Công nghệ AI là gì?

Câu trả lời ngắn gọn: Công nghệ AI là một tập hợp các phương pháp cho phép máy tính học hỏi từ dữ liệu, phát hiện các mẫu, hiểu hoặc tạo ra ngôn ngữ và hỗ trợ ra quyết định. Nó thường bao gồm việc huấn luyện một mô hình dựa trên các ví dụ và sau đó áp dụng mô hình đó để đưa ra dự đoán hoặc tạo nội dung; khi thế giới thay đổi, nó đòi hỏi phải giám sát liên tục và huấn luyện lại định kỳ.

Những điểm chính cần ghi nhớ:

Định nghĩa : Hệ thống trí tuệ nhân tạo (AI) suy luận các dự đoán, khuyến nghị hoặc quyết định từ các dữ liệu đầu vào phức tạp.

Các năng lực cốt lõi : Học tập, nhận dạng mẫu, ngôn ngữ, tri giác và hỗ trợ ra quyết định tạo thành nền tảng.

Công nghệ sử dụng : Học máy (ML), học sâu (deep learning), xử lý ngôn ngữ tự nhiên (NLP), thị giác máy tính (vision vision), học tăng cường (RL) và trí tuệ nhân tạo tạo sinh (generative AI) thường được kết hợp với nhau.

Vòng đời : Đào tạo, kiểm định, triển khai, sau đó giám sát sự thay đổi và suy giảm hiệu năng.

Quản trị : Sử dụng các biện pháp kiểm tra tính khách quan, sự giám sát của con người, các biện pháp kiểm soát quyền riêng tư/bảo mật và trách nhiệm giải trình rõ ràng.

Những bài viết bạn có thể muốn đọc sau bài này:

🔗 Cách kiểm thử các mô hình AI
Các phương pháp thực tiễn để đánh giá độ chính xác, sai lệch, độ bền vững và hiệu suất.

🔗 AI là viết tắt của từ gì?
Giải thích đơn giản về ý nghĩa của trí tuệ nhân tạo (AI) và những hiểu lầm thường gặp.

🔗 Cách sử dụng AI để tạo nội dung
Sử dụng AI để lên ý tưởng, soạn thảo, chỉnh sửa và mở rộng quy mô nội dung.

🔗 Liệu trí tuệ nhân tạo có bị thổi phồng quá mức?
Cái nhìn khách quan về những lời hứa, hạn chế và kết quả thực tiễn của trí tuệ nhân tạo.

Công nghệ AI là gì? 🧠

Công nghệ Trí tuệ Nhân tạo (AI ) là một tập hợp rộng lớn các phương pháp và công cụ cho phép máy móc thực hiện các hành vi "thông minh", chẳng hạn như:

Học hỏi từ dữ liệu (thay vì được lập trình riêng cho từng trường hợp)
Nhận diện các mẫu hình (khuôn mặt, gian lận, tín hiệu y tế, xu hướng)
Hiểu hoặc tạo ra ngôn ngữ (chatbot, dịch thuật, tóm tắt)
Lập kế hoạch và ra quyết định (định tuyến, đề xuất, robot)
Nhận thức (thị giác, nhận dạng giọng nói, diễn giải cảm biến)

Nếu bạn muốn có một nền tảng “chính thức” hơn, khuôn khổ của OECD là một điểm tựa hữu ích: nó coi một hệ thống AI như một thứ có thể suy luận từ đầu vào để tạo ra đầu ra như dự đoán, khuyến nghị hoặc quyết định ảnh hưởng đến môi trường. Nói cách khác: nó tiếp nhận thực tế phức tạp → tạo ra đầu ra “dự đoán tốt nhất” → ảnh hưởng đến những gì xảy ra tiếp theo . [1]

Thú thật thì "AI" là một thuật ngữ bao quát. Bên dưới nó bạn sẽ tìm thấy rất nhiều lĩnh vực nhỏ hơn, và mọi người thường gọi chung tất cả chúng là "AI", ngay cả khi chúng chỉ là những thống kê cao cấp được khoác lên mình chiếc áo hoodie.

Công nghệ AI được giải thích bằng ngôn ngữ dễ hiểu (không dùng lời lẽ quảng cáo) 😄

Hãy tưởng tượng bạn đang điều hành một quán cà phê và bạn bắt đầu theo dõi các đơn đặt hàng.

