Trong bối cảnh các thiết bị kết nối Internet ngày càng phổ biến, nhu cầu xem video trực tuyến của con người ngày càng tăng cao. Điều này đã thúc đẩy sự phát triển mạnh mẽ của thị trường dịch vụ truyền phát video trực tuyến (Video Streaming). Theo thống kê từ Statista 1 , thị trường video đăng ký theo yêu cầu - Subscription Video on Demand (SVoD) đang tăng trưởng mạnh mẽ. Cụ thể, trong giai đoạn từ năm 2025 đến 2029, tốc độ tăng trưởng hàng năm ước tính đạt 6,89% và đạt doanh thu khoảng 155.50 tỷ USD vào năm 2029.
chúng tôi đề xuất xây dựng một hệ thống bãi đỗ xe thông minh toàn diện kết hợp giữa công nghệ IoT và trí tuệ nhân tạo. Hệ thống sử dụng YOLO để nhận diện số lượng xe và vị trí trống theo thời gian thực, giúp dễ dàng quản lý. Quan trọng hơn, đề tài tập trung vào việc hỗ trợ ra quyết định cho nhà quản lý thông qua mô hình học sâu kết hợp CNN-LSTM để dự báo nhu cầu đỗ xe trong tương lai. Đặc biệt, hệ thống sẽ tích hợp quy trình Machine Learning Operations (MLOps) để tự động hóa việc triển khai và huấn luyện lại mô hình. Cách tiếp cận này không chỉ nâng cao trải nghiệm người dùng mà còn đảm bảo hệ thống vận hành bền vững, giảm thiểu chi phí bảo trì và tối ưu hóa hiệu quả kinh doanh cho chủ sở hữu bãi đỗ xe.
đề tài được lựa chọn nhằm xây dựng một hệ thống giám sát và dự báo chất lượng không khí dựa trên IoT và đám mây, đồng thời tích hợp cơ chế học liên tục để duy trì hiệu năng ổn định trong bối cảnh dữ liệu môi trường biến động theo thời gian.
Đề tài đề xuất một hướng tiếp cận mới khi phát triển chatbot nhân sự không chỉ dừng lại ở việc phản hồi truy vấn thông tin, trả lời các câu hỏi thường gặp.
Với đặc trưng tách biệt giữa mặt điều khiển và mặt dữ liệu, SDN tạo điều kiện thuận lợi cho việc thu thập dữ liệu mạng và áp dụng các thuật toán học máy - Machine Learning (ML) để phát hiện bất thường. Việc kết hợp giữa SDN và ML mang lại một hướng tiếp cận mới hiệu quả hơn trong công tác bảo mật mạng.
Hệ thống được xây dựng với khả năng mở rộng cao, chi phí thấp và dễ triển khai tại hộ gia đình. Kết quả thực nghiệm cho thấy hệ thống hoạt động ổn định, độ trễ thấp, khả năng phát hiện bất thường tốt và đề xuất lịch điều khiển thiết bị hiệu quả, góp phần nâng cao nhận thức sử dụng điện tiết kiệm và thông minh cho người dùng.
Xuất phát từ mong muốn góp phần giải quyết những vướng mắc này, nhóm quyết định lựa chọn đề tài "DevOps cho tái cấu hình thiết bị IoT" với hy vọng nghiên cứu, xây dựng và thử nghiệm một mô hình DevOps phù hợp, có tính thực tiễn cao, dễ áp dụng rộng rãi, góp phần nâng cao hiệu quả, tính linh hoạt và bảo mật cho các hệ thống IoT tại Việt Nam.
Đồ án Áp dụng các kỹ thuật học máy để phát hiện lưu lượng nguy hại trong điện toán đám mây nhằm xây dựng một hệ thống phát hiện xâm nhập (IDS) thông minh, có khả năng phân tích và phát hiện hành vi tấn công mạng theo thời gian thực trong môi trường điện toán đám mây.
Kết quả đánh giá trên tập dữ liệu kiểm thử cho thấy mô hình Random Forest đạt độ chính xác tổng thể cao (lên đến 0.97), thể hiện khả năng phân loại tốt
giữa các mức độ kẹt xe. Phân tích chi tiết chỉ ra rằng mô hình đặc biệt hiệu quả trong việc xác định các tuyến đường thông thoáng và hiếm khi nhầm lẫn giữa hai trạng thái đối lập là kẹt xe nặng và không kẹt xe. Ứng dụng demo đã chứng minh được khả năng tính toán, so sánh và đề xuất thành công lộ trình có thời gian di chuyển ngắn nhất giữa các lựa chọn thay thế dựa trên kết quả dự đoán.
Đồ án này trình bày quá trình thiết kế và triển khai một hệ thống AIoT (Artificial Intelligence of Things) nhằm hỗ trợ dự đoán sớm nguy cơ mắc bệnh tim mạch. Hệ thống kết hợp giữa các thiết bị cảm biến y sinh học (như cảm biến nhịp tim, huyết áp) và mô hình học sâu (Deep Learning) để thu thập, xử lý và phân tích dữ liệu sức khỏe của bệnh nhân theo thời gian thực.
