Vietnamese Professional - AI for EveryOne

Vietnamese Professional - AI for EveryOne https://www.forum.vnpro.org/ vi Wed, 22 Jul 2026 12:31:20 GMT vBulletin 60 images/misc/rss.png Vietnamese Professional - AI for EveryOne https://www.forum.vnpro.org/ ISC2: AI đang làm tăng trách nhiệm của các chuyên gia an ninh mạng https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/442933-isc2-ai-đang-làm-tăng-trách-nhiệm-của-các-chuyên-gia-an-ninh-mạng Mon, 20 Jul 2026 06:54:21 GMT ISC2: AI đang làm tăng trách nhiệm của các chuyên gia an ninh mạng Tin tức | 14/07/2026 | Thời gian đọc: 3 phút Theo khảo sát mới của ISC2... ISC2: AI đang làm tăng trách nhiệm của các chuyên gia an ninh mạng

Tin tức | 14/07/2026 | Thời gian đọc: 3 phút

Theo khảo sát mới của ISC2 với 856 chuyên gia an ninh mạng, AI không làm giảm vai trò của đội ngũ bảo mật mà đang thay đổi bản chất công việc. Thay vì chỉ phát hiện và xử lý sự cố, các chuyên gia ngày càng dành nhiều thời gian để kiểm chứng kết quả do AI tạo ra, đánh giá rủi ro và quyết định khi nào nên tin tưởng AI.

Kết quả khảo sát cho thấy:

65% cho biết họ dành nhiều thời gian hơn để quyết định khi nào nên tin hoặc hành động theo khuyến nghị của AI.
63% dành nhiều thời gian hơn để rà soát và xác thực đầu ra của AI.
89% từng gặp trường hợp AI đưa ra khuyến nghị sai.
50% cho biết con người vẫn là người chịu trách nhiệm cuối cùng khi AI mắc lỗi.

Ông Scott Beale, CEO của ISC2, nhận định:

"AI không thay thế các chuyên gia an ninh mạng. AI đang thay đổi những kỹ năng mà nghề này yêu cầu."

Theo ông, khi AI đảm nhận các công việc lặp đi lặp lại, giá trị của con người sẽ nằm ở khả năng đặt đúng câu hỏi, xác thực kết quả, diễn giải đầu ra và đưa ra phán đoán cuối cùng. AI vừa giảm áp lực, vừa tạo ra thách thức mới

Khảo sát cũng phản ánh những góc nhìn trái chiều:

48% cho rằng AI giúp giảm áp lực công việc.
32% cảm thấy áp lực tăng lên.
62% lo ngại việc quá phụ thuộc vào AI.
61% lo ngại các lỗi của AI có thể lan rộng trên toàn hệ thống mà không bị phát hiện.

Một phát hiện đáng chú ý là 24% người được hỏi cho biết họ thường xuyên phải hành động theo khuyến nghị của AI dù không hiểu rõ AI đã đưa ra kết luận đó bằng cách nào.

Điều này làm nổi bật tầm quan trọng của AI Governance. Khoảng 80% người tham gia khảo sát cho rằng ba yếu tố sau là bắt buộc nếu muốn ứng dụng AI hiệu quả:

Xây dựng khung quản trị AI (Governance Framework).
Biết khi nào nên tin tưởng kết quả của AI.
Biết khi nào cần bác bỏ hoặc ghi đè khuyến nghị của AI.

AI không làm mất giá trị của các kỹ năng nền tảng

Khảo sát cũng cho thấy tác động của AI đối với nghề nghiệp chưa hoàn toàn thống nhất.

56% cho rằng AI làm giảm nhu cầu tuyển dụng các vị trí đầu vào.
Nhưng 53% lại tin rằng AI đang tạo ra những vị trí đầu vào hoàn toàn mới.
48% cảm thấy lạc quan hơn về sự nghiệp an ninh mạng trong dài hạn.

