Đề tài tài trợ bởi Quỹ Đổi mới sáng tạo Vingroup

Đề tài: Học chuyển giao giải các bài toán tối ưu tổ hợp

Chủ trì: PGS. Huỳnh Thị Thanh Bình
Thời gian thực hiện: 2022-2024
Nguồn tài trợ: VINIF

Tính mới:

Trong xã hội hiện đại, xu hướng đang được ưa chuộng để quản lý và vận hành hiệu quả các nhiệm vụ mang tính lặp lại, đó là chuyển giao tri thức. Con người thường không làm mọi thứ từ điểm xuất phát, mà vận dụng tri thức đã có từ trải nghiệm trước để giải quyết những vấn đề mới. Hiển nhiên, chúng ta mong đợi những hệ thống thông minh ngày nay cũng đạt được khả năng tương tự. Học chuyển giao tri thức là một kỹ thuật tái sử dụng tri thức từ việc giải một bài toán để giải một bài toán khác tương tự. Kỹ thuật này cho phép các hệ thống thông minh tìm ra giải pháp chất lượng cho bài toán thực tế trong thời gian ngắn hơn nhiều. Hiện nay, có nhiều dạng chuyển giao tri thức được sử dụng trong các thuật toán: tối ưu chuyển giao tri thức trong tiến hóa, chuyển giao tri thức qua đồng tiến hóa, và chuyển giao trong mạng nơ-ron. Tối ưu chuyển giao tri thức trong tiến hóa cung cấp tri thức từ việc giải bài toán trước cho thuật toán tiến hóa để giải bài toán sau. Chuyển giao tri thức qua đồng tiến hóa khai thác khả năng của nhiều thuật toán tối ưu khác nhau bằng việc thiết kế một cơ chế hợp tác, trao đổi thông tin giữa các thuật này. Mặt khác, với chuyển giao trong mạng nơ-ron, các mạng nơ-ron mới nhanh chóng được huấn luyện nhờ hiệu chỉnh từ các mạng có sẵn, nhờ đó học được những tác vụ nhận diện mới gần như ngay lập tức. Dự án này tập trung vào cải thiện các hướng tiếp cận học chuyển giao tri thức cho các bài toán tối ưu tổ hợp, có ứng dụng sâu rộng trong nhiều lĩnh vực kỹ thuật và kinh tế.

Tầm ảnh hưởng:

Dự án này có các ảnh hưởng theo các khía cạnh khác nhau: lý thuyết ứng dụng, đào tạo sau đại học, phát triển nhóm nghiên cứu mạnh, kết nối cộng đồng nghiên cứu. Đầu tiên, dự án này nghiên cứu các phương pháp chuyển giao tri thức cho những bài toán tối ưu khó sẽ được áp dụng giải các bài toán NP khó trong nhiều ứng dụng cấp thiết hiện nay như lập lịch, lập kế hoạch, vận tải, thiết kế mạng, và một số lĩnh vực ứng dụng trí tuệ nhân tạo khác. Tiếp theo, dự án cũng hướng tới công bố các kết quả nghiên cứu đỉnh cao có tầm cỡ quốc tế, có đóng góp quan trọng cho những giải pháp công nghệ mới sau này. Dự án sẽ xây dựng nhóm nghiên cứu mạnh về Tính toán tiến hóa, Học máy, kết nối các nhà khoa học trong và ngoài nước. Cuối cùng, dự án góp phần đào tạo học viên cao học, nghiên cứu sinh đạt tiêu chuẩn quốc tế.

Đề tài: Ứng dụng học máy phát hiện polyp đại tràng và chẩn đoán nguy cơ ung thư hóa

Chủ trì: TS. Đinh Viết Sang
Thời gian thực hiện: 2020-2023
Nguồn tài trợ: VINIF
Tính cấp thiết. Ung thư đại trực tràng đứng hàng thứ 5 trong số các bệnh lý ác tính tại Việt Nam và nội soi đại tràng toàn bộ nhằm phát hiện các tổn thương polyp, đặc biệt polyp u tuyến, polyp có nguy cơ cao là phương pháp đóng vai trò cơ bản trong tầm soát bệnh lý này. Tỷ lệ bỏ sót polyp đại tràng theo các nghiên cứu trên thế giới dao động từ 20 – 47% và phụ thuộc vào nhiều yếu tố như kinh nghiệm của bác sĩ, thời gian rút dây soi, chất lượng hệ thống máy móc và việc chuẩn bị nội soi đại tràng. Tại Việt Nam, số lượng bệnh nhân có các bệnh lý tiêu hóa đông cùng mô hình bệnh tật đa dạng tạo áp lực lớn cho các trung tâm nội soi dẫn đến các nguy cơ thời gian rút dây nội soi nhanh, chất lượng hình ảnh nội soi có thể không đảm bảo và sự quá tải cũng như mệt mỏi của các bác sĩ. Trong khi đó các đơn vị y tế hiện không đủ điều kiện trang bị các hệ thống nội soi có công nghệ tiên tiến giúp tăng cường chất lượng hình ảnh hoặc các dụng cụ hỗ trợ phát hiện tổn thương và nhận diện những trường hợp có nguy cơ ác tính. Điều này đặt ra bài toán cần có các giải pháp vừa có thể tăng tỷ lệ phát hiện polyp đại tràng đặc biệt là nhóm nguy cơ ung thư cao vừa đảm bảo được tính hiệu quả về chi phí kinh tế cho cả đơn vị y tế và người bệnh.

