Cognitive Computing

Điện toán nhận thức đề cập đến việc mô phỏng các quy trình tư duy của con người trong một mô hình máy tính. Nó bao gồm các hệ thống tự học sử dụng khai thác dữ liệu, nhận dạng mẫu và xử lý ngôn ngữ tự nhiên (NLP) để bắt chước cách não bộ con người hoạt động. Mục tiêu không chỉ đơn thuần là xử lý dữ liệu mà là tạo ra các hệ thống tự động có khả năng giải quyết vấn đề mà không cần sự giám sát liên tục của con người. Khác với điện toán lập trình truyền thống vốn dựa vào các cây logic cứng nhắc, các hệ thống điện toán nhận thức mang tính xác suất; chúng tạo ra các giả thuyết, lập luận có lý và các khuyến nghị từ dữ liệu phi cấu trúc, giúp con người đưa ra quyết định tốt hơn trong các môi trường phức tạp.

Link to this sectionĐiện toán nhận thức so với Trí tuệ nhân tạo tổng quát (AGI)#

Việc phân biệt điện toán nhận thức với các khái niệm AI liên quan là rất quan trọng để hiểu rõ phạm vi cụ thể của nó.

• Điện toán nhận thức so với Trí tuệ nhân tạo tổng quát (AGI): Trong khi điện toán nhận thức bắt chước khả năng suy luận của con người, nó thường chỉ giới hạn trong một lĩnh vực cụ thể. Một hệ thống nhận thức được huấn luyện cho ngành luật không thể thực hiện phẫu thuật. AGI, hay "AI mạnh", đề cập đến một cỗ máy lý thuyết có khả năng áp dụng trí thông minh cho bất kỳ vấn đề nào, giống như con người. Điện toán nhận thức là một ứng dụng thực tiễn sẵn có ngày nay, trong khi AGI vẫn là mục tiêu nghiên cứu trong tương lai của các tổ chức như OpenAI.
• Điện toán nhận thức so với AI thống kê: AI thống kê truyền thống tập trung vào tối ưu hóa toán học để đạt được độ chính xác cao trên các tác vụ cụ thể (như phân loại). Điện toán nhận thức có cách tiếp cận rộng hơn, nhấn mạnh vào lập luận, tạo giả thuyết và giải thích dựa trên bằng chứng, thường tích hợp đồ thị tri thức để ánh xạ các mối quan hệ giữa các khái niệm.

Link to this sectionTriển khai nhận thức thị giác với Vision AI#

Nhận thức thị giác thường là bước đầu tiên trong một đường ống nhận thức. Trước khi một hệ thống có thể suy luận về một môi trường, nó phải nhận thức được môi trường đó. Các mô hình thị giác hiện đại như YOLO26 đóng vai trò là lớp đầu vào cảm biến, trích xuất các đối tượng có cấu trúc từ dữ liệu video phi cấu trúc. Dữ liệu có cấu trúc này sau đó được chuyển đến một công cụ suy luận để đưa ra quyết định.

Ví dụ sau đây minh họa cách sử dụng gói ultralytics để hoạt động như lớp nhận thức, xác định các đối tượng mà một hệ thống nhận thức có thể cần theo dõi.

from ultralytics import YOLO

# Load the YOLO26 model to serve as the visual perception engine
model = YOLO("yolo26n.pt")

# Perform inference on an image to identify objects in the environment
results = model("https://ultralytics.com/images/bus.jpg")

# Extract detected classes to feed into a cognitive reasoning system
for r in results:
    # Print the class names (e.g., 'person', 'bus') found in the scene
    for c in r.boxes.cls:
        print(model.names[int(c)])

Link to this sectionCác công nghệ hỗ trợ trí tuệ nhận thức#

Việc xây dựng một hệ sinh thái nhận thức đòi hỏi một hệ thống các công nghệ tiên tiến hoạt động đồng bộ.

• Học sâu (DL): Các mạng thần kinh cung cấp khả năng nhận dạng mẫu cần thiết để xử lý dữ liệu phi cấu trúc như hình ảnh và giọng nói.
• Phân tích dữ liệu lớn: Khả năng xử lý các luồng dữ liệu có khối lượng và tốc độ cao là rất quan trọng. Các công cụ như Apache Spark thường được sử dụng để quản lý các đường ống dữ liệu cung cấp cho các mô hình nhận thức.
• Hạ tầng đám mây: Các nền tảng như Google Cloud AI và Microsoft Azure Cognitive Services cung cấp sức mạnh tính toán có thể mở rộng cần thiết để chạy các khối lượng công việc chuyên sâu này.
• Công cụ suy luận: Ngoài việc phân loại đơn giản, các thành phần này áp dụng các quy tắc logic và suy luận xác suất vào dữ liệu. Điều này thường bao gồm các kỹ thuật AI biểu tượng để giải thích lý do tại sao một quyết định được đưa ra.

Link to this sectionCác ứng dụng trong thực tế#

Điện toán nhận thức đang thay đổi các ngành công nghiệp bằng cách tăng cường chuyên môn của con người với tốc độ và quy mô của máy móc.

1. Chẩn đoán chăm sóc sức khỏe: Trong phân tích hình ảnh y tế, các hệ thống nhận thức tiếp nhận hồ sơ bệnh nhân, tạp chí y khoa và hình ảnh chẩn đoán. Bằng cách xử lý lượng lớn dữ liệu học đa phương thức, hệ thống có thể đưa ra giả thuyết về các chẩn đoán tiềm năng và gợi ý kế hoạch điều trị cho các bác sĩ ung bướu, giúp giảm sai sót chẩn đoán và cá nhân hóa việc chăm sóc.

2. Nông nghiệp thông minh: Các hệ thống nhận thức thúc đẩy canh tác chính xác bằng cách phân tích hình ảnh vệ tinh, kiểu thời tiết và dữ liệu cảm biến đất. Các giải pháp sử dụng AI trong Nông nghiệp có thể suy luận về sức khỏe cây trồng, dự đoán sự bùng phát dịch bệnh trước khi chúng lây lan và tự động điều chỉnh hệ thống tưới tiêu để tối ưu hóa năng suất trong khi vẫn bảo tồn nước.

Bằng cách tích hợp các đầu vào cảm biến từ các mô hình như Ultralytics YOLO26 với các khả năng suy luận tiên tiến, điện toán nhận thức đang mở đường cho những cỗ máy không chỉ tính toán mà còn có thể thấu hiểu. Việc quản lý vòng đời của các mô hình phức tạp này được tối ưu hóa thông qua Nền tảng Ultralytics, tạo điều kiện cho việc huấn luyện, gắn nhãn và triển khai trên các môi trường đa dạng.