Featured

GS Ngô Bảo Châu suy nghĩ về AI

Ảnh sinh bởi AI. Bản dịch bởi ChatGPT. Chú thích (trong ngoặc) bởi Nguyễn Ngọc Tuấn.

Link bài gốc: https://ngobaochau.wordpress.com/2025/08/31/random-thoughts-from-a-wheelchair/

Những suy nghĩ ngẫu hứng từ chiếc xe lăn

Trước hết, tôi xin bày tỏ sự trân trọng đối với Hội Toán học London về sáng kiến tuyệt vời này, và cảm ơn Hội đã chọn Viện chúng tôi (Viện Nghiên cứu cao cấp về Toán – VIASM) làm nơi tổ chức cuộc họp toàn cầu đầu tiên. Thay mặt cho VIASM, tôi xin gửi lời chào mừng nồng nhiệt tới các đồng nghiệp đến từ Vương quốc Anh và tất cả quý vị. Với cương vị Giám đốc khoa học của VIASM, tôi có đôi lời muốn chia sẻ về chủ đề khoa học của hội nghị này, đó là Toán học và Trí tuệ nhân tạo. Tôi xin nhân dịp này chia sẻ một vài suy ngẫm mang tính triết lý về chủ đề nóng bỏng này. Mặc dù tôi không có kiến thức kỹ thuật sâu về AI, nhưng tôi có thể nói rằng trong khoảng nửa năm vừa qua, hầu như không ngày nào tôi không suy nghĩ về hiện tượng hấp dẫn này, mà tôi ví như một thiên thạch khổng lồ đang lao tới Trái Đất với tốc độ ánh sáng. Xin quý vị kiên nhẫn cùng tôi trong những suy đoán này.

Khi nghe những người như Sam Altman (cựu Giám đốc điều hành của OpenAI) phát biểu, ta có cảm giác công ty của ông ấy đã chi hàng tỷ đô la để tạo ra một thứ mà chính ông ấy lại lấy làm tiếc vì nó sẽ hủy diệt tất cả chúng ta. Theo Altman, đây là một dạng thảm họa do con người tạo ra mà chúng ta buộc phải góp phần vào. Chúng ta phải dùng hết nguồn nước, làm nóng thêm bầu khí quyển để xây dựng con quái vật này, thứ sẽ lấy đi tất cả công việc của chúng ta. Chẳng phải những gì Altman nói khiến “trí tuệ nhân tạo” trông giống “sự ngu dốt nhân tạo” của con người hơn sao?

Trong các cuộc cách mạng công nghiệp trước đây, khi máy hơi nước và điện thay thế cho sức cơ bắp con người, những thảm họa quy mô lớn đã diễn ra. Liệu chiến tranh giành thị trường mới để tiêu thụ sản phẩm công nghiệp dư thừa, hay những cuộc khủng hoảng, thất nghiệp chưa từng có phải là hệ quả trực tiếp của cách mạng công nghiệp? Khó mà xác định, nhưng sự ra đời của máy hơi nước và điện nhiều khả năng đã góp phần gây ra những thảm họa lớn trong nửa đầu thế kỷ XX. Tuy vậy, thật không công bằng khi đổ lỗi cho những phát minh vĩ đại này, bởi về bản chất, chúng giúp con người thoát khỏi những lao động nặng nhọc, ít thú vị. Điều đáng trách là sự bất lực của chúng ta trong việc đổi mới mô hình kinh tế – xã hội để thích ứng với năng lực sản xuất hoàn toàn mới này. Cuối cùng, sự chuyển đổi cũng diễn ra một cách tự nhiên khi lực lượng lao động sản xuất chuyển sang lĩnh vực dịch vụ. Nửa sau thế kỷ XX là giai đoạn thịnh vượng toàn cầu, duy trì bởi hòa bình mong manh trên thế giới, ngoại trừ một vài nơi, trong đó có đất nước chúng ta. Cuộc cách mạng công nghiệp thế kỷ XIX ban đầu khiến cuộc sống con người tồi tệ hơn, nhưng cuối cùng lại cải thiện nó.

Tuy nhiên, đã có những hệ quả ngoài ý muốn. Nửa sau thế kỷ XX chứng kiến một vấn đề sức khỏe cộng đồng mới: lần đầu tiên trong lịch sử, một bộ phận lớn dân số ở một số quốc gia bị béo phì. Điều này có thể dự đoán trước, bởi khi ta sử dụng cơ bắp ít đi, ta sẽ béo phì. Suy rộng ra, có thể dự đoán rằng vấn đề sức khỏe cộng đồng của nửa sau thế kỷ XXI có thể sẽ là “béo phì tinh thần”.

Nhưng không nhất thiết phải như vậy. Nếu tin vào Sam Altman, AI sẽ thay thế con người trong mọi công việc, và vì thế con người sẽ không còn phải làm việc nữa. Điều đó sẽ gây ra khủng hoảng kinh tế nghiêm trọng ở một mặt, và “béo phì tinh thần” ở mặt khác. Tôi tin rằng các nhà kinh tế sẽ có một nhiệm vụ thú vị: xây dựng một mô hình kinh tế khả thi, trong đó nhiều công việc văn phòng hình thành sau cuộc cách mạng công nghiệp trước sẽ biến mất dưới tác động của AI, nhưng đồng thời sẽ xuất hiện những công việc mới. Ông Muti Yung, người phát biểu hôm thứ Hai, cũng có quan điểm tương tự. (GS Muti Yung, ĐH Colombia, Hoa Kỳ có bài nói tại VIASM vào 25/8/2025)

Dù khá rõ ràng rằng nhiều công việc văn phòng sẽ bị AI thay thế, AI chắc chắn không thể đáp ứng tất cả nhu cầu của con người. Vượt lên trên nhu cầu sinh tồn và nhu cầu sinh học, với tư cách con người, chúng ta còn cần phát triển về trí tuệ và tinh thần. Không một cỗ máy nào có thể thay thế chúng ta trong việc sống và phát triển trí tuệ, tinh thần. Tôi muốn tin rằng tiến bộ công nghệ sẽ giảm bớt gánh nặng mưu sinh thường nhật, giải phóng thời gian và năng lượng để chúng ta được phát triển. Một lần nữa, tôi xin dành vấn đề kinh tế cho các nhà kinh tế, nhưng tôi nghi ngờ rằng mô hình kinh tế hiện tại – vốn xây dựng trên các ràng buộc của máy hơi nước và điện – sẽ còn giá trị. Nói cách khác, chúng ta không nên đồng tình với Sam Altman, người cho rằng mục tiêu là xây dựng một siêu máy có khả năng nghiền nát trí tuệ con người, chỉ vì đó là “luật của thị trường tự do”. Luật thị trường tự do là một lý thuyết hấp dẫn, một sản phẩm đáng kinh ngạc của trí tuệ nhân loại, nhưng nó không nên lấn át mục tiêu hàng đầu là duy trì sự sống và phát triển của chúng ta.

Giống như nhiều người trong số quý vị, tôi đã dành thời gian trò chuyện với nhiều mô hình AI khác nhau, và tôi thích sự đồng hành của chúng. Chúng “phi nhân tính” ở chỗ luôn sẵn sàng, nhưng lại “rất con người” ở chỗ vừa thú vị vừa… không đáng tin. Tôi không coi bất kỳ câu trả lời nào của chúng là chân lý, nhưng việc trò chuyện giúp tôi tiếp tục suy nghĩ về một chủ đề, từ đó hình thành hiểu biết của riêng mình. Nếu muốn học hỏi điều gì, AI hiện tại đã có thể là một bạn đồng hành học tập tuyệt vời.

Hôm qua, Bùi Hải Hưng (Viện trưởng Viện trí tuệ Nhân tạo VinAI Research) đã có một bài trình bày khái quát về LLM (mô hình ngôn ngữ lớn – Large Language Model) cho người mới. Ông giải thích rằng cốt lõi của LLM vẫn chỉ là “con vẹt thống kê”, nhưng là một con vẹt có cả Internet trong trí nhớ. Vì thế, nó là một bạn học nói nhiều, có thể gây ấn tượng bởi sự dí dỏm và cách diễn đạt rõ ràng. Tuy nhiên, chúng ta phải thận trọng gấp đôi, bởi bản chất của một con vẹt thống kê là không đáng tin. Kinh nghiệm của tôi là: khi hỏi về một vấn đề tôi hiểu rõ, câu trả lời gần như luôn sai hoặc gây hiểu lầm. Nhưng khi hỏi về vấn đề tôi chưa rõ, câu trả lời lại nghe rất thuyết phục. Vì vậy, hãy luôn cảnh giác.

