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) ft-1. Giả sử robot quan sát thêm một tập dữ liệu mới Dt 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 Dt để huấn luyện robot và tạo ra tri thức mới ft. 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 Dt 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 Dt 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 Dt 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 Wt 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 Wt-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 Wt-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 Dt. Khi đó robot sẽ học bằng cách tìm Wt mà làm cho hàm số sau đạt cực tiểu
L(W,Dt) + a.d(Wt-1,W)
Trong đó L(W,Dt) mô tả lỗi trên tập Dt , 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 Wt-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,Dt) và d(Wt-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(Wt-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 Wt-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
- Vincent, J. (8/12/2022). ChatGPT proves AI is finally mainstream – and things are only going to get weirder. The Verge.
- Thompson, D. (December 8, 2022). Breakthroughs of the Year. The Atlantic.
- Kim (17/8/2022). Tìm hiểu về công nghệ ma thuật dùng AI vẽ tranh theo mô tả của con người. Genk.vn
- Rachel, M. (3/9/2022). AI won an art contest, and artists are furious. Cable News Network (CNN).
- Mitchell, T. M. (1997). Machine Learning. McGraw-Hill press.
- 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.
- 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.
- Thrun, S., & Mitchell, T. (1995). Lifelong robot learning. Robotics and Autonomous Systems, 15, 25–46.
- Robins, A. V. (1995). Catastrophic forgetting, rehearsal and pseudorehearsal. Connection Science, 7(2), 123–146.
- Chen, Z., & Liu, B. (2018). Lifelong machine learning. Synthesis Lectures on Artificial Intelligence and Machine Learning, 12(3), 1-207.
- 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.
- 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.
- Van de Ven, G. M., & Tolias, A. S. (2019). Three scenarios for continual learning. arXiv preprint arXiv:1904.07734.
- 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.
- 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.
- Ngo, V. L., Bach, T. X., & Than, K. (2022). A graph convolutional topic model for short and noisy text streams. Neurocomputing, 468, 345-359.
- 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
📌 Tác giả: NCS. Nguyễn Phương Tú
📌 Giải thưởng: Golden Alumni
✨ Tác phẩm có hai phần, lấy ý tưởng và cảm xúc từ chính công việc thường ngày của nữ giảng viên Nguyễn Phương Tú, Bộ môn Phụ sản, Trường Đại học Y Hà Nội: – Bài viết “Hành trình của người phụ nữ khi được trở thành mẹ” – Video ngắn với chủ đề: Những người nâng đỡ hành trình “nhiệm màu”
Hành trình của người phụ nữ khi được trở thành mẹ
Tình mẫu tử, tình cảm thiêng liêng và cao quý nhất trong cuộc sống này, trở thành một phần không thể tách rời của con người. Nó là nguồn cảm hứng và sự tồn tại, một khúc ca vô tận về tình yêu và sự hi sinh. Tình mẫu tử là sợi dây liên kết tình thân không thể vụt mất, đan xen sâu trong tâm hồn, là ánh sáng dẫn đường, tạo nên sự ấm áp, an lành và lòng bao dung. Đây là tình cảm mà mỗi người đều hướng về, tìm kiếm và trân trọng, vì tình mẫu tử mang trong mình một sức mạnh vô hạn để nuôi dưỡng, bảo vệ và khám phá những khoảnh khắc đáng nhớ trong cuộc sống.
Khoảnh khắc khi một sinh linh bé nhỏ nảy mầm trong cơ thể người phụ nữ là khoảnh khắc của một khởi đầu mới thật kỳ diệu. Khoảnh khắc khi những tế bào của người mẹ và người con gắn chặt vào nhau, khi nhịp tim con hòa cùng mẹ, khi tiếng thở và mỗi cử động dù nhỏ của con nhưng lại đi tận sâu vào tâm hồn mẹ. Sự yêu thương lúc ấy dường như bắt đầu nảy nở, chẳng có bất kỳ lý do hay sự giải thích rõ ràng nào, chỉ là khi đó, mọi rung động của mẹ đều bắt nguồn từ con, để mẹ biết rằng con là nguồn sống mạnh mẽ mẹ đang mang trong mình.
May mắn cũng đảm nhiệm thiên chức làm mẹ, tôi thấu hiểu sợi dây gắn kết mạnh mẽ, của nồng nàn cảm xúc khó gọi tên trên hành trình trở thành một người mẹ. Nhưng càng đặc biệt hơn cả, khi ở cương vị một bác sĩ sản khoa – chuyên ngành hỗ trợ sinh sản. Tôi lại được chứng kiến và cảm nhận nhiều hơn bên trong hành trình của nhiều người mẹ ngoài kia. Những người mẹ tưởng chừng mỏng manh, nữ tính, thậm chí yếu đuối nhưng lại mạnh mẽ vượt lên mỗi cơn đau của vô số lần tiêm chích hay lấy máu. Những người mẹ dù mang vô vàn lo lắng mỗi lần đối diện với bác sĩ nhưng vẫn đều đặn nuôi hi vọng mỗi ngày trên con đường tới với thiên chức của mình. Để rồi, cuối cùng, khi cuộc hành trình chín tháng mười ngày khép lại, tiếng khóc chào đời của những thiên thần nhỏ cũng là khi những giọt nước mắt hạnh phúc và
nụ cười tươi rạng rỡ hiện diện trên khuôn mặt người mẹ.
