· Dataset: 8000 câu liên quan đến vi phạm an toàn mạng, 20000 câu bình thường
· Target: Xây dựng bộ phân loại nội dung vi phạm an toàn mạng với độ chính xác ≥95%

· Mục đích: Nhận diện text trong các ảnh. Phục vụ cho các bài toán về an toàn mạng, nội dung người lớn
· Kết quả: nhận dạng text đạt 96% nhưng text detection thì chưa cao
· Target: 96%

· Vấn đề: Các mô hình học máy cần lượng dữ liệu học lớn. Việc gán nhãn bằng tay sẽ mất thêm thời gian và công sức
· Mục tiêu: Nghiên cứu mô hình có thể học dựa trên một dữ liệu gán nhãn ít

· Xác định màu từ một bức ảnh (hỗ trợ cho ứng dụng photostory)

· Dataset: 8000 nghìn ảnh (các loại cờ, tiền)
· Target: Xây dựng bộ phân loại với độ chính xác >=95% (F1)

· Mục đích: Hiển thị các bài báo 1 cách đơn giản, load nhanh hơn và không phá vỡ cấu trúc bài báo gốc.
· Instant View: Là trình biên dịch gồm các tập luật cho phép người dùng viết các template cho các site báo. Hệ thống sẽ bóc tách ra các block content, title, auth, img … Sau đó sẽ view lên theo template được định nghĩa trước.
· Target: Xây dựng các template view cho các block trên từng loại device khác nhau.

· Vấn đề: ảnh được upload lên hệ thống với đủ loại hình dạng và kích cỡ. Mong muốn mô hình tự động crop ảnh, tập trung vào phần ảnh nổi bật

· Phát hiện nội dung spam, nội dung vi phạm bản quyền nhanh và chính xác để có cơ chế thu hồi token chính xác và hợp lý

· Dataset: 8000 câu liên quan đến vi phạm an toàn mạng, 20000 câu bình thường
· Target: Xây dựng bộ phân loại nội dung vi phạm an toàn mạng với độ chính xác >=95%

· Mục tiêu: Tối ưu hoá cho hiển thị ads và tối ưu việc đẩy các thông tin phù hợp cho người dùng

· Mục tiêu: Nghiên cứu vấn đề tổng hợp tiếng nói. Chuyển đổi văn bản dạng text sang tiếng nói

· Đánh giá chất lượng nội dung content, từ đó đưa ra tham số tính token phù hợp với loại nội dung này, ví dụ bài dài, ngắn, bài ảnh, video dài, video ngắn , các bài trends.....