Từ góc nhìn toán học, khuyết điểm rõ ràng nhất của LLM là sự bất lực hoàn toàn trong việc xây dựng lý thuyết. Lý thuyết, tôi muốn nói, là một hệ thống định nghĩa và các mệnh đề logic cơ bản dựa trên định nghĩa đó, cho phép chúng ta mô tả hiện tượng một cách chính xác và súc tích. Con người cần sự súc tích vì ta không thể xử lý những câu quá dài. Đó là lý do ta cần lý thuyết. Hơn nữa, sự súc tích và chính xác càng cao thì với ta càng đẹp. Trái lại, máy tính có thể xử lý câu dài, và như tôi hiểu từ bài nói của Bùi Hải Hưng, với LLM, thực ra chỉ có một câu siêu dài được xây dựng từng từ. Trong kiến trúc hiện tại, LLM dường như vốn dĩ không thể xây dựng lý thuyết. Thay vì xây dựng những cỗ máy mạnh hơn trên cùng kiến trúc – vốn cần thêm nước và điện – có lẽ cần tìm kiếm những mô hình mang những giới hạn tương tự như trí óc con người để tạo ra một AI thực sự là bạn học thông minh.

Từ góc nhìn giảng dạy, thách thức lại khác. Các mô hình AI hiện nay đã có thể giải quyết hầu hết các bài toán mà chúng ta thường giao cho sinh viên. Nhưng đối với giáo viên, điều đó không có giá trị tích cực, vì chúng ta không cần câu trả lời, chúng ta muốn sinh viên tự tìm ra. Nói ngắn gọn, AI ở hình thức hiện nay gây hại nhiều hơn lợi cho việc dạy toán. Giống như ta cần các nhà kinh tế tìm ra cách thức giao dịch kinh tế mới trong kỷ nguyên AI, chúng ta – những người dạy học – cũng phải tự đặt câu hỏi về việc tái phát minh cách dạy toán và cách đánh giá sự tiến bộ của sinh viên. Điều này đòi hỏi nhiều hơn là những suy đoán nhàn rỗi của tôi trên chiếc ghế lăn này, nhưng tôi tin rằng giải pháp tồn tại. Dù đó là học tập dựa trên khám phá hay quay lại với hình thức thi vấn đáp, chúng ta cần phải làm một cách hệ thống, bởi đây là vấn đề hệ trọng. Chúng ta không muốn lặp lại tình huống buộc sinh viên dùng cái gọi là “máy tính khoa học” chỉ vì chúng ta chưa nghĩ ra cách tích hợp tính toán khoa học thực sự vào chương trình học.

Đó là tất cả những gì tôi muốn nói. Trước sự xuất hiện của AI, chúng ta cần đánh giá lại mọi khía cạnh trong cách chúng ta sống chung, trao đổi hàng hóa, dịch vụ và ý tưởng. AI có khả năng giải phóng chúng ta khỏi nhiều công việc nhàm chán, cho phép chúng ta tập trung trí tuệ vào những câu hỏi cốt lõi liên quan đến sự phát triển trí tuệ và tinh thần. Nhưng trước khi đạt tới đó, nếu không cẩn trọng suy xét và tổ chức lại đời sống tập thể một cách sâu sắc, AI có thể trước hết sẽ dẫn đến thảm họa với những mất mát to lớn về con người, trước khi mang lại cải thiện.

Xin trân trọng cảm ơn quý vị đã lắng nghe.

Featured

Thuyết hệ thống xã hội

Khi nói đến nghiên cứu hệ thống, các nhà nghiên cứu quan tâm đến mô hình, cấu trúc và tương tác giữa các thành phần. Ngay từ cuối những năm 30 của Thế kỷ XX, nhà xã hội học người ỹ Talcott Parsons đã bắt đầu nghiên cứu về hệ thống xã hội với tư cách là hệ thống của các hành động xã hội. Parsons cho rằng, bất kỹ hệ thống xã hội nào cũng đối diện với hai hình thức: Sử dụng và phân phối các nguồn lực mang tính khan hiếm (bên ngoài), đạt được trật tự và thống nhất xã hội (bên trong). Trên cơ sở đó, Parsons đưa ra mô hình AGIL bao gồm bốn thành tố hay bốn chức năng, yêu cầu chính yếu đảm bảo cho xã hội tồn tại và phát triển, đó là:

  • Adaptation – thích nghi (chức năng kinh tế): khả năng của xã hội tương tác với môi trường. Điều này bao gồm (nhưng không giới hạn ở) thu thập tài nguyên và sản xuất hàng hóa để phân phối lại xã hội.
  • Goal attainment – đạt được mục tiêu (chức năng chính trị): khả năng đặt ra mục tiêu cho tương lai và đưa ra quyết định phù hợp. Các nghị quyết chính trị và mục tiêu xã hội là một phần của nhu cầu này.
  • Integration – liên kết, hòa nhập, tích hợp (chức năng xã hội): hay sự hài hòa của toàn bộ xã hội là một yêu cầu rằng các giá trị và chuẩn mực của xã hội phải vững chắc và hội tụ đủ. Ví dụ, nếu một xã hội đang trải qua mức độ tội phạm cao, bất ổn xã hội, hoặc phân biệt đối xử, điều đó có thể cho thấy xã hội đang gặp khó khăn trong việc duy trì sự gắn kết và đoàn kết xã hội giữa các thành viên của mình.
  • Latency – cố kết và tiếp tiến (chức năng di truyền văn hóa): hay duy trì mô hình tiềm ẩn (Pattern Maintenance): đề cập đến khả năng của một xã hội trong việc duy trì và truyền tải các mô hình văn hóa, giá trị và chuẩn mực của mình cho các thế hệ tương lai. Ví dụ, nếu một xã hội đang trải qua sự suy giảm chất lượng giáo dục, sự tan vỡ của các cấu trúc gia đình truyền thống hoặc sự mất mát bản sắc văn hóa, điều đó có thể cho thấy xã hội đang gặp khó khăn trong việc duy trì và truyền tải các mô hình văn hóa cho các thế hệ tương lai.

Tóm lại, mô hình AGIL của Parsons có thể là một công cụ hữu ích để phân tích các vấn đề chính trong một xã hội bằng cách xem xét mức độ mà xã hội thực hiện tốt ở từng lĩnh vực chức năng. Bằng cách xác định các khu vực bị “rối loạn chức năng” hoặc mất cân bằng trong các chức năng thích nghi, đạt được mục tiêu, hội nhập, cố kết và tiếp tiến, các nhà hoạch định chính sách và các nhà khoa học xã hội có thể phát triển các can thiệp và chiến lược có mục tiêu để giải quyết nguyên nhân cơ bản của các vấn đề này và thúc đẩy sự ổn định và phúc lợi xã hội.

Sự phát triển tiếp theo của lý thuyết hệ thống tổng quát đã đưa đến những nguyên lý mới cho vận hành hệ thống xã hội mang tính phức tạp trong môi trường không ổn định:

– Nguyên lý tính mở: Khi đề cập đến sự phụ thuộc của hệ thống vào trao đổi nguồn lực với môi trường xung quanh.

– Nguyên lý đa chiều: Các quá trình trong hệ thống diễn ra không đồng bộ. Trong nhiều hoàn cảnh, các quá trình trong cùng một hệ thống có thể trái chiều và mâu thuẫn với nhau.

– Nguyên lý tính hợp trội: Vào bối cảnh không gian, thời gian nhất định, hệ thống có thể đạt được sự chuyển biến trạng thái (phát triển) mang tính đột phá chứ không tiệm tiến.

Featured

Các ứng dụng của Mạng Bayes trong AI

Mạng Bayes có thể được sử dụng cho nhiều ứng dụng trong AI và học máy (machine learning – ML). Trong bài “Mạng Bayes: Chìa khóa để khai mở tiềm năng thực sự của AI” ta đã xem xét một số ví dụ về ứng dụng của mạng Bayes trong AI qua các lĩnh vực chăm sóc sức khỏe, xe tự lái. Dưới đây là một số nhóm các cách sử dụng phổ biến của mạng Bayes: [1]

1. Suy diễn xác suất (hay Suy diễn Bayes): Mạng Bayes cho phép suy diễn xác suất, có nghĩa là chúng có thể trả lời các truy vấn về phân bố xác suất của các biến qua các bằng chứng quan sát được. Mạng Bayes có thể giúp tính toán xác suất hậu nghiệm của các biến không được quan sát dựa trên sự phụ thuộc xác suất trong mạng.

