Là một trong những nhà toán học tài năng nhất của Việt Nam và nổi tiếng trên thế giới, sau nhiều năm giảng dạy và đạt được những thành tựu nghiên cứu quan trọng tại nước ngoài, GS. Vũ Hà Văn đã quyết định trở về và đóng góp cho sự phát triển khoa học công nghệ Việt với vai trò Giám đốc Khoa học VinBigdata từ năm 2018. Nhìn lại hành trình, ông cho rằng sự hồi đáp đáng kể nhất là thời gian đã chứng minh hướng đi làm chủ công nghệ lõi dựa trên nguồn dữ liệu Việt của VinBigdata là đúng đắn. Theo đó, VinBigdata đã tạo dựng đáng kể công nghệ lõi cho người Việt, như công nghệ nhận diện hình ảnh – SmartOCR, ViGPT (ChatGPT phiên bản Việt đầu tiên dành cho người dùng cuối), AI hỗ trợ chẩn đoán hình ảnh y tế… Nhiều sản phẩm đã được sử dụng rộng rãi cho người dùng cuối, và được công nhận bởi những tổ chức uy tín hàng đầu thế giới. Câu chuyện của GS. Vũ Hà Văn không chỉ là hành trình của riêng ông, mà còn là nguồn cảm hứng cho nhiều nhà khoa học trẻ.

Chia sẻ với Báo Công an Nhân dân, ông bày tỏ: “Nếu bạn bè tôi, cụ thể là những nhà khoa học đang nghiên cứu và làm việc ở nước ngoài, hỏi tôi về chuyện trở về, tôi sẽ nói với họ rằng, thời điểm hiện nay có lẽ là rất thuận lợi cho các nhà khoa học muốn đóng góp”.

Hãy cùng lắng nghe đầy đủ những chia sẻ của GS. Vũ Hà Văn qua bài phỏng vấn với Báo Công an Nhân dân sau đây: Link bài báo.

PGS Nguyễn Minh Tân (Giám đốc Viện Nghiên cứu và Phát triển ứng dụng các hợp chất thiên nhiên, giảng viên Khoa Kỹ thuật Hóa học, Trường Hóa và Khoa học Sự sống, Đại học Bách khoa Hà Nội) và PGS Đặng Thị Mỹ Dung (Phó viện trưởng Viện Công nghệ Nano, Đại học Quốc gia TP HCM) vừa được Thủ tướng Chính phủ trao giải thưởng Kovalevskaya năm 2024 vì có thành tích xuất sắc trong nghiên cứu khoa học và ứng dụng vào thực tiễn. Đặc biệt hơn, Giải thưởng được trao vào đúng ngày Quốc tế phụ nữ – 8/3/2025.
🔥 PGS Nguyễn Minh Tân là nhà khoa học nổi bật với những cống hiến giúp nâng tầm nông sản Việt Nam và nhận được nhiều giải thưởng danh giá cho những nghiên cứu và sáng chế của mình. Năm 2019, PGS đạt Giải Bạc tại Triển lãm và Diễn đàn Quốc tế về Sáng chế của Phụ nữ (KIWIE). Năm 2020, PGS tiếp tục được vinh danh với Giải Best Innovation Award của The Hitachi Global Foundation Asia Innovation Award. PGS Nguyễn Minh Tân hiện đang là chủ nhiệm dự án khoa học công nghệ được VinIF tài trợ năm 2024: “Phát triển giải pháp công nghệ toàn diện chế sâu – không chất thải và bền vững quả thanh long thành đồng thời nhiều sản phẩm đạt tiêu chuẩn xuất khẩu vào các thị trường khó tính (Châu Âu, Nhật Bản, Mỹ,…) thích hợp áp dụng cho các doanh nghiệp vừa, nhỏ và siêu nhỏ tại Việt Nam”.
️🎯 Lễ trao giải được tổ chức nhân dịp kỷ niệm 40 năm thành lập Giải thưởng Kovalevskaya. Tại buổi lễ, Thủ tướng Phạm Minh Chính biểu dương, chúc mừng thành tích xuất sắc, đáng ghi nhận của 2 nhà khoa học nữ được trao Giải thưởng năm 2024. Họ là những tấm gương sống động, biểu hiện cho trí tuệ, sức sáng tạo, nỗ lực học tập, nghiên cứu bền bỉ, không ngừng nghỉ của các nữ trí thức, nhà khoa học Việt Nam. Phát biểu sau khi nhận giải thưởng, PGS Nguyễn Minh Tân gửi thông điệp đến các nhà khoa học nữ: “Đừng để giới hạn nào ngăn trở khát vọng của bạn. Mỗi thí nghiệm thất bại hôm nay chính là viên gạch cho tòa tháp thành công ngày mai”.
️🏆 Giải thưởng Kovalevskaya là Giải thưởng danh giá đầu tiên cấp quốc gia, tôn vinh những nỗ lực, sự cống hiến các nhà khoa học nữ trong lĩnh vực khoa học tự nhiên. Ngay từ khi ra đời, Giải thưởng đã khẳng định vị thế, uy tín, được các nhà khoa học nữ Việt Nam hưởng ứng.
Tìm hiểu thêm về giải thưởng Kovalevskaya 2024 trên VnExpress: LINK bài báo.

​ Ngày 24/9, với sự tài trợ của Quỹ VINIF, Viện Nghiên cứu Con người – Viện Hàn lâm Khoa học xã hội Việt Nam (VASS) đã tổ chức Lễ Kỷ niệm 25 năm thành lập (1999-2024) và Hội thảo khoa học thường niên lần thứ 2 về nghiên cứu con người với chủ đề “Nâng cao chất lượng cuộc sống vì mục tiêu phát triển con người”.

Hội thảo có sự tham dự của GS.TS. Nguyễn Thiện Nhân – Nguyên Ủy viên Bộ Chính trị, Nguyên Chủ tịch Ủy ban Trung ương Mặt trận Tổ Quốc Việt Nam, Nguyên Bí thư Thành ủy Thành phố Hồ Chí Minh; PGS.TS. Nguyễn Đức Minh, Phó Chủ tịch VASS cùng hơn 140 nhà khoa học đến từ các viện nghiên cứu trong và ngoài VASS, các trường đại học và các tổ chức khác. Ban Tổ chức hội thảo đã nhận được hơn 50 bài viết của các chuyên gia, nhà khoa học đến từ các viện nghiên cứu, các trường đại học, các nhà quản lý và hoạch định chính sách, các Hội và nhóm nghiên cứu mạnh.

