1 bài giảng chương 1 buổi 1 buổi 2

AI LÀ GÌ? – TỪ TRÍ TUỆ CON NGƯỜI ĐẾN TRÍ TUỆ MÁY

CHƯƠNG 1

MỤC TIÊU CHƯƠNG 1

1 Về kiến thức:

Giúp người học định nghĩa, phân biệt và trình bày được thế nào là trí tuệ nhân tạo AI

2 Về kỹ năng:

 Người học tìm hiểu và nghiên cứu ứng dụng trong AI

 Lên kế hoạch học tập, tóm tắt tài liệu.

 Học mọi nơi, mọi lúc cùng trợ lý học tập AI, hoặc với chatGPT

 Sử dụng một số công cụ AI phổ biến: Hỏi, đáp kiến thức, viết bài luận, sửa lỗi ngữ

pháp trong từng câu chữ - Grammarly

1.1 ĐỊNH NGHĨA TRÍ TUỆ NHÂN TẠO

(Artificial Intelligence - AI)

- Định nghĩa trí tuệ nhân tạo (Artificial Intelligence – AI) một

cách đơn giản là khả năng của máy tính “bắt chước” trí thông minh của con người để thực hiện các công việc như:

+ Hiểu ngôn ngữ và làm theo yêu cầu của con người;

+ Nhận biết hình ảnh, âm thanh; ra quyết định; giải các bài toán; giao tiếp với con người, …

- Nói cách khác, AI là máy “biết suy nghĩ” hoặc “hành động

thông minh” giống con người, (dù thực ra nó chỉ xử lý dữ liệu rất nhanh theo một “logic” mà con người đã “dạy” nó trước.

1.2 CÁC CỘT MỐC QUAN TRỌNG CỦA AI

(1)

- AI không phải là “công nghệ của tương lai”, mà là hành trình đã bắt đầu từ quá khứ khá lâu

Các mốc chính lịch sử của AI

1950 – Câu hỏi “Liệu máy có thể suy nghĩ được không?”

- Alan Turing, nhà toán học người Anh, người đã đưa ra mô hình “máy Turing” được coi là

“ông tổ” của máy tính, đặt câu hỏi “Máy móc có thể suy nghĩ được không?”

- Ông đưa ra bài kiểm tra máy, gọi là “Turing Test” – kiểm tra xem máy có thể bắt chiếc cách

giao tiếp của con người được không và ông khẳng định là có.

- Ông là người đã đặt nền móng cho việc ra đời trí tuệ nhân tạo!

1956 – AI chính thức được “đặt tên”

1.2 CÁC CỘT MỐC QUAN TRỌNG CỦA AI

(2)

1970 – Thời kỳ “Mùa đông của AI”

- Hội thảo tại Dartmouth (Mỹ) – lần đầu tiên cụm từ Artificical Intelligence (AI) được

sử dụng

1970 – Thời kỳ mùa đông AI.

- Do máy tính lúc đó chưa đạt chuẩn (tốc độ, không gian lưu trữ,…) và thuật toán về

“cách dạy” cho máy chưa hoàn chỉnh, nên AI không đạt được như kỳ vọng.

- Thời gian đó gọi là mùa đông AI (AI Winter).

1997 – Máy tính thắng kiện tướng cờ vua.

- Máy tính Deep blue của IBM đánh bại huyền thoại Garry Kasparov trong cờ vua

- Như vậy, máy đã có thể “tư duy” không kém con người!

1.2 CÁC CỘT MỐC QUAN TRỌNG CỦA AI

(3)

2011 - Siri ra đời.

- Apple giới thiệu trợ lý ảo Siri Tên Siri được Dag Kittlaus (người Na Uy) đặt tên

cho trợ lý ảo Trong tiếng Nay Uy, Siri viết tắt của Sigrid (chiến thắng).

- Phần mềm trí tuệ nhân tạo AI đó (trợ lý ảo Siri) đã làm được khá nhiều công việc

theo “cung cách” của con người cụ thể:

+ Cho phép bạn “nói chuyện” với điện thoại.

+ Gọi điện nhắn tin cho người có trong Danh bạ.

+ Đặt báo thức, hẹn giờ, lịch nhắc nhở.

+ Tìm kiếm thông tin trên Web.

+ Chỉ đường bằng Apple Maps.

+ Phát nhạc, podcasd, kiểm tra thời tiết, tin tức, …

1.2 CÁC CỘT MỐC QUAN TRỌNG CỦA AI

(4)

2016 - AlphaGo thắng cao thủ cờ vây.