Ban đầu, bạn sẽ đoán: "Dạo này hình như mọi người thích sữa yến mạch hơn?"
Rồi bạn nhìn vào số liệu và nghĩ: "Hóa ra nhu cầu sữa yến mạch tăng đột biến vào cuối tuần."

Bây giờ hãy tưởng tượng một hệ thống như sau:

giám sát những mệnh lệnh đó,
Tìm ra những quy luật mà bạn chưa từng nhận thấy
Dự đoán những gì bạn sẽ bán vào ngày mai
và đề xuất số lượng hàng tồn kho cần mua…

Việc tìm kiếm mẫu + dự đoán + hỗ trợ ra quyết định chính là phiên bản thường ngày của công nghệ AI. Nó giống như việc trang bị cho phần mềm của bạn một đôi mắt tinh tường và một cuốn sổ tay tỉ mỉ vậy.

Đôi khi, việc đó cũng giống như tặng cho nó một con vẹt biết nói rất giỏi. Có ích, nhưng… không phải lúc nào cũng khôn ngoan . Sẽ nói thêm về điều đó sau.

Các thành phần cấu tạo chính của công nghệ trí tuệ nhân tạo 🧩

Trí tuệ nhân tạo không phải là một khái niệm đơn lẻ. Nó là sự kết hợp của nhiều phương pháp thường hoạt động cùng nhau:

Học máy (ML)

Các hệ thống học các mối quan hệ từ dữ liệu chứ không phải từ các quy tắc cố định.
Ví dụ: bộ lọc thư rác, dự đoán giá cả, dự đoán tỷ lệ khách hàng rời bỏ.

Học sâu

Một nhánh nhỏ của học máy sử dụng mạng nơ-ron nhiều lớp (rất hiệu quả với dữ liệu phức tạp như hình ảnh và âm thanh).
Ví dụ: chuyển đổi giọng nói thành văn bản, gắn nhãn hình ảnh, một số hệ thống đề xuất.

Xử lý ngôn ngữ tự nhiên (NLP)

Công nghệ giúp máy móc làm việc với ngôn ngữ của con người.
Ví dụ: tìm kiếm, chatbot, phân tích cảm xúc, trích xuất tài liệu.

Thị giác máy tính

Trí tuệ nhân tạo (AI) có khả năng diễn giải các tín hiệu hình ảnh.
Ví dụ: phát hiện lỗi trong nhà máy, hỗ trợ xử lý hình ảnh, định vị.

Học tăng cường (Reinforcement Learning - RL)

Học hỏi thông qua thử và sai bằng cách sử dụng phần thưởng và hình phạt.
Ví dụ: huấn luyện robot, tác nhân chơi game, tối ưu hóa tài nguyên.

Trí tuệ nhân tạo tạo sinh

Các mô hình tạo ra nội dung mới: văn bản, hình ảnh, âm nhạc, mã lập trình.
Ví dụ: trợ lý viết bài, bản phác thảo thiết kế, công cụ tóm tắt.

Nếu bạn muốn một nơi mà nhiều nghiên cứu AI hiện đại và các cuộc thảo luận hướng đến công chúng được tổ chức (mà không làm bạn quá tải ngay lập tức), Stanford HAI là một trung tâm tham khảo đáng tin cậy. [5]

Một mô hình tư duy nhanh gọn về "cách thức hoạt động" (huấn luyện so với sử dụng) 🔧

Hầu hết các hệ thống trí tuệ nhân tạo hiện đại đều trải qua hai giai đoạn chính:

Huấn luyện: mô hình học các mẫu từ rất nhiều ví dụ.
Suy luận: mô hình đã được huấn luyện nhận một đầu vào mới và tạo ra một đầu ra (dự đoán / phân loại / văn bản được tạo ra, v.v.).

