Viện Nghiên cứu ứng dụng Công Nghệ CMC (CMC ATI)

Viện Nghiên cứu ứng dụng Công Nghệ CMC (CMC ATI)

Hạng mục: Doanh nghiệp phát triển AI

Đơn vị phát triển:

Giới thiệu:

Viện Nghiên cứu Ứng dụng Công nghệ CMC (CMC ATI) là đơn vị nghiên cứu và phát triển công nghệ trực thuộc Tập đoàn Công nghệ CMC. Viện được thành lập vào năm 2014, với định hướng trở thành trung tâm nghiên cứu, phát triển và ứng dụng các công nghệ mới, công nghệ cao, đóng vai trò là hạt nhân công nghệ trong chiến lược phát triển của Tập đoàn CMC.

CMC ATI tập trung vào hoạt động R&D (Research & Development), nghiên cứu công nghệ lõi và phát triển các sản phẩm có khả năng ứng dụng vào thực tế thay vì chỉ dừng lại ở nghiên cứu lý thuyết. Các lĩnh vực thế mạnh của Viện bao gồm Trí tuệ nhân tạo (AI), Big Data, IoT và Smart Devices, Blockchain, An toàn thông tin (Security), IC Design và Robotics. Những công nghệ này được ứng dụng để giải quyết các bài toán thực tế trong chuyển đổi số cho cơ quan nhà nước và doanh nghiệp.

Sau hơn 10 năm hoạt động, CMC ATI đã xây dựng được hệ sinh thái công nghệ với 25 công nghệ lõi và 10 sản phẩm đã thương mại hóa. Một số sản phẩm, giải pháp tiêu biểu được phát triển theo hướng AI và nhận diện thông minh, trong đó công nghệ nhận diện khuôn mặt của Viện từng đạt Top 12 thế giới và Top 1 Việt Nam. CMC ATI cũng phát triển các giải pháp như AI Camera, OCR và các nền tảng phục vụ chuyển đổi số.

Với đội ngũ chuyên gia, kỹ sư công nghệ và định hướng nghiên cứu ứng dụng, CMC ATI không chỉ cung cấp giải pháp cho khách hàng trong nước mà còn hướng tới “Make in Vietnam” và đưa công nghệ Việt Nam ra thị trường quốc tế. Vì vậy, CMC ATI có vai trò quan trọng trong việc nghiên cứu công nghệ mới, phát triển sản phẩm công nghệ cao và thúc đẩy quá trình chuyển đổi số tại Việt Nam.

CMC ATI định hướng đóng góp cho cộng đồng AI không chỉ ở việc phát triển các mô hình AI có độ chính xác cao, mà quan trọng hơn là đưa AI từ phòng thí nghiệm, từ những bài toán thử nghiệm đơn lẻ trở thành các nền tảng công nghệ có khả năng giải quyết những vấn đề thực tế với quy mô dữ liệu lớn.

Trong bối cảnh dữ liệu video đang tăng trưởng theo cấp số nhân, đặc biệt trên các nền tảng truyền hình, mạng xã hội, OTT và hệ thống lưu trữ số, một trong những thách thức lớn của cộng đồng công nghệ là làm thế nào để AI có thể thực sự “hiểu” được nội dung video, thay vì chỉ nhận diện các thông tin bề mặt như tên file, tiêu đề, hashtag hoặc metadata. CMC ATI đã tập trung nghiên cứu và phát triển hướng tiếp cận Multimodal AI – AI đa phương thức, kết hợp khả năng hiểu hình ảnh, âm thanh, văn bản, nhân vật, hành động và ngữ cảnh để biến kho dữ liệu video khổng lồ thành nguồn dữ liệu có thể tìm kiếm, khai thác và phân tích bằng ngôn ngữ tự nhiên.

Thông qua nền tảng CMC Video Miner/Searching Eyes, CMC ATI đã xây dựng một hệ sinh thái công nghệ kết hợp nhiều năng lực AI như Computer Vision, Face Recognition, OCR, Speech-to-Text, Video Understanding và Large Language Model. Điểm cốt lõi không nằm ở việc sử dụng riêng lẻ từng công nghệ, mà ở khả năng kết hợp chúng thành một hệ thống thống nhất để AI có thể trả lời những câu hỏi mang tính ngữ nghĩa như: “Tìm những đoạn có nhân vật này xuất hiện”, “Tìm cảnh phỏng vấn người dân”, “Tìm cảnh ngập lụt tại Hà Nội”, “Tìm thời điểm một nhân vật phát biểu” hoặc các truy vấn về hành động, sự kiện và bối cảnh. Đây là bước chuyển quan trọng từ tìm kiếm video theo từ khóa sang tìm kiếm video theo nội dung và ngữ nghĩa.

