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/ 

4 công nghệ được thổi phồng nhất trong CNTT

Các Giám đốc CNTT (CIO) không tránh khỏi bị lôi cuốn với hứa hẹn về công nghệ mới nổi. Tại đây, các nhà lãnh đạo và nhà phân tích CNTT chia sẻ những công nghệ mà họ tin rằng có nguy cơ phân phối dưới mức, đưa ra lời khuyên về việc điều chỉnh kỳ vọng phù hợp cho từng công nghệ.

Hầu hết các CIO và nhân viên CNTT thực chất vẫn là những nhà công nghệ, trong đó nhiều người tuyên bố họ quan tâm đến những đồ chơi công nghệ mới sáng bóng. Họ có thể công khai rao giảng “Không có công nghệ vị công nghệ”, nhưng họ vẫn thường xuyên chia sẻ niềm đam mê của mình với những thiết bị công nghệ mới nhất.

Họ không phải là những người duy nhất say mê công nghệ.

Với tin tức công nghệ và công nghệ hiện nay đang lan rộng và phổ biến, nhiều người không thuộc lĩnh vực CNTT — từ các thành viên hội đồng quản trị kỳ cựu đến thực tập sinh ở độ tuổi đại học — đều nhiệt tình không kém với các công nghệ tiên tiến.

Nhưng tất cả sự quan tâm đó có thể nhanh chóng thổi bay tiếng vang và gây ra sự cường điệu – đó là thời điểm mà công nghệ được coi là thuốc chữa bách bệnh cho bất cứ điều gì khiến chúng ta lo lắng hơn là một công cụ hữu ích. Khi đó, hy vọng về công nghệ sẽ vượt xa những gì nó thực sự có thể mang lại ngày nay.

“Gần như mọi công nghệ mới đều đi kèm với sự cường điệu và/hoặc nỗi sợ hãi một cách tự nhiên, nhưng đồng thời, hầu như luôn có giá trị cốt lõi và giá trị kinh doanh đối với công nghệ mới đó. George Corbin, giám đốc hội đồng quản trị tại Edgewell Personal Care cho biết, thách thức đang chuyển từ giai đoạn tầm nhìn/lời hứa ban đầu sang sự chấp nhận và lan tỏa rộng rãi về mặt thương mại và người tiêu dùng; cựu giám đốc kỹ thuật số tại Marriott và Mars Inc.; một giảng viên tại Hiệp hội Giám đốc Doanh nghiệp Quốc gia; và là thành viên tích cực của cộng đồng Hội nghị chuyên đề CIO MIT Sloan.

Với ý nghĩ đó, chúng tôi đã yêu cầu các nhà lãnh đạo công nghệ ở nhiều vai trò và ngành khác nhau liệt kê những công nghệ mà họ cho là đã được cường điệu hóa quá mức và đưa ra đánh giá thực tế hơn về tiềm năng của mỗi người. Đây là những gì họ nói về chủ đề này.

1. Trí tuệ nhân tạo (AI) tạo sinh (Generative AI)

Có lẽ không có gì đáng ngạc nhiên khi AI tạo sinh đứng đầu danh sách công nghệ được cường điệu hóa quá mức ngày nay.

Không ai phủ nhận tiềm năng biến đổi của nó, nhưng các nhà lãnh đạo kỹ thuật số cho biết phần lớn mọi người dường như nghĩ rằng AI tạo sinh, thứ mà Gartner gần đây đã đặt ở mức cao nhất về kỳ vọng tăng cao trong chu kỳ cường điệu hóa năm 2023, có nhiều khả năng hơn nó – ít nhất là tại thời điểm này.

Hãy xem xét một số kết quả khảo sát gần đây. Một báo cáo vào tháng 7 năm 2023 từ công ty dịch vụ chuyên nghiệp KPMG cho thấy 97% trong số 200 lãnh đạo doanh nghiệp cấp cao của Hoa Kỳ được thăm dò dự đoán rằng trí tuệ nhân tạo tổng quát sẽ có tác động lớn đến tổ chức của họ trong thời gian ngắn, 93% tin rằng nó sẽ mang lại giá trị cho doanh nghiệp của họ, và 80% tin rằng nó sẽ phá vỡ ngành công nghiệp của họ.

Tuy nhiên, hầu hết các nhà điều hành cũng thừa nhận họ chưa sẵn sàng khai thác triệt để tiềm năng đó. Một báo cáo khác vào tháng 7, IDC Executive Preview, được tài trợ bởi Teradata, có tiêu đề “Khả năng và thực tế của AI tạo sinh”, cho thấy 86% trong số 900 giám đốc điều hành được thăm dò tin rằng cần có nhiều quản trị hơn để đảm bảo chất lượng và tính toàn vẹn của thông tin chi tiết về AI tạo sinh, với 66% bày tỏ lo ngại về khả năng sai lệch và thông tin sai lệch của AI tạo sinh. Ngoài ra, chỉ 30% nói rằng họ cực kỳ chuẩn bị hoặc thậm chí sẵn sàng tận dụng AI tạo sinh ngay hôm nay và chỉ 42% hoàn toàn tin rằng họ sẽ có đủ kỹ năng để triển khai công nghệ trong 6 đến 12 tháng tới, trong số các vấn đề khác về chiến lược AI tạo sinh của họ phải đối mặt ngày nay.

