Học Sâu Là Gì? Định Nghĩa, Cách Hoạt Động, Ứng Dụng và Xu Hướng Tương Lai

Học sâu (Deep Learning) đã trở thành trụ cột của cuộc cách mạng trí tuệ nhân tạo hiện đại, định hình lại cách chúng ta tương tác với công nghệ và giải quyết các vấn đề phức tạp. Công nghệ này đã mở ra những khả năng chưa từng có trong xử lý ngôn ngữ tự nhiên, nhận diện hình ảnh, và nhiều lĩnh vực khác. Bài viết này sẽ cung cấp một cái nhìn toàn diện về học sâu, từ định nghĩa cơ bản đến cách thức hoạt động, ứng dụng thực tiễn và xu hướng tương lai. Dù bạn là một người mới tìm hiểu hay một chuyên gia trong lĩnh vực này, bài viết sẽ cung cấp những kiến thức giá trị về công nghệ đang định hình tương lai của nhân loại.

Học sâu là gì?

Học sâu là một nhánh của học máy (Machine Learning), tập trung vào việc sử dụng các mạng nơ-ron nhân tạo nhiều lớp để xử lý dữ liệu phức tạp. Khác với các phương pháp học máy truyền thống, học sâu có khả năng tự động trích xuất đặc trưng từ dữ liệu thô, loại bỏ nhu cầu can thiệp thủ công của con người.

Về bản chất, học sâu mô phỏng cách thức hoạt động của não bộ con người thông qua việc sử dụng các mạng nơ-ron nhân tạo đa tầng. Mỗi tầng trong mạng này có khả năng học và trích xuất các đặc trưng ngày càng trừu tượng từ dữ liệu đầu vào, cho phép mô hình nhận biết các mẫu phức tạp và đưa ra dự đoán chính xác.

Học sâu đóng vai trò nền tảng cho nhiều ứng dụng AI hiện đại, bao gồm:

• Các chatbot thông minh như ChatGPT, Google Bard và Grok
• Hệ thống nhận diện khuôn mặt trên điện thoại thông minh và camera an ninh
• Công nghệ xe tự lái của Tesla, Waymo và các công ty khác
• Hệ thống xử lý ngôn ngữ tự nhiên như dịch máy và trợ lý ảo

Nhờ khả năng xử lý dữ liệu phức tạp và học từ kinh nghiệm, học sâu đã đạt được hiệu suất ngang tầm hoặc vượt trội con người trong nhiều nhiệm vụ, đánh dấu một bước ngoặt quan trọng trong lịch sử phát triển AI.

Cách học sâu hoạt động như thế nào?

Học sâu hoạt động dựa trên nguyên lý của mạng nơ-ron nhân tạo (Artificial Neural Networks), với kiến trúc gồm nhiều lớp xử lý để biến đổi dữ liệu đầu vào thành các biểu diễn trừu tượng hơn. Khác biệt chính của học sâu so với học máy truyền thống là khả năng tự động trích xuất đặc trưng, không cần sự can thiệp của con người trong việc định nghĩa đặc trưng.

Quá trình học sâu phụ thuộc vào hai yếu tố quan trọng:

1. Dữ liệu lớn (Big Data): Mô hình học sâu cần lượng dữ liệu huấn luyện khổng lồ để học các mẫu và quy luật.
2. Sức mạnh tính toán: GPU (Graphics Processing Units) và TPU (Tensor Processing Units) đóng vai trò thiết yếu trong việc tăng tốc quá trình huấn luyện các mô hình học sâu phức tạp.

Cấu trúc mạng nơ-ron nhân tạo

Một mạng nơ-ron nhân tạo điển hình bao gồm ba thành phần chính:

1. Lớp đầu vào (Input Layer): Tiếp nhận dữ liệu thô và truyền tới các lớp tiếp theo.
2. Lớp ẩn (Hidden Layers): Một hoặc nhiều lớp xử lý trung gian, nơi diễn ra các phép biến đổi phi tuyến. Học sâu khác biệt với học máy truyền thống ở chỗ nó sử dụng nhiều lớp ẩn (thường là hàng chục hoặc hàng trăm lớp).
3. Lớp đầu ra (Output Layer): Tạo ra kết quả cuối cùng, có thể là một giá trị dự đoán, một phân loại, hoặc một cấu trúc phức tạp.

