Khái niệm AI Agent khởi nguồn từ những năm 1950-1960, chính thức được định nghĩa vào năm 1987 (Pattie Maes) và bùng nổ nhờ LLM vào giai đoạn 2023-2024. Để giải quyết sự phân mảnh dữ liệu cho các tác tử này, Anthropic ra mắt giao thức MCP vào tháng 11/2024. Chỉ sau đó vài tháng, đến tháng 3/2025, MCP đã trở thành tiêu chuẩn chung toàn ngành khi được cả OpenAI và Google tích hợp, chính thức xác lập kỷ nguyên AI Agent có khả năng cộng tác đa nền tảng.
DTW không chỉ đơn thuần là một thuật toán; đó là lời giải cho bài toán về sự không hoàn hảo của thế giới thực. Thay vì ép buộc dữ liệu phải khớp vào những khung thời gian cứng nhắc, DTW "bẻ cong" không gian để tìm thấy sự đồng điệu trong những tín hiệu tưởng chừng lạc quẻ. Từ những nhịp tim bất ổn trên bản đồ điện tâm đồ đến những biến động khó lường của thị trường tài chính, DTW vẫn đứng vững như một cầu nối giữa toán học cổ điển và sức mạnh của AI hiện đại. Hiểu về DTW là hiểu cách máy tính bắt đầu học cách "cảm nhận" hình thái thay vì chỉ đếm những con số vô hồn.
Trong thế giới Generative AI, nếu GAN là cuộc đối đầu giữa tạo sinh rồi phân biệt thật giả, VAE là kỹ thuật để nén thông tin, thì Diffusion Model là một kỹ thuật rất lạ, phá huỷ thông tin để khai phá thông tin :D, nghe thì rất khó hiểu. Thực tế diffusion không phải là "học thông tin", mà là học Gradient của hàm mật độ xác suất (Score Function) trong một không gian đa tạp đã được làm trơn. Bài viết này sẽ mổ xẻ kiến trúc DDPM (Denoising Diffusion Probabilistic Models) - ông tổ của Stable Diffusion và DALL-E 2 - theo từng step tường minh nhất.
CosyVoice là một hệ thống tổng hợp giọng nói (TTS) zero-shot đa ngôn ngữ có khả năng mở rộng cao đi theo hướng Generative TTS (Large Audio Models), với kiến trúc lai ghép giữa LLM và Flow Matching.
Trong nhiều hiện tượng ngẫu nhiên của đời sống và khoa học, trạng thái của hệ thống ở một thời điểm thường phụ thuộc vào những gì đã xảy ra trong quá khứ. Tuy nhiên, có một lớp quá trình đặc biệt mà “tương lai chỉ phụ thuộc vào hiện tại, không cần biết quá khứ”. Lớp quá trình này được mô tả bằng Chuỗi Markov (Markov Chain).
Khi thực hiện các dự án Data Science, Visualized dữ liệu là một phần quan trọng để hiểu rõ hơn về dữ liệu và tìm ra các xu hướng, mối quan hệ giữa các biến, tuy nhiên việc visualized dữ liệu nhiều chiều là một thách thức lớn hơn nữa 99% dữ liệu chúng ta là dữ liệu nhiều chiều, khi con người bị giới hạn bởi không gian 3 chiều, việc visualized dữ liệu cao hơn 3 chiều là một thách thức lớn hơn nữa, và đây là nơi t-SNE ra đời.
