Vina Technology at AI time - Công nghệ Việt Nam thời AI

Chương 1: Giới thiệu về Học máy - Phần 2 của 2 Trích từ sách Căn bản về Học máy dành cho kỹ sư do Lê Quang Văn soạn và thực hiện phần kỹ thuật số. 1.3 Biệt ngữ và các điều khoản chính Hiểu thuật ngữ chính trong học máy là rất quan trọng để nắm bắt các khái niệm và giao tiếp hiệu quả trong lĩnh vực này. Dưới đây là một số thuật ngữ cần thiết: Thuật toán Một quy trình từng bước hoặc công thức để giải quyết vấn đề. Trong học máy, các thuật toán được sử dụng để ánh xạ dữ liệu đầu vào cho các dự đoán đầu ra. Mẫu Một đại diện của một thuật toán học máy được đào tạo trên dữ liệu. Mô hình đưa ra dự đoán dựa trên các mẫu mà nó đã học được từ dữ liệu đào tạo. Dữ liệu đào tạo Bộ dữ liệu được sử dụng để đào tạo một mô hình học máy. Nó bao gồm các cặp đầu vào-đầu ra trong đó mô hình tìm hiểu mối quan hệ giữa đầu vào và đầu ra. Dữ liệu thử nghiệm Một bộ dữ liệu riêng biệt được sử dụng để đánh giá hiệu suất của một mô hình được đào tạo. Nó giúp đánh giá mô hình khái quát hóa tốt như thế nào đối với dữ liệu mới, không nhìn thấy. Tính năng Một tính chất có thể đo lường cá nhân hoặc đặc điểm của một hiện tượng đang được quan sát. Tính năng là các biến đầu vào được sử dụng bởi mô hình học máy. Nhãn Biến đầu ra trong học tập có giám sát, đại diện cho giá trị mục tiêu mà mô hình nhằm mục đích dự đoán. Quá phù hợp Một tình huống mà một mô hình học máy hoạt động tốt trên dữ liệu đào tạo nhưng kém trên dữ liệu mới, không nhìn thấy. Quá phù hợp xảy ra khi mô hình học tiếng ồn trong dữ liệu đào tạo thay vì các mẫu cơ bản. Không phù hợp Một tình huống mà một mô hình học máy hoạt động kém trên cả dữ liệu đào tạo và dữ liệu thử nghiệm. Không phù hợp xảy ra khi mô hình quá đơn giản để nắm bắt các mẫu cơ bản trong dữ liệu. Siêu tham số Một tham số có giá trị được đặt trước khi quá trình học tập bắt đầu. Siêu tham số kiểm soát quá trình học tập và có thể ảnh hưởng đáng kể đến hiệu suất của mô hình. Xác thực chéo Một kỹ thuật để đánh giá hiệu suất của mô hình học máy bằng cách chia dữ liệu thành nhiều tập hợp con và đào tạo / thử nghiệm mô hình trên các kết hợp khác nhau của các tập hợp con này. Học tập hòa tấu Một phương pháp kết hợp nhiều mô hình học máy để cải thiện hiệu suất tổng thể. Các kỹ thuật hòa tấu phổ biến bao gồm đóng bao, tăng cường và xếp chồng. 1.4 Phân biệt các lĩnh vực liên quan: AI, Khoa học dữ liệu, Học sâu Học máy thường bị nhầm lẫn với các lĩnh vực liên quan khác, chẳng hạn như trí tuệ nhân tạo (AI), khoa học dữ liệu và học sâu. Mặc dù các lĩnh vực này được kết nối với nhau, nhưng chúng có sự khác biệt rõ rệt. Trí tuệ nhân tạo (AI) AI là một lĩnh vực rộng lớn bao gồm sự phát triển của các hệ thống có thể thực hiện các nhiệm vụ thường đòi hỏi trí thông minh của con người. Điều này bao gồm giải quyết vấn đề, lý luận, hiểu ngôn ngữ tự nhiên và nhận thức. Học máy là một tập hợp con của AI tập trung vào việc phát triển các thuật toán cho phép các hệ thống học hỏi từ dữ liệu. Khoa học dữ liệu Khoa học dữ liệu là một lĩnh vực liên ngành liên quan đến việc trích xuất kiến thức và hiểu biết sâu sắc từ dữ liệu bằng các kỹ thuật khác nhau, bao gồm thống kê, học máy và khai thác dữ liệu. Các nhà khoa học dữ liệu sử dụng học máy như một trong những công cụ của họ để phân tích và giải thích dữ liệu phức tạp. Học sâu Học sâu là một lĩnh vực con của học máy liên quan đến các mạng thần kinh với nhiều lớp (do đó "sâu"). Các mạng thần kinh này có khả năng học các mẫu phức tạp trong các bộ dữ liệu lớn. Mặc dù tất cả học sâu đều là học máy, nhưng không phải tất cả học máy đều là học sâu. 1.5 Lịch sử phát triển của Học máy Lĩnh vực học máy đã phát triển đáng kể trong vài thập kỷ qua. Dưới đây là tổng quan ngắn gọn theo trình tự thời gian về sự phát triển của nó: Thập niên 1950 • 1950: Alan Turing đề xuất khái niệm "Học máy" trong bài báo "Máy tính và trí thông minh". • 1952: Arthur Samuel phát triển một chương trình chơi cờ caro học hỏi từ kinh nghiệm, đánh dấu một trong những ví dụ sớm nhất về học máy. Thập niên 1960 • 1967: Thuật toán lân cận gần nhất được

Chương 1: Giới thiệu về Học máy - Phần 1 của 2 Trích từ sách Căn bản về Học máy dành cho kỹ sư do Lê Quang Văn soạn và thực hiện phần kỹ thuật số. 1.1 Định nghĩa về Học máy Học máy là một lĩnh vực con của trí tuệ nhân tạo (AI) liên quan đến việc phát triển các thuật toán và mô hình thống kê cho phép máy tính thực hiện các tác vụ mà không cần hướng dẫn rõ ràng. Thay vào đó, các hệ thống này học hỏi và đưa ra quyết định dựa trên dữ liệu. Ý tưởng chính là cho phép máy móc học hỏi kinh nghiệm, xác định các mẫu và đưa ra quyết định với sự can thiệp tối thiểu của con người. Các thuật toán học máy được thiết kế để nhận ra các mẫu phức tạp và đưa ra quyết định thông minh dựa trên dữ liệu. Chúng được sử dụng trong các ứng dụng khác nhau, từ lọc email và nhận dạng giọng nói đến các phương tiện tự trị và phân tích thị trường tài chính. Sức mạnh của học máy nằm ở khả năng thích ứng và cải thiện theo thời gian khi nó tiếp xúc với nhiều dữ liệu hơn. 1.2 Các bước quy trình làm việc trong Học máy Quá trình phát triển và triển khai mô hình học máy bao gồm một số bước chính: 1.2.1 Định nghĩa vấn đề Trước khi bất kỳ dữ liệu nào được thu thập hoặc thuật toán được chọn, vấn đề cần giải quyết phải được xác định rõ ràng. Điều này bao gồm việc hiểu các mục tiêu, ràng buộc và yêu cầu của vấn đề. Điều quan trọng là xác định những gì mô hình dự kiến sẽ đạt được và hiệu suất của nó sẽ được đo lường như thế nào. 1.2.2 Thu thập dữ liệu Dữ liệu là xương sống của bất kỳ dự án học máy nào. Chất lượng và số lượng dữ liệu được thu thập ảnh hưởng đáng kể đến hiệu suất của mô hình. Bước này liên quan đến việc thu thập dữ liệu từ nhiều nguồn khác nhau, có thể bao gồm cơ sở dữ liệu, kho lưu trữ trực tuyến hoặc luồng dữ liệu thời gian thực. 1.2.3 Tiền xử lý dữ liệu Dữ liệu thô thường lộn xộn và không đầy đủ. Tiền xử lý dữ liệu liên quan đến việc làm sạch dữ liệu, xử lý các giá trị bị thiếu, loại bỏ các bản sao và chuẩn hóa hoặc chuẩn hóa dữ liệu. Bước này đảm bảo rằng dữ liệu ở định dạng phù hợp để đào tạo mô hình. 1.2.4 Kỹ thuật tính năng Kỹ thuật tính năng là quá trình lựa chọn, sửa đổi hoặc tạo các tính năng mới từ dữ liệu thô. Bước này rất quan trọng vì các tính năng được chọn có thể ảnh hưởng đáng kể đến hiệu suất của mô hình. Kỹ thuật tính năng hiệu quả có thể đơn giản hóa mô hình và cải thiện độ chính xác của nó. 1.2.5 Lựa chọn mô hình Có nhiều loại mô hình học máy khác nhau, mỗi loại phù hợp với các loại vấn đề khác nhau. Việc lựa chọn mô hình phụ thuộc vào bản chất của vấn đề, loại dữ liệu và kết quả mong muốn. Các mô hình phổ biến bao gồm cây quyết định, máy vectơ hỗ trợ, mạng thần kinh và phương pháp tổng hợp. 1.2.6 Đào tạo mô hình Khi một mô hình được chọn, nó cần được đào tạo về dữ liệu. Điều này liên quan đến việc đưa dữ liệu vào mô hình và cho phép nó tìm hiểu các mẫu và mối quan hệ trong dữ liệu. Đào tạo đòi hỏi rất nhiều tài nguyên tính toán, đặc biệt là đối với các mô hình phức tạp như mạng nơ-ron sâu. 1.2.7 Đánh giá mô hình Sau khi đào tạo, hiệu suất của mô hình phải được đánh giá bằng cách sử dụng một bộ dữ liệu riêng biệt không được sử dụng trong quá trình đào tạo. Điều này giúp đánh giá mô hình khái quát hóa tốt như thế nào đối với dữ liệu mới, không nhìn thấy. Các chỉ số đánh giá phổ biến bao gồm độ chính xác, độ xác thực, khả năng nhớ lại, điểm F1 và lỗi bình phương trung bình. 1.2.8 Điều chỉnh siêu tham số Siêu tham số là các cài đặt có thể được điều chỉnh để tối ưu hóa hiệu suất của mô hình. Điều chỉnh siêu tham số liên quan đến việc thử nghiệm các giá trị khác nhau cho các cài đặt này để tìm ra sự kết hợp mang lại kết quả tốt nhất. 1.2.9 Triển khai mô hình Khi một mô hình được đào tạo và đánh giá, nó có thể được triển khai để đưa ra dự đoán về dữ liệu mới. Triển khai liên quan đến việc tích hợp mô hình vào môi trường sản xuất, nơi người dùng cuối hoặc các hệ thống khác có thể truy cập mô hình. 1.2.10 Giám sát và bảo trì Sau khi triển khai, hiệu suất của mô hình cần được theo dõi liên tục để đảm bảo nó vẫn hiệu quả theo thời gian.