Hành trình dài sau đó, người mẹ trở thành người chở che, người chia sẻ, người mang lại cho con những bình yên đẹp đẽ của năm tháng tuổi thơ, cũng là người nâng bước cho con trước những thử thách đầu đời. Mãi mãi, tình cảm thiêng liêng đó vẫn ở bên con, trở thành điểm tựa đáng tin cậy. Để tới tận mãi sau, dẫu cho con đi đến bất cứ nơi đâu, dù trưởng thành vấp ngã hay thành công, chỉ cần quay đầu lại, đằng sau luôn hiện diện vòng tay ấm áp của mẹ, để ôm chặt và truyền đạt yêu thương. Hành trình ấy được chúng tôi gọi là hành trình hạnh phúc và nhiệm màu. Hành trình hạnh phúc và nhiệm màu kết thành động lực cho mọi người phụ nữ sắp trở thành “Mẹ” và cả những người phụ nữ đang không ngừng tìm kiếm cơ hội để được trở thành một người mẹ.
Những người nâng đỡ hành trình “nhiệm màu”
Như bản nhạc “Nhật ký của mẹ” đã từ lâu trở thành biểu tượng tình mẫu tử sâu đậm, nó là câu chuyện về một người mẹ với tình yêu vô điều kiện và sự hy sinh tận tuỵ dành cho con cái. Hiện thực hóa câu chuyện về hành trình hạnh phúc và nhiệm màu của người mẹ qua những ca từ đầy ý nghĩa, bản nhạc “Nhật ký của mẹ” – lời và nhạc của Nguyễn Văn Chung được trình bày cùng giai điệu du dương của đàn dương cầm, chính là lời chúc và món quà đặc biệt từ Nghiên cứu sinh Nguyễn Phương Tú trân trọng gửi tặng cuộc thi “VINIF Alumni – lan tỏa nguồn cảm hứng sáng tạo”.
Cũng như bản nhạc đó, mỗi người mẹ đều khao khát trở thành một phần tạo nên “nhật ký” sống của những sinh linh bé nhỏ. Và vai trò của những bác sĩ hỗ trợ vô sinh hiếm muộn khi ấy chính là người kết nối, mang lại hy vọng và hỗ trợ cho họ trong cuộc hành trình đầy thách thức để làm cha mẹ, để những khao khát ý nghĩa trên được hiện thực hóa. Trong từng ngày làm việc, người bác sĩ sản khoa tràn đầy tình yêu thương và thấu hiểu, đồng hành cùng các bà mẹ trong quá trình mang thai và sinh đẻ, đảm bảo an toàn và sự chăm sóc tốt nhất cho cả mẹ và con, mang lại sự an lòng và tin tưởng cho những gia đình đang khao khát có được hạnh phúc làm cha mẹ.
Những nốt nhạc tuyệt vời trong bản nhạc trên mang đến không ít cảm xúc sâu lắng và dành riêng cho người mẹ. Còn đối với chúng tôi – những người bác sĩ làm công tác hỗ trợ, âm nhạc, đặc biệt là nhạc giao hưởng bên cạnh đó lại trở thành một “liệu pháp tinh thần” vô cùng hữu hiệu. Nghe nhạc là một cách tuyệt vời để giảm bớt căng thẳng và âu lo cho người mẹ đang mang thai hay đang khó khăn trong việc giữ thai. Khi đó, người mẹ được lắng mình trong những giai điệu dịu nhẹ, dẫn dắt cơ thể thư giãn và tìm lại sự yên bình trong tâm hồn. Đặc biệt, những bản nhạc về tình mẹ còn làm tăng tính bền vững và ý
nghĩa của tình cảm gia đình, đồng thời tạo ra một sự kết nối tình cảm đặc biệt giữa mẹ và thai nhi. Lúc đó, chất xúc tác tuyệt vời được sản sinh để dẫn đường, đồng hành và thúc đẩy mỗi người mẹ kiên cường, vững tin và tràn đầy hi vọng để chinh phục chặng đường tới với thiên chức cao cả của cuộc đời.
Hành trình để chào đón sự hiện diện của thiên thần bé nhỏ tới với cuộc sống, với mỗi người là một hành trình riêng biệt, có khó khăn thậm chí cả những đớn đau hay thời gian mòn mỏi, nhưng lại cũng tràn trề niềm hạnh phúc. Trái ngọt một ngày sẽ đến để đáp lại sự cố gắng và sự hi vọng của những bà mẹ với trái tim yêu thương. Trong hành trình vun trồng đó, người bác sĩ hỗ trợ sinh sản sẽ là người bạn, người thấu hiểu và ở bên và chia sẻ mọi khoảnh khắc ý nghĩa của hành trình đẹp đẽ đó.
