Toán Học AI 2026: Kiến Trúc Lý Luận, Hạ Tầng Mây Và Nhận Thức Sâu
Tóm tắt cốt lõi (AI Overview Quick Answer): Năm 2026 đánh dấu bước tiến mang tính bước ngoặt khi ngành trí tuệ nhân tạo toàn cầu thoát ly khỏi cơn say “mô hình ngôn ngữ sinh chữ ngẫu nhiên” để quay trở về với nền tảng toán học giải tích, kiến trúc suy luận đa bước (Test-Time Compute Reasoning), hạ tầng đám mây phân tán tự thích ứng và sinh thái học nhận thức của bộ não người. Chuyên luận tổng hợp 7 trục chuyển dịch trọng tâm: (1) Cuộc cách mạng Test-Time Compute và mô hình lý luận thế hệ mới từ nhà phân tích AI Ignacio de Gregorio Noblejas; (2) Vẻ đẹp giải tích toán học thuần túy qua các hằng số vô tỉ, chuỗi chu kỳ và fractal của Harlan J. Brothers (Science Spectrum); (3) Kiến trúc đám mây đàn hồi và quản trị chi phí AWS từ Constantin Patrascu và AWS in Plain English; (4) Khoa học dữ liệu thực nghiệm và thống kê Bayes hiện đại từ Amanda Iglesias Moreno và Data Science Collective; (5) Sinh học thần kinh và rào cản máu não trước các tác nhân viêm thần kinh của Shin Jie Yong (Microbial Instincts); (6) Học thuyết Trí tuệ tập thể Noösphere và tâm lý học nhận thức giúp bảo vệ năng lượng tư duy độc lập trước làn sóng đồng hóa thuật toán (The Noösphere, Change Your Mind, Activated Thinker); và (7) Hạ tầng trạm tính toán cục bộ (Local AI Computing) giúp cá nhân hóa toàn diện quyền kiểm soát dữ liệu.
1. Cuộc cách mạng “Test-Time Compute”: Giải mã mô hình lý luận o1 và giới hạn của Pre-training
Trong suốt giai đoạn 2020 – 2024, toàn bộ ngành công nghiệp AI vận hành theo định luật tỷ lệ (Scaling Laws) kinh điển của Kaplan và Chinchilla: tăng kích thước mô hình, tăng dung lượng dữ liệu huấn luyện tiền kỳ (Pre-training) và đổ thêm hàng chục ngàn cụm GPU để nâng cao năng lực thông minh. Tuy nhiên, bước sang năm 2026, chiến lược này đã chính thức chạm “bức tường dữ liệu” (Data Wall) khi kho tàng văn bản chất lượng cao của nhân loại trên internet đã bị khai thác cạn kiệt.
Theo các khảo luận kỹ thuật chuyên sâu từ Ignacio de Gregorio Noblejas (tác giả chuyên trang phân tích AI hàng đầu The Algorithmic Bridge), một mô thức kiến trúc hoàn toàn mới đã được xác lập: Dịch chuyển trọng tâm tính toán từ Tiền huấn luyện sang Thời gian suy luận (Test-Time Compute).
Khác với các LLM thế hệ trước chỉ đơn thuần dự đoán token tiếp theo theo xác suất $P(w_t mid w_{<t})$, các="" mô="" hình="" lý="" luận="" (reasoning="" models)="" phân="" bổ="" tài="" nguyên="" tính="" toán="" sung="" trong="" chính="" thời="" điểm="" người="" dùng="" đặt="" câu="" hỏi.="" cơ="" chế="" này="" vận="" hành="" dựa="" trên="" 3="" trụ="" cột="" học="" và="" thuật="" toán:=""
- Tìm kiếm trên cây suy luận (Monte Carlo Tree Search – MCTS): Thay vì xuất ra câu trả lời ngay lập tức, mô hình phân nhánh các bước lập luận trung gian (Chain of Thought), đánh giá điểm số triển vọng của từng nhánh logic và quay lui (backtracking) khi phát hiện ngõ cụt.
- Học tăng cường trên quá trình suy luận (Process Reward Models – PRM): Thay vì chỉ chấm điểm kết quả cuối cùng (Outcome Reward), hệ thống huấn luyện các mô hình phê bình (Critic Models) để chấm điểm từng bước tư duy nhỏ. Điều này loại bỏ triệt để hiện tượng “kết quả đúng nhưng lập luận ngụy biện”.
