Từ không vượt qua vòng loại đến Quán quân ResFes 2026: Một năm biến thử thách thành trái ngọt

 Nguyễn Minh Trí từng dừng bước ở vòng loại ResFes 2025. Một năm sau, nam sinh viên Trường ĐH FPT phân hiệu TP. HCM này trở lại với nghiên cứu về phát hiện bất thường trong hình ảnh công nghiệp và giành ngôi vị Quán quân Tiểu ban Công nghệ thông tin ResFes 2026. 

Một năm sau lần dừng bước

Sau khi không vượt qua vòng sơ loại ResFes 2025, Trí dành thêm thời gian học về AI và nghiên cứu, với mục tiêu quay trở lại sân chơi này thêm một lần nữa. Nền tảng tích lũy từ AI & Cybersecurity Lab cùng các cuộc thi nghiên cứu khoa học giúp Trí tự tin thử sức với một bài toán khó hơn và tự chịu trách nhiệm cho toàn bộ hướng nghiên cứu.

Đến với ResFes 2026, Trí lựa chọn một vấn đề chuyên sâu và có tính ứng dụng hơn hơn: “Rethinking Over-generalization in Reconstruction-based Multi-class Anomaly Detection for Industrial Inspection” – Xem xét lại hiện tượng khái quát hóa quá mức trong phát hiện bất thường đa lớp dựa trên phương pháp tái tạo trong kiểm tra công nghiệp.

Đề tài tập trung vào phát hiện bất thường trên hình ảnh, hướng tới ứng dụng trong kiểm tra chất lượng công nghiệp. Trên dây chuyền sản xuất, AI có thể hỗ trợ phát hiện sản phẩm bị nứt, trầy xước, thiếu linh kiện hoặc xuất hiện những lỗi bất thường khác.

Điều khiến Trí lựa chọn bài toán này là sự kết hợp giữa giá trị thực tế và những vấn đề nghiên cứu còn bỏ ngỏ. Trong công nghiệp, các dạng lỗi thường hiếm và đa dạng, khiến việc thu thập đầy đủ hình ảnh của mọi loại sản phẩm lỗi để huấn luyện AI gần như không khả thi.

Khi AI “giỏi quá” trở thành vấn đề với nhà nghiên cứu

Một hướng tiếp cận là chỉ cho AI học từ những sản phẩm bình thường, sau đó nhận ra những điểm khác biệt khi gặp một sản phẩm mới. Tuy nhiên, trong quá trình tìm hiểu các phương pháp tiên tiến trong lĩnh vực này như UniAD hay HVQ-Trans, Trí nhận thấy một vấn đề: mô hình có thể “học quá giỏi” đến mức tái tạo cả những lỗi bất thường.

Trí hình dung AI giống như một người được xem rất nhiều hình ảnh sản phẩm đạt chuẩn và được yêu cầu “vẽ lại” những gì mình nhìn thấy. Với một sản phẩm bình thường, AI sẽ tái tạo hình ảnh khá giống bản gốc. Nhưng nếu sản phẩm có một vết nứt, lý tưởng nhất là AI không thể “vẽ lại” chính xác phần vết nứt đó. Khi so sánh hình ảnh ban đầu với hình ảnh AI tái tạo, hệ thống có thể nhận ra sự khác biệt và xác định sản phẩm có lỗi.

Vấn đề xảy ra khi AI trở nên quá giỏi trong việc sao chép. Mô hình có thể tái tạo gần như mọi chi tiết, kể cả vết nứt hay những dấu hiệu bất thường. Khi đó, hình ảnh lỗi cũng trông gần giống hình ảnh ban đầu, khiến hệ thống khó nhận ra sản phẩm có vấn đề. Đây là hiện tượng “khái quát hóa quá mức” (over-generalization) mà nghiên cứu của Trí tập trung giải quyết.

Thay vì xây dựng một phương pháp hoàn toàn mới, Trí kế thừa những hướng nghiên cứu đã chứng minh hiệu quả và tìm cách khắc phục điểm yếu của chúng. “Em muốn ‘đứng trên vai những người khổng lồ’, kế thừa một hướng đã chứng minh được hiệu quả rồi tìm xem mình có thể giải quyết những hạn chế còn tồn tại ở đâu”, Trí chia sẻ.