- AlphaGo của Google Deepmind đáng bại Lee Sedol, nhà vô địch cờ vây.

- Cờ vây khó hơn cờ vua rất nhiều, điều đó chứng minh rằng AI có thể “xử lý” được các tình huống phức tạp.

2022 - ChatGPT ra mắt, tạo nên “cơn sốt” toàn cầu.

- ChatGPT Là một mô hình AI có khả năng trò chuyện, viết bài giải thích, sáng tạo nội dung như con người.

- Một tuần sau khi ra mắt, đã có hơn một triệu người dùng nhanh hơn cả Facebook

Nói dễ hiểu: Máy tính “học” giống như con người học từ kinh nghiệm

Nó “xem” rất nhiều ví dụ, từ đó rút ra quy luật, rồi áp dụng để xử lý cho tình huống mới

1.3 HỌC MÁY ML – Machine Learning (2)

1 Máy không có mắt, nhưng nó “nhìn” và “thấy” bằng số

- Khi nhìn bức ảnh con mèo: Bạn thấy tai, lông, mắt, biểu cảm, vì bạn có mắt và não phân tích hình ảnh

Máy thì không “nhìn” như vậy (như con người)

1.3 HỌC MÁY ML – Machine Learning (3)

2 Tại sao máy không có “TAI”, nhưng máy lại “NGHE” được?

Cách người nghe âm thanh:Tai nhận rung động không khí → Não

phân tích và hiểu lời nói.

Cách máy “nghe” âm thanh.

- Máy không có tai, nhưng có bộ phận ghi lại âm thanh (microphone).

- Chuyển âm thanh thành tín hiệu số: Máy xử lý tín hiệu âm thanh

dưới dạng số, không phải nghe như con người.

1.3 HỌC MÁY ML – Machine Learning (4)

3 Máy không có tư duy, sao máy lại “HỌC” và quyết định được đúng sai?

- Máy không có tư duy như con người: Máy không có trí tưởng tượng hay tư duy

như con người, nhưng có thuật toán để học: Quá trình máy học Máy thử kết

quả giống như đoán đáp án câu hỏi trắc nghiệm So sánh kết quả với đáp án đúng.

Tính đúng hay sai:

◦ Đúng: Máy biết kết quả chính xác.

◦ Sai: Máy điều chỉnh lại cách đoán.

- Máy học qua tối ưu sai số: Máy lặp lại quá trình này nhiều lần, học từ sai lầm

cho đến khi đúng.

1.3 HỌC MÁY ML – Machine Learning (5)

4 Máy không “có trí tuệ” theo kiểu như con người, nhưng nhờ “tính toán và so sánh” nó vẫn kết luận được một vấn đề nào đó là đúng hay sai

1.3 HỌC MÁY ML – Machine Learning (6)

Ví dụ: Nhận diện ảnh con mèo.

- Cách máy học nhận diện ảnh con mèo:

1 Dữ liệu đầu vào: Máy “xem” 1.000 ảnh con mèo và 1.000 ảnh không phải

mèo

2 Máy học đặc điểm chung của ảnh con mèo:

- Tai tam giác, mắt to xanh, râu, lông mềm

3 Kết quả học: Sau khi học, máy sẽ nhận diện được đặc điểm chung của

mèo

Máy dự đoán: Khi đưa máy vào ảnh mới, máy sẽ đoán: “Đây có phải là ảnh

con mèo không?”

1.3 HỌC MÁY ML – Machine Learning (7)

Tạo đồ họa thông tin giáo dục bằng tiếng Việt minh họa học máy có giám sát và bán giám sát.

Đối với việc học có giám sát

Hiển thị logic từng bước bằng cách sử dụng các loại trái cây đầy màu sắc (táo và cam).

Bước 1: Hình ảnh quả táo đỏ và quả cam có chữ tiếng Việt:

“1 Học máy có giám sát là gì?”

Bước 2: Hiển thị logic quyết định đơn giản như:

“Nếu màu đỏ: có thể là táo”

“Nếu cam màu: có thể là cam”

Bước 3: Hiển thị một loại trái cây mới có tính chất và dự đoán:

“Nặng 155g, màu đỏ → Máy đoán: Táo”

“Nặng 165g, cam màu → Máy mong đợi: Cam”

Đối với học bán giám sát:

Phong cách: thiết kế phẳng hoặc hoạt hình, màu sắc tươi sáng, bố cục đơn giản, phù hợp với học trực tuyến tiếng Việt Chữ viết phải rõ ràng và được

nhúng vào hình ảnh Sử dụng phông chữ tiếng Việt.

