Cơ bản về AI cho người mới tìm hiểu

Trí tuệ nhân tạo

1. Cơ bản về trí tuệ nhân tạo

Những hiểu biết cơ bản về trí tuệ nhân tạo ở mức độ cơ bản nhất, hi vọng những ai không học công nghệ thông tin cũng sẽ hiểu được.

A. Định nghĩa trí tuệ nhân tạo.

Trí tuệ nhân tạo (AI) là 1 nhánh của lĩnh vực khoa học máy tính, trí tuệ nhân tạo có nhiệm vụ là phát triển khả năng của máy tính để có thể thực hiện được những công việc mà con người bình thường có thể làm được hay hiểu đơn giản là tự động hóa những hành vi thông minh của con người.

AI ứng dụng các hệ thống học máy (machine learning) để mô phỏng trí tuệ của con người trong các xử lý mà con người làm tốt hơn máy tính. Cụ thể là máy tính có thể suy nghĩ, có thể học hỏi những hành vi của con người, có thể giao tiếp, biết tự thích nghi…

ví dụ: trợ lý ảo siri, sophia với khả năng giao tiếp tuyệt vời, nhận dạng khuôn mặt (FaceID) của Apple …

B. Những xu hướng phát triển của AI.

Ngày nay sự phát triển của AI vẫn đang có nhiều xu hướng.

Hướng AI mạnh (Strong AI): Hướng này sẽ tập trung vào nghiên cứu phát triển các hệ thống mô phỏng trí thông minh của con người. Đồng thời kết quả đem đến những hiểu biết hơn về cách trí thông minh con người hoạt động.

ví dụ: Ví dụ như người máy thông minh sophia, có thể suy nghĩ và trả lời câu hỏi của mọi người 1 cách thông minh, nó có thể suy luận giống con người và đưa ra câu trả lời khá hợp lý.

Hướng AI yếu (Weak AI): Hướng này sẽ tập trung vào nghiên cứu phát triển các hệ thống có hành vi giống con người nhưng kết quả nhận được không nhất thiết phải phản ánh bản chất trí thông minh con người.

ví dụ: Apple’s siri, nhìn có vẻ siri khá thông minh, tuy nhiên bản chất nó chỉ dừng lại ở các cuộc thoại thông thường được cài đặt sẵn và sử dụng internet làm nguồn data khổng lồ cho nó. Nó ko thể trò chuyện với mọi người theo cách bình thường như 2 con người nói chuyện với nhau. vì nó chỉ thực thi những suy nghĩ mà nó được cài đặt.

Hướng trung hòa: Hướng này là sự cân bằng giữa AI Mạnh và AI Yếu, các nghiên cứu sẽ tập trung vào hệ thống lập luận của con người như là một chỉ dẫn thay vì phải tuân thủ tuyệt đối.

C. Những thành tố cơ bản cấu trúc nên AI

Mặc dù mức độ thông minh của các hệ thống AI là khác nhau tuy nhiên dường như các hệ thống AI đều có cấu trúc dựa trên các thành tố cơ bản như nhau.

Về trí thông minh hay nhận thức có thể chia thành nhóm 3 thành tố cơ bản như sau:

– Cảm nhận

– Lập luận

– Phản ứng

      i. Thành tố cảm nhận

Các hệ thống thu thập dữ liệu từ mọi thứ xung quanh ta thông qua các cảm biến.

Sau khi thu thập dữ liệu, các dữ liệu đó sẽ được xử lý bẳng nhiều kỹ thuật công nghệ khác nhau.

Ví dụ: Xử lý hình ảnh (nhận diện khuôn mặt, đường phố, đèn tín hiệu, biển báo, phương tiện giao thông…), xử lý giọng nói (nhận diện giọng nói, lọc nhiễu, nhận diện ngôn ngữ …)…

      ii. Thành tố lập luận

Sau khi thu thập các thông tin từ bên ngoài, kết hợp với dữ liệu đã có sẵn, hệ thống sẽ làm có nhiệm vụ tìm ra mối liên kết giữa những loại dữ liệu đó.

Ví dụ 1 số những hệ thống lập luận phổ biến như:

Đánh giá ngữ cảnh là phán đoán xem điều gì sẽ xảy ra ở phạm vi rộng hơn.

Lập luận dựa trên logic là phán đoán đưa ra quyết định dựa trên những logic đã có sẵn.

