Khi AI 'khổng lồ' chưa chắc là lời giải tốt nhất cho bài toán rác thải

Ảnh minh hoạ. Nguồn: Pe

Hằng ngày chúng ta vứt rác mà không nghĩ ngợi gì nhiều. Chai nhựa, hộp đồ ăn, mảnh báo cũ. Một khi khuất tầm mắt, chúng dường như đều biến mất, nhưng chuyện không dừng ở đó. Mỗi mẩu rác đều xoay vòng trong chuỗi các quyết định để xem liệu có thể tái chế không, có thể phục hồi không hay vứt ra bãi rác.

Trong bối cảnh các khu đô thị mở rộng và tiêu dùng gia tăng, việc quản lý hành trình này càng ngày càng khó khăn. Trí tuệ nhân tạo (AI) là ứng viên thường được chọn để giải quyết vấn đề này nhờ những cỗ máy thông minh hỗ trợ xác định, phân loại và xử lý rác thải hiệu quả hơn.

Tuy nhiên, theo TS. Đào Vũ Trường Sơn, giảng viên cấp cao ngành Kỹ thuật điện tử và Hệ thống máy tính tại RMIT Việt Nam, đa phần các sáng kiến tập trung xây dựng các mô hình AI ngày càng lớn, dẫn đến nguy cơ bỏ qua một câu hỏi đơn giản hơn: nếu các mô hình AI nhỏ hơn cũng có thể thực hiện những tác vụ này hiệu quả không kém thì sao?

THÔNG MINH HƠN KHÔNG PHẢI LỚN HƠN

Hệ thống quản lý rác thải hiệu quả nhất phụ thuộc vào việc phân loại rác đúng càng sớm càng tốt. Chai nhựa, hộp giấy hay hộp thực phẩm được nhận diện đúng chủng loại càng sớm thì cơ hội tái tạo tài nguyên và giảm tác hại môi trường càng cao. Lỗi phân loại từ đầu hành trình này có thể theo món đồ đi đến cuối chặng đường. Và đây chính nơi AI trở thành mảnh ghép hoàn hảo.

Một nghiên cứu của nhóm nghiên cứu tại RMIT Việt Nam đã dùng gần 20.000 hình ảnh rác thải gắn nhãn để huấn luyện một hệ thống AI tự động nhận diện các hạng mục rác thải khác nhau. Nghiên cứu dựa vào công nghệ học sâu, một loại AI có khả năng nhận diện các khuôn mẫu từ cơ sở dữ liệu lớn tương tự như cách con người học hỏi từ kinh nghiệm.

Điều giúp nghiên cứu khác biệt không ở việc dùng AI, mà ở cách nhóm nghiên cứu dùng công nghệ này.

Trong lúc nhiều nhà nghiên cứu tập trung vào việc tạo ra các mô hình càng ngày càng lớn cần năng lực tính toán cực lớn, nhóm nghiên cứu của RMIT Việt Nam lại chọn hướng tiếp cận ngược lại.

“Cả ngành như trong cuộc chạy đua vũ trang nhằm tạo ra các mô hình lớn hơn và với năng lực tính toán mạnh hơn," ông Sơn chia sẻ. "Chúng tôi chọn đi theo hướng khác và tự hỏi liệu có thể thể thu nhỏ quy mô mà không ảnh hưởng tới chất lượng của mô hình không."

Để làm được điều đó, nhóm đã dùng MobileNetV3, một mô hình học sâu có thiết kế tinh gọn nhưng vẫn đạt hiệu quả trong nhận dạng hình ảnh, đồng thời yêu cầu năng lực tính toán thấp hơn đáng kể so với nhiều mô hình lớn. Thay vì phát triển từ đầu một hệ thống hoàn toàn mới, nhóm đã tối ưu và điều chỉnh

MobileNetV3 cho bài toán phân loại rác thải, huấn luyện mô hình tập trung vào nhận diện những thông tin hữu ích nhất và loại bỏ những thành phần phức tạp không cần thiết.