Mỗi nơ-ron trong mạng kết nối với các nơ-ron ở lớp tiếp theo thông qua các trọng số (weights). Các trọng số này được điều chỉnh trong quá trình huấn luyện để tối ưu hóa hiệu suất của mô hình. Ngoài ra, các hàm kích hoạt (activation functions) như ReLU (Rectified Linear Unit), sigmoid, hoặc tanh được sử dụng để đưa tính phi tuyến vào mô hình, cho phép học các mẫu phức tạp.

Các thuật toán cốt lõi

Quá trình học của mạng nơ-ron dựa trên hai thuật toán chính:

1. Lan truyền ngược (Backpropagation): Thuật toán này tính toán đạo hàm của hàm mất mát theo các trọng số và điều chỉnh các trọng số để giảm thiểu lỗi. Quá trình này diễn ra theo hướng từ lớp đầu ra ngược về lớp đầu vào.
2. Hạ gradient (Gradient Descent): Phương pháp tối ưu hóa điều chỉnh các trọng số theo hướng giảm dần độ dốc của hàm mất mát, giúp mô hình dần dần hội tụ đến điểm tối ưu.

Vai trò của phần cứng chuyên dụng như GPU và TPU là rất quan trọng trong học sâu. Các thiết bị này có khả năng thực hiện đồng thời hàng nghìn phép tính song song, tăng tốc đáng kể quá trình huấn luyện mô hình. Ví dụ, một mô hình học sâu phức tạp có thể mất vài tuần để huấn luyện trên CPU, nhưng chỉ mất vài giờ trên GPU hiện đại.

Các loại mạng nơ-ron phổ biến

Học sâu bao gồm nhiều kiến trúc mạng khác nhau, mỗi loại được thiết kế cho những nhiệm vụ cụ thể:

• Mạng nơ-ron tích chập (CNN – Convolutional Neural Networks): Chuyên dụng cho xử lý dữ liệu có cấu trúc lưới như hình ảnh. CNN sử dụng các lớp tích chập để tự động trích xuất đặc trưng không gian, giúp nhận diện các mẫu trong hình ảnh như cạnh, góc, và đối tượng phức tạp.
• Mạng nơ-ron hồi quy (RNN – Recurrent Neural Networks) và LSTM (Long Short-Term Memory): Thiết kế để xử lý dữ liệu chuỗi và dữ liệu tuần tự như văn bản, âm thanh, hoặc chuỗi thời gian. RNN có khả năng “ghi nhớ” thông tin từ các bước trước đó, trong khi LSTM giải quyết vấn đề mất mát gradient trong RNN, cho phép học các phụ thuộc dài hạn.
• Transformer: Kiến trúc đột phá sử dụng cơ chế tự tập trung (self-attention), cho phép mô hình xử lý toàn bộ chuỗi đầu vào cùng một lúc thay vì tuần tự. Transformer là nền tảng cho các mô hình ngôn ngữ tiên tiến như BERT, GPT và T5.
• GAN (Generative Adversarial Networks): Bao gồm hai mạng nơ-ron đối kháng – generator (tạo dữ liệu giả) và discriminator (phân biệt dữ liệu thật/giả). GANs được sử dụng để tạo nội dung mới như hình ảnh, âm nhạc hoặc văn bản.

python

# Ví dụ mạng nơ-ron đơn giản với TensorFlow

import tensorflow as tf

from tensorflow.keras.models import Sequential

from tensorflow.keras.layers import Dense

# Tạo mô hình mạng nơ-ron với 3 lớp

model = Sequential([

    Dense(128, activation=’relu’, input_shape=(784,)),  # Lớp ẩn 1

    Dense(64, activation=’relu’),                      # Lớp ẩn 2

    Dense(10, activation=’softmax’)                    # Lớp đầu ra

])

# Biên dịch mô hình

model.compile(

    optimizer=’adam’,

    loss=’sparse_categorical_crossentropy’,

    metrics=[‘accuracy’]

)

# Huấn luyện mô hình (với dữ liệu x_train, y_train)

# model.fit(x_train, y_train, epochs=10, batch_size=32)

Học sâu, học máy, và AI khác nhau như thế nào?