1.3 HỌC MÁY ML – Machine Learning (8)

Ví dụ 2: Gmail lọc thư rác

Gmail “xem” hàng triệu email và học mẫu:

+ Email nào thường bị đánh dấu là thư rác (spam)

+ Email nào là bình thường.

Từ đó, khi bạn nhận email mới, Gmail sẽ tự động đoán xem có phải thư rác không

1.3.1 HỌC MÁY CÓ GIÁM SÁT (1)

- Định nghĩa: Học máy có giám sát là cách máy tính học từ dữ liệu đã

có sẵn câu trả lời đúng mà con người đưa ra

- Ví dụ: Phân biệt Táo và Cam: Bạn muốn dạy máy phân biệt giữa

Táo và Cam

- Bước 1: Bạn cho máy học từ bảng dữ liệu sau:

1.3.1 HỌC MÁY CÓ GIÁM SÁT (2)

Đây là học có giám sát, vì mỗi dòng dữ liệu

đều có nhãn (đáp án đúng): “Táo” hay “Cam”

Bước 2: Máy học được quy luật:

Nếu màu đỏ: có thể là táo

Nếu màu cam: có thể là cam

Bước 3: Bạn đưa quả mới:

Nặng 155g, màu đỏ, máy đoán: Táo

Nặng 165g, màu cam, Máy đoán: Cam

1.3.2 HỌC MÁY KHÔNG GIÁM SÁT (1)

- Định nghĩa: Học máy không giám sát là kiểu máy tính học từ

dữ liệu chưa có câu trả lời đúng (dữ liệu không gắn nhãn)

- Ví dụ: Siêu thị muốn phân nhóm khách hàng

Bạn có dữ liệu mua hàng của 10.000 khách hàng, nhưng không biết ai

thuộc nhóm nào (khách VIP, khách thường, hay khách chỉ mua theo khuyến mãi)

1.3.2 HỌC MÁY KHÔNG GIÁM SÁT (2)

- Dữ liệu đầu vào có thể gồm: Số lần mua hàng mỗi tháng:

+ Tổng tiền chi tiêu

+ Thời gian trung bình giữa 2 lần mua

+ Có hay không mua hàng khuyến mãi

- Máy sẽ làm gì?

- Bạn dùng học máy không giám sát để tự động phân nhóm khách hàng

- Máy không biết trước nhóm nào là gì, nhưng sẽ tìm ra những nhóm khách

hàng có hành vi giống nhau

- Kết quả có thể là:

Nhóm 1: Khách VIP Mua thường xuyên, chi tiêu cao

Nhóm 2: Khách săn khuyến mãi Mua ít, chỉ chọn sản phẩm giảm giá Nhóm 3: Khách không ổn định Mua thất thường, lúc nhiều lúc ít

1.3.3 HỌC MÁY BÁN GIÁM SÁT (1)

- Định nghĩa: Học bán giám sát: kết hợp cả hai - dùng một ít dữ liệu có nhãn +

nhiều dữ liệu không có nhãn để dạy máy học thông minh hơn

- Ví dụ: Cô giáo dạy học sinh nhận dạng con vật Cô giáo có 40 bức hình (6 có

nhãn “chó” và “mèo”, 34 không nhãn)

Học sinh sẽ học từ 6 hình có nhãn và suy luận để phân loại 34 bức hình không

nhãn còn lại

Tại sao học máy bán giám sát lại rất quan trọng?

- Tiết kiệm chi phí gắn nhãn (vì gắn nhãn thủ công rất tốn tiền, nhất là dữ liệu y

tế, sản phẩm từ nhà máy )

- Tận dụng được nhiều dữ liệu chưa phân loại sẵn

1.3.3 HỌC MÁY BÁN GIÁM SÁT (2)

- Hiệu quả cao hơn, công sức ít vì chỉ dùng ít dữ liệu có nhãn.

3 Ứng dụng thực tế của bán giám sát.

1.3.3 HỌC MÁY BÁN GIÁM SÁT (3)

Tóm lại:

Học có giám sát: học từ dữ liệu đã được gắn nhãn rõ ràng.

Học không giám sát: học từ dữ liệu không có nhãn.