- Sự phục hưng của năng lực tự hiệu chỉnh (Self-Correction Dynamics): Mô hình được trang bị khả năng tự đặt câu hỏi phản biện: “Lời giải này có bỏ sót giả thiết nào không?” và tự động viết lại thuật toán trước khi xuất bản kết quả cuối cùng ra giao diện người dùng.
Hình 1: Dịch chuyển tính toán sang thời gian suy luận (Test-Time Compute) biến AI từ công cụ bắt chước văn phong thành hệ thống giải quyết vấn đề bằng toán học suy diễn.
2. Bản chất giải tích và vẻ đẹp hình học thuần túy của Harlan J. Brothers
Giữa cơn cuồng phong của các khung thư viện AI thương mại, nhà toán học Harlan J. Brothers trên ấn phẩm Science Spectrum đã đưa ra lời nhắc nhở sâu sắc: Mọi kiến trúc điện toán tinh vi nhất đều bắt nguồn từ vẻ đẹp bất biến của giải tích cổ điển và các hằng số cơ bản của vũ trụ.
Các công trình của Brothers về hằng số Euler $e$, chuỗi phân kỳ và các cấu trúc hình học tự đồng dạng (Fractals) minh chứng rằng toán học không phải là công cụ nhân tạo khô cứng mà là ngôn ngữ tự nhiên mô tả sự tăng trưởng và tối ưu hóa năng lượng:
Mối liên hệ giữa Giải tích Cổ điển và Tối ưu hóa Mạng Neural:
- Ý nghĩa của hàm mũ và Đạo hàm riêng: Hàm số $f(x) = e^x$ là hàm số duy nhất có đạo hàm bằng chính nó ($frac{d}{dx}e^x = e^x$). Trong lan truyền ngược (Backpropagation), tính chất này là chìa khóa để hàm kích hoạt Softmax chuyển đổi logit thành phân phối xác suất mượt mà mà không làm mất tính khả vi (Differentiability).
- Chuỗi lũy thừa Taylor và Phép xấp xỉ hàm phi tuyến: Khả năng tổng quát hóa của mạng nơ-ron thực chất là phiên bản đa chiều của định lý xấp xỉ phổ quát (Universal Approximation Theorem), nơi các trọng số ma trận đóng vai trò như các hệ số trong chuỗi khai triển hàm giải tích phức tạp.
- Cấu trúc Fractal trong không gian tổn thất (Loss Landscape): Brothers chỉ ra rằng bề mặt của hàm mục tiêu trong các mô hình hàng tỷ tham số không phải là chiếc bát lồi trơn lùi, mà là địa hình phân dạng fractal đầy các hố cực tiểu cục bộ (Local Minima) và điểm yên ngựa (Saddle Points), giải thích vì sao các thuật toán tối ưu hóa thích ứng như AdamW cần động lượng ngẫu nhiên để vượt qua bẫy bế tắc.
3. Kiến trúc Đám mây đàn hồi: Tối ưu hóa chi phí và Quản trị AWS từ Constantin Patrascu
Một thuật toán lý luận hoàn hảo sẽ trở nên vô giá trị nếu nó làm phá sản doanh nghiệp vì chi phí hạ tầng điện toán đám mây. Kỹ sư hệ thống cao cấp Constantin Patrascu kết hợp cùng các chuyên khảo trên AWS in Plain English đã định hình lại các quy chuẩn vận hành hạ tầng đám mây cho các hệ thống AI quy mô lớn:
Năm 2026, các tổ chức công nghệ không còn chạy đua cấu hình máy chủ ảo khổng lồ (Over-provisioning) một cách vô tội vạ. Thay vào đó, tiêu chuẩn vận hành bắt buộc chuyển dịch sang Hạ tầng điện toán biên đàn hồi (Cost-Observed Resilient Cloud Architecture):
- Phi máy chủ hóa luồng suy luận (Serverless Inference via AWS Lambda & Graviton4): Tách biệt hoàn toàn cụm GPU huấn luyện đắt đỏ khỏi cụm máy chủ xử lý tác vụ tiền/hậu kỳ. Sử dụng vi xử lý ARM Graviton4 cho các tác vụ chuẩn hóa dữ liệu giúp tiết kiệm 40% chi phí điện toán so với kiến trúc x86 truyền thống.