Tại hội thảo, GS.TS. Nguyễn Thiện Nhân có chia sẻ quan trọng về hệ thống xã hội con người và mục tiêu nâng cao chất lượng con người, phát huy các phẩm chất con người trong phát triển xã hội và đặc biệt là những bàn luận về phạm trù hạnh phúc của con người. Giáo sư đề xuất Viện Nghiên cứu con người nên thực hiện báo cáo thường niên về chất lượng sống và hạnh phúc của người Việt Nam với các tiêu chí được xây dựng phù hợp với người Việt. Kết quả của báo cáo sẽ là một điều thức tỉnh cho câu hỏi liệu rằng con người có nhất thiết phải giàu có để trở nên hạnh phúc không.

Hội thảo là diễn đàn chia sẻ các kiến thức, thông tin, kinh nghiệm nghiên cứu và xây dựng, thực hiện chính sách về vấn đề chất lượng cuộc sống và phát triển con người. Song song với đó, hội thảo cũng là cơ hội để cộng đồng các nhà khoa học, các nhà xây dựng và thực hiện chính sách xây dựng các mối quan hệ, tạo sự kết nối để mở ra những cơ hội trao đổi học thuật trong tương lai về vấn đề chất lượng cuộc sống và phát triển con người cũng như các hợp tác khoa học.

Sự kiện được báo chí quan tâm, đưa tin:

Báo Nhân dân: https://nhandan.vn/nang-cao-chat-luong-cuoc-song-vi-muc…

Báo Điện tử Chính phủ: https://baochinhphu.vn/dat-con-nguoi-lam-trung-tam-trong…

Báo Đảng Cộng sản Việt Nam: https://dangcongsan.vn/…/nang-cao-chat-luong-cuoc-song…

Báo Chính sách và Cuộc sống: https://chinhsachcuocsong.vnanet.vn/dong-gop…/47774.html

Báo Vietnam.vn:https://www.vietnam.vn/nang-cao-chat-luong-cuoc-song…/…

Viện Hàn lâm Khoa học xã hội Việt Nam: https://vass.gov.vn/…/Nang-cao-chat-luong-cuoc-song-vi…

Năm 2024 là năm thứ 3 liên tiếp Quỹ VINIF đồng hành cùng Giải thưởng Sinh viên Nghiên cứu Khoa học – Euréka. Giải thưởng được Trung tâm Phát triển Khoa học và Công nghệ Trẻ, Thành Đoàn TP.HCM – Đại Học Quốc gia TP.HCM tổ chức thường niên nhằm tôn vinh những công trình nghiên cứu khoa học, sáng tạo của sinh viên trên toàn quốc.

Giải thưởng cũng là thước đo về chất lượng đào tạo, góp phần đẩy mạnh phong trào nghiên cứu khoa học của sinh viên; là nguồn động viên, khuyến khích sinh viên tích cực đề ra những ý tưởng, giải pháp cụ thể, những phát minh mới, tham gia nâng cao chất lượng giáo dục – đào tạo và xây dựng phát triển đất nước.

Năm nay, VINIF sẽ đồng hành cùng Euréka trong vai trò đồng tổ chức.

Thông tin về Giải thưởng:

– Đối tượng tham dự: sinh viên Việt Nam và quốc tế đang học tập tại các trường Đại học, Cao đẳng và Học viện tại Việt Nam.

– Tổng giải thưởng trên 400 triệu đồng cho 15 lĩnh vực khác nhau.

Thời hạn đăng ký: Từ 01/9/2024 đến 25/9/2024.

Thông tin chi tiết xem tại:

– Website: www.eureka.khoahoctre.com.vn

– Fanpage: https://www.facebook.com/sinhviennckh

Ngày 01/09/2024 là thời hạn cuối cùng nộp hồ sơ đăng ký cho các Chương trình Tài trợ hội thảo Khoa học Công nghệ, Chương trình Tài trợ Khóa học ngắn hạn/Giáo sư thỉnh giảng – Đợt xét chọn thứ 03, cũng là đợt xét cuối cùng trong năm 2024.
Chương trình phù hợp với các viện nghiên cứu, trường đại học và các tổ chức, cá nhân có uy tín trong khoa học và đào tạo, có kinh nghiệm tổ chức các sự kiện/hội thảo/khóa học đóng góp tích cực cho cộng đồng.
Để được tham gia xét chọn, các đơn vị, tổ chức quan tâm đến chương trình gửi hồ sơ bản mềm (file Word, file PDF có chữ ký và đóng dấu) qua email scholarship@vinif.org, bao gồm: Đơn đăng ký (Mẫu 1. VINIF030509_DDK). Nội dung, dự toán kinh phí (trong đó nêu rõ các nội dung đề nghị VNCDLL tài trợ). Quyết định tổ chức sự kiện, hội thảo, bài giảng. Lý lịch khoa học của diễn giả. Các tài liệu liên quan khác (nếu có).
Thông tin chi tiết và biểu mẫu, các đơn vị, tổ chức tham khảo tại:

Chương trình tổ chức và tài trợ các Hội thảo KH&CN https://vinif.org/sponsor-programs/hop-tac-tai-tro-su-kien-va-hoi-thao/

Chương trình tài trợ Khóa học ngắn hạn & Giáo sư thỉnh giảng: https://vinif.org/…/khoa-hoc-ngan-han-va-giao-su-thinh…/
Quỹ VINIF hỗ trợ giải đáp qua email tại địa chỉ scholarship@vinif.org.

​ 8h30 phút ngày 29/6/2024, Lễ tốt nghiệp đầu tiên của Trường Đại học VinUni đã được tổ chức trong không gian và bầu không khí trang trọng để chào mừng 145 sinh viên vừa tốt nghiệp với những thành tích vượt trội. 145 tân khoa của VinUni đến từ khắp mọi miền đất nước với 14 chuyên ngành thiết yếu: Tài chính, Marketing, Khởi nghiệp, Phân tích kinh doanh, Quản trị khách sạn và Quản trị chuỗi cung ứng, Khoa học máy tính, Trí tuệ nhân tạo, An ninh mạng, Phân tích dữ liệu, Truyền thông và xử lý tín hiệu, Điều khiển và tự động hóa, Cơ điện tử và Cử nhân điều dưỡng

Với niềm đam mê khoa học, tư duy sáng tạo và sắc bén, 25% tân khoa đầu tiên của VinUni đã nhận được thư mời tiếp tục học bậc ThS, TS tại các trường Ivy danh tiếng như ĐH Harvard, ĐH Cornell, ĐH Pennsylvania, v.v., và các đại học nổi tiếng thế giới khác. 32% tân khoa đã được các tập đoàn toàn cầu như McKinsey, Boston Consulting Group, National Australia Bank, Google, Bosch, Akzo Nobel, IBM, v.v, và các doanh nghiệp hàng đầu Việt Nam mời làm việc ngay khi chưa tốt nghiệp với mức đãi ngộ hấp dẫn.

