Team member: Phan Văn Hinh, Nguyễn Tuấn Cảnh, Phạm Trung Anh, Thắng Vũ,

Công Phú, Nguyễn Tuấn, Trần Đình Cảnh

MACHINE LEARNING CHO

BIẾN ĐỔI KHÍ HẬU
 Nội dung
Thực trạng, vấn đề Ý tưởng kinh doanh
01 và nhu cầu
02
• Sự phù hợp giữa giải pháp và vấn
• Design Thinking
đề ( Design Thinking)
• Tính mới của giải pháp
• Mẫu thử ( prototype)

Hoạt động
03 kinh doanh (BMC) 04 Kêu gọi hỗ trợ
• Sự phù hợp sản phẩm và • Nguồn lực
thị trường
• Tính xã hội của ý tưởng,
sản phẩm
 01
Thực trạng, vấn đề
và nhu cầu
 Năng lượng và khí nhà kính

Những tác động của biến đổi khí hậu đang trở nên ngày càng rõ ràng. Các cơn bão, hạn hán, cháy
rừng và lũ lụt đã trở nên mạnh mẽ hơn và thường xuyên hơn [239]. Hệ sinh thái toàn cầu đang thay
đổi, bao gồm cả tài nguyên thiên nhiên và nông nghiệp mà con người phụ thuộc vào. Báo cáo giữa
các chính phủ về biến đổi khí hậu năm 2018 ước tính rằng thế giới sẽ đối mặt với hậu quả thảm khốc
trừ khi các khí thải nhà kính trên toàn cầu được loại bỏ trong vòng 30 năm [372]. Tuy nhiên, từng
năm, các khí thải này vẫn tiếp tục tăng lên.