Hội thảo VINIF – Dấu ấn 5 năm hoạt động diễn ra trong hai ngày 26-27/7/2023 vừa qua thu hút trên 300 đại biểu tham dự trực tiếp; các hoạt động trên fanpage trước, trong và sau hội thảo cũng tiếp cận tới 30.000 người, hàng trăm lượt chia sẻ đến từ các cơ quan, học viện, trường đại học, viện nghiên cứu, nhà khoa học…
Để bạn đọc dễ dàng tiếp cận và theo dõi các nội dung quan trọng, có ý nghĩa lớn diễn ra trong Hội thảo, VINIF đã tách toàn bộ chương trình trong hai ngày 26-27/7/2023 thành các video theo các chủ đề tương ứng:
1. Phần khai mạc, tri ân Hội đồng khoa học VINIF, CLB VINIF Alumni:
2. Tọa đàm “Thúc đẩy nghiên cứu, ứng dụng và hướng tới thương mại hóa các sản phẩm khoa học công nghệ”:
3. Tọa đàm “Cơ hội, thách thức và giải pháp trong nghiên cứu và đào tạo khoa học công nghệ”:
4. Phần thuyết trình của 2 dự án khoa học công nghệ (chiều 26/7/2023):
5. Phần thuyết trình của 2 dự án văn hóa lịch sử và 3 ứng viên xuất sắc nhận học bổng sau tiến sĩ/tiến sĩ (sáng 27/7/2023):
6. Phần thuyết trình của 5 dự án khoa học công nghệ (chiều 27/7/2023):
Kính mời quý vị và các bạn cùng theo dõi.
Quỹ VINIF được thành lập vào năm 2018 với mục tiêu hỗ trợ các nhà khoa học, tài năng trẻ thuộc các trường đại học, học viện thực hiện nghiên cứu khoa học và các hoạt động đổi mới sáng tạo nhằm tạo ra những thay đổi tích cực, bền vững, mang lại lợi ích thiết thực cho cộng đồng và đất nước.
Ngay từ những ngày đầu thành lập, VINIF vạch ra sứ mệnh rõ ràng, tầm nhìn tiên phong và các giá trị cốt lõi cấp tiến với mong muốn kiến tạo một văn hóa nghiên cứu sáng tạo, trung thực, chuẩn mực quốc tế. Sau 05 năm phát triển, VINIF dần tìm tòi, sáng tạo, thử nghiệm và mở rộng quy mô cả chiều rộng lẫn chiều sâu với nhiều chương trình trọng điểm, tài trợ trên 750 tỷ đồng.
Nhận thức rõ tầm quan trọng của yếu tố “đổi mới sáng tạo” trong tiêu chí hành động của Quỹ trong hiện tại và tương lai, ngày 07/07/2023, VINIF đã tổ chức seminar với chủ đề “Đổi mới sáng tạo: Xu hướng trên thế giới và thực trạng tại Việt Nam”. Seminar có sự tham gia trình bày và tư vấn từ 02 chuyên gia uy tín trong lĩnh vực xây dựng chính sách quản lý và giám sát, đo lường các hoạt động liên quan đến đổi mới sáng tạo:
Chuyên gia Nguyễn Võ Hưng với bài thuyết trình “Phân biệt nghiên cứu khoa học, phát triển công nghệ, đổi mới sáng tạo và một số xu hướng đổi mới sáng tạo hiện nay ở Việt Nam”;
TS. Nguyễn Ngọc Anh với bài giảng “Vài nét về Theo dõi và Đánh giá (M&E): Một số gợi ý áp dụng cho hoạt động của VINIF”.
Chuyên gia Nguyễn Võ Hưng là nghiên cứu viên chính, Trưởng ban Chính sách Đổi mới sáng tạo tại Viện Chiến lược và Chính sách Khoa học công nghệ (NISTPASS), Học viện Khoa học công nghệ và Đổi mới sáng tạo, Bộ Khoa học và Công nghệ.
TS. Nguyễn Ngọc Anh là nhà nghiên cứu kinh tế, Giám đốc Trung tâm Nghiên cứu Chính sách và Phát triển (DEPOCEN) và Giáo sư liên kết tại IPAG Business School, Pháp. TS là một trong những người sáng lập Vietnam Economist Annual Meeting và Trường Hè Khoa Học Việt Nam.
Quỹ đổi mới sáng tạo Vingroup (VinIF) được thành lập từ tháng 8/2018. Sau 05 năm phát triển và sáng tạo với tinh thần cống hiến, đột phá, và đạt các chuẩn mực quốc tế cao, VinIF đã tài trợ cho hơn 100 dự án khoa học công nghệ, gần học bổng sau tiến sĩ, hơn 500 học bổng tiến sĩ, 500 học bổng thạc sĩ, 06 đề án hợp tác đào tạo thạc sĩ khoa học dữ liệu, 10 dự án và 15 sự kiện chuyên môn với mục đích bảo tồn văn hóa lịch sử Việt Nam, 70 hội thảo khoa học công nghệ có tầm ảnh hưởng lớn, 60 chương trình bài giảng đại chúng – giáo sư thỉnh giảng, với tổng kinh phí lên tới 750 tỷ đồng.
