60 gånger av "trial and error" och resan för att föra Vietnams namn till världens ledande AI-tidning

År 2016 blev världen chockad när den legendariske Go-spelaren Lee Se-dol besegrades av det artificiella intelligenssystemet AlphaGo.

För den unge Tran Tien Cong – då doktorand i Korea – fick händelsen honom att tänka i många dagar eftersom han insåg att gränsen mellan mänsklig intelligens och maskiner höll på att suddas ut.

”Vad behöver jag för att hänga med i en era som kommer att se explosionen av artificiell intelligens?” frågade sig själv Cong.

Vändpunkten för vietnamesiska doktorander kom när en koreansk Go-spelare besegrades av AI ( Video : Minh Nhat - Thuong Huyen).

Med en bakgrund inom multiagentsystem och robotik utvidgade han sin verksamhet till maskininlärning, datorseende och stora språkmodeller.

År 2021 disputerade Tran Tien Cong framgångsrikt med sin doktorsavhandling i datavetenskap och återvände till Vietnam. Han är för närvarande chef för institutionen för maskininlärning, fakulteten för artificiell intelligens, akademin för post- och telekommunikationsteknik.

I klassrummet minns han ofta den historiska matchen som ett utmärkt exempel på förändringstakten inom AI.

Avancerade modeller som deltar i den 11:e nationella patriotiska emuleringskongressen

Dr. Tran Tien Cong är för närvarande chef för avdelningen för maskininlärning, fakulteten för artificiell intelligens, akademin för post- och telekommunikationsteknik.

Under perioden 2020-2025 var han författare eller medförfattare till många högt rankade vetenskapliga artiklar i prestigefyllda internationella tidskrifter, särskilt 15 artiklar publicerade i SCIE-tidskrifter, rankade Q1, tillsammans med många publikationer och ämnen som uppskattades nationellt och internationellt, vilket visar den vietnamesiska underrättelsetjänstens deltagande i högkvalitativ forskning inom områdena artificiell intelligens, nätverksvetenskap, maskininlärning etc.

Hans forskningsämnen är inte bara akademiska utan har även höga praktiska tillämpningar, vilket bidrar till socioekonomisk utveckling och förbättrar livskvaliteten.

Dr. Tran Tien Cong är en av de avancerade modellerna från ministeriet för vetenskap och teknik som deltar i den 11:e nationella kongressen för patriotisk emulering.

AI:s seger utmanar hela världen

60 lần thử - sai và hành trình đưa tên Việt lên tạp chí AI hàng đầu thế giới - 1 — Go-spelaren Lee Se-dol i en match mot AlphaGo 2016 (Foto: Getty).

Vilken händelse förändrade inriktningen för din forskning i Korea?

– Under första året i skolan förändrades allt när Go-spelaren Lee Se-dol besegrades av AlphaGo, ett artificiellt intelligenssystem utvecklat av Google. Man måste veta att vid den tiden var Go-spelaren Lee Se-dol Koreas stolthet, medan Go anses vara en av de mest komplexa intellektuella sporterna i världen.

Vid den tiden ansåg inte bara Korea utan hela världen detta vara en chockerande händelse inom vetenskap och teknologi. För 10 år sedan var artificiell intelligens fast besluten att utvecklas och ha en djupgående inverkan på många områden inom både vetenskap och liv i framtiden.

Många koreanska forskningslaboratorier har skiftat sitt fokus till forskning och utveckling av artificiell intelligens. Jag fokuserar mer på AI, maskininlärning, grafforskning och att träna artificiell intelligens för att söka data i stora nätverk.

Artificiell intelligens stannar inte bara vid att vinna Go, utan kan nu lösa många svåra problem och besegra människor i många olika spel och tävlingar. Det visar hur snabbt och enastående AI har utvecklats under det senaste decenniet.

Samtidigt, hur har Vietnam anammat teknologi?

– Vietnam står inte utanför flödet av vetenskap och teknologi. När jag återvände till landet 2021 och började undervisa hade många individer och forskningsenheter redan fått tekniköverföring och hade djupgående publikationer inom området artificiell intelligens, både i teorin och i praktisk tillämpning.

För närvarande är informationsteknik i allmänhet en bransch som alltid behöver högkvalificerade mänskliga resurser. Många studenter har jobb direkt från skoltiden. Det visar att denna bransch har många möjligheter, men också utmaningar eftersom tekniken förändras och förbättras varje dag.