Mục tiêu của dự án nhằm phát triển các thuật toán học máy hiệu quả cho phát hiện, khoanh vùng polyp đại tràng và phân loại các tổn thương có nguy cơ ung thư hóa qua ảnh nội soi. Từ đó xây dựng một hệ thống thiết bị tính toán thời gian thực hỗ trợ bác sĩ nội soi phát hiện polyp đại tràng và chẩn đoán các tổn thương có nguy cơ ung thư hóa.

Tác động xã hội. Giải pháp công nghệ hỗ trợ bác sĩ nội soi thông qua hệ thống thiết bị chuyên dụng xử lý ảnh nội soi thời gian thực sẽ được đăng ký bằng độc quyền sáng chế, góp phần khẳng định năng lực và ảnh hưởng ứng dụng công nghệ AI trong chăm sóc y tế. Việc triển khai hệ thống AI thời gian thực hỗ trợ bác sỹ nội soi tại các cơ sở y tế bao gồm cả đơn vị có chức năng đào tạo, bệnh viện tuyến trung ương, tuyến tỉnh sẽ giúp kết nối các bác sĩ nội soi, rút ngắn sự khác biệt về kinh nghiệm tay nghề cũng như hướng đến quyền lợi của người bệnh được thụ hưởng dịch vụ khám chữa bệnh tốt với chi phí không quá cao. Dự án cũng sẽ phát triển nền tảng hỗ trợ đào tạo cho các bác sĩ nội soi dựa trên hình ảnh và ca bệnh lâm sàng thực tế thu thập tại các đơn vị y tế. Điều này sẽ giúp nâng cao toàn diện, cập nhật liên tục và chuẩn hóa kiến thức, các tiêu chí đánh giá, phân loại, nhận định tổn thương đại tràng cho các bác sĩ nội soi ở nhiều cơ sở thuộc nhiều tuyến.

Đề tài: Fi-Mi – Hệ thống di động quan trắc và dự đoán chất lượng không khí ứng dụng trí tuệ nhân tạo

Chủ trì: TS. Nguyễn Phi Lê
Thời gian thực hiện: 2020-2023
Nguồn tài trợ: VINIF

Mục tiêu: Dự án này đề xuất, thiết kế, đánh giá, thử nghiệm hệ thống quan trắc và dự báo chất lượng không khí di động Fi-Mi. Fi-Mi là một hệ thống quan trắc dựa trên các thiết bị nhỏ gọn đặt trên các xe buýt, và sử dụng trí tuệ nhân tạo dự báo chất lượng không khí trong tương lai, cũng như chất lượng không khí ở các vùng không được quan sát bởi thiết bị đo.

Để tối ưu hoá hoạt động của Fi-Mi, dự án đề xuất kiến trúc gồm ba tầng: tầng cảm biến, tầng thông tin, và tầng ứng dụng. Tầng cảm biến bao gồm các thiết bị quan trắc tự chế tạo chứa các mô-đun cảm biến chất lượng không khí. Bằng việc cài đặt các thiết bị quan trắc trên các xe buýt di động, Fi-Mi có khả năng theo dõi một vùng không gian rộng chỉ với một số lượng nhỏ thiết bị. Tầng thông tin đảm nhận việc truyền các thông tin cảm biến từ các thiết bị đo về hệ thống máy chủ trung tâm. Tầng ứng dụng bao gồm hệ thống máy chủ có nhiệm vụ lưu trữ thông tin, xử lý dữ liệu nhằm dự đoán chất lượng không khí. Dự án tập trung vào hai hướng nghiên cứu chính: Nâng cao độ chính xác của việc quan trắc và dự báo các chỉ số chất lượng không khí, nâng cao hiệu quả việc truyền tin.

Ảnh hưởng: Dự án này có ảnh hưởng lớn ở nhiều khía cạnh, bao gồm lý thuyết, thực tiễn và giáo dục. Dự án sẽ thúc đẩy các nghiên cứu lý thuyết liên quan và đạt được nhiều kết quả có tầm ảnh hưởng lớn trong nhiều lĩnh vực như: tối ưu hoá, học sâu, định vị độ chính xác cao, hiệu chỉnh dữ liệu, truyền tin hiệu quả. Về mặt thực tiễn, dự án sẽ xây dựng hệ thống quan trắc chất lượng không khí di động trên toàn thành phố Hà Nội. Dự án cũng sẽ cung cấp thư viện các API về xử lý dữ liệu chất lượng không khí, nhằm giúp các bên thứ ba có thể phân tích và dự đoán chất lượng không khí của họ. Dự án xây dựng và cung cấp cơ sở dữ liệu mở về chỉ số chất lượng không khí của thành phố Hà Nội thu thập được từ hệ thống. Cơ sở dữ liệu mở sẽ giúp các nhà nghiên cứu tiếp cận thông tin đầy đủ về chất lượng không khí ở Hà Nội, thúc đẩy các nghiên cứu liên quan. Về mặt giáo dục, dự án sẽ góp phần đào tạo một số nghiên cứu sinh và thạc sỹ.