Hệ thống học tập là xây dựng kiến thức mới dựa trên các ví dụ đã thu thập cùng với 1 tập các dữ liệu lớn.

       iii. Thành tố phản ứng

Có nhiệm vụ tạo ra các phản ứng hành động

ví dụ:

– Phát ra âm thanh cụ thể như tiếng nói.

– Điều khiển các thành phần của hệ thống như việc robot cử động cầm cốc, di chuyển ….

D. Big Data có vai trò gì trong việc xây dựng data cho AI

Đã có rất nhiều những hệ thống AI sử dụng hệ thống lập luận, phân tích, suy diễn, đánh giá, phán đoán để làm mô hình tham chiếu. Con người cũng vậy, khi gặp 1 vấn đề gì đó mỗi chúng ta đều sẽ sử dụng những khả năng của mõi người để phán đoán tính huống tiếp theo của vấn đề, hệ thống AI cũng vậy tuy nhiên cách nó thực hiện thì lại ko hoàn toàn giống con người.

Mỗi ngày có đến 2.5 tỷ tỷ byte dữ liệu được sinh ra trong thế giới của Big Data, vì vậy việc AI đọc, xử lý và sử dụng BigData để đưa ra những quyết định là việc rất quan trọng.

Những cỗ máy đó sẽ đọc và chuyển đổi những dữ liệu số thành dữ liệu mà con người có thể hiểu và dùng được.

Ví dụ: Hệ thống google dịch, chúng sử dụng 1 lượng lớn data ngôn ngữ, văn bản, từ vựng từ đó chúng sẽ lập luận, đánh giá, phân tích và đưa ra bản dịch thuật rất ẩn tượng và có độ chuẩn xác cao.

Mỗi hệ thống AI sẽ thể hiện độ thông minh thông qua 3 cấp độ khai thác dữ liệu.

– Truy xuất dữ liệu thực tế

– Kết xuất tri thức mới bằng lập luận và suy diễn

– Đưa ra những nhận định hoặc dự đoán về kết quả.

     i. Truy xuất dữ liệu

Dữ liệu của người dùng đang được các hệ thống AI khai thác 1 cách triệt để nhằm mục đích nâng cao chất lượng phục vụ, đánh giá cải thiện sản phẩm.

Các dữ liệu được thu thập thường thông qua những hồ sơ cá nhân, lịch sử giao dịch, lịch sử click chuột, like share, bình luận, thả tim, …

Để nâng cao chất lượng cũng như độ chính xác thì hệ thống có thể khai thác thêm cả thông tin ngữ cảnh và môi trường liên quan.

      ii. Tri thức lập luận trong AI

Tri thức là gì: Dữ liệu là các con số, ký hiệu mà máy tính có thể đọc và xử lý, bản thân dữ liệu không có ý nghĩa. Chỉ khi con người cảm nhận tư duy thì dữ liệu mới có ý nghĩa nhất định đó là thông tin. Tri thức là kết tinh, cô đọng, chắt lọc của thông tin. Tri thức được hình thành do quá trình xử lý thông tin mang lại.

AI ghi nhận thu thập thông tin, phân tích lập luận xử lý để biến thông tin thành tri thức.

Quá trình AI suy luận đó là dựa trên các thông tin thu thập, coi đó như là chứng cứ, từ đó dựa vào các bằng chứng đó để suy luận ra các vấn đề liên quan. Có thể gọi đó là suy luận dựa trên bằng chứng. Suy luận dựa trên bằng chứng bao gồm các phương pháp cụ thể như sau:

– Kiểm tra sự tương đồng

– Phân nhóm dữ liệu

– Tích lũy bằng chứng

     iii. Dự đoán kết quả với AI

Trọng tâm của suy luận và đặc biệt hữu dụng chính là việc dự đoán.

Dự đoán những gì diễn ra tiếp theo là rất quan trọng đối với AI, nó giúp hệ thống AI đưa ra được những quyết định hoặc hành động phù hợp.

E. Machine Learning

ML là 1 lĩnh vực của AI, ML có khả năng tự học hỏi dựa trên những dữ liệu đưa vào mà không cần phải lập trình cụ thể.

