Neural Network, Deep Learning và các ứng dụng trong cuộc sống
Nguyễn Công Minh Trung tâm Viễn thông 4 - Viễn thông Hà Nội|21/09/2023 04:38
Mặc dù một số người sử dụng Neural Network và Deep Learning thay thế cho nhau, nhưng những tiến bộ, tính năng và ứng dụng của chúng thực tế lại khác nhau. Bài viết phân tích về sự khác nhau giữa Neural Network và Deep Learning, từ đó đề cập đến những ứng dụng của chúng trong cuộc sống con người.
Trong thế giới công nghệ hiện nay, trí tuệ nhân tạo (AI) đã trở thành một phần không thể thiếu trong cuộc sống hằng ngày. Mạng thần kinh (Neural Network) là một phương thức trong lĩnh vực AI, được sử dụng để hỗ trợ máy tính xử lí dữ liệu theo cách lấy cảm hứng từ bộ não con người. Đây là một loại quy trình học sâu (Deep Learning), sử dụng các nút hoặc nơ-ron liên kết với nhau trong một cấu trúc phân lớp tương tự như bộ não con người. Phương thức này tạo ra một hệ thống thích ứng được máy tính sử dụng để học hỏi từ sai lầm của chúng và liên tục được cải thiện. Vì vậy, Neural Network nhân tạo hướng tới giải quyết các vấn đề phức tạp, chẳng hạn như tóm tắt tài liệu hoặc nhận diện khuôn mặt với độ chính xác cao hơn. Mặc dù một số người sử dụng Neural Network và Deep Learning thay thế cho nhau, nhưng những tiến bộ, tính năng và ứng dụng của chúng thực tế lại khác nhau. Bài viết phân tích về sự khác nhau giữa Neural Network và Deep Learning, từ đó đề cập đến những ứng dụng của chúng trong cuộc sống con người.
1. Khái niệm về Neural Network
Neural Network nhân tạo được mô phỏng theo bộ não con người. Nó phân tích dữ liệu phức tạp, hoàn thành các phép toán, tìm kiếm các mẫu và sử dụng thông tin thu thập được để đưa ra dự đoán và phân loại. Cũng giống như bộ não con người, Neural Network nhân tạo có một đơn vị chức năng cơ bản được gọi là nơ-ron. Những nơ-ron này còn được gọi là các nút, truyền thông tin trong mạng. (Hình 1)
Hình 1: Mô hình về Neural Network
Một Neural Network cơ bản có các nút được kết nối với nhau trong các lớp (layer) đầu vào (input layer), layer ẩn (hidden layer) và layer đầu ra (output layer).
Layer đầu vào xử lí và phân tích thông tin trước khi gửi nó đến layer tiếp theo.
Layer ẩn nhận dữ liệu từ layer đầu vào hoặc các layer ẩn khác. Sau đó, layer ẩn tiếp tục xử lí và phân tích dữ liệu bằng cách áp dụng một tập hợp các phép toán để chuyển đổi và trích xuất những tính năng có liên quan từ dữ liệu đầu vào.
Layer đầu ra cung cấp thông tin cuối cùng bằng cách sử dụng các tính năng được trích xuất. Layer này có thể có một hoặc nhiều nút, tùy thuộc vào kiểu thu thập dữ liệu. Đối với phân loại nhị phân, đầu ra sẽ có một nút hiển thị kết quả 1 hoặc 0.
Hoạt động của Neural Network
Bộ não con người chính là nguồn cảm hứng cho kiến trúc Neural Network. Các tế bào não của con người được gọi là nơ-ron, tạo thành một mạng lưới phức tạp, có tính liên kết cao và gửi các tín hiệu đến nhau để giúp con người xử lí thông tin. Tương tự, một Neural Network nhân tạo được tạo ra từ các tế bào nơ-ron, cùng nhau phối hợp để giải quyết một vấn đề. Neural Network nhân tạo là các module phần mềm, được gọi là nút và Neural Network nhân tạo là các chương trình phần mềm hoặc thuật toán mà về cơ bản, sử dụng hệ thống máy tính để giải quyết các phép toán.
Một số loại mạng Neural Network nhân tạo
FeedForward Neural Network: Chủ yếu được sử dụng để nhận dạng khuôn mặt, truyền thông tin theo một hướng. Điều này có nghĩa là mọi nút trong một layer được liên kết với mọi nút trong layer tiếp theo, với thông tin truyền đi một chiều cho đến khi nó đến được nút đầu ra. Đây là một trong những loại Neural Network nhân tạo đơn giản nhất.
