Data Augmentation là gì? Vai trò của tăng cường dữ liệu học máy

Trong học máy, việc thu thập và xử lý dữ liệu chất lượng là một thách thức lớn, đặc biệt khi bộ dữ liệu hạn chế. Data Augmentation (Tăng cường dữ liệu) là một kỹ thuật mạnh mẽ giúp giải quyết vấn đề này bằng cách tạo ra các biến thể dữ liệu từ dữ liệu gốc. Bài viết này sẽ giúp bạn hiểu rõ về Data Augmentation là gì, cách thức hoạt động của nó trong các lĩnh vực. Đồng thời, bài viết cũng sẽ chia sẻ những lợi ích và những thách thức liên quan đến việc tăng cường dữ liệu, cũng như ứng dụng của chúng trong thực tế. Đọc ngay!

Data Augmentation là gì?

Data Augmentation (thường được dịch là Tăng cường dữ liệu) là một tập hợp các kỹ thuật được sử dụng để tạo ra các mẫu dữ liệu huấn luyện mới bằng cách áp dụng các phép biến đổi (transformations) hợp lý lên dữ liệu gốc hiện có, nhằm tăng kích thước hiệu dụng và sự đa dạng của tập dữ liệu.

Về bản chất, kỹ thuật này không tạo ra thông tin hoàn toàn mới từ đầu. Thay vào đó, nó “nhân bản” và “biến tấu” dữ liệu bạn đang sở hữu, tạo ra các phiên bản có vẻ ngoài hơi khác biệt nhưng vẫn giữ nguyên ý nghĩa cốt lõi và nhãn (label) ban đầu.

Hãy hình dung bạn đang huấn luyện mô hình nhận diện ảnh chó mèo nhưng chỉ có một vài tấm ảnh gốc. Data Augmentation giống như việc bạn lấy các ảnh đó, rồi tạo thêm phiên bản bị xoay nhẹ, lật ngang, thay đổi độ sáng… để có nhiều ảnh hơn cho mô hình học.

Sau khi đã hiểu sơ lược tăng cường dữ liệu là gì, hãy cùng khám phá xem nó hoạt động như thế nào trong phần dưới đây nhé!

Cách thức hoạt động của tăng cường dữ liệu Data Augmentation

Đối với phân loại và phân đoạn hình ảnh

Các biến đổi đơn giản trên dữ liệu hình ảnh có thể được hoàn thành bằng các kỹ thuật tăng cường dữ liệu. Ngoài ra, các mạng đối kháng sinh tạo (GANs) được sử dụng để tạo ra dữ liệu tổng hợp mới. Các hoạt động xử lý hình ảnh cổ điển cho tăng cường dữ liệu bao gồm:

• đệm
• xoay ngẫu nhiên
• thay đổi tỷ lệ
• lật dọc và ngang
• dịch chuyển (di chuyển hình ảnh dọc theo các hướng X, Y)
• cắt xén
• phóng to
• tối sáng & điều chỉnh màu sắc
• chuyển sang ảnh đen trắng
• thay đổi độ tương phản
• thêm tiếng ồn
• xóa ngẫu nhiên

Mô hình nâng cao cho tăng cường dữ liệu

• Huấn luyện đối kháng/Học máy đối kháng: Nó tạo ra các ví dụ đối kháng làm rối loạn mô hình học máy và chèn chúng vào bộ dữ liệu để huấn luyện.
• Mạng đối kháng sinh tạo (GANs): Các thuật toán GAN có thể học các mẫu từ bộ dữ liệu đầu vào và tự động tạo ra các ví dụ mới giống như dữ liệu huấn luyện.
• Chuyển phong cách nơ-ron: Các mô hình chuyển phong cách nơ-ron có thể kết hợp hình ảnh nội dung và hình ảnh phong cách và tách phong cách ra khỏi nội dung.
• Học tăng cường (Reinforcement learning): Các mô hình học tăng cường huấn luyện các tác nhân phần mềm đạt được mục tiêu và ra quyết định trong môi trường ảo.