Để hiểu rõ vị trí của học sâu trong hệ sinh thái AI, cần phân biệt nó với các khái niệm liên quan:

AI là khái niệm rộng nhất, bao gồm tất cả nỗ lực nhằm tạo ra máy tính có khả năng mô phỏng trí thông minh của con người. Học máy là một nhánh của AI, tập trung vào việc phát triển các thuật toán cho phép máy tính học từ dữ liệu thay vì được lập trình một cách tường minh. Học sâu, một nhánh của học máy, sử dụng các mạng nơ-ron nhiều lớp để học các biểu diễn phức tạp của dữ liệu.

Điểm khác biệt quan trọng nhất là cách trích xuất đặc trưng. Trong học máy truyền thống, con người phải xác định các đặc trưng quan trọng từ dữ liệu. Ngược lại, học sâu tự động học các đặc trưng này, cho phép xử lý dữ liệu phức tạp như hình ảnh và ngôn ngữ tự nhiên một cách hiệu quả hơn.

Ứng dụng thực tiễn của học sâu là gì?

Học sâu đã tạo ra những bước đột phá trong nhiều lĩnh vực, từ y tế đến giải trí, thay đổi cách con người sống và làm việc.

Y tế

Trong lĩnh vực y tế, học sâu đang mang lại những tiến bộ đáng kể:

• Chẩn đoán hình ảnh y khoa: Các mô hình CNN có khả năng phát hiện ung thư từ hình ảnh X-quang, CT, MRI với độ chính xác tương đương hoặc vượt trội bác sĩ chuyên khoa. Ví dụ, nghiên cứu của McKinsey cho thấy AI có thể giảm 5-10% lỗi chẩn đoán trong một số trường hợp.
• Phân tích gen: Học sâu giúp phân tích dữ liệu gen để dự đoán nguy cơ mắc bệnh và phát triển liệu pháp cá nhân hóa.
• Phát triển thuốc: IBM Watson và các hệ thống tương tự sử dụng học sâu để phân tích hàng triệu tài liệu y khoa, tăng tốc quá trình phát hiện thuốc mới.

Công nghệ

Học sâu đang cách mạng hóa ngành công nghệ thông tin:

• Nhận diện giọng nói: Các trợ lý ảo như Siri, Alexa và Google Assistant sử dụng học sâu để chuyển đổi giọng nói thành văn bản với độ chính xác cao.
• Dịch máy: Google Translate và các dịch vụ dịch thuật khác đã đạt được bước tiến lớn nhờ kiến trúc Transformer, cho phép dịch theo ngữ cảnh thay vì từng từ một.
• Chatbot và trợ lý ảo: ChatGPT, Google Bard và các mô hình tương tự sử dụng kiến trúc Transformer để hiểu và tạo văn bản, trả lời câu hỏi, và thậm chí viết mã.

Giao thông

Lĩnh vực giao thông đang trải qua cuộc cách mạng nhờ học sâu:

• Xe tự lái: Tesla, Waymo và các công ty khác sử dụng CNN để xử lý hình ảnh từ camera, lidar và radar, cho phép xe nhận diện đường, người đi bộ, xe khác và chướng ngại vật.
• Tối ưu hóa giao thông: Các hệ thống giao thông thông minh sử dụng học sâu để phân tích dữ liệu lưu lượng thời gian thực, dự đoán tắc nghẽn và tối ưu hóa tín hiệu đèn giao thông.

Giải trí và thương mại

Học sâu đã thay đổi cách chúng ta tiêu thụ nội dung và mua sắm:

• Hệ thống gợi ý: Netflix, YouTube và Amazon sử dụng học sâu để phân tích lịch sử xem và mua sắm của người dùng, gợi ý nội dung và sản phẩm phù hợp với sở thích cá nhân.
• Tạo nội dung sáng tạo: Các mô hình như DALL·E, MidJourney và Stable Diffusion có khả năng tạo hình ảnh từ mô tả văn bản, mở ra những khả năng mới trong thiết kế và nghệ thuật.