Để đối phó với biến đổi khí hậu, cần có sự giảm thiểu (giảm khí thải) và thích ứng (chuẩn bị cho
những hậu quả không thể tránh được). Cả hai đều là vấn đề phức tạp. Việc giảm thiểu khí thải nhà
kính yêu cầu thay đổi hệ thống điện, giao thông, kiến trúc, công nghiệp và việc sử dụng đất đai.
Thích ứng yêu cầu lập kế hoạch để tăng cường sự chịu đựng và quản lý thiên tai, dựa vào hiểu biết
về khí hậu và các sự kiện cực đoan.
Ví dụ về thực trạng tiêu thụ năng lượng và phát thải khí nhà
kính
trong giao thông đường bộ
 02
Ý tưởng kinh doanh
 Giải pháp và sự phù hợp với vấn đề (
Design Thinking)
Trong những năm gần đây, học máy (ML) đã được công nhận là một công cụ mạnh mẽ để tiến bộ
công nghệ. Mặc dù đã có sự phát triển của các phong trào áp dụng ML và trí tuệ nhân tạo (AI) để
giải quyết các vấn đề liên quan đến lợi ích xã hội và toàn cầu [2], nhưng vẫn cần một nỗ lực nhất
định để xác định cách áp dụng các công cụ này một cách tốt nhất để đối phó với biến đổi khí hậu.
Nhiều nhà thực hành ML muốn hành động, nhưng không biết cách. Trong khi đó, nhiều lĩnh vực đã
bắt đầu tìm kiếm sự đóng góp từ cộng đồng ML như Deep Reinforcement learning cho vấn đề điều
khiển tối ưu, dự báo sử dụng computer vision và luật suy diễn,... Có rất nhiều các case study mà
machine learning có thể được sử dụng trong thực tế như một giải pháp hữu hiệu
Case study: Sử dụng Deep Reinforcement learning cho điều khiển giao thông đường bộ và dự báo tình
trạng ùn tắc đường bằng luật suy diễn (có thể áp dụng được cho cả đường biển và đường hàng không để
tối ưu đường đi và dự báo thời tiết)
(lưu ý đây chỉ là một case study rất nhỏ trong một hệ thống các giải pháp sử dụng công nghệ machine
learning tương tự cho giao thông vận tải và dự báo, tuy vậy đã có những ảnh hưởng đáng kể đến môi
trường và nền kinh tế)
 Khách hàng
-Đối tượng khách hàng: tất cả doanh nghiệp, tổ chức , cá nhân, chính phủ.
-Nhu cầu:
+Doanh nghiệp: Vì cả lượng điện tạo ra từ các nguồn biến đổi và nhu cầu điện đều dao động, chúng cần được dự báo trước thời gian để thông báo cho việc lập lịch điện thời gian thực và
lập kế hoạch hệ thống dài hạn. Việc lập lịch sẽ trở nên hữu ích khi mô hình sẽ quản lý các thành phần hệ thống trong khi đồng thời giải quyết các vấn đề lập lịch nhanh hơn để tính đến
biến đổi thời gian thực trong sản xuất điện, giúp cải thiện quy trình hiện tại của lập lịch và phân phối (tập trung) bằng cách tăng tốc các vấn đề tối ưu hóa hệ thống điện và cải thiện chất
lượng của các giải pháp tối ưu hóa. Có thể tối ưu được nguồn năng lượng thì các doanh nghiệp có thể tiết kiệm được 1 nguồn chi phí, đông thời giảm những hiệu ứng tiêu cực cho
môi trường.
Theo đánh giá, ngành công nghiệp ở Việt Nam hiện chiếm hơn 47% tổng tiêu thụ năng lượng toàn quốc, với tiềm năng tiết kiệm năng lượng lên tới 30 - 35%. Vì vậy, việc các doanh
nghiệp sản xuất tăng cường triển khai các giải pháp tiết kiệm năng lượng có ý nghĩa rất quan trọng giúp doanh nghiệp phát triển bền vững.(
https://vneconomy.vn/doanh-nghiep-tiet-kiem-nang-luong-khong-chi-de-giam-chi-phi.htm?fbclid=IwAR1i8BOnVIfZxMHfp6C1Rm8UcLzcqgdIBxQFZvDFI56JFEmCt-oWcvvGEd0)
Hay như theo lời ông Trịnh Ngọc Ánh, Phó Giám đốc Công ty cổ phần Thực phẩm xuất khẩu Đồng Giao " công ty chúng tôi luôn cho rằng đầu tư, thay thế các thiết bị tiết kiệm điện là một
hình thức đầu tư không có rủi ro và sinh lợi ngay tại chỗ. Nhờ đó, hàng tháng Công ty chúng tôi tiết kiệm được khoảng 5.000 - 7.000 kWh, tương đương hơn 10 triệu đồng/tháng, đây
cũng là một khoản chi phí không hề nhỏ". Cho thấy doanh nghiệp rất có nhu cầu tiết kiệm năng lượng
+Xã hội: Mô hình hóa nhu cầu và lập kế hoạch hạ tầng mới có thể tác động đáng kể đến vấn đề giao thông như thời gian di chuyển và lựa chọn các phương tiện vận chuyển của hành
khách và người vận chuyển hàng hóa, đáp ứng được nhanh chóng nhu cầu của người dân. Ngoài ra, phần mềm đưa ra những lựa chọn phương tiện thay thế cho xăng dầu làm giảm tác
động đến môi trường, mà môi trường lại là vấn đề rất được quan tâm hiện nay. Điều này sẽ vô cùng hữu ích được biệt trong các thành phố lớn với nhu cầu di chuyển và vẩn chuyển cao,
cùng với tốc độ phát triển chóng mặt của các dịch vụ giao hàng. Như vậy phần mêm giải quyết nhu cầu của người người dân, vừa giải quyết vấn đề môi trường.
Theo https://tapchigiaothong.vn/thuc-trang-va-giai-phap-gop-phan-giam-thieu-un-tac-giao-thong-o-cac-do-thi-lon-cua-viet-nam tình trạng ùn tắc đường ở các đô thị lớn như Hà Nội
và TP. Hồ Chí Minh nhìn chung đang rất đáng báo động. Theo Báo cáo của Bộ GTVT trong năm 2012, tại Hà Nội đã có 67 điểm ùn tắc nghiêm trọng, con số này tại TP. Hồ Chí Minh là 76
điểm. Đây là 1 trong những vấn đề nghiêm trọng tồn tại rất lâu mà chưa có biện pháp giải quyết dứt điểm, gây sức ép lớn môi trương. Đây chỉ là 2 ví dụ tiêu biểu cho tình trạng giao
thông nghiêm trọng ở Việt Nam, đặc biệt nước ta đang trong quá trình đô thị hóa cao thì đây sẽ là vấn đề cần giải quyết. Phần mêm hỗ trợ người dân lựa các lựa chọn hợp lý cho việc di
chuyển, để tối ưu hóa thời gian và nhiệu liệu vô cùng hiệu quả.
+Gia đình: Phần mềm kiểm soát nguồn năng lượng tiêu thụ, giảm lượng chất thải tạo ra. Với 1 xã hội bận rộn như hiện nay, việc theo dõi và điều khiển nguồn năng lượng tiêu thụ trên 1
chiếc smartphone sẽ vô tiện lợi. Hơn nữa phần mềm cũng sẽ đưa ra điều về việc sử dụng các thiết bị sao cho hợp lý nhất có thể. Điều này vừa giúp tiết kiệm nguồn năng lượng, vừa
giúp tiết kiệm chi phí sinh hoạt, lại làm giảm lượng chất thải sinh ra 1 cách tiện ích và khoa học. Hơn nữa hiện nay, chi phí sử dụng năng lượng vô cùng đắt đỏ.
Có thể thấy việc sử dụng năng lượng tiết kiệm trong gia đình là vô cùng quan trọng. Theo https://moit.gov.vn/tin-tuc/tiet-kiem-nang-luong/dung-cang-nhieu-dien-gia-cang-cao.html
Các hộ gia đình đang lãng phí đến 15% - 20% lượng điện năng tiêu thụ trong mỗi tháng, tức là bình quân 150 nghìn với các vùng đô thị như Hà Nội. Với phần mềm tối ưu hóa năng lượng
có thể tiết kiệm được 1 số tiền không hề nhỏ.
+Chính phủ: Năng lượng và môi trường là những vấn đề chính phủ hay thế giới rất quan tâm hiện nay. Khắp các báo đài hiện nay đều xuất hiện những bài viết về vấn đề môi trường. Dù
rằng không phải vấn đề mới những vẫn chưa tìm được giải pháp nào triệt để và thật sự hiệu quả. Chính phủ cũng rất khuyến khích những dự án làm thay đổi môi trường. Còn về vấn đề
năng lượng thì không chỉ trong nước mà còn trên thế giới, nguồn nhiên liệu thô đang ngày càng suy giảm trầm trọng, đang cần tìm kiếm nguồn năng lượng thay thế với bối cảnh dân số
vẫn đang tăng và nhu cầu mỗi người càng cao.Trong khi đó mô hình giúp tiết kiệm nguồn tài nguyên 1 cách hiệu quả, lại làm tốt cho môi trương. Vì vậy, mô hình rất phù hợp với tình
hình hiện nay, nhận được sự khuyến khích của nhà nước, giải quyết được 1 trong những vấn đề phức tạp hiện nay.
Deep reinforcement learning, Mô hình suy diễn và Phân tích
Time-series cho giao thông vận tải tránh ùn tắc
• Tính năng, chức năng và giải quyết như thế nào (Cảnh), còn lại cần đóng góp
của team cho ý tưởng và thống kê
• Tiết kiệm như nào, ra sao
• Khách hàng
• Dữ liệu thống kê: tiết kiệm tiền, vấn đề, thời gian,
 Tính mới của giải pháp