Recurrent Neural Network: Dạng Neural Network này hỗ trợ việc học lí thuyết. Recurrent Neural Network được sử dụng cho dữ liệu như ngôn ngữ tự nhiên và âm thanh. Chúng cũng được sử dụng cho các ứng dụng chuyển văn bản thành giọng nói cho Android và IOS. Không giống như các Feedforward Neural Network xử lí thông tin theo một hướng, Recurrent Neural Network sử dụng dữ liệu từ nơ-ron xử lí và gửi lại vào mạng.
Tùy chọn này rất quan trọng, nó có khả năng phản hồi lại khi hệ thống đưa ra các dự đoán sai. Recurrent Neural Network có thể cố gắng tìm ra lí do dẫn đến kết quả không chính xác và điều chỉnh cho phù hợp.
Convolutional Neural Network (CNN): Các Neural Network truyền thống đã được thiết kế để xử lí những đầu vào có kích thước cố định, nhưng các CNN có thể xử lí dữ liệu có kích thước khác nhau. CNN lí tưởng để phân loại dữ liệu trực quan như hình ảnh và video có độ phân giải và tỉ lệ khung hình khác nhau, rất hữu ích cho các ứng dụng nhận dạng hình ảnh.
Deconvolutional Neural Network: Neural Network này còn được gọi là Transposed Convolutional Neural Network và ngược lại với CNN.
Trong một CNN, hình ảnh đầu vào được xử lí thông qua các layer tích chập để trích xuất những tính năng quan trọng. Đầu ra này sau đó được xử lí thông qua một loạt các layer được kết nối, những layer này thực hiện phân loại - gắn tên hoặc nhãn cho hình ảnh đầu vào dựa trên những tính năng của nó. Điều này rất hữu ích cho việc nhận dạng đối tượng và phân đoạn hình ảnh.
Tuy nhiên, trong một Deconvolutional Neural Network, bản đồ đặc trưng trước đây là đầu ra sẽ trở thành đầu vào. Bản đồ đặc trưng này là một mảng giá trị ba chiều và không được gộp để tạo thành hình ảnh gốc với độ phân giải không gian tăng lên.
Modular Neural Network: Neural Network này kết hợp các module được kết nối với nhau, mỗi module thực hiện một nhiệm vụ phụ cụ thể. Mỗi module trong mạng module bao gồm một Neural Network được thiết kế sẵn để giải quyết một nhiệm vụ phụ như nhận dạng giọng nói hoặc dịch ngôn ngữ.
Modular Neural Network có thể thích ứng và hữu ích để xử lí đầu vào với nhiều dữ liệu rất khác nhau.
2. Deep Learning là gì?
Deep Learning là một thể loại nhỏ của học máy (Machine Learning), liên quan đến việc đào tạo các Neural Network nhân tạo để tự động học hỏi và phát triển một cách độc lập mà không cần được lập trình để làm như vậy.
Deep Learning có phải là AI không? Câu trả lời là có. Nó là động lực thúc đẩy nhiều ứng dụng AI và dịch vụ tự động hóa, giúp người dùng thực hiện các tác vụ mà ít cần sự can thiệp của con người.
Có nhiều layer ẩn giữa layer đầu vào và đầu ra của Deep Learning. Điều này cho phép mạng thực hiện các hoạt động rất phức tạp và liên tục học hỏi khi dữ liệu đi qua các layer.
Deep Learning đã được áp dụng để nhận dạng hình ảnh, giọng nói, tổng hợp video và khám phá; ngoài ra, còn được áp dụng cho những sáng tạo phức tạp như ô tô tự lái, sử dụng thuật toán Deep Learning để xác định các chướng ngại vật và điều hướng xung quanh một cách hoàn hảo.
Người dùng phải cung cấp một lượng lớn dữ liệu được gắn nhãn vào mạng để huấn luyện mô hình Deep Learning. Trọng số và độ lệch của các nơ-ron trong mạng được điều chỉnh cho đến khi có thể dự đoán chính xác đầu ra cho dữ liệu đầu vào mới.
3. Sự khác biệt giữa Neural Network và Deep Learning
Neural Network và Deep Learning cùng là những tập hợp con của Machine Learning. Tuy nhiên, chúng khác nhau theo nhiều phương diện.
