Đang tải... (xem toàn văn)
Phát biểu bài toánBài toán: Nhận diện lứa tuổi trẻ con, trưởng thành, cao tuổi của người đi trong thangmáy của Vinhomes Smart City để phát clip quảng cáo phù hợpInput: Hình ảnh khuôn mặt
HỌC VIỆN NGÂN HÀNG KHOA HỆ THỐNG THÔNG TIN QUẢN LÝ MƠN HỌC: TRÍ TUỆ NHÂN TẠO TRONG KINH DOANH (IS42A) ĐỀ TÀI: NHẬN DIỆN LỨA TUỔI (TRẺ CON, TRƯỞNG THÀNH, CAO TUỔI) CỦA NGƯỜI ĐI TRONG THANG MÁY CỦA VINHOMES SMART CITY ĐỂ CHIẾU CLIP QUẢNG CÁO PHÙ HỢP Giảng viên hướng dẫn : Cô Bùi Thị Hồng Nhung Sinh viên thực : Nhóm 03 Nhóm lớp : IS42A07 Cán chấm thi Điểm Hà Nội, ngày 25 tháng 06 năm 2023 DANH SÁCH THÀNH VIÊN NHÓM ST T Họ tên MSV Hồ Thị Hoa (nhóm trưởng) 23A407007 Hoa Đỗ Hồng Anh 23A407000 Anh Ngơ Trí Hịa 23A407008 Hịa Nguyễn Trung Kiên 23A407010 Kiê n Trần Quỳnh Mai 23A407022 Mai Cơng việc Mức độ hồn thành Chữ ký MỤC LỤC I GIỚI THIỆU CHUNG 1 Giới thiệu đơn vị sử dụng - Vinhomes Smart City Giới thiệu hoạt động quảng cáo Phát biểu toán Lý lựa chọn đề tài: II Dữ liệu Cách thức thu thập liệu .8 Kiểu liệu ảnh cần thu thập .8 Số lượng ảnh kiểu liệu ảnh Cách thức tổ chức kiểu liệu ảnh máy III Tổng quát thuật toán CNN .9 Đặc trưng 10 Cấu trúc 10 Tích chập 10 IV: Mã lệnh chương trình .10 Tạo thư mục dự án 10 1.1 Tạo thư mục 10 1.2 Tạo file Colab notebook Google Drive 11 Đọc liệu tiền xử lý ảnh 12 2.1 Đọc liệu .12 2.2 Tiền xử lý ảnh 14 2.3 Đọc liệu train validation .15 Xây dựng mơ hình 16 Thiết lập tham số để huấn luyện mơ hình 17 Huấn luyện mơ hình 18 Tìm mơ hình tối ưu 22 6.1 Kịch bản: Thay đổi kích thước ảnh 23 6.2 Kịch bản: Tăng lớp CNN mơ hình 24 6.3 Kịch bản: Thay đổi lọc lớp CNN 25 6.4 Kịch bản: Thay đổi kích thước lọc convolutional lớp CNN .26 6.5 Kịch bản: Tăng thêm lớp ẩn 26 6.6 Kịch bản: Thay đổi lọc lớp ẩn 28 6.7 Kịch bản: Thay đổi tham số optimizer 28 Sử dụng mơ hình: 30 V Kết luận 32 DANH MỤC TÀI LIỆU THAM KHẢO 38 I GIỚI THIỆU CHUNG Giới thiệu đơn vị sử dụng - Vinhomes Smart City Vinhomes Smart City khởi công xây dựng từ năm 2018 xã Tây Mỗ xã Đại Mỗ, quận Nam Từ Liêm, Hà Nội với quy mô lên tới 280 Đây đánh giá đại đô thị thông minh, mang đẳng cấp quốc tế Việt Nam, sản phẩm tiên phong tập đồn Vingroup ứng dụng cơng nghệ cung cấp sản phẩm công nghệ tiên tiến thị trường, qua kiến tạo hệ sinh thái thơng minh, tồn diện nhằm mang đến sống động, đại thời thượng Với vị trí đắc địa cửa ngõ phía Tây, kế cận trục đường huyết mạch thủ đô, Vinhomes Smart City nhanh chóng kết nối với địa điểm trọng điểm thành phố, tỉnh lân cận đại đô thị khác Vinhomes.Vinhomes Smart City học hỏi phát triển từ mơ hình khu đô thị thành công giới Singapore, Fujisawa (Nhật