Người Nhật chống dịch

 Hôm nay là tròn 4 tháng tôi làm việc ở nhà do ảnh hưởng của dịch Covid. Con số này chắc sẽ còn tăng vì dịch ở Tokyo đang chưa có dấu hiệu gì là được kiểm soát. Tuần này, bác Abe trả lời các phóng viên rằng tình hình hiện tại chưa cần ban bố tình trạng khẩn cấp quốc gia một lần nữa. Bác chỉ khuyên mọi người hãy tuân thủ các quy tắc phòng chống dịch để tránh hạn chế lây lan, mà không đề cập gì đến hạn chế đi lại. Trong khi đó, thị trưởng Tokyo họp báo và khuyên mọi người hạn chế đi lại trong dịp nghỉ lễ Obon (đây là dịp nghỉ lễ vào giữa tháng 8, mọi người thường sẽ về quê, đi tảo mộ, vv.). Sự đối lập trong cách xử lý dịch của Tokyo và chính phủ đã kéo dài kể từ sau khi dỡ bỏ tình trạng khẩn cấp vào cuối tháng 5. Trong khi chính phủ Nhật chú trọng vào khôi phục nền kinh tế bằng chiến dịch Go To. Chiến dịch này sẽ hỗ trợ các công ty lữ hành, khách sạn để giảm giá dịch vụ nhằm tăng lượng khách du lịch trong nước. Ngược lại, Tokyo áp dụng kiểm tra PCR để truy vết và kiểm soát dịch bệnh, và vẫn yêu cầu mọi người hạn chế đi lại, đặc biệt là các khu mua sắm, ăn uống đông đúc. Điều này dẫn đến một điều buồn cười là Tokyo không tham gia vào chiến dịch Go To trong khi là thủ đô của đất nước.

Hôm qua, Tokyo có hơn 450 người bị mắc mới nâng tổng số người mắc lên hơn 15 nghìn người, chiếm gần 1/3 tổng số người mắc ở Nhật. Phần lớn con số này đến từ sau khi tình trạng khần cấp toàn quốc được dỡ bỏ vào cuối tháng 5. Điều này thực ra cũng dễ hiểu vì cuộc sống ở Tokyo gần như đã trở lại bình thường bất chấp dịch bệnh gia tăng. Các chuyến tàu chật cứng, người xếp hàng dài trong siêu thị, trẻ con vui chơi trong các khu giải trí, tất cả đều gần như lúc chưa có dịch. Với gần 15 triệu dân, thì việc dịch bệnh tiếp tục tăng là không tránh khỏi vì gần như không có biện pháp mạnh nào được đưa ra, tất cả chỉ ở mức khuyến cáo. Mặc dù là một nước phát triển nhưng dịch Covid làm lộ ra một điểm yếu nữa của Nhật Bản là khả năng ứng dụng công nghệ thông tin của các doanh nghiệp đang rất hạn chế. Ở Tokyo chỉ khoảng 20% số doanh nghiệp là có hệ thống IT có thể hỗ trợ làm việc từ xa 100%. Nhưng làm việc từ xa cũng có rất nhiều bất lợi như là giảm khả năng tập trung, không gian làm việc không đảm bảo. Thế nên công ty tôi cũng có khoảng 20% nhân viên đến công ty để làm việc hàng ngày mặc dù có thể làm tại nhà. Áp lực về kinh tế đã quá lớn nên có vẻ việc Nhật Bản và Tokyo ban bố tình trạng khẩn cấp một lần nữa là khá thấp. Hy vọng dịch sớm qua để mọi thứ trở lại bình thường.

Nhật ký đi làm (Phần 3)

12, đó là số cuộc họp tôi đã tham gia trong tuần này. Tính ra thì trung bình hơn 2 cuộc một ngày. Đây là con số cao nhất trong một tuần kể từ khi đi làm. Con số này nói lên một đặc trưng trong văn hóa làm việc của người Nhật, đó là làm việc nhóm và báo cáo công việc liên tục hàng tuần. Cụ thể, mỗi một dự án sẽ được phụ trách bởi một nhóm từ 3-5 người trong đó có một người quản lý thường là trưởng nhóm và 1, 2 người làm chính. Hàng tuần sẽ có một cuộc họp nhóm (定例）để báo cáo, kiểm tra tiến độ công việc. Ngoài ra, 2 tuần một lần sẽ có một buổi báo cáo với công ty đối tác. Do vậy nếu bạn là trưởng nhóm thì sẽ  phải tham gia vào gần như tất cả các nhóm làm việc (10+). Hiện tại tôi đang tham gia vào 5 nhóm. Ngoài ra, khi có các công việc phát sinh thì một cuộc họp sẽ được tổ chức để tìm cách giải quyết. Trong một dự án trong trường hợp cần thiết thì công việc sẽ được chia ra thành các phần nhỏ hơn và mỗi phần sẽ lại có các cuộc họp để thảo luận. Cách làm việc này được gọi là 「ほう-れん-そう」trong tiếng Nhật, nó là ghép từ đầu tiên của ba từ ほうこく(báo cáo), れんらく（liên lạc), và そうだん (thảo luận). 