Layer: Neural Network nhân tạo thường được tạo thành từ layer đầu vào, layer ẩn và layer đầu ra. Trong khi đó, các mô hình Deep Learning bao gồm một số layer của Neural Network nhân tạo.
Phạm vi: Mặc dù các mô hình Deep Learning kết hợp Neural Network nhân tạo, nhưng chúng vẫn là những khái niệm riêng biệt. Các ứng dụng của Neural Network nhân tạo bao gồm nhận dạng mẫu, khuôn mặt, dịch máy và trình tự.
Trong khi đó, người dùng có thể sử dụng các mạng Deep Learning để quản lí quan hệ khách hàng, xử lí lời nói và ngôn ngữ, khôi phục hình ảnh...
Trích xuất các tính năng: Neural Network nhân tạo yêu cầu sự can thiệp của con người, vì các kĩ sư phải xác định thứ bậc của những tính năng theo cách thủ công. Tuy nhiên, các mô hình Deep Learning có thể tự động xác định thứ bậc của các tính năng bằng cách sử dụng bộ dữ liệu được gắn nhãn và dữ liệu thô phi cấu trúc.
Hiệu suất: Neural Network nhân tạo mất ít thời gian hơn để đào tạo, nhưng có độ chính xác thấp hơn khi so sánh với Deep Learning (Deep Learning phức tạp hơn). Ngoài ra, các Neural Network cũng được biết là diễn giải các nhiệm vụ kém hơn mặc dù hoàn thành rất nhanh.
Tài nguyên tính toán: Deep Learning là một mạng lưới nơ-ron phức tạp có thể phân loại và giải thích dữ liệu thô với ít sự can thiệp của con người nhưng đòi hỏi nhiều tài nguyên tính toán hơn. Neural Network nhân tạo là một tập hợp con đơn giản hơn của Machine Learning, có thể được đào tạo bằng cách sử dụng các bộ dữ liệu nhỏ với ít tài nguyên tính toán hơn nhưng khả năng xử lí dữ liệu phức tạp bị hạn chế.
Mặc dù được sử dụng thay thế cho nhau nhưng Neural Network và Deep Learning vẫn là những khái niệm khác nhau. Chúng có các phương pháp đào tạo và mức độ chính xác khác nhau. Tuy nhiên, các mô hình Deep Learning tiên tiến hơn và tạo ra kết quả với độ chính xác cao hơn, có thể học tập độc lập mà ít có sự can thiệp của con người.
4. Một số ứng dụng của Neural Network và Deep Learning
ChatGPT và GPT-3 là một trong những ứng dụng của Neural Network và Deep Learning.
ChatGPT và GPT-3 đang là những chủ đề được tranh luận sôi nổi. Các phần mềm trò chuyện hỗ trợ của AI này đã được công bố là có thể đạt được cuộc trò chuyện chân thật giống con người và còn nhiều hơn thế.
Trong trường hợp người dùng chưa biết những Chatbot này vượt xa những Chatbot thông thường trong các tình huống hỗ trợ khách hàng, người sử dụng có thể yêu cầu GPT viết mã (Code), vẽ tranh hoặc suy đoán về một chủ đề nhất định, sau vài giây, Chatbot này đã sử dụng một lượng lớn thông tin để đưa ra câu trả lời phù hợp nhất.
ChatGPT: Đúng như tên gọi của nó, phần quan trọng trong tên của ChatGPT là “Chat”. Mô hình Machine Learning này được xây dựng với mục đích cụ thể là có thể trò chuyện tự nhiên, tương tự như con người. ChatGPT đã được phát triển với một bộ dữ liệu khổng lồ về dữ liệu hội thoại. Điều này có nghĩa là, mô hình đã được đào tạo với các phản ứng giống con người ngay từ đầu. Đó là một công cụ mạnh mẽ, nhưng phạm vi của nó bị hạn chế hơn.
Mục tiêu chính của ChatGPT là hỗ trợ bất cứ khi nào cần thực hiện các tác vụ ngôn ngữ. Chúng có thể bao gồm những cuộc trò chuyện với con người, dịch thuật, tạo văn bản và các nhiệm vụ văn học khác.
GPT-3: GPT-3 là mô hình Machine Learning dựa trên Neural Network nhân tạo, có thể sử dụng dữ liệu Internet để tạo văn bản. Cả ChatGPT và GPT-3 đều được phát triển bằng cách sử dụng cùng một sơ đồ đào tạo. Nó là Neural Network nhân tạo lớn nhất từng được sản xuất tính đến thời điểm hiện tại.