Khi ta đưa cho ML 1 lượng dữ liệu bao gồm vài nghìn đến chục nghìn bức ảnh về chó và mèo. Mỗi lần xem ảnh, ML sẽ cố gắng ghi nhớ các đặc điểm của chó hoặc mèo, ví dụ như màu sắc, màu lông, vóc dáng, số lượng chân, đuôi dài ngắn, kích thước to nhỏ … Không chỉ dừng lại ở việc ghi nhớ, ML có thể tổng quát hóa những bức ảnh mà nó đã xem để có thể dự đoán cho những bức ảnh mà nó chưa xem bao giờ.

F. Deep Learning.

Khi nghĩ về trí thông minh nhân tạo và nối ám ảnh trên truyền thông và phim ảnh thì chúng ta dường như chỉ muốn chúng biến mất và thất bại. Tuy nhiên nếu nhìn theo cách nhìn khác của phương diện khoa học, triết học, tình cảm thì có thể sẽ thoải mái hơn chút. Hãy suy nghĩ rằng chúng ta đang sống trong 1 thế giới mà ở đó con người thông minh hơn máy móc.

Tuy nhiên thì góc nhìn này hơi có vấn đề bởi lẽ các cỗ máy đang giải quyết các vấn đề theo khuynh hướng ko thiên vị, ko thành kiến, ko thù hằn. Chúng dựa vào dữ liệu phân tích và đưa ra kết quả 1 cách thẳng thắn. Trái ngc với con người, mỗi khi chúng ta đưa ra 1 quyết định thì thường đắn đo suy nghĩ xem có nên nói hay ko hay nói sao cho hợp lý.

IBM Watson là chương trình phần mềm trí tuệ nhân tạo do IBM phát triển nhằm mục đích đưa ra lời đáp cho những câu hỏi được nêu lên bằng ngôn ngữ tự nhiên.

Công nghệ của IBM Watson sử dụng các kỹ thuật cao cấp về xử lý ngôn ngữ tự nhiên, tìm kiếm thông tin, diễn đạt và lý giải tri thức, sử dụng machine learning để trả lời những câu hỏi mở rộng. Ở phần cốt lõi, Watson được xây dựng dựa trên kỹ thuật DeepQA của IBM để tạo ra giả thuyết, tập hợp vô số dữ kiện, phân tích và đánh giá điểm.

IBM DeepQA là 1 dự án nghiên cứu của IBM

Watson có thể hiểu đơn giản là:

– là 1 hệ thống có khả năng quét 1 lượng lớn văn bản, đối chiếu giữa hàng nghìn quy tắc liên kết giữa câu hỏi và câu trả lời khả dĩ và xây dựng những bằng chứng về độ tin cậy cho 1 ý tưởng nào đó

– Watson có khoảng 200 triệu trang dữ liệu có sắp xếp và ko sắp xếp, chúng sử dụng đến 4 TB để lưu trữ.

– Watson ko học từ môi trường xung quanh, mà nó học từ chính bản thân hệ thống. Chúng sử dụng hàng ngàn phương pháp tính toán cùng lúc để hiểu được câu hỏi và câu trả lời để có thể tìm ra được câu trả lời đúng. Watson ko sử dụng internet để làm nguồn data cho nó bởi khi thi đấu watson ko được sử dụng internet, chính vì thế mà Watson được các kỹ sư nhồi vào hàng triệu tài liệu, bao gồm cả từ điển, bách khoa toàn thư … để làm nguồn data offline cho Watson.

Trong khi Watson đang cố suy ra câu trả lời cho các câu hỏi bằng cách tìm kiếm bằng chứng trong đống tài liệu của nó thì google và facebook lại đang cố gắng nhận ra và phân loại các đặc điểm của từng đối tượng, phân loại các đặc điểm đó thành từng nhóm riêng biệt, rồi dựa vào đó để học cách nhận dạng, đánh giá các đối tượng. Phương pháp được gg và fb triển khai ở đây là phương pháp “Học Sâu” (deep learning). Đây là 1 phương pháp rất mạnh và có khả năng sẽ là phương pháp chủ đạo trong phát triển AI.

Sử dụng phương pháp DL cho phép AI có thể hiểu được nội dung của 1 bức ảnh.

ví dụ:

– Ta cho máy móc phân tích 1 con mèo. Đầu tiên ta sẽ cho máy tính 1 vài đặc điểm để nhận dạng con mèo như đầu, chân, đuôi, vuốt, râu … sau đó cho nó xem hàng nghìn bức ảnh con mèo và chỉ cho nó rằng đó là con mèo. Sau đó lại cho máy xem hàng nghìn bức ảnh ko phải mèo và chỉ cho nó rằng đây ko phải con mèo. Sau 1 thời gian học lúc đó máy sẽ tự động hiểu rằng Mèo nó có chân tuy nhiên máy cũng hiểu rằng con vật nào cũng có chân => phải kết hợp thêm dữ kiện móng vuốt, râu, đuôi để xác định chính xác hơn.

