Sự phát triển của mạng xã hội đã làm thay đổi đáng kể cách con người ghi lại, lưu trữ và chia sẻ các hoạt động trong cuộc sống. Người dùng hiện nay có thể dễ dàng chụp ảnh, quay video, viết trạng thái hoặc chia sẻ hoạt động của mình lên các nền tảng trực tuyến.
Tuy nhiên, phần lớn các nền tảng mạng xã hội hiện nay tập trung vào việc:
Điều này tạo ra một khoảng trống đối với những nội dung rất ngắn và mang tính đời thường.
Một người có thể muốn lưu lại:
Nhưng không phải mọi khoảnh khắc đều đủ quan trọng để trở thành một bài đăng hoàn chỉnh.
Bên cạnh đó, người dùng thường có rất nhiều dữ liệu cá nhân nhưng ít khi thực sự xem lại chúng. Hàng trăm ảnh, video, ghi chú và hoạt động được tạo ra nhưng nhanh chóng bị trôi khỏi dòng thời gian.
Đề tài tập trung giải quyết ba vấn đề chính.
Thứ nhất, việc ghi lại cuộc sống còn có nhiều thao tác.
Người dùng thường phải mở camera, chọn chế độ, chụp/quay, chỉnh sửa, viết caption và quyết định có đăng hay không.
Thứ hai, dữ liệu cuộc sống chưa được khai thác hiệu quả.
Ảnh, video và ghi chú không chỉ là dữ liệu để lưu trữ. Chúng có thể chứa nhiều thông tin về:
Thứ ba, mạng xã hội hiện tại chủ yếu yêu cầu người dùng chủ động tạo nội dung.
Logget hướng tới mô hình ngược lại:
Người dùng chỉ cần sống, ghi lại một khoảnh khắc hoặc viết một dòng ngắn; hệ thống hỗ trợ người dùng biến các dữ liệu nhỏ đó thành một dòng nhật ký sống động và có thể trở thành nội dung xã hội.
Logget là một mạng xã hội tập trung vào micro-journaling – nhật ký đời sống ngắn, cho phép người dùng:
Thay vì yêu cầu người dùng phải tạo một bài đăng hoàn chỉnh, Logget hướng tới việc biến những khoảnh khắc nhỏ thành dữ liệu xã hội và cá nhân.
Mục tiêu chính của đề tài là xây dựng một mạng xã hội thế hệ mới dựa trên dữ liệu đời sống ngắn, trong đó AI đóng vai trò phân tích và hỗ trợ thay vì chỉ sinh văn bản.
Hệ thống hướng tới:
Đề tài hướng tới ba mục tiêu dài hạn:
Mục tiêu kinh doanh
Xây dựng sản phẩm có khả năng phát triển thành một nền tảng thương mại và mạng xã hội quy mô lớn.
Mục tiêu xã hội
Khuyến khích việc ghi lại và chia sẻ những khoảnh khắc đời thường theo hướng tự nhiên, nhân văn hơn thay vì chỉ tập trung vào hình ảnh được chỉnh sửa và hoàn thiện.
Mục tiêu hệ sinh thái
Sau khi nền tảng có đủ người dùng và dữ liệu, Logget có thể mở rộng thành hệ sinh thái bao gồm:
Đối tượng người dùng mục tiêu là người trẻ, đặc biệt:
Phiên bản MVP/V1 tập trung vào:
Các chức năng xã hội nâng cao chưa nằm trong MVP.
Logget được xây dựng dựa trên ba lớp trải nghiệm:
CAPTURE
↓
UNDERSTAND
↓
CONNECT
Trong đó:
Người dùng ghi lại cuộc sống:
AI và hệ thống phân tích:
Hệ thống trong tương lai cho phép:
Một nguyên tắc quan trọng của đề tài là:
AI không chỉ là chatbot sinh văn bản.
AI được sử dụng chủ yếu để nhận biết, phân loại, tính toán, dự đoán và đề xuất.
Các hướng AI đề xuất:
Phân tích ảnh:
Ví dụ:
Ảnh:
5 người + sân bóng + ngoài trời
↓
AI Vision
↓
Activity:
"Team Sports"
Social Context:
"Group Activity"
Environment:
"Outdoor"
Đối với video ngắn, hệ thống có thể:
Ví dụ:
Video 8 giây
↓
Frame Sampling
↓
Vision Model
↓
Temporal Analysis
↓
"Playing Football"
Ảnh, video và note có thể được chuyển thành vector embedding.
