20 bài viết được gắn thẻ "Machine Learning"

Đây là phần cuối của series này. Thứ tự đọc như sau: Phần 5 -7 (bài nói chuyện), rồi đến Phần 1-4 (phần thảo luận, links trong comment). Độ cập nhật thông tin dừng ở tháng 8/2024, xem như "lỗi mốt" trong thời AI thay đổi nhanh như chớp này. Ví dụ, những thảo luận về giải AI trong khoa học (Phần 4) và Nobel đã nhanh chóng hội tụ: Vào tháng 10/2024, AlphaFold -- thành tựu của AI trong ngành Sinh học phân tử đã đem lại giải Hóa học cho chủ nhân; Hopfield & Hinton -- hai trong những người đặt nền móng cho AI hiện tại được trao giải Vật lý. Tương tự, những thảo luận về AI cho Việt Nam (Phần 3) cũng nhanh chóng "bắt trend" với nghị quyết 57 về KHKT mới công bố tháng 12/2024. Tuy nhiên những bài học thu được trong 70 năm lịch sử AI thì vẫn còn có thể có ích nhiều năm nữa.

"Chúa tạo ra con người theo hình ảnh của Ngài. Con người tạo ra AI theo hình ảnh của mình." (Rodney Brooks, 2018)

Series này nằm trong khuôn khổ bài nói chuyện tại ĐHQG HCM ngày 19/8/2024. Bốn phần trước mình đã làm rõ thêm một số ý thảo luận tại hội trường và bên lề.

Phần này và vài phần tiếp mình trình bày nội dung chuẩn bị cho bài nói hôm đó, đến tận kỳ nghỉ lễ vừa rồi mới có thời gian dịch ra tiếng Việt và biên tập lại (hôm đó khó khách quốc tế nên nói tiếng Anh). Thứ tự trình bày các phần vì thế hơi ngược.

Hi các bạn,

AI vốn là 1 lĩnh vực có tính hàn lâm cao. Do đó trong quá trình học AI, người học sẽ phải làm quen và tiếp xúc với rất nhiều các thuật ngữ. Với các bạn học AI hoàn toàn bằng tiếng Anh thì không có vấn đề gì. Tuy nhiên với những bạn học bằng tiếng Việt, hoặc tiếng Anh song song với tiếng Việt, có 1 vài thuật ngữ sẽ khiến cho nhiều bạn, đặc biệt là những bạn mới, cảm thấy khó hiểu hoặc dễ bị nhầm lẫn. Trong video/bài viết này mình xin tổng hợp những thuật ngữ như vậy:

Hi các bạn,

Trong video đầu tiên chia sẻ trong năm mới 2025 này, mình xin tổng hợp các câu hỏi và trả lời phỏng vấn học thuật cơ bản và phổ biến mà các bạn thường sẽ gặp khi đi ứng tuyển xin việc các vị trí có liên quan đến AI (Data Scientist, Machine Learning engineer hay AI engineer), dựa trên chính trải nghiệm đi xin việc trong hơn 8 năm qua của mình. Đây là những câu hỏi vô cùng phổ biến trong các cuộc phỏng vấn, giúp nhà tuyển dụng đánh giá kiến thức cơ bản của các bạn về AI, Data Science cũng như ML/DL.

Hi các bạn,

Đầu tiên mình xin được gửi lời chúc năm mới đến tất cả mọi người. Chúc các bạn và gia đình luôn khỏe mạnh, gặp nhiều may mắn và thành công trong năm mới 🎇🎇🎇

Như là bài viết cuối cùng của năm 2024, mình xin chia sẻ với các bạn 1 video tổng hợp về chủ đề AI học thuật. Tuy độ dài video chỉ hơn 20 phút nhưng để hoàn thành mình đã phải mất hơn 1 tháng, từ lên nội dung, tổng hợp tài liệu, record cho đến edit. Đây là 1 video mình đã muốn làm từ rất lâu nhưng đến giờ mới có thể hoàn thiện. Mình cũng đã cố gắng để có thể giới thiệu và giải thích tất cả các khái niệm cũng như thuật ngữ theo cách đơn giản nhất có thể để các bạn ngoài ngành cũng có thể hiểu.

Lời mở đầu​

Trong bối cảnh AI đang phát triển mạnh mẽ, nhiều người đang cảm thấy áp lực phải tiếp cận thật nhanh vì lo sợ bị thay thế hoặc mất việc. Điều này dẫn đến việc nhiều người lúng túng, đọc các lời quảng cáo trên mạng và tham gia các khóa học về AI một cách vội vàng, thiếu định hướng. Kết quả là sau khóa học, họ vẫn không nắm được những kiến thức và kỹ năng cốt lõi để ứng dụng AI hiệu quả vào công việc.

Hi các bạn,

Trong quá trình mình dạy các lớp học online về AI/Machine Learning/Data Science, thi thoảng mình có được các bạn học viên hỏi về việc học gì hay làm như thế nào để xây dựng được các mô hình AI dự đoán giá tiền ảo (bitcoin, ethereum,..), giá vàng, giá các ngoại tệ hay thậm chí là giá cổ phiếu. Cũng có những bạn nói thẳng từ đầu rằng mục đích học AI là để xây dựng các mô hình dự đoán như vậy.

1. Prompt là gì mà dữ dằn vậy? 🧐​

Nói một cách dễ hiểu, prompt giống như cách bạn nói chuyện với AI. Hồi xưa ông bà mình bảo "lời nói chẳng mất tiền mua", nhưng với AI, lời nói (prompt) phải đúng chuẩn thì mới nhận được câu trả lời "ngon lành". Nếu không, y như chuyện hỏi đường mà bạn mô tả sai ngõ hẻm, AI cũng "lạc trôi" luôn!

Prompt Engineering là môn nghệ thuật giúp biến lời nói của bạn thành chỉ dẫn siêu chuẩn. Nó không chỉ là viết vài dòng câu hỏi, mà còn là cách bạn tổ chức ý tưởng, thêm bối cảnh, và dọn sẵn "bàn tiệc" cho AI hiểu đúng.

Hiện nay, chúng ta có hàng chục thuật toán Machine Learning khác nhau, hàng chục mô hình Deep Learning khác nhau. Vậy khi gặp 1 bài toán nào đó (e.g. dự đoán giá, chẩn đoán bệnh, nhận dạng đối tượng, …) với những yêu cầu khác nhau về độ chính xác, tài nguyên tính toán hoặc tốc độ xử lý, ở trong các môi trường khác nhau: môi trường hàn lâm, học thuật trên các trường đại học vs môi trường làm việc thực tế ở các công ty, thì làm sao để chúng ta có thể chọn được mô hình, thuật toán phù hợp nhất?