Tại lễ tốt nghiệp, Thứ trưởng Hoàng Minh Sơn – Bộ Giáo dục và Đào tạo, chia sẻ: “Với môi trường học tập hiện đại, chương trình đào tạo tiên tiến được xây dựng theo chuẩn quốc tế, cùng đội ngũ giảng viên tài năng được đào tạo từ các trường đại học hàng đầu, VinUni đã và đang đào tạo nên những thế hệ sinh viên ưu tú, có khả năng cạnh tranh toàn cầu”.

Sau 4 năm, những thành tích xuất sắc của các tân khoa khóa đầu tiên đã khẳng định quyết tâm và thực lực đào tạo của VinUni trên con đường trở thành trường đại học tinh hoa, đẳng cấp của Việt Nam.️

Xin gửi lời chúc mừng VinUni cùng các tân khoa với những thành quả xuất sắc và mong rằng các bạn sẽ ngày càng phát huy và lan tỏa tinh thần của VinUni tới xã hội và thế giới.

Bài viết trên Báo Vnexpress: Trường ĐH VinUni tốt nghiệp niên khóa đầu tiên

Ngày 16/4/2024, Quỹ Đổi mới sáng tạo Vingroup (VINIF), Viện Nghiên cứu Dữ liệu lớn đã tổ chức hội thảo “Thương mại hóa sản phẩm khoa học công nghệ: Kinh nghiệm, Khó khăn và Giải pháp”. ​

Hội thảo có sự tham dự của TS. Nguyễn Quý Hà – Giám đốc điều hành Viện Nghiên cứu Dữ liệu lớn, PGS.TSKH Phan Thị Hà Dương – Giám đốc điều hành Quỹ Đổi mới sáng tạo Vingroup, các chuyên gia hàng đầu về khởi nghiệp đổi mới sáng tạo, đại diện quỹ đầu tư, cùng hơn 50 chủ nhiệm, đồng chủ nhiệm dự án được nhận tài trợ của Quỹ VINIF từ năm 2019 tới nay. ​​Thay mặt Ban lãnh đạo Viện Nghiên cứu Dữ liệu lớn, TS. Nguyễn Quý Hà – Giám đốc điều hành chúc mừng Quỹ VINIF quy tụ được rất nhiều nhà khoa học đầu ngành ở buổi hội thảo.

Theo TS. Nguyễn Quý Hà, thương mại hóa sản phẩm luôn là vấn đề được các nhà khoa học quan tâm,nhưng từ nghiên cứu ứng dụng cho tới mang sản phẩm vào đời sống thì là một chặng đường rất dài. “Tôi trước đây cũng tham gia rất sâu vào việc nghiên cứu khoa học, từ đó đẩy các sản phẩm nghiên cứu ra thị trường. Đến thời điểm hiện tại thì thấy rằng vận hành một doanh nghiệp khác rất nhiều so với vận hành một phòng lab. Nhưng điều khó nhất chính là “khớp’ được những gì người làm khoa học đang có – và những gì khách hàng đang cần.” – TS. Nguyễn Quý Hà chia sẻ. ​

Hội thảo đã được nghe những chia sẻ hết sức thiết thực của các chuyên gia là Ths. Nguyễn Văn Trúc – Giám đốc Trung tâm Đào tạo & Hỗ trợ Phát triển thị trường Công nghệ – Bộ Khoa học Công nghệ với bài trình bày “Thương mại hoá kết quả nghiên cứu: Kinh nghiệm quốc tế – Thực trạng và giải pháp cho Việt Nam” và TS. Nguyễn Trung Dũng – Giám đốc BK-Holdings với bài trình bày: “Mô hình tổ chức thúc đẩy thương mại hóa sản phẩm khoa học công nghệ trong Đại học”.

Theo TS. Nguyễn Trung Dũng, bản thân các trường đại học cần phải có một tổ chức hỗ trợ đổi mới sáng tạo (TTO) để thúc đẩy lĩnh vực này ở cấp độ nhà trường. Đa phần ở Việt Nam hiện nay mới chỉ dừng ở mức độ đầu tiên, là sử dụng một đơn vị sẵn có ở trong nhà trường để thực hiện sứ mệnh đổi mới sáng tạo. Để đáp ứng được yêu cầu cấp thiết hiện nay, các mô hình TTO như tư cách là doanh nghiệp hoặc liên doanh với trường để đảm nhận hoạt động chuyển giao công nghệ, đổi mới sáng tạo là định hướng phù hợp.

TS. Nguyễn Trung Dũng cũng nêu lên tầm quan trọng của việc tập hợp đội ngũ cựu sinh viên vào trong các tổ chức TTO của nhà trường. Bởi họ là những người đã có trải nghiệm và thành công trên con đường kinh doanh, sẵn sàng chia sẻ kinh nghiệm và các nguồn lực “quý hơn vàng”. ​Ở góc độ doanh nghiệp, TS. Nguyễn Trung Dũng chia sẻ: làm việc cùng các nhà khoa học là rất khó khăn bởi mỗi dự án chính là đứa con tinh thần được “nuôi dưỡng” trong nhiều năm trời. Các nhà khoa học sẵn sàng sống chết với dự án của mình và quên mất rằng khởi nghiệp là một quá trình lặp đi lặp lại, và cần sẵn sàng tâm lý “fail fast, fail smart”. Bản thân nhà khoa học cũng chưa có các bước nghiên cứu thị trường bài bản ngay từ đầu, khiến cho các sản phẩm khó được đón nhận, thiếu sức cạnh tranh và thậm chí là không thể thương mại hóa. ​

Hội thảo còn có sự chia sẻ của các dự án đại diện cho các hướng đi khác nhau trên con đường thương mại hóa sản phẩm khoa học công nghệ. Đó là GS.TS Nguyễn Xuân Hùng với việc thương mại hóa sản phẩm dự án: “Công nghệ in 3D trên nền tảng máy học sâu”; PGS.TS Nguyễn Trần Thuật với việc thành lập doanh nghiệp spin-off và gọi vốn đối với sản phẩm dự án: ”Nghiên cứu phát triển công nghệ chế tạo cảm biến ảnh hồng ngoại nhiệt ứng dụng trong an ninh quốc phòng và dân dụng”; và TS. Mai Thị Nga với với những kinh nghiệm về chuyển giao công nghệ sản phẩm dự án: “Nghiên cứu chế tạo than hoạt tính hiệu năng cao từ cây guột ứng dụng trong lĩnh vực mỹ phẩm và dược phẩm”.Các chủ nhiệm dự án đã chia sẻ kinh nghiệm từ quá trình nghiên cứu cơ bản cho tới khi đưa sản phẩm ra thị trường. Đó là con đường đầy chông gai, nhiều lần thất bại của TS. Mai Thị Nga cho tới khi gặp được đơn vị đầu tư đủ kinh nghiệm và nguồn lực; là sự ủng hộ về cả tinh thần và nguồn lực từ đơn vị chủ trì nghiên cứu là Trường Đại học Công nghệ TP.HCM của GS.TS Nguyễn Xuân Hùng; hay quyết tâm của PGS.TS. Nguyễn Trần Thuật khi thành lập doanh nghiệp spin-off nhằm thương mại hóa sản phẩm, v.v.

