Các giải pháp phần mềm ngày càng bao gồm các tính năng AI; vì vậy các kỹ sư phần mềm cần biết cách tích hợp các khả năng AI vào các ứng dụng và dịch vụ của họ.
Increasingly, software solutions include AI features; so software engineers need to know how to integrate AI capabilities into their applications and services.
Những tiến bộ trong học máy, cùng với sự sẵn có ngày càng tăng của khối lượng dữ liệu lớn và khả năng tính toán mạnh mẽ để xử lý và huấn luyện các mô hình dự đoán, đã dẫn đến sự sẵn có của các dịch vụ phần mềm đóng gói sẵn bao gồm các khả năng AI.
The advances made in machine learning, together with the increased availability of large volumes of data and powerful compute on which to process it and train predictive models, has led to the availability of prepackaged software services that encapsulate AI capabilities.
Các kỹ sư phần mềm có thể tận dụng những dịch vụ này để tạo ra các ứng dụng và tác nhân sử dụng chức năng AI cơ bản, sử dụng chúng như các khối xây dựng để tạo ra các giải pháp thông minh.
Software engineers can take advantage of these services to create applications and agents that use the underlying AI functionality, using them as building blocks to create intelligent solutions.
Điều này có nghĩa là các kỹ sư phần mềm có thể áp dụng các kỹ năng hiện có của họ trong lập trình, thử nghiệm, làm việc với hệ thống kiểm soát nguồn, và đóng gói ứng dụng để triển khai, mà không cần phải trở thành các nhà khoa học dữ liệu hay chuyên gia học máy.
This means that software engineers can apply their existing skills in programming, testing, working with source control systems, and packaging applications for deployment, without having to become data scientists or machine learning experts.
Tuy nhiên, để tận dụng hoàn toàn các cơ hội của AI, các kỹ sư phần mềm cần ít nhất một hiểu biết khái niệm về các nguyên tắc cơ bản của AI và machine learning.
However, to fully capitalize on the opportunities of AI, software engineers do require at least a conceptual understanding of core AI and machine learning principles.
Huấn luyện mô hình và suy luận
Model training and inferencing
Nhiều hệ thống AI dựa vào các mô hình dự đoán phải được huấn luyện bằng dữ liệu mẫu. Quá trình huấn luyện phân tích dữ liệu và xác định các mối quan hệ giữa các đặc điểm trong dữ liệu (các giá trị dữ liệu sẽ thường xuất hiện trong các quan sát mới) và nhãn (giá trị mà mô hình đang được huấn luyện để dự đoán).
Many AI systems rely on predictive models that must be trained using sample data. The training process analyzes the data and determines relationships between the features in the data (the data values that will generally be present in new observations) and the label (the value that the model is being trained to predict).
Sau khi mô hình đã được huấn luyện, bạn có thể nộp dữ liệu mới bao gồm các giá trị đặc điểm đã biết và để mô hình dự đoán nhãn có khả năng nhất. Sử dụng mô hình để đưa ra dự đoán được gọi là suy luận.
After the model has been trained, you can submit new data that includes known feature values and have the model predict the most likely label. Using the model to make predictions is referred to as inferencing.
Nhiều dịch vụ và khung phần mềm mà các kỹ sư phần mềm có thể sử dụng để xây dựng các giải pháp hỗ trợ AI yêu cầu một quá trình phát triển bao gồm việc huấn luyện một mô hình từ dữ liệu hiện có trước khi nó có thể được sử dụng để suy luận các giá trị mới trong một ứng dụng.
Many of the services and frameworks that software engineers can use to build AI-enabled solutions require a development process that involves training a model from existing data before it can be used to inference new values in an application.
Xác suất và điểm tin cậy
Probability and confidence scores
Một mô hình machine learning được huấn luyện tốt có thể chính xác, nhưng không có mô hình dự đoán nào là không thể sai sót. Các dự đoán được tạo ra bởi các mô hình machine learning dựa trên xác suất, và mặc dù các kỹ sư phần mềm không cần hiểu sâu về lý thuyết xác suất, điều quan trọng là phải hiểu rằng các dự đoán phản ánh khả năng thống kê, không phải là sự thật tuyệt đối.
A well-trained machine learning model can be accurate, but no predictive model is infallible. The predictions made by machine learning models are based on probability, and while software engineers don’t require a deep mathematical understanding of probability theory, it’s important to understand that predictions reflect statistical likelihood, not absolute truth.
Trong hầu hết các trường hợp, các dự đoán có một điểm tin cậy liên kết, phản ánh xác suất mà dự đoán đó được đưa ra. Các nhà phát triển phần mềm nên sử dụng các giá trị điểm tin cậy để đánh giá các dự đoán và áp dụng các ngưỡng phù hợp nhằm tối ưu hóa độ tin cậy của ứng dụng và giảm thiểu rủi ro của các dự đoán có thể được đưa ra dựa trên các xác suất biên.
In most cases, predictions have an associated confidence score that reflects the probability on which the prediction is being made. Software developers should make use of confidence score values to evaluate predictions and apply appropriate thresholds to optimize application reliability and mitigate the risk of predictions that may be made based on marginal probabilities
AI có trách nhiệm và đạo đức
Responsible AI and ethics
Điều quan trọng là các kỹ sư phần mềm phải xem xét tác động của phần mềm của họ đối với người dùng và xã hội nói chung, bao gồm cả các vấn đề đạo đức về việc sử dụng nó. Khi ứng dụng được tích hợp trí tuệ nhân tạo, những xem xét này đặc biệt quan trọng do bản chất của cách các hệ thống AI hoạt động và cung cấp thông tin cho các quyết định; thường dựa trên các mô hình xác suất, và các mô hình này phụ thuộc vào dữ liệu mà chúng được huấn luyện.
It’s important for software engineers to consider the impact of their software on users, and society in general; including ethical considerations about its use. When the application is imbued with artificial intelligence, these considerations are particularly important due to the nature of how AI systems work and inform decisions; often based on probabilistic models, which are in turn dependent on the data with which they were trained.
Tính chất giống con người của các giải pháp AI là một lợi ích đáng kể trong việc làm cho các ứng dụng thân thiện với người dùng, nhưng nó cũng có thể khiến người dùng đặt niềm tin rất lớn vào khả năng của ứng dụng để đưa ra các quyết định đúng đắn. Tiềm năng gây hại cho cá nhân hoặc nhóm thông qua các dự đoán sai hoặc việc sử dụng sai các khả năng của AI là một mối quan tâm lớn, và các kỹ sư phần mềm xây dựng các giải pháp hỗ trợ AI nên cân nhắc kỹ lưỡng để giảm thiểu rủi ro và đảm bảo công bằng, độ tin cậy và bảo vệ đầy đủ khỏi tổn hại hoặc phân biệt đối xử.
The human-like nature of AI solutions is a significant benefit in making applications user-friendly, but it can also lead users to place a great deal of trust in the application’s ability to make correct decisions. The potential for harm to individuals or groups through incorrect predictions or misuse of AI capabilities is a major concern, and software engineers building AI-enabled solutions should apply due consideration to mitigate risks and ensure fairness, reliability, and adequate protection from harm or discrimination.