Đề tài: V-Chain: Nền tảng phát triển và triển khai ứng dụng phi tập trung dựa trên công nghệ blockchain

Chủ trì: PGS. TS. Nguyễn Bình Minh
Thời gian thực hiện: 2019-2022
Nguồn tài trợ: VINIF

Dự án là một trong những nghiên cứu tiên phong tại Việt Nam liên quan tới công nghệ blockchain, một trong những công nghệ chiến lược của cuộc cách mạng công nghiệp lần thứ tư. Khác với những nghiên cứu hiện có ở Việt Nam, trong đó tập trung vào việc xây dựng các ứng dụng, hệ thống cụ thể như truy xuất nguồn gốc, hoặc ví điện tử, dự án có mục tiêu xây dựng một nền tảng hỗ trợ các nhà lập trình phát triển các ứng dụng phi tập trung dựa trên công nghệ blockchain một cách dễ dàng, nhanh chóng và giảm thiểu công sức. Từ đó, nền tảng có tên gọi V-Chain sẽ giúp tăng khả năng áp dụng công nghệ blockchain vào đời sống, đảm bảo tính minh bạch, bất biến của dữ liệu sinh ra trong quá trình vận hành của các ứng dụng CNTT.

Nền tảng V-Chain được thiết kế để hỗ trợ việc phát triển ứng dụng trên nhiều mạng chuỗi khối khác nhau như Ethereum, Hyperledger Sawtooth, Hyperledger Fabric, v.v. cùng với mạng IPFS để lưu trữ dữ liệu phân tán. Các nút mạng có thể được triển khai trên các hạ tầng khác nhau bao gồm server của người dùng, hay trên các dịch vụ lưu trữ của Amazon Web Service, DigitalOcean, Viettel, v.v. Các services bên trong V-Chain cho phép người dùng có thể dễ dàng mô tả ứng dụng cần xây dựng bao gồm cả dữ liệu cần lưu trữ và thao tác xử lý liên quan. V-Chain sau đó sẽ sinh ra các APIs cho phép lập trình viên đọc và ghi dữ liệu lên mạng blockchain đã chọn.

Trong quá trình phát triển nền tảng V-Chain, nhiều bài toán nghiên cứu được đặt ra và giải quyết như: quản lý định danh số của người dùng trên mạng blockchain để có thể được hiểu và xác thực bởi tất cả các ứng dụng liên quan trong hệ sinh thái, cách thức chuyển đổi dữ liệu hiện có của tổ chức lên mạng blockchain một cách dễ dàng và hiệu quả, việc mở rộng các mô hình đồng thuận sẵn có để phù hợp với chính sách của tổ chức, hay giải quyết các lo lắng của người dùng về tính riêng tư của dữ liệu để đảm bảo họ là chủ sở hữu của dữ liệu trên mạng chuỗi khối, v.v. Dựa trên các kết quả nghiên cứu và nền tảng được xây dựng, chúng tôi sẽ phát triển và triển khai hai ứng dụng phi tập trung mẫu về truy xuất nguồn gốc sản phẩm nông nghiệp và xác thực bằng cấp nhằm thúc đẩy tính minh bạch trong hoạt động của các tổ chức liên quan.

Đề tài: Tri thức con người trong các mô hình học máy cho dữ liệu lớn hoặc luồng vô hạn

Chủ trì: PGS.TS. Thân Quang Khoát
Thời gian thực hiện: 2019-2022
Nguồn tài trợ: VINIF
Mô tả: Việc huấn luyện một mô hình học máy từ dữ liệu đến liên tục theo chuỗi vô hạn trở thành thách thức rất lớn bởi vì sự khác nhau lớn về bản chất giữa hai dạng dữ liệu tĩnh và dạng đến liên tục. Một số thách thức có thể được kể đến là: khó suy diễn, sự xuất hiện các thay đổi bất ngờ gây khó khăn cho việc học, vấn đề quên quá nhanh, dữ liệu nhiễu và thưa. Trong khi đó, tri thức con người có thể giúp hỗ trợ giải quyết tốt nhiều thách thức. Tuy nhiên việc vận dụng tri thức con người trong các mô hình học máy còn rất hạn chế, đặc biệt đối với dữ liệu lớn hoặc luồng vô hạn.

Mục tiêu cốt lõi trong dự án này là phát triển các thuật toán mà giúp một máy tính không những có khả năng học liên tục từ dữ liệu, mà còn vận dụng tốt tri thức của con người. Các thuật toán đó có khả năng làm việc với dữ liệu lớn hoặc luồng dữ liệu vô hạn. Các thuật toán đó sẽ được sử dụng cho nhiều ứng dụng khác nhau.