Quan trọng hơn, 62% khẳng định AI không làm giảm nhu cầu đối với các kỹ năng cốt lõi về an ninh mạng.

Theo ISC2, khi AI ngày càng được triển khai rộng rãi, những kỹ năng có giá trị nhất sẽ không còn là khả năng thao tác công cụ, mà là năng lực quản trị, đánh giá và kiểm soát AI. Góc nhìn dành cho cộng đồng IT

Báo cáo của ISC2 phản ánh đúng xu hướng đang diễn ra trong toàn ngành CNTT, không chỉ riêng lĩnh vực an ninh mạng. Từ vận hành hạ tầng, phát triển phần mềm đến Network Operations, AI đang đảm nhận ngày càng nhiều công việc lặp lại. Tuy nhiên, trách nhiệm cuối cùng vẫn thuộc về con người.

Điều đó cũng lý giải vì sao các hãng công nghệ như Cisco, Microsoft, AWS hay HPE đều nhấn mạnh rằng kỹ năng quan trọng nhất trong kỷ nguyên Agentic AI không phải là biết sử dụng AI, mà là biết giám sát, kiểm chứng và quản trị các AI Agent.

Nói cách khác, AI có thể đưa ra khuyến nghị, nhưng con người vẫn phải chịu trách nhiệm cho quyết định cuối cùng. Đây sẽ là năng lực cốt lõi của các chuyên gia IT và an ninh mạng trong những năm tới.
]]> AI for EveryOne dangquangminh https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/442933-isc2-ai-đang-làm-tăng-trách-nhiệm-của-các-chuyên-gia-an-ninh-mạng Tin tức https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/442739-tin-tức Wed, 15 Jul 2026 07:17:24 GMT Các chức danh công việc liên quan đến AI lan rộng ra ngoài ngành công nghệ, trong khi nhu cầu tuyển dụng IT vẫn tăng mạnh Tin tức 10/07/2026 |... Các chức danh công việc liên quan đến AI lan rộng ra ngoài ngành công nghệ, trong khi nhu cầu tuyển dụng IT vẫn tăng mạnh

Tin tức
10/07/2026 | 3 phút đọc

Một nghiên cứu mới từ Indeed Hiring Lab cho thấy số lượng chức danh công việc có đề cập đến AI tại Mỹ đã tăng hơn gấp ba lần kể từ năm 2022, từ 264 lên 822 vào quý I/2026.

Bộ phận nghiên cứu của nền tảng tuyển dụng toàn cầu Indeed cũng phát hiện rằng 63% các vị trí mang yếu tố AI hiện không còn thuộc lĩnh vực công nghệ truyền thống. Thay vào đó, chúng xuất hiện ngày càng nhiều trong các ngành như y tế, giáo dục, marketing, logistics và quản lý.

"AI không còn chỉ là câu chuyện của ngành công nghệ," nhóm nghiên cứu của Indeed nhận định. Các doanh nghiệp đang ngày càng đưa kỹ năng AI vào những vị trí vốn trước đây ít liên quan đến phát triển phần mềm hay khoa học dữ liệu. "Số lượng các công việc chịu tác động bởi AI đã tăng lên ở mọi thị trường lao động mà chúng tôi theo dõi."

Ở một diễn biến khác, Tech Jobs Report mới nhất của CompTIA cho biết các doanh nghiệp đã đăng hơn 280.000 tin tuyển dụng công nghệ mới trong tháng 6, đánh dấu tháng tăng trưởng thứ sáu liên tiếp.

Tổng số tin tuyển dụng công nghệ đang hoạt động hiện đã tiến gần 600.000 vị trí, trong khi số lao động làm việc trong các nghề CNTT tăng thêm 47.000 người. Tỷ lệ thất nghiệp của nhóm nghề công nghệ giảm xuống còn 2,9%, thấp hơn đáng kể so với mức 4,2% của toàn thị trường lao động Mỹ.