Đồng thời, sự cường điệu ngày nay có thể khiến các nhà lãnh đạo doanh nghiệp mất tập trung trong việc hiểu đầy đủ về cách AI tổng quát (còn được gọi là GAI) sẽ phát triển và cách họ có thể sử dụng sức mạnh đó trong tương lai.

Daryl Cromer, phó chủ tịch kiêm CTO bộ phận PC và thiết bị thông minh của Lenovo cho biết: “Việc dự đoán và lo sợ về tác động của AI tổng quát nói riêng và mối quan hệ của nó với trí tuệ nhân tạo tổng quát (GAI) đã khiến nó bị thổi phồng quá mức.

Ông nói thêm, trạng thái cường điệu hóa này khiến người ta “dễ lạc quan thái quá về những gì sẽ xảy ra trong năm nay và đồng thời đánh giá thấp những gì sẽ xảy ra trong ba đến năm năm nữa.”

Ông nói rằng “tiềm năng của AI tạo sinh là rất lớn; nó sẽ biến đổi nhiều ngành công nghiệp. Nhưng cần lưu ý rằng chuyển đổi số rất phức tạp và tốn thời gian; không phải là một công ty có thể lấy ‘hộp đen’ GAI và đưa nó vào hoạt động kinh doanh của họ và đạt được hiệu quả cao hơn ngay lập tức. Có nhiều khả năng sẽ có đường cong chữ J đối với ROI khi công ty phải chịu chi phí để có được công nghệ và chi tiêu cho các dịch vụ đám mây để hỗ trợ nó. Các công ty thậm chí có thể gặp phải sự phản đối từ các bên liên quan bị ảnh hưởng, giống như trường hợp của các nhà biên kịch và diễn viên điện ảnh và truyền hình.”

2. Điện toán lượng tử

Những gã khổng lồ công nghệ, công ty khởi nghiệp, tổ chức nghiên cứu và thậm chí cả chính phủ đều đang làm việc hoặc đầu tư vào điện toán lượng tử.

Có lý do chính đáng cho tất cả sự quan tâm đó: Điện toán lượng tử sử dụng các nguyên tắc cơ học lượng tử để thực hiện các phép tính và do đó nhanh hơn và mạnh hơn theo cấp số nhân so với khả năng tính toán ngày nay.

Tuy nhiên, không ai đoán được chính xác khi nào loại máy tính mới này sẽ đi vào hoạt động. Thậm chí còn có nhiều điều không chắc chắn hơn về thời điểm và liệu điện toán lượng tử có sẵn sàng cho bất kỳ ai bên ngoài nhóm nhỏ những người chơi đã có mặt trong không gian ngày nay hay không.

Brian Hopkins, phó chủ tịch phụ trách danh mục công nghệ mới nổi của công ty nghiên cứu Forrester, cho biết: “Mọi người có thể nghĩ rằng nó sẽ thay thế máy tính [điện toán cổ điển của chúng ta] nhưng thực tế không phải vậy,” ít nhất là trong tương lai gần.

Hopkins cho biết thêm: “Bạn thấy những thông báo lớn này từ IBM hoặc Google về điện toán lượng tử và mọi người nghĩ, ‘Lượng tử đã đến gần.’ Những thông báo đó tạo nên những tiêu đề lớn, nhưng sự thật về tương lai của điện toán lượng tử còn mang nhiều sắc thái hơn và [các nhà lãnh đạo doanh nghiệp] cần phải hiểu cái đó.”

Tuy nhiên, điều đó không làm giảm kỳ vọng.

Một cuộc khảo sát năm 2022 với 501 giám đốc điều hành ở Vương quốc Anh của công ty dịch vụ chuyên nghiệp EY cho thấy 97% kỳ vọng điện toán lượng tử sẽ đột phá các lĩnh vực của họ ở mức độ cao hoặc vừa phải, với 48% tin rằng “điện toán lượng tử sẽ đạt đủ độ chín để đóng một vai trò quan trọng trong các hoạt động của hầu hết các công ty trong lĩnh vực tương ứng của họ vào năm 2025.”

Cuộc khảo sát của EY cũng cho thấy các tổ chức chưa chuẩn bị sẵn sàng như thế nào để đáp ứng những gì họ tin là sẽ ở phía trước: Chỉ 33% cho biết tổ chức của họ đã bắt đầu lên kế hoạch chuẩn bị cho việc thương mại hóa công nghệ và chỉ 24% đã thành lập hoặc có kế hoạch thành lập các nhóm thí điểm để khám phá công nghệ này. tiềm năng.

Seth Robinson, phó chủ tịch nghiên cứu ngành tại hiệp hội thương mại CompTIA, cho biết thêm: “Mọi người đều biết rằng điện toán lượng tử sắp ra mắt, nhưng tôi nghĩ vẫn còn đánh giá thấp những gì nó sẽ cần [để phát huy sức mạnh của nó]”. “Tôi nghĩ mọi người nghĩ rằng đó sẽ là một cách mạnh mẽ hơn nhiều để vận hành những gì chúng ta đã có, nhưng trên thực tế, những gì chúng ta có sẽ phải được viết lại để hoạt động với lượng tử. Bạn sẽ không thể thay đổi động cơ. Và nó sẽ không trở thành sản phẩm dành cho thị trường đại chúng.”