Bản), Songdo (Hàn Quốc), Sống đây, cư dân Vinhomes Smart City thừa hưởng hệ sinh thái tiện ích đẳng cấp đến từ tập đồn “mẹ” Vingroup, bao gồm “tứ trụ kim cương” Vinhomes - Vinmec - Vinschool - Vincom, thỏa mãn hết nhu cầu hàng ngày từ ăn uống, học tập, làm việc đến mua sắm, vui chơi, giải trí, chăm sóc sức khỏe, Chính hội tụ nhiều ưu điểm độc đáo bật tạo nên sống trọn vẹn đủ đầy vậy, dự án Vinhomes Smart City nhận săn đón cư dân nhà đầu tư địa ốc Document continues below Discover more Trí tuệ nhân tạo from: AI Học viện Ngân hàng 15 documents Go to course Tiểu luân chủ đề 23 63 Trí tuệ nhân tạo AI 100% (1) NHĨM-16221IS42A06 - Btap… Trí tuệ nhân tạo AI None Nhóm-4 IS42A14 - lý 29 thuyết Trí tuệ nhân tạo AI None Bài tập lớn AI - Bài 58 tập lớn chat bot… Trí tuệ nhân tạo AI None Bai tap thuc hanh chuong Trí tuệ nhân tạo AI None Exercise in Lesson Trí tuệ nhân tạo AI None Hình Sơ đồ tổng thể Vinhomes Smart City Tại thời điểm 31 tháng 12 năm 2022, quy mô tổng tài sản Vinhomes đạt tới 361,2 nghìn tỷ đồng, tăng 57% so với thời điểm 31 tháng 12 năm 2021, khoản mục tiền tương đương tiền tăng 53% lên 14,7 nghìn tỷ đồng, nhờ mở bán thành công đại dự án Đó địn bẩy động lực để Vinhomes nói chung Vinhomes Smart City tiếp tục vươn lên để khẳng định vị trí số lĩnh vực bất động sản, không ngừng nâng cao chất lượng sống tăng cường tiện ích cho cộng đồng dân cư Giới thiệu hoạt động quảng cáo Quảng cáo nghệ thuật bán hàng công cụ để cạnh tranh thương nhân Quảng cáo xuất cách hàng ngàn năm, kể từ bắt đầu có thành thị bn bán có quảng cáo Theo Điều 102 Luật Thương mại 2005: “Quảng cáo hoạt động xúc tiến thương mại thương nhân để giới thiệu với khách hàng hoạt động kinh doanh hàng hóa, dịch vụ mình” Nhờ có quảng cáo, thương nhân, doanh nghiệp đưa sản phẩm đến gần với người tiêu dùng, tạo nhu cầu sản phẩm, tăng sức mua, mở rộng thị phần thị trường, tạo diện thương hiệu tâm trí khách hàng Đối với người tiêu dùng, quảng cáo đem đến cho họ thông tin cần thiết sản phẩm, dịch vụ; mang đến cho họ lựa chọn sử dụng hàng hóa, dịch vụ hay khơng; giúp họ biết đến thương hiệu, giá cả, địa điểm mua bán sản phẩm… Hoạt động quảng cáo góp phần định hướng, mang đến cho người tiêu dùng lựa chọn hàng hóa, dịch vụ thông qua việc tiếp cận với thông tin sản phẩm từ quảng cáo thương mại Ngày nay, quảng cáo thương mại ngày đóng vai trị quan trọng hoạt động kinh doanh thương nhân Nhìn lại năm 90 kỷ XX, ngành công nghiệp quảng cáo Việt Nam tập trung quảng cáo trời với pano quảng cáo, biển mẫu cửa hàng, … thiết kế đơn giản Tuy nhiên năm trở lại đây, quảng cáo Việt Nam có bước phát triển nhanh chóng với sản phẩm