– ví dụ cụ thể khác như khả năng nhận diện giọng nói của siri và mới đây là khả năng lập lịch, thực hiện cuộc gọi với người bình thường của google duplex.

DL là 1 trong những phương pháp machine learning.

DL sử dụng nhiều lớp thần kinh nhân tạo để phân tích dữ liệu về nhiều chi tiết khác nhau.

Trong hệ thần kinh nhân tạo thì sẽ bao gồm 1 lượng lớn các vi xử lý hoạt động song song, mỗi vi xử lý sẽ chứa đựng 1 vùng kiến thức nhất định và cơ bản. Tuy nhiên thì chúng ko nhất thiết phải là 1 phần cứng mà có thể là 1 phần mềm và giải thuật. Nếu ví hệ thần kinh nhân tạo như não người thì mỗi neuron thần kinh sẽ được coi 1 node. Mỗi 1 máy tính trong hệ thần kinh nhân tạo sẽ là 1 node và được kết nối với nhau trong một mạng lưới lớn giống các neuron thần kinh của con người. Bản thân mỗi node này chỉ trả lời được những câu hỏi hết sức cơ bản, tuy nhiên khi ta gộp chung những node này lại với nhau thì chúng lại có sức mạnh có thể xử lý được cả những task vụ rất khó. Và điều quan trọng ở đây là nếu ta sử dụng những giải thuật và thuật toán hợp lý thì chúng ta có thể dạy và huấn luận được chúng.

DL bao gồm các lớp xử lý tín hiệu đầu vào, các tín hiệu sẽ được chuyển đến các lớp tiếp theo và cứ thế cho đến khi tới được lớp xử lý tín hiệu đầu ra. Trong DL thì ko có 1 node nào chịu trách nhiệm xử lý toàn bộ tính toán, quá trình tính toán sẽ được xử lý trên toàn bộ mạng lưới.

Với 1 lượng dữ liệu học càng nhiều và thời gian học càng lâu thì hệ thống sẽ càng tăng cao khả năng nhận dạng đối tượng, không những thế chúng còn có thể học thêm được những đặc điểm mới của đối tượng và dùng nó để suy luận khi cần. Tuy nhiên là chúng ta phải chấp nhận việc nhận được kết quả từ hệ thống AI mà ko biết rõ được lý do tại sao lại ra kết quả như vậy.

G. Cách AI hiểu và tương tác với con người

Đối với những hệ thống thông minh để có thể cộng tác được với con người trong công việc thì chúng phải cần khả năng hiểu và giao tiếp lại với con người theo cách mà con người hiểu được.

Phép thử Turing là 1 bài kiểm tra trí thông minh nhân tạo về việc giao tiếp bằng ngôn ngữ tự nhiên: 1 người A sẽ thực hiện việc giao tiếp với 1 người B và 1 máy C. 3 bên được cách ly nhau và được giao tiếp thông qua 1 bàn phím và 1 màn hình. Nếu máy C làm cho người A tưởng rằng họ đang chat với con người thì máy đó vượt qua phép thử. Phép thử Turing có thể được coi là tiêu chuẩn vàng.

Tuy nhiên thì bài kiểm tra Turing không phải là tất cả, điển hình như siri có vẻ như là giao tiếp tốt với con người nhưng khả năng cộng tác của nó với con người gần như là ko có nó chỉ dừng lại ở việc trở thành trợ lý ảo, ví dụ như: nó chỉ giúp ta đặt lịch cắt tóc theo setup của con ng yêu cầu bằng việc đặt giờ ngày và đến lúc đó thì kêu tít tít tít, tuy nhiên nó lại không thể giúp con ng tự gọi điện đặt lịch cắt với tiệm cắt tóc được.

Mục tiêu của các “hệ thống hiểu ngôn ngữ tự nhiên” (Natural Language Understanding – NLU là subtopic của NLP) đó là chúng phải hiểu được các từ, các câu, các đoạn văn dài. Trong AI thì NLU là 1 trong những phần khó nhất vì nó liên quan đến việc phải hiểu ý nghĩa của ngôn ngữ tự nhiên – Công cụ  hoàn hảo nhất của tư duy và giao tiếp.