How chatbots work - Part 2 of 2 The earliest chatbots were essentially interactive FAQ programs, which relied on a limited set of common questions with pre-written answers. Unable to interpret natural language, these FAQs generally required users to select from simple keywords and phrases to move the conversation forward. Such rudimentary, traditional chatbots are unable to process complex questions, nor answer simple questions that haven’t been predicted by developers. Over time, chatbot algorithms became capable of more complex rules-based programming and even natural language processing, enabling customer queries to be expressed in a conversational way. This gave rise to a new type of chatbot, contextually aware and armed with machine learning to continuously optimize its ability to correctly process and predict queries through exposure to more and more human language. Modern AI chatbots now use natural language understanding (NLU) to discern the meaning of open-ended user input, overcoming anything from typos to translation issues. Advanced AI tools then map that meaning to the specific “intent” the user wants the chatbot to act upon and use conversational AI to formulate an appropriate response. These AI technologies leverage both machine learning and deep learning—different elements of AI, with some nuanced differences—to develop an increasingly granular knowledge base of questions and responses informed by user interactions. This sophistication, drawing upon recent advancements in large language models (LLMs), has led to increased customer satisfaction and more versatile chatbot applications. The time it takes to build an AI chatbot can vary based the technology stack and development tools being used, the complexity of the chatbot, the desired features, data availability—and whether it needs to be integrated with other systems, databases or platforms. With a user-friendly, no-code/low-code platform AI chatbots can be built even faster. Chatbots vs. AI chatbots vs. virtual agents The terms chatbot, AI chatbot and virtual agent are often used interchangeably, which can cause confusion. While the technologies these terms refer to are closely related, subtle distinctions yield important differences in their respective capabilities. Chatbot is the most inclusive, catch-all term. Any software simulating human conversation, whether powered by traditional, rigid decision tree-style menu navigation or cutting-edge conversational AI, is a chatbot. Chatbots can be found across nearly any communication channel, from phone trees to social media to specific apps and websites. AI chatbots are chatbots that employ a variety of AI technologies, from machine learning—comprised of algorithms, features, and data sets—that optimize responses over time, to natural language processing (NLP) and natural language understanding (NLU) that accurately interpret user questions and match them to specific intents. Deep learning capabilities enable AI chatbots to become more accurate over time, which in turn enables humans to interact with AI chatbots in a more natural, free-flowing way without being misunderstood. Virtual agents are a further evolution of AI chatbot software that not only use conversational AI to conduct dialogue and deep learning to self-improve over time, but often pair those AI technologies with robotic process automation (RPA) in a single interface to act directly upon the user’s intent without further human intervention To help illustrate the distinctions, imagine that a user is curious about tomorrow’s weather. With a traditional chatbot, the user can use the specific phrase “tell me the weather forecast.” The chatbot says it will rain. With an AI chatbot, the user can ask, “What’s tomorrow’s weather lookin’ like?” The chatbot, correctly interpreting the question, says it will rain. With a virtual agent, the user can ask, “What’s tomorrow’s weather lookin’ like?”—and the virtual agent not only predicts tomorrow’s rain, but also

Chatbot là gì? – Phần 2 của 2 Tài liệu từ IBM. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số. Cách hoạt động của chatbot Các chatbot đầu tiên về cơ bản là các chương trình “Câu hỏi Thường nêu” (FAQ) tương tác, dựa vào một tập hợp các câu hỏi phổ biến với các câu trả lời viết sẵn. Vì không thể giải thích ngôn ngữ tự nhiên, các FAQ này thường yêu cầu người dùng chọn từ các từ khóa và cụm từ đơn giản để tiếp tục cuộc trò chuyện. Những chatbot sơ khai, truyền thống này không thể xử lý các câu hỏi phức tạp, cũng như trả lời các câu hỏi đơn giản chưa được các nhà phát triển dự đoán. Theo thời gian, các thuật toán chatbot trở nên có khả năng lập trình dựa trên quy tắc phức tạp hơn và thậm chí là xử lý ngôn ngữ tự nhiên, cho phép các câu hỏi của khách hàng được thể hiện một cách đàm thoại. Điều này đã dẫn đến sự xuất hiện của một loại chatbot mới, có nhận thức về ngữ cảnh và được trang bị học máy để liên tục tối ưu hóa khả năng xử lý và dự đoán chính xác các câu hỏi thông qua việc tiếp xúc với ngày càng nhiều ngôn ngữ con người. Các chatbot AI hiện đại hiện nay sử dụng hiểu ngôn ngữ tự nhiên để nhận biết ý nghĩa của đầu vào người dùng mở, vượt qua các lỗi chính tả đến các vấn đề dịch thuật. Các công cụ AI tiên tiến sau đó ánh xạ ý nghĩa đó đến “ý định” cụ thể mà người dùng muốn chatbot thực hiện và sử dụng AI đàm thoại để tạo ra phản hồi thích hợp. Các công nghệ AI này tận dụng cả học máy và học sâu—các yếu tố khác nhau của AI, với một số khác biệt tinh tế—để phát triển một cơ sở kiến thức ngày càng chi tiết về các câu hỏi và câu trả lời được thông báo bởi các tương tác của người dùng. Sự tinh vi này, dựa trên các tiến bộ trong các mô hình ngôn ngữ lớn, đã dẫn đến sự hài lòng của khách hàng tăng lên và các ứng dụng chatbot linh hoạt hơn. Thời gian cần thiết để xây dựng một chatbot AI có thể khác nhau dựa trên công nghệ stack và công cụ phát triển được sử dụng, độ phức tạp của chatbot, các tính năng mong muốn, sự sẵn có của dữ liệu—và liệu nó có cần được tích hợp với các hệ thống, cơ sở dữ liệu hoặc nền tảng khác hay không. Với nền tảng AI thân thiện với người dùng, không cần mã/ít mã, các chatbot AI có thể được xây dựng nhanh hơn. Chatbot so với AI chatbot so với đại lý ảo Các thuật ngữ chatbot, AI chatbot và đại lý ảo thường được sử dụng thay thế cho nhau, có thể gây nhầm lẫn. Mặc dù các công nghệ mà các thuật ngữ này đề cập đến có liên quan chặt chẽ, các khác biệt nhỏ mang lại những khác biệt quan trọng trong khả năng tương ứng của chúng. Chatbot là thuật ngữ bao quát nhất. Bất kỳ phần mềm nào mô phỏng cuộc trò chuyện của con người, cho dù được hỗ trợ bởi điều hướng kiểu cây quyết định truyền thống cứng nhắc hay AI đàm thoại tiên tiến, đều là một chatbot. Chatbot có thể được tìm thấy trên hầu hết mọi kênh giao tiếp, từ cây điện thoại đến mạng xã hội đến các ứng dụng và trang web cụ thể. AI chatbot là các chatbot sử dụng một loạt các công nghệ AI, từ học máy—bao gồm các thuật toán, tính năng và tập dữ liệu—tối ưu hóa phản hồi theo thời gian, đến xử lý ngôn ngữ tự nhiên và hiểu ngôn ngữ tự nhiên giúp diễn giải chính xác các câu hỏi của người dùng và ánh xạ chúng đến các ý định cụ thể. Khả năng học sâu cho phép các AI chatbots trở nên chính xác hơn theo thời gian, điều này cho phép con người tương tác với các AI chatbots theo cách tự nhiên hơn mà không bị hiểu nhầm. Đại lý ảo là một sự tiến hóa xa hơn của phần mềm AI chatbot không chỉ sử dụng AI đàm thoại để tiến hành đối thoại và học sâu để tự cải thiện theo thời gian, mà thường kết hợp các công nghệ AI đó với tự động hóa quy trình robot trong một giao diện duy nhất để hành động trực tiếp theo ý định của người dùng mà không cần can thiệp thêm của con người. Để giúp minh họa các khác biệt, hãy tưởng tượng rằng người dùng tò mò về thời tiết ngày mai. Với một chatbot truyền thống, người dùng có thể sử dụng cụm từ cụ thể "cho tôi biết dự báo thời tiết". Chatbot nói rằng trời sẽ mưa. Với một AI chatbot, người dùng có thể hỏi, "Thời tiết ngày mai sẽ như thế nào?" Chatbot, diễn

What is a chatbot? – Part 1 of 2 A chatbot is a computer program that simulates human conversation with an end user. Not all chatbots are equipped with artificial intelligence (AI), but modern chatbots increasingly use conversational AI techniques such as natural language processing (NLP) to understand user questions and automate responses to them. Generative AI-powered chatbots The next generation of chatbots with generative AI capabilities will offer even more enhanced functionality with their understanding of common language and complex queries, their ability to adapt to a user’s style of conversation and use of empathy when answering users’ questions. Business leaders can clearly see this future: 85% of execs say generative AI will be interacting directly with customers in the next two years, as reported in The CEO’s guide to generative AI study, from IBV. An enterprise-grade artificial intelligence solution can empower companies to automate self-service and accelerate the development of exceptional user experiences.  FAQ chatbots no longer need to be pre-programmed with answers to set questions: It’s easier and faster to use generative AI in combination with an organization’s’ knowledge base to automatically generate answers in response to the wider range of questions. While conversational AI chatbots can digest a users’ questions or comments and generate a human-like response, generative AI chatbots can take this a step further by generating new content as the output. This new content can include high-quality text, images and sound based on the LLMs they are trained on. Chatbot interfaces with generative AI can recognize, summarize, translate, predict and create content in response to a user’s query without the need for human interaction. Enterprise-grade, self-learning generative AI chatbots built on a conversational AI platform are continually and automatically improving. They employ algorithms that automatically learn from past interactions how best to answer questions and improve conversation flow routing. The value of chatbots Chatbots can make it easy for users to find information by instantaneously responding to questions and requests—through text input, audio input, or both—without the need for human intervention or manual research. Chatbot technology is now commonplace, found everywhere from smart speakers at home and consumer-facing instances of SMS, WhatsApp and Facebook Messenger, to workplace messaging applications including Slack. The latest evolution of AI chatbots, often referred to as “intelligent virtual assistants” or “virtual agents,” can not only understand free-flowing conversation through use of sophisticated language models, but even automate relevant tasks. Alongside well-known consumer-facing intelligent virtual assistants—such as Apple's Siri, Amazon Alexa, Google’s Gemini and OpenAI’s ChatGPT—virtual agents are also increasingly used in an enterprise context to assist customers and employees. To increase the power of apps already in use, well-designed chatbots can be integrated into the software an organization is already using. For example, a chatbot can be added to Microsoft Teams to create and customize a productive hub where content, tools, and members come together to chat, meet and collaborate. To get the most from an organization’s existing data, enterprise-grade chatbots can be integrated with critical systems and orchestrate workflows inside and outside of a CRM system. Chatbots can handle real-time actions as routine as a password change, all the way through a complex multi-step workflow spanning multiple applications. In addition, conversational analytics can analyze and extract insights from natural language conversations, typically between customers interacting with businesses through chatbots and virtual assistants. Artificial intelligence can also be a powerful tool for developing conversational marketing strategies.