quảng cáo phong phú, đa dạng mẫu mã, chất lượng Quảng cáo diện khắp nơi từ kênh truyền hình, truyền thanh, báo giấy, in ấn đến quảng cáo cách gọi điện, tư vấn, tổ chức event mắt dùng thử sản phẩm; phổ biến hình thức quảng cáo Internet, thơng qua trang mạng xã hội Facebook, Instagram, Tiktok, Youtube … Ý thức doanh nghiệp Việt Nam quảng cáo lợi ích quảng cáo mang lại nâng cao rõ rệt Hình Quảng cáo thời đại công nghệ số Bên cạnh lợi ích to lớn vừa đề cập phía trên, quảng cáo cịn tồn mặt trái Chúng ta khơng khỏi rùng hành vi, biểu tiêu cực thương nhân, hạn chế, thiếu sót pháp luật quảng cáo thương mại hành Một ví dụ điển hình thị trường có nhiều sản phẩm chức rao bán tràn lan, quảng cáo giúp giảm thèm ăn, giảm cân chưa đầy tuần người thừa cân, béo phì lại chưa quan chức kiểm chứng chất lượng, gây nguy hại sức khỏe cho người tiêu dùng Hay kênh số kênh Youtube có nội dung liên quan đến trẻ em quảng cáo nhãn hàng Thế giới Di động, Samsung hay Vivo bên chứa bình luận thơ tục, hình ảnh đồi trụy, khơng phù hợp, làm ảnh hưởng đến tâm hồn trẻ thơ Hình Quảng cáo trang thương mại điện tử Vui Vui (thuộc Thế giới Di động) hiển thị video không phù hợp Chính cịn tồn đọng nhiều mặt trái quảng cáo vậy, doanh nghiệp cần kiểm soát thật kĩ lưỡng trước quảng cáo cần can thiệp Nhà nước, mà đầu não Bộ Thông truyền thông cần phối hợp với ban, ngành khác đạo đơn vị chức tăng cường rà soát xử lý trường hợp quảng cáo có nội dung xấu, giả mạo, không trung thực, vi phạm pháp luật ● Với kích thước ảnh 150x150 mơ hình đạt độ xác 28,9%, nhận diện 13 ảnh 45 ảnh kiểm thử Hiệu suất mơ hình bị giảm so với mơ hình gốc Nhận thấy tăng kích thước ảnh lên mơ hình chạy ổn so với mơ hình gốc ban đầu nhiên khơng thấy cải thiện khả xác mơ hình mà chí cịn giảm Nên giữ kích thước ảnh ban đầu mơ hình gốc (50x50) 6.2 Kịch bản: Tăng lớp CNN mơ hình 6.2.1 Thêm tầng CNN3 6.2.1.1 Mơ hình thêm tầng CNN3 với 64 lọc: Lớp CNN với 32 lọc Lớp CNN với 64 lọc Lớp CNN với 64 lọc => Độ xác mơ hình 17,78%, nhận diện 45 ảnh kiểm thử Hiệu suất mơ hình giảm so với mơ hình gốc ban đầu 6.2.1.2 Mơ hình thêm tầng CNN3 với 128 lọc: Lớp CNN với 32 lọc Lớp CNN với 64 lọc Lớp CNN với 128 lọc => Độ xác mơ hình 46,67%, nhận diện 21 45 ảnh kiểm thử Hiệu suất mơ hình tăng nhẹ so với mơ hình gốc ban đầu 6.2.2 Bổ sung thêm lớp mạng CNN3, CNN Lớp CNN1 có 32 lọc Lớp CNN2 có 64 lọc Lớp CNN với 128 lọc Lớp CNN với 256 lọc 24 => Độ xác mơ hình 24%, nhận diện 11 45 ảnh kiểm thử Hiệu suất mơ hình giảm so với mơ hình gốc ban đầu Như việc tăng lớp CNN hầu khơng làm cho mơ hình chạy hiệu Việc tăng thêm tầng CNN3 với 128 lọc có làm cho độ xác mơ hình