PGS.TS. Phan Thị Thu Hồng, Trưởng khoa Trí tuệ nhân tạo, Trường Đại học FPT cơ sở Đà Nẵng.

Một mô hình trí tuệ nhân tạo có thể cho kết quả rất tốt trên bộ dữ liệu được chuẩn bị kỹ. Nhưng khi bước sang dữ liệu ngoài đời thực, mọi thứ phức tạp hơn: chuỗi số liệu có thể biến động mạnh, hình ảnh chứa nhiều chi tiết gây nhiễu, cách xử lý đầu vào đôi khi làm thay đổi cả kết quả dự đoán. Đó cũng là khoảng không gian nghiên cứu mà PGS.TS. Phan Thị Thu Hồng, Trưởng khoa Trí tuệ nhân tạo, Trường Đại học FPT cơ sở Đà Nẵng, theo đuổi qua nhiều năm. Hướng chuyên môn của bà trải từ phân tích chuỗi thời gian, thị giác máy tính đến khai phá dữ liệu và các bài toán ứng dụng trong nông nghiệp, thủy lợi.

Nền tảng ấy được hình thành trước khi làn sóng AI tạo sinh khiến trí tuệ nhân tạo trở thành câu chuyện phổ biến. PGS.TS. Phan Thị Thu Hồng hoàn thành chương trình thạc sĩ Công nghệ thông tin tại Đại học Lyon I năm 2010 và tiến sĩ tại Đại học Littoral, Pháp, năm 2018. Năm 2025, bà được Hội đồng Giáo sư Nhà nước công nhận đạt tiêu chuẩn chức danh phó giáo sư ngành Công nghệ thông tin. Đến năm 2026, công việc của nữ giảng viên vừa tiếp tục bằng những công bố nghiên cứu mới, vừa mở rộng sang việc hướng dẫn sinh viên thử sức với dữ liệu y tế tại một hội nghị quốc tế diễn ra ngay ở Đà Nẵng.

Dữ liệu thật không đi theo một khuôn mẫu

Một trong những bài toán PGS.TS. Phan Thị Thu Hồng theo đuổi lâu nhất là dự báo mực nước. Năm 2020, bà cùng Nguyễn Xuân Hoài công bố nghiên cứu trên Advances in Water Resources, kết hợp mô hình ARIMA với các phương pháp học máy thống kê để dự báo mực nước sông Hồng. Dữ liệu sử dụng không phải một bộ số liệu mô phỏng: nhóm nghiên cứu làm việc với quan trắc tại các trạm Vụ Quang, Hà Nội và Hưng Yên trong nhiều năm. Phần đóng góp tác giả được tạp chí công bố cũng ghi PGS.TS. Phan Thị Thu Hồng tham gia từ xây dựng ý tưởng, phương pháp, phân tích đến phần mềm và viết bài.

Bài toán thủy văn cho thấy một khó khăn rất điển hình của AI ngoài phòng thí nghiệm. Mực nước không vận động theo một quy luật tuyến tính đơn giản mà chịu ảnh hưởng của nhiều quá trình và biến động theo thời gian. Một phương pháp có thể nắm bắt tốt phần tuyến tính nhưng lại không xử lý tốt các quan hệ phi tuyến, hoặc ngược lại. Công trình năm 2020 vì thế tìm cách kết hợp ưu điểm của các mô hình khác nhau thay vì đặt toàn bộ kỳ vọng vào một thuật toán duy nhất. Năm 2025, tên PGS.TS. Phan Thị Thu Hồng tiếp tục xuất hiện trong một nghiên cứu so sánh các kiến trúc học sâu cho dự báo mực nước sông Hồng tại MEDES 2025. Đến tháng 4/2026, bà là đồng tác giả một bản tiền công bố đề xuất khung Transformer cho dự báo mực nước nhiều bước trên lưu vực sông Hồng.

PGS.TS. Phan Thị Thu Hồng (thứ 4 từ trái qua, hàng dưới) cùng các cá nhân, tập thể nhận Bằng khen của Hội Tin học Việt Nam, tháng 3/2026.