Với mục đích nhìn lại chặng đường 05 năm đã qua với nhiều đóng góp cho cộng đồng, tri ân những nhà khoa học tâm huyết với Quỹ từ những ngày đầu, nêu bật những công trình khoa học và chương trình tài trợ đạt thành tựu đột phá, đồng thời thảo luận, trao đổi, lắng nghe ý kiến, kết nối các Quỹ Khoa học công nghệ, các doanh nghiệp phát triển sản phẩm, và các nhà khoa học để phát triển hơn nữa những hướng đi trong tương lai, tháng 7/2023, Quỹ sẽ tổ chức Hội thảo với những nội dung chính như sau:
1. Trao chứng nhận cho các dự án khoa học công nghệ, văn hóa lịch sử đã nghiệm thu.
2. Báo cáo về tác động xã hội và ý nghĩa của các Chương trình tài trợ với sự phát triển của khoa học công nghệ và đóng góp cho đất nước.
3. Tổng quan các kết quả nổi bật từ hơn 100 dự án, các công trình nghiên cứu chọn lọc trong giai đoạn 2019-2023.
4. Tổng quan các kết quả nổi bật của hơn 1000 nhà khoa học trẻ nhận học bổng của Quỹ từ 2019-2023.
5. Tri ân đóng góp của Hội đồng khoa học công nghệ đồng hành với VinIF từ những ngày đầu.
6. Các tọa đàm giữa các chuyên gia, nhà quản lý, nhà khoa học, quỹ đầu tư để kết nối, thúc đẩy quá trình thương mại hóa các sản phẩm khoa học công nghệ và chia sẻ các hướng phát triển, tiềm năng, thách thức mới cho cộng đồng khoa học tại Việt Nam.
Trân trọng kính mời các nhà khoa học, các nghiên cứu sinh, học viên cùng đến theo dõi sự kiện quan trọng và ý nghĩa này:
Thời gian: 02 ngày, ngày 26, 27/7/2023.
Địa điểm: Trung tâm hội nghị Almaz, Khu đô thị Vinhomes Riverside, Phường Phúc Lợi, Quận Long Biên, Thành phố Hà Nội.
Theo dõi các thông báo cập nhật về Hội thảo tại https://vinif.org/…/hoi-thao-ky-niem-5-nam-hoat-dong…/
TRƯỜNG HÈ QUỐC TẾ NĂM 2023: LÝ THUYẾT XÁC SUẤT TRONG KHÔNG GIAN NHIỀU CHIỀU VÀ ỨNG DỤNG “HIGH DIMENSIONAL PROBABILITY AND APPLICATIONS”
Thời gian: 05 ngày, từ 19/06/2023 đến 23/06/2023
Địa điểm: Viện Toán học, Viện Hàn lâm Khoa học Công nghệ Việt Nam, số 18B Hoàng Quốc Việt, Cầu Giấy, Hà Nội
Mục đích: Trường Hè Quốc tế năm 2023 nhằm cung cấp cho các nhà khoa học trẻ những kiến thức cơ bản và cập nhật về Lý thuyết xác suất trong không gian nhiều chiều. Thông qua các hoạt động, người tham gia sẽ được tiếp cận với những nghiên cứu mới nhất trong lĩnh vực này và có cơ hội kết nối với các khách mời, diễn giả là những chuyên gia hàng đầu trong lĩnh vực. Từ đó, người tham gia sẽ có góc nhìn bao quát về Lý thuyết xác suất để định hướng cho việc nghiên cứu, học tập tiếp theo.
Chương trình: Trường Hè Quốc tế năm 2023 được tổ chức trong 05 ngày, bao gồm các hoạt động chính như sau:
Bốn khóa học ngắn với các chủ đề đã và đang được thế giới quan tâm:
– “Stochastic tri-diagonal matrices” – Các ma trận tam giác ngẫu nhiên, PGS. Manjunath Krishnapur – Viện Khoa học Ấn Độ, Ấn Độ;
– “Statistical learning” – Lý thuyết học thống kê, GS. Shahar Mendelson – Đại học Quốc gia Úc, Úc;
– “Gaussian isoperimetric inequality” – Bất đẳng thức đẳng cấu Gaussian, TS. Joseph Neeman – Đại học Austin Texas, Mỹ;
– “Concentration inequalities” – Các bất đẳng thức tập trung, TS. Ke Wang- Đại học Khoa học và Công nghệ Hồng Kông, Hồng Kông.
Buổi trò chuyện với 02 chuyên gia hàng đầu trong lĩnh vực:
– GS. Vũ Hà Văn – Đại học Yale, Mỹ & Viện Nghiên cứu Dữ liệu lớn (VinBigdata), Việt Nam;
– GS. Nguyễn Hữu Hội – Đại học Bang Ohio, Mỹ.
