MUSEAI: MÔ HÌNH ĐA TÁC TỬ KẾT HỢP APNET VÀ ĐIỀU PHỐI TRI THỨC ĐỘNG CHO KHÁM PHÁ BẢO TÀNG THÔNG MINH MUSEAI

Abstract

Luận văn xây dựng ứng dụng di động MUSEAI (Android), kết hợp trí tuệ nhân tạo, Multi-Agent RAG và Encoder-Decoder để nâng cao trải nghiệm tham quan tại Bảo tàng Quân khu 9. Để tối ưu hóa việc nhận diện hiện vật trong điều kiện phức tạp, nghiên cứu đóng góp ba cải tiến Deep Learning: (i) Hàm kích hoạt ANASP-ReLU và SN-ReLU; (ii) Hàm mất mát động PD-Loss tối ưu đa mục tiêu (gồm Cross-Entropy, LICCL, LICMRL, LPSL, và LUAER); (iii) Mô hình APNet tối ưu tham số cho thiết bị biên.Bên cạnh đó, hệ thống tích hợp RAG đóng vai trò “hướng dẫn viên AI” hỗ trợ tra cứu tiếng Việt. Về bảo mật, thuật toán mã hóa MEA-GQA trên trường hữu hạn Fp kết hợp giấu tin qua kênh Alpha của ảnh RGBA được đề xuất để bảo vệ dữ liệu. Thực nghiệm cho thấy APNet đạt độ chính xác 98,92% trên dữ liệu bảo tàng và 89,67% trên tập CIFAR-10. Mô hình RAG đạt trung bình R@2 = 72,98%, P@2 = 36,49%. Thuật toán MEA-GQA đảm bảo an toàn với hiệu ứng Avalanche xấp xỉ 50%. Toàn hệ thống hoạt động ổn định với tốc độ 304 yêu cầu/giây và độ trễ 11,546s. Từ khóa: ANASP-ReLU, APNet, Bảo tàng thông minh, Hệ thống mật mã lai, Multi-Agent RAG, MUSEAI, PD-Loss, SN-ReLU. This thesis develops MUSEAI, an Android-based mobile application that integrates artificial intelligence, Multi-Agent RAG, and an Encoder-Decoder mechanism to enhance the visitor experience at the Military Region 9 Museum. To optimize artifact recognition under complex conditions, the study contributes three Deep Learning advancements: (i) The ANASP-ReLU and SN-ReLU activation functions; (ii) A dynamic loss function, PD-Loss, for multi-objective optimization (comprising Cross-Entropy, LICCL, LICMRL, LPSL, and LUAER); (iii) The APNet model, parameter-optimized for edge devices. Additionally, the system incorporates a RAG framework functioning as an ’AI tour guide’ to support semantic retrieval in Vietnamese. Regarding security, the study proposes the MEA-GQA encryption algorithm based on the finite field Fp, combined with steganography via the Alpha channel of RGBA images for data protection. Experimental results indicate that APNet achieves 98.92% accuracy on the museum dataset and 89.67% on the CIFAR-10 dataset. The RAG model attains an average R@2 = 72.98% and P@2 = 36.49%. The MEA-GQA algorithm ensures security with an Avalanche Effect of approximately 50%. The entire system operates stably with a processing speed of 304 requests/second and a latency of 11.546s. Keywords: ANASP-ReLU, APNet, Hybrid Cryptosystem, Multi-Agent RAG, MUSEAI, PD-Loss, Smart Museum, SN-ReLU.