Điều này cho phép hệ thống:
Đây là một hướng AI quan trọng vì nó không cần sinh văn bản.
Hệ thống phân loại hoạt động:
Study
Sports
Travel
Food
Friends
Club
Entertainment
Work
Rest
Other
Kết quả có thể lưu dưới dạng:
{
"activity": "sports",
"confidence": 0.94,
"social_context": "group",
"environment": "outdoor"
}
Sau khi có dữ liệu trong một khoảng thời gian, hệ thống phân tích:
Ví dụ:
7 ngày gần nhất
Sports ████████
Friends ██████
Study █████████
Entertainment ███
Rest ██
AI có thể phát hiện pattern:
Người dùng có xu hướng tham gia nhiều hoạt động nhóm vào cuối tuần.
Đây là behavioral analytics, không phải chatbot.
Dựa trên:
hệ thống đề xuất hoạt động.
Ví dụ:
User Profile
+
Activity History
+
Context
↓
Recommendation Model
↓
Possible Activities
Các hình thức đề xuất:
Điểm số AI không được trình bày như một chẩn đoán tâm lý hoặc y khoa.
Thay vì:
"Bạn đang bị stress."
hệ thống nên sử dụng:
"Tuần này bạn có xu hướng ghi nhận ít hoạt động xã hội hơn tuần trước."
Hoặc:
"Hoạt động của bạn trong 7 ngày qua tập trung nhiều vào học tập."
Điều này giúp hệ thống trở thành công cụ phản ánh hành vi thay vì đưa ra chẩn đoán sức khỏe.
Đồ án gồm 6 chương chính:
Ngoài ra đồ án bao gồm:
Các nền tảng mạng xã hội phổ biến thường tập trung vào:
Mô hình phổ biến:
Create Content
↓
Edit
↓
Publish
↓
Social Interaction
Nhược điểm là người dùng thường phải chủ động tạo nội dung.
Ứng dụng journal truyền thống thường tập trung vào:
Tuy nhiên chúng thường thiếu yếu tố mạng xã hội.
Các ứng dụng hình ảnh/video giúp người dùng:
Tuy nhiên, dữ liệu thường được tối ưu cho việc chia sẻ, không phải việc hiểu lại cuộc sống của người dùng.
Logget kết hợp ba yếu tố:
| Đặc điểm | Mạng xã hội | Journal | Logget |
|---|---|---|---|
| Ảnh | Có | Có | Có |
| Video | Có | Hạn chế | Có |
| Note | Có | Có | Có |
| AI phân tích | Một phần | Một phần | Có |
| Phân tích hành vi | Hạn chế | Hạn chế | Có |
| Social | Có | Thấp | Có |
| Activity recommendation | Hạn chế | Hạn chế | Có |
| Micro-journaling | Hạn chế | Có | Trọng tâm |
Các Actor chính:
Biểu đồ Use Case tổng quát:
Capture
├── Take Photo
├── Record Video
├── Preview Media
├── Save Media
└── Cancel Media
Journal
├── Create Note
├── Edit Note
├── Save Note
├── View Journal
├── Filter Journal
└── Search Memory
AI
├── Analyze Image
├── Analyze Video
├── Analyze Note
├── Classify Activity
├── Calculate Activity Score
├── Analyze Behavior
└── Recommend Activity
Social
├── Create Profile
├── Add Friend
├── Follow User
├── Share Activity
├── View Feed
├── React
└── Comment
Nhóm Social được triển khai từ Version 2 trở đi.
┌── Chụp/Quay ──> Lưu Media ──┐
Mở ứng dụng ─────┤ ├──> Trang/Tab tính năng
└── Không chụp/quay ───────────┘
Chi tiết:
START
↓
Open App
↓
Capture?