2. Chẩn đoán và hỗ trợ quyết định: Mạng Bayes được sử dụng rộng rãi trong các hệ thống hỗ trợ quyết định và chẩn đoán y tế. Bằng cách quan sát các triệu chứng hoặc bằng chứng, mạng Bayes có thể tính toán xác suất của các bệnh hoặc tình trạng khác nhau, hỗ trợ quá trình chẩn đoán. Mạng Bayes cũng có thể hỗ trợ việc ra quyết định bằng cách xem xét các xác suất và lợi ích gắn với các lựa chọn khác nhau.

3. Mô hình hóa dự đoán: Mạng Bayes có thể được sử dụng cho các nhiệm vụ mô hình hóa dự đoán. Với các biến quan sát được, mạng Bayes có thể giúp dự đoán giá trị của các biến không quan sát được hoặc ước tính xác suất của chúng. Điều này làm cho chúng hữu ích trong nhiều lĩnh vực khác nhau, chẳng hạn như dự báo thời tiết, phân tích tài chính và phân tích hành vi khách hàng.

4. Đánh giá và quản lý rủi ro: Mạng Bayes có giá trị trong việc đánh giá và quản lý rủi ro. Chúng có thể mô hình hóa sự phụ thuộc giữa các yếu tố rủi ro và ước tính xác suất của các kết quả hoặc sự kiện khác nhau. Điều này rất hữu ích trong các lĩnh vực như bảo lãnh bảo hiểm, quản lý dự án [2] và phân tích rủi ro môi trường.

5. Phát hiện bất thường: Mạng Bayes còn có thể được sử dụng cho các nhiệm vụ phát hiện bất thường. Bằng cách tìm hiểu hành vi bình thường của một hệ thống hoặc quy trình, chúng có thể phát hiện những sai lệch hoặc bất thường so với các mô hình dự kiến. Điều này rất hữu ích trong an ninh mạng, phát hiện gian lận và giám sát các quy trình công nghiệp.

6. Xử lý ngôn ngữ tự nhiên: Mạng Bayes cũng được ứng dụng trong các tác vụ xử lý ngôn ngữ tự nhiên. Chúng có thể được sử dụng cho các tác vụ như gắn thẻ một phần lời nói (part-of-speech), nhận dạng thực thể được đặt tên và phân tích ngữ nghĩa. Mạng Bayes có thể biểu diễn được sự phụ thuộc giữa các yếu tố ngôn ngữ và suy diễn những cách diễn giải hoặc cấu trúc có khả năng xảy ra nhất.

7. Mô hình hóa môi trường: Mạng Bayes được sử dụng trong mô hình hóa môi trường để hiểu các hệ thống phức tạp và đánh giá tác động môi trường. Chúng có thể được dùng để lập mô hình tương tác giữa các biến số như khí hậu, các hệ sinh thái và hoạt động của con người, từ đó đưa ra các dự đoán và phân tích kịch bản.

8. Tin sinh và gen: Mạng Bayes được sử dụng trong tin sinh học (bioinformatics) và gen để mô hình hóa và phân tích các tương tác di truyền và protein. Chúng có thể giúp hiểu được các mạng điều hòa gen, tương tác protein-protein và các mối liên hệ giữa bệnh-gen.

Hình bài: Các ứng dụng của mạng Bayes [1].

Xem toàn bộ tài liệu về mạng Bayes trong AI tại đây.

Nguồn tham khảo:

[1] https://www.leewayhertz.com/bayesian-networks-in-ai/

[2] http://luanvan.moet.gov.vn/?page=1.18&view=37045

Featured

Mạng Bayes: Chìa khóa để khai mở tiềm năng thực sự của AI

Mạng Bayes đại diện cho một công cụ mạnh mẽ để khai thác tiềm năng thực sự của AI. Bằng cách cho phép các hệ thống AI suy luận trong điều kiện bất định, học hỏi từ dữ liệu hạn chế và mô hình nhân quả, mạng Bayes có thể giúp vượt qua một số thách thức chính mà nghiên cứu AI ngày nay phải đối mặt.

Đọc được bài dịch trên VnExpress nhưng thấy nội dung dịch chưa rõ, chưa sát ý nên xin được dịch lại bài này.

Trí tuệ nhân tạo (AI) đã trải qua một chặng đường dài kể từ khi ra đời, với các kỹ thuật học máy và học sâu thúc đẩy những tiến bộ nhanh chóng trong lĩnh vực này. Tuy nhiên, bất chấp những tiến bộ ấn tượng, vẫn còn nhiều thách thức phải vượt qua trước khi AI thực sự có thể phát huy hết tiềm năng của mình. Một cách tiếp cận đầy hứa hẹn để giải quyết những thách thức này là sử dụng mạng Bayes, một mô hình đồ họa xác suất mạnh mẽ có khả năng mở ra các cấp độ hiểu biết và lý luận mới trong các hệ thống AI.

Mạng Bayes, được đặt theo tên của nhà toán học thế kỷ 18 Thomas Bayes, là một đồ thị có hướng biểu diễn một tập các biến và sự ràng buộc có điều kiện giữa chúng(*). Nói một cách đơn giản hơn, chúng cung cấp một cách để mô hình hóa các mối quan hệ phức tạp giữa các biến bằng cách nắm bắt cấu trúc xác suất cơ bản của dữ liệu. Điều này cho phép các hệ thống AI suy luận trong điều kiện bất định, học tập từ nguồn dữ liệu hạn chế và đưa ra quyết định sáng suốt dựa trên dữ kiện sẵn có.

Một trong những ưu điểm chính của mạng Bayes là khả năng xử lý sự bất định (uncertainty) và thông tin khuyết thiếu. Trong nhiều tình huống thực tế, các hệ thống AI phải đưa ra quyết định dựa trên dữ liệu khuyết thiếu hoặc bị nhiễu. Các kỹ thuật máy học truyền thống, chẳng hạn như mạng thần kinh, thường gặp khó khăn trong các tình huống này vì chúng yêu cầu lượng lớn dữ liệu được đào tạo để đạt được mức độ chính xác cao. Ngược lại, Mạng Bayes có thể đưa ra dự đoán chính xác ngay cả khi phải đối mặt với hạn chế dữ liệu, vì chúng có thể kết hợp kiến thức trước đó và cập nhật thông tin khi có bằng chứng mới. (**)

Một lợi ích khác của mạng Bayes là khả năng cung cấp AI có thể hiểu và giải thích được. Khi các hệ thống AI ngày càng được tích hợp nhiều hơn vào cuộc sống hàng ngày của chúng ta, điều quan trọng là chúng ta phải hiểu lý do đằng sau các quyết định của chúng. Cấu trúc đồ họa của mạng Bayes cho phép hình dung rõ ràng mối quan hệ giữa các biến, giúp con người dễ dàng hiểu được quá trình ra quyết định hơn. Sự minh bạch này rất cần thiết để xây dựng niềm tin vào các hệ thống AI và đảm bảo rằng chúng được sử dụng một cách có trách nhiệm và có đạo đức.

Hơn nữa, mạng Bayes có thể được sử dụng để mô hình hóa quan hệ nhân quả – một khía cạnh quan trọng trong lý luận và ra quyết định của con người. Mặc dù các kỹ thuật học máy truyền thống có thể xác định mối tương quan giữa các biến, nhưng chúng thường gặp khó khăn trong việc xác định mối quan hệ nhân quả làm nền tảng cho những mối tương quan này. Bằng cách mô hình hóa rõ ràng các mối quan hệ nhân quả, mạng Bayes có thể giúp các hệ thống AI hiểu rõ hơn về cơ chế cơ bản của các hệ thống phức tạp và đưa ra các quyết định sáng suốt hơn.

Trong những năm gần đây, mối quan tâm về mạng Bayes trong cộng đồng nghiên cứu AI đang gia tăng trở lại. Điều này một phần là do sự phát triển của các thuật toán và kỹ thuật tính toán mới giúp làm việc với mạng Bayes quy mô lớn dễ dàng hơn. Ngoài ra, sự sẵn có ngày càng tăng của dữ liệu và độ phức tạp ngày càng tăng của các ứng dụng AI đã làm nổi bật nhu cầu về khả năng suy luận và ra quyết định phức tạp hơn.