Cách làm này có nhiều lợi ích. Đầu tiên, nó sẽ đảm bảo dự án được hoàn thành đúng thời hạn được giao. Vì mỗi tuần bạn sẽ tập trung vào giải quyết một phần công việc nên tiến độ công việc sẽ rất dễ dàng để kiểm soát. Khi có các vấn đề phát sinh, các thành viên trong nhóm sẽ đưa ra ý kiến để cùng nhau giải quyết. Việc này sẽ tận dụng được kiến thức, kĩ năng của cả nhóm, đặc biệt trong trường hợp người làm chính chưa có kinh nghiệm. Thứ hai, bạn sẽ dễ dàng hòa nhập vào môi trường công ty thông qua tiếp xúc, trao đổi liên tục. Những người nước ngoài như tôi ban đầu cảm thấy khó khăn trong việc giao tiếp với các thành viên khác. Nhưng chỉ sau nửa năm làm việc thì tôi đã thấy rất thoải mái trong giao tiếp và công việc với mọi người. Tuy nhiên, cách làm này cũng có những điểm yếu của nó. Khi bạn tham gia vào nhiều nhóm làm việc, thời gian của bạn sẽ bị gián đoạn bởi các cuộc họp. Điều này rất ảnh hưởng lên hiệu suất của các công việc đòi hỏi tập trung trong thời gian dài như làm nghiên cứu. Và tùy vào nội dụng công việc, việc có quá nhiều ý kiến đôi khi khiến cho công việc trở nên phức tạp hơn. Ngoài ra, nó cũng dễ nảy sinh việc ỷ lại vào ý kiến của người khác mà không tự tìm tòi giải quyết vấn đề.

Văn hóa làm việc theo nhóm này của người Nhật được định hình từ rất sớm. Nếu buổi sáng quan sát học sinh tiểu học ở Nhật đi học, bạn sẽ thấy học sinh đi học theo các nhóm khoảng 10 người trong đó người đi đầu là một em lớn tuổi hơn và cầm cờ để dẫn cả nhóm đi. Khi lên cấp hai, cấp ba, đại học, gần như tất cả học sinh của Nhật sẽ tham gia vào các câu lạc bộ về thể thao, nghệ thuật, học tập, vv. Điều này làm cho việc hoạt động theo tập thể trở thành một điều hiển nhiên trong xã hội Nhật. Điều này cũng dẫn đến việc nếu bạn không hòa đồng vào tập thể thì sẽ dễ bị đánh giá thấp.

Kết: Vẫn còn rất nhiều điều đặc biệt về văn hóa và con người Nhật bản. Hẹn gặp lại trong phần tiếp theo.

New conference paper: Application Layer Throughput Control for Video Streaming over HTTP2

Our latest research on throughput control for video streaming has been accepted for presentation at Eighth International Conference on Communications and Electronics (ICCE).  In this work, we tackle the problem of throughput control for multiple streaming clients at application layer using HTTP2 flow control feature. The proposed framework includes a throughput estimation scheme and an application layer based throughput control scheme which utilizes HTTP2’s Flow Control mechanism. Experiment results show that the proposed framework can effectively control throughput of individual clients.

Why do we need "throughput control"?

In practice, there are many cases where multiple videos are concurrently streamed over a same network connection with limited bandwidth.  A common example is when people in a same local network (e.g., home, office) watch online videos at the same time. Another example is camera surveillance system where a large number of video feeds from surveillance cameras is streamed to a processing data. In addition, those video streams may have different characteristic (e.g., bitrates) or have different levels of importance. Thus, it is desirable to be able to allocate available network bandwidth in an efficient manner. For instance, in case of camera surveillance system, video streams from important cameras should have higher throughput than those from less important ones.  

Why application layer matter?

In our previous work [1], we successfully control throughput of streaming client by adjusting TCP flow control window size. However, it may not always possible to perform such control in practice, such as in browser-based streaming, or in mobile devices. Thus, it is desirable to be able to control throughput at application layer.