Một đóng góp nổi bật khác của CMC ATI là đưa AI vào kiểm chứng trên dữ liệu thực tế quy mô lớn, thay vì chỉ đánh giá trên các tập dữ liệu nghiên cứu được kiểm soát. Giải pháp đã được thử nghiệm trên dữ liệu thực tế của VTV/VTVgo và trải qua nhiều vòng đánh giá, trong đó từng nhóm bài toán được đo lường độc lập về độ chính xác và tốc độ phản hồi. Kết quả cho thấy truy vấn theo nhân vật đạt độ chính xác Top-5 trung bình 98%, trong khi truy vấn theo hành động đạt 94%, với thời gian phản hồi trung bình chỉ khoảng 3–4 giây.

Điều này thể hiện một cách tiếp cận quan trọng mà CMC ATI muốn đóng góp cho cộng đồng AI: AI phải được đánh giá bằng khả năng giải quyết bài toán thực tế, bằng dữ liệu thực tế và bằng những chỉ số có thể kiểm chứng, thay vì chỉ dừng lại ở các tuyên bố về công nghệ. Trong quá trình phát triển, đội ngũ liên tục ghi nhận cả những trường hợp AI chưa đạt yêu cầu, phân tích nguyên nhân và sử dụng kết quả đó để cải thiện mô hình. Cách tiếp cận này tạo thành một vòng lặp AI → đánh giá → phản hồi → cải tiến → đánh giá lại, giúp mô hình ngày càng thích ứng tốt hơn với dữ liệu và nhu cầu thực tế.

Bên cạnh đóng góp về công nghệ, CMC ATI hướng tới việc democratize khả năng khai thác dữ liệu video bằng AI. Thay vì yêu cầu người dùng phải có kiến thức kỹ thuật hoặc hiểu cấu trúc dữ liệu phức tạp, hệ thống cho phép tương tác bằng ngôn ngữ tự nhiên. Điều này mở rộng khả năng tiếp cận AI từ đội ngũ kỹ thuật sang biên tập viên, nhà báo, chuyên viên lưu trữ, cán bộ quản lý dữ liệu và người dùng nghiệp vụ.

Giải pháp cũng được thiết kế theo hướng mở và có khả năng triển khai On-Premise hoặc tại Trung tâm dữ liệu riêng của tổ chức, giúp các đơn vị có dữ liệu quan trọng có thể ứng dụng AI mà không nhất thiết phải đưa toàn bộ dữ liệu ra môi trường cloud công cộng. Hệ thống có khả năng tích hợp với CMS, DAM, Object Storage, Data Lake và các hệ thống lưu trữ hiện hữu thông qua API hoặc mạng nội bộ. Đây là hướng tiếp cận đặc biệt có ý nghĩa đối với các cơ quan nhà nước, tổ chức truyền thông và doanh nghiệp sở hữu kho dữ liệu lớn, nhạy cảm.

Quan trọng hơn, CMC ATI không định vị công nghệ chỉ cho một bài toán hay một ngành cụ thể. Nền tảng được thiết kế theo kiến trúc mô-đun, có thể mở rộng và thay thế các thành phần AI như OCR, Speech-to-Text, Face Recognition, LLM hay các bộ luật nghiệp vụ mà không cần xây dựng lại toàn bộ hệ thống. Trong quá trình POC, giải pháp đã được định hướng và kiểm chứng trên nhiều nhóm nội dung như thời sự, thể thao, phim truyện, giáo dục, y tế, thiên tai, kinh tế, giải trí và các sự kiện chính trị.

Từ đó, đóng góp của CMC ATI cho cộng đồng AI không chỉ là một sản phẩm cụ thể mà còn là một hướng tiếp cận công nghệ có khả năng nhân rộng: xây dựng AI có khả năng hiểu dữ liệu đa phương thức, triển khai được trên dữ liệu thực, bảo đảm yêu cầu về bảo mật, tích hợp với hạ tầng hiện hữu và liên tục học hỏi từ phản hồi của con người.

Trong dài hạn, CMC ATI hướng tới việc biến năng lực Video Understanding và Multimodal AI thành một lớp hạ tầng AI có thể phục vụ nhiều ngành kinh tế - xã hội, từ truyền thông và lưu trữ số đến giáo dục, y tế, chính phủ số, an ninh và quản trị nội dung trên các nền tảng số. Đây cũng là nền tảng để AI Việt Nam không chỉ ứng dụng các công nghệ có sẵn mà từng bước làm chủ công nghệ, xây dựng sản phẩm AI có khả năng cạnh tranh và mở rộng ra thị trường quốc tế.