GPT-3 không được thiết kế đặc biệt để trò chuyện với con người, mặc dù câu trả lời mà nó cung cấp nghe giống lời của con người. Nói một cách dễ hiểu, ChatGPT là một người hòa đồng nhưng không hiểu biết nhiều, trong khi GPT-3 là một cá nhân rất hiểu biết, đủ lịch sự nhưng không thích nói chuyện phiếm.
GPT-3 phù hợp hơn cho các nhiệm vụ đàm thoại và có thể đưa ra phản hồi theo ngữ cảnh cụ thể; điều mà ChatGPT không được đào tạo để thực hiện. Nó cũng nhanh chóng và hiệu quả hơn trong các nhiệm vụ đàm thoại.
GPT-3 là lựa chọn phù hợp khi cần làm một bài tiểu luận, cung cấp về lí thuyết hoặc bất kì thứ gì đòi hỏi một lượng lớn dữ liệu để phân tích, ngoại suy và đưa ra giải pháp bằng văn bản mạch lạc. Cả hai ứng dụng này đều có những ưu điểm riêng. Người dùng nên thử để biết chúng có thể làm những gì và khi nào nên sử dụng từng loại theo nhu cầu của mình.
5. Kết luận
Với sự phát triển của Neural Network nhân tạo và Deep Learning, khối lượng dữ liệu được thu thập của các Chatbot như ChatGPT, GPT-3 không ngừng tăng lên và các vấn đề về quyền riêng tư, việc sử dụng thông tin cá nhân rất đáng lo ngại. Vì điều khoản dịch vụ của công ty tạo ra ChatGPT, GPT-3 có quyền sử dụng tất cả dữ liệu đầu vào và đầu ra do người dùng và ChatGPT, GPT-3 cung cấp. Dù công ty này có hệ thống xóa tất cả các thông tin nhận dạng cá nhân khỏi dữ liệu mà mình sử dụng nhưng gần như không thể xác định và xóa “triệt để” thông tin cá nhân khỏi dữ liệu do chu kì cập nhật dữ liệu nhanh chóng của ChatGPT, GPT-3. Để bảo vệ dữ liệu cá nhân, người dùng cần nâng cao nhận thức trong cách sử dụng trên Internet.
Mặc dù ChatGPT, GPT-3 được xem như là bước tiến ngoạn mục khi có thể tổng hợp dữ liệu với tốc độ tính bằng phần trăm giây trong quá trình “con người hóa” giao tiếp với máy móc nhưng vẫn còn nhiều việc phải làm. Nó có thể thay thế con người trong việc tìm kiếm thông tin, viết báo cáo tổng hợp hay viết các văn bản dựa vào năng lực tổng hợp thông tin nhưng không đồng nghĩa với việc ChatGPT, GPT-3 có thể sẽ đưa ra các văn bản hay thông tin tốt nếu thông tin được yêu cầu nằm ngoài cơ sở dữ liệu được cung cấp. Vì thế, những yêu cầu mang tính đánh đố, thử sức của cộng đồng mạng trong thời gian gần đây sẽ dẫn đến những câu trả lời thiếu chính xác hoặc ngây ngô.
Câu trả lời của AI phụ thuộc dữ liệu đầu vào và nguồn thông tin có sẵn trong hệ thống máy tính nên ChatGPT, GPT-3 cũng không hoàn toàn chắc chắn về các thông tin trả lời của nó có đúng hay không khi gặp những câu hỏi khó hay mang tính riêng tư. Chính vì thế, với những thông tin được ChatGPT, GPT-3 cung cấp, người dùng Internet cần kiểm tra và xác định lại thông tin bằng các nguồn đáng tin cậy. AI có thể tự học, để sau đó nó trở nên tốt hơn, năm sau sẽ tốt hơn năm trước. Điều đó cũng cần người sử dụng luôn thận trọng với các cỗ máy, nhất là khi nó đang ngày càng thông minh hơn. Lúc đầu sử dụng người dùng sẽ thấy nó rất tuyệt vời, nhưng sau 10 lần, rồi 100 lần sử dụng, sẽ có lúc nó đưa ra kết quả sai. Nếu dữ liệu nạp vào không đúng, kết quả sẽ đưa ra sai - cũng giống như những thông tin giả mạo vẫn xuất hiện trên không gian mạng.