Các diễn giả cũng đã trả lời nhiều câu hỏi của các nhà khoa học liên quan đến vấn đến việc thương mại hóa sản phẩm, từ việc xác định mục tiêu ban đầu, xây dựng đội nhóm đồng hành hay tìm kiếm các đơn vị trung gian nhằm đưa kết quả nghiên cứu ra thị trường.

Phát biểu kết thúc hội thảo, PGS.TSKH Phan Thị Hà Dương đã chia sẻ khó khăn mà nhà khoa học gặp phải trong quá trình thương mại hóa sản phẩm của mình. Những vấn đề được đưa ra tại buổi hội thảo này mang tính gợi mở để Quỹ VINIF tiếp tục mở ra các diễn đàn sắp tới với nhiều chuyên gia, doanh nghiệp và quỹ đầu tư nhằm kết nối và hỗ trợ tốt hơn nữa cho các nhà khoa học.

[Báo Vnexpress] Quỹ Đổi mới Sáng tạo Vingroup (VinIF) tài trợ 160 tỷ đồng cho khoa học công nghệ Việt Nam năm 2023, nâng tổng giá trị tài trợ trong 5 năm lên tới 800 tỷ đồng.

Quỹ VinIF là chương trình phi lợi nhuận của Tập đoàn Vingroup, hướng đến mục tiêu thay đổi môi trường nghiên cứu, góp phần đưa khoa học Việt vươn tầm quốc tế. Năm 2023, với sự đồng hành của Hội đồng khoa học bao gồm 400 chuyên gia uy tín trong nước và quốc tế, trải qua các vòng đánh giá, Quỹ VinIF đã tài trợ cho 16 dự án khoa học công nghệ mới.

Ngoài ra, đơn vị tài trợ 300 suất học bổng thạc sĩ, tiến sĩ, 90 suất học bổng sau tiến sĩ, 8 dự án và 17 sự kiện văn hóa, lịch sử, nhiều chương trình hợp tác đào tạo thạc sĩ khoa học dữ liệu với 6 đề án. Quỹ đồng thời tài trợ, đẩy mạnh tổ chức các hội nghị, hội thảo, bài giảng đại chúng.

Đây là năm thứ 5 liên tiếp VinIF đồng hành cùng khoa học, công nghệ, nhằm góp phần tạo ra sự thay đổi tích cực và bền vững. Đến nay, Quỹ trợ lực cho hơn 3.000 nhà khoa học, nhà nghiên cứu thông qua các công trình, đề án hợp tác đào tạo ngành tiên phong, suất học bổng sau đại học và hoạt động lưu giữ những giá trị lịch sử, văn hóa đặc sắc của dân tộc.

Chương trình đã có trên 1.000 công trình công bố trên các tạp chí uy tín quốc tế, 200 giải thưởng khoa học, 500 sản phẩm các loại, 70 phát minh sáng chế. Tỷ lệ dự án nghiệm thu đã thương mại hóa và chuyển giao công nghệ đạt 21% và 50%. Câu lạc bộ VinIF Alumni quy tụ trên 1.500 thành viên gồm các nhà khoa học trẻ với nhiều sự kiện giao lưu tri thức, góp phần lan tỏa các giá trị cốt lõi của VinIF tới cộng đồng.

Phát biểu tại lễ công bố ngày 16/1, GS. Vũ Hà Văn, Giám đốc Khoa học Quỹ VinIF, cho biết sau 5 năm, chương trình có nhiều thành quả về sự thay đổi trong tư duy, sản phẩm khoa học được thương mại hóa. Đặc biệt, quỹ thúc đẩy thế hệ các nhà nghiên cứu trẻ chính trực, sáng tạo và có trách nhiệm với đất nước.

“Những thành quả này là động lực thúc đẩy VinIF tiếp tục đổi mới và sáng tạo, chung tay cùng các nhà quản lý, trường đại học, viện nghiên cứu tạo ra những bước ngoặt lớn hơn cho khoa học Việt”, GS. Vũ Hà Văn nhấn mạnh.

Cũng tại sự kiện, Thứ trưởng Khoa học và Công nghệ Trần Hồng Thái đánh giá năm 2023 có nhiều tín hiệu thay đổi tích cực khi chiến lược phát triển khoa học, công nghệ và đổi mới sáng tạo Việt Nam đến năm 2030 đã được Thủ tướng Chính phủ phê duyệt, trong đó nhấn mạnh nguồn lực từ doanh nghiệp vô cùng quan trọng. Sự đồng hành của Quỹ góp phần hỗ trợ cho hàng nghìn nhà khoa học, phát triển nhiều nhóm nghiên cứu mạnh ở các trường đại học, hỗ trợ thương mại hóa sản phẩm thông qua nghiên cứu triển khai (R&D), nâng cao tiềm lực khoa học công nghệ của Việt Nam.

Thứ trưởng cũng nêu đề nghị Quỹ VinIF nghiên cứu hướng ưu tiên, sản phẩm quốc gia đã được Thủ tướng Chính phủ phê duyệt để có thể cùng các Bộ, ngành tập trung nguồn lực cho những công nghệ mới, công nghệ cao. Từ đó, các đơn vị cùng hình thành ngành nghề mới, sản phẩm mới có giá trị gia tăng cao; tập trung lĩnh vực mà Việt Nam có thế mạnh như nông nghiệp, công nghiệp chế biến chế tạo, dịch vụ, công nghệ thông tin hoặc tiên phong trong công nghệ của công nghiệp 4.0.