Một lĩnh vực mà mạng Bayes đã thể hiện nhiều hứa hẹn là lĩnh vực chăm sóc sức khỏe. Bằng cách mô hình hóa mối quan hệ phức tạp giữa các triệu chứng của bệnh nhân, tiền sử bệnh và các lựa chọn điều trị, mạng Bayes có thể giúp các bác sĩ đưa ra chẩn đoán và khuyến nghị điều trị chính xác hơn. Điều này có khả năng cải thiện đáng kể kết quả của bệnh nhân và giảm chi phí chăm sóc sức khỏe.

Một ứng dụng đầy hứa hẹn khác của mạng Bayes là trong lĩnh vực xe tự lái. Bằng cách mô hình hóa các tương tác phức tạp giữa các phương tiện, người đi bộ và môi trường, mạng Bayes có thể giúp cải thiện độ an toàn và độ tin cậy của ô tô tự lái. Điều này đặc biệt quan trọng do mức độ không chắc chắn và khó lường cao liên quan đến các tình huống lái xe trong thế giới thực.

Tóm lại, mạng Bayes đại diện cho một công cụ mạnh mẽ để khai thác tiềm năng thực sự của AI. Bằng cách cho phép các hệ thống AI suy luận trong điều kiện bất định, học hỏi từ dữ liệu hạn chế và mô hình nhân quả, mạng Bayes có thể giúp vượt qua một số thách thức chính mà nghiên cứu AI ngày nay phải đối mặt. Khi lĩnh vực này tiếp tục phát triển, có khả năng chúng ta sẽ thấy mạng Bayes đóng vai trò ngày càng quan trọng trong việc phát triển các hệ thống AI thông minh, minh bạch và đáng tin cậy.

Link bài gốc trên Digital Technology Guru.

Bình luận, chú thích của người dịch:

(*) Thực ra theo [1] mạng Bayes là một đồ thị dạng đặc biệt, ngoài các nút (các biến) và đồ thị biểu diễn mối quan hệ giữa các nút, thì mỗi nút còn gắn với một bảng phân phối xác suất. Hình dưới đây biểu diễn rõ điều đó qua ví dụ về mạng Bayes đơn giản gồm 3 biến (giả sử việc chậm tiến độ một công việc nào đó – delay in task, có quan hệ nhân quả với khả năng đúng hạn của nhà thầu phụ – subcontract, và chất lượng nhân viên – staff quality)

(**) Chính vì vậy mạng Bayes còn được gọi là mạng niềm tin Bayes (Bayesian Belief Networks), do “niềm tin” trước đó được cập nhật khi có bằng chứng mới.

Mạng Bayes dựa trên Định lý hay luật Bayes, với công thức nổi tiếng ở dạng đơn giản biểu diễn xác suất giữa các biến như sau:

P(R/S) = P(S/R)*P(R)/P(S)

Quy tắc Bayes ở trên được hiểu theo nghĩa cập nhật niềm tin (xác suất hậu nghiệm của từng trạng thái có thể có của một biến, nghĩa là các xác suất trạng thái sau khi xem xét tất cả các bằng chứng có sẵn) về giả thuyết R dưới góc độ bằng chứng mới S. Vì vậy, niềm tin hậu nghiệm P(R/S) được tính bằng cách nhân niềm tin trước đó P(R) với khả năng P(S/R) rằng S sẽ xảy ra nếu R đúng.[1]

Công thức trên cũng có tính đối xứng (hai chiều) nên có thể biết hoặc tiên đoán 1 đại lượng sau nếu biết hoặc giả định các đại lượng khác.

(***) Thomas Kehler, thành viên của Global Enlightenment Mountain, Giám đốc Khoa học của CrowdSmart nhận xét về bài viết như sau [2]:

“Bài báo đưa ra quan điểm cực kỳ quan trọng – Mạng Bayes trao quyền cho một thế hệ AI mới, mở ra cơ hội đưa trí tuệ tập thể của con người vào. Trong 8 năm qua, trọng tâm công việc của tôi và công việc của CrowdSmart là sử dụng Mạng niềm tin Bayes* như một phương tiện tích hợp thế hệ AI hiện tại với trí tuệ tập thể của con người. Judea Pearl, người đóng góp quan trọng ban đầu cho Mạng niềm tin Bayes, đã tuyên bố ‘Bạn thông minh hơn dữ liệu của mình’. Cho đến nay, với tất cả những tiến bộ vượt bậc mà chúng tôi đã đạt được trong lĩnh vực AI, việc học tập đều dựa trên dữ liệu chúng tôi đã tạo ra, tức dữ liệu của chúng tôi. Hãy nghĩ về việc sức mạnh của AI hiện tại và trí tưởng tượng chung của con người cùng nhau sáng tạo. Đó là tương lai và Mạng Bayes đóng vai trò quan trọng trong tương lai đó.”

Trí tuệ nhân tạo (AI) đã đi được một chặng đường dài kể từ khi ra đời, với các kỹ thuật học máy và học sâu thúc đẩy những tiến bộ nhanh chóng trong lĩnh vực này. Tuy nhiên, dù có những tiến bộ ấn tượng nhưng vẫn còn nhiều thách thức cần vượt qua trước khi AI thực sự có thể phát huy hết tiềm năng của mình. Một cách tiếp cận đầy hứa hẹn để giải quyết những thách thức này là sử dụng mạng Bayes, một mô hình đồ họa xác suất mạnh mẽ có tiềm năng mở ra những cấp độ hiểu biết và lý luận mới trong các hệ thống AI.

(****) Bài rất dài nhưng chi tiết về mạng Bayes trong AI có thể xem tại [3] hoặc xem tài liệu tiếng Việt dạng PDF tại đây.

Các nguồn tham khảo:

[1] http://luanvan.moet.edu.vn/?page=1.18&view=37045 

[2] https://bostonglobalforum.org/news/global-enlightenment-mountains-thomas-kehler-bayesian-networks-empower-a-new-generation-of-ai/ 

[3] https://www.leewayhertz.com/bayesian-networks-in-ai/ 

Featured

4 VÍ DỤ VỀ PHÂN TÍCH KINH DOANH TRONG THỰC TẾ

Bài viết này về một số ứng dụng gần đây của phân tích dữ liệu trong thế giới kinh doanh. Bài viết hé lộ cách thức các tập đoàn sử dụng các hiểu biết từ dữ liệu để tối ưu quá trình ra quyết định của họ.

Subscribe to continue reading

Subscribe to get access to the rest of this post and other subscriber-only content.

Mục tiêu và giải pháp trọng tâm về giáo dục đại học Việt Nam trong Nghị quyết 71/NQ-TW

Thay mặt Bộ Chính trị, ngày 22/8/2025, Tổng Bí thư Tô Lâm đã ký ban hành Nghị quyết của Bộ Chính trị về đột phá phát triển giáo dục và đào tạo (Nghị quyết số 71-NQ/TW). Sau đây là tổng hợp các mục tiêu và giải pháp trọng tâm về giáo dục đại học Việt Nam được nêu trong Nghị quyết 71-NQ/TW:

🎯 Mục tiêu về giáo dục đại học:

Đến năm 2030

  • Sắp xếp và nâng cấp mạng lưới cơ sở GDĐH và GD nghề nghiệp;
    • 100% cơ sở GDĐH và ít nhất 80% cơ sở GD nghề nghiệp đạt chuẩn quốc gia.
    • 20% cơ sở đạt trình độ hiện đại tương đương các nước phát triển châu Á.
  • Tỷ lệ thanh niên theo học sau trung học phổ thông đạt 50%, trong đó 24% có trình độ cao đẳng, đại học trở lên.
  • Tỷ lệ SV theo học các ngành khoa học cơ bản, kỹ thuật, công nghệ ≥ 35%.
  • Ít nhất 6.000 NCS, 20.000 SV theo chương trình tài năng.
  • Nâng tầm đại học trở thành trung tâm nghiên cứu, đổi mới sáng tạo, khởi nghiệp quốc gia và vùng.
  • Thu hút ít nhất 2.000 giảng viên giỏi từ nước ngoài.
  • Tăng 12%/năm công bố khoa học quốc tế; 16%/năm số sáng chế.
  • Có ≥ 8 trường đại học vào top 200 châu Á, ≥ 1 trường vào top 100 thế giới theo lĩnh vực.