Công nghệ luôn có tính hai mặt và Neural Network và Deep Learning cũng vậy, nếu biết lựa chọn những ưu thế thì khả năng tổng hợp dữ liệu của những ứng dụng trí tuệ, ví dụ như ChatGPT, GPT-3 sẽ giúp công việc thống kê của con người dễ dàng hơn. Còn nếu không, công cụ này sẽ là thảm họa với con người. Cách sử dụng những công cụ như ChatGPT, GPT-3, sử dụng những tiện ích và mặt tích cực của Chatbot này phục vụ cho cuộc sống của con người, phù hợp với xu thế chuyển đổi số hiện nay. Cũng như bất kì công cụ sử dụng AI, trong tương lai ChatGPT, GPT-3 có thể sẽ được cải thiện tốt hơn nhưng điều quan trọng là cách sử dụng và tiếp nhận thông tin của người dùng Internet.
Để hạn chế rủi ro, bảo vệ người tiêu dùng dịch vụ tài chính, bên cạnh tăng cường các biện pháp về an toàn thông tin, đầu tư công nghệ bảo mật của ngành Ngân hàng, quan trọng nhất vẫn là nhận thức và sự cảnh giác của người dùng.
Bình luận của bạn đã được gửi và sẽ hiển thị sau khi được duyệt bởi ban biên tập.
Ban biên tập giữ quyền biên tập nội dung bình luận để phù hợp với qui định nội dung của Báo.
Ông Nguyễn Hải Nam, đại biểu Quốc hội chuyên trách, ủy viên Ủy ban Kinh tế và Tài chính Quốc hội cho rằng, chuyển dịch mô hình tăng trưởng sang dựa nhiều hơn vào công nghệ cao là yêu cầu cấp bách trong bối cảnh Việt Nam hướng tới mục tiêu tăng trưởng hai con số. Cùng với yêu cầu đổi mới mô hình tăng trưởng, nền kinh tế cần nguồn vốn lớn để phát triển. Bên cạnh tín dụng ngân hàng và thị trường chứng khoán, tài sản số, tài sản mã hóa có thể trở thành một kênh dẫn vốn mới, giàu tiềm năng.
Theo các chuyên gia, tăng trưởng hai con số không thể chỉ dựa vào vốn và lao động, mà cần những động lực mới từ khoa học, công nghệ, đổi mới sáng tạo và chuyển đổi số.
Được kỳ vọng là cơ chế mở đường cho các sản phẩm, dịch vụ tài chính mới, sandbox (cơ chế thử nghiệm có kiểm soát), là một trong những “mảnh ghép” quan trọng trong quá trình xây dựng Trung tâm Tài chính quốc tế Việt Nam tại Đà Nẵng (VIFC-DN).
Dòng vốn FDI vào Việt Nam tiếp tục tăng mạnh. Tuy nhiên, yêu cầu quan trọng hơn là dòng vốn đó mang theo công nghệ gì, tạo ra năng lực thế nào và giúp doanh nghiệp trong nước tham gia sâu hơn ra sao để thực hiện những bước chuyển mà Nghị quyết 10-NQ/TW đặt ra.
Các nhà nghiên cứu phát hiện ra rằng việc bổ sung lý giải do AI tạo ra cho chững đề xuất có thể kìm hãm sự phản biện xây dựng của con người, đồng thời khiến người đánh giá bác bỏ những ý tưởng có tiềm năng cao.
Ngày 18 - 19/8/2026, sự kiện Chuyển đổi số ngành Ngân hàng năm 2026 với chủ đề “Ngân hàng thông minh trong kỷ nguyên dữ liệu và Trí tuệ nhân tạo (AI)” đã chính thức diễn ra tại Hà Nội.
Theo các chuyên gia, tăng trưởng hai con số không thể chỉ dựa vào vốn và lao động, mà cần những động lực mới từ khoa học, công nghệ, đổi mới sáng tạo và chuyển đổi số.
Được kỳ vọng là cơ chế mở đường cho các sản phẩm, dịch vụ tài chính mới, sandbox (cơ chế thử nghiệm có kiểm soát), là một trong những “mảnh ghép” quan trọng trong quá trình xây dựng Trung tâm Tài chính quốc tế Việt Nam tại Đà Nẵng (VIFC-DN).