[1] Duc V. Nguyen, Huyen Tran, Pham Ngoc Nam, Truong Cong Thang, "Cross-Layer Management for Multiple Adaptive Streaming Clients in Wireless Home Networks", IEICE Transactions on Information and Systems, March. 2018.

Học về thuyết tương đối (special relativity and general relativity)

Albert Einstein được xem như là một trong những nhà bác học vĩ đại nhất mọi thời đại. Tên của ông đồng nghĩa với thiên tài (genius). Hai công trình khoa học quan trong nhất của Einstein là thuyết tương đối hẹp (special relativity) và thuyết tương đối rộng (general relativity). Vậy thuyết tương đối hẹp là gì? Nó được tạo ra như thế nào? Các hệ quả của nó là gì? Ứng dụng của nó là gì? trả lời những câu hỏi này sẽ là mục tiêu của bài viết này.

Đầu tiên nói về bối cảnh, thuyết tương đối hẹp được Einstein đề xuất lần đầu tiên trong một bài báo ông viết vào năm 1905 đăng trên tạp chí vật lý Annalen der Physik . Lúc này ông 26 tuổi và đang là nhân viên ở văn phòng phụ trách đăng ký bản quyền ở Zurich, Thụy Sĩ. Cùng trong năm này, ông còn viết 3 bài báo quan trọng ở các lĩnh vực khác bao gồm 1) phân tích chuyển động của phân tử, 2) giải thích hiệu ứng quang điện (photoelectric effect), và 3) mối liên hệ giữa khối lượng và năng lượng (E=mc^2). Ông được trao giải thưởng Nobel vật lý năm 1921 do đóng góp trong việc giải thích hiệu ứng quang điện (photoelectronic effect). Năm 1905 vì vậy được gọi là Annus mirabilis , có nghĩa là năm kỳ diệu của Einstein.

Thuyết tương đối hẹp ra đời để giải thích sự không đồng nhất giữa cơ học cổ điển của Newton và thuyết điện từ phát triển bởi Maxwell liên quan đến vận tốc của ánh sáng. Theo Newton, vận tốc của mọi vật là tương đối phụ thuộc theo hệ quy chiếu, ví dụ nếu bạn ngồi trên tàu đang di chuyển với vận tốc là 60km/h thì vận tốc của bạn so với côt mốc bên đường là 60km/h, nhưng so với người ngồi cạnh thì sẽ là 0km/h. Tuy nhiên, Maxwell đã chứng minh rằng ánh sáng là một loại sóng điện từ (electromagnetic wave), và có vận tốc không đổi 3x10^8 (km/h) trong chân không. Điều này dẫn đến việc nếu bạn ngồi trên tàu và chiếu đèn cùng hướng di chuyển với một chuyến tàu đang di chuyển với vận tốc 10^8 (km/h) thì một người đứng ở cạnh đường ray vẫn sẽ đo được vận tốc ánh sáng từ đèn của bạn là 3x10^8 (km/h) chứ không phải là 4x10^8(km/h).

Để giải thích cho sự không đồng nhất này, Einstein đã sử dụng kết quả của Maxwell và đặt ra tiên đề: "Vận tốc ánh sáng là cố định và không phụ thuộc vào hệ quy chiếu". Đây chính là một trong hai tiên đề của thuyết tương đối hẹp. Tiên đề còn lại là: "Các định luật vật lý là như nhau trong mọi hệ quy chiếu quán tính".

Nếu vận tốc ánh sáng là không đổi thì so với một người ngồi trên tàu, thời gian của một người đứng ở bên đường sẽ trôi nhanh hơn. Lý do là bởi vì người đứng bên đường sẽ thấy ánh sáng đi được một quãng đường xa hơn so với người ở trên tàu. Vì thời gian bằng quãng đường chia cho vận tốc nên thời gian người đứng ở bên đường trải qua sẽ dài hơn. Do vậy, thời gian không còn là tuyệt đối mà chỉ là tương đối và phụ thuộc vào vận tốc.