60 gånger av försök, fel och upprepning

Vilket har varit ditt mest betydelsefulla forskningsarbete inom artificiell intelligens hittills?

- Jag gjorde en gång en forskning som publicerades i IEEE Transactions on Pattern Analysis and Machine Intelligence – en tidskrift som anses vara den ledande inom området – med ämnet att hitta dolda data i nätverksanalysuppgifter genom att hitta information i grafer, och därifrån fråga och härleda dold information.

Anta att vi frågar en chatbot "Var är sjöstranden?". Om vi är i Hanoi avses med "sjöstrand" Hoan Kiem-sjön, men om vi är i Da Lat avses med "sjöstrand" Xuan Huong-sjön. När vi söker efter information kommer bristen på data och sammanhang i inmatningen att få datorn att göra misstag.

Min forskning fokuserar på att lösa problemet med hur man söker och kombinerar information från många olika källor för att producera de mest exakta resultaten. Med exemplet "sjöstrand" som exempel kan artificiell intelligens, om användaren vill beräkna avståndet till sjöstranden, härleda dold information och gissa om användaren befinner sig i Hanoi eller Da Lat från tidigare chattar. Chatboten kommer att ge rätt svar.

- Hur gick din forskning?

Jag gjorde den forskningen i tre år, och den publicerades inte förrän 2019 på grund av den långa tid det tog att undersöka, granska, redigera och publicera. Den mesta forskningen inom artificiell intelligens och datavetenskap är så. Forskningsprocessen är alltid "trial-error-repeat".

Jag minns att jag upprepade den där "cykeln" 60 gånger. Varje gång med ett annat urval, varje gång med en annan testmetod. Jag stannade inte bara vid resonemanget, jag var också tvungen att köra tester för att se om jag hade räknat korrekt.

För det här ämnet måste jag komma på en lämplig algoritm och sedan träna AI:n att hitta dold data. Om resultatet inte är tillfredsställande kommer jag att förbättra det för att hitta en lämplig algoritm. Det fina med den här forskningen är att den inte ger helt exakta resultat, utan bara kan hitta den mest lämpliga algoritmen efter dussintals försök och fel.

Allmän forskning är inte för skrivbordet.

Bör forskare inom området artificiell intelligens fokusera mer på praktiska tillämpningar än grundläggande teorier?

- Det finns en vanlig missuppfattning att generell, teoretisk forskning inte är lika tillämpbar som specifika fallstudier. Faktum är att artiklar som publiceras i ledande tidskrifter ofta är generella studier som kan tillämpas inom många områden.

Om vi tar exemplet ovan med att undersöka hur man söker efter dold information, kan vi inte bara använda chatbotar, utan vi kan också använda dem för att spåra dolda grupper på sociala nätverk, vilket kan tillämpas inom många olika områden.

Numera tillämpas artificiell intelligens inom många områden, inte bara inom det allmänna vetenskaps- och teknikområdet. Att kombinera grunderna, teorierna om AI, data... med praktiska undersökningar och effektiva tillämpningar kommer därför att stärka forskningens roll och praktiska genomslagskraft.

Frågor som verkar väldigt enkla när man lägger fram ett forskningsförslag, såsom: Hur kartlägger man modellen och data? Har någon gjort den här forskningen tidigare? Hur kan vi lära av och jämföra tidigare data?... spelar en roll i att fördjupa sin forskning.

Vilka aspekter av datavetenskaplig och informationsteknologisk forskning behöver enligt din mening fokuseras på att investera mer?

– Under senare år har anläggningar och infrastruktur förbättrats och uppgraderats, vilket skapar gynnsamma förutsättningar för enheter och individer att forska inom artificiell intelligens. Om det investeras mer i utrustning och moderna forskningslaboratorier kommer forskare att kunna producera fler produkter, applikationer och rapporter.

Dessutom rensas vår databas, vilket skapar ett datalager så att forskare har en källa för att träna kvalitetsmodeller.

I en bransch som uppdateras snabbt, som informationsteknologi, kan forskning som just har avslutats vara föråldrad eller inte hålla jämna steg med verkligheten. Mycket tillämpad forskning kan omedelbart tillämpas på verkligheten men kommer att stöta på snabba tekniska förändringar, vilket leder till ohållbarhet och svårigheter att sprida den. För att bemästra artificiell intelligens behöver vi ha djupgående forskning och ta med oss kärnteknik till Vietnam.

Tack så mycket!