Sự tiếp nối qua nhiều năm đáng chú ý hơn việc chạy theo một mô hình AI mới. Một bài toán cũ được đặt lại khi phương pháp thay đổi: từ ARIMA và học máy thống kê đến học sâu, rồi Transformer. Tuy nhiên, các kết quả nghiên cứu không nên được chuyển thành tuyên bố rằng những mô hình này đã trở thành hệ thống cảnh báo lũ đang vận hành. Các nguồn công khai xác nhận việc xây dựng và thử nghiệm mô hình dự báo; chưa xác lập rằng chúng đã được một cơ quan quản lý thủy văn triển khai chính thức. “Bài toán thật” trong trường hợp này nói đến dữ liệu và nhu cầu thực tế, không đồng nghĩa sản phẩm nghiên cứu đã hoàn tất con đường chuyển giao.

Một loại dữ liệu khác đưa AI tới câu hỏi gần với đời sống hằng ngày hơn: làm thế nào đánh giá độ tươi của cá qua hình ảnh. Tháng 5/2026, Ecological Informatics công bố nghiên cứu của Hoàng Phi Hùng, Trịnh Nam Thuận, Trần Văn Mạnh và PGS.TS. Phan Thị Thu Hồng về tối ưu đặc trưng sâu để đánh giá độ tươi qua mắt cá. Nhóm thử năm kiến trúc thị giác hiện đại, kết hợp các bộ phân loại học máy và những phương pháp lựa chọn đặc trưng; cấu hình tốt nhất đạt độ chính xác 85,99% trên bộ dữ liệu Freshness of the Fish Eyes. PGS.TS. Phan Thị Thu Hồng là tác giả thứ tư trong công trình, vì vậy kết quả phải được ghi nhận cho cả nhóm chứ không quy cho riêng bà.

Con số 85,99% cũng cần được đặt đúng chỗ. Nó phản ánh kết quả của phương pháp trên bộ dữ liệu nghiên cứu được sử dụng, không có nghĩa một chiếc điện thoại hoặc dây chuyền chế biến đã có thể nhìn mắt cá rồi đưa ra kết luận thay cho kiểm định chất lượng ngoài thị trường. Giá trị của công trình nằm ở một câu hỏi kỹ thuật cụ thể: giữa rất nhiều đặc trưng mà mạng học sâu tạo ra từ ảnh, đặc trưng nào thực sự hữu ích cho phân loại và việc loại bớt thông tin dư thừa có giúp mô hình hoạt động tốt hơn hay không.

Các bài toán như vậy cũng cho thấy AI không tự tạo ra giá trị chỉ vì sử dụng một kiến trúc mới. Với AI cho nông nghiệp, thủy văn hay chất lượng thực phẩm, mô hình chỉ là một phần. Dữ liệu được thu thập thế nào, có đại diện cho hoàn cảnh sử dụng hay không, mục tiêu dự báo được xác định ra sao và kết quả được kiểm chứng bằng cách nào mới quyết định nghiên cứu có thể đi xa tới đâu.

Khi một bước xử lý ảnh cũng có thể làm AI thay đổi

Tháng 9/2026, một bài toán khác xuất hiện tại APWeb-WAIM 2026 ở Đà Nẵng. Nhóm sinh viên Lê Thị Bích Tra, Lê Ngọc Duy, Đỗ Tuấn Minh, Hoàng Trung Nguyên và Trần Lý Minh Hoàng do PGS.TS. Phan Thị Thu Hồng hướng dẫn nghiên cứu ảnh hưởng của các cách tiền xử lý ảnh X-quang DICOM tới khả năng phát hiện bất thường bằng AI. Thay vì đặt câu hỏi mô hình nào “mạnh nhất”, nhóm quay về bước xảy ra trước khi dữ liệu được đưa vào mô hình.

Ảnh X-quang thường được lưu ở định dạng DICOM với lượng thông tin khác với ảnh thông thường, trong khi nhiều mô hình học sâu cần dữ liệu đầu vào được chuyển đổi về dạng phù hợp. Quá trình này tưởng như chỉ là thao tác kỹ thuật, nhưng nhóm nghiên cứu cho thấy những cách xử lý khác nhau có thể làm thay đổi độ tương phản, phân bố cường độ và khả năng quan sát cấu trúc trên ảnh. Khi thử nhiều chiến lược tiền xử lý trên bộ dữ liệu VinDr-CXR với ba nhóm mô hình phát hiện đối tượng, hiệu quả phát hiện thay đổi theo cả cách chuẩn bị ảnh lẫn kiến trúc mô hình; xử lý quá mạnh còn có nguy cơ làm nổi bật những cấu trúc không liên quan.

