7. Streaming Inference – Trả kết quả từng phần thay vì chờ hoàn tất.
  8. KV Cache – Bộ nhớ lưu Key và Value đã tính toán để giảm chi phí xử lý.
  9. Speculative Decoding – Sử dụng mô hình dự đoán nhanh để hỗ trợ mô hình lớn sinh token.
  10. Model Routing – Điều hướng yêu cầu đến model phù hợp.

9. AI Evaluation, Security & Reliability

  1. AI Evaluation (Evals) – Đo lường chất lượng và khả năng thực hiện nhiệm vụ của AI.
  2. Benchmark – Bộ tiêu chuẩn dùng để so sánh hiệu năng mô hình.
  3. Accuracy – Tỷ lệ dự đoán chính xác.
  4. Precision – Tỷ lệ dự đoán dương tính chính xác.
  5. Recall – Tỷ lệ trường hợp dương tính thực tế được phát hiện.
  6. F1 Score – Trung bình điều hòa giữa Precision và Recall.
  7. Observability – Khả năng theo dõi hệ thống thông qua logs, metrics và traces.
  8. Prompt Injection – Tấn công bằng cách đưa chỉ dẫn độc hại vào nội dung AI tiếp nhận.
  9. Guardrails – Cơ chế kiểm soát đầu vào, đầu ra và hành động của AI.
  10. Red Teaming – Kiểm thử có chủ đích để tìm lỗ hổng hệ thống AI.

10. AI Ecosystem & Advanced Concepts

  1. Foundation Model – Mô hình nền tảng có thể thích nghi với nhiều nhiệm vụ.
  2. Small Language Model (SLM) – Mô hình ngôn ngữ nhỏ, tối ưu cho tài nguyên hạn chế hoặc tác vụ chuyên biệt.
  3. Open-weight Model – Mô hình công khai trọng số theo giấy phép tương ứng.
  4. Model-as-a-Service (MaaS) – Cung cấp mô hình thông qua dịch vụ API.
  5. Inference Engine – Runtime chịu trách nhiệm thực thi và tối ưu mô hình.
  6. GPU Acceleration – Sử dụng GPU để tăng tốc tính toán AI.
  7. AI-as-a-Service (AIaaS) – Cung cấp năng lực AI dưới dạng dịch vụ đám mây.
  8. Synthetic Data – Dữ liệu nhân tạo phục vụ huấn luyện và kiểm thử.
  9. Continual Learning – Khả năng cập nhật kiến thức theo thời gian.
  10. Loop Engineering – Thiết kế và tối ưu vòng lặp phản hồi giữa AI, công cụ, môi trường và kết quả thực thi.
Prev
AI Knowledge