Để giải quyết vấn đề, Trí xây dựng một “bộ nhớ kép” (Dual Memory Module), giúp AI ghi nhớ các đặc điểm của sản phẩm bình thường theo hai khía cạnh: ngữ nghĩa và  cấu trúc của từng sản phẩm. Nhờ đó, thay vì chỉ sao chép lại hình ảnh đầu vào, mô hình được định hướng tái tạo dựa trên những đặc điểm đã học được từ các sản phẩm đạt chuẩn.

Trí cũng đề xuất một cách tính sai số mới trong quá trình huấn luyện, có thể hiểu đơn giản là cơ chế giúp AI bớt bị “đánh lạc hướng” bởi những điểm bất thường. Cách tiếp cận này làm giảm ảnh hưởng của những đặc điểm khác thường khi mô hình học, từ đó giúp hệ thống tập trung tốt hơn vào những đặc điểm vốn có của sản phẩm bình thường.

Kết quả thử nghiệm cho thấy phương pháp của Trí đạt 85,7% mAD về khả năng phát hiện bất thường trên MVTec-AD và khoảng 78,7% mAD trên VisA – hai bộ dữ liệu hình ảnh công nghiệp được sử dụng phổ biến để đánh giá các phương pháp phát hiện lỗi bằng AI. Đáng chú ý, chỉ với khoảng 39,4 triệu tham số và 7,8 GFLOPs, tức khối lượng tính toán tương đối gọn, mô hình của Trí đã có hiệu suất phát hiện bất thường vượt trội hơn nhiều bài nghiên cứu mạnh mẽ khác. Kết quả này cho thấy nâng cao hiệu quả AI không nhất thiết đồng nghĩa với việc phải xây dựng những mô hình ngày càng lớn và tốn nhiều tài nguyên hơn. 

Khác với nhiều đề tài được thực hiện theo nhóm, Trí tự mình đảm nhiệm toàn bộ quá trình nghiên cứu, từ đọc tài liệu, xác định vấn đề, xây dựng phương pháp, lập trình, thiết kế thử nghiệm đến phân tích và trình bày kết quả.

Nếu tiếp tục được phát triển, nghiên cứu có thể hỗ trợ tự động hóa quá trình kiểm tra chất lượng sản phẩm, giảm sự phụ thuộc vào kiểm tra thủ công và hạn chế những sản phẩm lỗi lọt khỏi dây chuyền. Trong nghiên cứu, một mô hình duy nhất được thử nghiệm trên 15 nhóm sản phẩm của MVTec-AD và 12 nhóm sản phẩm của VisA, cho thấy tiềm năng sử dụng một hệ thống chung để kiểm tra nhiều loại sản phẩm khác nhau.

“Một vòng tròn được khép lại”

Khi được xướng tên ở ngôi vị Quán quân Tiểu ban Công nghệ thông tin ResFes 2026, Trí không chỉ nghĩ về giải thưởng. Khoảnh khắc ấy đưa em trở lại một năm trước, khi đề tài của mình dừng lại từ vòng loại.

Ban đầu, Trí vẫn thường nói vui với mọi người rằng lần trở lại này là một màn “phục thù”. Nhưng sau cùng, cảm xúc lớn nhất lại là nhìn thấy một năm cố gắng có kết quả.

“Từ một đề tài không vượt qua vòng loại năm trước đến một đề tài do mình trực tiếp phát triển và giành vị trí cao nhất năm nay, với em đó giống như một vòng tròn được khép lại”, Trí chia sẻ.

Sau ResFes 2026, Trí dự định tiếp tục tìm hiểu các mô hình AI thế hệ mới, trong đó có hướng mô phỏng não bộ để xử lý tín hiệu bằng xung, hướng tới khai phá thêm tiềm năng lấy cảm hứng từ não người và giảm năng lượng tính toán.

Với những sinh viên muốn bắt đầu nghiên cứu, Trí cho rằng không cần chờ đến khi cảm thấy mình “đủ giỏi”. “Phần lớn kiến thức nghiên cứu của em cũng đến từ chính quá trình làm nghiên cứu”, Trí nói.

Hành trình từ một đề tài không vượt qua vòng sơ loại đến vị trí Quán quân sau một năm cũng là minh chứng rõ nhất cho điều đó. Với Trí, nghiên cứu không bắt đầu từ việc mình đã giỏi đến đâu, mà từ việc mình có sẵn sàng bắt đầu, đặt câu hỏi và kiên trì tìm lời giải hay không.

Hải Ngân - fpt.edu.vn