The boring company của Elon Musk: Đào

hầm là một công việc vật lý tốn nhiều vật
lực và không gian, thời gian

Các giải pháp tối ưu của chính phủ và các công ty

hiện tại không hiệu quả

Công ty sử dụng các tiến bộ mới nhất của AI như

deepRL, mô hình suy diễn và phân tích time-
series đã được ứng dụng thành công và hiệu quả
trong các lĩnh vực như chơi cờ (alphaGo đánh bại
lee sedol), robot(học nhanh hơn, tối ưu hơn), các
nghiên cứu mới nhất về điều khiển giao thông sử
dụng DeepRL cho thấy hiệu quả cao hơn các
phương pháp khác (ElisvandePol)
Mẫu thử ( prototype)

https://traffic-signal-control.github.io/?
fbclid=IwAR35boe1JPuv80zGaRMj5MRHOj1ftzE1r
FD-Cob3-FUXu_7gmWkJXkWekFs

https://www.youtube.com/watch?
v=vHfc08KoUP4&t=20s

https://www.youtube.com/watch?v=_BgY8AXFpt0

Có demo trên máy tính về công nghệ sử dụng cho

robot nếu muốn xem (dạng mô phỏng, trong dự
án nghiên cứu cho IROS)
 03
Hoạt động kinh doanh
BMC
 04
Kêu gọi hỗ trợ
 Nguồn lực
Nhân lực: nguồn nhân lực cao từ trường đại học:
Sinh viên ngành AI, Robotics
Giảng viên đầu ngành về robotics, human machine interaction, tối ưu hóa, trí tuệ nhân tạo:
lab robotics, viện trí tuệ nhân tạo, orlab,... http://orlab.com.vn/customers ,...

Tin lực: tiếp cận được các nguồn thông tin từ doanh nghiệp hợp tác với nhà trường và các
sáng chế, nghiên cứu có thể access qua trường đại học (như trên các journal Nature, Nhà
xuất bản Elsevier, Springer …)

Vật lực: Chủ yếu từ các lab và tài trợ từ nhà đầu tư và doanh nghiệp

Kênh phân phối: Vườn ươm, cô Yến, cuộc thi, accelerator

Thank you
“This is a quote, words full of
wisdom that someone
important said and can make
the reader get inspired”

—Someone Famous
A picture is worth a thousand words