Học bán giám sát: kết hợp cả hai – dùng một ít dữ liệu có nhãn +

nhiều dữ liệu không có nhãn để dạy máy học thông minh hơn.

1.3.4 HỌC TĂNG CƯỜNG

- Định nghĩa: Học tăng cường là cách máy học thông qua: “thử: đúng thì

thưởng, sai thì phạt” Máy không được dạy trước cách làm, mà nó tự

học bằng cách tự tương tác, rồi rút kinh nghiệm từ kết quả tương tác đó, dần dần rút ra được “kiến thức” qua số lần thưởng và phạt đó

1.4 HỌC SÂU – DEEP LEARNING (1)

Học sâu giống như bộ não nhân tạo có nhiều lớp suy nghĩ Nó học

từ dữ liệu, rút ra đặc điểm, và tự tạo ra quy luật mà không cần con

người chỉ ra từng bước.

- Cấu trúc “nhiều lớp” là gì? Mỗi lớp như một tầng tư duy

+ Lớp đầu nhận dữ liệu thô.

+ Lớp giữa dung để trích rút đặc trưng (features).

+ Lớp sau ra quyết định (kết quả).

- Càng nhiều lớp, càng “sâu”, càng mạnh mẽ!

- Vì thế mới gọi là “học sâu”.

1.4 HỌC SÂU – DEEP LEARNING (2)

Học sâu là nhánh nhỏ của học máy – ML

Chia 3 loại:

+ Loại 1: dữ liệu dạng số và bảng.

+ Loại 2: dữ liệu thuộc về ảnh và video.

+ Loại 3: dữ liệu thuộc về văn bản và âm thanh.

Chia 3 mô hình:

+ Mô hình 1: tên ANN – Artificial Neural Netwok dung để tập huấn ứng với dữ liệu 1.

+ Mô hình 2: tên CNN – Convolutional Neural Netwok dung để tập huấn ứng với dữ liệu 2.

+ Mô hình 3: tên RNN – Recurrent Neural Netwok dung để tập huấn ứng với dữ liệu 3.

1.4.1 MẠNG ANN – Artificial Neural Network

- Mạng nơ-ron nhân tạo, là mô hình toán học được lấy cảm hứng

từ cách hoạt động của nào người, gồm nhiều “nơ-ron nhân tạo” kết nối với nhau để sử lý thông tin.

- ANN là nền tảng của nhiều phương pháp học máy - ML và học sâu – DL hiện nay.

1.4.1.1 CẤU TRÚC CƠ BẢN

CỦA ANN

- ANN gồm 3 loại tầng chính:

+ Tầng đầu vào (input layer): nhận dữ liệu thô từ bên ngoài.

+ Tầng ẩn (hidden layer): là nơi diễn ra quá trình học Gồm xử lý thông tin qua các phép tính toán.

+ Tầng đầu ra (output layer): trả kết quả cuối cùng.

- Trả kết quả cuối cùng.

- Sau đây là Sơ đồ tổng quát của mạng ANN.

1.4.1.2 MẠNG ANN HOẠT ĐỘNG

NHƯ THẾ NÀO (1)

1 Lan truyền xuôi (Forward propagation)

- Giới thiệu, ví dụ làm bánh

Vậy lan truyền xuôi là gì?

+ Nguyên liệu đầu vào, đi qua từng bước xử lý, tạo ra chiếc bánh hoàn chỉnh.+ Ở mỗi bước, ban không thể thay đổi công thức, chỉ thực hiện theo quy định

đã có

+ Không biết bánh ngon hay dở cho tới khi cho ra thành phẩm

- Lan truyền xuôi là quá trình lấy dữ liệu đầu vào, lần lượt “xử lý” qua từng

lớp, để cho ra kết quả cuối cùng

1.4.1.2 MẠNG ANN HOẠT ĐỘNG

NHƯ THẾ NÀO (2)

2 Lan truyền ngược (Backpropagation).

- Ví dụ về thợ dạy làm bánh và cải thiện công thức làm bánh.

Lần đầu làm bánh: thợ dung công thức hiện có: 300gr bột, 100gr

đường và 100ml sữa, … làm xong kết quả: bánh quá ngọt và khô quá.