┌───────┴────────┐
YES NO
↓ ↓
Photo/Video Feature Tab
↓
Save
↓
Feature Tab
Take Note
↓
Input Text
↓
Optional Media
↓
Save
↓
Database
↓
AI Analysis
User Input
↓
AI Processing
↓
Wait for predefined period
↓
Automatic Analysis
↓
Score / Pattern / Recommendation
↓
User Review
View Again
↓
Timeline
↓
Filter
┌──────┼────┬──────┐
↓ ↓ ↓ ↓
Photo Video Note Activity
Luồng dữ liệu chính:
INPUT
│
┌───────┼────────┐
↓ ↓ ↓
Text Image Video
│ │ │
└───────┼────────┘
↓
Data Storage
↓
Services
↓
AI Processing
↓
Structured JSON
↓
Data Storage
↓
OUT
Ví dụ:
{
"media_id": "uuid",
"type": "image",
"activity": {
"label": "sports",
"confidence": 0.94
},
"context": {
"social": "group",
"environment": "outdoor"
},
"score": {
"activity": 82,
"social": 76
}
}
Capture Activity
User
Cho phép người dùng nhanh chóng chụp ảnh hoặc quay video và lưu lại khoảnh khắc.
Nếu người dùng hủy:
Preview
↓
Cancel
↓
Return Camera
Một media record mới được tạo.
Create Journal Note
User
Cho phép người dùng lưu lại suy nghĩ hoặc thông tin ngắn.
Journal entry.
AI phân tích:
Hệ thống tổng hợp:
User xem:
Hệ thống sử dụng profile và lịch sử hoạt động để tạo danh sách hoạt động phù hợp.
Chat AI được sử dụng như một giao diện tương tác với dữ liệu cá nhân, thay vì trở thành tính năng AI duy nhất.
Ví dụ:
User:
"Tuần này tôi đã làm gì nhiều nhất?"
AI:
Data Retrieval
↓
Activity Aggregation
↓
Answer
Giá trị chính nằm ở data retrieval + reasoning trên dữ liệu của user, không phải việc viết văn bản.
Hệ thống phải có khả năng mở rộng:
MVP
↓
More Users
↓
More Media
↓
More AI Jobs
↓
Queue / Worker
↓
Distributed Services
Do dữ liệu có thể chứa ảnh và video cá nhân, hệ thống cần:
Ứng dụng phải:
Nếu AI service thất bại:
Upload
↓
Database
↓
AI Failed
↓
Retry
Media vẫn phải được lưu thành công.
AI trong Logget được chia thành nhiều nhóm.
Sử dụng để hiểu ảnh/video.
Các bài toán:
Video được xử lý thông qua:
Video
↓
Frame Extraction
↓
Vision Model
↓
Temporal Aggregation
↓
Activity Classification
NLP được sử dụng để:
NLP không nhất thiết phải sử dụng LLM sinh văn bản.
Hệ thống đề xuất dựa trên:
User Profile
+
Activity History
+
Context
+
Similarity
↓
Recommendation
Mỗi media/note có thể được biểu diễn bằng vector:
Content
↓
Embedding Model
↓
Vector
Ví dụ:
"Đi đá bóng với bạn"
↓
[0.12, -0.34, 0.78, ...]
Khi user tìm:
"những lần đi chơi thể thao với bạn"
hệ thống có thể tìm các nội dung tương đồng về ngữ nghĩa thay vì chỉ tìm keyword chính xác.
Một khoảnh khắc riêng lẻ có giá trị hạn chế.
Nhưng:
Day 1
Day 2
Day 3
...
Day 7
tạo thành behavioral timeline.
Hệ thống có thể tính:
Hệ thống gồm:
Frontend
↓ HTTP/REST
Backend API
↓
Services
↓
Database / Storage
↓
AI Services
Có thể tích hợp:
MVP có thể sử dụng:
Local File Storage
và có thể chuyển sang:
Object Storage
khi hệ thống mở rộng.
MVP sử dụng kiến trúc Layered Architecture kết hợp Service-Oriented Design.
Lý do:
Không nên triển khai microservices hoàn chỉnh ngay từ MVP vì sẽ tạo thêm:
Do đó:
MVP dùng modular monolith, nhưng thiết kế module đủ độc lập để tách service khi cần.