Sự phát triển nhanh của trí tuệ nhân tạo (AI), ngân hàng mở, tài sản số và các phương thức thanh toán mới đang làm thay đổi sâu sắc hoạt động tài chính - ngân hàng. Với gần 80% giao dịch tài chính được thực hiện qua nền tảng số, Việt Nam đang đứng trước cơ hội tận dụng công nghệ tài chính để nâng cao hiệu quả hệ thống, mở rộng khả năng tiếp cận dịch vụ và tạo thêm động lực cho nền kinh tế số.
Fed đã trở nên ‘kín tiếng’ hơn kể từ thời của Chủ tịch Kevin Warsh. Tuy nhiên điều đó khiến các nhà kinh tế lo ngại, thị trường không nhận được đủ thông tin để hiểu cách Fed sẽ phản ứng trước những thay đổi của điều kiện kinh tế. Hệ quả là các nhà đầu tư có xu hướng đòi hỏi mức lợi suất cao hơn cho việc nắm giữ tài sản để ứng phó với những bất định của thị trường.
Dòng vốn FDI vào Việt Nam tiếp tục tăng mạnh. Tuy nhiên, yêu cầu quan trọng hơn là dòng vốn đó mang theo công nghệ gì, tạo ra năng lực thế nào và giúp doanh nghiệp trong nước tham gia sâu hơn ra sao để thực hiện những bước chuyển mà Nghị quyết 10-NQ/TW đặt ra.
Ông Nguyễn Hải Nam, đại biểu Quốc hội chuyên trách, ủy viên Ủy ban Kinh tế và Tài chính Quốc hội cho rằng, chuyển dịch mô hình tăng trưởng sang dựa nhiều hơn vào công nghệ cao là yêu cầu cấp bách trong bối cảnh Việt Nam hướng tới mục tiêu tăng trưởng hai con số. Cùng với yêu cầu đổi mới mô hình tăng trưởng, nền kinh tế cần nguồn vốn lớn để phát triển. Bên cạnh tín dụng ngân hàng và thị trường chứng khoán, tài sản số, tài sản mã hóa có thể trở thành một kênh dẫn vốn mới, giàu tiềm năng.
Chiều 24/8, dưới sự chủ trì của Chủ tịch Quốc hội Trần Thanh Mẫn và sự điều hành của Phó Chủ tịch Quốc hội Nguyễn Thị Hồng, Quốc hội đã biểu quyết thông qua Nghị quyết về giảm thuế thu nhập cá nhân, thuế thu nhập doanh nghiệp đối với cá nhân và doanh nghiệp với 480/481 ĐBQH có mặt tán thành, đạt tỷ lệ 99,79%. Nghị quyết có hiệu lực thi hành từ ngày 24/8/2026 và áp dụng cho kỳ tính thuế năm 2026, năm 2027.
Các nhà nghiên cứu phát hiện ra rằng việc bổ sung lý giải do AI tạo ra cho chững đề xuất có thể kìm hãm sự phản biện xây dựng của con người, đồng thời khiến người đánh giá bác bỏ những ý tưởng có tiềm năng cao.
Ngày 18 - 19/8/2026, sự kiện Chuyển đổi số ngành Ngân hàng năm 2026 với chủ đề “Ngân hàng thông minh trong kỷ nguyên dữ liệu và Trí tuệ nhân tạo (AI)” đã chính thức diễn ra tại Hà Nội.
Ngân hàng Nhà nước thông báo tỷ giá tính chéo của đồng Việt Nam so với một số ngoại tệ áp dụng tính thuế xuất khẩu và thuế nhập khẩu có hiệu lực từ ngày 20-26/8.
Bức tranh kinh tế dữ liệu tại Việt Nam đã dần thành hình, đồng thời bộc lộ những điểm nghẽn cần được khơi thông để bước sang giai đoạn phát triển thực chất hơn.
Sau hơn 35 năm thu hút FDI, khu vực này đã góp phần đưa Việt Nam hội nhập sâu vào chuỗi giá trị toàn cầu, nhưng liên kết với doanh nghiệp trong nước và giá trị gia tăng tạo ra vẫn chưa tương xứng. Chuyên gia kinh tế Phạm Chi Lan cho rằng, theo tinh thần Nghị quyết 10-NQ/TW, Việt Nam cần chuyển từ “thu hút” sang “lựa chọn” FDI, ưu tiên các dự án công nghệ cao, tạo liên kết và gia tăng giá trị do người Việt Nam tạo ra.