tăng nhẹ không đáng kể (Từ 37,8% lên 46,67%) Nếu tăng thêm lớp CNN làm cho mơ hình trở nên cồng kềnh, khó đưa kết nhanh chóng xác 6.3 Kịch bản: Thay đổi lọc lớp CNN 6.3.1 Mơ hình Lớp CNN với 32 lọc Lớp CNN với 32 lọc => Độ xác mơ hình 28,9%, nhận diện 13 45 ảnh kiểm thử Hiệu suất bị giảm so với mơ hình gốc ban đầu 6.3.2 Mơ hình Lớp CNN với 64 lọc Lớp CNN với 64 lọc => Độ xác mơ hình 35,56%, nhận diện 16 45 ảnh kiểm thử Hiệu suất bị giảm so với mơ hình gốc ban đầu 6.3.3 Mơ hình Lớp CNN với 64 lọc Lớp CNN với 128 lọc => Độ xác mơ hình 33,33%, nhận diện 15 45 ảnh kiểm thử Hiệu suất mô hình giảm 6.3.4 Mơ hình Lớp CNN với 128 lọc 25 Lớp CNN với 128 lọc => Độ xác mơ hình đạt 33,33%, nhận diện 15 45 ảnh kiểm thử Hiệu suất giảm nhẹ so với mơ hình gốc ban đầu Như việc thay đổi lọc, cụ thể tăng lọc lớp CNN lên không giúp làm cải thiện độ xác mơ hình nhiên giúp cho mơ hình khơng q cồng kềnh mà chạy với hiệu suất ổn định 6.4 Kịch bản: Thay đổi kích thước lọc convolutional lớp CNN 6.4.1 Mơ hình Lớp CNN có 32 lọc, lọc có kích thước 5x5 Lớp CNN có 64 lọc, lọc có kích thước 5x5 => Độ xác mơ hình đạt 100%, nhận diện 45 45 ảnh kiểm thử Hiệu suất tăng mạnh so với mơ hình gốc ban đầu 6.4.2 Mơ hình Lớp CNN có 32 lọc, lọc có kích thước 6x6 Lớp CNN có 64 lọc, lọc có kích thước 6x6 => Độ xác mơ hình đạt 33,33%, nhận diện 15 45 ảnh kiểm thử Hiệu suất giảm so với mô hình gốc ban đầu Như việc thay đổi kích thước lọc convolutional lớp CNN1 CNN2 từ 3x3 thành 5x5 giúp cải thiện tối ưu độ xác mơ hình Tuy nhiên thay đổi kích thước lọc convolutional lớp CNN1 CNN2 từ 3x3 thành 6x6 khơng cải thiện mơ hình 6.5 Kịch bản: Tăng thêm lớp ẩn 6.5.1 Tăng thêm lớp ẩn 6.5.1.1 Mơ hình Lớp ẩn có 256 lọc 26 Lớp ẩn có 512 lọc => Độ xác mơ hình đạt 46,6%, nhận diện 21 45 ảnh kiểm thử Hiệu suất mơ hình tăng nhẹ so với mơ hình gốc 6.5.1.2 Mơ hình Lớp ẩn có 512 lọc Lớp ẩn có 512 lọc => Độ xác 33,33 %, nhận diện 15 45 ảnh kiểm thử Hiệu suất mơ hình giảm so với mơ hình gốc 6.5.1.3 Mơ hình Lớp ẩn có 512 lọc Lớp ẩn có 1024 lọc => Độ xác 33,33 %, nhận diện 15 45 ảnh kiểm thử Hiệu suất mơ hình giảm so với mơ hình gốc 6.5.2 Tăng thêm lớp ẩn 6.5.2.1 Mơ hình Lớp ẩn có 256 lọc Lớp ẩn có 256 lọc Lớp ẩn có 256 lọc => Độ xác 26,6 %, nhận diện 12 45 ảnh kiểm thử Hiệu suất mơ hình giảm so với mơ hình gốc 6.5.2.2 Mơ hình Lớp ẩn có 512 lọc Lớp ẩn có 512 lọc Lớp ẩn có 512 lọc 27 => Độ xác 24,4 %, nhận diện 11 45 ảnh kiểm thử Hiệu suất mô hình giảm so với mơ hình gốc Như vậy, kịch tăng thêm lớp ẩn khơng giúp cải thiện mơ hình, khơng làm cho mơ hình hoạt động hiệu hơn, định giữ nguyên lớp ẩn ban đầu 6.6 Kịch bản: Thay đổi lọc