Theo ông Seth Robinson, Phó Chủ tịch phụ trách nghiên cứu ngành tại CompTIA:

"Dữ liệu việc làm tháng 6 cho thấy các doanh nghiệp đang gia tăng đầu tư vào công nghệ và tích cực tuyển dụng nhân sự để hỗ trợ các dự án này. Dù một số công ty công nghệ vẫn cắt giảm nhân sự, nhiều doanh nghiệp ở các lĩnh vực khác lại đang đẩy nhanh quá trình chuyển đổi số và chuyển từ giai đoạn thử nghiệm AI sang triển khai thực tế."

CompTIA cũng cho biết lượng tin tuyển dụng công nghệ mới đã tăng liên tục trong sáu tháng, phản ánh xu hướng rộng khắp của doanh nghiệp trong việc khởi động lại các chương trình chuyển đổi số và xây dựng chiến lược AI rõ ràng hơn.

Mặc dù AI là chủ đề nổi bật, những vị trí CNTT truyền thống vẫn có nhu cầu tuyển dụng cao nhất. Dẫn đầu là Software Developer/Engineer với gần 50.000 vị trí tuyển dụng trong tháng 6. Tiếp theo là:

Systems Engineer
Technical Support Specialist
Data Analyst
DevOps Engineer

Các doanh nghiệp tuyển dụng nhiều nhân sự công nghệ nhất thuộc các lĩnh vực:

Dịch vụ chuyên môn, khoa học và kỹ thuật
Dịch vụ hành chính
Sản xuất
Thông tin và truyền thông
Dịch vụ tài chính

Theo Indeed, các doanh nghiệp đang ngày càng đưa AI vào tên gọi của nhiều vị trí công việc, thay vì chỉ giới hạn ở các nghề phát triển phần mềm hoặc phân tích dữ liệu.

Nhìn chung, cả hai báo cáo đều cho thấy một xu hướng rõ rệt: nhu cầu tuyển dụng nhân sự CNTT vẫn tiếp tục tăng, đồng thời AI đang trở thành một kỹ năng phổ cập, xuất hiện trong ngày càng nhiều ngành nghề ngoài lĩnh vực công nghệ truyền thống.
]]> AI for EveryOne dangquangminh https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/442739-tin-tức Rag https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/442696-rag Tue, 14 Jul 2026 11:39:53 GMT Ôn tập khái niệm RAG (Retrieval-Augmented Generation) RAG (Retrieval-Augmented Generation) là một kỹ thuật giúp LLM (Large Language Model) trả... Ôn tập khái niệm RAG (Retrieval-Augmented Generation)

RAG (Retrieval-Augmented Generation) là một kỹ thuật giúp LLM (Large Language Model) trả lời chính xác hơn bằng cách kết hợp mô hình ngôn ngữ với hệ thống truy xuất dữ liệu (Information Retrieval).

Điểm quan trọng nhất của RAG là không cần huấn luyện lại (retrain) mô hình. Thay vào đó, mỗi khi người dùng đặt câu hỏi, hệ thống sẽ tự động tìm kiếm thông tin mới nhất từ một nguồn dữ liệu bên ngoài rồi đưa thông tin đó vào làm ngữ cảnh (context) trước khi LLM sinh câu trả lời. Quy trình hoạt động của RAG

Bước 1 – User Input

Người dùng nhập câu hỏi.

Ví dụ:

"Chính sách nghỉ phép của công ty là gì?"

Bước 2 – Query và Search for Knowledge

Thay vì để LLM trả lời ngay dựa trên những gì đã học từ trước, hệ thống RAG sẽ:

Phân tích câu hỏi
Chuyển thành truy vấn (Query)
Tìm kiếm trong kho tri thức (Knowledge Base)

Kho tri thức này có thể là:

Tài liệu PDF
Microsoft Word
Wiki nội bộ
SharePoint
Database
Website
Hồ sơ khách hàng
Email
Tài liệu kỹ thuật

Bước 3 – Context Enhanced

Hệ thống lấy những đoạn tài liệu liên quan nhất và đưa vào Prompt.

