Live in the future

Đây là một bài tập hợp những ý tôi cho là hữu ích nhất trong bài viết How to get startup ideas của Paul Graham. Nếu bạn thấy thú vị, bạn nên đọc cả bài.

Với những bạn muốn tạo ra những ý tưởng mới, hi vọng bài này sẽ mang lại nhiều ý hay cho bạn.

Trong các trích dẫn, tôi đã dấu đi một sốt từ với mục đích đoán từ dành cho các bạn đang học tiếng Anh. (Nhưng nếu bạn hiểu ý nghĩa chung của đoạn, bạn sẽ đoán được các từ đã được ẩn đi bỏ). Để xem các từ được ẩn đi, xem phần Answers ở cuối bài.

Continue reading Live in the future

Building a company’s culture – Lessons from “What do you is who you are”

I recently just read Ben Horowitz’s 2nd book: What you do is who you are: How to create your business culture.

This post is written as my study notes to understand and apply what’s suggested in this book. So these notes shouldn’t be taken as a literal summary of Ben’s book, but my interpretations of his, as I learn.

Now, let’s get started.

It’s more effective to make your culture explicit

Culture is a set of shared values. Shared by all of the staff in a company.

As the leader, if you don’t make them explicit, your employees wouldn’t know them all.

And more insidiously, each will understand the company’s culture in a different way. And then, they’d act accordingly.

That’s a mess.

Continue reading Building a company’s culture – Lessons from “What do you is who you are”

Bạn có nên xem phụ đề khi luyện nghe tiếng Anh?

Trong 4 kỹ năng tiếng Anh: nghe, nói, đọc & viết thì 2 kỹ năng đọc và viết, mặc dù được xem là 2 kỹ năng “thụ động” (passive), nhưng lại chính là cách hiệu quả nhất khi học tiếng anh, hay để hấp thụ một ngôn ngữ mới nào (acquire a new language).

Và khi luyện nghe tiếng Anh với các video của người bản xứ, một điều hay gặp là chúng ta thường xem phụ đề để giúp cho việc nghe.

Nhưng việc xem phụ đề có tốt hay không? Tốt khi nào và không tốt khi nào?

Và một câu hỏi còn cơ bản và quan trong hơn, là khi nào thì nên bắt đầu nghe những video của người bản xứ?

Trong bài viết này, tôi chia sẻ quan điểm của mình về cách luyện nghe tiếng Anh hiệu quả, và việc có nên xem phụ đề khi luyện nghe tiếng Anh.

Đọc tiếp bài viết này ở Tiếng Anh Mỗi Ngày.

Fundamental Approaches in Second / Foreign Language Acquisition

Below is a summary of the fundamental approaches to second / foreign language acquisition. More will be added as discovered.
(If you find a popular approach that hasn’t been included, please let me know in the comment)

Note: L1: a person’s first (native) language; L2: the second / foreign language

 

Hello in many languages

  1. Input hypothesis by Stephen Krashen
    • What matters to language acquisition is comprehensible input
      • Using L1 to aid understanding of L2 is therefore discouraged, and used only when absolutely necessary
      • A (quite surprising) corollary of this is that speaking practice is not the key to language acquisition
    • Affective filter hypothesis: emotional aspects, such as motivation, self-esteem and anxiety, affects the acquisition of languages
    • Focal skills:
      • Focusing on improving one skill (3/4 of the time) at a time until reaching mastery (a predetermined level). Order of skills by priority: Listening, Reading, Writing, Speaking
  2. Comprehensible output hypothesis by Merrill Swain
    • A speaker’s output assists language acquisition in 3 ways:
      • Noticing function: through attempts to output, the speaker realizes what they don’t know how to express
      • Hypothesis-testing function: what the speaker outputs implicitly conveys his or her assumption / understanding about the language
      • Meta-linguistic function: the speaker’s reflections (and hence learning) of the target language
  3. Dual comprehension by Wolfgang Butzkamm
    • Effective comprehension of L2 must take place at 2 levels: meaning of the phrase as well as literal translation (“mirroring”) to L2. This is necessary since it would expedite language transfer from L1 to L2.
    •  The use of the native language in literal translation to L2 and in aiding understanding of L2’s linguistic features is therefore highly encouraged (Note that this is in contrary to the Comprehensible Input Hypothesis)
  4. Skills-based theories of language acquisition
    • Learning a foreign language is a skill, just like any other skills. Hence, it requires practice
    • Stages of language learning in ACT: declarative knowledge (facts), procedural knowledge (how), autonomy (fluency)