Đến năm 2035

  • Hệ thống GDĐH hiện đại, chất lượng, công bằng.
  • 2 cơ sở GDĐH lọt top 100 thế giới trong một số lĩnh vực.

Tầm nhìn 2045

  • Việt Nam có hệ thống GDĐH hiện đại, công bằng, chất lượng, thuộc top 20 quốc gia hàng đầu thế giới.
  • Có ít nhất 5 trường đại học thuộc nhóm 100 đại học hàng đầu thế giới (theo lĩnh vực).
  • GDĐH là động lực cung cấp nhân lực, nhân tài KH-CN cho đất nước phát triển, thu nhập cao.

🛠 Giải pháp trọng tâm về giáo dục đại học

  1. Hoàn thiện thể chế và quản trị đại học
    • Sắp xếp, tái cấu trúc mạng lưới cơ sở GDĐH; giải thể, sáp nhập trường không đạt chuẩn.
    • Xóa bỏ cấp trung gian; nghiên cứu sáp nhập viện nghiên cứu vào ĐH.
    • Tăng quyền tự chủ toàn diện cho ĐH (nhân sự, tài chính, tuyển dụng GS/PGS…).
    • Đổi mới cơ chế tài chính: phân bổ NSNN dựa trên sứ mạng, chất lượng, hiệu quả; dành ≥ 3% NSNN cho GDĐH.
  2. Đầu tư trọng điểm
    • Hiện đại hóa hạ tầng, phòng thí nghiệm, trung tâm nghiên cứu tại các trường trọng điểm.
    • Phát triển 3–5 đại học tinh hoa theo mô hình đại học nghiên cứu đẳng cấp quốc tế.
    • Khuyến khích phát triển các khu đô thị công nghệ cao – đại học, mô hình đại học đổi mới sáng tạo.
  3. Phát triển đội ngũ giảng viên và nhân lực nghiên cứu
    • Tăng cường bồi dưỡng, hỗ trợ giảng viên học tập nâng cao trong và ngoài nước.
    • Chính sách ưu đãi vượt trội để thu hút giảng viên, nhà khoa học quốc tế.
    • Thực hiện chế độ giảng viên đồng cơ hữu, huy động người giỏi tham gia giảng dạy và nghiên cứu.
  4. Đổi mới chương trình và phương thức đào tạo
    • Chuẩn hóa theo chuẩn quốc tế; tích hợp kiến thức AI, phân tích dữ liệu, khởi nghiệp.
    • Gắn đào tạo sau đại học với nghiên cứu KH-CN và đổi mới sáng tạo.
    • Đổi mới tuyển sinh theo hướng đánh giá năng lực, kiểm soát chuẩn đầu vào, đầu ra.
  5. Thúc đẩy hệ sinh thái đổi mới sáng tạo & khởi nghiệp
    • Gắn kết Nhà nước – Nhà trường – Doanh nghiệp.
    • Hỗ trợ giảng viên, sinh viên triển khai startup, spin-off, dự án đổi mới sáng tạo.
  6. Hội nhập quốc tế sâu rộng
    • Hợp tác liên kết với các đại học uy tín, doanh nghiệp lớn quốc tế.
    • Thu hút đầu tư nước ngoài vào GDĐH.
    • Khuyến khích các ĐH Việt Nam mở phân hiệu, văn phòng đại diện ở nước ngoài.
    • Đẩy mạnh hợp tác đào tạo xuyên biên giới, giáo dục số.

👉 Tóm lại, giáo dục đại học được xác định là nòng cốt để phát triển nhân lực trình độ cao, dẫn dắt nghiên cứu – đổi mới sáng tạo, với mục tiêu đưa Việt Nam vào nhóm top 20 quốc gia hàng đầu thế giới về giáo dục vào năm 2045.

Các loại thông tin cần thiết trong một doanh nghiệp hiệu quả

Bài viết này mô tả các loại dữ liệu khác nhau mà một doanh nghiệp hiệu quả cần. Các loại dữ liệu doanh nghiệp mà chúng ta sẽ thảo luận bao gồm: dữ liệu chiến lược (strategic data), dữ liệu chiến thuật (tactical data), dữ liệu lịch sử (historical data), và dữ liệu giao dịch (transactional data).

  • Dữ liệu chiến lược là loại dữ liệu được sử dụng bởi ban lãnh đạo cấp cao để đưa ra các quyết định và cần thiết cho việc lập kế hoạch dài hạn. Loại dữ liệu này có thể bao gồm thông tin như môi trường kinh doanh, dự báo kinh doanh, dự báo doanh số, dự báo nhà cung cấp và các loại thông tin khác ảnh hưởng đến toàn bộ doanh nghiệp, giúp đưa ra những quyết định có tác động sâu rộng. Loại dữ liệu này liên quan đến các quyết định có tầm nhìn xa, từ 1 năm, 5 năm, đến 10 hoặc 20 năm. Khi doanh nghiệp có thể đưa ra quyết định dựa trên loại dữ liệu này, họ có thể thiết lập các mục tiêu chiến thuật, dẫn đến phần tiếp theo: dữ liệu chiến thuật.
  • Dữ liệu chiến thuật là loại dữ liệu được các nhà quản lý sử dụng để vận hành doanh nghiệp hàng ngày. Dữ liệu này cần thiết để đạt được các mục tiêu ngắn hạn, được đặt ra nhằm giúp doanh nghiệp từng bước tiến tới các mục tiêu dài hạn. Nó có thể bao gồm dữ liệu ở cấp độ đơn vị hoặc nhóm, chẳng hạn như dữ liệu chỉ liên quan đến nhóm tiếp thị hoặc đơn vị bán sản phẩm cụ thể.
  • Dữ liệu lịch sử bao gồm tất cả các dữ liệu chiến lược và chiến thuật trong quá khứ. Loại dữ liệu này cần thiết để hiểu xu hướng và thiết lập các tiêu chuẩn. Ví dụ, làm sao bạn biết mình đang nhận được một mức giá tốt nếu không biết dữ liệu lịch sử về giá mà nhà cung cấp đã từng cung cấp? Hoặc làm sao bạn biết giá thuê bất động sản hợp lý nếu không biết giá thị trường trước đây? Dữ liệu lịch sử cũng rất quan trọng để hiểu doanh nghiệp đã ở đâu, từ đó đưa ra quyết định tốt hơn về nơi doanh nghiệp sẽ đi tới.
  • Dữ liệu giao dịch là dữ liệu mô tả một sự kiện hoặc giao dịch xảy ra trong quá trình vận hành doanh nghiệp. Tất cả mọi thứ liên quan đến hoạt động kinh doanh, từ việc lập hóa đơn cho khách hàng, trả lương cho nhân viên, đến số lượng hàng tồn kho, đều thuộc loại dữ liệu này. Nếu bạn có một doanh nghiệp với hàng tồn kho vật lý, dữ liệu giao dịch bao gồm cả số lượng tồn kho. Dữ liệu này không chỉ hữu ích làm tham chiếu để đưa ra các quyết định trong tương lai, mà còn cần thiết cho các mục đích báo cáo tài chính và thuế.

Trên đây các loại dữ liệu khác nhau mà một doanh nghiệp hiệu quả cần.

Bạn đọc có thể đọc thêm bài Phân loại thông tin.

Đề xuất hệ thống (system proposal)

Đề xuất hệ thống là một tài liệu kết hợp các tư liệu được tạo ra từ quá trình hoạch định và phân tích hệ thống.

Một đề xuất hệ thống thường bao gồm tóm tắt mục tiêu của hệ thống (executive summary), các yêu cầu của hệ thống, kế hoạch triển khai, phân tích khả thi, định nghĩa các yêu cầu và các mô hình (sơ đồ) phân tích diễn tả hệ thống mới. Các mô hình phân tích bao gồm phân tích chức năng, phân tích cấu trúc và phân tích hành vi. Tùy thuộc vào từng tổ chức và khách hàng mà có thể có thêm những đặc tả chi tiết hơn kèm theo. Ví dụ Bộ Thông tin và Truyền thông của Việt Nam, Bộ Quốc phòng Mỹ, NASA, IEEE/ANSI đều có những mẫu rất chi tiết cần phải tuân thủ.