Ứng dụng tại Việt Nam

Tại Việt Nam, học sâu đang dần được ứng dụng rộng rãi:

• Nghiên cứu AI: VinAI, thành lập năm 2018, đã phát triển các hệ thống nhận diện khuôn mặt tiên tiến được triển khai tại hơn 1000 điểm bán lẻ của Vingroup.
• Xử lý ngôn ngữ tự nhiên: Viettel AI đã phát triển các mô hình xử lý tiếng Việt như Viettel Translate và các công cụ phân tích cảm xúc từ văn bản tiếng Việt.
• Nông nghiệp thông minh: Các dự án như FPT AI áp dụng học sâu trong phân tích hình ảnh từ drone và cảm biến để theo dõi sức khỏe cây trồng, dự đoán năng suất và phát hiện sớm dịch bệnh.
• Thương mại điện tử: Các nền tảng như Tiki và Shopee áp dụng học sâu để cá nhân hóa trải nghiệm mua sắm và tối ưu hóa hệ thống gợi ý sản phẩm.

Ưu điểm của học sâu là gì?

Học sâu có nhiều ưu điểm vượt trội so với các phương pháp học máy truyền thống:

• Tự động trích xuất đặc trưng: Học sâu loại bỏ nhu cầu định nghĩa đặc trưng thủ công, tiết kiệm thời gian và công sức cho các kỹ sư dữ liệu.
• Hiệu suất vượt trội trong nhiệm vụ phức tạp: Học sâu đạt kết quả ấn tượng trong các lĩnh vực như xử lý ngôn ngữ tự nhiên và thị giác máy tính, vượt qua các phương pháp truyền thống với khoảng cách lớn.
• Khả năng mở rộng: Hiệu suất của mô hình học sâu thường cải thiện khi được cung cấp nhiều dữ liệu hơn và khi kiến trúc mạng được mở rộng.
• Tính linh hoạt: Các kiến trúc học sâu có thể áp dụng cho nhiều loại dữ liệu khác nhau, từ hình ảnh đến văn bản, âm thanh và dữ liệu chuỗi thời gian.

Hạn chế của học sâu

Bên cạnh những ưu điểm, học sâu cũng có một số hạn chế đáng lưu ý:

• Yêu cầu dữ liệu lớn: Mô hình học sâu thường cần lượng dữ liệu huấn luyện khổng lồ, đôi khi lên đến hàng terabyte, để đạt hiệu suất tối ưu.
• Chi phí tính toán cao: Huấn luyện mô hình học sâu phức tạp đòi hỏi phần cứng chuyên dụng như GPU hoặc TPU, với chi phí có thể lên đến hàng triệu USD cho các mô hình lớn nhất. Theo NVIDIA, chi phí huấn luyện mô hình GPT-3 ước tính khoảng 12 triệu USD.
• Mô hình “hộp đen”: Các mô hình học sâu thường thiếu tính minh bạch, khó giải thích cách thức ra quyết định, gây thách thức trong các ứng dụng nhạy cảm như y tế hoặc tài chính.
• Nguy cơ quá khớp (overfitting): Mô hình học sâu có thể học quá tốt từ dữ liệu huấn luyện nhưng không tổng quát hóa tốt cho dữ liệu mới.

Xu hướng tương lai của học sâu là gì?

Học sâu đang phát triển nhanh chóng, với nhiều hướng nghiên cứu và ứng dụng đầy hứa hẹn:

• Tích hợp với IoT: Kết hợp học sâu với Internet vạn vật (IoT) sẽ mở ra thời đại của nhà thông minh và thành phố thông minh. Theo Gartner, đến năm 2025, hơn 50% dữ liệu IoT sẽ được xử lý bằng AI ở cạnh mạng (edge computing).
• AI tạo sinh: Các mô hình như GPT-4, DALL·E và MidJourney đang mở ra kỷ nguyên mới của nội dung tạo sinh. McKinsey dự đoán AI tạo sinh có thể đóng góp 4,4 nghìn tỷ USD vào nền kinh tế toàn cầu đến năm 2030.
• Mô hình nhẹ (TinyML): Phát triển các mô hình học sâu hiệu quả có thể chạy trên thiết bị di động và IoT với tài nguyên hạn chế.
• Học tự giám sát và học ít mẫu: Các phương pháp mới giúp giảm nhu cầu về dữ liệu được gán nhãn, cho phép mô hình học từ dữ liệu không gán nhãn hoặc từ một số lượng nhỏ ví dụ.