Một hình ảnh thực tế, không quá nhiều toán học:

Thu thập dữ liệu (văn bản, hình ảnh, giao dịch, tín hiệu cảm biến)
Định hình nó (nhãn cho học có giám sát, hoặc cấu trúc cho các phương pháp tự/bán giám sát)
Huấn luyện (tối ưu hóa mô hình để nó hoạt động tốt hơn trên các ví dụ)
Kiểm tra tính hợp lệ trên dữ liệu mà nó chưa từng thấy (để phát hiện hiện tượng quá khớp).
Triển khai
Theo dõi (vì thực tế luôn thay đổi và các mô hình không tự động bắt kịp)

Ý tưởng chính: nhiều hệ thống AI không "hiểu" như con người. Chúng học các mối quan hệ thống kê. Đó là lý do tại sao AI có thể rất giỏi trong việc nhận dạng mẫu nhưng vẫn thất bại trong những suy luận thông thường cơ bản. Giống như một đầu bếp thiên tài đôi khi quên mất sự tồn tại của đĩa.

Bảng so sánh: Các lựa chọn công nghệ AI phổ biến (và công dụng của chúng) 📊

Đây là một cách thực tế để suy nghĩ về “các loại” công nghệ AI. Không hoàn hảo, nhưng nó hữu ích.

Loại công nghệ AI	Phù hợp nhất với (đối tượng khán giả)	Giá cả tương đối	Vì sao nó hiệu quả (nhanh chóng)
Tự động hóa dựa trên quy tắc	Đội ngũ vận hành nhỏ, quy trình làm việc lặp đi lặp lại	Thấp	Logic điều kiện đơn giản, đáng tin cậy… nhưng dễ hỏng khi cuộc sống trở nên khó lường
Học máy cổ điển	Các nhà phân tích, nhóm sản phẩm, dự báo	Trung bình	Học hỏi các mẫu từ dữ liệu có cấu trúc - rất phù hợp cho việc "phân tích bảng và xu hướng"
Học sâu	Nhóm thị giác/thính giác, nhận thức phức tạp	Cao vừa phải	Có khả năng xử lý dữ liệu đầu vào phức tạp, nhưng cần dữ liệu + khả năng tính toán (và sự kiên nhẫn)
Xử lý ngôn ngữ tự nhiên (NLP)	Các nhóm hỗ trợ, nhà nghiên cứu, bộ phận tuân thủ	Trung bình	Trích xuất ý nghĩa/thực thể/mục đích; vẫn có thể hiểu sai ý mỉa mai 😬
Trí tuệ nhân tạo tạo sinh	Tiếp thị, viết lách, lập trình, lên ý tưởng	Tùy thuộc vào từng trường hợp	Tạo nội dung nhanh; chất lượng phụ thuộc vào gợi ý và các quy tắc… và vâng, đôi khi cũng có những điều ngớ ngẩn đầy tự tin
Học tăng cường	Những người đam mê robot và tối ưu hóa (nói một cách trìu mến)	Cao	Học hỏi chiến lược thông qua khám phá; mạnh mẽ nhưng việc đào tạo có thể tốn kém
Trí tuệ nhân tạo biên	IoT, nhà máy, thiết bị chăm sóc sức khỏe	Trung bình	Chạy các mô hình trực tiếp trên thiết bị để tăng tốc độ và bảo mật - giảm sự phụ thuộc vào điện toán đám mây
Hệ thống lai (Trí tuệ nhân tạo + luật lệ + con người)	Doanh nghiệp, quy trình làm việc có rủi ro cao	Trung bình-cao	Thực tế - con người vẫn thường xuyên rơi vào tình huống kiểu "khoan đã, cái gì vậy?"

Đúng vậy, cái bàn hơi không bằng phẳng một chút - cuộc sống là thế mà. Các lựa chọn công nghệ AI chồng chéo lên nhau như tai nghe trong ngăn kéo vậy.

Những yếu tố nào tạo nên một hệ thống công nghệ AI tốt? ✅

Đây là phần mà mọi người thường bỏ qua vì nó không hào nhoáng. Nhưng trên thực tế, đây chính là nơi ẩn chứa thành công.