Phần tóm tắt mục tiêu của hệ thống cung cấp tất cả thông tin quan trọng theo một mẫu cô đọng. Nó có thể coi là tóm tắt của cả đề xuất hệ thống. Mục tiêu của tóm tắt này là để giúp cho những lãnh đạo cấp cao bận rộn có thể nhanh chóng đọc qua và xác định xem phần nào của đề xuất hệ thống họ cần lưu ý đọc kỹ hơn. Phần tóm tắt này thường không dài quá một trang giấy. Nó thường bao gồm một phần mô tả vấn đề mà hệ thống cần giải quyết, các thông tin nền tảng cần thiết để hiểu vấn đề đó và để hiểu giải pháp được đề xuất, một mô tả của các lựa chọn giải pháp khác đã được cân nhắc và loại bỏ, và các điểm chính của giải pháp được đề xuất.

Dưới đây là một mẫu tham khảo cho đề xuất hệ thống:

1. Mục lục

2. Tóm tắt mục tiêu

Bản tóm tắt các thông tin quan trọng nhất của bản đề xuất này để những lãnh đạo quản lý bận rộn có thể đọc nhanh chóng nắm được nội dung chính, đồng thời quyết định xem phần nào của bản đề xuất họ sẽ cần đọc kỹ hơn.

3. Yêu cầu nghiệp vụ

Kết quả của quá trình hoạch định hệ thống, bao gồm các ý tưởng chung cho hệ thống mới (nhu cầu về nghiệp vụ, hệ thống mới hỗ trợ các nhu cầu nghiệp vụ để tạo ra giá trị cho doanh nghiệp như thế nào), xác định phạm vi dự án, và kế hoạch triển khai ban đầu.

4. Kế hoạch triển khai

Bản kế hoạch triển khai: từ kế hoạch triển khai ban đầu được rà soát cập nhật sau khi hoàn thành quá trình phân tích.

5. Phân tích khả thi

Bản phân tích khả thi được rà soát bằng cách sử dụng các thông tin có được từ quá trình phân tích.

6. Định nghĩa yêu cầu

Danh sách những yêu cầu nghiệp vụ chức năng và phi chức năng cho hệ thống.

7. Phân tích chức năng

Các biểu đồ trường hợp sử dụng, các biểu đồ hoạt động, và các mô tả trường hợp sử dụng dùng để thể hiện những quy trình cơ bản hoặc chức năng bên ngoài mà hệ thống cần hỗ trợ.

8. Phân tích cấu trúc

Các biểu đồ lớp và các biểu đồ đối tượng để mô tả các khía cạnh cấu trúc của hệ thống cần xây dựng. Phần này cũng có thể bao gồm cả phân tích cấu trúc của hệ thống hiện tại cần được thay thế.

9. Phân tích hành vi

Các biểu đồ hoạt động, biểu đồ trình tự, biểu đồ hành vi-trạng thái, và ma trận CRUDE để mô tả hành vi nội bộ của hệ thống cần xây dựng. Phần này cũng có thể bao gồm cả phân tích hành vi của hệ thống hiện tại cần được thay thế.

10. Các phụ lục

Bao gồm các thông tin bổ sung liên quan đến bản đề xuất hệ thống, thường được sử dụng để củng cố thêm giải pháp đề xuất. Các phụ lục này có thể là kết quả của thăm dò hay phỏng vấn, các báo cáo và thống kê ngành…

Nguồn tham khảo: Alan Dennis, Barbara Wixom, David Tegarden (2020), Systems Analysis and Design: An Object-Oriented Approach with UML, 6th Edition, Wiley.

Nghiên cứu/ phân tích khả thi

Nghiên cứu khả thi là một cuộc điều tra sơ bộ giúp quản lý quyết định có nên tiếp tục phát triển hệ thống hay không.

Sau khi nhu cầu cho hệ thống và các yêu cầu nghiệp vụ đã được xác định, đây là lúc để tạo ra một đề xuất chi tiết hơn nhằm hiểu rõ hơn về các cơ hội và hạn chế liên quan đến dự án được đề xuất. Phân tích khả thi hướng dẫn tổ chức trong việc xác định liệu có nên tiếp tục với dự án hay không. Phân tích khả thi cũng xác định những rủi ro quan trọng liên quan đến dự án cần được giải quyết nếu dự án được phê duyệt. Cũng giống như yêu cầu hệ thống, mỗi tổ chức có quy trình và định dạng riêng cho việc phân tích khả thi, nhưng hầu hết bao gồm ba loại chính: khả thi kỹ thuật, khả thi kinh tế, và khả thi về tổ chức. Kết quả của các phân tích này được kết hợp thành một nghiên cứu khả thi, và được trình lên một ủy ban/ hội đồng phê duyệt.

Mặc dù chúng ta thảo luận về phân tích khả thi trong bối cảnh bắt đầu một dự án, hầu hết các nhóm dự án sẽ chỉnh sửa nghiên cứu khả thi của họ trong suốt quá trình phát triển và xem xét lại nội dung của nó tại nhiều điểm kiểm tra khác nhau trong dự án. Nếu tại bất kỳ thời điểm nào, rủi ro và hạn chế của dự án vượt quá lợi ích của nó, nhóm dự án có thể quyết định hủy dự án hoặc thực hiện các cải tiến cần thiết.

Mục tiêu:

  • Khả năng cải tiến: Xác định tiềm năng cải tiến hệ thống hiện có hoặc phát triển một hệ thống mới.
  • Phạm vi vấn đề: Tập trung vào việc hiểu vấn đề thay vì giải quyết ngay lập tức.
  • Tài liệu quyết định: Sản phẩm đầu ra của nghiên cứu khả thi là một đề xuất hệ thống chính thức, mô tả đầy đủ bản chất và phạm vi của hệ thống đề xuất.

Các bước trong Phân tích khả thi:

  1. Thành lập đội dự án và bổ nhiệm trưởng dự án.
  2. Phát triển sơ đồ luồng hệ thống.
  3. Xác định các khiếm khuyết của hệ thống hiện tại và đặt mục tiêu.
  4. Liệt kê các giải pháp thay thế để đạt được mục tiêu.
  5. Xác định tính khả thi của từng giải pháp thay thế (ví dụ: tính khả thi về kỹ thuật, vận hành).
  6. Đánh giá hiệu suất và hiệu quả chi phí của từng giải pháp thay thế.
  7. Xếp hạng các giải pháp thay thế và chọn giải pháp tốt nhất.
  8. Chuẩn bị đề xuất hệ thống cho sự phê duyệt của quản lý.

Các loại khả thi:

  • Khả thi về kinh tế: Đánh giá hiệu quả chi phí của hệ thống ứng viên bằng cách sử dụng phương pháp phân tích chi phí/lợi ích. Mục tiêu là tối đa hóa giá trị ròng của tổ chức thông qua lợi tức đầu tư cao nhất với rủi ro thấp nhất.
  • Khả thi về kỹ thuật: Điều tra xem công nghệ hiện có có thể hỗ trợ giải pháp đề xuất hay không và liệu các nguồn lực hiện tại có cần nâng cấp hay không.
  • Khả thi về vận hành: Đánh giá liệu hệ thống có hoạt động hiệu quả trong môi trường tổ chức hiện tại và liệu người dùng có chấp nhận nó hay không.
  • Khả thi về hành vi: Xem xét thái độ của người dùng đối với hệ thống mới và xác định xem có cần nỗ lực đặc biệt nào cho việc đào tạo lại, giáo dục hoặc thay đổi công việc hay không.
  • Khả thi về thời gian: Đảm bảo rằng dự án có thể hoàn thành trong khung thời gian được yêu cầu và xác minh xem các thời hạn có hợp lý hay không.

Các kỹ thuật thu thập thông tin

Trong bài trước chúng ta đã tìm hiểu về Xác định yêu cầu hệ thống, bài này chúng ta sẽ tìm hiểu các kỹ thuật giúp thu thập thông tin để xác định yêu cầu hệ thống.

Mục tiêu chính của các kỹ thuật tìm hiểu thông tin là xác định các yêu cầu thông tin của một tổ chức mà các nhà phân tích sử dụng để chuẩn bị một Tài liệu đặc tả yêu cầu hệ thống SRS (Software Requirements Specification) chính xác và dễ hiểu đối với người dùng.

Một tài liệu SRS lý tưởng cần:

  • Hoàn chỉnh, rõ ràng và không có từ ngữ chuyên ngành.
  • Xác định các yêu cầu thông tin chiến lược (strategic), tác nghiệp (tactical) và điều hành (operational) của tổ chức. (tham khảo thêm bài Phân loại thông tin)
  • Giải quyết các tranh chấp có thể xảy ra giữa người dùng và nhà phân tích.
  • Sử dụng các công cụ đồ họa giúp đơn giản hóa việc hiểu hệ thống và thiết kế hệ thống.

