ProHub - It Solutions & Project Support

Sau một thời gian tu luyện thì mình xin phép gửi bài báo này nhờ mọi người đọc và cho mình những lời góp ý nhé ( bài báo đầu tay nên hơi nhiều lỗi )
https://www.researchgate.net/publication/400863611_A_Lightweight_Adapter_for_Efficient_Fine-Tuning_in_Computer_Vision
( pre print chưa qua peer review )

(PDF) A Lightweight Adapter for Efficient Fine-Tuning in Computer Vision PDF | Pretrained vision backbones are becoming increasingly large, making full fine-tuning expensive in both training time and storage, especially when... | Find, read and cite all the research you need on ResearchGate

Xây dựng hệ thống cảnh báo lửa trong nhà máy với raspberry pi và esp 32 cùng với webserver

fine-tune và tích hợp chatbot vào web ( chatbot hỗ trợ nhà nông )

[Prohub : Smart Room Reservation and IoT Control Platform ]
Triển khai cơ sở dữ liệu vector trên MongoDB, hệ thống không chỉ lưu trữ thông tin người dùng, phòng và lịch sử đặt truyền thống mà còn lưu trữ các vector nhúng khuôn mặt (face embeddings) phục vụ tính năng nhận diện Face-ID khi check-in qua camera, đảm bảo xác thực nhanh chóng và độ chính xác cao nhờ tìm kiếm theo cơ chế gần nhất (nearest neighbor search). Hệ thống hỗ trợ đăng nhập tức thì qua Google OAuth2 và phân quyền chi tiết (Admin/Student) dựa trên JWT, đồng thời phát lệnh MQTT/HTTP đến bo mạch ESP32 để điều khiển bật/tắt đèn phòng. Giao diện React với bản đồ 3×3×4 trực quan cập nhật trạng thái thiết bị theo thời gian thực, kết hợp với email tự động (duyệt đơn, từ chối hoặc nhắc nhở trước giờ đặt) qua SMTP và lịch trình định kỳ do Flask-APScheduler quản lý, mang lại trải nghiệm mượt mà, an toàn và minh bạch cho người dùng.

[Prohub giới thiệu dự án : AI so sánh giữa JD và CV ]
Hệ thống AI của chúng ta kết hợp ba thành phần chính: (1) NER dựa trên transformer (finetune từ algiraldohe/lm-ner-linkedin-skills-recognition) để tự động trích xuất danh sách kỹ năng từ JD và CV; (2) SBERT (all-MiniLM-L6-v2) để mã hóa câu và tính toán độ tương đồng ngữ nghĩa bằng cosine, sau đó lấy trung bình top-k giá trị cao nhất; (3) TF–IDF kết hợp cosine similarity để đo mức độ chồng lấp từ vựng. Cuối cùng, hai điểm semantic và lexical được gộp với hệ số 1 hệ số và ra được match score giữa CV và JD.

Làm trái tay chút sang mảng web cũng ổn ổn

Giới thiệu dự án : website giống google map nhưng ngu hơn :))

[Prohub: Dự án phát hiện phương tiện giao thông từ góc nhìn trên cao]

Dự án này được thực hiện nhằm xây dựng một hệ thống phát hiện và phân loại phương tiện giao thông (ô tô, xe máy, xe tải, v.v.) từ góc nhìn trên cao, sử dụng mô hình YOLO được cải tiến với kiến trúc CBAM (Convolutional Block Attention Module). Mục tiêu là nâng cao độ chính xác trong việc phát hiện và phân loại phương tiện trên các bức ảnh vệ tinh hoặc camera giao thông góc nhìn từ trên xuống.
- Thu thập và xử lý dữ liệu: Dữ liệu được thu thập từ tập ảnh góc nhìn trên cao, bao gồm nhiều loại phương tiện trong các điều kiện ánh sáng và môi trường khác nhau. Tập dữ liệu sau đó được gán nhãn thủ công và chia thành tập huấn luyện, kiểm thử và đánh giá.
- Kiến trúc mô hình: Chúng tôi sử dụng mô hình YOLOv8 làm nền tảng, sau đó tích hợp module CBAM vào các lớp tích chập (Conv) để cải thiện khả năng học đặc trưng không gian và kênh, từ đó nâng cao hiệu quả nhận diện: Channel Attention - giúp mô hình tập trung vào những kênh đặc trưng quan trọng nhất, Spatial Attention - giúp mô hình chú ý đến các vùng không gian có khả năng chứa đối tượng.
- Huấn luyện mô hình:Việc huấn luyện được thực hiện trên GPU NVIDIA Tesla P100, giúp tăng tốc quá trình training đáng kể. Mô hình được khởi tạo từ kiến trúc YOLOv8 và tích hợp CBAM. Kết quả sau huấn luyện cho thấy mô hình đạt mAP50 lên đến 80%, thể hiện khả năng nhận diện chính xác và ổn định.