Sự liên hệ về thời gian t của một hệ quy chiếu đứng yên so với thời gian t' của một hệ quy chiếu chuyển động có thể được tính toán rất đơn giản như sau. Giả sử trên một chiếc tàu chuyển động với vận tốc không đổi v, một photon (đơn vị nhỏ nhất cấu tạo nên ánh sáng) di chuyển qua lại giữa hai tấm gương đặt song song với nhau và song song với mặt đất. Xem xét sự kiện một photo di chuyển từ tấm gương phía dưới lên tấm gương phía trên. Giả sử thời gian photon di chuyển t' đối với một người đứng trên tàu, là t đối với một người quan sát trên mặt đất. Đối với người quan sát trên mặt đất, quãng đường photon di chuyển sẽ là AB vì vị trí chiếc gương bị xa ra do tàu di chuyển một đoạn là CB trong khoảng thời gian photon di chuyển. Ta sẽ tính được giá trị các độ dài AB, BC, và AC như sau:

AB = c x t với c là vận tốc của ánh sáng
BC = v x t với v là vận tốc di chuyển của tàu
AC = c x t' với t' là thời gian của một người đứng trên tàu.

Vì ABC là tam giác vuông, sử dụng định lý Pythago và một số bước biến đổi ta thu được kết quả liên hệ giữa t và t' như công thức ở trên. Vì vận tốc di chuyển của tàu (v) nhỏ hơn vận tốc ánh sáng (c), ta suy ra được là t' nhỏ hơn t. Nói cách khác, thời gian đối với người di chuyển thì trôi chậm hơn so với người đứng yên. Trong cuộc sống của con người, v thường rất nhỏ so với c nên sự khác biêt là gần như không đáng kể. Đối với các vật di chuyển nhanh, sự khác biệt có thể là rất đáng kể. Có một điểm thú vị là nếu di chuyển với vận tốc ánh sáng (v=c) thì thời gian sẽ ngừng trôi (t' = 0).

Tương tự như thời gian, không gian (độ dài) cũng có tính tương đối và phụ thuộc vào vận tốc di chuyển: "độ dài của một vật khi di chuyển thì ngắn hơn độ dài của cùng vật đó khi đứng yên". Và khi di chuyển với vận tốc ánh sáng, thì độ dài sẽ bằng 0.

Dù nổi tiếng nhưng thuyết tương đối hẹp của Einstein không có nhiều ứng dụng trong thực tiễn cuộc sống vì chúng ta di chuyển với vận tốc rất nhỏ so với vận tốc ánh sáng, nên thời gian giữa các hệ quy chiếu có thể xem là giống nhau mà ko gây ra nhiều vấn đề. Đây cũng là một lý do cho việc ông không được trao giải Nobel cho thuyết tương đối hẹp. Một ứng dụng có thể kể đến là việc căn chỉnh thời gian của các vệ tinh của hệ thống định vị toàn cầu GPS. Các vệ tinh này di chuyển với vận tốc hàng chục nghìn ki lô mét một giờ nên thời gian đối với các vệ tinh này sẽ chậm hơn so với người di chuyển trên mặt đất. Do vậy, việc tính toán tọa độ của người dùng phải tính đến sự chênh lêch thời gian này.

Người ta gọi 1905 là năm kỳ diệu của Estein nhưng thực ra thời gian này không thực sự tốt đẹp với ông. Bài báo về thuyết tương đối hẹp dù được xuất bản trong năm này nhưng gần như không ai trong giới khoa học để ý đến vì ông chỉ là một nhân viên văn phòng không phải là giáo sư của trường đại học. Ông chỉ thực sự được chú ý khi Max Plank, một nhà khoa học nổi tiếng đương thời, cha đẻ của cơ học lượng tử (quantum mechanic) và là chủ biên của tờ tạp chí Annalen der Physik, đọc bài báo của Einstein và nhận ra tầm quan trọng của kết quả này. 

Dù không hoàn toàn bị thuyết phục bởi kết quả trong bài báo, Max Plank yêu cầu Einstein giải thích kỹ hơn về kết quả, cũng như yêu cầu ông mở rộng lý thuyết cho trường hợp hệ quy chiếu chuyển động có gia tốc (vận tốc thay đổi theo thời gian). Einstein mất 10 năm để mở rộng thuyết tương đối hẹp cho trường hợp hệ quy chiếu có gia tốc, và kết quả của nó là thuyết tương đối rộng (general relativity). Dù được gọi là thuyết tương đối rộng, nhưng general relativity lại giải quyết một vấn đề hoàn toàn khác biệt là lực trọng trường (Gravity). 

New conference paper on Transfer Learning

Why transfer learning?