Chatbot là gì? – Phần 1 của 2 Tài liệu từ IBM. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số. Chatbot là một chương trình máy tính mô phỏng cuộc trò chuyện của con người với người dùng cuối. Không phải tất cả các chatbot đều được trang bị trí tuệ nhân tạo, nhưng các chatbot hiện đại ngày càng sử dụng các kỹ thuật AI đàm thoại như xử lý ngôn ngữ tự nhiên để hiểu câu hỏi của người dùng và tự động phản hồi chúng. Chatbot được hỗ trợ bởi AI tạo sinh Thế hệ tiếp theo của chatbot với khả năng AI tạo sinh sẽ cung cấp chức năng nâng cao hơn với việc hiểu ngôn ngữ thông thường và các câu hỏi phức tạp, khả năng thích ứng với phong cách trò chuyện của người dùng và sử dụng sự đồng cảm khi trả lời các câu hỏi của người dùng. Các nhà lãnh đạo doanh nghiệp có thể thấy rõ tương lai này: 85% giám đốc điều hành cho rằng AI tạo sinh sẽ tương tác trực tiếp với khách hàng trong hai năm tới, theo báo cáo trong nghiên cứu "Hướng dẫn của CEO về AI tạo sinh" từ IBV. Giải pháp trí tuệ nhân tạo cấp doanh nghiệp có thể giúp các công ty tự động hóa dịch vụ tự phục vụ và tăng tốc phát triển trải nghiệm người dùng xuất sắc. Các chatbot FAQ không còn cần phải được lập trình sẵn với câu trả lời cho các câu hỏi đã định: Sử dụng AI tạo sinh kết hợp với cơ sở tri thức của tổ chức để tự động tạo ra câu trả lời cho phạm vi câu hỏi rộng hơn dễ dàng và nhanh chóng hơn. Trong khi các chatbot AI đàm thoại có thể hiểu các câu hỏi hoặc nhận xét của người dùng và tạo ra phản hồi giống con người, các chatbot AI tạo sinh có thể đi xa hơn bằng cách tạo ra nội dung mới như đầu ra. Nội dung mới này có thể bao gồm văn bản, hình ảnh và âm thanh chất lượng cao dựa trên các mô hình ngôn ngữ lớn mà chúng được đào tạo. Giao diện chatbot với AI tạo sinh có thể nhận biết, tóm tắt, dịch, dự đoán và tạo nội dung để đáp ứng yêu cầu của người dùng mà không cần tương tác của con người. Các chatbot AI tạo sinh cấp doanh nghiệp, tự học được xây dựng trên nền tảng AI đàm thoại đang liên tục và tự động cải thiện. Chúng sử dụng các thuật toán tự động học từ các tương tác trong quá khứ để trả lời các câu hỏi tốt nhất và cải thiện luồng hội thoại. Giá trị của chatbot Chatbot có thể giúp người dùng tìm kiếm thông tin dễ dàng bằng cách phản hồi tức thì các câu hỏi và yêu cầu thông qua đầu vào văn bản, âm thanh hoặc cả hai mà không cần can thiệp của con người hoặc nghiên cứu thủ công. Công nghệ chatbot hiện nay rất phổ biến, có mặt ở khắp nơi từ loa thông minh tại nhà và các ứng dụng nhắn tin hướng đến người tiêu dùng như SMS, WhatsApp và Facebook Messenger, đến các ứng dụng nhắn tin tại nơi làm việc gồm Slack. Sự tiến hóa mới nhất của các chatbot AI, thường được gọi là “trợ lý ảo thông minh” hoặc “đại lý ảo,” không chỉ hiểu được cuộc trò chuyện tự do thông qua việc sử dụng các mô hình ngôn ngữ tinh vi mà còn tự động hóa các nhiệm vụ liên quan. Bên cạnh các trợ lý ảo thông minh nổi tiếng hướng đến người tiêu dùng như Apple Siri, Amazon Alexa, Google Gemini và OpenAI ChatGPT, các đại lý ảo cũng ngày càng được sử dụng trong bối cảnh doanh nghiệp để hỗ trợ khách hàng và nhân viên Để tăng cường sức mạnh của các ứng dụng đã được sử dụng, các chatbot được thiết kế tốt có thể được tích hợp vào phần mềm mà tổ chức đang sử dụng. Ví dụ, một chatbot có thể được thêm vào Microsoft Teams để tạo và tùy chỉnh một trung tâm năng suất nơi nội dung, công cụ và các thành viên cùng nhau trò chuyện, họp mặt và cộng tác Để tận dụng tối đa dữ liệu hiện có của tổ chức, các chatbot cấp doanh nghiệp có thể được tích hợp với các hệ thống quan trọng và điều phối các luồng công việc trong và ngoài hệ thống CRM. Chatbot có thể xử lý các hành động thời gian thực từ đơn giản như thay đổi mật khẩu đến một quy trình công việc phức tạp nhiều bước trải dài trên nhiều ứng dụng. Ngoài ra, phân tích đàm thoại có thể phân tích và trích xuất thông tin từ các cuộc trò chuyện ngôn ngữ tự nhiên, thường là giữa khách hàng tương tác với doanh nghiệp thông qua chatbots và trợ lý ảo Trí tuệ nhân tạo cũng có thể là một công cụ mạnh

I.T. News – June 25, 2024 1 – The fastest-growing career in the US is in wind power. Here's what employees make, what it's like, and how to land a job. Catherine Boudreau Jun 24, 2024. • Federal data indicates wind-turbine technician is the fastest-growing job in the US. • The US and other countries are building more wind farms to tackle the climate crisis. • This article is part of "Trends to Bet Your Career On," a series about trending professional opportunities. Dakota Carter was in middle school when a new wind farm went up near his hometown of Delavan, Illinois. He was fascinated by the project's turbines, which can churn out enough power for 35,000 homes. "I've always been passionate about the environment," Carter said. "So I thought a career in wind could actually make a difference." Now Carter, 29, is the operations site supervisor at that project, known as the Rail Splitter Wind Farm, owned by EDP Renewables North America. He started as an intern in 2017 before becoming a wind technician and then advancing over the past seven years. Carter entered the field at the right time. Federal data indicates wind-turbine technician is the fastest-growing job in the US, alongside nurse practitioner. While the absolute number of new jobs isn't that big, it represents a projected 45% increase between 2022 and 2032, more than any other occupation. The jobs website Indeed said postings for wind-turbine technicians grew by 30% in 2023, and the Bureau of Labor Statistics expects about 1,800 openings each year over the next decade. Industry groups have forecast demand for about 240,000 new recruits by 2027 across Australia, Brazil, China, Colombia, Egypt, India, Japan, Kenya, South Korea, and the US. These countries want to build onshore and offshore wind farms rapidly so they can meet renewable-energy targets and mitigate the climate crisis. The International Energy Agency estimates that for the world to achieve net-zero greenhouse-gas emissions by 2050, about 17% more wind capacity must be added to power grids every year. The US is expected to add 11% capacity from 2023 to 2025. The Rail Splitter Wind Farm in Illinois. EDP Renewables North America The UK has long been a leader in wind but was recently surpassed by China, which accounted for half of all the new wind capacity added around the world in 2022. The US is further behind, but the industry got a boost from the Inflation Reduction Act in 2022. The law authorized generous tax breaks for renewable-energy projects and companies that pay their workers well. In the US, the jobs are mostly onshore, in states like Texas, New Mexico, Kansas, and Colorado. The first large-scale offshore projects recently opened up off the coasts of New York and Massachusetts. Last year the median pay for a wind-turbine technician was $61,770, but listings on Indeed averaged $80,100 Harry Willats, an executive consultant at Darwin Recruitment who specializes in the wind sector, told Business Insider that the starting wage for a wind technician was typically $20 to $25 an hour. More-experienced technicians with specialized training could earn nearly $50 an hour. Offshore wind technicians can expect to earn an extra 30% to 40% compared to onshore workers. There are a lot of overtime opportunities as well. As technicians move into supervisor positions, they might get an annual salary. Federal data indicates the average hourly wage for the position in the US in 2023 was nearly $30 an hour, or $61,770 a year. But listings on Indeed averaged $80,100 a year. Willats said there are several pathways into the industry. Typically, people finish a one-year electrical certificate program at a technical or community college and then get hired as apprentices. Those interested in offshore wind need to complete Global Wind Organization courses in basic safety, first aid, and sea survival. There's a lot of on-the-job training. Wind technicians in the early stages of their careers might do scheduled maintenance

Bản Tin Công nghệ Thông tin – Ngày 25 tháng 6, 2024 1 – Nghề phát triển nhanh nhất ở Mỹ là trong lĩnh vực năng lượng gió. Đây là những gì nhân viên kiếm được, công việc như thế nào và làm thế nào để tìm được việc làm. Catherine Boudreau. Business Insider. • Dữ liệu liên bang cho thấy kỹ thuật viên tuabin gió là nghề phát triển nhanh nhất ở Mỹ. • Mỹ và các quốc gia khác đang xây dựng thêm nhiều trang trại gió để giải quyết cuộc khủng hoảng khí hậu. Dakota Carter đang học trung học cơ sở khi một trang trại gió mới mọc lên gần quê nhà Delavan, Illinois của anh ấy. Anh ấy bị cuốn hút bởi các tuabin của dự án, có thể tạo ra đủ năng lượng cho 35.000 ngôi nhà. "Tôi luôn đam mê với môi trường," Carter nói. "Vì vậy, tôi nghĩ rằng sự nghiệp trong lĩnh vực gió thực sự có thể tạo ra sự khác biệt." Hiện nay Carter, 29 tuổi, là giám sát viên vận hành tại dự án đó, được gọi là Rail Splitter Wind Farm, thuộc sở hữu của EDP Renewables North America. Anh ấy bắt đầu là thực tập sinh vào năm 2017 trước khi trở thành kỹ thuật viên gió và sau đó thăng tiến trong bảy năm qua. Carter đã tham gia ngành vào đúng thời điểm. Dữ liệu liên bang cho thấy kỹ thuật viên tuabin gió là nghề phát triển nhanh nhất ở Mỹ, bên cạnh điều dưỡng. Mặc dù số lượng công việc mới không nhiều, nó đại diện cho mức tăng 45% dự kiến từ năm 2022 đến năm 2032, nhiều hơn bất kỳ nghề nào khác. Trang web việc làm Indeed cho biết số bài đăng về kỹ thuật viên tuabin gió tăng 30% vào năm 2023, và Cục Thống kê Lao động dự kiến có khoảng 1.800 cơ hội mỗi năm trong thập kỷ tới. Các nhóm ngành công nghiệp dự báo nhu cầu khoảng 240.000 tân binh mới vào năm 2027 trên toàn cầu, bao gồm Úc, Brazil, Trung Quốc, Colombia, Ai Cập, Ấn Độ, Nhật Bản, Kenya, Hàn Quốc và Mỹ. Các quốc gia này muốn xây dựng nhanh chóng các trang trại gió trên bờ và ngoài khơi để có thể đạt được các mục tiêu năng lượng tái tạo và giảm thiểu cuộc khủng hoảng khí hậu. Cơ quan Năng lượng Quốc tế ước tính rằng để thế giới đạt được mức phát thải khí nhà kính bằng không vào năm 2050, khoảng 17% công suất gió cần được thêm vào lưới điện mỗi năm. Mỹ dự kiến sẽ thêm 11% công suất từ năm 2023 đến 2025. Vương quốc Anh từ lâu đã là lãnh đạo trong lĩnh vực gió nhưng gần đây bị Trung Quốc vượt qua, chiếm một nửa công suất gió mới được thêm vào toàn cầu trong năm 2022. Mỹ ở phía sau, nhưng ngành công nghiệp này đã nhận được sự thúc đẩy từ Đạo luật Giảm Lạm phát vào năm 2022. Luật này đã ủy quyền các khoản giảm thuế hào phóng cho các dự án năng lượng tái tạo và các công ty trả lương tốt cho nhân viên. Ở Mỹ, công việc chủ yếu trên đất liền, ở các bang như Texas, New Mexico, Kansas và Colorado. Các dự án ngoài khơi quy mô lớn đầu tiên gần đây đã được mở ra ngoài khơi các bờ biển của New York và Massachusetts. Năm ngoái mức lương trung bình cho một kỹ thuật viên tuabin gió là $61.770, nhưng các bài đăng trên Indeed trung bình là $80.100. Harry Willats, một cố vấn điều hành tại Darwin Recruitment chuyên về lĩnh vực gió, nói với Business Insider rằng mức lương khởi điểm cho một kỹ thuật viên gió thường là $20 đến $25 một giờ. Các kỹ thuật viên có kinh nghiệm hơn với đào tạo chuyên biệt có thể kiếm gần $50 một giờ. Các kỹ thuật viên gió ngoài khơi có thể mong đợi kiếm thêm 30% đến 40% so với các công nhân trên đất liền. Cũng có rất nhiều cơ hội làm thêm giờ. Khi các kỹ thuật viên chuyển vào các vị trí giám sát, họ có thể nhận được mức lương hàng năm. Dữ liệu liên bang cho thấy mức lương trung bình cho vị trí này ở Mỹ năm 2023 gần $30 một giờ, tức là $61.770 một năm. Nhưng các bài đăng trên Indeed trung bình là $80.100 một năm. Willats nói có nhiều con đường vào ngành này. Thường thì mọi người hoàn thành chương trình chứng chỉ điện một năm tại một trường cao đẳng kỹ thuật hoặc cộng đồng rồi được tuyển dụng làm học viên. Những người quan tâm đến gió ngoài khơi cần hoàn thành các khóa học của Tổ chức Gió Toàn cầu về an toàn cơ bản, sơ cứu và sinh tồn trên biển. Có rất nhiều đào tạo tại chỗ. Các kỹ thuật viên gió trong giai đoạn đầu sự nghiệp

