AI Literacy

Năng lực hiểu biết về AI là khả năng hiểu, sử dụng và đánh giá AI một cách phản biện, đồng thời nhận thức được những hạn chế và trách nhiệm liên quan. Người có năng lực hiểu biết về AI cần biết cách chọn công cụ phù hợp, chất vấn đầu ra, bảo vệ thông tin nhạy cảm và xác định khi nào cần đến phán đoán của con người. Điều này không đòi hỏi phải trở thành kỹ sư AI: mục tiêu là tham gia với hiểu biết đầy đủ, chứ không phải nắm vững mọi thuật toán.

Kỹ năng này áp dụng cho chatbot, hệ thống gợi ý, model dự đoán và thị giác máy tính, lĩnh vực phân tích hình ảnh và video. Trong tất cả các ứng dụng này, câu hỏi cốt lõi đều giống nhau: Bằng chứng nào cho thấy có thể dựa vào hệ thống này để thực hiện tác vụ này?

Các năng lực cốt lõi về hiểu biết AI#

Điểm khởi đầu hữu ích là kết hợp giữa hiểu biết, đánh giá và sử dụng có trách nhiệm, như được mô tả trong khung năng lực hiểu biết về AI của Digital Promise. Những năng lực này củng cố lẫn nhau.

Hiểu biết bao gồm việc nhận ra rằng machine learning học các mẫu từ dữ liệu thay vì chỉ tuân theo những quy tắc được lập trình rõ ràng. Model là phần mềm được huấn luyện để đưa ra dự đoán hoặc tạo nội dung. Như phần giới thiệu về machine learning của Google giải thích, các phương pháp học khác nhau phù hợp với những tác vụ khác nhau. Quá trình huấn luyện phát triển model; suy luận áp dụng model vào dữ liệu đầu vào mới.

Đánh giá có nghĩa là kiểm tra xem đầu ra có chính xác và phù hợp với bối cảnh sử dụng dự kiến hay không. Văn bản trôi chảy không chứng minh được tính xác thực, và dự đoán chắc chắn không phải là bảo đảm. Người đọc nên xem xét liệu dữ liệu đánh giá có tương tự môi trường nơi hệ thống sẽ hoạt động hay không.

Sử dụng có trách nhiệm đặt ra thêm các câu hỏi về quyền riêng tư, tính công bằng và trách nhiệm giải trình. Ai có thể bị tổn hại do lỗi? Thông tin nào cần được giữ kín? Ai rà soát các quyết định có hệ quả đáng kể? Khung quản lý rủi ro AI của NIST cung cấp nền tảng có cấu trúc để xem xét những rủi ro này.

Năng lực hiểu biết về AI và các khái niệm liên quan#

Năng lực hiểu biết về AI có điểm giao thoa với năng lực hiểu biết số, vốn đề cập đến việc sử dụng và đánh giá công nghệ số nói chung. Năng lực hiểu biết dữ liệu tập trung cụ thể hơn vào việc diễn giải dữ liệu, thống kê và bằng chứng. Năng lực hiểu biết về AI kết nối những kỹ năng này với các hệ thống đưa ra dự đoán, tạo nội dung hoặc hỗ trợ ra quyết định.

Kỹ thuật tạo prompt—thiết kế chỉ dẫn cho model AI—là một kỹ năng thực tiễn thuộc năng lực hiểu biết về AI, chứ không thể thay thế năng lực này. Một người có thể viết prompt hiệu quả nhưng vẫn bỏ qua câu trả lời không chính xác hoặc việc chia sẻ dữ liệu không phù hợp.

Tương tự, đạo đức AI xem xét các nguyên tắc như tính công bằng và trách nhiệm giải trình; năng lực hiểu biết về AI giúp mọi người áp dụng những nguyên tắc đó trong các tương tác hằng ngày. Phần giải thích về năng lực hiểu biết AI của Stanford nhấn mạnh rằng vận hành công cụ và đánh giá các hệ quả đạo đức của công cụ là những năng lực khác biệt nhưng bổ trợ cho nhau.