Điểm mới, đặc biệt

CMC Video Miner – Searching Eyes là nền tảng AI chuyên sâu về Video Understanding, được phát triển để tự động phân tích, lập chỉ mục, tìm kiếm và khai thác thông tin từ kho dữ liệu video. Thay vì coi video đơn thuần là một tệp dữ liệu cần lưu trữ, CMC Video Miner xây dựng lớp dữ liệu thông minh bên trên video, giúp hệ thống có thể nhận biết và liên kết các thông tin xuất hiện trong từng nội dung.

Nền tảng sử dụng kiến trúc AI đa phương thức, kết hợp khả năng xử lý hình ảnh, âm thanh, văn bản và ngữ nghĩa. Trong một video, hệ thống có thể đồng thời phân tích nhân vật xuất hiện, nội dung lời nói, chữ trên màn hình, hành động, sự kiện, thời gian và các yếu tố ngữ cảnh. Các công nghệ như Computer Vision, Face Recognition, OCR, Speech-to-Text, Video Understanding và Large Language Model được kết hợp để tạo thành một pipeline phân tích video thống nhất.

Điểm khác biệt quan trọng của CMC Video Miner nằm ở khả năng tìm kiếm trực tiếp trên nội dung video bằng ngôn ngữ tự nhiên. Người dùng không cần nhớ tên file, thời điểm video được lưu trữ hay metadata được gắn trước đó. Chỉ cần nhập nội dung cần tìm, hệ thống có thể phân tích yêu cầu, đối chiếu với dữ liệu đã được AI lập chỉ mục và trả về những video hoặc đoạn video có mức độ liên quan cao.

Ví dụ, với một kho dữ liệu truyền hình rất lớn, người dùng có thể nhập các truy vấn như “phóng viên phỏng vấn người dân”, “cảnh cứu hộ”, “ngập lụt tại Hà Nội” hoặc tìm kiếm một nhân vật cụ thể. Hệ thống không chỉ tìm kiếm sự xuất hiện của từ khóa mà dựa trên các đặc trưng hình ảnh, âm thanh và ngữ nghĩa đã được phân tích trong video để xác định nội dung phù hợp.

CMC Video Miner hỗ trợ nhiều phương thức truy vấn, trong đó nổi bật là tìm kiếm theo thời gian, nhân vật, hành động và nội dung/ngữ nghĩa. Với tìm kiếm theo thời gian, hệ thống xác định các đoạn video phù hợp với khoảng thời gian hoặc mốc thời gian được yêu cầu. Với tìm kiếm theo nhân vật, hệ thống sử dụng khả năng nhận diện để xác định các đoạn có nhân vật tương ứng. Với tìm kiếm theo hành động, hệ thống phân tích diễn biến hình ảnh và ngữ cảnh để xác định những tình huống phù hợp. Với tìm kiếm ngữ nghĩa, hệ thống sử dụng khả năng hiểu ngôn ngữ và nội dung đa phương thức để kết nối truy vấn của người dùng với nội dung thực tế trong video.

Nền tảng cũng được phát triển theo hướng AI Agent, cho phép mở rộng từ việc trả về kết quả tìm kiếm sang tương tác trực tiếp với nội dung video. Người dùng có thể đặt câu hỏi, yêu cầu tổng hợp hoặc phân tích thông tin trên một hoặc nhiều video, qua đó biến hệ thống từ một công cụ truy xuất dữ liệu thành một lớp trợ lý AI làm việc trực tiếp trên kho video.

Một năng lực quan trọng của CMC Video Miner là khả năng xử lý các bài toán yêu cầu AI hiểu ngữ cảnh và hành động, thay vì chỉ nhận diện vật thể. Đây là nhóm bài toán có độ phức tạp cao vì cùng một đối tượng có thể xuất hiện trong nhiều tình huống khác nhau và ý nghĩa của cảnh quay phụ thuộc vào hành động cũng như bối cảnh xung quanh.

Năng lực này đã được kiểm chứng thông qua các bài đánh giá trên dữ liệu thực tế của VTV/VTVgo. Đối với truy vấn theo nhân vật, hệ thống đạt độ chính xác Top-5 trung bình 98%, với thời gian phản hồi trung bình 3,97 giây. Đối với truy vấn theo hành động, độ chính xác Top-5 trung bình đạt 94%, thời gian phản hồi trung bình 3,7 giây.