PGS.TS. Phan Thị Thu Hồng (áo cam) cùng sinh viên tại FPT Edu Research Festival 2024.

Câu chuyện ở đây không chỉ dành cho ảnh X-quang. Nó chạm tới một vấn đề rộng hơn của AI: dữ liệu trước khi đi vào thuật toán không phải một nguyên liệu trung tính. Cách lựa chọn, làm sạch, chuyển đổi hay nhấn mạnh thông tin có thể tác động tới thứ mà mô hình học được. Vì vậy, thử nghiệm AI với một bài toán thật nhiều khi bắt đầu ở những công đoạn ít gây chú ý hơn tên của mô hình, nhưng lại ảnh hưởng trực tiếp đến kết quả cuối cùng.

Nghiên cứu của nhóm sinh viên vẫn cần được giữ trong đúng phạm vi. Đây là thử nghiệm trên dữ liệu ảnh y tế và các mô hình phát hiện bất thường, chưa phải một hệ thống đã được bệnh viện sử dụng để chẩn đoán cho bệnh nhân. Chính sự phân biệt này làm rõ hơn tinh thần của bài toán thực tế: mục tiêu không phải gắn nhãn “AI y tế” rồi mặc nhiên coi nghiên cứu đã tạo ra hiệu quả lâm sàng, mà phải xác định từng bước kỹ thuật có ảnh hưởng gì trước khi nghĩ tới triển khai. Hội nghị APWeb-WAIM 2026 diễn ra từ ngày 7 đến 9/9 tại Trường Đại học FPT cơ sở Đà Nẵng, với hơn 100 nhà nghiên cứu, chuyên gia, giảng viên và sinh viên từ 12 quốc gia và vùng lãnh thổ.

Từ làm nghiên cứu đến hướng dẫn người trẻ đặt câu hỏi

Ở tuổi nghề hiện tại, PGS.TS. Phan Thị Thu Hồng không chỉ đứng trong danh sách tác giả của các công trình. Từ năm 2022, bà đảm nhiệm vai trò Trưởng khoa Trí tuệ nhân tạo tại Trường Đại học FPT cơ sở Đà Nẵng; hoạt động chuyên môn hiện bao gồm nghiên cứu, giảng dạy, hướng dẫn sinh viên và tham gia cộng đồng học thuật. Tháng 3/2026, bà được Hội Tin học Việt Nam trao bằng khen cho những đóng góp trong giảng dạy và nghiên cứu khoa học. Nhưng nếu chỉ nhìn vào học hàm hay bằng khen, phần đáng chú ý nhất trong hành trình chuyên môn lại dễ bị bỏ qua.

Từ mực nước sông Hồng đến mắt cá hay ảnh X-quang, những đối tượng nghiên cứu rất khác nhau. Điểm nối nằm ở cách dữ liệu được đặt trước câu hỏi thực tế và buộc phương pháp tính toán phải thích nghi với đặc điểm của từng bài toán. Có lúc dữ liệu là chuỗi thời gian kéo dài nhiều năm; lúc khác là hàng loạt đặc trưng được rút ra từ hình ảnh; trong y tế, chỉ một bước tiền xử lý cũng có thể làm thay đổi kết quả của mô hình. Đó là môi trường mà AI không còn được đánh giá bằng việc nó mới đến đâu, mà bằng việc nó xử lý được vấn đề cụ thể đến mức nào và giới hạn của kết quả nằm ở đâu.

Việc PGS.TS. Phan Thị Thu Hồng hướng sinh viên vào những câu hỏi như vậy cũng nối tiếp một phần con đường nghiên cứu của bà. Người học không chỉ cần biết sử dụng mô hình có sẵn, mà phải học cách nghi ngờ dữ liệu, kiểm tra từng bước xử lý và tránh kết luận xa hơn bằng chứng. Với một lĩnh vực đang phát triển nhanh như trí tuệ nhân tạo, đó có thể là phép thử quan trọng nhất: trước khi nói công nghệ sẽ thay đổi đời sống, phải xem nó đứng vững thế nào trước những bài toán thật.