Ông Trần Hồng Thái thể hiện sự tin tưởng Quỹ VinIF cùng nhiều quỹ khác và các doanh nghiệp sẽ chung tay xây dựng nền khoa học công nghệ Việt Nam hiện đại, phát triển, xây dựng đất nước thịnh vượng, hạnh phúc.

Về phía Quỹ VinIF, đơn vị kỳ vọng không chỉ mang lại nguồn tài chính lớn phi lợi nhuận cho khoa học mà còn góp phần tạo ra nhiều thay đổi tích cực trong văn hóa nghiên cứu khoa học. Các hoạt động sẽ tạo sự thu hút tri thức người Việt về nước, thúc đẩy những ngành khoa học công nghệ mới, góp phần tích cực trong công cuộc phát triển khoa học Việt Nam.

Bài viết trên Báo Vnexpress.

CHÚC MỪNG DỰ ÁN KHCN NGHIỆM THU THÀNH CÔNG: “FI-MI – HỆ THỐNG DI ĐỘNG QUAN TRẮC VÀ DỰ ĐOÁN CHẤT LƯỢNG KHÔNG KHÍ ỨNG DỤNG TRÍ TUỆ NHÂN TẠO”

Dự án khoa học công nghệ được Quỹ VINIF tài trợ “Fi-Mi: Hệ thống di động quan trắc và dự đoán chất lượng không khí ứng dụng trí tuệ nhân tạo” do TS. Nguyễn Phi Lê chủ nhiệm, Đại học Bách khoa Hà Nội chủ trì đã được Hội đồng khoa học Quỹ VINIF nghiệm thu thành công.

Xuất phát từ khát khao ứng dụng công nghệ vào giải quyết các bài toán cấp bách của Việt Nam, nhóm nghiên cứu đến từ Đại học Bách Khoa Hà Nội, Đại học Chiba (Nhật Bản) và Phòng Nghiên cứu về công nghệ không dây – Tập đoàn Toshiba (Nhật Bản) đã tiến hành thiết kế và xây dựng hệ thống Fi-Mi với mục tiêu giải quyết bài toán quan trắc và dự đoán chất lượng không khí theo không-thời gian sử dụng công nghệ IoT và trí tuệ nhân tạo.

Fi-Mi là một hệ thống quan trắc dựa trên các thiết bị nhỏ gọn đặt trên các xe buýt, 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.

Dự án đã đạt được những kết quả quan trọng, có tác động ở nhiều khía cạnh, bao gồm lý thuyết, thực tiễn và giáo dục:

Lắp đặt được 25 thiết bị quan trắc không khí nhỏ gọn, đặt trên nóc các xe buýt chạy trên 25 tuyến chính trong nội đô Hà Nội.

Cung cấp bản đồ về chất lượng không khí thời gian thực cho cộng đồng thông qua ứng dụng trên điện thoại di động và trang web tại địa chỉ http://demo.fi-mi.vn/app

Xây dựng cơ sở dữ liệu mở về chất lượng không khí trong thành phố Hà Nội. Toàn bộ các dữ liệu thu thập được từ hệ thống Fi-Mi được mở cho cộng đồng nghiên cứu tại địa chỉ https://admin.fi-mi.vn/ . Đây cũng là thư viện cung cấp các API xử lý dữ liệu quan trắc không khí.

Công bố 14 bài báo trên các tạp chí quốc tế uy tín (Q1) như IEEE Internet of Things (IoT) Journal, Computer Networks Journal, IEEE Transactions on Network and Service Management, ACM Transactions on Sensor Networks, IEEE Microwave and Wireless Components Letters, …

03 báo cáo/phát biểu tại các hội thảo khoa học quốc tế rank A.

01 bằng sáng chế đã chấp nhận đơn hợp lệ tại Việt Nam

01 bằng sáng chế đã chấp nhận đơn hợp lệ tại Nhật Bản.

Hỗ trợ đào tạo 04 tiến sỹ và 03 thạc sỹ và nhiều sinh viên đại học. Thông qua quá trình tham gia dự án, rẩt nhiều sinh viên đã được nuôi dưỡng niềm đam mê nghiên cứu khoa học, rèn luyện các kỹ năng trong nghiên cứu và tìm được các cơ hội để tiếp tục theo đuổi con đường nghiên cứu khoa học.

TS. Nguyễn Phi Lê, chủ nhiệm dự án chia sẻ: “Dự án Fi-Mi có thể thực hiện và thành công được là nhờ có sự hỗ trợ từ Quỹ VINIF. Sự hỗ trợ này không chỉ đến từ việc tài trợ ngân sách, mà quan trọng hơn là sự ủng hộ, tin tưởng tuyệt đối, tạo điều kiện hết sức của VINIF đối với các thành viên của dự án. Khác với một số quỹ nghiên cứu khác, VINIF không đòi hỏi các báo cáo dài dòng mang tính hình thức, ngược lại Quỹ đề cao các nghiên cứu thực sự chất lượng, được kiểm định và đánh giá bởi các tạp chí/hội thảo uy tín đầu ngành. Với tôn chỉ tinh giản tối đa các thủ tục hành chính để các nhà khoa học có thể yên tâm làm đúng chuyên môn của mình, Quỹ VINIF đã mang tới cho cộng đồng nghiên cứu khoa học của Việt Nam một làn gió mới, khích lệ và thúc đẩy tinh thần tự do nghiên cứu, phát huy năng lực tối đa của các nhà nghiên cứu”.

Tìm hiểu chi tiết về dự án tại địa chỉ: https://fi-mi.vn/architecture

Một trong những khát vọng lớn của ngành Trí tuệ nhân tạo (Artificial Intelligence – AI) là tạo ra các máy móc (robot) có khả năng hỗ trợ và sống hoà nhập với con người. Những robot ấy cần có khả năng hiểu, ứng dụng một cách đúng đắn tri thức và văn hoá của con người trong suốt thời gian sống của chúng. Đặc biệt, một khả năng không thể thiếu cho những robot ấy là khả năng học liên tục từ những quan sát về môi trường xung quanh.

Con người chúng ta có khả năng học một cách tự nhiên. Chúng ta có thể học từ bất cứ đâu và bất cứ khi nào. Mỗi ngày bộ não của chúng ta có thể tự động học thêm được một điều gì đó mới mẻ. Từ khi sinh ra chúng ta đã có khả năng học, và quá trình học cứ tiếp diễn cho đến cuối đời. Đây chính là khả năng học suốt đời. Liệu robot có khả năng học suốt đời không? Hay đúng hơn là Liệu chúng ta có thể tạo ra những robot mà có khả năng học suốt đời không?