I.T. News – June 24, 2024 1 - China’s spate of violence prompts outburst of economic anxiety Pedestrians cross a road in Pudong's Lujiazui Financial District in Shanghai. China has long touted itself as the world’s safest nation, making rare outbursts of public violence stand out. Pedestrians cross a road in Pudong's Lujiazui Financial District in Shanghai. China has long touted itself as the world’s safest nation, making rare outbursts of public violence stand out. | BLOOMBERG Jun 22, 2024 The reaction of Chinese social media users to a spate of recent violent attacks has exposed widespread discontent about the nation’s downturn, as economic pressures mount. Shanghai police reported a stabbing Wednesday morning in one of the city’s metro stations, which — like other subway lines in major Chinese cities — has security checks at its entrances. The suspect was detained after injuring three people and the case is under investigation, police said in a statement. In a country where violence is relatively rare, the incident became a top trending item on social media platform Weibo, garnering some 164 million reads with users speculating on the attacker’s motive. Some suggested the culprit was a stocks investor, a group battered during China’s $7 trillion market meltdown earlier this year. "The pressure of this economic environment is cascading down to everyone, who may be pushed to the brink by a slight change in circumstances,” one user wrote. "Don’t provoke or bully others; you don’t know where their limits of outbursts are. Don’t let yourself become a victim of the economic climate.” Another user posted: "When the economy is bad, social problems grow, people are becoming more aggressive.” Police didn’t provide details of the culprit’s motive, and it was unclear if the attacks represented a surge in such incidents. But the public reaction underscored growing fears over China’s economic downturn, as a slump deepens in the property market where the bulk of household wealth is stored. 2 - China-France satellite launched to monitor most powerful explosions in space The Space-based multi-band astronomical Variable Objects Monitor (SVOM) has blasted off to record intense gamma-ray bursts Ling Xin, in Ohio. 22 Jun 2024 An observatory built by Chinese and French researchers will hunt for the universe’s most powerful explosions after being launched into a low-Earth orbit in another landmark space mission between the two countries. The Space-based multi-band astronomical Variable Objects Monitor, or SVOM, blasted off on top of a Long March 2C rocket from western China’s Xichang Satellite Launch Centre at 3pm Chinese time on Saturday, state news agency Xinhua reported. The 930kg (2,050-pound) probe, which took hundreds of scientists and engineers nearly two decades to develop, will orbit Earth at 625km (450 miles) above the ground to accurately measure the location and energy of distant, violent explosions known as gamma-ray bursts. The project, led by the China National Space Administration (CNSA) and the French space agency CNES, began in 2006. “The launch of SVOM closed a loop which started 18 years ago,” François Gonzalez, SVOM’s French project manager at CNES, said. Over the years, members of the scientific and technical teams learned how to “adapt their own ways” to work together and push the mission forward, he said. “We’ve been through ups and downs, but the strength of this cooperation is the team spirit between the Chinese and French people,” Gonzalez said. Gamma-ray bursts are produced during extremely energetic events in the distant universe, such as the merging of two black holes or the collapse of a massive, dying star. While such flashes of light give unique insights into major cosmic phenomena, they are notoriously hard to catch as they can appear anywhere in the sky and last for just a few seconds. On top of that, gamma rays are readily absorbed by the Earth’s atmosphere, so the only way to record them is to place probes

Tin Tức Công nghệ Thông tin – Ngày 24 tháng 6, 2024 1 - Chuỗi bạo lực ở Trung Quốc gây ra sự lo lắng kinh tế bùng nổ Người đi bộ băng qua đường ở Khu Tài chính Lujiazui của Pudong ở Thượng Hải. Trung Quốc từ lâu đã tự xưng là quốc gia an toàn nhất thế giới, làm cho các vụ bạo lực công cộng hiếm hoi trở nên nổi bật. Ngày 22 tháng 6, 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số. Phản ứng của người dùng mạng xã hội Trung Quốc đối với một loạt các vụ tấn công bạo lực gần đây đã phơi bày sự bất mãn rộng rãi về sự suy thoái của quốc gia này, khi áp lực kinh tế ngày càng gia tăng. Cảnh sát Thượng Hải đã báo cáo một vụ đâm chém vào sáng thứ Tư tại một trong những ga tàu điện ngầm của thành phố, nơi có các cuộc kiểm tra an ninh tại các lối vào như các tuyến tàu điện ngầm khác ở các thành phố lớn của Trung Quốc. Nghi phạm đã bị bắt sau khi làm bị thương ba người và vụ việc đang được điều tra, cảnh sát cho biết trong một tuyên bố. Ở một quốc gia mà bạo lực tương đối hiếm, vụ việc đã trở thành một chủ đề thịnh hành trên nền tảng mạng xã hội Weibo, thu hút khoảng 164 triệu lượt đọc với người dùng suy đoán về động cơ của kẻ tấn công. Một số người cho rằng thủ phạm là một nhà đầu tư chứng khoán, một nhóm bị ảnh hưởng nặng nề trong vụ sụt giảm thị trường trị giá 7 nghìn tỷ USD của Trung Quốc vào đầu năm nay. "Áp lực của môi trường kinh tế này đang lan tỏa xuống mọi người, những người có thể bị đẩy đến bờ vực bởi một thay đổi nhỏ trong hoàn cảnh," một người dùng viết. "Đừng khiêu khích hoặc bắt nạt người khác; bạn không biết giới hạn bùng nổ của họ ở đâu. Đừng để bản thân trở thành nạn nhân của môi trường kinh tế." Một người dùng khác đăng: "Khi nền kinh tế xấu đi, các vấn đề xã hội gia tăng, con người trở nên hung hăng hơn." Cảnh sát không cung cấp chi tiết về động cơ của thủ phạm, và không rõ liệu các cuộc tấn công có đại diện cho sự gia tăng của các vụ việc như vậy hay không. Nhưng phản ứng của công chúng nhấn mạnh nỗi sợ hãi ngày càng tăng về sự suy thoái kinh tế của Trung Quốc, khi sự suy sụp sâu hơn trong thị trường bất động sản, nơi phần lớn của cải của các hộ gia đình được lưu trữ. "Có thể những kẻ tấn công đã tự mình chịu đựng sự suy thoái kinh tế và lo lắng như vậy," Hanzhang Liu, trợ lý giáo sư nghiên cứu chính trị tại Pitzer College ở California, nói. "Nhưng có lẽ mọi người đang thể hiện sự lo lắng của riêng họ khi cố gắng hiểu tại sao những vụ việc này xảy r." Các cuộc biểu tình về kinh tế, đặc biệt là vụ sụp đổ nhà ở, đã trở nên thường xuyên hơn và chiếm 80% sự bất đồng công khai được ghi nhận vào năm ngoái, theo Dự án Giám sát Bất đồng của Trung Quốc của Freedom House. Gần một phần ba nhân viên văn phòng thấy mức lương của họ giảm trong giai đoạn đó, theo nền tảng tuyển dụng Zhaopin Sự cố ở Thượng Hải xảy ra sau những báo cáo tương tự từ khắp Trung Quốc. Bốn giáo viên từ một trường cao đẳng Mỹ đã bị một người đàn ông địa phương đâm ở thành phố Jilin phía đông bắc tuần trước. Chủ tịch của một cơ quan tư vấn chính trị tại một quận ở Sơn Tây đã bị giết vào đầu tháng 6 trong một cuộc tranh cãi về việc dọn dẹp nhà ở chiếm dụng trái phép của nhà nước. Vào tháng 5, hai người đã chết trong một vụ tấn công bằng dao khác tại một trường tiểu học ở tỉnh Giang Tây phía đông nam Các tòa nhà dân cư đang được xây dựng ở Thượng Hải vào tháng 5. Các cuộc biểu tình về kinh tế, đặc biệt là vụ sụp đổ nhà ở, đã trở nên thường xuyên hơn và chiếm 80% sự bất đồng công khai được ghi nhận vào năm ngoái, theo Dự án Giám sát Bất đồng của Trung Quốc của Freedom House Cuộc tấn công ở Giang Tây đã được xem hơn 390.000 lần trên Weibo, với một người dùng yêu cầu các hình phạt nghiêm khắc hơn khi "nền kinh tế chậm lại, cuộc sống trở nên đau khổ hơn và những người điên trở nên thường xuyên hơn." Mặc dù chính quyền không cung cấp chi tiết về động cơ của các vụ tấn công ở Giang Tây và Thượng Hải, một trong những giáo viên bị thương ở Jilin nói với Iowa Public Radio rằng kẻ tấn công "thất nghiệp và gặp khó khăn," cho biết thông tin đó từ cảnh sát

Weird new tribes – Part 2 of 2 From ALICEs to DINKs Your complete guide to America's weird new tribes. Jimmy Simpson Erin Snodgrass and Jacob Zinkula for Business Insider. Jun 17, 2024. Can you spot the difference between an ALICE and a HENRY? Are you too much of a dingus to know your DINKs? Would you ever consider joining the FIRE movement? These days, coverage of the US economy is chock-full of jargony acronyms and descriptors for demographic cohorts. Some have been around for years, or at least represent groups that have long been relevant. Others are brand new — and recent economic developments, as well as the influence of platforms like TikTok, help explain why certain terms have spiked in popularity lately. Kory Kantenga, a senior economist at LinkedIn, pointed to the "Great Resignation" — which some have rebranded as the "Great Reshuffle" — as a turning point. Coined in 2021 by Anthony Klotz, then an associate professor of management at Texas A&M, the term helped open the door for a larger conversation about Americans' jobs and finances. "The Great Reshuffle led to many of us rethinking where, how, and why we work," Kantenga said. "While many aspects of the Great Reshuffle have faded, the paradigm shift of talking more openly about work has endured. That change, along with the proliferation of viral content, has likely supported the emergence of viral workplace terms." The terms DINK (double income, no kids), FIRE (financial independence, retire early), and HENRY (high earner, not rich yet), meanwhile, appear to have originated in the 1980s, 1990s, and 2000s. They've been making a comeback as economic conditions have made them more relevant. DINK, for example, is used in part to highlight the financial benefits of not having children. As the costs of raising children have ballooned, the DINK lifestyle has started to resonate with couples. It's difficult to pinpoint just how many Americans fall into each category — they're generally not officially tracked. But the terms' recent popularity suggests people want to understand how they fit into the broader economy beyond standard measurements. Together, they offer a glimpse into different groups working to get by. "I think part of why they've become popular again is because these acronyms succinctly describe various forms of financial limbo that, until relatively recently, weren't well represented in society," said Eric Anicich, an associate professor of management and organization at the USC Marshall School of Business. Keeping track of them all is crucial to understanding how the system works, but it can get confusing. Henry, a geriatric millennial ALICE and half a POLK with his wife, Alice, feels ostracized from his DINK, DIPS, FIRE, and HENRY friends, especially since his peak boomer parents are leaving him no inheritance. What? To make your life easier, Business Insider has compiled a glossary of terms, from the frequently used to the more exotic. Say hello to your new economic ABCs. ALICE: Asset Limited, Income Constrained, Employed ALICEs are stuck in no-man's-land. Their incomes put them above the federal poverty level — $31,200 for a family of four, or $15,060 for an individual — and too far afield of the threshold to qualify for government benefits like food stamps, rental assistance, or Medicaid. But their earnings aren't high enough to shield them from financial precarity, and the rising costs of living expenses like food and housing over the past few years haven't helped. Take Sarah, a single mother of two who works one full-time job and two part-time jobs. While she's employed, her ability to bring in enough money to support her family is a source of never-ending stress. "Every month is a struggle to make sure all the bills are paid — there's never enough for savings," she said. "My car loan, my car insurance, rent, and food take up almost my entire paycheck." (Sarah asked to use a pseudonym to prevent identification by a prior partner she said was abusive.)