Lúc này Prompt thực tế sẽ giống như:
Question:
Chính sách nghỉ phép của công ty là gì?

Context:
Theo tài liệu HR Policy 2026...
...

LLM sẽ trả lời dựa trên ngữ cảnh vừa được truy xuất, thay vì chỉ dựa vào kiến thức đã học nhiều tháng hoặc nhiều năm trước.

Bước 4 – User Output

Người dùng nhận được câu trả lời:

Chính xác hơn
Có thông tin mới nhất
Bám sát tài liệu của doanh nghiệp
Giảm hiện tượng "hallucination" (AI bịa thông tin)

Vì sao RAG quan trọng?

Một LLM thông thường chỉ biết những gì đã được học trong quá trình huấn luyện.

Nếu doanh nghiệp có:

Quy trình nội bộ
Chính sách mới
Tài liệu kỹ thuật riêng
Báo cáo mới phát hành

thì LLM sẽ không biết các thông tin này.

RAG giải quyết vấn đề bằng cách đọc tài liệu ngay tại thời điểm người dùng đặt câu hỏi, giống như một kỹ sư mở tài liệu hướng dẫn trước khi trả lời.

Ví dụ trong lĩnh vực Network

Một kỹ sư hỏi:

"Switch Leaf-03 đang chạy phiên bản NX-OS nào và có hỗ trợ EVPN Multisite không?"

Nếu chỉ dùng LLM:

AI có thể trả lời theo kiến thức chung.
Có thể không đúng với hệ thống thực tế của doanh nghiệp.

Nếu dùng RAG:

AI sẽ tìm trong CMDB, tài liệu triển khai hoặc cấu hình hiện tại.
Đọc đúng thông tin của Leaf-03.
Trả lời dựa trên dữ liệu thực tế của doanh nghiệp.

RAG không thay thế LLM

Một cách dễ hình dung:

LLM là "bộ não" có khả năng hiểu ngôn ngữ và lập luận.
RAG là "thư viện thông minh" giúp bộ não tra cứu tài liệu trước khi trả lời.

Hai thành phần kết hợp với nhau sẽ tạo nên một trợ lý AI vừa thông minh, vừa cập nhật và đáng tin cậy hơn.

Đó cũng là lý do hầu hết các chatbot AI dành cho doanh nghiệp hiện nay đều được xây dựng theo kiến trúc LLM + RAG, thay vì chỉ sử dụng LLM đơn thuần.
]]> AI for EveryOne dangquangminh https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/442696-rag Zero Trust là gì? Vì sao doanh nghiệp hiện đại đều đang chuyển sang mô hình này? https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/442667-zero-trust-là-gì-vì-sao-doanh-nghiệp-hiện-đại-đều-đang-chuyển-sang-mô-hình-này Mon, 13 Jul 2026 10:16:50 GMT Zero Trust là gì? Vì sao doanh nghiệp hiện đại đều đang chuyển sang mô hình này?

Cloud, AI, làm việc từ xa, IoT và BYOD đang khiến "ranh giới mạng nội bộ" gần như biến mất. Trong bối cảnh đó, chỉ dựa vào firewall hay giả định rằng "đã vào được mạng thì đáng tin" không còn đủ để bảo vệ doanh nghiệp.

Đó chính là lý do Zero Trust trở thành nền tảng của các kiến trúc bảo mật hiện đại.

Zero Trust là gì?

Zero Trust là mô hình bảo mật với nguyên tắc rất đơn giản:

Không mặc định tin tưởng bất kỳ người dùng, thiết bị hay ứng dụng nào, dù họ đang ở trong hay ngoài mạng doanh nghiệp. Mọi yêu cầu truy cập đều phải được xác thực, đánh giá và cấp quyền theo đúng chính sách.

Hay nói ngắn gọn:

Never Trust, Always Verify.