Dành cho xử lý ngôn ngữ tự nhiên (NLP)

Tăng cường dữ liệu không phổ biến trong lĩnh vực NLP như trong lĩnh vực thị giác máy tính. Việc tăng cường dữ liệu văn bản rất khó khăn, do độ phức tạp của ngôn ngữ. Các phương pháp phổ biến cho tăng cường dữ liệu trong NLP bao gồm:

• Các thao tác Tăng cường Dữ liệu Dễ dàng (EDA): thay thế từ đồng nghĩa, chèn từ, hoán đổi từ và xóa từ.
• Dịch ngược (Back translation): dịch lại văn bản từ ngôn ngữ mục tiêu về ngôn ngữ gốc.
• Định vị từ ngữ cảnh (Contextualized word embeddings).

Các loại kỹ thuật Data Augmentation phổ biến

Các kỹ thuật Data Augmentation (Tăng cường dữ liệu) rất đa dạng và thường được điều chỉnh cho phù hợp với từng loại dữ liệu cụ thể. Phổ biến nhất là các kỹ thuật dành cho thị giác máy tính (ảnh), xử lý ngôn ngữ tự nhiên (văn bản), và âm thanh. Ngoài ra còn có các phương pháp liên quan như tạo dữ liệu tổng hợp và đào tạo đối nghịch.

1. Computer Vision (Tăng cường dữ liệu ảnh)

Tăng cường dữ liệu ảnh là lĩnh vực ứng dụng Data Augmentation (DA) phổ biến và phát triển mạnh mẽ nhất. Các kỹ thuật tập trung vào việc tạo ra các biến thể hình ảnh hợp lý thông qua các phép biến đổi hình học và thay đổi không gian màu sắc.

Các phép biến đổi hình học thường gặp bao gồm xoay ảnh (rotation) một góc nhỏ, lật ảnh theo chiều ngang hoặc dọc (flipping), cắt xén một phần ảnh ngẫu nhiên (random cropping), thay đổi tỷ lệ (scaling/zooming), và biến dạng cắt (shearing) để mô phỏng góc nhìn khác nhau.

Việc thay đổi không gian màu sắc cũng rất hiệu quả. Ví dụ như điều chỉnh độ sáng (brightness), độ tương phản (contrast), độ bão hòa màu (saturation) hoặc chuyển đổi ngẫu nhiên sang ảnh xám (grayscale) rồi quay lại ảnh màu để tăng tính bền vững với điều kiện ánh sáng.

Các kỹ thuật nâng cao hơn như Cutout (che một vùng chữ nhật ngẫu nhiên), Mixup (trộn hai ảnh và nhãn tương ứng), hay CutMix (cắt một phần từ ảnh này và dán vào ảnh khác) cũng được sử dụng để tăng độ khó, buộc mô hình học các đặc trưng tổng quát và bền vững hơn.

2. Tăng cường dữ liệu âm thanh

Đối với dữ liệu dạng sóng âm thanh, các kỹ thuật Data Augmentation thường mô phỏng các biến thể có thể gặp trong môi trường thực tế hoặc thay đổi nhẹ các đặc tính của tín hiệu mà không làm mất đi nội dung chính, giúp mô hình nhận dạng giọng nói hoặc âm thanh hoạt động tốt hơn.

Các phương pháp phổ biến bao gồm việc thêm vào các loại nhiễu nền khác nhau (noise injection), dịch chuyển toàn bộ đoạn âm thanh về phía trước hoặc sau một chút (time shifting), thay đổi cao độ của giọng nói/âm thanh (pitch shifting), hoặc thay đổi tốc độ phát (speed change).

Ngoài ra, các kỹ thuật như che một phần phổ tần số (frequency masking) hoặc che một phần theo trục thời gian (time masking) cũng được áp dụng, đặc biệt trong việc huấn luyện các mô hình nhận dạng giọng nói tự động (ASR – Automatic Speech Recognition) hiện đại.

3. Tăng cường dữ liệu văn bản (NLP)

Tăng cường dữ liệu cho văn bản (Text Augmentation) trong Xử lý Ngôn ngữ Tự nhiên (NLP) được xem là thách thức hơn so với ảnh do cần bảo toàn ngữ pháp và ngữ nghĩa phức tạp của ngôn ngữ. Các kỹ thuật thường tập trung vào việc thay thế từ ngữ hoặc cấu trúc câu.

Ở cấp độ từ, các phương pháp phổ biến bao gồm thay thế một số từ bằng từ đồng nghĩa của chúng (synonym replacement) dựa trên từ điển như WordNet, hoặc chèn/xóa/hoán đổi vị trí các từ một cách ngẫu nhiên trong câu (random insertion/deletion/swap).