Kết quả là một hệ thống AI vừa duy trì được độ chính xác, vừa hoạt động hiệu quả. Ở nhiều khía cạnh, nghiên cứu của nhóm đã thách thức một trong những giả định phổ biến nhất đang thúc đẩy làn sóng bùng nổ AI hiện nay, rằng muốn đạt kết quả tốt hơn thì luôn phải sử dụng những mô hình lớn hơn và năng lực tính toán mạnh mẽ hơn.

Đối với các đơn vị quản lý rác thải và chính quyền địa phương có ngân sách cũng như hạ tầng hạn chế, một hệ thống AI dễ triển khai và vận hành có thể tạo ra tác động thực tế lớn hơn nhiều so với một hệ thống chỉ nhỉnh hơn đôi chút về hiệu suất trong điều kiện lý tưởng.

Quy trình xử lý rác thải do nhóm nghiên cứu của Đại học RMIT Việt Nam thực hiện.

AI CHỈ LÀ MỘT PHẦN CỦA GIẢI PHÁP

Dù nghiên cứu cho thấy tiềm năng đáng kể của AI, TS. Sơn vẫn thận trọng trước những kỳ vọng quá mức về khả năng của công nghệ này.

“Thông điệp quan trọng là không nên xem AI như chiếc hộp thần kỳ," ông nói. "Một hệ thống thực sự hữu ích cần dữ liệu chất lượng, trách nhiệm được phân định rõ ràng, hạ tầng phù hợp và con người hiểu rõ bối cảnh địa phương."

Nói cách khác thì tự thân công nghệ không thể giải quyết bài toán rác thải. Hiệu quả của AI phụ thuộc vào chất lượng của toàn bộ hệ sinh thái hỗ trợ xung quanh nó. Dữ liệu đáng tin cậy, hệ thống thu gom hiệu quả, chính sách hỗ trợ phù hợp và sự phối hợp giữa các tổ chức vẫn là những yếu tố then chốt.

Đối với các cơ quan quản lý, điều này đồng nghĩa với việc hỗ trợ triển khai các dự án thí điểm và xây dựng bộ tiêu chuẩn dùng chung. Đối với doanh nghiệp, điều này đòi hỏi đầu tư vào các giải pháp thiết thực, dễ duy trì thay vì chạy theo những màn trình diễn công nghệ bắt mắt. Còn với giới nghiên cứu, yêu cầu đặt ra là phải kiểm chứng công nghệ một cách nghiêm ngặt, đồng thời minh bạch không chỉ về những điểm mạnh mà cả hạn chế của công nghệ đó.

Thời gian tới, nhóm nghiên cứu dự kiến phát triển một ứng dụng di động hỗ trợ người dân phân loại rác đúng cách tại nguồn, song song với việc xây dựng các nguyên mẫu hệ thống phân loại tự động và giải pháp thu gom thông minh hơn. Mục tiêu là đưa quản lý rác thải bền vững trở thành một phần của cuộc sống thường nhật, thay vì chỉ diễn ra âm thầm khuất tầm mắt chúng ta.

TS. Sơn hy vọng nghiên cứu này sẽ khích lệ sinh viên, các nhà nghiên cứu, doanh nghiệp và cơ quan quản lý thay đổi góc nhìn về quản lý rác thải, từ một bài toán môi trường sang cơ hội để kết nối tri thức, khơi dậy sáng tạo và thúc đẩy hợp tác. “Những đột phá có giá trị nhất sẽ xuất hiện khi các ngành nghề và cộng đồng khác nhau cùng chung tay giải quyết vấn đề”, ông nhận định.

Trong bối cảnh Việt Nam theo đuổi đồng thời mục tiêu chuyển đổi số và phát triển đô thị bền vững, nghiên cứu khẳng định thành công không chỉ phụ thuộc vào công nghệ tốt hơn mà còn đòi hỏi việc đưa ra những quyết định đúng đắn hơn, các mối quan hệ hợp tác bền chặt hơn và sự thấu hiểu sâu sắc hơn về cộng đồng mà các công nghệ được thiết kế ra để phục vụ.