3. Metaverse – và thực tế mở rộng nói chung

Mặc dù một số hứng thú về metaverse sắp tới đã giảm bớt nhưng một số người cho rằng khái niệm này vẫn còn bị cường điệu hóa quá mức.

Họ hoài nghi về bất kỳ tuyên bố nào rằng metaverse sẽ đưa tất cả chúng ta sống trong một lĩnh vực kỹ thuật số mới và họ đặt câu hỏi liệu metaverse có tác động lớn nào đến cuộc sống hàng ngày và công việc kinh doanh hàng ngày hay không.

Điều tương tự cũng xảy ra với thực tế mở rộng (XR) – sự kết hợp giữa thực tế tăng cường, thực tế ảo và thực tế hỗn hợp.

“Không gian ảo mang lại trải nghiệm hoàn toàn khác, thường được gọi là trải nghiệm sống động cho khách hàng. Tuy nhiên, theo ý kiến của tôi, tiềm năng thị trường thực tế có thể không lớn như dự kiến hiện nay,” Richard August, đối tác quản lý của CIO Advisory Services tại Tata Consultancy Services, cho biết. “Số lượng trường hợp sử dụng và giá trị tiện ích còn hạn chế, ảnh hưởng đến tiềm năng. Các thiết bị hỗ trợ tính phổ biến của các công nghệ này như bộ VR không có sẵn ở mức giá phải chăng và có thể mở rộng. Ngoài ra, đã có một số trường hợp ảnh hưởng tiêu cực đến sức khỏe – chẳng hạn như mệt mỏi, ảnh hưởng đến thị giác và thính giác – được báo cáo khi sử dụng các thiết bị hỗ trợ các công nghệ này, điều này hạn chế việc áp dụng trên quy mô lớn.”

Hopkins của Forrester cũng đưa ra quan điểm thận trọng tương tự về việc áp dụng công nghệ này trong thời gian tới.

Ông nói: “Các yếu tố hình thức ngày nay không đủ hấp dẫn để mọi người áp dụng công nghệ mới này, vì vậy [việc áp dụng] sẽ mất nhiều thời gian hơn mọi người có thể nghĩ”.

Hopkins cho biết các nhà nghiên cứu thực sự đã nhìn thấy những lĩnh vực mà công nghệ này đã phát triển. Thực tế mở rộng rất hữu ích trong lĩnh vực nhân sự trong việc đào tạo nhân viên và mang lại giá trị trong các trường hợp sử dụng công nghiệp trong đó lớp phủ kỹ thuật số có thể hướng dẫn người lao động vượt qua các tình huống phức tạp. “Nhưng đó chỉ là một phần khá nhỏ trong cơ hội tổng thể,” ông nói thêm.

4. Web3: Chuỗi khối, NFT và tiền điện tử

Tương tự như cảm nhận của họ về web nhập vai, các nhà lãnh đạo công nghệ cho biết Web3 và các thành phần của nó — blockchain, NFT và tiền điện tử — chưa hoàn toàn thực hiện được tất cả những lời hứa của họ.

Rebecca Fox, CIO nhóm của NCC Group, một công ty bảo mật CNTT có trụ sở tại Vương quốc Anh, cho biết: “Họ chỉ cần thấy sự trưởng thành hơn trước khi chúng tôi đầu tư vào những thứ đó”.

Những người khác đã có những quan sát tương tự.

Corbin, chẳng hạn, cho biết blockchain có “tiềm năng kinh doanh rất lớn trong các hợp đồng thông minh – tính minh bạch của chuỗi cung ứng, chăm sóc sức khỏe, tài chính, tiền tệ, tác phẩm nghệ thuật, phương tiện truyền thông, phòng chống gian lận, bảo vệ IP, giảm thiểu giả mạo sâu – nhưng tốc độ triển khai chậm”.

Anh ấy chỉ ra rằng nó không phải là không thể xuyên thủng như lần đầu tiên được quảng bá và rất khó để mở rộng quy mô. Trong khi đó, bản chất phi tập trung của nó cùng với việc thiếu quy định có nghĩa là các hợp đồng blockchain chưa được công nhận hợp pháp ở hầu hết các quốc gia, ông nói thêm.

Các chuyên gia kỹ thuật số cũng trích dẫn các vấn đề với các công nghệ Web3 khác, lưu ý rằng hầu hết các công ty không thể biết phải làm gì với tiền điện tử, chẳng hạn như khi họ đấu tranh với cách hạch toán chúng và cách báo cáo chúng ra đường.

Hơn nữa, nhiều người vẫn hoài nghi về tiền điện tử và NFT – đặc biệt là sau những tin tức nổi bật trong năm qua về các vấn đề của sàn giao dịch tiền điện tử và sự mất giá của NFT.

Các cố vấn cho rằng CIO nên lưu ý đến sự cường điệu nhưng vẫn phải theo dõi chặt chẽ sự phát triển của những công nghệ này.