Ở cấp độ câu hoặc ngữ cảnh, kỹ thuật dịch ngược (back-translation) tỏ ra khá hiệu quả: dịch câu gốc sang một hoặc nhiều ngôn ngữ khác rồi dịch ngược lại ngôn ngữ ban đầu. Kỹ thuật này thường tạo ra câu mới có cấu trúc và từ ngữ khác biệt nhưng giữ được ý nghĩa gốc.

Framework EDA (Easy Data Augmentation) là một tập hợp gồm bốn kỹ thuật đơn giản (thay thế đồng nghĩa, chèn ngẫu nhiên, hoán đổi ngẫu nhiên, xóa ngẫu nhiên) thường được dùng làm điểm khởi đầu hiệu quả cho việc tăng cường dữ liệu văn bản trong nhiều tác vụ NLP cơ bản.

4. Tạo dữ liệu tổng hợp (Synthetic Data Generation)

Cần phân biệt kỹ thuật này với Data Augmentation truyền thống. Tạo dữ liệu tổng hợp (Synthetic Data Generation) là quá trình tạo ra các mẫu dữ liệu hoàn toàn mới bằng thuật toán hoặc mô hình, thay vì chỉ sửa đổi dữ liệu hiện có. Nó đặc biệt hữu ích khi dữ liệu gốc cực kỳ khan hiếm.

Các phương pháp có thể bao gồm việc sử dụng các mô hình sinh như Generative Adversarial Networks (GANs) để tạo ra ảnh hoặc dữ liệu giống thật. Trong dữ liệu bảng, kỹ thuật SMOTE (Synthetic Minority Over-sampling Technique) tạo ra các mẫu tổng hợp cho lớp thiểu số để xử lý mất cân bằng dữ liệu.

5. Đào tạo đối nghịch (Adversarial Training)

Đào tạo đối nghịch cũng là một kỹ thuật liên quan đến việc tăng cường độ bền vững cho mô hình, nhưng mục tiêu chính không phải là tăng kích thước dữ liệu. Nó tập trung vào việc làm cho mô hình chống chịu tốt hơn trước các tấn công đối nghịch (adversarial attacks) – những nhiễu loạn nhỏ được thiết kế có chủ đích để đánh lừa mô hình.

Quá trình này bao gồm việc huấn luyện mô hình không chỉ trên dữ liệu gốc mà còn trên các “mẫu đối nghịch” (adversarial examples) được tạo ra từ dữ liệu gốc. Việc này buộc mô hình phải học các ranh giới quyết định (decision boundaries) một cách chặt chẽ và bền vững hơn.

Lợi ích của Data Augmentation là gì?

Lợi ích của Data Augmentation là gì trong Machine Learning? Lợi ích của việc tăng cường dữ liệu bao gồm:

• Cải thiện độ chính xác trong dự đoán của mô hình
• Thêm nhiều dữ liệu huấn luyện cho mô hình
• Ngăn ngừa thiếu hụt dữ liệu, giúp mô hình tốt hơn
• Giảm hiện tượng overfitting của dữ liệu (tức là lỗi trong thống kê, nghĩa là một hàm phù hợp quá chặt chẽ với một tập hợp điểm dữ liệu giới hạn) và tạo sự biến đổi trong dữ liệu
• Tăng khả năng tổng quát của mô hình
• Giúp giải quyết vấn đề mất cân bằng lớp trong phân loại
• Giảm chi phí thu thập và gán nhãn dữ liệu
• Hỗ trợ dự đoán các sự kiện hiếm gặp
• Ngăn ngừa vấn đề bảo mật dữ liệu

Những thách thức của Data Augmentation là gì?

Các công ty cần xây dựng hệ thống đánh giá chất lượng cho bộ dữ liệu tăng cường. Khi việc sử dụng các phương pháp tăng cường dữ liệu gia tăng, sẽ cần có sự đánh giá về chất lượng của đầu ra của chúng.

Lĩnh vực tăng cường dữ liệu cần phát triển các nghiên cứu và nghiên cứu mới để tạo ra dữ liệu mới/tổng hợp với các ứng dụng tiên tiến. Ví dụ, việc tạo ra hình ảnh độ phân giải cao bằng cách sử dụng GANs có thể gặp phải nhiều thách thức.