Về trí thông minh và câu nói của Einstein

Trong một bài viết trước tôi có chia sẻ về sự phát triển của Trí tuệ nhân tạo (AI) và phương pháp Deep Learning (Học sâu) đang rất nổi hiện nay.

Một yếu tố quan trọng hàng đầu để có kết quả tốt khi sử dụng phương pháp Deep Learning là dữ liệu. Không phải là một ít dữ liệu, mà là nhiều dữ liệu, là Big data.

Và dữ liệu lớn khiến tôi liên tưởng đến kiến thức (knowledge) và câu nói của Einstein.

Continue reading Về trí thông minh và câu nói của Einstein

Những tiến triển của Trí tuệ nhân tạo (AI) đến hết 2017

Trí tuệ nhân tạo (Artificial Intelligence – AI) đang trở nên rất hot trong những năm gần đây nhờ vào những tiến triển mới thông qua phương pháp Deep Learning (“Học sâu”).

Trí tuệ nhân tạo (AI)
Trí tuệ nhân tạo (AI). Nguồn: Google Image

Trong bài viết này, tôi tóm tắt lại những điểm chính trong report của AIIndex.org về những tiến triển mới nhất của AI tính đến tháng 11/2017.

Có 3 mục chính mà chúng ta sẽ điểm qua, bao gồm:

  1. Khối lượng các hoạt động
  2. Tiến triển về kĩ thuật
  3. Tiến về một khả năng tương đương con người?

Khối lượng các hoạt động

Trong giới nghiên cứu (Academia)

  • Số lượng các bài báo nghiên cứu về Trí tuệ nhân tạo được xuất bản trong năm 2017 đã tăng 9 lần so với năm 1996 (So sánh con số này với con số 6 lần của số lượng bài nghiên cứu trong mảng Khoa học máy tính (Computer Science) nói chung)
  • Số lượng sinh viên Stanford đăng ký các môn học về AI đã tăng 11 lần so với năm 1996.
  • Số lượng người tham dự ở các hội thảo (conference) về AI cho thấy sự dịch chuyển từ hướng tiếp cận dùng phương pháp Lý luận tượng trưng (Symbolic Reasoning) sang Máy học (Machine Learning)Học sâu (Deep Learning).

Trong công nghiệp (Industry)

  • Từ 2000→2017, số lương startup ở Mỹ phát triển các hệ thống AI đã tăng 14 lần, lên 600+ startups vào năm 2017
  • Từ 2000→2017, số tiền đầu tư từ Các quỹ đầu tư mạo hiểm (Venture Capital – VC) vào các AI startups đã tăng 6 lần.
  • Từ 2013→2017, tỉ lệ các công việc ở Mỹ đòi hỏi các kĩ năng về AI đã tăng 4.5 lần. Vào năm 2017, các kĩ năng được tuyển nhiều nhất ở Mỹ trong mảng Trí tuệ nhân tạo lần lượt là:
    • Machine Learning: ~12k vị trí
    • Deep Learning: ~7k vị trí
    • Xử lí ngôn ngữ tự nhiên (Natual Language Processing – NLP): ~5k vị trí
    • Thị giác máy tính (Computer Vision): ~3k vị trí
    • Nhận dạng giọng nói (Speech Recognition): ~1.5k vị trí

Phần mềm mã nguồn mở (Open source Software)

  • Số lượng các gói phần mềm (software packages) được “star” (tức được quan tâm) ở GitHub tăng hơn 4 lần đối với thư viện TensorFlow. Các vị trí tiếp theo thuộc về Scikit-Learn, Caffe và Keras