Một hệ thống công nghệ AI “tốt” thường có:

Một nhiệm vụ rõ ràng như
"Hỗ trợ phân loại yêu cầu hỗ trợ" luôn hiệu quả hơn "trở nên thông minh hơn".
Chất lượng dữ liệu khá tốt.
Dữ liệu đầu vào kém, dữ liệu đầu ra cũng kém… và đôi khi dữ liệu đầu ra lại kém một cách tự tin 😂
Kết quả đo lường được
: Độ chính xác, tỷ lệ lỗi, thời gian tiết kiệm, giảm chi phí, cải thiện sự hài lòng của người dùng.
Kiểm tra thiên vị và tính công bằng (đặc biệt là trong trường hợp sử dụng có rủi ro cao)
Nếu nó ảnh hưởng đến cuộc sống của mọi người, bạn phải kiểm tra nó một cách nghiêm túc - và bạn phải coi quản lý rủi ro như một quá trình vòng đời, chứ không phải là một lần kiểm tra duy nhất. Khung quản lý rủi ro AI của NIST là một trong những cẩm nang công khai rõ ràng nhất cho cách tiếp cận “xây dựng + đo lường + quản lý” này. [2]
Sự giám sát của con người ở những điểm quan trọng.
Không phải vì con người hoàn hảo (haha), mà vì trách nhiệm giải trình là điều quan trọng.
Giám sát sau khi ra mắt:
Mô hình có thể thay đổi. Hành vi người dùng thay đổi. Thực tế không quan tâm đến dữ liệu huấn luyện của bạn.

Một ví dụ tổng hợp nhanh (dựa trên các triển khai rất điển hình)

Một nhóm hỗ trợ triển khai hệ thống định tuyến ticket dựa trên học máy. Tuần 1: Thành công vang dội. Tuần 8: Ra mắt sản phẩm mới làm thay đổi chủ đề ticket, và hệ thống định tuyến dần trở nên tệ hơn. Giải pháp không phải là "thêm AI" - mà là giám sát + huấn luyện lại các trình kích hoạt + một quy trình dự phòng do con người thực hiện . Chính những công đoạn kỹ thuật không mấy hào nhoáng đã cứu vãn tình hình.

Bảo mật + quyền riêng tư: không phải là tùy chọn, không phải là chú thích 🔒

Nếu AI của bạn can thiệp vào dữ liệu cá nhân, bạn đang vi phạm các quy tắc dành cho người lớn.

Nhìn chung, bạn muốn: kiểm soát truy cập, giảm thiểu dữ liệu, lưu giữ cẩn thận, giới hạn mục đích rõ ràng và kiểm tra bảo mật mạnh mẽ - cộng thêm sự thận trọng hơn nữa khi các quyết định tự động ảnh hưởng đến con người. Hướng dẫn của ICO Vương quốc Anh về AI và bảo vệ dữ liệu là một nguồn tài nguyên thực tế, cấp độ quản lý để suy nghĩ về sự công bằng, minh bạch và triển khai phù hợp với GDPR. [3]

Những rủi ro và hạn chế (hay còn gọi là phần mà mọi người chỉ học được một cách khó khăn) ⚠️

Công nghệ AI không tự động đáng tin cậy. Những cạm bẫy thường gặp:

Thiên kiến và kết quả không công bằng:
Nếu dữ liệu huấn luyện phản ánh sự bất bình đẳng, các mô hình có thể lặp lại hoặc khuếch đại điều đó.
Ảo giác (đối với AI tạo sinh):
Một số mô hình tạo ra câu trả lời nghe có vẻ đúng nhưng thực chất lại không phải. Nó không hẳn là "nói dối" - mà giống như một màn hài kịch ứng khẩu đầy tự tin hơn.
lỗ hổng bảo mật
, các cuộc tấn công của đối thủ, tấn công chèn mã độc, làm nhiễm độc dữ liệu - đúng vậy, mọi thứ trở nên thật kỳ lạ.
Sự phụ thuộc quá mức khiến
con người ngừng đặt câu hỏi về kết quả đầu ra, và sai sót dễ dàng xảy ra.
Sự thay đổi mô hình:
Thế giới thay đổi. Mô hình thì không, trừ khi bạn duy trì nó.

Nếu bạn muốn có một góc nhìn “đạo đức + quản trị + tiêu chuẩn” ổn định, thì công việc của IEEE về đạo đức của các hệ thống tự động và thông minh là một điểm tham chiếu mạnh mẽ về cách thiết kế có trách nhiệm được thảo luận ở cấp độ tổ chức. [4]

Cách chọn công nghệ AI phù hợp với trường hợp sử dụng của bạn 🧭

Nếu bạn đang đánh giá công nghệ AI (cho doanh nghiệp, dự án hoặc chỉ vì tò mò), hãy bắt đầu từ đây:

Xác định kết quả:
Quyết định hoặc nhiệm vụ nào được cải thiện? Chỉ số nào thay đổi?
Kiểm tra tính xác thực của dữ liệu:
Bạn có đủ dữ liệu không? Dữ liệu có sạch không? Có bị thiên vị không? Ai sở hữu dữ liệu?
Hãy chọn phương pháp đơn giản nhất mà hiệu quả
. Đôi khi các quy tắc lại đánh bại được học máy. Đôi khi học máy cổ điển lại đánh bại được học sâu.
Sự phức tạp hóa quá mức là cái giá bạn phải trả suốt đời.
Lập kế hoạch triển khai, không chỉ là bản demo.
Tích hợp, độ trễ, giám sát, đào tạo lại, quyền hạn.
Thêm các biện pháp bảo vệ.
Xem xét thủ công đối với các vấn đề quan trọng, ghi nhật ký, giải thích khi cần thiết.
Thử nghiệm với người dùng thực.
Người dùng sẽ làm những điều mà các nhà thiết kế của bạn chưa bao giờ tưởng tượng tới. Luôn luôn là như vậy.

Tôi sẽ nói thẳng thắn: dự án công nghệ AI tốt nhất thường chỉ có 30% là mô hình, 70% là hệ thống kỹ thuật. Không hào nhoáng. Nhưng rất thực tế.

Tóm tắt nhanh và lời kết 🧁

Công nghệ AI là bộ công cụ giúp máy móc học hỏi từ dữ liệu, nhận dạng mẫu, hiểu ngôn ngữ, cảm nhận thế giới và đưa ra quyết định - đôi khi thậm chí còn tạo ra nội dung mới. Nó bao gồm học máy, học sâu, xử lý ngôn ngữ tự nhiên (NLP), thị giác máy tính, học tăng cường và trí tuệ nhân tạo tạo sinh.

Nếu bạn chỉ nhớ một điều: Công nghệ AI rất mạnh mẽ, nhưng nó không tự động đáng tin cậy. Kết quả tốt nhất đến từ mục tiêu rõ ràng, dữ liệu tốt, thử nghiệm cẩn thận và giám sát liên tục. Cộng thêm một chút hoài nghi – giống như đọc những đánh giá nhà hàng có vẻ quá nhiệt tình vậy 😬

Câu hỏi thường gặp

Nói một cách đơn giản, công nghệ trí tuệ nhân tạo (AI) là gì?

Công nghệ trí tuệ nhân tạo (AI) là tập hợp các phương pháp giúp máy tính học hỏi từ dữ liệu và tạo ra các kết quả thực tiễn như dự đoán, đề xuất hoặc nội dung được tạo ra. Thay vì được lập trình với các quy tắc cố định cho mọi tình huống, các mô hình được huấn luyện dựa trên các ví dụ và sau đó được áp dụng cho các dữ liệu đầu vào mới. Trong các triển khai thực tế, AI cần được giám sát liên tục vì dữ liệu mà nó gặp phải có thể thay đổi theo thời gian.

Công nghệ AI hoạt động như thế nào trong thực tế (huấn luyện so với suy luận)?

Hầu hết các công nghệ AI đều có hai giai đoạn chính: huấn luyện và suy luận. Trong giai đoạn huấn luyện, mô hình học các mẫu từ tập dữ liệu - thường bằng cách tối ưu hóa hiệu suất trên các ví dụ đã biết. Trong giai đoạn suy luận, mô hình đã được huấn luyện sẽ nhận đầu vào mới và tạo ra đầu ra như phân loại, dự báo hoặc văn bản được tạo tự động. Sau khi triển khai, hiệu suất có thể giảm sút, vì vậy việc giám sát và các cơ chế huấn luyện lại rất quan trọng.

Sự khác biệt giữa học máy, học sâu và trí tuệ nhân tạo là gì?

Trí tuệ nhân tạo (AI) là thuật ngữ bao quát rộng lớn cho hành vi "thông minh" của máy móc, trong khi học máy (Machine Learning) là một phương pháp phổ biến trong AI, học cách nhận biết các mối quan hệ từ dữ liệu. Học sâu (Deep Learning) là một nhánh nhỏ của học máy, sử dụng mạng nơ-ron đa lớp và thường hoạt động tốt trên các dữ liệu đầu vào nhiễu, không có cấu trúc như hình ảnh hoặc âm thanh. Nhiều hệ thống kết hợp các phương pháp thay vì chỉ dựa vào một kỹ thuật duy nhất.