“Mặc dù đang ở giai đoạn đầu, nhưng chúng tôi nhận thấy rất nhiều động lực đằng sau sự chuyển đổi từ Web2 sang Web3 – và bây giờ là Web4 – điều này chắc chắn sẽ thay đổi cách các doanh nghiệp vận hành cũng như cách chúng tôi sở hữu và giao dịch tài sản. Jeff Wong, giám đốc đổi mới toàn cầu của EY, cho biết: Nó hứa hẹn rất nhiều về ý thức triết học về tài sản, quyền sở hữu và khả năng tự kiểm soát danh tính của bạn trong thế giới kỹ thuật số rộng lớn hơn.

Ông cho biết thêm: “Ở giai đoạn này, Web3/4 là một ý tưởng tạo ra nhiều câu hỏi hơn là câu trả lời, nhưng chúng tôi nghĩ rằng những câu hỏi này đáng được xem xét”.

Nguồn: https://www.cio.com/article/405106/the-6-most-overhyped-technologies-in-it.html

Các trang web và tài nguyên cho dữ liệu mở

May mắn cho các nhà phân tích dữ liệu là có rất nhiều trang web và tài nguyên đáng tin cậy sẵn có cho dữ liệu mở. Cần lưu ý là ngay cả dữ liệu có uy tín cũng cần được đánh giá liên tục, nhưng những trang web sau vẫn là những nguồn dữ liệu khởi đầu hữu ích:

Trang dữ liệu của Chính phủ Mỹ: Data.gov là một trong những nguồn dữ liệu toàn diện nhất ở nước Mỹ. Tài nguyên này cung cấp cho người dùng dữ liệu và công cụ cần thiết để thực hiện nghiên cứu, thậm chí còn giúp họ phát triển các ứng dụng web và di động cũng như thiết kế trực quan hóa dữ liệu. 

Cục điều tra dân số Mỹ (U.S. Census Bureau): Nguồn dữ liệu mở này cung cấp thông tin nhân khẩu học từ chính quyền liên bang, tiểu bang và địa phương cũng như các tổ chức thương mại ở nước Mỹ.

Open Data Network: Nguồn dữ liệu này có một công cụ tìm kiếm thực sự mạnh mẽ và các bộ lọc nâng cao. Tại đây, bạn có thể tìm thấy dữ liệu về các chủ đề như tài chính, an toàn công cộng, cơ sở hạ tầng, nhà ở và phát triển.

Google Cloud Public Datasets: Có một số bộ dữ liệu công khai có sẵn thông qua Chương trình bộ dữ liệu công khai trên đám mây của Google mà bạn có thể thấy là đã được tải vào BigQuery.  

Dataset Search: Dataset Search là một công cụ tìm kiếm được thiết kế dành riêng cho các tập dữ liệu; bạn có thể sử dụng công cụ này để tìm kiếm các tập dữ liệu cụ thể.

Các cấp độ và kỹ thuật mô hình hóa dữ liệu

Bài viết này giới thiệu cho bạn về mô hình hóa dữ liệu và các loại mô hình dữ liệu khác nhau. Các mô hình dữ liệu giúp giữ cho dữ liệu nhất quán và cho phép mọi người vạch ra cách tổ chức dữ liệu. Hiểu biết cơ bản giúp các nhà phân tích và các bên liên quan khác dễ dàng hiểu được dữ liệu của họ và sử dụng dữ liệu đó theo đúng cách.

Bài viết này giới thiệu cho bạn về mô hình hóa dữ liệu và các loại mô hình dữ liệu khác nhau. Các mô hình dữ liệu giúp giữ cho dữ liệu nhất quán và cho phép mọi người vạch ra cách tổ chức dữ liệu. Hiểu biết cơ bản giúp các nhà phân tích và các bên liên quan khác dễ dàng hiểu được dữ liệu của họ và sử dụng dữ liệu đó theo đúng cách.

Lưu ý quan trọng: Nếu là một nhà phân tích dữ liệu mới vào nghề, bạn sẽ không được yêu cầu thiết kế mô hình dữ liệu. Nhưng bạn có thể bắt gặp các mô hình dữ liệu hiện có mà tổ chức của bạn đã có sẵn.

Mô hình hóa dữ liệu là gì?

Mô hình hóa dữ liệu là quá trình tạo sơ đồ thể hiện trực quan cách tổ chức và cấu trúc dữ liệu. Những biểu diễn trực quan này được gọi là mô hình dữ liệu. Bạn có thể coi mô hình dữ liệu như một bản thiết kế của một ngôi nhà. Tại bất kỳ thời điểm nào, có thể có thợ điện, thợ mộc và thợ sửa ống nước sử dụng bản thiết kế đó. Mỗi người trong số những người thợ xây dựng này có mối quan hệ khác nhau với bản thiết kế, nhưng tất cả họ đều cần nó để hiểu cấu trúc tổng thể của ngôi nhà. Các mô hình dữ liệu cũng tương tự; những người dùng khác nhau có thể có các nhu cầu dữ liệu khác nhau, nhưng mô hình dữ liệu mang lại cho họ sự hiểu biết về toàn bộ cấu trúc.