Các bộ lạc mới kỳ lạ trong các nhóm xã hội – Phần 2 của 2 Lê Quang Văn sưu tập, dịch, giải thích và thực hiện phần kỹ thuật số. Nhiều millennials cao tuổi đang ở giai đoạn đầu của sự nghiệp khi Đại suy thoái, điều này đã cản trở việc làm và thu nhập của họ. Trong một báo cáo năm 2018, các nhà nghiên cứu của Ngân hàng Dự trữ Liên bang St. Louis cho biết họ phát hiện ra rằng sự giàu có của những millennial sinh vào những năm 1980 thấp hơn 34% so với dự kiến dựa trên kinh nghiệm của các thế hệ trước. Nhưng trong những năm gần đây, nhiều millennial cao tuổi đã thấy sự giàu có của họ tăng vọt nhờ giá nhà và giá cổ phiếu tăng. Trong khi một số millennial trẻ cảm thấy bị loại khỏi thị trường nhà ở vì giá cao và lãi suất, những người lớn tuổi hơn có khả năng đã sở hữu nhà – đặt nền móng cho sự giàu có trong tương lai. Peak boomer: Những người thuộc thế hệ boomer sinh từ năm 1959 đến 1964 Peak boomer – một thuật ngữ từng mang tính miệt thị đối với những người thể hiện hành vi "người già" – đã mang một ý nghĩa mới khi những thành viên trẻ nhất của thế hệ lớn nhất nước Mỹ đạt đến tuổi nghỉ hưu. Đến cuối năm 2024, tất cả những người thuộc thế hệ boomer – những người sinh từ năm 1946 đến 1964 – sẽ trên 60 tuổi. Sự gia tăng số lượng người nghỉ hưu có khả năng trở thành gánh nặng đáng kể đối với nền kinh tế Mỹ, có thể kéo dài hàng thập kỷ. Nhưng đối với nhiều người trong nhóm "peak boomer" này, mối quan tâm lớn nhất của họ là an ninh tài chính của chính họ. Một nghiên cứu gần đây cho thấy hơn một nửa trong số 30 triệu người thuộc thế hệ peak boomer sắp nghỉ hưu có tài sản dưới 250.000 đô la. Phân tích này, xem xét dữ liệu của Cục Dự trữ Liên bang và nghiên cứu Sức khỏe và Hưu trí của Đại học Michigan, cho thấy những người này sẽ phải dựa chủ yếu vào thu nhập An sinh Xã hội. Nhưng số phận của chương trình đó ngày càng bấp bênh, và việc giảm trợ cấp có thể khiến hàng triệu người Mỹ lớn tuổi rơi vào tình trạng khốn khó. Jewel Benjamin, 64 tuổi, đã nghỉ hưu từ công việc của mình là một nhân viên thực thi pháp luật ở Georgia vào năm 2018 – nhưng không phải do lựa chọn. Một chấn thương đã buộc cô ra khỏi lực lượng lao động ở tuổi 59, sớm hơn nhiều so với kế hoạch của cô. Nghỉ hưu sớm có nghĩa là Benjamin phải chờ hai năm trước khi có thể bắt đầu nhận trợ cấp An sinh Xã hội. Ngày nay, Benjamin nhận trợ cấp An sinh Xã hội và tiền từ kế hoạch hưu trí của cô mỗi tháng. Những khoản thanh toán đó vẫn khiến cô sống "từng đồng lương một," cô nói, khi cô đối mặt với hóa đơn y tế và các chi phí sinh hoạt khác. (Nhiều người thuộc thế hệ peak boomer cũng được coi là ALICEs, nhấn mạnh tính giao thoa của một số nhóm nhân khẩu học này.) "Tôi lo lắng về tài chính của mình trong tương lai nếu chi phí không giảm," cô nói. "Tiền thế chấp của tôi rất cao. Và dường như tôi luôn nợ thuế." Và ngoài những nhóm này, còn rất nhiều cách để mô tả cách người Mỹ làm việc: • Bare-minimum Mondays: Bắt đầu tuần làm việc của bạn bằng cách làm ít công việc nhất có thể! • Career cushioning: Sợ bị sa thải? Lập kế hoạch dự phòng trong khi bạn vẫn đang làm việc. • Corporate girlie: Sự thẩm mỹ hóa của TikTok về việc vào làm việc từ 9 đến 5. • Greedflation: Lý thuyết cho rằng những bộ áo vest của doanh nghiệp Mỹ đang lợi dụng lạm phát để kiếm lợi nhuận kỷ lục. • Lazy-girl jobs: Được sinh ra từ phong trào chống làm việc, các công việc lười biếng là những công việc nhàn nhã, trả lương tốt cho những nhân viên kiệt sức. • Overemployed: Nếu bạn muốn tăng tài chính một cách kín đáo, hãy cân nhắc làm nhiều công việc. • Productivity paranoia: Làm việc kết hợp và từ xa có nghĩa là sếp của bạn không thể thấy bạn đang làm gì mọi lúc. Họ đã phản ứng bằng cách quản lý bạn chặt chẽ hơn. • Quiet quitting (Xem thêm: grumpy staying; loud quitting): Hồi chuông báo tử của văn hóa làm việc hối hả sau đại dịch. Về tác giả của bài viết: Erin Snodgrass là một phóng viên của đội tin tức Business Insider. Cô viết về nhiều chủ đề, bao gồm lịch sử, giáo dục, và di cư.

Chương 1 - Giới thiệu về AI trong FinTech – Phần 4 của 4 Bài đọc thêm (từ IBM) AI trong FinTech là gì? Trí tuệ nhân tạo (AI) trong tài chính là việc sử dụng công nghệ, bao gồm các thuật toán tiên tiến và học máy, để phân tích dữ liệu, tự động hóa các tác vụ và cải thiện việc ra quyết định trong ngành dịch vụ tài chính. Trí tuệ nhân tạo trong tài chính đề cập đến việc áp dụng một tập hợp các công nghệ, đặc biệt là các thuật toán học máy, trong ngành tài chính. Fintech này cho phép các tổ chức dịch vụ tài chính nâng cao hiệu quả, độ chính xác và tốc độ của các nhiệm vụ như phân tích dữ liệu, dự báo, quản lý đầu tư, quản lý rủi ro, phát hiện gian lận, dịch vụ khách hàng và hơn thế nữa. AI đang hiện đại hóa ngành tài chính bằng cách tự động hóa các quy trình ngân hàng thủ công truyền thống, cho phép hiểu rõ hơn về thị trường tài chính và tạo ra các cách để thu hút khách hàng bắt chước trí thông minh và tương tác của con người. AI đang cách mạng hóa cách các tổ chức tài chính hoạt động và thúc đẩy các công ty khởi nghiệp. Các mô hình AI thực hiện các giao dịch với tốc độ và độ chính xác chưa từng có, tận dụng dữ liệu thị trường theo thời gian thực để mở khóa những hiểu biết sâu sắc hơn và chỉ ra nơi đầu tư được thực hiện. Bằng cách phân tích các mẫu phức tạp trong bộ dữ liệu giao dịch, các giải pháp AI cho phép các tổ chức tài chính cải thiện quản lý rủi ro, bao gồm bảo mật, gian lận, chống rửa tiền (AML), biết khách hàng của bạn (KYC) và các sáng kiến tuân thủ. AI cũng đang thay đổi cách các tổ chức tài chính tương tác với khách hàng, dự đoán hành vi của họ và hiểu sở thích mua hàng của họ. Điều này cho phép các tương tác được cá nhân hóa hơn, hỗ trợ khách hàng nhanh hơn và chính xác hơn, tinh chỉnh chấm điểm tín dụng và các sản phẩm và dịch vụ sáng tạo. Nhìn chung, việc tích hợp AI trong tài chính đang tạo ra một kỷ nguyên mới của việc ra quyết định dựa trên dữ liệu, hiệu quả, bảo mật và trải nghiệm khách hàng trong lĩnh vực tài chính. Cách dùng AI trong Tài chánh Dưới đây là một số lĩnh vực chính mà AI thường được áp dụng trong ngành tài chính: Giao dịch thuật toán: AI có thể được sử dụng để phát triển các thuật toán giao dịch có thể phân tích xu hướng thị trường và dữ liệu lịch sử để đưa ra quyết định và thực hiện giao dịch nhanh hơn con người. Tự động hóa và hiệu quả: AI có thể tự động hóa các tác vụ lặp đi lặp lại và tốn thời gian, cho phép các tổ chức tài chính xử lý một lượng lớn dữ liệu nhanh hơn và chính xác hơn. Lợi thế cạnh tranh: AI có thể giúp các tổ chức tài chính thúc đẩy sự đổi mới và đi đầu trong công nghệ, điều này có thể mang lại cho họ lợi thế cạnh tranh. Tuân thủ: AI có thể tự động hóa các yêu cầu giám sát và báo cáo để đảm bảo tuân thủ quy định Chấm điểm tín dụng: AI có thể phân tích nhiều loại dữ liệu, bao gồm hoạt động truyền thông xã hội và các hành vi trực tuyến khác, để đánh giá mức độ tín nhiệm của khách hàng và đưa ra quyết định tín dụng chính xác hơn. Giảm chi phí: Bằng cách tự động hóa các tác vụ, các tổ chức tài chính có thể giảm lao động thủ công, hợp lý hóa quy trình làm việc và nâng cao hiệu quả hoạt động, có thể giảm chi phí. Dịch vụ khách hàng: Bằng cách trả lời các câu hỏi và hoàn thành các nhiệm vụ thường ngày 24/7, các trợ lý cá nhân và chatbot được hỗ trợ bởi AI có thể giảm nhu cầu can thiệp của con người, cung cấp dịch vụ khách hàng được cá nhân hóa như phê duyệt tín dụng theo thời gian thực và cung cấp cho người tiêu dùng khả năng bảo vệ chống gian lận và an ninh mạng được cải thiện. Phân tích dữ liệu: AI có thể phân tích lượng dữ liệu khổng lồ và trích xuất những hiểu biết và xu hướng mà các nhà khoa học dữ liệu của con người khó phát hiện, cho phép ra quyết định sáng suốt hơn và hiểu sâu hơn về hành vi thị trường. Phát hiện gian lận: Các thuật toán AI có thể ngăn chặn tội phạm tài chính, chẳng hạn như gian lận và tấn công mạng, bằng cách xác định các mẫu bất thường trong các giao dịch tài chính. Điều này giúp cải thiện bảo mật trong các hoạt động như giao dịch ngân hàng trực tuyến và