Có nhiều kỹ thuật thu thập thông tin khác nhau:

1. Phỏng vấn
Nhà phân tích các hệ thống thu thập thông tin từ các cá nhân hoặc các nhóm thông qua phỏng vấn. Nhà phân tích có thể thực hiện theo cách chính thức, pháp lý, chính trị hoặc không chính thức. Sự thành công của một cuộc phỏng vấn phụ thuộc vào kỹ năng của nhà phân tích khi làm người phỏng vấn.

Phỏng vấn có thể được thực hiện theo hai cách:

  • Phỏng vấn không cấu trúc: Nhà phân tích hệ thống thực hiện phiên hỏi đáp để thu thập thông tin cơ bản về hệ thống.
  • Phỏng vấn có cấu trúc: Có các câu hỏi tiêu chuẩn mà người dùng cần trả lời theo định dạng đóng (khách quan) hoặc mở (mô tả).

Ưu điểm của phỏng vấn

  • Phương pháp này thường là nguồn tốt nhất để thu thập thông tin định tính.
  • Nó hữu ích cho những người không giao tiếp hiệu quả bằng văn bản hoặc không có thời gian để hoàn thành bảng câu hỏi.
  • Thông tin có thể được xác thực và kiểm tra chéo ngay lập tức.
  • Nó có thể xử lý các chủ đề phức tạp.
  • Dễ dàng khám phá các vấn đề chính bằng cách khơi gợi các ý kiến.
  • Nó rút ngắn khoảng trống giữa các lĩnh vực có hiểu lầm và giảm thiểu các vấn đề trong tương lai.

2. Bảng câu hỏi
Phương pháp này được sử dụng bởi nhà phân tích để thu thập thông tin về các vấn đề khác nhau của hệ thống từ số lượng lớn người.

Có hai loại bảng câu hỏi:

  • Bảng câu hỏi mở: Bao gồm các câu hỏi dễ hiểu và diễn giải chính xác. Chúng có thể khám phá vấn đề và dẫn đến một hướng trả lời cụ thể.
  • Bảng câu hỏi đóng: Bao gồm các câu hỏi mà nhà phân tích hệ thống liệt kê tất cả các phản hồi có thể, những phản hồi này loại trừ lẫn nhau.

Ưu điểm của bảng câu hỏi

  • Nó rất hiệu quả trong việc khảo sát sở thích, thái độ, cảm xúc và niềm tin của người dùng không cùng vị trí vật lý.
  • Nó hữu ích trong tình huống cần biết tỉ lệ nhóm người nhất định đồng ý hoặc không đồng ý với một tính năng cụ thể của hệ thống đề xuất.
  • Nó hữu ích để xác định quan điểm tổng thể trước khi đưa ra hướng dẫn cụ thể cho dự án hệ thống.
  • Nó đáng tin cậy hơn và cung cấp độ bảo mật cao đối với các phản hồi trung thực.
  • Nó phù hợp cho việc thu thập thông tin thực tế và dữ liệu thống kê, có thể được gửi qua email hoặc bưu điện.

3. Xem xét các hồ sơ, thủ tục và biểu mẫu

Việc xem xét các hồ sơ, thủ tục và biểu mẫu hiện có cung cấp thông tin quý giá về khả năng, năng lực và các hoạt động của hệ thống hiện tại.

Ưu điểm:

  • Tiếp thu kiến thức: Người dùng có thể tự mình tìm hiểu về tổ chức hoặc hoạt động của nó trước khi nhờ sự giúp đỡ từ người khác.
  • Tài liệu hiệu quả: Các hoạt động hiện tại có thể được tài liệu hóa nhanh chóng vì các sổ tay quy trình và biểu mẫu mô tả định dạng và chức năng của hệ thống hiện tại.
  • Hiểu biết rõ ràng: Việc xem xét này cung cấp sự rõ ràng về các giao dịch được xử lý trong tổ chức, xác định đầu vào cho quá trình xử lý và hỗ trợ đánh giá hiệu suất.
  • Hiểu về hệ thống: Nó giúp các nhà phân tích hiểu rõ hệ thống theo các hoạt động cần thiết.
  • Mô tả vấn đề: Nó mô tả rõ ràng vấn đề, các phần của hệ thống bị ảnh hưởng và các giải pháp đề xuất.

4. Quan sát

Quan sát là phương pháp thu thập thông tin thông qua việc quan sát con người, các sự kiện và đối tượng. Nhà phân tích đến thăm tổ chức để quan sát hoạt động của hệ thống hiện tại và hiểu các yêu cầu của hệ thống.

Ưu điểm:

  • Phương pháp trực tiếp: Nó thu thập thông tin trực tiếp, là một cách tiếp cận đơn giản.
  • Tính xác thực của dữ liệu: Hữu ích trong những trường hợp tính xác thực của dữ liệu bị nghi ngờ hoặc khi sự phức tạp của hệ thống cản trở việc giải thích rõ ràng bởi người dùng cuối.
  • Độ chính xác: Quan sát mang lại dữ liệu chính xác và đáng tin cậy hơn.
  • Hoàn chỉnh tài liệu: Nó xác định các khía cạnh của tài liệu chưa hoàn chỉnh hoặc đã lỗi thời.

5. Phát triển ứng dụng chung (JAD)

Joint Application Development – JAD là một kỹ thuật do IBM phát triển, tập hợp các chủ sở hữu hệ thống, người dùng, nhà phân tích, nhà thiết kế và nhà phát triển để định nghĩa và thiết kế hệ thống thông qua các cuộc hội thảo có tổ chức. Nhà phân tích được đào tạo JAD sẽ dẫn dắt các hội thảo này, sử dụng các kỹ năng chuyên môn.

Ưu điểm:

  • Tiết kiệm thời gian và chi phí: JAD tiết kiệm thời gian và chi phí bằng cách thay thế các cuộc phỏng vấn truyền thống và các cuộc họp tiếp theo đó hàng tháng trời.
  • Hỗ trợ văn hóa tổ chức: Nó hiệu quả trong các tổ chức hỗ trợ giải quyết vấn đề chung.
  • Xây dựng mối quan hệ: JAD khuyến khích mối quan hệ chính thức giữa các cấp độ nhân viên khác nhau.
  • Phát triển sáng tạo: Nó có thể dẫn đến sự phát triển sáng tạo của thiết kế.
  • Phát triển nhanh chóng: JAD cho phép phát triển nhanh (RAD) và cải thiện quyền sở hữu hệ thống thông tin.

6. Nghiên cứu thứ cấp

Phương pháp này bao gồm việc thu thập thông tin từ các nguồn có sẵn, cả nội bộ và bên ngoài.

Ưu điểm:

  • Khả năng tiếp cận: Thông tin dễ dàng tiếp cận hơn với sự sẵn có của internet.
  • Hiệu quả chi phí và thời gian: Nó cung cấp thông tin quý giá với chi phí thấp và trong thời gian ngắn.
  • Chuẩn bị cho nghiên cứu sơ cấp: Hoạt động như một tiền đề cho nghiên cứu sơ bộ, định hướng trọng tâm của nghiên cứu sơ bộ.
  • Công cụ đánh giá: Nó được nhà nghiên cứu sử dụng để kết luận xem nghiên cứu có đáng giá hay không vì nó có sẵn các quy trình được sử dụng và các vấn đề trong việc thu thập chúng.

Sau khi đã xác định yêu cầu, chúng ta tiến hành bước Nghiên cứu khả thi để hoàn thành phần hoạch định hệ thống (System planning).

Các mô hình hệ thống

Mô hình kiểu sơ đồ
Mô hình sơ đồ là một biểu đồ 2D cho thấy các yếu tố của hệ thống và các liên kết của chúng.

Các mũi tên khác nhau được sử dụng để thể hiện luồng thông tin, luồng vật liệu và phản hồi thông tin.

Mô hình hệ thống dạng luồng
Mô hình hệ thống dạng luồng cho thấy luồng trật tự của vật liệu, năng lượng và thông tin kết nối hệ thống với nhau.

Ví dụ: Kỹ thuật đánh giá và xem xét chương trình (PERT) được sử dụng để trừu tượng hóa một hệ thống thực tế thành mô hình.