Nếu bộ dữ liệu thực có sự thiên vị, dữ liệu được tăng cường từ nó cũng sẽ có sự thiên vị. Vì vậy, việc xác định chiến lược tăng cường dữ liệu tối ưu là rất quan trọng.

Ảnh hưởng đạo đức của Data augmentation

Mặc dù tăng cường dữ liệu là một công cụ mạnh mẽ để cải thiện mô hình học máy, nhưng nó cũng đặt ra một số mối lo ngại về đạo đức cần được xem xét kỹ lưỡng:

• Tăng cường sự thiên lệch (Bias amplification): Việc tăng cường các bộ dữ liệu có thiên lệch có thể sao chép và làm trầm trọng thêm những bất công hiện có, dẫn đến các mô hình hoạt động kém đối với các nhóm chưa được đại diện đầy đủ.
• Rủi ro về quyền riêng tư (Privacy risks): Việc tạo dữ liệu tổng hợp có thể vô tình giữ lại các chi tiết nhạy cảm từ bộ dữ liệu gốc, gây rủi ro vi phạm các quy định về quyền riêng tư.
• Tính xác thực của dữ liệu (Data authenticity): Việc áp dụng sai các phép tăng cường có thể tạo ra các điểm dữ liệu không thực tế hoặc gây hiểu lầm, làm giảm hiệu suất mô hình và niềm tin vào kết quả.
• Tính minh bạch (Transparency): Việc ghi chép rõ ràng các kỹ thuật tăng cường là rất quan trọng, đảm bảo các bên liên quan hiểu cách dữ liệu được chuyển đổi hoặc tạo ra.
• Công bằng và bình đẳng (Fairness and equity): Đảm bảo dữ liệu tăng cường phản ánh các nhóm và tình huống đa dạng là cần thiết để tránh những thiên lệch không mong muốn và đảm bảo mô hình có hiệu suất vững chắc.
• Tuân thủ quy định (Regulatory compliance): Các bộ dữ liệu tăng cường phải tuân thủ các luật bảo vệ dữ liệu và hướng dẫn đạo đức để tránh rủi ro pháp lý và uy tín.

Để sử dụng tăng cường dữ liệu một cách có trách nhiệm, các chuyên gia cần kiểm tra dữ liệu tăng cường, giải quyết thiên lệch và đảm bảo tuân thủ các tiêu chuẩn đạo đức và pháp lý liên quan.

Ứng dụng của tăng cường dữ liệu – Data augmentation

Tăng cường dữ liệu có thể áp dụng cho tất cả các ứng dụng học máy nơi việc thu thập dữ liệu chất lượng là khó khăn. Hơn nữa, nó có thể giúp cải thiện tính ổn định và hiệu suất mô hình trên mọi lĩnh vực nghiên cứu.

Y tế

Việc thu thập và gán nhãn bộ dữ liệu hình ảnh y tế mất rất nhiều thời gian và chi phí. Bạn cũng cần có chuyên gia để xác minh bộ dữ liệu trước khi thực hiện phân tích dữ liệu. Việc sử dụng các phép biến đổi hình học và các biến đổi khác có thể giúp bạn huấn luyện các mô hình học máy chính xác và mạnh mẽ.

Ví dụ, trong trường hợp phân loại viêm phổi, bạn có thể sử dụng các kỹ thuật như cắt xén ngẫu nhiên, phóng to, kéo dài, và biến đổi không gian màu sắc để cải thiện hiệu suất mô hình. Tuy nhiên, bạn cần cẩn thận với một số phép tăng cường vì chúng có thể dẫn đến kết quả trái ngược. Ví dụ, xoay ngẫu nhiên và phản chiếu dọc theo trục X không được khuyến khích cho bộ dữ liệu hình ảnh X-quang.

Xe tự lái

Dữ liệu về xe tự lái hiện đang rất hạn chế, và các công ty đang sử dụng môi trường mô phỏng để tạo ra dữ liệu tổng hợp bằng cách sử dụng học tăng cường. Điều này có thể giúp bạn huấn luyện và kiểm tra các ứng dụng học máy khi vấn đề bảo mật dữ liệu là yếu tố quan trọng.

Khả năng của dữ liệu tăng cường như một mô phỏng là vô tận, vì nó có thể được sử dụng để tạo ra các tình huống thực tế.