Chương 1 - Giới thiệu về AI trong FinTech – Phần 3 của 4 1.8 Thông tin chi tiết thực tế và nghiên cứu điển hình Trong suốt chương này, chúng ta đã khám phá các khái niệm cơ bản về AI và tác động của nó đối với ngành công nghệ tài chính. Để cung cấp sự hiểu biết thực tế hơn về những phát triển kỹ thuật này, phần này giới thiệu các ứng dụng trong thế giới thực và các nghiên cứu điển hình minh họa tiềm năng biến đổi của AI trong FinTech. 1.8.1 Nghiên cứu điển hình: Phát hiện gian lận do AI hỗ trợ tại PayPal PayPal, công ty hàng đầu thế giới về thanh toán kỹ thuật số, đã tận dụng AI để tăng cường khả năng phát hiện gian lận. Bằng cách triển khai các mô hình học máy, PayPal có thể phân tích dữ liệu giao dịch trong thời gian thực và xác định các hoạt động đáng ngờ với độ chính xác cao. Các giải pháp dựa trên AI này đã làm giảm đáng kể tỷ lệ giao dịch gian lận, tăng cường tính bảo mật và độ tin cậy của nền tảng PayPal. 1.8.2 Nghiên cứu điển hình: Robo-Advisors tại Wealthfront Wealthfront, công ty tiên phong trong lĩnh vực tư vấn robo, sử dụng AI để cung cấp tư vấn đầu tư tự động cho khách hàng của mình. Bằng cách tận dụng các thuật toán học máy, Wealthfront có thể phân tích các mục tiêu tài chính, khả năng chấp nhận rủi ro và điều kiện thị trường của khách hàng để tối ưu hóa danh mục đầu tư. Cách tiếp cận dựa trên AI này đã dân chủ hóa quyền truy cập vào các chiến lược đầu tư tinh vi, làm cho chúng có sẵn cho nhiều nhà đầu tư hơn. 1.8.3 Nghiên cứu điển hình: Dịch vụ khách hàng do AI điều khiển tại Bank of America Bank of America đã triển khai một trợ lý ảo được hỗ trợ bởi AI có tên Erica để tăng cường dịch vụ khách hàng. Erica sử dụng xử lý ngôn ngữ tự nhiên để hiểu và trả lời các câu hỏi của khách hàng, cung cấp hỗ trợ tức thì và chính xác. Bằng cách tự động hóa các nhiệm vụ dịch vụ khách hàng thông thường, Erica đã cải thiện hiệu quả hoạt động dịch vụ khách hàng của Bank of America và nâng cao trải nghiệm khách hàng tổng thể. 1.8.4 Nghiên cứu điển hình: Giao dịch thuật toán tại Renaissance Technologies Renaissance Technologies, một quỹ phòng hộ hàng đầu, nổi tiếng với việc sử dụng AI và học máy trong giao dịch thuật toán. Quỹ Medallion của công ty sử dụng các thuật toán tinh vi để phân tích dữ liệu thị trường và thực hiện giao dịch ở tốc độ cao. Cách tiếp cận dựa trên AI này đã cho phép Renaissance Technologies đạt được lợi nhuận cao liên tục, thể hiện tiềm năng biến đổi của AI trên thị trường tài chính. 1.8.5 Nghiên cứu điển hình: Chấm điểm tín dụng tại ZestFinance ZestFinance, một công ty công nghệ tài chính, sử dụng AI để nâng cao điểm tín dụng và quyết định cho vay. Bằng cách phân tích một loạt các nguồn dữ liệu, bao gồm dữ liệu tín dụng truyền thống và dữ liệu thay thế, các mô hình AI của ZestFinance có thể đánh giá mức độ tín nhiệm chính xác hơn. Cách tiếp cận dựa trên AI này đã cho phép ZestFinance mở rộng tín dụng cho một nhóm người vay rộng hơn, thúc đẩy tài chính toàn diện. 1.9 Kết luận: Tương lai của AI trong FinTech Khi chúng ta kết thúc cuộc kiểm tra toàn diện này về AI trong FinTech, rõ ràng là trí tuệ nhân tạo đã sẵn sàng cách mạng hóa ngành dịch vụ tài chính. Việc tích hợp các giải pháp dựa trên AI trong các lĩnh vực như quản lý rủi ro, phát hiện gian lận, dịch vụ khách hàng và chiến lược đầu tư đã chứng minh được những lợi ích đáng kể, nâng cao hiệu quả, độ chính xác và sự hài lòng của khách hàng. 1.9.1 Sự phát triển đang diễn ra Lĩnh vực AI trong FinTech liên tục phát triển, với nghiên cứu và phát triển liên tục thúc đẩy những đổi mới và ứng dụng mới. Khi công nghệ AI tiếp tục phát triển, chúng ta có thể mong đợi sẽ thấy sự tích hợp lớn hơn nữa của các giải pháp dựa trên AI trong ngành dịch vụ tài chính, chuyển đổi các quy trình truyền thống và tạo ra các cơ hội mới cho tăng trưởng và đổi mới 1.9.2 Cân nhắc về đạo đức và quy định Khi AI tiếp tục biến đổi ngành dịch vụ tài chính, điều quan trọng là phải giải quyết các cân nhắc về đạo đức và quy định. Các tổ chức tài chính phải đảm bảo rằng các giải pháp dựa trên AI

Chương 1 - Giới thiệu về AI trong FinTech – Phần 2 của 4 1.2.3 Xử lý ngôn ngữ tự nhiên Xử lý ngôn ngữ tự nhiên (NLP) là một lĩnh vực AI tập trung vào sự tương tác giữa máy tính và con người thông qua ngôn ngữ tự nhiên. NLP cho phép máy móc hiểu, giải thích và tạo ra ngôn ngữ của con người. Trong FinTech, NLP được sử dụng trong các ứng dụng như chatbot, phân tích tình cảm và hỗ trợ khách hàng tự động. Các nhiệm vụ chính trong Xử lý ngôn ngữ tự nhiên bao gồm: • Xử lý văn bản: Mã hóa, bắt nguồn và lemmatization để chuẩn bị văn bản để phân tích. • Phân tích tình cảm: Xác định tình cảm được thể hiện trong một đoạn văn bản, chẳng hạn như tích cực, tiêu cực hoặc trung tính. • Nhận dạng thực thể được đặt tên (NER): Xác định và phân loại các thực thể được đề cập trong văn bản, chẳng hạn như tên người, tổ chức và vị trí. • Dịch máy: Tự động dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác. 1.2.4 Tự động hóa quy trình robot Tự động hóa quy trình robot (RPA) liên quan đến việc sử dụng robot phần mềm hoặc "bot" để tự động hóa các nhiệm vụ lặp đi lặp lại và dựa trên quy tắc. RPA có thể tăng đáng kể hiệu quả và giảm lỗi trong các quy trình tài chính, chẳng hạn như nhập dữ liệu, đối chiếu tài khoản và báo cáo tuân thủ. Không giống như tự động hóa truyền thống, yêu cầu lập trình, RPA sử dụng AI để bắt chước tương tác của con người với các hệ thống kỹ thuật số. 1.3 Tác động của AI đối với dịch vụ tài chính truyền thống Việc đưa AI vào kinh doanh công nghệ tài chính đã có tác động sâu sắc đến các dịch vụ tài chính truyền thống. Phần này tiết lộ tỉ mỉ ảnh hưởng to lớn của AI, biến đổi các khía cạnh khác nhau của ngành. 1.3.1 Tăng cường quản lý rủi ro Các giải pháp dựa trên AI đã cách mạng hóa việc quản lý rủi ro trong lĩnh vực tài chính. Bằng cách tận dụng học máy và phân tích dự đoán, các tổ chức tài chính giờ đây có thể xác định và giảm thiểu rủi ro hiệu quả hơn. Ví dụ, các thuật toán AI có thể phân tích một lượng lớn dữ liệu để phát hiện các dấu hiệu cảnh báo sớm về tình trạng khó khăn tài chính, cho phép thực hiện các biện pháp chủ động. 1.3.2 Phát hiện và ngăn chặn gian lận Phát hiện và ngăn chặn gian lận đã trở nên tinh vi hơn với sự ra đời của AI. Các mô hình học máy có thể phân tích các mẫu giao dịch và phát hiện sự bất thường có thể chỉ ra hoạt động gian lận. Các hệ thống này liên tục học hỏi từ dữ liệu mới, cải thiện độ chính xác của chúng theo thời gian. Các hệ thống phát hiện gian lận được hỗ trợ bởi AI cũng có thể phản hồi trong thời gian thực, ngăn chặn các giao dịch gian lận trước khi chúng xảy ra. 1.3.3 Dịch vụ khách hàng và tương tác Các chatbot và trợ lý ảo được hỗ trợ bởi AI đã chuyển đổi dịch vụ khách hàng trong ngành tài chính. Các hệ thống thông minh này có thể xử lý một loạt các yêu cầu của khách hàng, cung cấp phản hồi tức thì và chính xác. Bằng cách tận dụng xử lý ngôn ngữ tự nhiên, chatbot có thể hiểu và trả lời các truy vấn của khách hàng theo cách trò chuyện, nâng cao trải nghiệm người dùng và sự tham gia. 1.3.4 Giao dịch thuật toán Giao dịch thuật toán liên quan đến việc sử dụng các thuật toán máy tính để thực hiện giao dịch ở tốc độ và khối lượng cao. AI đã tăng cường đáng kể giao dịch thuật toán bằng cách cho phép phát triển các chiến lược giao dịch tinh vi có thể phân tích dữ liệu thị trường và thực hiện giao dịch trong thời gian thực. Các mô hình học máy có thể xác định các mẫu và xu hướng trong dữ liệu lịch sử, cho phép các nhà giao dịch đưa ra quyết định sáng suốt và tối ưu hóa chiến lược giao dịch của họ. 1.3.5 Cá nhân hóa và Thông tin chi tiết về khách hàng (Customer Insights) AI cho phép các tổ chức tài chính cung cấp các dịch vụ và sản phẩm được cá nhân hóa cho khách hàng của họ. Bằng cách phân tích dữ liệu khách hàng, các hệ thống AI có thể xác định sở thích và hành vi cá nhân, cho phép đưa ra các đề xuất phù hợp và các chiến dịch tiếp thị được nhắm mục tiêu. Mức độ cá nhân hóa này nâng cao sự hài lòng và lòng trung thành của khách hàng, thúc đẩy tăng trưởng kinh doanh.