Công nghệ AI phù hợp nhất với những loại vấn đề nào?

Công nghệ AI đặc biệt mạnh mẽ trong nhận dạng mẫu, dự báo, xử lý ngôn ngữ và hỗ trợ ra quyết định. Các ví dụ phổ biến bao gồm phát hiện thư rác, dự đoán tỷ lệ khách hàng rời bỏ, định tuyến yêu cầu hỗ trợ, chuyển đổi giọng nói thành văn bản và phát hiện lỗi hình ảnh. AI tạo sinh thường được sử dụng để soạn thảo, tóm tắt hoặc lên ý tưởng, trong khi học tăng cường có thể giúp giải quyết các bài toán tối ưu hóa và huấn luyện tác nhân thông qua phần thưởng và hình phạt.

Tại sao các mô hình AI lại có xu hướng thay đổi và làm thế nào để ngăn chặn sự suy giảm hiệu năng?

Hiện tượng "lệch mô hình" xảy ra khi các điều kiện thay đổi - hành vi người dùng mới, sản phẩm mới, mô hình gian lận mới, ngôn ngữ thay đổi - trong khi mô hình vẫn được huấn luyện trên dữ liệu cũ. Để giảm thiểu sự suy giảm hiệu suất, các nhóm thường theo dõi các chỉ số chính sau khi ra mắt, đặt ngưỡng cảnh báo và lên lịch đánh giá định kỳ. Khi phát hiện lệch mô hình, việc huấn luyện lại, cập nhật dữ liệu và các phương án dự phòng do con người thực hiện sẽ giúp duy trì độ tin cậy của kết quả.

Làm thế nào để lựa chọn công nghệ AI phù hợp cho một trường hợp sử dụng cụ thể?

Hãy bắt đầu bằng cách xác định kết quả và chỉ số bạn muốn cải thiện, sau đó đánh giá chất lượng dữ liệu, rủi ro sai lệch và trách nhiệm. Một cách tiếp cận phổ biến là chọn phương pháp đơn giản nhất đáp ứng được yêu cầu - đôi khi các quy tắc hiệu quả hơn học máy, và học máy cổ điển có thể vượt trội hơn học sâu đối với dữ liệu có cấu trúc dạng "bảng + xu hướng". Hãy lập kế hoạch cho việc tích hợp, độ trễ, quyền hạn, giám sát và đào tạo lại - chứ không chỉ là một bản demo.

Những rủi ro và hạn chế lớn nhất của công nghệ trí tuệ nhân tạo là gì?

Hệ thống AI có thể tạo ra kết quả thiên vị hoặc không công bằng khi dữ liệu huấn luyện phản ánh sự bất bình đẳng trong xã hội. AI tạo sinh cũng có thể "tạo ảo giác", tạo ra kết quả nghe có vẻ tự tin nhưng không đáng tin cậy. Rủi ro bảo mật cũng tồn tại, bao gồm việc tiêm mã độc và làm sai lệch dữ liệu, và các nhóm có thể trở nên quá phụ thuộc vào kết quả đầu ra. Quản trị liên tục, thử nghiệm và giám sát của con người là rất quan trọng, đặc biệt là trong các quy trình làm việc có tính rủi ro cao.

Trong thực tế, "quản trị" có nghĩa là gì đối với công nghệ trí tuệ nhân tạo?

Quản trị có nghĩa là thiết lập các biện pháp kiểm soát cách thức xây dựng, triển khai và bảo trì AI để đảm bảo trách nhiệm giải trình luôn rõ ràng. Trên thực tế, điều này bao gồm kiểm tra tính thiên vị, kiểm soát quyền riêng tư và bảo mật, giám sát của con người trong các trường hợp có tác động lớn, và ghi nhật ký để phục vụ mục đích kiểm toán. Nó cũng có nghĩa là coi quản lý rủi ro như một hoạt động vòng đời - đào tạo, xác thực, triển khai, và sau đó là giám sát và cập nhật liên tục khi điều kiện thay đổi.

Tài liệu tham khảo

Tìm kiếm những công nghệ AI mới nhất tại Cửa hàng Trợ lý AI chính thức

Về chúng tôi

Quay lại blog

Quốc gia/vùng