Trần Ngọc Quang

TP. Hồ Chí Minh · bán thời gian, đội 3 người nhận dự án AI cho khách hàng và thi đấu AI

• Viettel AI Race 2026, bảng BTS Digital Twin (đội Zillexa): Top 4, một trong 12 đội chung kết — 3D Gaussian Splatting trên gsplat MCMC, ensemble nhiều backbone, huấn luyện chia shard trên 4×A5000; vòng chung kết trên H200 với pruning để đạt thời gian render và bản vá lỗi tràn int32 trong phép chiếu CUDA của gsplat. Case study (EN)
• Console tư vấn AI cho một đơn vị giáo dục: bot LLM có ngữ cảnh CRM ở mỗi lượt, gợi ý cho tư vấn viên được cache trong Redis, trình biên dịch persona/prompt, API key theo phạm vi, rate limit, retry và circuit breaker (TypeScript, Express, React, PostgreSQL, Redis, Docker).
• Pipeline video ngắn dùng vision-LLM (đang thực hiện): đánh chỉ mục MinIO tăng dần theo ETag, trích khung hình bằng ffmpeg, phân loại vision-LLM theo JSON schema chặt chẽ vào SQLite FTS5.
• Hệ thống quản lý license: license và danh sách thu hồi ký Ed25519, thời gian ân hạn khi offline, CLI và trang quản trị JWT.

TP. Hồ Chí Minh · hợp đồng, nhóm nòng cốt · làm song song với TSC (06 – 08/2026) · hệ thống giám sát bệnh nhân iPBMS

• Phát hiện té ngã chính xác trên 85%, cảnh báo dưới 2 giây trên luồng RTSP trực tiếp (YOLOv8-Pose + MoveNet Thunder, phân tích góc khớp trên 17 keypoint).
• Giảm thời gian suy luận từ 45 → 12 ms/khung hình và tăng từ 2 → 6 luồng trên mỗi RTX 3060 với TensorRT FP16 và hậu xử lý/NMS bằng C++.
• Kiểm soát báo động giả bằng ByteTrack, state machine theo từng đối tượng và ngưỡng vận tốc hông; cảnh báo Normal/Warning/Danger trong 3 giây qua WebSocket và Supabase Realtime.
• Báo cáo sự cố đa ngôn ngữ (keyframe, sinh chú thích, dịch) gửi qua FCM; vận hành hệ thống on-premise trên 2 camera thực tế. Case study (EN)

Manila

• Prototype chấm công RPA + Arduino cho hơn 120 nhân viên, xây dựng từ bốn component UiPath tái sử dụng.

• Vận hành hệ thống thi trong hai năm học: cài đặt máy, kiểm tra mạng, xử lý trực tiếp lỗi đăng nhập/CRM, ghi nhận nguyên nhân gốc.

Các backbone lai Ghost / Transformer / Mamba-2 / Bi-Mamba pre-train MAE trên ImageNet-1K; nhánh Ghost nhanh và nhẹ hơn ConvMAE-Base trên TensorRT với độ chính xác nhận diện khuôn mặt tương đương.

Che mặt nạ theo landmark: giảm 17,5% lỗi tái tạo vùng quyết định danh tính so với block-wise masking, không thêm tham số.

YOLOv5/v8/v11 × ba pipeline OCR: 98,9% độ chính xác theo biển số, mAP@0.5 0,994, 91% trên 15.000 khung hình ban đêm.

GPA 3.53 / 4.0 · Đồ án tốt nghiệp GSU26AI07: Inference-Efficient ConvMAE for Universal Visual Recognition Tasks