Câu trả lời là có thể. Năm 2022 đã diễn ra một số đột phá lớn trong AI, như ChatGPT [1, 2] có khả năng hội thoại, viết, tư vấn, lập trình, giải toán,… và DALLE-2 hay MidJourney [3, 4] có khả năng vẽ tuyệt vời. Hình 1 và 2 là hai bức tranh do MidJourney vẽ. Những điều đó là cơ sở tốt để chúng ta hy vọng tạo khả năng học suốt đời cho robot. Tuy nhiên rất nhiều thách thức cần được giải quyết nếu chúng ta muốn tạo ra những cái máy như thế. Bài viết này sẽ giới thiệu với độc giả về việc học của máy móc và học liên tục.

1. Robot sẽ học thế nào?

Con người có thể học từ rất nhiều nguồn khác nhau, như sách, báo, tin tức, bạn bè, người thân, thầy, cô,… Chúng ta có thể học để làm những thứ đơn giản (như cầm đũa, đi lại, đạp xe, nấu cơm, giặt đồ,…), cho đến những việc thứ rất phức tạp (như lái xe ô tô, học nói, kinh doanh,…). Chúng ta có thể tự đúc kết kinh nghiệm sau khi đã quan sát nhiều lần về các sự vật hoặc hiện tượng. Đó là khả năng tự học rất tuyệt vời mà tự nhiên đã ban tặng.

Robot cũng có thể học như thế. Chúng có thể học được gì đó sau khi đã quan sát nhiều ví dụ khác nhau về một thứ gì đó. Đó là khả năng tự học từ các ví dụ. Trong thực tế, các ví dụ này có thể thu thập được khá dễ dàng (dùng camera, GPS, ăngten,…) và thường được gọi là Dữ liệu (Data). Hình 3 mô tả một vài ví dụ về các mẫu dữ liệu.

Lĩnh vực Học máy (Machine Leaning) [5] đã và đang phát triển rất nhiều phương pháp để huấn luyện robot (tức là tạo cho máy có khả năng học). Mỗi phương pháp học sẽ nhận đầu vào là một tập dữ liệu đã thu thập được trong quá khứ (tập huấn luyện) để tạo ra tri thức mới (đôi khi người ta gọi là mô hình hoặc hàm) cho máy. Sau khi huấn luyện, máy có thể dùng tri thức đó để phán đoán hoặc suy diễn về những quan sát mà nó gặp trong tương lai.

Như vậy về cơ bản, ta có thể hiểu việc robot học để giải quyết một nhiệm vụ nào đó là việc tìm ra một hàm toán học f (x) từ một tập huấn luyện. Hình 4 minh hoạ việc dùng tập dữ liệu D và phương pháp (thuật toán) A để giúp một máy học được tri thức. Hàm f có thể giúp máy đưa ra một phán đoán y = f (x) cho mỗi mẫu dữ liệu x. Tuỳ vào nhiệm vụ thực tế, hàm f có thể có tên gọi khác, như hàm phân loại, hàm hồi quy,… Tập huấn luyện D thường được thu thập trước và gồm một số ví dụ cụ thể của nhiệm vụ cần giải quyết. Hình 5 minh họa một tập dữ liệu cho một nhiệm vụ cơ bản.

Những nhiệm vụ trong thực tế có thể rất cơ bản, chẳng hạn phân biệt giữa “chó” và “mèo”, giữa quả “cam” và “bưởi”, giữa hoa “hướng dương” và “cúc”…, nhưng cũng có thể rất phức tạp như viết truyện, vẽ tranh, sáng tác nhạc… Mỗi nhiệm vụ thực tế có thể đưa về một trong số các bài toán học, như học có giám sát, học không giám sát, học tăng cường,… Độc giả có thể xem thêm chi tiết các bài toán học trong tài liệu tham khảo [5].

Phương pháp A học thế nào?

Trong nhiều mô hình học máy cơ bản, khi cho trước tập huấn luyện D, phương pháp A sẽ tìm ra một hàm f* bằng cách cực tiểu hoá một hàm lỗi L(f, D) nào đó. Nghĩa là f* là một điểm cực tiểu của hàm L(f, D). Trong đó L(f, D) mô tả lỗi của các phán đoán của hàm f trên tập D, và thường được chọn trước khi huấn luyện. Ta có thể hiểu rằng hàm L(f, D)  mô tả chất lượng phán đoán của một hàm f đối với các mẫu dữ liệu trong D. Như vậy một phương pháp học cơ bản sẽ cố gắng đi tìm một hàm f* mà có lỗi ít nhất trên tập D. Nhiều ý tưởng gần đây trong Học máy có thể giúp việc học tốt hơn và tránh hiện tượng học vẹt.

2. Học liên tục như thế nào?

Ở phần trên, chúng ta mới thấy việc dùng một phương pháp A để giúp robot học từ một tập huấn luyện D. Chú ý rằng tập D cần được thu thập trước và sẽ không thay đổi trong quá trình huấn luyện. Điều này làm cho nhiều phương pháp học truyền thống gặp khó trong một số ứng dụng thực tế và không thể tạo khả năng học liên tục cho robot.

Trong kỷ nguyên bùng nổ về dữ liệu, rất nhiều ứng dụng đòi hỏi robot cần có khả năng làm việc với các luồng dữ liệu (data stream), nơi mà các mẫu dữ liệu đến một cách tuần tự và liên tục mà không có điểm dừng. Cũng như thế, khả năng học suốt đời có nghĩa là khả năng học liên tục từ nhiệm vụ này đến nhiệm vụ khác, và chuỗi nhiệm vụ có thể vô hạn. Hình 6 minh hoạ về một chuỗi nhiệm vụ mà robot cần học.

Trong các môi trường ấy, tại mỗi thời điểm, robot có thể quan sát thêm một số mẫu dữ liệu cho một nhiệm vụ đã học trong quá khứ hoặc cho nhiệm vụ mới. Với cách huấn luyện truyền thống, robot sẽ không thể học thêm từ các mẫu dữ liệu mới đó để cải thiện tri thức của mình. Nếu chỉ học nhiệm vụ mới một cách ngây thơ (như mô tả phía trên) từ các mẫu dữ liệu đó thì robot sẽ quên nhanh những thứ đã học trong quá khứ [6, 7]. Điều này không phải là thứ ta mong muốn và trái ngược với khả năng của con người.

Vậy làm thế nào để robot có khả năng học liên tục? Đây là câu hỏi đã được đặt ra nghiên cứu rất lâu trước đây [8, 9, 10], và gần đây đang thu hút một lượng lớn các nhà nghiên cứu trên thế giới [11, 12]. Năm 2022, hội nghị CoLLAs (http://lifelong-ml.cc/) đã được hình thành và sẽ diễn ra hàng năm để tập hợp những nghiên cứu tiên tiến nhất trên thế giới về việc tạo cho robot có khả năng học liên tục.