Chương 1 - Giới thiệu về AI trong FinTech – Phần 1 của 4 1.1 Sự giao thoa giữa AI và FinTech: Tổng quan Trong bối cảnh phát triển nhanh chóng của công nghệ, sự hội tụ của Trí tuệ nhân tạo (AI) và Công nghệ tài chính (FinTech) đại diện cho một trong những phát triển biến đổi nhất trong lịch sử gần đây. Chương này bắt tay vào khám phá toàn diện về lĩnh vực năng động này, cung cấp sự hiểu biết nền tảng về các khái niệm cơ bản của AI và tác động sâu sắc của nó đối với ngành dịch vụ tài chính. 1.1.1 Định nghĩa trí tuệ nhân tạo Trí tuệ nhân tạo, thường được viết tắt là AI, đề cập đến việc mô phỏng trí thông minh của con người trong các máy móc được lập trình để suy nghĩ và học hỏi như con người. Những hệ thống thông minh này có khả năng thực hiện các nhiệm vụ thường đòi hỏi trí thông minh của con người, chẳng hạn như nhận thức thị giác, nhận dạng giọng nói, ra quyết định và dịch ngôn ngữ. AI có thể được phân loại thành hai loại: • AI hẹp: Loại AI này được thiết kế để thực hiện một nhiệm vụ hẹp (ví dụ: nhận dạng khuôn mặt hoặc tìm kiếm thông tin trên internet) và hoạt động theo một số ràng buộc hạn chế. Nó vượt trội trong một số lĩnh vực nhưng không thể thực hiện ngoài các chức năng được chỉ định của nó. • AI tổng quát: Còn được gọi là AI mạnh hoặc AGI (Trí tuệ tổng hợp nhân tạo), loại AI này có khả năng hiểu, học và áp dụng kiến thức trên một loạt các nhiệm vụ, giống như con người. Cho đến nay, AI nói chung hay tổng quát vẫn chủ yếu là lý thuyết và là một chủ đề của nghiên cứu đang diễn ra. 1.1.2 Sự phát triển của FinTech Công nghệ tài chính, thường được gọi là FinTech, bao gồm một loạt các đổi mới công nghệ nhằm tăng cường và tự động hóa việc cung cấp và sử dụng các dịch vụ tài chính. FinTech bao gồm mọi thứ từ các ứng dụng ngân hàng di động và công nghệ blockchain đến cố vấn robot và nền tảng cho vay ngang hàng. Mục tiêu chính của FinTech là nâng cao hiệu quả của các dịch vụ tài chính, giảm chi phí và nâng cao trải nghiệm của khách hàng. 1.1.3 Sự hội tụ: AI trong FinTech Việc tích hợp AI vào FinTech đã xúc tác cho một cuộc cách mạng trong ngành dịch vụ tài chính. Các giải pháp dựa trên AI hiện đang đi đầu trong đổi mới tài chính, thúc đẩy những cải tiến đáng kể trong các lĩnh vực như quản lý rủi ro, phát hiện gian lận, dịch vụ khách hàng và chiến lược đầu tư. Sự hội tụ này được củng cố bởi một số công nghệ AI cốt lõi, gồm học máy, phân tích dự đoán, xử lý ngôn ngữ tự nhiên và tự động hóa quy trình robot. 1.2 Các khái niệm cơ bản về trí tuệ nhân tạo Để đánh giá đầy đủ tác động của AI đối với FinTech, điều cần thiết là phải hiểu các khái niệm và công nghệ cơ bản làm nền tảng cho trí tuệ nhân tạo. Phần này đi sâu vào các nguyên tắc cốt lõi của AI, cung cấp sự hiểu biết sắc thái về các thành phần khác nhau của nó. 1.2.1 Học máy Học máy (ML) là một tập hợp con của AI tập trung vào việc phát triển các thuật toán và mô hình thống kê cho phép máy tính thực hiện các tác vụ mà không cần hướng dẫn rõ ràng. Thay vào đó, các hệ thống học máy học hỏi từ dữ liệu, xác định các mẫu và đưa ra quyết định dựa trên dữ liệu đó. Học máy có thể được phân loại thành ba loại chính: • Học có giám sát: Trong học có giám sát, thuật toán được đào tạo trên một tập dữ liệu được gắn nhãn, có nghĩa là mỗi ví dụ đào tạo được ghép nối với một nhãn đầu ra. Thuật toán học cách ánh xạ đầu vào đến đầu ra chính xác, đưa ra dự đoán hoặc quyết định dựa trên dữ liệu mới. Ví dụ bao gồm các nhiệm vụ phân loại và hồi quy. • Học không giám sát: Học không giám sát liên quan đến việc đào tạo thuật toán trên tập dữ liệu mà không có phản hồi được gắn nhãn. Hệ thống cố gắng tìm hiểu cấu trúc cơ bản của dữ liệu, thường sử dụng các kỹ thuật như phân cụm và liên kết. Các ứng dụng bao gồm phân khúc thị trường và phát hiện bất thường. • Học tăng cường: Loại hình học tập này liên quan đến một tác nhân tương tác với môi trường và học cách thực hiện các nhiệm vụ bằng cách nhận phần thưởng hoặc hình phạt dựa trên hành động của nó. Theo thời gian, đại lý tối ưu hóa chiến lược của mình để

Weird new tribes – Part 1 of 2 Jimmy Simpson, Erin Snodgrass and Jacob Zinkula - Business Insider. June 17, 2024. In "Your complete guide to America's weird new tribes" the phrase "weird new tribes" likely refers to the emergence of distinct, unconventional social groups or subcultures in America. These groups are characterized by their unique interests, behaviors, and identities that set them apart from mainstream society. Here’s a detailed explanation: A - Defining "Weird New Tribes" 1. Weird: o The term "weird" implies that these tribes are unconventional, unusual, or different from what is traditionally considered normal or mainstream. They might have eccentric or avant-garde characteristics that make them stand out. 2. New: o "New" indicates that these tribes have recently emerged or gained prominence. They are part of contemporary society and reflect modern trends, technologies, and cultural shifts. 3. Tribes: o The word "tribes" refers to social groups that have a strong sense of identity and community. These groups often share common interests, values, or lifestyles that create a bond among their members. B - Characteristics of "Weird New Tribes" 1. Unique Interests and Lifestyles: o These tribes often revolve around niche interests or alternative lifestyles. Examples might include enthusiasts of obscure hobbies, members of subcultures like steampunk or cosplay, or adherents of unconventional diets or wellness practices. 2. Distinct Aesthetics and Behaviors: o Members of these tribes might have a distinct appearance, fashion style, or way of behaving that sets them apart. This could include unique clothing, body modifications, or specific modes of communication. 3. Use of Technology and Social Media: o Many of these new tribes have formed and thrive in the digital age, using social media and online platforms to connect, share ideas, and build their communities. 4. Alternative Beliefs and Values: o These tribes might hold alternative beliefs or values that challenge mainstream norms. This could include unconventional political views, spiritual practices, or ethical stances. C - Examples of "Weird New Tribes" in America 1. Tech Enthusiasts and Hackers: o Groups centered around cutting-edge technology, hacking, and digital innovation. They often have their own events, such as hackathons, and communicate through specialized online forums. 2. Cryptocurrency and Blockchain Communities: o Enthusiasts of cryptocurrencies and blockchain technology, who might engage in discussions, trading, and developing decentralized applications. These communities often have a strong libertarian or anti-establishment ethos. 3. Urban Explorers: o Individuals who explore abandoned buildings, tunnels, and other off-limits urban areas. They share their adventures through blogs, social media, and dedicated forums. 4. Eco-Warriors and Zero-Wasters: o People dedicated to extreme forms of environmentalism, such as living completely off-grid, producing zero waste, or engaging in direct action to protect nature. 5. Health and Wellness Extremists: o Groups focused on unconventional health and wellness practices, such as extreme forms of dieting, fasting, biohacking, or alternative medicine. 6. Modern Mystics and Spiritual Seekers: o Individuals exploring non-traditional spiritual paths, including modern witchcraft, astrology, crystal healing, and other forms of new-age spirituality. D - Social and Cultural Impact These "weird new tribes" contribute to the rich tapestry of modern American culture by introducing new ideas, practices, and forms of expression. They often challenge the status quo, pushing boundaries and prompting broader societal conversations about identity, community, and the future. In summary, "weird new tribes" refers to the diverse, unconventional, and often digitally-connected social groups that have emerged in contemporary America, each with its unique set of interests, aesthetics, and values.

Các bộ lạc mới kỳ lạ trong các nhóm xã hội – Phần 1 của 2 Lê Quang Văn sưu tập, dịch, giải thích và thực hiện phần kỹ thuật số. Các thuật ngữ như DINK (double income, no kids - thu nhập đôi, không có con), FIRE (financial independence, retire early - độc lập tài chính, nghỉ hưu sớm) và HENRY (high earner, not rich yet - người kiếm tiền nhiều nhưng chưa giàu) dường như xuất hiện từ những năm 1980, 1990 và 2000. Chúng đang trở lại khi điều kiện kinh tế khiến chúng trở nên liên quan hơn. Ví dụ, DINK được sử dụng một phần để làm nổi bật lợi ích tài chính của việc không có con. Khi chi phí nuôi dạy con cái tăng vọt, lối sống DINK bắt đầu thu hút các cặp vợ chồng. ALICE: Asset Limited, Income Constrained, Employed ALICEs bị mắc kẹt trong vùng đất không người. Thu nhập của họ đặt họ trên mức nghèo liên bang – 31.200 đô la cho một gia đình bốn người, hoặc 15.060 đô la cho một cá nhân – và quá xa ngưỡng để đủ điều kiện nhận các lợi ích của chính phủ như tem phiếu thực phẩm, trợ cấp tiền thuê nhà hoặc Medicaid. Nhưng thu nhập của họ không đủ cao để bảo vệ họ khỏi sự bấp bênh tài chính, và chi phí sinh hoạt tăng cao như thực phẩm và nhà ở trong những năm qua không giúp ích gì. DINK: Double Income, No Kids Có lẽ từ viết tắt phổ biến nhất trong tất cả (và dễ dàng phát âm nhất) là DINK, một thuật ngữ bao trùm các cặp đôi chắc chắn sẽ không bao giờ có con, những người không muốn có con vào lúc này và những người cảm thấy tình hình kinh tế của họ quyết định liệu họ có thể có con hay không. Cũng có những biến thể như DINKWAD, thêm một con chó vào nhóm. DIPS và POLK: Double Income, Public School; Parents of Little Kids (Thu nhập gấp đôi, trường công lập; Cha mẹ của trẻ nhỏ) Katie Notopoulos của Business Insider đã tạo ra "DIPS Thu nhập gấp đôi, trường công lập" và "POLK Cha mẹ của trẻ nhỏ" vào đầu năm nay, lập luận rằng các bậc cha mẹ người Mỹ bị chia rẽ kinh tế bởi một yếu tố chính: liệu con cái của họ có đủ lớn để đi học công lập miễn phí hay vẫn cần chăm sóc trẻ em đắt đỏ. FIRE: Financial Independence, Retire Early (Độc lập tài chính, nghỉ hưu sớm) Chrissy Arsenault, một giám đốc tiếp thị 31 tuổi ở Colorado, đã theo đuổi lối sống FIRE từ giữa 20 tuổi, khi cô và chồng biết về phong trào này trên mạng. Trong vài năm qua, họ đã tăng giá trị tài sản ròng kết hợp của mình lên khoảng 800.000 đô la. Arsenault cho biết mục tiêu của họ là có khoảng 2,5 triệu đô la trong tổng số đầu tư và nghỉ hưu trong vòng 10 đến 15 năm nữa. HENRY: High Earner, Not Rich Yet (Người có thu nhập cao, chưa giàu) Một đặc điểm định hình của HENRY là mong muốn không còn là HENRY nữa. HENRY chú ý đến tài chính của mình và luôn tìm cách đạt tầng lớp tài chính tiếp theo. Thuật ngữ này dường như xuất hiện vào năm 2003, nhưng HENRY ngày nay thường nằm trong độ tuổi từ 27 đến 42, sống ở các khu vực đô thị, và kiếm từ 80.000 đô la đến 500.000 đô la, tùy thuộc vào nơi họ sống. Điều đó có vẻ như là nhiều tiền đối với người bình thường, nhưng HENRY thường không cảm thấy giàu có, và sự thận trọng trong chi tiêu và tiết kiệm là điều phổ biến. (Các thông số chính xác của một HENRY rất khó xác định và dường như dựa nhiều hơn vào cảm nhận hơn là một mức thuế cụ thể.) HIFI: High Income, Financially Insecure (Thu nhập cao, tài chính không an toàn) HIFI là từ viết tắt mới nhất tham gia vào các "bộ lạc mới kỳ lạ". Sherwood News mô tả nó là đại diện cho những người kiếm được nhiều tiền nhưng vẫn không an tâm về tài chính vì chi tiêu quá mức. Thu nhập cao, tài chính không an toàn được đặc trưng bởi chi tiêu cao và sự ám ảnh với những món đồ và trải nghiệm xa xỉ. Các khoản kích thích kinh tế trong đại dịch, mua sắm trực tuyến và các tùy chọn "mua ngay, trả sau" đã giúp thúc đẩy chi tiêu của HIFIs trong các năm gần đây Millennial cao tuổi: Những thành viên lớn tuổi nhất của thế hệ millennial Nếu bạn đang ở cuối tuổi 30 hoặc đầu tuổi 40, việc nghe ai đó sử dụng từ "geriatric" để mô tả bạn có thể khiến bạn muốn cuộn mình lại. Đừng sợ – nó nhằm phân biệt giữa hai nhóm trong một thế hệ tương đối trẻ