Ứng dụng thực tế#

Kiểm tra trong sản xuất: Hãy xét một hệ thống phát hiện lỗi dùng camera để kiểm tra vết nứt trên sản phẩm. Người vận hành có năng lực hiểu biết về AI sẽ phân biệt được dương tính giả—sản phẩm đạt yêu cầu nhưng bị đánh dấu là lỗi—với âm tính giả—sản phẩm có lỗi nhưng không được phát hiện. Trường hợp đầu dẫn đến việc loại bỏ không cần thiết; trường hợp sau khiến lỗi lọt qua khâu kiểm tra. Hiểu về precision và recall giúp nhóm đánh giá cả hai loại lỗi: precision đo tỷ lệ lỗi được đánh dấu là lỗi thực sự, còn recall đo tỷ lệ lỗi thực tế được phát hiện.

Hỗ trợ trong lớp học: Học sinh sử dụng chatbot để giải thích một chủ đề khoa học. Học sinh có năng lực hiểu biết về AI xem câu trả lời là điểm khởi đầu, kiểm tra các khẳng định thực tế bằng tài liệu môn học và tránh gửi thông tin cá nhân. Giáo viên yêu cầu học sinh giải thích những chỗ đã chỉnh sửa và công khai việc sử dụng công cụ hỗ trợ. Cách làm này biến việc sử dụng công cụ thành cơ hội rèn luyện kỹ năng xác minh và tư duy độc lập, phù hợp với phương pháp lấy con người làm trung tâm trong khung năng lực AI dành cho học sinh của UNESCO.

Bài thực hành về thị giác máy tính#

Thực hành kiểm tra giúp thấy rõ sự khác biệt giữa dự đoán và thực tế. Cài đặt package bằng pip install -U ultralytics theo hướng dẫn cài đặt của Ultralytics.

Ví dụ này sử dụng Ultralytics YOLO cùng model phát hiện YOLO26 đã được huấn luyện trước và quy trình dự đoán được tài liệu hướng dẫn:

from ultralytics import YOLO

# Tải model phát hiện đối tượng đã được huấn luyện trước.
model = YOLO("yolo26n.pt")

# Chạy suy luận trên ảnh mẫu công khai.
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# Lưu các dự đoán có nhãn để kiểm tra bằng mắt.
result.save(filename="ai_literacy_example.jpg")

Ảnh đã lưu hiển thị nhãn và bounding box của các đối tượng được dự đoán. Hãy so sánh chúng với những gì bạn thực sự nhìn thấy: có đối tượng nào bị bỏ sót, gán nhãn sai hoặc định vị không chính xác không? Bài thực hành này giúp phát triển khả năng đánh giá phản biện; một ảnh cho kết quả tốt không chứng minh hệ thống đáng tin cậy trong các môi trường khác.

Phát triển và đánh giá năng lực hiểu biết về AI#

Bắt đầu với một tác vụ quen thuộc, xác định kết quả đúng sẽ như thế nào và quyết định những lỗi nào đáng quan tâm. So sánh đầu ra với bằng chứng độc lập và ghi lại các hạn chế trước khi mở rộng phạm vi sử dụng.

Với trẻ em, hãy sử dụng các hoạt động phù hợp với lứa tuổi, giúp các em quan sát được lỗi mà không cần lập trình nâng cao. Các bài học về năng lực hiểu biết AI của Common Sense Education hỗ trợ thảo luận về thiên kiến, chất lượng thông tin và sự tham gia có trách nhiệm.

Đánh giá năng lực hiểu biết thông qua khả năng phán đoán thể hiện được, chứ không chỉ dựa vào mức độ quen thuộc với công cụ. Người học có thể giải thích các hạn chế của đầu ra, xác minh một khẳng định, bảo vệ dữ liệu riêng tư và nêu lý do khi không nên sử dụng AI hay không? Những năng lực này có thể áp dụng cho nhiều công cụ và ứng dụng khác nhau.