- Bộ đệm ngữ nghĩa biên (Edge Semantic Caching): Triển khai Redis Cluster tại các trạm biên CDN (CloudFront Functions). Khi người dùng đưa ra câu hỏi có ngữ nghĩa tương đồng trên 92% với một câu hỏi đã được giải quyết trong 24 giờ qua, hệ thống lập tức trả kết quả từ bộ đệm trong vòng 5 mili-giây, cắt đứt 60% số lượt gọi đắt đỏ vào các mô hình nền tảng.
- Cách ly danh tính Zero Trust và IAM Least Privilege: Nghiêm cấm tuyệt đối việc sử dụng API Key tĩnh dùng chung giữa các dịch vụ. Mọi Agent tự hành buộc phải sử dụng các phiên xác thực danh tính ngắn hạn (AWS STS Temporary Credentials) kết hợp chính sách phân quyền chi tiết đến từng bảng dữ liệu S3.
Hình 2: Kiến trúc đám mây tối ưu hóa chi phí và quản trị danh tính tự động là nền móng vận hành của mọi sản phẩm AI bền vững.
4. Khoa học Dữ liệu thực nghiệm: Thống kê Bayes và Feature Engineering hiện đại
Trong các chuyên khảo thực chiến trên Data Science Collective và công trình của Amanda Iglesias Moreno, một sự thật trần trụi được phơi bày: “Hầu hết các dự án học máy thất bại tại môi trường sản xuất không phải vì mô hình quá yếu, mà vì dữ liệu đầu vào bị trôi dạt phân phối (Data Drift) mà không hề có cơ chế kiểm định thống kê giám sát.”
Amanda Iglesias Moreno khẳng định rằng các kỹ sư dữ liệu cần trang bị lại bộ công cụ Thống kê suy diễn Bayes (Bayesian Data Inference):
- Từ ước lượng điểm sang phân phối xác suất: Thay vì đưa ra một con số dự báo duy nhất ($hat{y} = 15.4$), phương pháp Bayes cung cấp khoảng bất định tin cậy (Credible Intervals). Điều này sống còn đối với các hệ thống y tế và tài chính: một quyết định chỉ được tự động hóa nếu độ bất định của mô hình nằm dưới ngưỡng rủi ro cho phép.
- Kỹ nghệ đặc trưng thích ứng (Dynamic Feature Engineering): Tự động phát hiện các tương tác phi tuyến tính giữa các biến số thông qua thuật toán thông tin tương hỗ (Mutual Information) và phân tích nhân tố chính (PCA), loại bỏ các chiều dữ liệu dư thừa làm tăng phương sai mô hình.
- Kiểm định độ trôi dạt Kolmogorov-Smirnov tự động: Liên tục so sánh hàm phân phối tích lũy của dữ liệu thực tế tại thời gian chạy (Runtime) với tập dữ liệu huấn luyện ban đầu. Nếu xuất hiện sai lệch có ý nghĩa thống kê ($p < 0.01$), hệ thống tự động cảnh báo và kích hoạt đường ống tái huấn luyện mà không làm gián đoạn người dùng.
5. Sinh học Thần kinh: Miễn dịch não bộ và Rào cản máu não từ Shin Jie Yong
Song hành cùng bước tiến của silicon và thuật toán, việc thấu hiểu cấu trúc thần kinh sinh học của con người trở thành kim chỉ nam để duy trì năng suất trí tuệ dài hạn. Nhà khoa học y sinh Shin Jie Yong trên ấn phẩm danh tiếng Microbial Instincts đã công bố những bằng chứng đột phá về mối liên kết giữa hệ miễn dịch ngoại biên và tính toàn vẹn của chức năng nhận thức não bộ.
Theo Shin Jie Yong, bộ não của người lao động trí tuệ hiện đại đang phải đối mặt với một mối đe dọa thầm lặng: **Viêm thần kinh âm ỉ (Low-grade Neuroinflammation)** do căng thẳng mãn tính, rối loạn giấc ngủ và chế độ dinh dưỡng công nghiệp gây ra:
3 Cơ chế sinh học bảo vệ sự minh mẫn của não bộ:
- Tính toàn vẹn của Hàng rào Máu não (Blood-Brain Barrier – BBB): Khi cytokine tiền viêm (TNF-$alpha$, IL-6) tràn ngập trong máu do nhiễm trùng hoặc stress kéo dài, các mối nối kín (Tight Junctions) của hàng rào máu não bị nới lỏng. Điều này kích hoạt tế bào vi microglia trong não chuyển sang trạng thái tiền viêm độc hại, trực tiếp phá hủy các gai khớp thần kinh (Dendritic Spines) cần thiết cho việc học tập và tư duy trừu tượng.