Hội thảo (23/6) với các khách mời:
– PGS. Đỗ Quang Yên – Đại học Virginia, Mỹ;
– TS. Nguyễn Oanh – Đại học Brown, Mỹ;
– PGS. Trình Duy Khánh – Đại học Waseda, Nhật Bản;
và các diễn giả khác sẽ được cập nhật.
Đối tượng tham gia: học viên cao học, nghiên cứu sinh và các nhà nghiên cứu trẻ quan tâm đến lĩnh vực Toán học, Xác suất thống kê và Khoa học dữ liệu.
Đơn vị tổ chức và phối hợp: Viện Nghiên cứu Dữ liệu Lớn (VinBigdata), Quỹ Đổi mới Sáng tạo Vingroup (VINIF), Trung tâm Nghiên cứu và Đào tạo Toán học Quốc tế (UNESCO), Viện Toán học Việt Nam (VAST).
Đăng ký tham gia tại link: https://docs.google.com/…/1FAIpQLSfCOiEQJKH4…/viewform
Hạn đăng ký: 31/05/2023
Thông tin tài trợ: Học viên được hỗ trợ chi phí đi lại (tối đa 4.000.000 VND) và chỗ ở cho 10 người. Hồ sơ để được tài trợ (CV) gửi về hòm thư: hdpa2023@math.ac.vn
Xem thêm thông tin chi tiết tại website: http://math.ac.vn/conference/HDP2023/index.php

(Báo Lao động) “Khoa học mở cần được tranh luận với đa dạng góc nhìn”
Đó là nhận định của nhiều chuyên gia tại Hội thảo “Khoa học mở dưới các góc nhìn” diễn ra sáng 18.5.2023 tại Viện Toán học Việt Nam do Trung tâm Quốc tế Đào tạo và Nghiên cứu Toán học UNESCO, Quỹ Đổi mới sáng tạo Vingroup, Trung tâm Vật lý quốc tế, Trung tâm Thông tin – Tư liệu, Viện Hàn lâm KHCN Việt Nam tổ chức, nhân Ngày Khoa học Công nghệ Việt Nam, đồng thời hưởng ứng tinh thần của UNESCO nhằm lan tỏa nhận thức về khoa học mở cho cộng đồng.

“Khoa học mở là một chủ đề thời sự quan trọng và có nhiều góc nhìn khác nhau trong thời đại chuyển đổi số khi tri thức không chỉ còn bó hẹp trong giới hàn lâm hay công nghệ mà có tác động trực tiếp nhanh, mạnh đến nhiều doanh nghiệp và nền kinh tế, khi tri thức ấy cần được mở rộng và chia sẻ một cách hợp lý. Tuy nhiên, các khái niệm về Khoa học mở còn khá mơ hồ hay tản mạn với nhiều người chúng ta” – PGS. Phan Thị Hà Dương, Trưởng Ban Chương trình đề dẫn.

Với mong muốn thúc đẩy sự hiểu biết chung về khoa học mở, về các giá trị cốt lõi, những thách thức cũng như các con đường khác nhau dẫn tới khoa học mở, BTC đã mời các diễn giả từ nhiều lĩnh vực khác nhau trong xã hội: các chuyên gia xây dựng chính sách từ Bộ KH&CN, Bộ TT&TT, các nhà quản lý thuộc các hiệp hội doanh nghiệp, các nhà khoa học có uy tín hàng đầu Việt Nam tại các Viện nghiên cứu lớn…
Trong Bài giảng đại chúng “Dữ liệu Khoa học Mở”, GS.TSKH. Hồ Tú Bảo đã nêu bật tầm quan trọng và lợi ích của hệ thống dữ liệu mở trong nghiên cứu khoa học, đặc biệt trong thời đại KHCN phát triển và thay đổi từng ngày như hiện nay. GS ủng hộ một nền khoa học mở đem lại lợi ích hài hòa cho các ngành nội thuộc; đảm bảo sự liêm chính, công bằng, bình đẳng trong chia sẻ dữ liệu, tri thức. Ông đồng thời bộc lộ nỗi lo lắng trước vấn đề bảo mật quyền riêng tư có thể bị xâm phạm, đặt ra các thách thức về mặt đạo đức không dễ cam kết hay xử lý. Ngoài ra, vấn đề truy cập dữ liệu công bằng, bình đẳng, đem lại lợi ích thiết thực trong nghiên cứu, sản xuất cũng là một trong những thách thức lớn khi mặt bằng KHCN trong các ngành, vùng, quốc gia, khu vực là khác nhau, khó đảm bảo sự hài hòa về mặt quyền lợi và nghĩa vụ cho các bên tham gia.