Tiến triển về kĩ thuật

Thị giác (Vision)

  • Phát hiện vật (Object Detection): Độ chính xác trong bài toán phân loại hình dựa vào vật có trong hình đã tăng từ 71.5% (2010) → 97.5% (2017): vượt qua khả năng của con người (~95%)
  • Trả lời câu hỏi dựa vào thị giác (Visual Question Answering): Độ chính xác tăng từ 55% (2015)→68% (2017): vẫn thua con người (~ 82%)

Hiểu ngôn ngữ tự nhiên (Natual Language Understanding)

  • Phân tích cú pháp (Parsing): Độ chính xác khi phân tích thành phần câu (constituencies) trong dữ liệu Penn Treebank WSJ:
    • Với các câu có ít hơn 40 từ: Độ chính xác: 85% (1995) → ~93% (2012)
    • Với các câu dài hơn 40 từ: ~87% (2003) → ~94% (2017)
  • Dịch máy (Machine translation): Độ chính xác tính theo chỉ số Bleu trong cuộc thi WMT cũng có nhiều tiến triển.
  • Hỏi và trả lời (Question Answering): Độ chính xác tăng từ ~60% (vào 8/2015) → ~79% (11/2017), đánh giá trên tập dữ liệu SQuAD v1.1. Độ chính xác của con người trong nhiệm vụ này là khoảng 82%.
  • Nhận diện giọng nói (Speech Recognition): Khi đánh giá trên tập dữ liệu audio cuộc gọi Switchboard HUB5’00, độ chính xác trong khả năng nhận diện giọng nói của máy đã tăng từ độ chính xác ~84% (2011) → ~95% (2017), bằng khả năng của con người.

Chứng minh định lí (Theorem proving) và Giải các bài toán SAT (Boolean Satisfiability Problem – SAT) đều có những tiến triển đáng kể.

Tiến về một khả năng tương đương con người?

Do đặc tính tự động hóa của mình, máy tính, từ khi ra đời vào những năm 1970, vốn đã có khả năng làm một số việc tốt hơn con người như việc tính toán với tốc độ cực nhanh.

Tuy nhiên khả năng của máy tính lại thua xa con người khi kể đến những vấn đề phải “hiểu” hay đòi hỏi các giác quan như: Hỏi-Đáp (Question Answering), chơi games và chẩn đoán bệnh tật.

Điểm hạn chế nổi trội của những hệ thống AI hiện nay là mặc dù hệ thống đó có khả năng làm tốt một công việc hay giải một bài toán cụ thể nào đó (như phát hiện vật thể, chơi một game nào đó), khi chúng ta thay đổi bài toán hay vấn đề cần giải đi một chút thì hệ thống AI đó nhiều khả năng sẽ xử lí kém đi đáng kể.

Vì thế trí tuệ nhân tạo hiện nay vẫn còn ở mức độ “hạn hẹp” (narrow AI) nghĩa là chúng ta cần những hệ thống chuyên biệt cho những bài toán khác nhau. Việc phát triển những hệ thống AI tổng quát (general AI) có khả năng suy luận như con người vẫn còn là một dấu hỏi lớn.

Trong những năm gần đây, phương pháp Học sâu (Deep Learning) với nhiều kết quả nổi bật và đặc biệt là khả năng “học” được câu trả lời thông qua các dữ liệu ví dụ mà không cần người nghiên cứu phải tỉ mỉ phân tích bài toán cần giải và lập trình một khung sườn cố định cho máy đã khơi dậy một niềm hứng khởi mới về một tương lai của Trí tuệ thông minh tổng quát.

Đọc toàn bộ bài báo cáo về chỉ số AI 2017 ở đây.

P/S: Tôi đang tìm các bạn thích thú về lập trình, phân tích dữ liệu (data analysis, data mining) và AI. Các bạn freshers có năng lực khuyến khích nộp đơn. Xem chi tiết & hướng dẫn ứng tuyển.