- Hệ thống Thải độc Glymphatic trong giấc ngủ sâu: Não bộ không có hệ bạch huyết thông thường; nó làm sạch các độc tố protein (bao gồm beta-amyloid và tau) thông qua hệ thống Glymphatic chỉ hoạt động khi bạn đạt trạng thái giấc ngủ sóng chậm (Slow-wave Deep Sleep). Cắt giảm giấc ngủ để làm việc thêm 2 giờ thực chất là hành vi tự đầu độc tế bào thần kinh của chính mình.
- Trục Não – Ruột và Vi sinh vật thần kinh (Microbiome-Gut-Brain Axis): Hơn 90% lượng serotonin và một tỷ lệ lớn các chất dẫn truyền thần kinh GABA được sản xuất bởi hệ vi sinh vật đường ruột. Bổ sung chất xơ hòa tan, polyphenol và thực phẩm lên men tự nhiên là giải pháp sinh học căn cơ để ổn định tâm trạng và nâng cao khả năng tập trung sâu.
Hình 3: Bảo vệ hàng rào máu não và kích hoạt hệ thống thải độc thần kinh là nền tảng sinh học tối thượng giúp duy trì tư duy sắc bén suốt đời.
6. Triết học Nhận thức Noösphere và Bản lĩnh tự chủ trước làn sóng đồng hóa thuật toán
Nhìn từ góc độ triết học sâu sắc trên các ấn phẩm The Noösphere, Change Your Mind, Activated Thinker và Dare to Be Better, nhân loại đang tiến vào giai đoạn tiến hóa mà nhà tư tưởng Pierre Teilhard de Chardin và Vladimir Vernadsky từng tiên tri: sự hình thành của Noösphere (Quyển Trí tuệ) — một màng tư tưởng tập thể toàn cầu được kết nối bởi mạng lưới điện toán kỹ thuật số.
Tuy nhiên, nghịch lý của Noösphere hiện đại là: Khi hàng triệu cá nhân cùng sử dụng chung một vài mô hình AI nền tảng và tiếp nhận các thuật toán đề xuất nội dung tương tự, tư duy nhân loại đứng trước nguy cơ bị **đồng hóa đơn điệu (Cognitive Homogenization)**. Mọi bài văn, ý tưởng khởi nghiệp hay quan điểm xã hội đều bắt đầu có mùi vị đồng dạng, nhạt nhòa và thiếu bản sắc.
Chiến lược rèn luyện Bản lĩnh Độc bản (Individual Intellectual Sovereignty)
Để không bị biến thành một “nút mạng thụ động” trong cỗ máy thuật toán, người trí thức độc lập cần thiết lập 3 ranh giới phòng vệ:
- Độc lập nguồn đầu vào (Information Diet Asymmetry): Ngừng việc chỉ tiêu thụ những thông tin đang thịnh hành trên bảng tin mạng xã hội. Hãy đọc những cuốn sách kinh điển viết cách đây hàng thế kỷ, nghiên cứu các bài báo khoa học gốc và trải nghiệm cuộc sống thực địa. Sự bất cân xứng về thông tin đầu vào chính là cội nguồn của mọi sáng tạo đột phá.
- Tư duy phản biện trước đầu ra của AI: Xem AI là một trợ lý thông minh nhưng có xu hướng nịnh bợ và thỏa hiệp với số đông. Luôn đặt câu hỏi: “Góc nhìn này có điều gì sáo rỗng? Đâu là phản biện sắc bén nhất chống lại câu trả lời này?”.
- Khả năng tĩnh lặng chịu đựng sự mơ hồ: Những ý tưởng vĩ đại không bao giờ xuất hiện sau 3 giây gõ prompt. Chúng đòi hỏi thời gian ấp ủ, sự trăn trở và năng lực chịu đựng cảm giác mông lung trước khi chân lý bừng sáng.