Though the performance of machine learning models (especially deep learning) has been improved significantly over the past few years, there still exist several challenges that need to be addressed in order for ML to be applied in practice at scale. One of the most serious problems is the poor performance when applying pre-trained machine learning models to real-world problems. We, human being, are born with the ability to apply acquired knowledge and skills to new problems/tasks. For example, once you learned to ride a bicycle, you can ride a motorbike with minimum efforts. But, it is not so simple in case of machine learning. Retraining ML models for new tasks requires additional training data that is not available in many cases. Transfer learning is a potential approach to deal with this problem. 

What is transfer learning?

Transfer learning refers to a set of machine learning techniques that allows one to transfer knowledge learned from an auxiliary (or source) domain to help the training task on a target domain. There are three typical types of transfer learning, namely, instance transfer, feature transfer, and network transfer. In instance-based transfer, instances (or data) from the source domain is used in the training at the target domain. Go further, feature-based transfer aims to transfer features which are learned from the data. Different from the raw data, features are more compact and contain more meaningful information that can help improve the performance in many cases. Both instance-based and feature-based approaches assume that the source data is available at the target data. However, due to increasing concerns over user privacy and security, it become more and more difficult to share data between domains. Network transfer can solve this problem by transferring part of the model such as weights. 

Our contribution 

Recommender system is an essential component in many practical applications and services. Recently, significant progress has been made to improve performance of recommender system utilizing deep learning. However, single-domain recommender system suffers from the long-standing data sparsity problem. Transfer learning is a potential approach to deal with the data sparsity problem in recommender system. In this paper, we investigate the transferability of deep neural networks for recommender system. It is found that the neural network responsible for learning the user-item interaction function can be transferred to the target domain, resulting in significant improvement in recommendation performance.

Ref: Duc Nguyen et al., "On the Transferability of Deep Networks for Recommender Systems", DEIM Forum, March. 2020. 

Kì nghỉ tết của em

Trong ngày nghỉ tết vào năm Kỷ Hợi, em đã được chứng kiến những ngày đầu xuân với màn pháo hoa trình diễn cùng với những nồi bánh chưng sôi sùng sục đã làm thêm vui về xuân Kỉ Hợi. Một năm lại trôi qua, tết lại đến với các em những ngày đầu xuân và chào đón năm Canh Tý. Vào ngày 25 tháng chạp, em cùng mọi người lau nhà sạch sẽ, quét nhà cửa, ngõ và làm một số công việc khác. Ngày 28 tháng chạp, em được về thăm quê với ông bà ngoại đẻ em ở lại đây ăn tết cùng với ông bà ngoại. Trong thời gian đó, em cũng giúp ông bà công việc nội trợ cũng như quét nhà, lau nhà và dọn nhà cửa. Sáng ngày 29 và 30 tháng chạp em thức dậy và rửa mặt, đánh răng cũng sạch sẽ để chuần bị ăn sáng. Sau khi ăn sáng, em cùng với bà lau bàn, quét nhà và quét ngõ. Em cũng dọn bồn hoa để chuẩn bị đón năm mới xuân Canh Tý 2020. Em mong tết này sẽ vui hơn và ấm cúng gia đình lời chúc sức khỏe của ngày tết năm Canh Tý 2020.

Bi
30 tháng chạp, Canh Tý, Đức Thọ, Hà Tĩnh.

Nhật ký đi làm: Một ngày làm việc của tôi

Tôi thức dậy vào khoảng 7 rưỡi sáng, đánh răng rửa mặt và chuẩn bị quần áo. Trang phục hàng ngày quần âu, áo sơ mi, giày đen. Đây là trang phục chuẩn cho salaryman, những người đi làm ở Nhật. Ra vào công ty đều cần phải dùng thẻ nên tôi đeo luôn thẻ nhân viên sau khi mặc quần áo cho đỡ quên. Tiếp theo là pha cà phê. Từ hồi đi làm tôi mỗi ngày tôi uống hai cốc cà phê, một cốc buổi sáng và một cốc sau khi ăn trưa. Thế nên tôi quyết định đầu tư một máy pha cà phê để tự pha lấy cà phê, vừa tiết kiệm, vừa có việc để làm buổi sáng. Trước khi ra khỏi nhà thì tôi xem thời tiết, nếu dự báo có mây hoặc mưa vào chiều tối thì tôi sẽ mang theo ô. Nếu là ngày đổ rác thì tôi mang theo rác để vứt. Tôi rời khỏi nhà vào khoảng 8h sáng. Từ nhà tôi đến công ty mất khoảng 30 phút đi bộ. Đường tôi đi làm đi qua Tokyo Dome, khu vui chơi giải trí khá lớn ở Tokyo. Ở đây hay diễn ra các concert của các nhóm nhạc lớn của Nhật như Arashi, EXILE. Ở giữa đường đến công ty là Donkihote, một cửa hàng bán tạp hóa lớn mở cửa 24 giờ. Nơi đây bán tất tần tật mọi thứ từ thực phẩm, đến quần áo, đồ gia dụng, đồ nấu ăn, mỹ phẩm. Giá cả ở đây cũng rất rẻ nên cửa hàng bao giờ cũng đông khách.