┌──────────────────────────────┐
│ Frontend │
│ React │
└──────────────┬───────────────┘
│ REST API
┌──────────────▼───────────────┐
│ FastAPI │
├──────────────────────────────┤
│ API Layer │
│ Authentication │
│ Validation │
│ Business Services │
│ AI Orchestration │
└──────┬─────────────┬─────────┘
│ │
▼ ▼
┌────────────┐ ┌─────────────┐
│ PostgreSQL │ │ File Storage│
└────────────┘ └─────────────┘
│
▼
┌──────────────────────────────┐
│ AI Services │
├──────────────────────────────┤
│ Vision │
│ Video Analysis │
│ NLP │
│ Embedding │
│ Recommendation │
│ Behavioral Analysis │
└──────────────────────────────┘
Backend có thể tổ chức:
backend/
├── app/
│ ├── api/
│ │ ├── routes/
│ │ │ ├── auth.py
│ │ │ ├── media.py
│ │ │ ├── notes.py
│ │ │ ├── activities.py
│ │ │ ├── scores.py
│ │ │ └── recommendations.py
│ │
│ ├── config/
│ ├── database/
│ ├── models/
│ ├── schemas/
│ ├── services/
│ │ ├── media_service.py
│ │ ├── journal_service.py
│ │ ├── activity_service.py
│ │ ├── score_service.py
│ │ └── recommendation_service.py
│ │
│ ├── ai/
│ │ ├── vision/
│ │ ├── video/
│ │ ├── nlp/
│ │ ├── embedding/
│ │ └── recommendation/
│ │
│ ├── storage/
│ └── main.py
│
├── alembic/
├── tests/
└── requirements.txt
Đây là màn hình quan trọng nhất.
Các thành phần:
Mục tiêu:
Người dùng có thể ghi lại một khoảnh khắc với số thao tác tối thiểu.
Bao gồm:
Features
├── Take Note
├── AI
├── Score
├── Journal
└── More
Gồm:
Không nên thiết kế như một chatbot truyền thống duy nhất.
Có thể chia thành:
AI
├── Ask about my activities
├── Analyze my week
├── Find a memory
└── What should I do?
Hiển thị:
Your Week
Activity Score 82
Social Activity 76
Activity Diversity 88
Consistency 71
Điểm cần được giải thích bằng dữ liệu quan sát được.
Timeline:
12 Sep
├── 08:30 Photo
├── 12:00 Note
├── 16:30 Football
└── 21:00 Photo
Các lớp chính:
User
├── id
├── username
└── profile
Media
├── id
├── user_id
├── type
├── path
└── created_at
JournalEntry
├── id
├── user_id
├── text
└── created_at
AIAnalysis
├── id
├── media_id
├── activity
├── confidence
└── embedding
ActivityScore
├── id
├── user_id
├── score
└── period
Recommendation
├── id
├── user_id
├── activity
└── reason
Quan hệ:
User
│
├────< Media
│
├────< JournalEntry
│
├────< ActivityScore
│
└────< Recommendation
Media
│
└──── AIAnalysis
| Trường | Kiểu | Mô tả |
|---|---|---|
| id | UUID | Primary key |
| username | VARCHAR | Tên người dùng |
| VARCHAR | ||
| password_hash | VARCHAR | Password đã hash |
| created_at | TIMESTAMP | Ngày tạo |
| Trường | Kiểu | Mô tả |
|---|---|---|
| id | UUID | Primary key |
| user_id | UUID | Chủ sở hữu |
| type | VARCHAR | image/video |
| storage_path | TEXT | File location |
| created_at | TIMESTAMP | Thời gian |
| Trường | Kiểu | Mô tả |
|---|---|---|
| id | UUID | Primary key |
| user_id | UUID | Chủ sở hữu |
| content | TEXT | Nội dung |
| created_at | TIMESTAMP | Thời gian |
| Trường | Kiểu | Mô tả |
|---|---|---|
| id | UUID | Primary key |
| media_id | UUID | Media |
| activity_label | VARCHAR | Hoạt động |
| confidence | FLOAT | Độ tin cậy |
| social_context | VARCHAR | Ngữ cảnh xã hội |
| environment | VARCHAR | Môi trường |
| embedding | VECTOR | Vector embedding |
| Trường | Kiểu | Mô tả |
|---|---|---|
| id | UUID | Primary key |
| user_id | UUID | User |
| period_start | DATE | Bắt đầu |
| period_end | DATE | Kết thúc |
| activity_score | FLOAT | Điểm hoạt động |
| social_score | FLOAT | Điểm xã hội |
| diversity_score | FLOAT | Độ đa dạng |
| Thành phần | Công nghệ |
|---|---|
| Frontend | React |
| Build | Vite |
| Backend | FastAPI |
| Language | Python |
| Database | PostgreSQL |
| ORM | SQLAlchemy |
| Migration | Alembic |
| AI | PyTorch / Transformers |
| Vision | OpenCV / Vision Models |
| Embedding | Sentence Transformers |
| Testing | Pytest |
| API Testing | HTTPX |
| Version Control | Git |
| Containerization | Docker |
Phiên bản MVP hướng tới hoàn thành:
Các chức năng social nâng cao được đưa vào roadmap.