lớp ẩn ● Lớp ẩn có 128 lọc: Độ xác mơ hình 100%, nhận diện 45/45 ảnh kiểm thử Hiệu suất mơ hình tăng mạnh so với mơ hình gốc ● Lớp ẩn có 256 lọc: Độ xác mơ hình 100%, nhận diện 45/45 ảnh kiểm thử Hiệu suất mơ hình tăng mạnh so với mơ hình gốc ● Lớp ẩn có 1024 lọc: Độ xác mơ hình 100%, nhận diện 45/45 ảnh kiểm thử Hiệu suất mơ hình tăng mạnh so với mơ hình gốc Như thay đổi lớp ẩn từ 512 lọc giảm xuống 128 256 hay tăng lên 1224 lọc mơ hình chạy ổn định với hiệu suất tăng mạnh so với mơ hình gốc ban đầu (từ 37,8% lên 100%) 6.7 Kịch bản: Thay đổi tham số optimizer ● Thay đổi RMSprop sang SGD: Độ xác mơ hình 35,6%, nhận diện 16 45 ảnh kiểm thử Hiệu suất mơ hình giảm so với mơ hình gốc ● Thay đổi RMSprop sang Adam: Độ xác mơ hình 40%, nhận diện 18 45 ảnh kiểm thử Hiệu suất mơ hình tăng nhẹ so với mơ hình gốc 28 Như thay đổi tham số optimizer, mơ hình chạy ổn định so với hiệu suất mơ hình gốc, có tăng có giảm khơng đáng kể Vì tham số optimizer khơng thay đổi, giữ ngun mơ hình gốc ban đầu Link kịch nhóm tiến hành chạy: https://drive.google.com/drive/folders/1jT8H8v7xVtDQ7fi-dp1WE3Ev1LzRE7Dq? usp=sharing Sau lần chạy thử kịch khác để nâng cấp mơ hình, độ xác mơ hình cải thiện tới mức tối ưu 100% với kịch sau: ● Thay đổi kích thước lọc convolutional lớp CNN từ kích thước 3x3 thành kích thước 5x5 ● Thay đổi số lọc lớp ẩn từ 512 thành 128 256 1024 lọc Vì mơ hình đạt độ xác tối ưu 100% nên nhóm định chọn mơ hình trở thành mơ hình tối ưu cuối là: “Thay đổi kích thước lọc convolutional lớp CNN từ kích thước 3x3 thành kích thước 5x5.” ● Các thơng số mơ hình tối ưu cuối sau: - Kích thước ảnh đầu vào: 50x50 - Hai lớp CNN: + Lớp CNN thứ có 32 lọc, lọc có kích thước 5x5 + Lớp CNN thứ hai có 64 lọc, lọc có kích thước 5x5 - Một lớp ẩn 512 lọc - Epochs = 100 - Step_per_epouch = - Verbose = 29 - Validation_steps = Sử dụng mơ hình: Khai báo thư viện, sau tải hình ảnh muốn dự đoán: + from google.colab import files; from keras.preprocessing import image; %matplotlib inline: Dùng để đưa liệu ảnh vào + import matplotlib.pyplot as plt; import matplotlib.image as mpimg: Dùng để khai báo thư viện matplotlib.pyplot, matplotlib.image + uploaded=files.upload(): Dùng để tạo chỗ upload ảnh cần dự đốn Vịng lặp For: + For python vòng lặp giúp lặp lại xử lý chương trình với số lần cụ thể Những phần nằm vòng lặp for cần lùi vào đầu dịng + for fn in uploaded.keys(): có fn biến, uploaded.keys() đối tượng có nhiều phần tử 30 + path='/content/'+fn: đường dẫn ảnh cần dự đoán + plt.imshow(mpimg.imread(path)): dùng để in ảnh đọc + img=image.load_img(path,target_size=(50,50)): tải hình ảnh đưa kích thước