- Bạn mến thử: “bánh này lệch vị tiêu chuẩn, cần giảm đường và tăng sữa”

- Bạn quay ngược lại từng bước đã làm: xem lại ở bước nào cho

đường bao nhiêu, bước nào cho sữa bao nhiêu, rồi điều chỉnh từng

chút một nguyên liệu để lần sau là ngon hơn

1.4.1.3 LỊCH SỬ RA ĐỜI CỦA ANN (1)

1 Giai đoạn hình thành ý tưởng (1940 – 1950)

- 1943: McCulloch Pitts, hai tác giả công bố mô hình nơ-ron nhân tạo đầu tiên

Họ mô phỏng nơ-ron đơn giản bằng toán học, với đầu vào là số nhị phân và kết

quả cũng là số nhị phân

Đây là nền tảng cho logic học và mạng nơ-ron hiện đại sau này

- 1949: Donald Hebb, đưa ra nguyên lý học Hebbian trong cuốn sách “The

Organization of Behavior”

Theo đó, “các nơ-ron nào kích hoạt cùng nhau thì sẽ tăng cường kết nối với

nhau”, đây là nguyên lý cơ bản cho học máy không giám sát

1.4.1.3 LỊCH SỬ RA ĐỜI CỦA ANN (2)

2 Thời kỳ sơ khai (1950 – 1960)

- 1958: Frank Rosenblatt phát triển Perceptron, đây là một thuật toán học máy

đơn giản có thể phân loại dữ liệu tuyến tính Đây được xem là mô hình mạng

nơ-ron một lớp đầu tiên có khả năng học

- 1960: Mô hình Adaline và Madaline Hai tác giả Bernard Widrow và Marcian

Hoff phát triển ADALINE và MADALINE, đây là các mô hình mạng nơ-ron

tuyến tính có thể được huấn luyện bằng cách tối ưu hoá sai số

3 Giai đoạn khủng hoảng ( 1970 – 1980)

- 1969: Hai tác giả Minsky và Papert

1.4.1.3 LỊCH SỬ RA ĐỜI CỦA ANN (3)

- Cuốn “Perceptrons” của Marvin Minsky và Seymour Papert chỉ ra rằng

Perceptron không thể giải quyết các bài toán phi tuyến tình Điều này làm cộng

đồng mất niềm tin vào ANN trong một thời gian dài, gọi là “mùa đông mạng

nơ-ron”

4 Sự hồi sinh nhờ mạng nhiều lớp (1980 – 1990)

- 1986: Thuật toán lan truyền ngược (Backpropagation):

- Ba tác giả Geoffrey Hinton, David Rumelhart và Ronald Williams tái khám

phá và phổ biến thuật toán Backpropagation, cho phép huấn luyện mạng nơ-ron

nhiều lớp (Multi-layer Perceptron) Điều này mở ra một kỷ nguyên mới cho

ANN

1.4.1.3 LỊCH SỬ RA ĐỜI CỦA ANN (4)

5 Kỷ nguyên học sâu (Deep Learning) từ 2006 đến nay.

- 2006: Mạng nơ-ron sâu (Deep Neural Network – DNN)

- Tác giả Geoffrey Hinton và đồng nghiệp của ông giới thiệu cách huấn luyện mạng nơ-ron sâu bằng cách “tiền huấn luyện từng lớp” (layer-wise pretraining) Đây là bước đột phá cho Deep Learning

- 2012: AlexNet

- Nhóm của Hinton (Alex Krizhevsky, Ilya Sutskever, Geoffry Hinton) chiến

thắng cuộc thi ImageNet bằng mạng AlexNet, làm bùng nổ cuộc cách mạng Deep Learning

- Sau 2012 ba mô hình CNN, RNN, Transformeres ra đời (Sẽ nói ở phần sau)

1.4.2 MẠNG CNN – Covolustion Neural Network - Mạng nơ-ron tích chập (1)

- Định nghĩa: Mạng CNN được thiết kế (cũng theo kiến trúc mạng Nơ

ron) để “nhìn” và “hiểu” hình ảnh, giống như con người nhìn và nhận ra

đồ vật, khuôn mặt, chữ viết (bằng mắt)

- CNN là một loại mạng nơ-ron nhân tạo đặc biệt, rất hiệu quả trong việc

sử lý dữ liệu có cấu trúc lưới, như hình ảnh (lưới các điểm ảnh – pixels)

- Mạng CNN thường được dùng trong các bài toán như:

+ Nhận diện hình ảnh + Phân loại hình ảnh

+ Phát hiện vật thể + Nhận diện khuôn mặt + Nhận diện chữ viết tay

1.4.2 MẠNG CNN – Covolustion Neural Network (2)

- Vì nó dùng để nhận diện hình ảnh, phân loại hình ảnh, phát hiện vật thể, nhận diện khuôn mặt, nhận diện chữ viết tay nên ngoaih ba lớp chính như ANN, nó còn có thêm các lớp khác Mô hình được mô tả như sau:

1 Lớp vào (input layer)

2 Các lớp ẩn (hidden layers)

- Lớp tích chập (Convolutional layer – CL): Tích cóp và chập lại Lớp CL dùng để làm gì? Trích xuất đặc trưng (features) từ ảnh đầu vào bằng các bộ lọc Giúp phát hiện các đặc điểm như cạnh, góc, kết cấu, …

1.4.2 MẠNG CNN – Covolustion Neural Network (3)

- Lớp phi tuyến (Activation layer): giúp mạng học các mối quan

hệ phức tạp.

- Lớp gộp (Pooling layer): Giảm chiều dữ liệu, giảm số lượng

tham gia, làm tăng khả năng khái quát.

- Lớp chuẩn hoá: Giúp cải thiện hiệu xuất.

- Lớp kết nối đầy đủ (Fully connected layer): Giống như mạng nơ-ron thường, giúp tổng hợp các đặc trưng để đưa ra quyết định.

1.4.2 MẠNG CNN – Covolustion Neural Network (4)

1.4.2.1 LỚP TÍCH CHẬP Convolutional Layer – CL (1)

Lớp tích chập – CL là Lớp ẩn, nghĩa là bất kỳ lớp nào nằm giữa lớp đầu vào và

lớp đầu ra trong một mạng nơ-ron đều gọi là lớp ẩn.

Trong nhận dạng con người (nhận dạng con người là vấn đề rất quan trọng trong lĩnh vực AI) Có 10 đối tượng và nét đặc trưng của nó như sau:

1 Khuôn mặt, đặc trưng cụ thể: khoảng cách giữa các bộ phận (giữa hai mắt, mũi-miệng, trán-cằm), tỷ lệ chiều dài-rộng khuôn mặt, góc cạnh của hàm-trán, và các đặc trưng trìu tượng do CL (CNN) học được

2 Vân tay Đặc trưng cụ thể: Chi tiết điểm: chỗ nhánh, chỗ kết thúc của đường vân Vị trí hướng của từng chi tiết

1.4.2.1 LỚP TÍCH CHẬP Convolutional Layer – CL (2)

Hình thù: vòng xoáy, vòm, hình thù của vòng cung Số đường vân giữa các chi tiết điểm Một mẫu vân tay có thể trích xuất khoảng 40-60 đặc trưng dung để so khớp.

3 Mống mắt Đặc trưng cụ thể: Cấu trúc vân mống mắt Dạng lồi, lõm, tia vòng tròn, sắc

tố Dùng các đặc trưng của mống mắt, có thể nhận dạng đạt độ chính xác cực cao (>99%).

4 Võng mạc Đặc trưng cụ thể: Bản đồ mạch máu phía sau võng mạc Góc chia nhánh, độ cong, vị trí giao nhau giữa các mạch máu Rất khó giả mạo và gần như không thay đổi

theo thời gian.

5 Tai Đặc trưng cụ thể: đường viền tai ngoài Tỷ lệ các phần tai, hình dạng và vị trí xoán tai Dạng hình học tổng thể của tai Đặc trưng bền vững theo thời gian, ảnh hưởng ít bởi tuổi tác.

1.4.2.1 LỚP TÍCH CHẬP Convolutional Layer – CL (3)

6 Lòng bàn tay Đặc trưng cụ thể: đường chỉ tay chính, vân tay Vân da và cấu trúc điểm chi tiết Kết cấu bề mặt lòng bàn tay Hình dạng tổng thể và tỷ lệ bàn tay

7 Chữ ký tay Đặc trưng cụ thể: dáng chữ, chiều cao, nét viết Thứ tự các nét, tốc độ và áp lực khi ký Góc nghiêng, độ rung của nét Được chia thành: Tĩnh: hình ảnh chữ ký (dễ giả) và Động: Dữ liệu hành vi (khó giả mạo hơn)

8 Dáng đi Đặc trưng cụ thể: Chu kỳ bước chân, độ dài sải chân Góc gập đầu gối và độ lệch thân người Cách vung tay, tư thế đầu khi đi Phân tích từ video, thường dùng cho giám sát từ xa