Open App
↓
Camera
↓
Take Photo
↓
Preview
↓
Save
Take Note
↓
Write
↓
Save
↓
AI Processing
Photo
↓
Vision Model
↓
Activity
↓
Context
↓
Embedding
↓
Database
Activities
+
Frequency
+
Diversity
+
Social Context
↓
Scoring Engine
↓
Weekly Score
User History
+
Profile
+
Recent Activities
↓
Recommendation Engine
↓
Activities
Kiểm thử:
Ví dụ:
Input:
10 activities
Expected:
activity_score ∈ [0,100]
Các API cần kiểm thử:
POST /api/v1/media
GET /api/v1/media
POST /api/v1/notes
GET /api/v1/journal
GET /api/v1/scores
GET /api/v1/recommendations
Kiểm thử toàn bộ pipeline:
Upload
↓
Storage
↓
Database
↓
AI Job
↓
AI Analysis
↓
JSON
↓
Database
↓
Frontend
Kiến trúc triển khai:
Frontend
↓
Backend
↓
PostgreSQL
+
File Storage
+
AI Service
Trong giai đoạn đầu có thể triển khai trên một server.
Load Balancer
↓
┌────────┴────────┐
↓ ↓
API Server API Server
│ │
└────────┬────────┘
↓
PostgreSQL
│
┌────────────┴────────────┐
↓ ↓
Object Storage AI Queue
↓
AI Workers
Điểm nổi bật của Logget là thay đổi cách người dùng tạo nội dung.
Mạng xã hội truyền thống:
Think
↓
Create
↓
Edit
↓
Publish
Logget:
Live
↓
Capture
↓
Understand
↓
Share
Người dùng không cần biến mọi khoảnh khắc thành một bài đăng hoàn chỉnh.
Đây là đóng góp kỹ thuật quan trọng.
Thay vì:
User
↓
Chatbot
↓
Generated Text
Logget sử dụng:
Image ─────┐
Video ─────┤
Text ──────┤
Time ──────┤
History ───┘
↓
AI Understanding
↓
Structured Data
↓
Behavior Analysis
↓
Recommendation
AI trở thành lớp hiểu dữ liệu của mạng xã hội.
Một hướng phát triển quan trọng là xây dựng Life Graph.
Ví dụ:
User
│
├── Friend
│
├── Activity
│ ├── Football
│ ├── Study
│ └── Club
│
├── Place
│
├── Time
│
└── Memory
Qua thời gian, hệ thống có thể hiểu:
User
↓
Who they spend time with
↓
What they usually do
↓
When they do it
↓
What activities they enjoy
Điều này tạo nền tảng cho recommendation và social discovery.
Người dùng không nhất thiết phải nhập:
"Hôm nay tôi đi đá bóng với bạn."
Nếu ảnh/video đã chứa đủ tín hiệu, hệ thống có thể nhận diện:
Activity = Football
Participants = Group
Environment = Outdoor
Time = Evening
Như vậy dữ liệu được tạo ra với ít thao tác hơn.
Thay vì đánh giá ngay lập tức, hệ thống có thể đợi một khoảng thời gian:
Day 1
↓
Day 2
↓
Day 3
↓
...
Day 7
↓
AI Analysis
↓
Weekly Reflection
Điều này giúp tránh việc đưa ra kết luận chỉ dựa trên một khoảnh khắc.
Recommendation được thiết kế như một lựa chọn.
Ví dụ:
What do you want to do?
[Choose one]
[ Surprise me ]
[Spin the wheel]
Điều này biến AI từ một công cụ "ra lệnh" thành một công cụ hỗ trợ khám phá.
Mục tiêu:
Capture → Journal → AI → Score → Reflection
Chức năng:
Mục tiêu:
Connect → Share → Interact
Chức năng:
Mục tiêu:
Biến nhiều khoảnh khắc thành một hoạt động hoàn chỉnh.
Ví dụ:
14:00 Photo
14:20 Video
14:45 Photo
15:10 Note
AI nhận diện chúng thuộc cùng một activity:
14:00–15:10
Football with Friends
Tương tự mô hình setlog.
Mục tiêu:
Cho phép người dùng thể hiện trạng thái hiện tại.