Xử lý ngôn ngữ tự nhiên (NLP)

Tăng cường dữ liệu văn bản thường được sử dụng trong các tình huống có dữ liệu chất lượng hạn chế, và cải thiện các chỉ số hiệu suất là ưu tiên hàng đầu. Bạn có thể áp dụng tăng cường đồng nghĩa, nhúng từ, hoán đổi ký tự, và chèn/xóa ngẫu nhiên. Những kỹ thuật này cũng rất hữu ích đối với các ngôn ngữ ít tài nguyên.

Các nhà nghiên cứu sử dụng tăng cường văn bản cho các mô hình ngôn ngữ trong các tình huống nhận dạng lỗi cao, tạo dữ liệu chuỗi đến chuỗi, và phân loại văn bản.

Nhận dạng giọng nói tự động

Trong phân loại âm thanh và nhận dạng giọng nói, tăng cường dữ liệu mang lại kết quả tuyệt vời. Nó cải thiện hiệu suất mô hình ngay cả với các ngôn ngữ ít tài nguyên.

Tiêm tiếng ồn ngẫu nhiên, thay đổi âm sắc và chuyển động có thể giúp bạn tạo ra các mô hình chuyển giọng nói thành văn bản hiện đại. Bạn cũng có thể sử dụng GANs để tạo ra âm thanh thực tế cho một ứng dụng cụ thể.

Tăng cường hình ảnh (Image Augmentation)

Tăng cường dữ liệu được sử dụng rộng rãi trong các ứng dụng thị giác máy tính, bao gồm phân loại hình ảnh và nhận dạng đối tượng.

Kỹ thuật này bao gồm các phương pháp tác động đến không gian, bố cục hoặc màu sắc của hình ảnh gốc, chẳng hạn như:

• Xoay (Rotation): Xoay hình ảnh theo một góc ngẫu nhiên (ví dụ: 15 độ) để mô phỏng các hướng khác nhau của đối tượng.
• Lật (Flipping): Lật hình ảnh theo chiều ngang hoặc chiều dọc để tạo ra các phiên bản phản chiếu.
• Mờ (Blurring): Áp dụng mờ cho hình ảnh để mô phỏng điều kiện mất nét.
• Cắt xén (Cropping): Cắt ngẫu nhiên một phần của hình ảnh và thay đổi kích thước về kích thước gốc.
• Phóng to (Zooming): Phóng to hoặc thu nhỏ hình ảnh để mô phỏng các kích thước đối tượng khác nhau.
• Biến đổi màu sắc (Color jittering): Thay đổi ngẫu nhiên độ sáng, độ tương phản, độ bão hòa hoặc sắc độ của hình ảnh.

Phân biệt Data Augmented và Synthetic Data

Dữ liệu tăng cường và tạo dữ liệu tổng hợp là hai kỹ thuật riêng biệt nhưng bổ sung cho nhau trong học máy:

• Dữ liệu tăng cường (Augmented data): Đây là quá trình tạo ra các phiên bản biến đổi của dữ liệu hiện có để tăng sự đa dạng của bộ dữ liệu. Ví dụ, trong xử lý hình ảnh, áp dụng các phép biến đổi như xoay, lật hay điều chỉnh màu sắc đối với các hình ảnh hiện có giúp mô hình tổng quát tốt hơn.
• Dữ liệu tổng hợp (Synthetic data): Đây là dữ liệu được tạo ra nhân tạo, cho phép các nhà nghiên cứu và phát triển thử nghiệm và cải thiện các thuật toán mà không làm rủi ro đến quyền riêng tư hoặc bảo mật của dữ liệu thật.

Lưu ý: Các kỹ thuật tăng cường không chỉ áp dụng cho hình ảnh. Bạn có thể tăng cường dữ liệu âm thanh, video, văn bản và các loại dữ liệu khác.

Công cụ hỗ trợ Data augmentation

Trong phần này, chúng ta sẽ tìm hiểu về các công cụ mã nguồn mở khác nhau mà bạn có thể sử dụng để thực hiện các kỹ thuật tăng cường dữ liệu và cải thiện hiệu suất mô hình.