Trong bối cảnh đầu tư công được kỳ vọng là một động lực tăng trưởng quan trọng, mỗi đồng vốn chậm ra công trường không chỉ làm chậm một dự án, mà còn làm giảm hiệu ứng lan tỏa tới tăng trưởng.
Ủy ban Thường vụ Quốc hội đã cho ý kiến về dự thảo Luật Phát triển đô thị. Việc giải mã hành lang pháp lý và định vị rõ mô hình vận hành của Trung tâm tài chính quốc tế được đưa ra thảo luận sự nhằm tháo gỡ các điểm nghẽn, tạo động lực tăng trưởng cho các đô thị tiềm năng.
Ngành Ngân hàng là một trong những ngành tiên phong trong công cuộc chuyển đổi số, không ngừng đổi mới, ứng dụng công nghệ và khai thác hiệu quả dữ liệu, qua đó góp phần thúc đẩy phát triển kinh tế số, xã hội số và Chính phủ số. Cùng với những thành quả đạt được, an ninh mạng, bảo vệ dữ liệu và phòng, chống gian lận là cấu phần không thể thiếu trong chiến lược chuyển đổi số toàn Ngành.
Sau 5 năm triển khai mạnh mẽ chuyển đổi số, ngành Ngân hàng Việt Nam đã đi một chặng đường dài, từ số hóa giao dịch, mở rộng thanh toán không dùng tiền mặt, phát triển ngân hàng số đến kiến tạo các hệ sinh thái tài chính ngày càng thông minh, kết nối và lấy khách hàng làm trung tâm. Khi dữ liệu trở thành tài sản chiến lược và trí tuệ nhân tạo dần đi vào trung tâm hoạt động ngân hàng, cuộc cạnh tranh không còn nằm ở việc ngân hàng nào số hóa nhanh hơn, mà ở khả năng chuyển hóa dữ liệu thành thức.
Phó Thủ tướng Hồ Quốc Dũng đã ký Quyết định số 1266/QĐ-TTg ngày 14/7/2026 phê duyệt Chiến lược quốc gia về chuyển đổi số giai đoạn 2026 - 2030, định hướng đến năm 2045 (Chiến lược).
Áp lực cạnh tranh từ ngân hàng và các mô hình tài chính thay thế đang buộc các công ty tài chính tiêu dùng thay đổi cách tiếp cận thị trường. Diễn biến này khiến dữ liệu, công nghệ và mạng lưới đối tác trở thành nền tảng mới cho sức cạnh tranh, năng lực quản trị rủi ro và phát triển các sản phẩm tín dụng.
Kinh tế số đang mở ra dư địa tăng trưởng mới cho Việt Nam. Nhưng để chuyển tiềm năng thành giá trị thực, cần tháo gỡ đồng bộ các điểm nghẽn về nguồn lực, dữ liệu, hạ tầng và thể chế. Trong đó, trí tuệ nhân tạo (AI) đang nổi lên như một năng lực sản xuất mới, giúp doanh nghiệp nâng cao năng suất, đổi mới mô hình kinh doanh, tạo sản phẩm mới và mở rộng thị trường.
Một kế hoạch vững chắc và các quy trình nền tảng là yếu tố thiết yếu để tránh tình trạng tác nhân AI hoạt động mất kiểm soát, nợ kỹ thuật AI (AI debt) và những tác động tiêu cực đến hoạt động kinh doanh. Sau đây là cách triển khai tác nhân AI đúng đắn.
![[Infographic] Tỷ giá tính chéo để xác định trị giá tính thuế từ 20-26/8](https://vkts.1cdn.vn/thumbs/540x360/2026/08/21/thoibaonganhang.vn-stores-news_dataimages-2026-082026-18-09-_100883-gbp-usd-pound-drops-brexit-news20260818091307.jpg "[Infographic] Tỷ giá tính chéo để xác định trị giá tính thuế từ 20-26/8")
![[Emagazine] Từ Digital Banking đến Data Banking: Cuộc chuyển mình của ngành Ngân hàng trong kỷ nguyên dữ liệu và AI](https://vkts.1cdn.vn/thumbs/540x360/2026/08/18/thoibaonganhang.vn-stores-news_dataimages-2026-082026-17-17-_chatgpt-image-17-21-18-17-thg-8-202620260817172252.png "[Emagazine] Từ Digital Banking đến Data Banking: Cuộc chuyển mình của ngành Ngân hàng trong kỷ nguyên dữ liệu và AI")