hình ảnh thành (50,50) + img_to_array(): dùng để thêm kênh cho RGB cho hình ảnh màu xám + expand_dim(): sử dụng để thêm số lượng hình ảnh + np.vstack: nối mảng theo chiều dọc + batch_size: số lượng mẫu liệu lần huấn luyện Chúng ta đưa hết toàn liệu vào huấn luyện epoch, cần phải chia tập liệu thành phần (number of batch), phần có kích thước batch_size (tập liệu có 100, batch_size 10) + y_predict = model.predict(images,batch_size=10): Mơ hình dự đốn thông qua ảnh với batch size=10 tức số lượng ảnh lần lặp 10 + print(y_predict); print('Giá trị dự đoán:',Label[np.argmax(y_predict)]): In giá trị dự đoán Thử nghiệm mơ hình: Sau nhấn chạy đoạn code trên, phía đoạn mã code xuất kết u cầu chọn hình ảnh để phân loại, kích chọn hộp thoại “Chọn tệp” => xuất hộp thoại “Open” => chọn ảnh cần phân loại đợi kết 31 V Kết luận Nhận định Kết mô hình chạy được: 32 Có giá trị mà máy đưa tương ứng với giá trị mong đợi: 1.0.0 tương ứng với Nguoicaotuoi, 0.1.0 tương ứng với Nguoitruongthanh 0.0.1 tương ứng với Trecon Đây gán nhãn code ban đầu tạo thành, sau trình cho máy nhận dạng cho kết Nguoicaotuoi giá trị tương ứng với có, cịn giá trị thứ hai ba số tương ứng với khơng có giá trị Nếu máy nhận dạng Nguoitruongthanh giá trị thứ tương ứng với khơng có giá trị, giá trị thứ hai giá trị cuối Tương tự, máy nhận dạng Trecon giá trị thứ nhất, thứ hai giá trị thứ ba 33 Tuy nhiên lúc máy học đưa giá trị đẹp 1.0 hay 0.1, dãy số dài thập phân: Khi xảy trường hợp kết đưa Nguoicaotuoi, Nguoitruongthanh Trecon sai, lẽ ta nhìn thấy giá trị đẹp 1.0.0, 0.1.0 hay 0.0.1 khơng hồn tồn Việc đưa giá trị thập phân định kết việc giá trị giá trị cao Ví dụ (6.709833e-26 0.000000e+00 1.000000e+00) 6.709833e-26 = -7.7608; 0.000000e+00 = 1.000000e+00 = 2.7183 Như giá trị thứ ba cao nhất, nghĩa khả người Trecon cao Nguoitruongthanh Nguoicaotuoi, nên máy đưa kết Trecon Kết thực nghiệm: Nguoicaotuoi Nguoitruongthanh Số ảnh thực nghiệm 15 15 15 Dự đoán 12 34 Trecon Dự đốn sai Tỷ lệ dự đốn xác 11 14 26.67% 6.67% 80% Mơ hình đơn giản, dễ hiểu, dễ cài đặt thời gian thực khơng q lâu, khơng q phức tạp Mơ hình có khả nhận diện lứa tuổi Người cao tuổi, Người trưởng thành Trẻ với độ xác tương đối, cụ thể Nguoicaotuoi 26.67%, Người trưởng thành 6.67% Trẻ em 80% Mơ hình có độ xác chưa cao cịn số hạn chế mà nhóm chưa khắc phục góc chụp ảnh mặt người góc nghiêng, số ảnh cịn mờ hay có ảnh người trưởng thành mặt già trẻ khiến nhận dạng bị sai Có thể số lượng liệu ảnh nhóm thu thập cịn nên khó tránh khỏi sai sót, số thơng số kích thước ảnh, vịng lặp… cịn chưa tối ưu Để có mơ hình hồn chỉnh hơn, nhóm chúng em tự nhận thấy cần