Trong nhóm truy vấn hành động, hệ thống được đánh giá trên nhiều loại nội dung như phát biểu, phỏng vấn, biểu diễn, trao giải, giảng dạy, khám chữa bệnh, cứu hộ, ùn tắc, khởi công, kiểm tra, ngập lụt, tai nạn, trồng trọt, sản xuất, cung ứng, tăng trưởng và xuất khẩu. Nhiều nhóm đạt độ chính xác 100%, cho thấy khả năng xử lý đa dạng các dạng hành động và bối cảnh trong video.

Đối với bài toán tìm kiếm theo thời gian, hệ thống đạt độ chính xác Top-5 trung bình 100%, với thời gian phản hồi trung bình 2,66 giây. Kết quả này cho thấy khả năng truy xuất các đoạn nội dung cụ thể trong kho video với tốc độ cao, phù hợp với các nghiệp vụ yêu cầu tìm nhanh một thời điểm hoặc một đoạn nội dung trong video.

CMC Video Miner được thiết kế theo kiến trúc mô-đun, trong đó các thành phần AI có thể được nâng cấp hoặc thay thế độc lập. Các module như Face Recognition, OCR, Speech-to-Text, Large Language Model và các bộ luật nghiệp vụ có thể được điều chỉnh theo yêu cầu của từng bài toán mà không cần thay đổi toàn bộ hệ thống. Cách thiết kế này giúp nền tảng có khả năng thích ứng với nhiều loại dữ liệu và yêu cầu nghiệp vụ khác nhau.

Về khả năng tích hợp, CMC Video Miner có thể kết nối với các hệ thống lưu trữ và quản lý nội dung hiện có thông qua API hoặc mạng nội bộ. Nền tảng hỗ trợ tích hợp với CMS, DAM, Object Storage, Data Lake và các hệ thống lưu trữ video khác. Hệ thống cũng có thể triển khai On-Premise hoặc tại Data Center của khách hàng, phù hợp với các mô hình cần kiểm soát trực tiếp hạ tầng xử lý và dữ liệu.

Về hiệu năng, kiến trúc hệ thống được thiết kế để xử lý đồng thời nhiều video, với năng lực mục tiêu xử lý 10 video đồng thời và thời gian xử lý dưới 15% độ dài video gốc. Cách tiếp cận này cho phép nền tảng tiếp tục mở rộng năng lực xử lý khi khối lượng video tăng lên.

Một điểm đáng chú ý khác là CMC Video Miner có khả năng xử lý nhiều nhóm nội dung khác nhau. Trong quá trình POC, hệ thống đã được sử dụng với các loại nội dung gồm thời sự, thể thao, phim truyện, giáo dục, y tế, thiên tai, kinh tế, giải trí và các sự kiện chính trị. Điều này cho thấy pipeline phân tích được xây dựng theo hướng tổng quát, không phụ thuộc vào một loại nội dung video duy nhất.

Về mặt trải nghiệm sử dụng, CMC Video Miner hướng tới việc rút ngắn toàn bộ quá trình từ “có nhu cầu tìm kiếm” đến “xác định được đúng đoạn video cần khai thác”. Người dùng không cần mở lần lượt từng video, tua thủ công đến từng thời điểm hoặc phụ thuộc hoàn toàn vào metadata được tạo trước. Thay vào đó, AI thực hiện quá trình phân tích và lập chỉ mục trước, sau đó sử dụng các thông tin đã được hiểu để phục vụ truy vấn gần như tức thời.
Với nền tảng Video Understanding, khả năng tìm kiếm ngữ nghĩa, nhận diện nhân vật, nhận diện hành động, phân tích âm thanh và văn bản, kết hợp cùng AI Agent, CMC Video Miner xây dựng một quy trình khai thác video hoàn chỉnh: AI tiếp nhận video → phân tích đa phương thức → lập chỉ mục nội dung → hiểu truy vấn → truy xuất video/đoạn video liên quan → hỗ trợ phân tích và khai thác kết quả.

CMC Video Miner – Searching Eyes vì vậy được định vị như một nền tảng AI hiểu và khai thác dữ liệu video, trong đó giá trị cốt lõi không chỉ nằm ở việc lưu trữ hay tìm kiếm video, mà ở khả năng biến nội dung hình ảnh, âm thanh và ngữ nghĩa bên trong video thành dữ liệu có cấu trúc, có thể truy vấn và tương tác bằng ngôn ngữ tự nhiên.