Tại Việt Nam, nghiên cứu học sâu đang phát triển mạnh mẽ tại các tổ chức như VinAI, Viettel AI, và các trường đại học hàng đầu như Đại học Bách Khoa Hà Nội, Đại học Công nghệ – ĐHQG Hà Nội, và Đại học Công nghệ Thông tin – ĐHQG TP.HCM.

Làm thế nào để bắt đầu học sâu?

Đối với những người muốn tìm hiểu và áp dụng học sâu, có nhiều tài nguyên và công cụ hữu ích:

Tài nguyên học tập

• Tiếng Việt:
  • Kyna.vn và Edumall.vn cung cấp các khóa học về AI và học sâu bằng tiếng Việt
  • Cộng đồng VinAI tổ chức các buổi hội thảo và chia sẻ tài liệu học tập
  • Kênh YouTube “Machine Learning cơ bản” của Tiệp Vũ cung cấp video bài giảng chất lượng cao
• Quốc tế:
  • Deep Learning Specialization trên Coursera do Andrew Ng giảng dạy
  • Fast.ai cung cấp khóa học miễn phí “Practical Deep Learning for Coders”
  • PyTorch và TensorFlow có tài liệu hướng dẫn toàn diện và các bài học tương tác

Công cụ thực hành

• Google Colab: Môi trường Jupyter Notebook miễn phí với GPU/TPU, không cần cài đặt phức tạp
• Kaggle: Nền tảng cung cấp bộ dữ liệu, môi trường notebook, và cộng đồng học tập
• PyTorch và TensorFlow: Hai framework phổ biến nhất cho học sâu, với API Python dễ sử dụng

Cộng đồng và sự kiện

• Cộng đồng AI Việt Nam: Nhóm AI Vietnam và VinAI Community thường xuyên tổ chức meetup và chia sẻ kiến thức
• Sự kiện: Hội thảo AI của Viettel, FPT AI Summit, và các hội nghị tại các trường đại học lớn
• Hackathon: Các cuộc thi như Vietnam AI Grand Challenge tạo cơ hội thực hành và học hỏi

Câu hỏi thường gặp (FAQs)

Học sâu có cần kiến thức toán học nâng cao không?

Để hiểu và áp dụng cơ bản học sâu, bạn cần kiến thức về đại số tuyến tính, giải tích, xác suất và thống kê. Tuy nhiên, các framework hiện đại như PyTorch và TensorFlow đã trừu tượng hóa nhiều khái niệm phức tạp, cho phép người dùng tập trung vào ứng dụng. Để nghiên cứu sâu hơn, kiến thức toán học vững chắc là cần thiết.

Mạng nơ-ron tích chập (CNN) là gì?

CNN là một loại mạng nơ-ron được thiết kế đặc biệt để xử lý dữ liệu có cấu trúc lưới, đặc biệt là hình ảnh. CNN sử dụng các lớp tích chập để tự động học các bộ lọc trích xuất đặc trưng như cạnh, góc, và dần dần là các đối tượng phức tạp hơn. Kiến trúc này đã mang lại những bước đột phá trong nhận diện hình ảnh, thị giác máy tính và thậm chí cả xử lý ngôn ngữ tự nhiên.

Những loại dữ liệu nào phù hợp nhất cho học sâu?

Học sâu đặc biệt hiệu quả với dữ liệu phi cấu trúc như hình ảnh, âm thanh, video và văn bản. Đối với dữ liệu có cấu trúc (như bảng), các thuật toán học máy truyền thống như Random Forest hoặc Gradient Boosting đôi khi hiệu quả hơn, đặc biệt khi lượng dữ liệu không quá lớn.

Học sâu và học máy truyền thống khác nhau như thế nào trong nhận diện hình ảnh?

Trong học máy truyền thống, việc nhận diện hình ảnh đòi hỏi kỹ sư phải thủ công trích xuất đặc trưng như HOG (Histogram of Oriented Gradients) hoặc SIFT (Scale-Invariant Feature Transform). Ngược lại, học sâu với CNN tự động học các đặc trưng từ đơn giản đến phức tạp thông qua các lớp tích chập. Kết quả là, học sâu đạt độ chính xác cao hơn đáng kể trong các nhiệm vụ nhận diện hình ảnh phức tạp.

Transformer so với RNN: Mô hình nào hiệu quả hơn cho NLP?