Thay vì cấp quyền dựa trên vị trí mạng hay địa chỉ IP, Zero Trust dựa trên danh tính (Identity), trạng thái thiết bị (Device Posture) và chính sách bảo mật (Policy).

Ba trụ cột của Zero Trust

Hình minh họa thể hiện ba thành phần cốt lõi giúp Cisco triển khai Zero Trust trong môi trường doanh nghiệp. 1. Endpoint Visibility

Muốn bảo vệ hệ thống, trước tiên phải biết ai và thiết bị nào đang kết nối.

Cisco Catalyst Center và Cisco ISE liên tục thu thập thông tin như:

Người dùng là ai?
Laptop công ty hay thiết bị cá nhân?
Camera, máy in hay máy chủ?
Thiết bị đang kết nối ở đâu?
Có đáp ứng yêu cầu bảo mật hay không?

Không thể bảo vệ những gì mình không nhìn thấy.

2. Segmentation

Sau khi nhận diện endpoint, bước tiếp theo là giới hạn quyền truy cập.

Thay vì mọi thiết bị đều có thể giao tiếp với nhau, mạng được chia thành nhiều vùng logic.

Ví dụ:

Phòng Kế toán chỉ truy cập ERP.
Camera IP không được truy cập Database.
Thiết bị IoT không được phép truy cập máy chủ AI.

Trong Cisco SD-Access, việc này được thực hiện bằng SGT (Security Group Tag); còn trong Cisco ACI là EPG (Endpoint Group).

Nhờ đó, quyền truy cập được kiểm soát theo vai trò, không còn phụ thuộc vào VLAN hay địa chỉ IP.

3. Trust Assessment

Điểm mạnh nhất của Zero Trust là không chỉ kiểm tra một lần khi đăng nhập.

Cisco ISE liên tục đánh giá mức độ tin cậy của thiết bị:

Đã bật antivirus chưa?
Hệ điều hành có được cập nhật?
Đã bật BitLocker?
Có vượt qua MFA?
Thiết bị có còn tuân thủ chính sách bảo mật?

Nếu phát hiện rủi ro, ISE có thể tự động giảm quyền hoặc cô lập thiết bị thông qua Change of Authorization (CoA) mà không cần quản trị viên can thiệp.

Catalyst Center và Cisco ISE đóng vai trò gì?

Trong kiến trúc này:

Cisco Catalyst Center là nền tảng quản lý và tự động hóa toàn bộ hạ tầng mạng, đồng thời triển khai chính sách đến các switch và access point.
Cisco ISE là "bộ não" về danh tính và chính sách, chịu trách nhiệm xác thực người dùng, kiểm tra thiết bị, gán SGT và quyết định ai được phép truy cập tài nguyên nào.

Hai hệ thống phối hợp với nhau để biến các chính sách Zero Trust thành cấu hình thực tế trên toàn bộ mạng.

Một ví dụ thực tế

Một bác sĩ mang laptop vào bệnh viện và kết nối Wi-Fi.

Cisco ISE xác thực danh tính, kiểm tra tình trạng bảo mật của laptop rồi gán thiết bị vào nhóm Doctor. Catalyst Center ngay lập tức triển khai chính sách trên toàn bộ hạ tầng, chỉ cho phép laptop truy cập hệ thống hồ sơ bệnh án.

Nếu sau đó antivirus bị tắt hoặc thiết bị không còn đạt chuẩn bảo mật, ISE sẽ tự động thu hẹp quyền truy cập hoặc chuyển thiết bị vào vùng cách ly chỉ trong vài giây.

Kết luận

Trong kỷ nguyên AI và điện toán đám mây, doanh nghiệp không còn bảo vệ một "mạng nội bộ" nữa mà phải bảo vệ mọi kết nối. Zero Trust giải quyết bài toán này bằng ba nguyên tắc cốt lõi: nhìn thấy mọi endpoint (Visibility), phân tách tài nguyên theo vai trò (Segmentation) và liên tục đánh giá mức độ tin cậy (Trust Assessment).