• Pytorch: Biến đổi hình ảnh có sẵn trong module torchvision.transforms. Tương tự như Keras, bạn có thể thêm các lớp biến đổi vào trong torch.nn.Sequential hoặc áp dụng một hàm tăng cường riêng biệt cho bộ dữ liệu.
• Augmentor: Augmentor là một gói Python dành cho tăng cường hình ảnh và tạo hình ảnh nhân tạo. Bạn có thể thực hiện các phép biến đổi như: biến dạng góc nhìn, biến dạng đàn hồi, xoay, cắt, lật, và cắt xén. Augmentor cũng cung cấp các tính năng tiền xử lý hình ảnh cơ bản.
• Albumentations: Albumentations là một công cụ Python nhanh chóng và linh hoạt dành cho việc tăng cường hình ảnh. Nó được sử dụng rộng rãi trong các cuộc thi học máy, ngành công nghiệp và nghiên cứu để cải thiện hiệu suất của các mạng nơ-ron tích chập sâu.
• Imgaug: Imgaug là một công cụ mã nguồn mở cho việc tăng cường hình ảnh. Nó hỗ trợ nhiều kỹ thuật tăng cường như tiếng ồn Gaussian, độ tương phản, độ sắc nét, cắt xén, affine, và lật. Nó có giao diện ngẫu nhiên đơn giản nhưng mạnh mẽ, và đi kèm với các điểm đặc biệt, hộp giới hạn, bản đồ nhiệt và bản đồ phân đoạn.
• OpenCV: OpenCV là thư viện mã nguồn mở khổng lồ cho thị giác máy tính, học máy và xử lý hình ảnh. Thường được sử dụng trong việc xây dựng các ứng dụng thời gian thực. Bạn có thể sử dụng OpenCV để tăng cường hình ảnh và video một cách dễ dàng.
• Airbyte: Airbyte là một nền tảng tích hợp dữ liệu cho các pipeline ETL/ELT, kết nối các nguồn dữ liệu với các đích đến như kho dữ liệu và hồ dữ liệu. Nó giúp di chuyển dữ liệu không cấu trúc và bán cấu trúc vào cơ sở dữ liệu vector và các khuôn khổ mô hình ngôn ngữ lớn cho các ứng dụng AI.
• LangChain: LangChain là một khuôn khổ điều phối để phát triển các ứng dụng AI sinh tạo dựa trên các mô hình ngôn ngữ lớn (LLMs). Nó cho phép các doanh nghiệp tải dữ liệu độc quyền vào LLMs, từ đó tăng giá trị thu được từ AI sinh tạo.

Tăng cường dữ liệu (Data Augmentation) không chỉ giúp tăng cường hiệu suất mô hình mà còn là một công cụ quan trọng để giải quyết các vấn đề như thiếu dữ liệu, overfitting và cải thiện khả năng tổng quát của mô hình.

Mặc dù có nhiều kỹ thuật khác nhau và ứng dụng rộng rãi trong nhiều lĩnh vực, việc hiểu rõ Data Augmentation là gì và áp dụng Data Augmentation cũng đặt ra một số thách thức và vấn đề đạo đức cần được xem xét kỹ lưỡng.

Tuy nhiên, nếu được sử dụng đúng cách, đây sẽ là một công cụ mạnh mẽ giúp tối ưu hóa mô hình học máy, mang lại những kết quả đáng giá và ứng dụng thực tế hiệu quả.

Khi triển khai các mô hình học máy hoặc các tác vụ tăng cường dữ liệu, việc chọn môi trường lưu trữ phù hợp là rất quan trọng. Dịch vụ thuê VPS chất lượng giá rẻ tại InterData cung cấp phần cứng thế hệ mới với CPU AMD EPYC và Intel Xeon Platinum, SSD NVMe U.2, giúp bạn xử lý dữ liệu nhanh chóng và hiệu quả, tối ưu chi phí vận hành.

Nếu bạn cần một giải pháp linh hoạt và mạnh mẽ hơn cho các dự án dữ liệu lớn, thuê Cloud Server giá rẻ của InterData là sự lựa chọn lý tưởng. Với cấu hình mạnh mẽ, dung lượng được tối ưu và băng thông cao, dịch vụ này mang đến hiệu suất ổn định cho các mô hình học máy, giúp bạn tiết kiệm thời gian và chi phí trong suốt quá trình phát triển.

INTERDATA

• Website: Interdata.vn
• Hotline: 1900-636822
• Email: [email protected]
• VPĐD: 240 Nguyễn Đình Chính, P.11. Q. Phú Nhuận, TP. Hồ Chí Minh
• VPGD: Số 211 Đường số 5, KĐT Lakeview City, P. An Phú, TP. Thủ Đức, TP. Hồ Chí Minh