Các cấp độ mô hình hóa dữ liệu

Mỗi cấp độ mô hình hóa dữ liệu có một mức độ chi tiết khác nhau.

kim tự tháp với ba loại mô hình hóa dữ liệu phổ biến: khái niệm, logic và vật lý

Mô hình hóa dữ liệu khái niệm cung cấp chế độ xem ở mức cao về cấu trúc dữ liệu, chẳng hạn như cách dữ liệu tương tác trong một tổ chức. Ví dụ, một mô hình dữ liệu khái niệm có thể được sử dụng để xác định các yêu cầu kinh doanh cho một cơ sở dữ liệu mới. Một mô hình dữ liệu khái niệm không chứa các chi tiết kỹ thuật.

Mô hình hóa dữ liệu logic tập trung vào các chi tiết kỹ thuật của cơ sở dữ liệu như mối quan hệ, thuộc tính và thực thể. Ví dụ: một mô hình dữ liệu logic xác định cách các bản ghi riêng lẻ được xác định duy nhất trong cơ sở dữ liệu. Nhưng nó không đánh vần tên thực của các bảng cơ sở dữ liệu. Đó là công việc của một mô hình dữ liệu vật lý.

Mô hình hóa dữ liệu vật lý mô tả cách cơ sở dữ liệu hoạt động. Một mô hình dữ liệu vật lý xác định tất cả các thực thể và thuộc tính được sử dụng; ví dụ, nó bao gồm tên bảng, tên cột và kiểu dữ liệu cho cơ sở dữ liệu.

Thông tin thêm có thể được tìm thấy trong phần so sánh các mô hình dữ liệu này.

Kỹ thuật mô hình hóa dữ liệu

Có rất nhiều cách tiếp cận khi phát triển mô hình dữ liệu, nhưng hai phương pháp phổ biến là Sơ đồ mối quan hệ thực thể (Entity Relationship Diagram ERD) và sơ đồ Ngôn ngữ mô hình hóa thống nhất (Unified Modeling Language – UML). ERD là một cách trực quan để hiểu mối quan hệ giữa các thực thể trong mô hình dữ liệu. Sơ đồ UML là những sơ đồ rất chi tiết mô tả cấu trúc của một hệ thống bằng cách hiển thị các thực thể, thuộc tính, hoạt động của hệ thống và các mối quan hệ của chúng. Nếu là một nhà phân tích dữ liệu mới vào nghề, bạn cần hiểu rằng có nhiều kỹ thuật lập mô hình dữ liệu khác nhau, nhưng trên thực tế, có thể bạn sẽ sử dụng kỹ thuật hiện có của tổ chức mình.

Bạn có thể đọc thêm về ERD, UML và từ điển dữ liệu trong bài viết về kỹ thuật lập mô hình dữ liệu này.

Phân tích dữ liệu và mô hình hóa dữ liệu

Mô hình hóa dữ liệu có thể giúp bạn khám phá các chi tiết ở mức độ cao về dữ liệu của mình và cách dữ liệu đó có liên quan trên các hệ thống thông tin của tổ chức. Mô hình hóa dữ liệu đôi khi yêu cầu phân tích dữ liệu để hiểu cách dữ liệu được kết hợp với nhau; theo cách đó, bạn biết cách lập bản đồ dữ liệu. Và cuối cùng, các mô hình dữ liệu giúp mọi người trong tổ chức của bạn hiểu và cộng tác với bạn trên dữ liệu của bạn dễ dàng hơn. Điều này rất quan trọng đối với bạn và mọi người trong nhóm của bạn!

Chuyển đổi số đang làm trầm trọng thêm bất bình đẳng xã hội như thế nào

Một góc nhìn về bất bình đẳng kỹ thuật số, dẫn đến bất bình đẳng xã hội của GS Alexander van Deursen, ĐH Twente, Hà Lan. Qua những câu chuyện, ví dụ chúng ta có thể thấy chúng ta ở đâu đó, vào lúc nào đó cũng như vậy.

Bài gốc trên website của ĐH Twente, Hà Lan.

Chúng ta sống trong một thế giới mà hầu hết mọi người đều trực tuyến. Internet là nguồn thông tin gần như vô tận, là không gian để chúng ta giữ liên lạc với những người thân yêu và là nơi chúng ta làm việc và tiêu dùng. Nhưng nếu bạn không có quyền truy cập internet, vì thiếu động lực, thiếu kỹ năng hoặc không có máy tính thì sao? Bất bình đẳng kỹ thuật số làm tăng khoảng cách xã hội giữa mọi người và thậm chí có thể dẫn đến sự loại trừ ai đó. Alexander van Deursen, giáo sư khoa học truyền thông tại Đại học Twente, Hà Lan đang nghiên cứu nguyên nhân phát sinh bất bình đẳng kỹ thuật số và cách chúng ta có thể chống lại nó.

Tác giả: Roel van der Heijden

Kim sử dụng Internet như một tạp chí hào nhoáng vô tận, nơi cô có thể tìm thấy câu trả lời cho mọi câu hỏi của mình về sức khỏe và các mối quan hệ. Điều đó khiến cô cảm thấy tự tin hơn. Willem dành vài giờ mỗi ngày trên YouTube và Facebook, nơi anh cảm thấy được lắng nghe bởi những người cùng tư tưởng, chí hướng. Anh ấy có thể đối phó với sự thất vọng của mình, nếu nó phát sinh, theo cách đó. Amina có một chiếc máy tính bảng mà các con của cô ấy có thể sử dụng để tra cứu thông tin. Bằng cách đó, bọn trẻ theo kịp việc học tại trường trường và học nhanh hơn.