Chương 0 – Giới thiệu - AI trong Fin Tech - Phần 2 của 2 AI trong Công nghệ Tài chính (FinTech) Cuốn sách này cung cấp cho độc giả những hiểu biết quan trọng về cách các tổ chức tài chính tận dụng tiềm năng của ChatGPT để cải thiện tương tác của khách hàng, đơn giản hóa giao tiếp và tối ưu hóa nhiều quy trình hoạt động khác nhau. Những hiểu biết này được cung cấp thông qua việc điều tra các trường hợp thực tế. Mục đích của nghiên cứu này là điều tra sự kết hợp của trí tuệ nhân tạo (AI) vào các cuộc đàm phán tài chính. Nó thể hiện tầm ảnh hưởng to lớn mà ChatGPT đã có trong việc tăng cường sự tham gia của khách hàng và đơn giản hóa các thủ tục của công ty. Mục đích của chương này là cung cấp cho độc giả nắm bắt toàn diện về cách sử dụng chiến lược ChatGPT được hỗ trợ bởi AI trong ngành công nghệ tài chính bằng cách tiến hành kiểm tra chuyên sâu về sự phức tạp của khuôn khổ kinh doanh. Chương 4 - Phân tích dự đoán và học máy trong FinTech Trong chương này, các ứng dụng chiến lược và ảnh hưởng mang tính cách mạng của học máy và phân tích dự đoán trong kinh doanh Công nghệ Tài chính (FinTech) được nghiên cứu rất chi tiết. Khi bắt đầu công việc, một lời giải thích đầy đủ về các ý tưởng cơ bản làm nền tảng cho phân tích dự đoán và học máy được cung cấp. Người đọc có thể hiểu đầy đủ về các thủ tục và thuật toán tạo thành nền tảng của các ngành nghề này. Trong chương tiếp theo, chúng ta sẽ xem xét chi tiết các cách thức mà các công nghệ này được sử dụng trong ngành tài chính để dự báo xu hướng thị trường, cải thiện quản lý rủi ro và tăng cường các thủ tục ra quyết định. Tính hữu ích của phân tích dự đoán và học máy trong nhiều lĩnh vực khác nhau, bao gồm giao dịch thuật toán, chấm điểm tín dụng và phát hiện gian lận, được thể hiện thông qua việc sử dụng các ví dụ thực tế và các tình huống thực tế. Ngoài ra, cuộc tranh luận xem xét những lợi ích và thách thức có thể có liên quan đến việc kết hợp các công nghệ này vào lĩnh vực công nghệ tài chính. Những khía cạnh này bao gồm tuân thủ các quy định, bảo vệ thông tin cá nhân và khả năng phân tích mô hình. Chương này cung cấp cho độc giả những hiểu biết độc đáo về lĩnh vực năng động của việc ra quyết định tài chính dựa trên dữ liệu bằng cách nghiên cứu mối liên hệ phức tạp giữa phân tích dự đoán, học máy và FinTech. Những hiểu biết này cung cấp cho người đọc hiểu rõ hơn về chủ đề. Chương 5 - ChatGPT quyết định hành vi mua hàng Mục đích của chương này là điều tra việc sử dụng ChatGPT, một mô hình ngôn ngữ mạnh mẽ, để hiểu và ảnh hưởng đến quyết định mua hàng của khách hàng trong ngành bán lẻ và thương mại điện tử. Nghiên cứu chuyên sâu này bắt đầu bằng cách điều tra xem liệu ChatGPT có khả năng tạo điều kiện cho các cuộc thảo luận với khách hàng được tùy chỉnh và có sự tham gia hay không. Trong chương này, tác giả khéo léo nghiên cứu sự kết hợp giữa học máy và xử lý ngôn ngữ tự nhiên trong ChatGPT. Nó cung cấp thông tin chi tiết hữu ích về khả năng của ChatGPT trong việc đánh giá các câu hỏi của khách hàng và sửa đổi câu trả lời để tác động đến lựa chọn mua hàng. Các ví dụ thực tế và minh họa thực tế chứng minh khả năng của ChatGPT có thể cung cấp hiệu quả các đề xuất sản phẩm được cá nhân hóa, trả lời các truy vấn của người tiêu dùng và cuối cùng có ảnh hưởng đến việc ra quyết định. Trong cuộc thảo luận, các chủ đề như vấn đề đạo đức, vấn đề riêng tư và những khó khăn liên quan đến việc tích hợp ChatGPT trong các ứng dụng hướng đến người tiêu dùng sẽ được thảo luận. Thông qua chương này, bạn đọc được nắm bắt đầy đủ về sự tương tác giữa ChatGPT và hành vi của khách hàng. Ngoài ra, chương này làm sáng tỏ hiệu ứng chuyển đổi tiềm năng mà các giao diện đàm thoại được điều khiển bởi trí tuệ nhân tạo có thể có trong lĩnh vực bán lẻ và thương mại điện tử. Về người phụ trách thực hiện podcast Lê Quang Văn qua 4 lĩnh vực chuyên môn 1 – Trước 1975: Phụ tá Giám đốc về Kỹ thuật, Nha Sản xuất Thủ đô, Công ty Điện lực Việt Nam, Sàigòn. 2 – Từ 1980: Kỹ sư nghiên cứu tại Trường Hóa Công nghệ, đại học BC

Chương 0 – Giới thiệu - AI trong Fin Tech - Phần 1 của 2 AI trong Công nghệ Tài chính (FinTech) Mục lục 1. Giới thiệu về AI trong Công nghệ Tài chính 2. Vai trò của Chatbot trong Công nghệ Tài chính 3. Khung kinh doanh của ChatGPT dựa trên AI trong FinTech 4. Phân tích dự đoán và Học máy trong Công nghệ Tài chính 5. ChatGPT quyết định hành vi mua hàng 6. Định hình lại trải nghiệm kỹ thuật số thông qua Học máy trong FinTech 7. Các phương pháp hay nhất để giữ chân khách hàng trong FinTech 8. Ứng dụng của các mô hình dự đoán trong Công nghệ Tài chính 9. ChatGPT để dự đoán giá cổ phiếu và phát hiện gian lận tài chính 10. ChatGPT và tiền điện tử 11. Thuật ngữ Chương 1 - Giới thiệu AI trong Công nghệ Tài chính Trong phạm vi của chương này, một cuộc điều tra cơ bản về lĩnh vực năng động nằm ở giao điểm của Trí tuệ nhân tạo (AI) và Công nghệ tài chính (FinTech) được trình bày. Một lời giải thích về các khái niệm cơ bản của trí tuệ nhân tạo được trình bày khi bắt đầu kiểm tra toàn diện này. Điều này cung cấp cho độc giả một sự hiểu biết sắc thái về nhiều khía cạnh của AI. Việc đưa trí tuệ nhân tạo vào kinh doanh công nghệ tài chính được tiết lộ tỉ mỉ, cho thấy tác động to lớn mà AI đã có đối với các dịch vụ tài chính truyền thống. Với việc kiểm tra toàn diện về sự phức tạp của học máy, phân tích dự đoán, giao dịch thuật toán và quản lý rủi ro, chương này cung cấp một nền tảng vững chắc để hiểu mối quan hệ năng động tồn tại giữa trí tuệ nhân tạo và công nghệ tài chính. Trong suốt câu chuyện, có một sự tích hợp liền mạch của những hiểu biết thực tế vào những tác động sâu sắc của những phát triển kỹ thuật này. Những thông tin chi tiết này giới thiệu các ứng dụng trong thế giới thực và nghiên cứu điển hình. Khi bạn tiếp tục đi sâu hơn vào cuộc điều tra này, bạn sẽ có được không chỉ sự hiểu biết lý thuyết mà còn là sự đánh giá thực tế về tiềm năng to lớn mà trí tuệ nhân tạo có để cách mạng hóa tương lai của tài chính. Chương 2 - Vai trò của Chatbot trong FinTech Chương này cung cấp một cái nhìn tổng quan toàn diện về môi trường năng động tồn tại tại giao điểm của Trí tuệ nhân tạo đàm thoại và Công nghệ tài chính. Chương này điều tra lịch sử của chatbot, cung cấp lời giải thích về công nghệ và chức năng được sử dụng để hỗ trợ chúng. Sau đó, nó điều tra cách thức mà chatbot được kết hợp chiến lược vào ngành công nghiệp FinTech. Người đọc sẽ có được những hiểu biết hữu ích về ảnh hưởng của chatbot đối với mối quan hệ giữa người tiêu dùng và người dùng, cũng như trải nghiệm mà người dùng có với các hoạt động tài chính. Trong chương này, chúng tôi điều tra sự cân bằng tinh tế tồn tại giữa tự động hóa và cá nhân hóa. Chúng tôi đã làm sáng tỏ việc sử dụng Xử lý ngôn ngữ tự nhiên (NLP) và các kỹ thuật học máy trong quá trình phát triển các hệ thống chatbot thông minh nhận thức được môi trường xung quanh. Chatbots có nhiều cách sử dụng khác nhau, bao gồm cung cấp dịch vụ hỗ trợ khách hàng và tư vấn tài chính, như được thể hiện bằng các ví dụ thực tế và nghiên cứu điển hình. Mục đích của bài kiểm tra chuyên sâu này là cung cấp cho độc giả nắm bắt đầy đủ về vai trò quan trọng của chatbot trong việc thay đổi hoạt động kinh doanh FinTech bằng cách tăng hiệu quả, khả năng tiếp cận và sự tham gia của người dùng. Chương 3 - Khung kinh doanh của ChatGPT dựa trên AI trong FinTech Trong lĩnh vực Công nghệ Tài chính (FinTech), chương này cung cấp đánh giá toàn diện về việc tích hợp chiến lược và triển khai các hệ thống trò chuyện được hỗ trợ bởi Trí tuệ nhân tạo (AI), đặc biệt nhấn mạnh vào ChatGPT. Nghiên cứu chuyên sâu này bắt đầu với lời giải thích về các khái niệm cơ bản của trí tuệ nhân tạo và sau đó đi vào các kỹ năng đặc biệt mà ChatGPT cung cấp cho lĩnh vực tài chính. Trong suốt chương này, cấu trúc kinh doanh gắn liền với việc triển khai ChatGPT trong ngành FinTech được nghiên cứu rất chi tiết. Các cân nhắc quan trọng được tính đến, bao gồm tuân thủ các quy định, bảo quản dữ liệu và hậu quả tiềm ẩn về đạo đức.