tìm kiếm thêm nguồn liệu xác, đa dạng hơn, điều chỉnh tham số xử lí liệu để tìm mơ hình tối ưu cho độ xác cao Ý nghĩa thực tế Tại Vinhomes Smart City, thang máy phương tiện sử dụng nhiều cần di chuyển Do đó, nhãn hàng tận dụng không gian để tiếp thị sản phẩm, dịch vụ thơng qua hình ảnh TVC Đây hình thức quảng cáo thang máy Bên cạnh đó, việc quảng cáo sản phẩm, dịch vụ nhãn hàng chưa thực phù hợp người sử dụng thang máy Chính vậy, đề tài “Nhận diện lứa tuổi (trẻ con, trưởng thành, cao tuổi) người thang máy Vinhomes Smart City để phát clip quảng cáo phù hợp” nhóm chúng em đưa phần giải tốn khó đặt ban đầu Hành vi, thói quen mua sắm người tiêu dùng thay đổi theo lứa tuổi khách hàng Ví dụ, trẻ em thích quảng cáo có hình ảnh ngộ nghĩnh, sinh động nhiều màu sắc, người trưởng thành lại quan tâm nhiều chất lượng sống người cao tuổi họ lại có quan tâm khác Việc phân loại lứa tuổi người dân 35 thang máy khu chung cư nói chung Vinhomes Smart City nói riêng giúp cho doanh nghiệp có nhìn thực tế xác nhóm người dùng Từ đó, cơng việc phân loại tập khách hàng mục tiêu, phù hợp mà doanh nghiệp hướng tới trở nên vô đơn giản Bên cạnh đó, doanh nghiệp dễ dàng theo dõi hoạt động, sản phẩm mà khách hàng yêu thích, đề xuất quảng cáo cách thơng minh có chọn lọc, tăng hiệu kinh doanh Hơn nữa, với thơng tin mà thu thập được, doanh nghiệp cung cấp số liệu hữu ích cho số công ty nghiên cứu thị trường để từ dễ dàng ứng dụng đề xuất sản phẩm cho khách hàng Ngoài ý nghĩa phân loại lứa tuổi khách hàng để doanh nghiệp có nhìn thực tế hơn, đề xuất sản phẩm, dịch vụ cho người, đối tượng, tăng hài lịng khách hàng chúng em phân tích mơ hình cịn định hướng phát triển vào thực tế cho nhiều lĩnh vực khác Ví dụ nhận diện lứa tuổi kiểm tra tuổi người dùng khai báo hồ sơ ứng dụng hẹn hò đề xuất ghép cặp dựa ảnh đại diện Việc sử dụng công nghệ AI để phân loại lứa tuổi khách hàng làm tăng khả giám sát quản lý mạnh, từ giúp cho khối lượng cơng việc bớt cồng kềnh hơn, đặc biệt với công ty có quy mơ nhỏ, số lượng nhân viên khơng nhiều Mơ hình nhận diện lứa tuổi tích hợp, phát triển lên với nhận diện hình ảnh khách hàng để ứng dụng vào lĩnh vực khác đời sống Ví dụ ngành ngân hàng, phương pháp giúp khách hàng mở tài khoản online cách sử dụng ảnh selfie đối chiếu với ảnh giấy tờ tùy thân để xác minh danh tính khách hàng Như vậy, khách hàng nhanh chóng mở tài khoản nơi đâu với thiết bị di động kết nối mạng internet, cắt giảm hồn tồn quy trình xác minh giấy tờ truyền thống văn phòng giao dịch, mang lại trải nghiệm tích cực cho khách hàng Đồng thời, khối lượng công việc giao dịch viên ngân hàng giảm tải, giúp