2.1. Bài toán học liên tục

Về cơ bản, bài toán học liên tục có thể được mô tả như sau. Tại thời điểm t hiện tại, robot đã có sẵn tri thức (mô hình) f_t-1. Giả sử robot quan sát thêm một tập dữ liệu mới D_t và cần học thêm từ đó. Khi đó một phương pháp học CLA cần có khả năng sử dụng tri thức cũ và tập dữ liệu D_t để huấn luyện robot và tạo ra tri thức mới f_t. Phương pháp CLA cần giúp robot làm việc tốt nhất với nhiệm vụ mới và có thể cải thiện việc giải quyết các nhiệm vụ quá khứ. Thông thường CLA sẽ không thể sử dụng lại các mẫu dữ liệu đã học trong quá khứ. Điều này cũng tương tự như chúng ta, bởi bộ não con người không thể lưu lại hết những thứ đã thấy trong quá khứ.

Đối với chuỗi nhiệm vụ học có giám sát, có hai bài toán con thường được nghiên cứu [13]:

– Học tiệm tiến theo nhiệm vụ (TIL – Task-incremental learning): đây là môi trường mà tập dữ liệu D_t chỉ phục vụ việc học nhiệm vụ thứ t, và việc phán đoán cho một mẫu dữ liệu x mới sẽ đòi hỏi Task-ID của nhiệm vụ cần thực hiện. Task-ID có thể là tên (hoặc mã định danh) của nhiệm vụ. Như vậy, robot cần biết ranh giới rõ ràng về các nhiệm vụ. Sau khi học xong nhiệm vụ t, robot sẽ không cần cập nhật tri thức về nó trong tương lai.

– Học tiệm tiến theo nhóm (CIL – Class-incremental learning): đây là môi trường mà tập dữ liệu D_t thu được tại thời điểm t phục vụ việc học nhiều nhiệm vụ khác nhau (có thể có nhiệm vụ cũ), các mẫu dữ liệu trong D_t có Task-ID rõ ràng; nhưng khi cần phán đoán cho một mẫu dữ liệu x trong tương lai, robot cần tự suy luận ra Task-ID và phán đoán nhãn. Bảng 1 minh hoạ sự khác nhau giữa CIL và TIL tại mỗi phán đoán trong tương lai.

Có thể thấy TIL thường dễ giải quyết hơn CIL. Trong CIL, đôi khi robot sẽ quan sát thêm được một ít dữ liệu của nhiệm vụ nào đó trong quá khứ, và cần cập nhật thêm tri thức về nhiệm vụ đó. Việc này có thể tạo ra nhiều khó khăn.

Ngoài TIL và CIL, đôi khi robot có thể phải học trong môi trường phức tạp hơn, như học không giám sát liên tục, hoặc học từ luồng dữ liệu không có thông tin về nhiệm vụ rõ ràng,… Vì tính phức tạp của chúng nên bài viết này sẽ không trình bày thêm. Độc giả có thể xem thêm trong tài liệu tham khảo [14]. Chúng tôi cũng đã có một vài nghiên cứu nằm trong khuôn khổ dự án khoa học công nghệ do Quỹ VINIF tài trợ về việc sử dụng tri thức con người một cách hiệu quả khi học không giám sát từ luồng dữ liệu [7, 15, 16].

2.2. Một số chiến lược học liên tục

Học liên tục từ luồng dữ liệu hoặc chuỗi nhiệm vụ vô hạn có thể có miền ứng dụng rộng lớn trong thực tế. Chẳng hạn, một hệ thống bán lẻ trực tuyến cần hiểu thị hiếu và nhu cầu thay đổi của khách hàng thông qua lịch sử tương tác của họ; một hệ thống hỏi đáp cần cập nhật tri thức thường xuyên từ xã hội; một chuyên gia tư vấn ảo cần cập nhật thường xuyên các tiến bộ khoa học trong ngành đó; một hệ thống phân tích thị trường chứng khoán cần có khả năng cập nhật thường xuyên sự biến động của các mã và xã hội; một hệ thống bảo vệ tài khoản của khách hàng thì cần thường xuyên cập nhật các tấn công và hành vi lạ của tin tặc,… Do đó, các nhà khoa học đã và đang phát triển rất nhiều phương pháp học liên tục khác nhau.

Sau khi học một nhiệm vụ cụ thể, tri thức thu được thường được lưu ở một nơi nào đó, ký hiệu là W. Nếu robot học tiếp một nhiệm vụ mới và lưu lại tri thức mới vào W thì sẽ xảy ra hiện tượng “Quên nghiêm trọng” (catastrophic forgetting). Tức là, máy sẽ quên một số tri thức của nhiệm vụ trước đó, và làm giảm hiệu quả của nhiệm vụ đó. Hiện tượng này có mặt ở khắp các hệ thống có khả năng học liên tục, bao gồm cả con người [6]. Một số phương pháp học trước đây có thể làm cho robot có tốc độ quên nhanh hơn con người [7].

Một cách đơn giản để tránh quên đó là robot sẽ dùng một bộ nhớ W_t cho mỗi nhiệm vụ t và không chồng lấn lên vùng lưu tri thức của nhiệm vụ khác. Khi đó máy sẽ không bao giờ quên những gì đã học trong quá khứ. Điều này nghe có vẻ hợp lý. Với cách làm này, mỗi lần robot học thêm một nhiệm vụ mới sẽ cần thêm một vùng nhớ mới, nghĩa là bộ não của nó cần tăng dần kích cỡ. Tuy nhiên, cách làm như thế sẽ cực kỳ tốn kém và không thực tế. Chúng ta nhớ rằng, mỗi bộ não con người chỉ có kích thước hữu hạn sau khi đã trưởng thành và không có khả năng tự tăng kích cỡ khi học một thứ gì đó mới. Cũng như thế, mỗi robot được sinh ra thường có một bộ nhớ hữu hạn (ví dụ 8Gb RAM và 1Tb HDD). Do đó cách làm này sẽ không khả thi.

Học liên tục dựa vào hiệu chỉnh: có thể nói đây là một hướng tiếp cận kinh điển để giúp đương đầu với vấn đề quên nghiêm trọng. Kirkpatrick và cộng sự [17] là những người tiên phong trong hướng nghiên cứu này. Họ đã tạo ra một phương pháp có tên EWC (Elastic Weight Consolidation – Trọng số đàn hồi/Trọng số lò xo) rất hiệu quả.