Các hệ thống xử lý ngôn ngữ tự nhiên (Natural Language Processing – NLP) chỉ tập trung vào việc trích xuất thông tin hơn là hiểu cả mối quan hệ giữa các phần thông tin đó. Ví dụ như Siri: khi ta nói “tôi cần đặt lịch đi cắt tóc vào 10h ngày mai” thì lúc đó hệ thống chỉ cần hiểu 1 số thông tin như đặt lịch, thời gian là 10h ngày mai, nội dung là cắt tóc … chứ chúng không cần phải hiểu quá sâu xa bởi vì thực tế chúng không thể nào đặt cho ta được 1 lịch cắt tóc cụ thể như gọi điện thoại cho salon tóc nào đó rồi đặt lịch hẹn ngày giờ cụ thể rồi báo lại với con người khi đến giờ hẹn. Tuy nhiên thời gian gần đây GG mới giới thiệu 1 siêu trợ lý là GG Duplex có khả năng nói chuyện với con người như 1 người bình thường, tuy nhiên việc này vẫn chưa được kiểm chứng cụ thể.

 

Các bước xử lý của hệ thống hiểu ngôn ngữ tự nhiên (NLP):

  • Phân tích hình thái: Bước này sẽ phân tích từng từ và các ký tự không phải là chữ (vd: các dấu câu) sẽ được tách ra khỏi các từ. Mỗi từ được phân cách nhau bằng dấu cách (theo tiếng anh và nhiều ngôn ngữ khác)
  • Phân tích cú pháp: Các từ sau khi phân tích sẽ được biến đổi thành các cấu trúc thể hiện sự liên kết giữa các từ này với nhau. Tuy nhiên không phải dãy từ nào cũng được chấp nhận, chúng còn phụ thuộc vào việc có vi phạm các luật văn phạm hay không.
  • Phân tích ngữ nghĩa: Các mẫu câu sau khi được tạo ra ở bước phân tích cú pháp sẽ được bổ sung thêm ngữ nghĩa của câu.
  • Tích hợp văn bản: Sau khi bổ sung ngữ nghĩa, các đoạn văn được ghép với nhau, tuy nhiên ngữ nghĩa của đoạn văn có thể sẽ phụ thuộc vào câu đứng trước đồng thời cũng có thể ảnh hưởng đến các câu phía sau.
  • Phân tích thực nghĩa: Sau khi đã được ghép thành đoạn văn hoàn chỉnh, thì hệ thống sẽ thực hiện phân tích và dịch lại cả đoạn văn xem nó thực sự có ý nghĩa hay không.

Ví dụ về NLP: Hệ thống nhận dạng tiếng nói của google board, tự động nhận dạng tiếng nói tự nhiên của con người và chuyển thể thành văn bản mà không cần phải gõ tay.

Hệ thống phát sinh ngôn ngữ tự nhiên (Natural Language Generation – NLG là 1 nhiệm vụ của NLP) là hệ thống có nhiệm vụ là sinh ra ngôn ngữ tự nhiên từ hệ thống máy tính thông minh nhân tạo. Chúng khác với NLU và NLP ở chỗ là hệ thống NLG được kiểm soát và rõ ràng về điều muốn diễn đạt thay vì 1 đoạn văn tùy ý, những đoạn văn được sinh ra dựa vào khả năng hiểu biết của AI và những thứ mà AI có thể làm được. Ví dụ: Các phản hồi từ siri ở mức giới hạn những thứ mà chúng có thể làm được để trả lời câu hỏi của con người. ví dụ như chúng sẽ chỉ hiểu được việc đặt lịch hẹn đơn giản là setup 1 lịch vào hệ thống và báo lại cho con người bằng ngôn ngữ tự nhiên rằng “tôi đã đặt lịch thành công cho bạn” chứ chúng sẽ không thể giỏi đến mức như hỏi ta rằng thích đặt ở đâu, hay việc đưa ra 1 vài gợi ý về các salon đang hot chả hạn.

Một trong những ứng dụng quan trọng của NLG đó là tạo ra những báo cáo, hoặc diễn giải, phân tích những thông tin trực quan như bảng biểu bằng ngôn ngữ dễ hiểu.