7. Bảng đối chiếu đa chiều: Toán học, Hạ tầng đám mây, Dữ liệu và Nhận thức sinh học
| Trục nghiên cứu | Quan điểm truyền thống (Cũ) | Tiêu chuẩn hiện đại (2026) | Lợi thế đột phá đạt được |
|---|---|---|---|
| Lý luận & Suy luận AI | Tập trung vào Pre-training, mở rộng kích thước mô hình vô hạn | Test-Time Compute, MCTS, Process Reward Models (PRM) | Giải quyết bài toán logic phức tạp, loại bỏ ảo giác suy luận |
| Nền tảng Toán học | Chạy thư viện hộp đen, không hiểu bản chất giải tích | Giải tích hàm mũ Euler, hình học vi phân, cấu trúc fractal | Làm chủ hàm mục tiêu, tối ưu hóa tốc độ hội tụ mô hình |
| Hạ tầng Đám mây AWS | Cấp phát máy chủ cố định cồng kềnh, chi phí đám mây mất kiểm soát | Serverless Graviton4, Edge Semantic Caching, STS IAM | Cắt giảm 60% chi phí vận hành, bảo mật Zero Trust tuyệt đối |
| Khoa học Dữ liệu | Dự báo điểm duy nhất, phớt lờ độ trôi dạt phân phối | Suy diễn thống kê Bayes, kiểm định Kolmogorov-Smirnov | Định lượng chính xác rủi ro bất định, tái huấn luyện tự động |
| Sinh thái Nhận thức | Lạm dụng chất kích thích, cạn kiệt dopamine, tư duy theo số đông | Bảo vệ hàng rào máu não, thải độc Glymphatic, Noösphere độc bản | Duy trì sự minh mẫn thần kinh và sáng tạo nguyên bản bền bỉ |
Gợi ý thiết bị Trạm tính toán AI cá nhân & Hạ tầng nghiên cứu dữ liệu chuyên sâu
Để tự tay thực thi các thuật toán lý luận Test-Time Compute, chạy các mô hình nguồn mở quy mô lớn (DeepSeek-R1, Llama-3-70B) và xây dựng đường ống phân tích dữ liệu Bayes cục bộ mà không phụ thuộc vào chi phí đám mây đắt đỏ hay để lộ bí mật nghiên cứu, việc đầu tư một trạm tính toán AI độc lập (Local AI Workstation) là khoản đầu tư thông minh nhất:
Card Đồ Họa NVIDIA GeForce RTX 4090 24GB GDDR6X – Trạm Tính Toán Lý Luận AI & Khoa Học Dữ Liệu
Dung lượng bộ nhớ VRAM 24GB tốc độ cao kết hợp 16.384 nhân CUDA và nhân Tensor Cores thế hệ 4. Cung cấp băng thông cực đại cho phép nạp trơn tru các mô hình lý luận toán học phức tạp, chạy suy luận đa luồng cục bộ với độ trễ tối thiểu và an toàn dữ liệu tuyệt đối.
Các linh kiện phần cứng bổ trợ cùng cấu hình trạm tính toán nghiên cứu:
Bộ Nhớ RAM 128GB (4x32GB) DDR5 5600MHz Corsair Vengeance
Dung lượng RAM khổng lồ giúp tải trơn tru các tập dữ liệu chuỗi thời gian lớn, chạy mô hình thống kê Bayes đa chiều và hỗ trợ chia sẻ bộ nhớ CPU cho AI.
Ổ Cứng SSD 4TB Crucial T700 PCIe Gen5 NVMe M.2
Tốc độ đọc tuần tự lên đến 12.400 MB/s, triệt tiêu mọi nghẽn cổ chai I/O khi nạp các tệp trọng số checkpoint mô hình AI dung lượng hàng chục gigabyte.
Thiết Bị Lưu Trữ Mạng NAS Synology DS923+ 4 Khay Ổ Cứng
Lưu trữ tập trung và thiết lập bản sao lưu tự động chống mã độc tống tiền (Ransomware), bảo vệ tuyệt đối kho dữ liệu nghiên cứu khoa học độc quyền.