Tuy nhiên, với tất cả những gì đang đọc, Kim cũng luôn tìm kiếm chế độ ăn kiêng phù hợp mà cô ấy không thể tìm thấy. Willem bắt đầu tin vào các thuyết âm mưu và ngày càng vướng vào ảo tưởng của chính mình. Trong cuộc khủng hoảng vi-rút corona, một máy tính bảng được chứng minh là không đủ cho ba đứa con của Amina. Các con của cô hiện đã bị tụt lại phía sau ở trường học.

Công nghệ mới có thể có những tác động tích cực cũng như tiêu cực. Làm thế nào để bạn ngăn chặn các khía cạnh tiêu cực có thể chiếm thế thượng phong? Ngoài ra, làm thế nào để bạn tránh được những yếu tố tiêu cực chủ yếu ảnh hưởng đến một nhóm người cụ thể trong xã hội? Các ví dụ trên được lấy từ bài giảng mở đầu của GS Alexander van Deursen với tựa đề ‘Nghịch lý bao trùm kỹ thuật số’ vào ngày 13/4/2023. Giáo sư Alexander van Deursen giữ ghế chủ tịch ‘Bất bình đẳng kỹ thuật số’ trong Bộ môn khoa học truyền thông tại Khoa Khoa học Hành vi, Quản lý và Xã hội của Đại học Twente. Ông là người sáng lập và giám đốc của Trung tâm Hòa nhập Kỹ thuật số tại khoa này. 

Các ví dụ minh họa những hệ quả sâu rộng của quá trình chuyển đổi số. Nắm vững các kỹ năng kỹ thuật số hiện là một phần thiết yếu trong cuộc sống hàng ngày của chúng ta. Điều đó không chỉ bao gồm các kỹ năng cơ bản để vận hành máy tính. Điều quan trọng không kém là mọi người sử dụng công nghệ một cách có trách nhiệm và họ có thể cảm nhận được những cạm bẫy. Nghiên cứu của GS Van Deursen tập trung vào nguyên nhân và hậu quả của bất bình đẳng kỹ thuật số, thường xuất phát từ vị trí của một cá nhân trong xã hội và các nguồn tài nguyên mà họ có quyền truy cập. Trình độ học vấn, thu nhập, sức khỏe, trình độ biết chữ hoặc mạng lưới xã hội là những ví dụ về các yếu tố tác động.

CHATGPT

Phạm vi và chiều sâu của các khả năng kỹ thuật số đang gia tăng nhanh chóng. Để chứng minh điều này, GS Van Deursen đã nhờ ChatGPT, một mô hình ngôn ngữ tiên tiến sử dụng trí tuệ nhân tạo để tạo ra văn bản trôi chảy theo yêu cầu, viết bài giảng mở đầu cho ông. Kết quả là tuyệt vời, ông cho biết. Mặc dù những công nghệ mới như vậy mang lại nhiều cơ hội, nhưng ngày càng có một nhóm nhỏ người được định vị để gặt hái những lợi ích. “Những thành viên thiệt thòi trong xã hội được hưởng lợi tương đối ít hơn từ những phát triển này, đồng thời, họ cũng là những người có nhiều khả năng bị ảnh hưởng bởi những trải nghiệm tiêu cực.”

Alexander van Deursen

Những thành viên thiệt thòi trong xã hội được hưởng lợi tương đối ít hơn từ những phát triển này, đồng thời, họ cũng là những người có nhiều khả năng bị ảnh hưởng bởi những trải nghiệm tiêu cực.

– Alexander van Deursen.

Trong bài diễn văn mở đầu của mình, ông đưa ra một số ví dụ về những cạm bẫy kỹ thuật số, bao gồm sắp xếp theo thuật toán (vốn là cơ sở phát sinh vụ bê bối trợ cấp chăm sóc trẻ em ở Hà Lan), các hệ thống tín dụng đáng ngờ, phòng phản hồi trên mạng xã hội, vi phạm quyền riêng tư, nhưng cũng là chứng nghiện mạng xã hội, các vấn đề về khoảng chú ý và rối loạn nhân cách. “Những rủi ro là có thật, và những mối nguy hiểm đang gia tăng. Quy định pháp luật để khắc phục các khía cạnh tiêu cực của công nghệ thường đi sau thực tiễn.”

CÁC THIẾT BỊ THÔNG MINH, NHƯNG QUYẾT ĐỊNH KHÔNG SÁNG SUỐT

Chuyển đổi số tiếp tục len lỏi sâu hơn vào cuộc sống của chúng ta thông qua các thiết bị chúng ta sử dụng ở nhà, tại nơi làm việc và trên đường đi. Chúng ta có nhiều thiết bị thông minh như máy điều nhiệt, thiết bị đeo, tivi, lò nướng và thậm chí cả tất trẻ em. Hệ thống Internet of Things (internet vạn vật – IoTs) phức tạp đang phát triển nhanh chóng. Nó nhằm làm cho cuộc sống dễ dàng hơn, bền vững hơn hoặc an toàn hơn cho tất cả chúng ta và sẽ giúp chúng ta đưa ra quyết định đúng đắn, chẳng hạn như về sức khỏe hoặc tính bền vững. GS Van Deursen nói: “Tuy nhiên, nghiên cứu của chúng tôi chỉ ra rằng hệ thống này không cải thiện quá trình ra quyết định của nhiều người. “Mọi người cảm thấy khó đánh giá một quyết định được đưa ra bởi một hệ thống. Sử dụng các thiết bị thông minh thường không dẫn đến hành vi bền vững, mặc dù đó là ý định.”