GS đề cao 3 nhánh chính, 4 trụ cột, 4 giá trị cốt lõi và 6 nguyên tắc thực thi mà UNESCO đã chỉ rõ để có thể hiện thực hóa khoa học mở. Ngoài ra, GS còn giới thiệu đến đông đảo đại biểu thuật ngữ FAIR, được cho là tóm tắt toàn bộ tinh thần của dữ liệu mở. FAIR bao gồm: khả năng tìm thấy (Findable), khả năng truy cập (Accessable), khả năng tương tác (Interoperable) và khả năng tái sử dụng (Reusable). Nếu không có FAIR, dữ liệu mở sẽ như một hệ thống “thiếu chân”, thiếu giá đỡ vững chắc. Trong thời đại ngày nay, khoa học không chỉ bao hàm lý thuyết, thực hành, mà còn gồm chứa cả các phương pháp tính toán máy tính, tính toán sâu về dữ liệu. Do vậy, trong vai trò là một trong những nước đi sau về phát triển KHCN so với thế giới phương Tây, các nhà khoa học của chúng ta cần phải học cách thay đổi và làm mới các thói quen trong nghiên cứu của chính mình để có thể hướng đến khoa học mở.

Bài giảng đại chúng “Hướng nghiên cứu khoa học hội tụ và vai trò của vật lý trong sinh học tiến hóa” của GS.TS. Nguyễn Thế Toàn đề cập đến một vấn đề đang rất mới hiện nay, là một trong những động lực để khoa học mở phát triển, đó là các nghiên cứu liên ngành, đa ngành. Nội dung bài giảng trình bày xu hướng nghiên cứu hội tụ với ví dụ về việc ứng dụng vật lý trong sinh học tiến hóa. Bài giảng đặt ra một vấn đề quan trọng: Tương lai phát triển khoa học cơ bản khởi sắc khi các nghiên cứu thuộc lĩnh vực này luôn đòi hỏi và thúc đẩy sự phát triển các công nghệ tiên tiến nhất. Tại nhiều quốc gia lớn trên thế giới, chỉ riêng lĩnh vực các bằng sáng chế, các công ty khởi nghiệp từ các nghiên cứu cơ bản cũng có thể tạo ra các nền kinh tế hàng chục ngàn tỷ USD. Để làm được việc đó, xu hướng nghiên cứu hội tụ, đa ngành, liên ngành là một hướng đi triển vọng. GS ủng hộ một nền khoa học mở, trong đó các kiến thức, kỹ thuật mạnh nhất của các ngành khác nhau cùng kết hợp, hội tụ với nhau để tìm ra lời giải cho các bài toán phức tạp nhất của tự nhiên.
Bài giảng của chuyên gia Nguyễn Võ Hưng trình bày quá trình xây dựng Khuyến nghị của UNESCO. Bản thân chuyên gia là nghiên cứu viên chính tại Viện Chiến lược và Chính sách Khoa học và Công nghệ (NISTPASS), Học viện Khoa học, Công nghệ và ĐMST, Bộ Khoa học và Công nghệ và đã tham dự phiên họp chuyên gia liên chính phủ về góp ý xây dựng Dự thảo Khuyến nghị Khoa học Mở của UNESCO. Chuyên gia cũng phân tích nhiều quan điểm, xu hướng trái chiều nhau về các khía cạnh của khoa học mở theo khuyến nghị của UNESCO: dữ liệu mở, hệ thống xuất bản mở, hạ tầng khoa học mở, nguồn lực giáo dục mở, phần cứng mở, phần mềm mã nguồn mở, tính mở đối với đa dạng hóa kiến thức, đánh giá mở và sự tiếp cận mở của các nhóm xã hội. Chuyên gia chỉ ra các giá trị cốt lõi của khoa học mở, đó là: chất lượng và “liêm chính”, lợi ích tập thể, bình đẳng, không thiên vị, và đa dạng/bao trùm. Để làm được như vậy, khoa học mở cần các nguyên tắc chỉ đạo đáp ứng các tiêu chí sau: Minh bạch, kỹ lưỡng, phản biện, khả năng tái lập; bình đẳng về cơ hội; trách nhiệm, tôn trọng và trách nhiệm giải trình; hợp tác, tham dự và hòa nhập; linh hoạt; bền vững. Ngoài ra, xu hướng thay đổi từ hình thức bình duyệt (peer review) sang hình thức thẩm định mở (open review) thông qua các nền tảng không tạp chí như các blog khoa học, mạng khoa học công dân quốc tế… cũng sẽ là những hình thái có tiềm năng phát triển khi khoa học mở phát triển.

Tại phần Tọa đàm diễn ra sau đó, PGS. Phan Thị Hà Dương đã đề xuất một đối thoại mở, với các ý kiến thẳng thắn, thậm chí trái chiều về các nội dung của Khoa học mở, có thể có những nội dung cần phát triển nhưng cũng có những nội dung nên được xem xét cẩn trọng thông qua các tranh luận.
PGS đã đặt câu hỏi với TS. Nguyễn Nhật Quang – Viện trưởng Viện KHCN VINASA, Phó chủ tịch Hiệp hội Phần mềm và Dịch vụ CNTT Việt Nam: Các doanh nghiệp nhìn nhận thế nào về khái niệm này, họ đã có mối quan tâm lớn đến vấn đề này chưa, có đồng ý thực hiện các khuyến nghị về việc chia sẻ các tài nguyên, tri thức…?