https://medium.com/science-spectrum?source=email-db9109f2f78c-1790450134594-digest.reader-9a1ae4e15408-7d361fbe0c3a—-2-108——————2401ec28_20ea_48ad_b4f6_3bc2877a9d4a-1
https://medium.com/change-your-mind?source=email-db9109f2f78c-1790450134594-digest.reader-30d32c722963-bb16823c8b3a—-13-99——————2401ec28_20ea_48ad_b4f6_3bc2877a9d4a-1
https://medium.com/dare-to-be-better?source=email-db9109f2f78c-1790277241326-digest.reader-241480ee318d-4fd9285c97fe—-6-99——————da61c58e_9dc6_43e1_9be7_bf6f4611027f-1
https://medium.com/write-a-catalyst?source=email-db9109f2f78c-1790277241326-digest.reader-84ac01765c52-0fae2eea780e—-10-73——————da61c58e_9dc6_43e1_9be7_bf6f4611027f-1
https://medium.com/artificial-corner?source=email-db9109f2f78c-1790018052298-digest.reader-76436a11a2b0-f4f89137cf94—-3-73——————d36d29a9_3d91_4674_aec0_abed173f27c9-1
https://medium.com/@EpicPerspectives?source=email-db9109f2f78c-1788981266006-digest.reader-3fe99b2acc4-48be767591c7—-2-108——————20cdfd15_6706_4307_a528_d7d443df091a-1
https://medium.com/@eminagaalparslan?source=email-db9109f2f78c-1790536512848-digest.reader-c61b43ec687d-ac764808418e—-11-99——————dfcf1561_b33f_44dc_a0e4_a2ff650d6701-1
https://medium.com/activated-thinker?source=email-db9109f2f78c-1790536512848-digest.reader-c61b43ec687d-ac764808418e—-11-99——————dfcf1561_b33f_44dc_a0e4_a2ff650d6701-1
https://medium.com/@ignacio.de.gregorio.noblejas?source=email-db9109f2f78c-1790450134594-digest.reader–509023ed50be—-5-109——————2401ec28_20ea_48ad_b4f6_3bc2877a9d4a-1
https://medium.com/@ignacio.de.gregorio.noblejas?source=email-db9109f2f78c-1790018052298-digest.reader–509023ed50be—-6-102——————d36d29a9_3d91_4674_aec0_abed173f27c9-1
https://medium.com/science-spectrum?source=email-db9109f2f78c-1788981266006-digest.reader-9a1ae4e15408-895dc3b9e73a—-13-108——————20cdfd15_6706_4307_a528_d7d443df091a-1
https://medium.com/the-no%C3%B6sphere?source=email-db9109f2f78c-1788981266006-digest.reader-d3109af0fd15-48580e3f9d8c—-7-102——————20cdfd15_6706_4307_a528_d7d443df091a-1
https://medium.com/@constantinpatrascu?source=email-db9109f2f78c-1790277241326-digest.reader-9b33c3191090-1020b00597f2—-0-102——————da61c58e_9dc6_43e1_9be7_bf6f4611027f-1
https://medium.com/@constantinpatrascu?source=email-db9109f2f78c-1788981266006-digest.reader-9b33c3191090-1020b00597f2—-3-102——————20cdfd15_6706_4307_a528_d7d443df091a-1
https://medium.com/@harlan.j.brothers?source=email-db9109f2f78c-1788981266006-digest.reader-9a1ae4e15408-895dc3b9e73a—-13-108——————20cdfd15_6706_4307_a528_d7d443df091a-1
https://medium.com/aws-in-plain-english?source=email-db9109f2f78c-1790363498541-digest.reader-35e7a49c6df5-c82ad251ff54—-1-102——————666c853f_ee1f_4869_a3f5_b66b15fde6bd-1
https://medium.com/microbial-instincts?source=email-db9109f2f78c-1790363498541-digest.reader-bd4c58bfa8c9-450892b50460—-12-102——————666c853f_ee1f_4869_a3f5_b66b15fde6bd-1
https://medium.com/the-quantastic-journal?source=email-db9109f2f78c-1790536512848-digest.reader-cf522ff06849-578eb5cb7cc4—-9-102——————dfcf1561_b33f_44dc_a0e4_a2ff650d6701-1
https://medium.com/@amandaiglesiasmoreno?source=email-db9109f2f78c-1790536512848-digest.reader-8993e01dcfd3-046d42361cd0—-12-102——————dfcf1561_b33f_44dc_a0e4_a2ff650d6701-1
https://medium.com/data-science-collective?source=email-db9109f2f78c-1788981266006-digest.reader-8993e01dcfd3-20284060c1b1—-8-73——————20cdfd15_6706_4307_a528_d7d443df091a-1
https://medium.com/data-science-collective?source=email-db9109f2f78c-1790363498541-digest.reader-8993e01dcfd3-f77cda2a00c6—-9-109——————666c853f_ee1f_4869_a3f5_b66b15fde6bd-1