Ý tưởng của EWC cũng rất dễ hiểu. Giả sử robot đã có tri thức W_t-1 thu được sau khi học các nhiệm vụ trong quá khứ. Robot cần ước lượng mức độ quan trọng của mỗi thành phần trong W_t-1 đối với các nhiệm vụ cũ, và các thành phần quan trọng đó sẽ bị phạt (hạn chế thay đổi) khi học một nhiệm vụ mới. Với ý tưởng này, robot có thể hạn chế hoặc đương đầu tốt với vấn đề quên. Cụ thể hơn, đến thời điểm hiện tại, máy cần học nhiệm vụ thứ t từ tập dữ liệu D_t. Khi đó robot sẽ học bằng cách tìm W_t mà làm cho hàm số sau đạt cực tiểu

L(W,D_t) + a.d(W_t-1,W)

Trong đó L(W,D_t) mô tả lỗi trên tập D_t , d là độ đo khoảng cách (có trọng số) giữa hai đối tượng, và a là một hằng số phạt. d cần đảm bảo rằng những phần quan trọng của W_t-1 sẽ bị phạt nặng để không bị thay đổi nhiều.

Chúng ta có thể thấy rằng EWC sẽ đi tìm một nghiệm W mà làm cho cả L(W,D_t) và d(W_t-1,W) đều bé. Nghĩa là, EWC vừa học tri thức của nhiệm vụ mới (do lỗi L bé) và vừa đảm bảo rằng các tri thức mới không quá khác biệt với tri thức cũ (do d bé). Khi a rất bé (ví dụ a ≈ 0) thì robot sẽ tập trung chính vào việc học nhiệm vụ mới mà không quan tâm đến tri thức cũ. Điều này có thể làm cho robot sẽ mắc vấn đề quên tri thức. Ngược lại, khi a lớn thì việc học sẽ cần đảm bảo khoảng cách d(W_t-1,W)  rất bé. Điều này có nghĩa là robot sẽ không học được nhiều tri thức từ nhiệm vụ mới, do chỉ được đi loanh quanh W_t-1, và robot có thể không giải quyết tốt nhiệm vụ mới. Do đó, hệ số phạt a đóng vai trò quan trọng để giúp robot cân bằng giữa nhớ tri thức cũ và học tri thức mới.

Có thể nói EWC là một trong những phương pháp phổ biến nhất trong học liên tục, mặc dù có ý tưởng khá đơn giản. Tuy nhiên nó còn có nhiều nhược điểm. Chẳng hạn, việc chọn hệ số a để cân bằng tri thức trong môi trường học liên tục là không dễ chút nào. Đã có rất nhiều các cải tiến đã được đưa ra cho EWC.

Ngoài chiến lược dựa vào hiệu chỉnh, các nhà nghiên cứu đã và đang tạo ra khá nhiều hướng khác. Có hai hướng lớn khác là hướng tiếp cận dựa vào kiến trúc và hướng tiếp cận dựa vào bộ nhớ. Tuy nhiên chúng tôi sẽ không trình bày chi tiết về chúng. Độc giả có thể xem thêm trong các tài liệu tham khảo [11, 12].

3. Kết luận

Bài viết này đã trình bày một vài khía cạnh cơ bản về việc học và học liên tục trong lĩnh vực Học máy. Để tạo ra robot có khả năng học suốt đời, chúng ta sẽ phải đối diện với rất nhiều thách thức, chẳng hạn quên tri thức, mâu thuẫn giữa ổn định và mềm dẻo, dữ liệu nhiễu,…

Tài liệu tham khảo

1. Vincent, J. (8/12/2022). ChatGPT proves AI is finally mainstream – and things are only going to get weirder. The Verge.
2. Thompson, D. (December 8, 2022). Breakthroughs of the Year. The Atlantic.
3. Kim (17/8/2022). Tìm hiểu về công nghệ ma thuật dùng AI vẽ tranh theo mô tả của con người. Genk.vn
4. Rachel, M. (3/9/2022). AI won an art contest, and artists are furious. Cable News Network (CNN).
5. Mitchell, T. M. (1997). Machine Learning. McGraw-Hill press.
6. Mermillod, M., Bugaiska, A., & Bonin, P. (2013). The stability-plasticity dilemma: Investigating the continuum from catastrophic forgetting to age-limited learning effects. Frontiers in Psychology, 4, 504.
7. Tran, B., Nguyen, A. D., Van, L. N., & Than, K. (2023). Dynamic transformation of prior knowledge into Bayesian models for data streams. IEEE Transactions on Knowledge and Data Engineering.
8. Thrun, S., & Mitchell, T. (1995). Lifelong robot learning. Robotics and Autonomous Systems, 15, 25–46.
9. Robins, A. V. (1995). Catastrophic forgetting, rehearsal and pseudorehearsal. Connection Science, 7(2), 123–146.
10. Chen, Z., & Liu, B. (2018). Lifelong machine learning. Synthesis Lectures on Artificial Intelligence and Machine Learning, 12(3), 1-207.
11. Mundt, M., Hong, Y., Pliushch, I., & Ramesh, V. (2023). A wholistic view of continual learning with deep neural networks: Forgotten lessons and the bridge to active and open world learning. Neural Networks, 160, 306-336.
12. Parisi, G. I., Kemker, R., Part, J. L., Kanan, C., & Wermter, S. (2019). Continual lifelong learning with neural networks: A review. Neural networks, 113, 54-71.
13. Van de Ven, G. M., & Tolias, A. S. (2019). Three scenarios for continual learning. arXiv preprint arXiv:1904.07734.
14. Zeno, C., Golan, I., Hoffer, E., & Soudry, D. (2021). Task-agnostic continual learning using online variational bayes with fixed-point updates. Neural Computation, 33(11), 3139-3177.
15. Nguyen, H., Pham, H., Nguyen, S., Van Linh, N., & Than, K. (2022). Adaptive infinite dropout for noisy and sparse data streams. Machine Learning, 111(8), 3025-3060.
16. Ngo, V. L., Bach, T. X., & Than, K. (2022). A graph convolutional topic model for short and noisy text streams. Neurocomputing, 468, 345-359.
17. Kirkpatrick, J., Pascanu, R., Rabinowitz, N., Veness, J., Desjardins, G., Rusu, A. A., … & Hadsell, R. (2017). Overcoming catastrophic forgetting in neural networks. Proceedings of the National Academy of Sciences, 114(13), 3521-3526.

PGS.TS. Thân Quang Khoát

Trường CNTT&TT, Đại Học Bách Khoa Hà Nội