[Prohub : Dự án dịch máy]
Dự án này được thực hiện nhằm xây dựng hệ thống dịch máy song ngữ Pali – Việt với mục tiêu tạo ra một bộ dữ liệu dịch thuật chất lượng cao từ nguồn văn học kinh Phật. Dữ liệu được thu thập từ kinh Phật – một nguồn tư liệu cổ xưa và uy tín, chứa đựng những bản dịch song ngữ Pali – Việt. Sau khi thu thập dữ liệu, chúng tôi xây dựng một quy trình tiền xử lý tự động, bao gồm việc tách từ, xử lý định dạng và căn chỉnh câu giữa hai ngôn ngữ sao cho mỗi dòng tiếng Pali tương ứng chính xác với dòng tiếng Việt.
Để huấn luyện mô hình, dự án sử dụng công cụ Fairseq và được thực hiện hoàn toàn trên CPU do hạn chế về phần cứng GPU. Các mô hình được huấn luyện theo nhiều hướng khác nhau:
- Huấn luyện mô hình từ đầu với kiến trúc Transformer, giúp hệ thống nắm bắt tốt cấu trúc và đặc trưng của ngôn ngữ.
- Tinh chỉnh mô hình dựa trên các checkpoint từ mô hình đã được đào tạo sẵn, nhằm cải thiện chất lượng bản dịch.
- Thử nghiệm với kiến trúc cải tiến bằng cách tăng số lớp encoder và decoder để tối ưu hóa hiệu suất.
Kết quả thực nghiệm thì khá hạn chế với chỉ số Bleu thấp.

[ProHub: Chia sẻ bài báo]
Gần đây trên kaggle đang có một cuộc thi khá là hay về làm AI giải toán, chắc hẳn sẽ có nhiều bạn nghĩ ngay đến một giải pháp về dùng mô hình chatbot chain of thought ( CoT), có nhiều kiểu để triển khai mô hình chatbot này mà mình mới tìm được một kiểu cũng khá thú vị nên giới thiệu với mọi người. CoTFormer - Mô hình Transformer với khả năng suy luận từng bước
CoTFormer là một phiên bản Transformer được thiết kế để sinh ra “chuỗi suy luận” trong quá trình xử lý. Thay vì chỉ dự đoán kết quả cuối cùng, mô hình này tạo các bước trung gian để thể hiện logic và kiểm tra lại (xem hình c phía dưới để thấy rõ hơn sự khác biệt của nó với những mô hình khác nhé) . Các bước suy luận được sinh ra qua từng tầng, cho phép mô hình tham chiếu cả đầu vào ban đầu lẫn những ý tưởng được hình thành trước đó. Nếu muốn tìm hiểu kỹ hơn, bạn có thể tham khảo bài báo gốc để thấy rõ cách CoTFormer hoạt động hơn nhé.
link bài báo : https://arxiv.org/pdf/2310.10845

Kết thúc hành trình 4 tháng đồng hành cùng các em học sinh đội tuyển Tin học của một trường cấp 2 tại Bình Dương. Thành tích ở kì thi cấp tỉnh này có thể không phải là thành tích lớn lao đối với nhiều người nhưng anh cảm thấy rất vui khi được chứng kiến sự nỗ lục của các em được đền đáp. Mong rằng sau này các em sẽ đạt được thêm nhiều thành công trong cuộc sống.
Ngoài ra, các bạn khác nếu có mong muốn được học thêm kiến thức về lập trình, Trí tuệ nhân tạo (AI) để phục vụ việc học cho công việc thì có thể nhắn tin cho page nhé.

ProHub: Dự án nhận diện chữ viết tay

Tech Stack: MATLAB

Trong quá trình tiếp cận lĩnh vực Machine Learning và Deep Learning, việc làm quen với các mô hình cơ bản đóng vai trò vô cùng quan trọng để xây dựng nền tảng vững chắc về lý thuyết và thực hành. Dự án này tập trung vào triển khai mô hình LeNet-5, một kiến trúc mạng neuron tích chập kinh điển được phát triển bởi Yann LeCun, đặc biệt phù hợp cho các bài toán nhận dạng ký tự viết tay.

Bộ dữ liệu được sử dụng là MNIST—một tập dữ liệu chuẩn mực bao gồm 70.000 hình ảnh chữ số viết tay từ 0 đến 9 với độ phân giải 28x28 pixel. Đây là bộ dữ liệu phổ biến nhất trong cộng đồng nghiên cứu về thị giác máy tính và thường được sử dụng để đánh giá hiệu quả của các thuật toán nhận dạng.

Trong dự án này, chúng tôi lựa chọn MATLAB làm ngôn ngữ lập trình chính nhờ khả năng mô phỏng các hàm toán học cũng như workspace của matlab có thể giúp người dùng nắm vững về cách mọi thứ hoạt động hơn.