Transformer đã thay thế RNN và LSTM trong hầu hết các ứng dụng xử lý ngôn ngữ tự nhiên (NLP) hiện đại vì nhiều lợi thế:

• Xử lý song song: Transformer xử lý toàn bộ chuỗi cùng một lúc, trong khi RNN xử lý tuần tự, giúp tăng tốc đáng kể quá trình huấn luyện.
• Phụ thuộc khoảng xa: Cơ chế self-attention của Transformer cho phép mô hình nắm bắt tốt hơn các phụ thuộc giữa các từ cách xa nhau trong câu.
• Hiệu suất: Các mô hình dựa trên Transformer như BERT, GPT, và T5 đã đạt kết quả vượt trội trong hầu hết các nhiệm vụ NLP, từ dịch máy đến tóm tắt văn bản và trả lời câu hỏi.

Tuy nhiên, RNN vẫn có thể hữu ích cho các nhiệm vụ với dữ liệu chuỗi ngắn hoặc trong các môi trường có tài nguyên tính toán hạn chế.

Kết luận: Tầm quan trọng và thách thức của học sâu

Học sâu đã trở thành một trong những công nghệ định hình lại thế giới hiện đại. Từ smartphone đến y học chính xác, từ xe tự lái đến trợ lý ảo, học sâu đang dần trở thành cốt lõi của các hệ thống thông minh hiện đại. Khả năng học từ dữ liệu, nhận diện mẫu phức tạp và đưa ra dự đoán chính xác đã giúp học sâu tạo ra những đột phá trong nhiều lĩnh vực.

Tuy nhiên, thách thức vẫn còn nhiều. Việc thu thập đủ dữ liệu chất lượng, xây dựng mô hình minh bạch và giải thích được, giảm chi phí tính toán, và đảm bảo công bằng trong AI là những vấn đề cần giải quyết. Đặc biệt là trong bối cảnh Việt Nam, nơi nguồn nhân lực AI còn hạn chế và cơ sở hạ tầng kỹ thuật số đang phát triển, việc áp dụng học sâu đòi hỏi những nỗ lực và đầu tư lớn.

Dù vậy, tiềm năng của học sâu là không thể phủ nhận. Trong thời đại mà dữ liệu được tạo ra với tốc độ chưa từng có, khả năng khai thác giá trị từ dữ liệu của học sâu sẽ ngày càng quan trọng. Những tiến bộ trong nghiên cứu, như các mô hình nhẹ hơn, phương pháp học từ ít dữ liệu, và AI tự giải thích, sẽ mở ra những khả năng mới.

Nếu bạn đang tìm hiểu về AI và học sâu, đây là thời điểm lý tưởng để bắt đầu. Với vô số tài nguyên học tập trực tuyến, công cụ mã nguồn mở, và cộng đồng hỗ trợ, kiến thức về học sâu chưa bao giờ dễ tiếp cận hơn. Hãy khám phá các khóa học trên Coursera, thử nghiệm với Kaggle, và tham gia các cộng đồng AI Việt Nam để bắt đầu hành trình của bạn trong lĩnh vực đầy hứa hẹn này.

Học sâu không chỉ là một công nghệ; đó là một cách tiếp cận mới để giải quyết những vấn đề phức tạp nhất của nhân loại. Khi bạn hiểu rõ hơn về cách thức hoạt động, ứng dụng và tiềm năng của học sâu, bạn sẽ chuẩn bị tốt hơn để tham gia vào cuộc cách mạng AI đang định hình lại tương lai của chúng ta.

Tài liệu tham khảo

• Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
• LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.
• McKinsey Global Institute. (2023). The economic potential of generative AI: The next productivity frontier.
• Gartner. (2023). Top Strategic Technology Trends for 2024.
• VinAI Research. (2023). Báo cáo nghiên cứu AI tại Việt Nam.
• Viettel AI. (2022). Ứng dụng AI trong xử lý ngôn ngữ tiếng Việt.
• Đại học Công nghệ Thông tin – ĐHQG TP.HCM. (2023). Nghiên cứu học sâu và ứng dụng.
• NVIDIA. (2023). Báo cáo về chi phí huấn luyện mô hình AI quy mô lớn.
• Google AI Blog. (2023). Advances in AI for the Vietnamese language.
• FPT AI. (2023). AI và nông nghiệp thông minh tại Việt Nam.