tiết kiệm thời gian, tối ưu nguồn nhân lực để thực nghiệp vụ quan trọng Xét góc độ vĩ mô, đề tài mang lại ý nghĩa thực tiễn khơng nhỏ cho 36 tập đồn Vingroup nói chung cư dân Vinhomes Smart City nói riêng Việc phân loại người thang máy thành lớp khác nhau, dễ dàng nhìn thấy đặc điểm chung, xu hướng biến đổi riêng nhóm khách hàng, dễ dàng thực việc đưa thông tin truyền thông đến với người tiêu dùng cách thông minh hiệu Người thang máy thấy quảng cáo mà hứng thú, quan tâm, đồng thời thỏa mãn nhu cầu tìm hiểu sản phẩm dịch vụ thiết yếu cho thân gia đình Từ gián tiếp làm tăng chất lượng sống cư dân nơi Ngồi khơng người dân có lợi, mà nhà phân phối/cung cấp sản phẩm xuất hình quảng cáo thu cho nhãn hàng lượng khách hàng tiềm khơng nhỏ, từ tăng doanh thu cách đáng kể, điều góp phần làm cho kinh tế nước ta lên Đây dấu hiệu vô khả quan, tương lai áp dụng cho nhiều nơi để cải thiện sống người dân Thuật toán đơn giản, dễ hiểu, dễ cài đặt sử dụng không phức tạp nhiên, số lượng liệu ảnh lớn nên dẫn tới thời gian thực lâu Theo chúng em, mơ hình thân thiện, tiện ích người dùng, giúp tăng hiệu hoạt động kinh doanh cho doanh nghiệp Mơ hình nhận diện không giúp nhận diện lứa tuổi mà cịn có tính ứng dụng vơ rộng rãi mạnh mẽ giúp nhận diện cảm xúc để đánh giá mức độ hài lòng khách hàng, nhận diện độ tuổi để chạy quảng cáo phù hợp, nhận diện sản phẩm siêu thị… từ đem lại hiệu tích cực đổi phát triển kinh tế - xã hội 37 DANH MỤC TÀI LIỆU THAM KHẢO Thông tin chung dự án Vinhomes Smart City Tây Mỗ Đại Mỗ, https://canhovinhomes.com/thong-tin-chung-ve-du-an-vinhomes-smart-city-taymo-dai-mo-c-376-380-4711.html Hải Minh (2014), Một thời đại quảng cáo, https://www.brandsvietnam.com/5229-Mot-thoi-dai-moi-trong-quang-cao Giải pháp cho tình trạng lan tràn quảng cáo vi phạm mạng, https://vtv.vn/cong-nghe/giai-phap-nao-cho-tinh-trang-tran-lan-quang-cao-vipham-tren-mang-20221202233433965.htm Đặc điểm tâm lý học lứa tuổi, http://thcsnguyentrai.pgddtcamlam.edu.vn/tin-tucsu-kien/tu-lieu-day-hoc/tam-ly-hoc/dac-diem-tam-ly-hoc-lua-tuoi.html Nguyễn Chiến Thắng (2019), Xây dựng model dự đốn tuổi qua khn mặt- Age Prediction model, https://miai.vn/2019/10/08/xay-dung-model-doan-tuoi-qua- khuon-mat-age-prediction-model/ Quốc Phạm (2019), Tìm hiểu Convolutional Neural Networks cho phân loại ảnh, https://pbcquoc.github.io/cnn/ Chung Pham Van (2020), [Deep Learning] Tìm hiểu mạng tích chập (CNN), https://viblo.asia/p/deep-learning-tim-hieu-ve-mang-tich-chap-cnnmaGK73bOKj2 Thị giác máy tính - tiềm thúc đẩy đa ngành Việt Nam, https://vinbigdata.com/wp-content/uploads/2022/11/Ebook-Vizone-20.10.22.pdf 38