TS Quang cho rằng sự cạnh tranh về tài nguyên số, dữ liệu số là điều không thể tránh khỏi. Đó cũng là một lực cản lớn đối với việc thực hiện Khuyến nghị của UNESCO về khoa học mở, đứng trên góc nhìn từ phía các doanh nghiệp. Bên cạnh đó, khoa học mở không có nghĩa là khoa học miễn phí, nếu không sẽ không có động lực và nguồn lực để phát triển khoa học. Bên cạnh các quỹ, bộ ngành, các doanh nghiệp cũng đầu tư cho nghiên cứu, khoa học rất nhiều và thực sự muốn làm giàu trên các đột phá KHCN đó. Chuyên gia đề xuất, đứng từ quan điểm của doanh nghiệp, sự giảm giá thông qua các nền tảng công bố và kinh doanh có mô hình mới hơn sẽ là hướng đi hài hòa.
Trả lời câu hỏi về tính minh bạch của Việt Nam so với thế giới trong việc truy cập dữ liệu và quyền bảo mật thông tin cá nhân, từ góc độ nhà hoạch định chính sách, chuyên gia Nguyễn Trọng Khánh, phụ trách phòng Cơ sở dữ liệu, Cục chuyển đổi số quốc gia, cho biết: Nghị định 472020/NĐ-CP có quy định về các nguyên tắc cung cấp, sử dụng, bảo đảm thông tin cá nhân đối với các dữ liệu mở của nhà nước. Các nguyên tắc quan trọng nhất là dữ liệu mở của nhà nước có thể được sử dụng miễn phí, tự do sao chép phục vụ các mục đích nghiên cứu, tìm hiểu, công việc… Đây cũng là một trong các bước đi quan trọng hiện thực hóa việc thực thi Khuyến nghị của UNESCO về khoa học mở trên khía cạnh dữ liệu mở. Chuyên gia cũng đồng ý với ý kiến không nên hiểu khoa học mở là khoa học miễn phí, cần làm sao để các nội dung NCKH có thể “mở” được nhiều hơn chứ không phải là bắt buộc phải mở hết các dữ liệu.
TS. Nguyễn Quân, nguyên Bộ trưởng Bộ KH&CN cho biết: Bộ KH&CN là cơ quan trong nước đầu tiên xây dựng quy chế “mở” đối với các đề tài, dự án KHCN, khi cho phép các nhà khoa học toàn quyền sở hữu trí tuệ đối với các sản phẩm KHCN do đề tài, dự án tạo ra. Ông cũng nhấn mạnh tài sản trí tuệ, dữ liệu không giống với các tài sản hữu hình khác vì càng được chia sẻ, ứng dụng rộng rãi, giá trị của nó càng lớn.
Ở những góc nhìn khác, GS. Hoàng Xuân Phú (Viện Toán học) cho rằng trước các khuyến nghị của UNESCO thì bản thân các nhà khoa học đã luôn mở, luôn mong muốn các công trình đến với người đọc; GS. Nguyễn Hoàng Hải – Phó giám đốc ĐHQG Hà Nội đặt ra các vấn đề về đạo đức, tôn giáo khi bàn đến Khoa học mở…
“Khoa học mở, tại thời điểm này, đối với các nước đi sau như Việt Nam, như một “giấc mơ” và mang đầy tính vị nhân sinh. Giấc mơ này có thể được hiện thực hóa một số phần nếu có sự chung tay, quyết tâm và sự hào hiệp sẵn sàng chia sẻ và hơn hết cần có các quy chế phù hợp – GS Hồ Tú Bảo quan niệm.
Bài viết trên báo Báo lao động
Sự kiện do Trường Đại học Khoa học Tự nhiên – Đại học Quốc gia Thành phố Hồ Chí Minh và Quỹ Đổi mới sáng tạo Vingroup (VINIF) đồng tổ chức. GS. Morten Meldal – Chủ nhân Giải Nobel hóa học năm 2022 sẽ thực hiện 03 bài thuyết giảng tại Thành phố Hồ Chí Minh và Hà Nội.
𝐓𝐇𝐎̂𝐍𝐆 𝐓𝐈𝐍 𝐕𝐄̂̀ 𝐒𝐔̛̣ 𝐊𝐈𝐄̣̂𝐍
Bài giảng số 1:
Thời gian: 9h00-11h00, ngày 17/04/2023 (Thứ 2).
Địa điểm: Giảng đường 1, Trường Đại học Khoa học Tự Nhiên, cơ sở 227 Nguyễn Văn Cừ, P.4, Q.5, HCM. Link đăng ký tham dự online: https://events.quickom.net/checkout?event_id=436
Bài giảng số 2:
Thời gian: 13:00 – 15:00, ngày 18/4/2023 (Thứ 3)
Địa điểm: Đại học Quốc Gia Thành phố Hồ Chí Minh.