Ví dụ:
A
● Studying
B
● At Club Meeting
C
● Playing Football
Tương tự ý tưởng Presence của Discord nhưng tập trung vào hoạt động đời sống.
Hệ thống xây dựng profile hành vi và sở thích.
Profile
+
History
+
Friends
+
Context
+
Time
↓
Recommendation Engine
Các chế độ:
Ví dụ:
"Bạn đã dành phần lớn tuần này cho học tập. Muốn thử một hoạt động nhóm vào cuối tuần không?"
Hoặc:
"Surprise me."
Hệ thống tự chọn một hoạt động phù hợp.
Đề tài Logget hướng tới xây dựng một mô hình mạng xã hội khác với cách tiếp cận truyền thống.
Thay vì tập trung hoàn toàn vào việc tạo các bài đăng hoàn chỉnh, hệ thống bắt đầu từ những khoảnh khắc nhỏ trong cuộc sống:
Photo
Video
Note
↓
AI Understanding
↓
Activity
↓
Personal Memory
↓
Social Experience
Hệ thống MVP tập trung vào khả năng ghi lại, lưu trữ và phân tích dữ liệu người dùng. AI được sử dụng để nhận diện hoạt động, phân tích dữ liệu đa phương thức, xây dựng embedding, đánh giá xu hướng và tạo đề xuất.
Điểm quan trọng của đề tài là AI không bị giới hạn ở mô hình chatbot sinh văn bản. Thay vào đó, AI trở thành một lớp perception + analysis + recommendation của hệ thống.
Về lâu dài, Logget có khả năng phát triển từ một ứng dụng journal thành:
Một mạng xã hội hiểu được hoạt động và bối cảnh cuộc sống của người dùng.
Xây dựng:
Liên kết:
People
+
Places
+
Activities
+
Time
+
Memories
để tạo thành hồ sơ hoạt động động.
Kết hợp:
Text
Image
Video
Audio
Metadata
Behavior
để nâng cao khả năng hiểu ngữ cảnh.
AI có thể trở thành một lớp trợ lý cá nhân nhưng không nhất thiết phải giao tiếp bằng văn bản.
Ví dụ:
Tích hợp:
AI có thể phát hiện những người có hoạt động/sở thích tương đồng:
User A
↓
Activity Embedding
↓
Similarity Search
↓
User B
Từ đó gợi ý:
"Bạn và A thường tham gia các hoạt động tương tự."
Sau khi có lượng người dùng đủ lớn, hệ sinh thái có thể phát triển các nguồn doanh thu:
Mô hình thương mại cần được thiết kế sao cho không biến trải nghiệm cá nhân thành việc khai thác dữ liệu quá mức.
┌──────────────┐
│ OPEN APP │
└──────┬───────┘
↓
┌─────────────────────┐
│ Capture immediately?│
└──────┬────────┬─────┘
│ │
YES NO
│ │
↓ │
┌──────────────┐ │
│ Photo/Video │ │
└──────┬───────┘ │
↓ │
┌──────────────┐ │
│ Save Media │ │
└──────┬───────┘ │
│ │
└─────┬─────┘
↓
┌──────────────┐
│ Feature Tab │
└──────┬───────┘
│
┌──────────────────┼─────────────────┐
↓ ↓ ↓
Take Note Chat AI Score
↓ ↓ ↓
Save Note Auto Response Activity Data
↓ ↓ ↓
└──────────────────┼─────────────────┘
↓
┌──────────────┐
│ Journal │
└──────┬───────┘
↓
View Past Data
| Thành phần | Nội dung |
|---|---|
| Use Case | Capture Photo |
| Actor | User |
| Mục tiêu | Chụp và lưu ảnh |
| Trigger | User nhấn capture |
| Preconditions | Camera available |
| Main Flow | Mở camera → chụp → preview → save |
| Alternative | Cancel |
| Postcondition | Media được lưu |
| Thành phần | Nội dung |
|---|---|
| Use Case | Record Video |
| Actor | User |
| Mục tiêu | Quay video ngắn |
| Main Flow | Camera → record → stop → preview → save |
| Postcondition | Video được lưu |
| Thành phần | Nội dung |
|---|---|
| Use Case | Create Note |
| Actor | User |
| Mục tiêu | Ghi journal |
| Main Flow | Open Note → Input → Save |
| Postcondition | Journal entry được tạo |
| Thành phần | Nội dung |
|---|---|
| Use Case | Analyze Media |