CẦN NHIỀU HƠN LÀ CHỈ TẶNG LAPTOP

Chuyển đổi số thường được coi là một điều tốt cho tất cả mọi người. Tuy nhiên, những tác động tiêu cực cũng có thể lấn át những kết quả tích cực. GS Alexander van Deursen đưa ra thuật ngữ “nghịch lý bao trùm kỹ thuật số” (digital inclusion paradox).

Làm thế nào để chúng ta giải quyết điều này? GS Van Deursen nói rằng bất bình đẳng kỹ thuật số đang ngày càng được chú ý và nó chiếm vị trí cao trong chương trình nghị sự chính trị. “Nhiều sáng kiến ​​tập trung vào việc đưa mọi người lên mạng, từ việc tổ chức các khóa học đến phát máy tính xách tay. Ý tưởng là sau đó mọi thứ sẽ ổn khi mọi người có thể xử lý công nghệ. Nhưng việc sử dụng ngày càng trở nên quan trọng. Ví dụ: hiểu được rằng bạn không nên chia sẻ thông tin của mình với bất kỳ ai hoặc không phải tất cả tin tức trực tuyến đều là sự thật. Theo nghĩa đó, điều quan trọng không chỉ là phát huy những tác động tích cực mà còn phải tránh những hậu quả tiêu cực của công nghệ.”

TĂNG KHẢ NĂNG PHỤC HỒI

Làm cho mọi người trở nên ‘kiên cường kỹ thuật số’ nên bắt đầu từ trường học, tốt nhất là càng sớm càng tốt. Theo GS Van Deursen, người lớn cũng nên được đào tạo thông qua các khóa học hoặc lớp học cộng đồng hoặc thư viện chẳng hạn.

GS Van Deursen cho biết trách nhiệm đối với việc quy định liên quan sử dụng kỹ thuật số của chúng ta thuộc về chính phủ, nhưng cũng rõ ràng thuộc về các nhà sản xuất công nghệ. Ví dụ: lấy các điều khoản và điều kiện mà chúng tôi buộc phải hiểu để sử dụng một số thiết bị hoặc dịch vụ nhất định. “Nhiều người cảm thấy không thể đọc hết và hiểu ba mươi sáu trang ‘ngôn ngữ pháp lý’. Chúng ta thường chấp nhận điều này (coi nó không cần thiết). Tuy nhiên, do số lượng dữ liệu cá nhân được thu thập ngày càng tăng, chúng ta cần hiểu điều gì xảy ra với thông tin cá nhân và ai có thể truy cập thông tin cá nhân. Điều này rất quan trọng đối với quyền riêng tư, bảo mật và tự do của chúng ta. Theo nghĩa đó, việc hiểu các điều khoản và điều kiện sử dụng nên được quan tâm đúng mức.

8 GIAI ĐOẠN TRONG VÒNG ĐỜI DỮ LIỆU

Không có hai dự án dữ liệu nào giống hệt nhau. Tuy nhiên các dự án dữ liệu có xu hướng tuân theo cùng một chu trình.

Subscribe to continue reading

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

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.

Các khóa học về phân tích dữ liệu

Dưới đây là một số khóa học về phân tích dữ liệu, khoa học dữ liệu. Danh sách này sẽ luôn được tác giả cập nhật. Bạn đọc có thông tin về khóa học khác có thể cung cấp cho tác giả để cập nhật cho đông đảo bạn đọc khác tham khảo.

Coursera:

Foundations: Data, Data, Everywhere, Google. Đây là khóa học nền tảng cho chuỗi các khóa học về phân tích dữ liệu (professional certificate) của Google trên Coursera.

Chuỗi khóa học về Data analytics của IBM.

Khóa học Giới thiệu về Khoa học dữ liệu của IBM.

Chuỗi khóa học chuyên gia khoa học dữ liệu (professional certificate) của IBM.

Data Science Fundamentals with Python and SQL Specialization (gồm 5 khóa học cung cấp bởi IBM).

Survey Data Collection and Analytics Specialization (gồm 7 khóa học cung cấp bởi ĐH Michigan & ĐH Maryland, College Park).

Others:

Introduction to Business Analytics, Harvard Business School.

Phân biệt Data Analytics với Data Analysis

Data Analytics và Data Analysis đều có thể dịch là “Phân tích dữ liệu”. Tuy nhiên về “kỹ thuật” thì Analytics khác với Analysis.

Data Analytics và Data Analysis đều có thể dịch là “Phân tích dữ liệu”. Tuy nhiên về “kỹ thuật” thì Analytics khác với Analysis.