Mô hình hệ thống tĩnh
Chúng đại diện cho một cặp quan hệ như hoạt động – thời gian hoặc chi phí – số lượng.

Ví dụ: Biểu đồ Gantt cung cấp một bức tranh tĩnh về mối quan hệ hoạt động-thời gian.

Mô hình hệ thống động
Các tổ chức kinh doanh là các hệ thống động. Một mô hình động mô phỏng loại tổ chức hoặc loại ứng dụng mà các nhà phân tích phải đối mặt.

Nó cho thấy tình trạng thay đổi liên tục của hệ thống. Nó bao gồm:

  • Đầu vào đi vào hệ thống
  • Bộ xử lý qua đó việc biến đổi diễn ra
  • Các chương trình yêu cầu cho việc xử lý
  • Các đầu ra là kết quả của quá trình xử lý.

Các loại hệ thống

Hệ thống có thể được chia thành các loại sau:

Hệ thống vật lý hoặc trừu tượng
Hệ thống vật lý là các thực thể hữu hình. Chúng ta có thể chạm vào và cảm nhận chúng.

Hệ thống vật lý có thể là tĩnh hoặc động. Ví dụ, bàn và ghế là các phần vật lý của trung tâm máy tính và chúng là tĩnh. Một máy tính đã được lập trình là một hệ thống động, trong đó các chương trình, dữ liệu và ứng dụng có thể thay đổi theo nhu cầu của người dùng.

Hệ thống trừu tượng là các thực thể không có hình dạng hoặc mang tính khái niệm, có thể là các công thức, biểu diễn hoặc mô hình của một hệ thống thực.

Hệ thống mở hoặc đóng
Một hệ thống mở phải tương tác với môi trường của nó. Nó nhận đầu vào từ và cung cấp đầu ra cho bên ngoài hệ thống. Ví dụ, một hệ thống thông tin phải thích ứng với các điều kiện môi trường thay đổi.

Một hệ thống đóng không tương tác với môi trường của nó. Nó bị tách biệt khỏi các ảnh hưởng môi trường. Một hệ thống hoàn toàn đóng là rất hiếm trong thực tế.

Hệ thống thích ứng và không thích ứng
Hệ thống thích ứng phản ứng với sự thay đổi trong môi trường để cải thiện hiệu suất và tồn tại. Ví dụ, con người, động vật.

Hệ thống không thích ứng là hệ thống không phản ứng với môi trường. Ví dụ: máy móc.

Hệ thống vĩnh viễn hoặc tạm thời
Hệ thống vĩnh viễn tồn tại trong thời gian dài. Ví dụ, các chính sách kinh doanh.

Hệ thống tạm thời được tạo ra trong một khoảng thời gian xác định và sau đó bị giải thể. Ví dụ, một hệ thống DJ được thiết lập cho một chương trình và bị tháo dỡ sau khi chương trình kết thúc.

Hệ thống tự nhiên và nhân tạo
Hệ thống tự nhiên được tạo ra bởi tự nhiên. Ví dụ: hệ mặt trời, hệ thống theo mùa.

Hệ thống nhân tạo là hệ thống do con người tạo ra. Ví dụ: tên lửa, đập nước, tàu hỏa.

Hệ thống xác định hoặc xác suất
Hệ thống xác định hoạt động theo cách có thể dự đoán và sự tương tác giữa các thành phần của hệ thống được biết chắc chắn. Ví dụ: hai phân tử hydro và một phân tử oxy tạo thành nước.

Hệ thống xác suất cho thấy hành vi không chắc chắn. Kết quả chính xác không được biết trước. Ví dụ: dự báo thời tiết, giao hàng thư.

Hệ thống xã hội, hệ thống người-máy, hệ thống máy
Hệ thống xã hội được tạo thành từ con người. Ví dụ: các câu lạc bộ xã hội, xã hội.

Trong hệ thống người-máy, cả con người và máy móc đều tham gia vào việc thực hiện một nhiệm vụ cụ thể. Ví dụ, lập trình máy tính.

Hệ thống máy là hệ thống mà sự can thiệp của con người bị loại bỏ. Tất cả các nhiệm vụ được thực hiện bởi máy móc. Ví dụ, robot tự động.

Hệ thống thông tin do con người tạo ra
Đây là một tập hợp các nguồn thông tin được kết nối với nhau để quản lý dữ liệu cho một tổ chức cụ thể, dưới sự kiểm soát trực tiếp của quản lý (Direct Management Control – DMC).

Hệ thống này bao gồm phần cứng, phần mềm, truyền thông, dữ liệu và ứng dụng để tạo ra thông tin theo nhu cầu của tổ chức.

Hệ thống thông tin do con người tạo ra được chia thành ba loại:

  • Hệ thống thông tin chính thức − Nó dựa trên luồng thông tin dưới dạng các bản ghi nhớ, hướng dẫn, …, từ cấp quản lý cao xuống các cấp thấp hơn.
  • Hệ thống thông tin không chính thức − Đây là hệ thống dựa trên nhân viên giúp giải quyết các vấn đề liên quan đến công việc hàng ngày.
  • Hệ thống dựa trên máy tính − Hệ thống này phụ thuộc trực tiếp vào máy tính để quản lý các ứng dụng kinh doanh. Ví dụ, hệ thống thư viện tự động, hệ thống đặt chỗ tàu hỏa, hệ thống ngân hàng, v.v.

Bài tiếp theo chúng ta sẽ xem xét các mô hình hệ thống.

Các thành phần của hệ thống

Các phần tử của một hệ thống gồm: đầu ra và đầu vào, bộ xử lý, kiểm soát, phản hồi, môi trường, ranh giới và giao diện.

Sơ đồ dưới đây cho thấy các phần tử của một hệ thống:

Đầu ra (output) và đầu vào (input)
Mục tiêu chính của một hệ thống là tạo ra đầu ra có ích cho người sử dụng.

Đầu vào là thông tin đi vào hệ thống để xử lý.

Đầu ra là kết quả của quá trình xử lý.

Bộ xử lý (processor)
Bộ xử lý là yếu tố của hệ thống liên quan đến việc biến đổi đầu vào thành đầu ra.

Đây là thành phần hoạt động của hệ thống. Các bộ xử lý có thể thay đổi đầu vào hoàn toàn hoặc một phần, tùy thuộc vào đặc điểm kỹ thuật của đầu ra.

Khi các đặc điểm kỹ thuật của đầu ra thay đổi, quá trình xử lý cũng thay đổi theo. Trong một số trường hợp, đầu vào cũng được sửa đổi để cho phép bộ xử lý xử lý việc biến đổi.

Điều khiển (control)
Phần tử điều khiển hướng dẫn hệ thống.

Đây là hệ thống con đưa ra quyết định kiểm soát các hoạt động về đầu vào, xử lý, và đầu ra.

Hành vi của một hệ thống máy tính được kiểm soát bởi Hệ Điều hành và phần mềm. Để duy trì hệ thống cân bằng, cần xác định đầu vào nào và bao nhiêu là cần thiết dựa trên các yêu cầu đầu ra.

Phản hồi (feedback)
Phản hồi cung cấp kiểm soát trong một hệ thống động.

Phản hồi tích cực có tính chất thủ tục và thúc đẩy hiệu suất của hệ thống.

Phản hồi tiêu cực có tính chất thông tin và cung cấp cho bộ điều khiển thông tin để hành động.

Môi trường (environment)
Môi trường là “siêu hệ thống” mà trong đó một tổ chức hoạt động.

Nó là nguồn cung cấp các yếu tố bên ngoài tác động lên hệ thống.

Môi trường xác định cách hệ thống phải hoạt động. Ví dụ, nhà cung cấp và đối thủ cạnh tranh trong môi trường của tổ chức có thể đặt ra các ràng buộc ảnh hưởng đến hiệu suất thực tế của doanh nghiệp.

Các ranh giới (boundaries) và giao diện (interfaces)
Một hệ thống nên được xác định bởi các ranh giới của nó. Ranh giới là các giới hạn xác định các thành phần, quy trình, và mối quan hệ của nó khi tương tác với một hệ thống khác.

Mỗi hệ thống có ranh giới xác định phạm vi ảnh hưởng và kiểm soát của nó.

Kiến thức về ranh giới của một hệ thống cụ thể là rất quan trọng trong việc xác định bản chất của giao diện với các hệ thống khác để thiết kế thành công.

Trong phần tiếp theo, chúng ta sẽ tìm hiểu về các loại hệ thống.