| Actor | AI Service |
| Input | Image/Video |
| Output | Activity + Context + Embedding |
| Trigger | Media được lưu |
| Execution | Asynchronous |
| Thành phần | Nội dung |
|---|---|
| Use Case | Analyze Journal |
| Actor | AI Service |
| Input | Text |
| Output | Topic + Embedding + Activity signals |
| Thành phần | Nội dung |
|---|---|
| Use Case | Calculate Score |
| Actor | AI/Scoring Service |
| Input | Historical Activities |
| Output | Score |
| Trigger | Đến kỳ đánh giá |
Các thành phần điểm có thể gồm:
Activity Score
Social Score
Diversity Score
Consistency Score
| Thành phần | Nội dung |
|---|---|
| Use Case | View Journal |
| Actor | User |
| Input | Date/filter |
| Output | Timeline |
| Main Flow | Open Journal → Load Entries → Display |
| Thành phần | Nội dung |
|---|---|
| Use Case | Find Memory |
| Actor | User |
| Input | Text/query |
| AI | Semantic Search |
| Output | Relevant memories |
Ví dụ:
Query:
"những lần đi chơi với bạn"
↓
Embedding
↓
Vector Search
↓
Relevant Media
| Thành phần | Nội dung |
|---|---|
| Use Case | Get Recommendation |
| Actor | User |
| Input | User profile + history |
| AI | Recommendation Engine |
| Output | Activity suggestions |
Triển khai từ Version 2.
| Thành phần | Nội dung |
|---|---|
| Actor | User |
| Input | Journal/Activity |
| Output | Social Post |
| Functions | Share, React, Comment |
Triển khai từ Version 3.
Hệ thống gom các media gần nhau về:
Ví dụ:
18:00 Photo
18:05 Video
18:20 Photo
18:40 Note
AI:
Same Context
↓
Activity Clustering
↓
"Evening Football"
Triển khai từ Version 4.
Hệ thống sử dụng dữ liệu hoạt động để biểu diễn trạng thái:
● Studying
● Playing Sports
● At Club
● Hanging Out
● Travelling
Người dùng có quyền bật/tắt việc chia sẻ trạng thái.
Triển khai từ Version 5.
Hệ thống sử dụng:
Profile
+
Activity History
+
Preferences
+
Social Graph
+
Context
để đề xuất:
Recommended
Random
Surprise Me
With Friends
Weekend
Một kiến trúc AI có thể phát triển dần theo roadmap:
USER DATA
│
┌──────────────┼──────────────┐
↓ ↓ ↓
TEXT IMAGE VIDEO
│ │ │
↓ ↓ ↓
NLP VISION FRAME SAMPLING
│ │ │
│ │ ↓
│ │ VIDEO VISION
│ │ │
└──────────────┼──────────────┘
↓
MULTIMODAL FEATURES
↓
┌─────────┼──────────┐
↓ ↓ ↓
Activity Embedding Context
│ │ │
└─────────┼──────────┘
↓
USER ACTIVITY DB
↓
┌─────────┼──────────┐
↓ ↓ ↓
Scoring Behavioral Search
│ Analysis │
│ │ │
└─────────┼───────────┘
↓
Recommendation
↓
USER
Đây là phần có thể trở thành điểm nhấn kỹ thuật lớn nhất của đồ án: thay vì nói "ứng dụng có AI chatbot", Logget có một AI pipeline thực sự xử lý dữ liệu đa phương thức và biến dữ liệu thô thành structured behavioral data.
Có thể cô đọng toàn bộ tầm nhìn của Logget thành:
VERSION 1
Personal Logging
↓
VERSION 2
Social Network
↓
VERSION 3
Life Activity Timeline
↓
VERSION 4
Real-time Presence
↓
VERSION 5
AI-powered Quality of Life
↓
FUTURE
Life-oriented Social Ecosystem
Trong đó:
Mục tiêu cuối cùng không phải xây dựng một ứng dụng journal có tính năng mạng xã hội, mà là xây dựng một mạng xã hội trong đó các hoạt động đời sống là đơn vị nội dung cơ bản.
Điểm khác biệt cốt lõi:
Facebook / Instagram
Post → Social Interaction
Traditional Journal
Thought → Private Reflection
Logget
Moment → AI Understanding → Memory → Social Interaction
comments (0)