Theo định nghĩa trong từ điển:

Analysis – detailed examination of the elements or structure of something: kiểm tra chi tiết các yếu tố hoặc cấu trúc của một cái gì đó

Analytics – the systematic computational analysis of data or statistics: phân tích tính toán có hệ thống về dữ liệu hoặc thống kê

Như vậy Analysis có thể thực hiện mà không cần dữ liệu hay con số, ví dụ phân tích kinh doanh (business analysis) hay phân tích tâm lý (psycho analysis); còn Analytics, ngay cả không có từ “data” đứng đằng trước cũng hầu như luôn luôn ngụ ý việc sử dụng dữ liệu để thực hiện các thao tác tính toán và suy luận số.

Một số chuyên gia thậm chí còn nói rằng Data Analysis dựa trên các suy luận dựa trên dữ liệu lịch sử, trong khi Data Analytics là để dự đoán hiệu suất trong tương lai.

Những tính năng mới của Google For Education mà giáo viên cần biết

Từ Google Classroom và Meet đến Workspace và Chrome OS, các bản cập nhật Google for Education (Google cho Giáo dục) này rất thú vị.

Google cho Giáo dục đã có một loạt các bản cập nhật mới được tung ra trước năm học 2021-22. Các thông báo được đưa ra cho giáo viên, quản trị viên và các nhà lãnh đạo giáo dục để giúp họ “xây dựng lại” và hoạch định tương lai.

Tại thời điểm này, các bản cập nhật đã được công bố cho Google Classroom, Google Workspace for Education (trước đây là G Suite for Education), Google Meet và Chromebooks.

Dưới đây là các bản cập nhật được chia nhỏ theo từng phần mềm để bạn có thể chọn bản cập nhật phù hợp nhất với mình.

Google Classroom: Google Lớp học

• Nhập danh sách: Tính năng này được thực hiện cho những quản trị viên cần thiết lập các lớp với số lượng lớn vì nó tự động hóa việc này, đồng bộ hóa với hệ thống thông tin học sinh SIS và sử dụng Clever.

• Tiện ích bổ sung cho Lớp học: Những tiện ích này đã được thêm vào như một cách để tích hợp nội dung hữu ích một cách dễ dàng trong Lớp học. Quản trị viên có thể cài đặt trước để giáo viên dễ dàng sử dụng.

• Bảng điều khiển hoạt động mới của học sinh: Lên lịch bài tập cho nhiều lớp học cùng một lúc và truy cập Meet and Classroom dễ dàng hơn để học sinh tham gia tốt hơn.

• Làm việc ngoại tuyến (offline): Học sinh sẽ có thể bắt đầu công việc, xem lại, viết bài tập và thêm tệp đính kèm, tất cả đều ngoại tuyến.

• Hoạt động của học sinh: Giáo viên sẽ có thể xem lần cuối học sinh hoạt động trực tuyến, nhận xét trong lớp hoặc các bài học sinh đã nộp.

Nội dung cập nhật của Google Meet

• Chức năng kiểm soát mới của quản trị viên: Buộc các sinh viên đã thoát ra khỏi phòng trở lại phòng học chính và kết thúc cuộc họp/ lớp học từ công cụ giám sát.

• Phòng chờ: Học sinh sẽ phải ngồi trong phòng chờ cho đến khi có giáo viên tham gia liên kết.

• Nhiều người điều hành: Meet sẽ hỗ trợ nhiều người điều hành hơn và sẽ tự động đưa các trợ giảng trở thành người đồng chủ trì trong phòng học.

• Quyền riêng tư: Những khách bên ngoài danh sách lớp học sẽ phải yêu cầu được tham gia để không ai có thể vào lớp học được mà không được mời.

• Phát trực tiếp: Các sự kiện có thể được phát trực tiếp công khai lên YouTube.

• Dịch: Phụ đề dịch trực tiếp là một tùy chọn.

Google Workspace for Education (Gói giải pháp của Google cho giáo dục)

• Cập nhật Smart Canvas: Cộng tác tốt hơn với Smart Chip để lấy thông tin từ các ứng dụng khác thuộc Workspace (Tài liệu, Trang tính và Trang trình bày), có nghĩa là danh sách kiểm tra tương tác để đánh dấu các mục có dấu đầu dòng đã được thực hiện xong, các mẫu bảng trong Tài liệu và phân tích cho Tài liệu và Trang tính để tự động tìm các từ ngữ không phù hợp hoặc đề xuất về chỉnh sửa phong cách ngôn ngữ.

• Bảo mật: Cập nhật cho Drive cũng như các cải tiến cho phiên bản Education Plus và phiên bản Standard.

Chromebook đã được cập nhật

• Cá nhân hóa: Đối với các trường học cung cấp Chromebook cá nhân cho học sinh, việc bổ sung thông tin đăng nhập bằng mã PIN có thể giúp thực hiện việc này dễ dàng hơn.

• Báo cáo của Chrome Insight: Quản trị viên dễ dàng biết khi nào sắp đến Ngày hết hạn cập nhật tự động.

• Phóng đại: Chức năng phóng đại toàn màn hình hiện có một phương pháp lia mới để thực hiện dễ dàng hơn.

• ChromeVox: Giờ đây đã đi kèm với các hướng dẫn mới để giúp sử dụng trình đọc màn hình Chrome.

Nguồn: https://www.techlearning.com/news/these-are-the-new-google-for-education-features-teachers-need-to-know-about