Link đăng ký tham dự online: https://events.quickom.net/checkout?event_id=436
Bài giảng số 3:
Thời gian: 15:00 – 17:00, ngày 20/04/2023 (Thứ 5)
Địa điểm: Hội trường tầng 8, Trường Đại học Khoa học và Công nghệ Hà Nội, tòa A21, số 18 Hoàng Quốc Việt, Hà Nội.
Hình thức tham dự: trực tiếp
Link đăng ký: https://bit.ly/3Mf6JoH
Đối tượng tham gia: Tất cả mọi người.
Miễn phí tham dự.
𝐓𝐇𝐎̂𝐍𝐆 𝐓𝐈𝐍 𝐕𝐄̂̀ 𝐁𝐀̀𝐈 𝐆𝐈𝐀̉𝐍𝐆
GS. Morten Meldal sẽ giới thiệu về công trình nghiên cứu đạt giải Nobel hóa học 2022 – Phản ứng “click” và những ứng dụng của nó cùng tiềm năng phát triển. Đồng thời, GS. Morten Meldal cũng sẽ chia sẻ những thách thức và tầm quan trọng của nghiên cứu cơ bản và con đường đến giải Nobel hóa học 2022.
𝐓𝐇𝐎̂𝐍𝐆 𝐓𝐈𝐍 𝐃𝐈𝐄̂̃𝐍 𝐆𝐈𝐀̉
GS. Morten Meldal là chủ nhân của Giải Nobel hóa học năm 2022, giáo sư hóa học tại Đại học Copenhagen (UCPH), Đan Mạch. Ông là một trong những nhà khoa học đặt nền móng cho “hóa học click”, trong đó các khối xây dựng phân tử kết hợp với nhau nhanh chóng và hiệu quả. Ông cũng là người đứng đầu Trung tâm Sinh học Hóa học Tiến hóa của Đại học Copenhagen và đã từng là Phó trưởng phòng Giáo dục (VILU) tại Khoa Hóa học của trường.
Chuyên môn của ông bao gồm hóa học click, hóa học polyme, tổng hợp hữu cơ, tự động hóa trong tổng hợp, thụ thể nhân tạo và enzyme, xét nghiệm nano, nhận dạng phân tử sinh học, xét nghiệm tế bào, miễn dịch học phân tử, phổ MS và NMR quy mô nano, mã hóa,…
GS. Morten Meldal là người sáng lập đồng thời là chủ tịch của Hiệp hội Khoa học Tổ hợp (The Society of Combinatorial Sciences). Ông đã xuất bản hơn 300 bài báo và có 21 bằng sáng chế. Ông cũng là người sáng lập công ty và giám đốc chiến lược của Betamab, một công ty tiến hành nghiên cứu công nghệ sinh học và dược lý, chẩn đoán và phát triển dược phẩm.

Để khởi đầu một năm mới với nhiều sáng tạo và thành công mới, VINIF sẽ tổ chức buổi “Gặp mặt đầu Xuân Quý Mão 2023”, với sự tham gia của các khách mời:
Nhà thơ Vũ Quần Phương;
GS. Vũ Hà Văn – Giám đốc khoa học Quỹ VINIF;
PGS.TSKH Phan Thị Hà Dương – Giám đốc điều hành Quỹ VINIF;
PGS.TS Nguyễn Bình Minh – Giám đốc Trung tâm Công nghệ và Kinh tế số – Đại học Bách Khoa Hà Nội;
Câu lạc bộ VINIF Alumni.
Thông tin sự kiện:
Thời gian: 14h00 – 16h00, thứ Tư, ngày 22 tháng 02 năm 2023.
Địa điểm: Viện Nghiên cứu Dữ liệu lớn – Tầng 8, Century Tower, 458 Minh Khai, Hai Bà Trưng, Hà Nội.
Hình thức: Tổ chức trực tiếp và không livestream trên các nền tảng xã hội.
Buổi “Gặp mặt đầu Xuân Quý Mão 2023” là sự kiện dành riêng cho các thành viên của câu lạc bộ VINIF Alumni để lắng nghe những câu chuyện và chia sẻ kinh nghiệm nghiên cứu từ các chuyên gia khoa học công nghệ và văn hóa lịch sử.
Đặc biệt, năm 2023, các chương trình tài trợ của Quỹ đã có một số cập nhật mới, vì vậy tại sự kiện các bạn sẽ được đặt câu hỏi và lắng nghe tư vấn về các chương trình tài trợ.
Đây là sự kiện gặp mặt đầu năm được tổ chức tại văn phòng Viện Nghiên cứu Dữ liệu lớn, vì vậy các bạn sẽ được tham quan và tìm hiểu về nơi làm việc của Viện NCDLL và Quỹ VINIF.
Đăng ký tham dự tại link: https://forms.office.com/r/rSt2ZdtPxf

Hãy cùng chờ đón sự kiện “Gặp mặt đầu Xuân Quý Mão 2023” của câu lạc bộ VINIF Alumni nhé.