Ở Nhật thì vị trí thường được xác định bằng ga tàu. Công ty của tôi nằm gần hai ga là Suidobashi và Iidabashi. Đường tôi đi làm đi qua ga Suidobashi, đây là ga chính để đi đến Tokyo Dome và các khu lân cận, nên có rất nhiều tuyến tàu đi qua ga này. Những ngày có sự kiện lớn ở Tokyo Dome thì cửa ga luôn chật cứng người, có khi tràn ra cả phía ngoài đường. Xung quanh ga tàu cũng là nơi tập trung rất nhiều các quán ăn, khu vui chơi giải trí. Từ cửa phía đông của ga Suidobashi đi thêm khoảng 10 phút thì đến công ty. Trước khi vào công ty, tôi vào Lawson, một cửa hàng tiện lợi bên đường để mua một cái Onigiri, đây là một kiểu cơm nắm được bọc bằng lá rong biển, nhân thịt hoặc cá.

Tôi làm việc ở tầng 18 của tòa nhà trụ sở công ty. Đến nơi khoảng 8 rưỡi, tôi ngồi vào bàn và chuẩn bị bàn làm việc vì trước khi đi về thì quy định là phải khóa laptop lại, cất gọn các đồ đạc vào tủ và khóa tủ lại. Việc tiếp theo là kiểm tra lại lịch làm việc và nhập thời gian làm việc của ngày hôm trước. Ở công ty tôi thì nhân viên phải tự mình nhập thông tin thời gian làm việc (thời gian bắt đầu, kết thúc) cho mỗi ngày. Kiểm tra lại các công việc cần làm xong thì tôi ăn cái onigiri, uống cốc cà phê, và bắt đầu làm việc. Giờ ăn trưa là từ 12h đến 1h. Phần nhiều các đồng nghiệp của tôi ra ngoài mua cơm hộp rồi về chỗ ngồi ăn, hoặc lên căn tin của công ty ở tầng 20. Dạo gần đây tôi thường đi ăn ở một quán ăn Thái ở tầng 1. Quán này ngoài các món ăn Thái thì còn bán cả phở, cơm rang, nên tôi ăn thấy hợp. Nếu đi vào khoảng 12h thì hầu hết các quán đều rất đông. Nên tôi thường đi sớm hoặc muộn 15 phút để đỡ phải chờ. Ăn trưa xong tôi uống cốc cà phê còn lại và bắt đầu làm việc. Rất nhiều đồng nghiệp của tôi thường tranh thủ ngủ trưa nhưng tôi thì gần như không vì ngủ một ít thế thức dậy tôi thấy còn mệt hơn.

Tôi rời công ty vào khoảng 8h tối. Trong khi buổi sáng thì mọi người đều hối hả để đi đến chỗ làm việc, không khi trên đường buổi tối nhiều tiếng cười đùa và tiếng nói chuyện hơn. Tôi gặp nhiều tốp sinh viên, người đi làm vui vẻ trò chuyện trong lúc tìm quán ăn, tiếng cười nói rôm rả vọng ra từ các quán rượu bên đường. Trên đường về nhà, tôi thường ghé qua Donkihote để mua thức ăn và nước hoa quả đóng hộp. Tôi về đến nhà vào khoảng 9 giờ. Dù chỉ ăn một ít vào buổi tối nhưng tôi vẫn thích tự nấu ăn. Thường thì chỉ là trứng rán hay thịt lợn áp chảo ăn với một ít bánh mỳ. Ăn tối xong tôi lên mạng xem tinh tinh một lúc, rồi đi ngủ. Thường thì tôi không làm việc ở nhà. Nhưng những hôm bận rộn quá thì thì tôi sẽ mang máy tính về nhà và làm thêm 1,2 tiếng nữa. Cuộc sống từ lúc đi làm của tôi trở nên có nhịp điệu và cũng hối hả hơn. Có một điểm tôi sẽ cố gắng cải thiện trong thời gian tới, đó là dậy sớm hơn để chạy bộ vào buổi sáng.

2020/02/08, Aizukawamatsu, Japan.