H. Ứng dụng vào Ohze

Hiện tại chúng ta đang có 1 lượng lớn data các ván chơi của các game, phát triển 1 con bot có khả năng nhận dạng các ván bài đánh cặp, bơm bài để giảm thiểu công việc của các Mod.

Phát triển bot tự động đánh khi người chơi bị mất mạng ko thể tham gia được.

Phát triển bot tự động đánh theo hướng tạo ra nhiều bot chơi ở các phòng khách nhau => tạo ra số lượng người chơi ảo khiến khách hàng mới khi tham gia game sẽ thấy ồ game này đông ng vãi. rồi họ tin tưởng họ chơi. Có những bot khi đạt trình độ cao có thể đánh những nước bài cao tay => ng chơi họ thấy sướng vì tưởng rằng được chơi với cao thủ :)). Đến 1 thời điểm khi đông ng chơi rồi thì sẽ giảm dần bot.

 

9 thoughts on “Cơ bản về AI cho người mới tìm hiểu

  1. Đào Tuấn

    Cảm ơn Dũng có buổi chia sẻ về những khái niệm về AI. Với mục đích là cho những người không phải là những người có chuyên môn có thể hiểu được (như là anh), thì Dũng đã đạt được một phần.

    1. Để có buổi trình bày này anh nghĩ Dũng cũng đã đầu tư tìm hiểu nghiên cứu khá nhiều. Anh đánh giá rất cao ở điểm này. Nếu chấm điểm anh sẽ chấm 9/10.
    2. Chủ đề: Cũng là một chủ đề hot nhiều người muốn tìm hiểu. Nếu chấm điểm về chọn chủ đề anh sẽ cho 9/10. Sẽ là 10/10 nếu chủ đề đó sẽ ứng dụng vào Ohze như thế nào? (ở mức cụ thể hơn).

  2. Đào Tuấn

    3 Về nội dung tức các mục (chủ đề) có nhiều. Nhưng không làm cho người nghe hiểu được còn những chủ đề nào nữa không? Tức là người nghe sẽ khó nắm được cái tổng quan. Chấm diểm 7/10

    4. Về cách trình bày điểm này chưa tốt. Nhưng nó là cái có thể cải thiện được. Anh chấm điểm 4/10.
    5. Nếu có buổi tiếp theo mình sẽ tham gia.
  3. Đào Tuấn

    6. Những góp ý để buổi sau làm được tốt hơn.

    – Người nghe thường nhớ lâu bằng hình ảnh hơn. Nên trong buổi trình bày nên chủ yếu bằng hình ảnh chứ đừng bằng text. Text để đọc thôi, không để trình bày.
    – Vào bắt đầu buổi trình bày: Thay vì đưa ra khái niệm, thì minh họa bằng một số AI đã có? Rồi sau đó hỏi thì hay hơn?
    – Nội dung: Vì là buổi giới thiệu, nên chỉ đưa ra gạch đầu dòng rồi. Sau đó đi vào 1 cái gì đó (chỉ 1 thôi) sâu hơn.
    – Cuối buổi: Nên tóm tắt lại những gì mình vừa trình bày. Và ngoài hỏi xem người nghe có câu hỏi gì không thì mình cũng nên đặt câu hỏi để người nghe trả lời.
  4. Tiến Dũng

    Rất rất cám ơn những góp ý của anh Tuấn. Buổi trình bày tới em sẽ cố gắng tìm cách khắc phục những điều anh nêu lên. Có thể là ko hết được nhưng sẽ cố gắng cải thiện dần dần.

  5. Quyết

    Hay quá anh ạ 😆 Bài viết chứa các thông tin hữu ích, giúp em có nhiều kiến thức về AI cũng như hiểu đúng, hiểu rõ hơn về công nghệ tiềm năng này. Các ứng dụng anh đưa ra cho Ohze rất thiết thực, làm em cảm thấy có động lực để bắt tay vào triển khai. Khâm phục sư phụ 🤗

  6. Nguyễn Thế Linh
    Nguyễn Thế Linh

    Đồng ý với các ý kiến của anh Tuấn, em hi vọng anh Dũng sẽ tiếp tục đi sau tìm hiểu về chủ đề này, lên được 1 kế hoạch và triển khai thực hiện nó trong tương lai.
    Em cho điểm 7/10.

Leave a Reply