Đó cũng là lý do Zero Trust đang trở thành nền tảng bảo mật của các kiến trúc hiện đại như Cisco SD-Access, Cisco ACI, SASE và hầu hết các hệ thống mạng sẵn sàng cho kỷ nguyên AI.
]]> AI for EveryOne dangquangminh https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/442667-zero-trust-là-gì-vì-sao-doanh-nghiệp-hiện-đại-đều-đang-chuyển-sang-mô-hình-này Cân bằng tải https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/442255-cân-bằng-tải Sun, 05 Jul 2026 08:06:56 GMT AI Ethernet Fabric. Nếu bài trước nói về Rail Design, thì hình này giải thích một vấn đề khó hơn: làm thế nào để cân bằng tải (Load Balancing) giữa các đường Spine mà vẫn đảm bảo hiệu năng cho GPU?

AI Data Center – Vì sao Load Balancing lại quan trọng với Backend Network?

Trong một AI Cluster hiện đại, mỗi máy chủ GPU thường có nhiều kết nối 400G hoặc 800G đi lên các switch Leaf, sau đó tiếp tục đi qua nhiều Spine.

Kiến trúc Spine-Leaf mang lại rất nhiều đường đi song song (Equal-Cost Paths). Nếu không có cơ chế cân bằng tải hiệu quả, một số liên kết sẽ bị quá tải trong khi các liên kết khác gần như không được sử dụng, làm giảm hiệu quả của toàn bộ AI Fabric.

Tuy nhiên, cân bằng tải trong AI không đơn giản như mạng doanh nghiệp thông thường. Các ứng dụng AI phân tán như PyTorch Distributed, TensorFlow Distributed hay NVIDIA NCCL liên tục thực hiện các phép Collective Communication như AllReduce, AllGather và Broadcast. Những lưu lượng này có đặc điểm là các luồng dữ liệu rất lớn, kéo dài và đặc biệt nhạy cảm với độ trễ cũng như thứ tự gói tin.

Đó là lý do các AI Fabric hiện đại sử dụng nhiều kỹ thuật cân bằng tải khác nhau.

1. ECMP – Cách cân bằng tải truyền thống

ECMP (Equal-Cost Multi-Path) là cơ chế mặc định trong hầu hết các mạng Spine-Leaf.

Switch sẽ băm (hash) thông tin của gói tin, thường dựa trên 5-tuple hoặc UDP Flow, để chọn một trong các đường có cùng chi phí.

Ưu điểm của ECMP là:

Đơn giản.
Hiệu quả với lưu lượng thông thường.
Không làm thay đổi thứ tự gói tin trong cùng một luồng.

Tuy nhiên, với AI Training, ECMP bộc lộ một hạn chế lớn. Một luồng NCCL hoặc RDMA có thể chiếm toàn bộ băng thông của một đường truyền trong khi các đường khác vẫn còn trống. Vì ECMP luôn giữ nguyên một flow trên cùng một đường đi, nó không thể tận dụng hết tài nguyên của mạng.

2. Flowlet Load Balancing – Chia nhỏ luồng dữ liệu

Để giải quyết hạn chế của ECMP, nhiều AI Fabric áp dụng Flowlet Load Balancing.

Một flowlet là một nhóm các gói tin liên tiếp trong cùng một kết nối, được ngăn cách với nhóm tiếp theo bằng một khoảng nghỉ rất ngắn. Khoảng nghỉ này đủ để các gói của nhóm trước rời khỏi mạng trước khi nhóm mới được gửi đi.

Điều đó cho phép switch chuyển flowlet tiếp theo sang một đường khác mà vẫn tránh được hiện tượng gói đến sai thứ tự.

Ví dụ, một phiên AllReduce kéo dài có thể được chia thành nhiều flowlet. Khi một liên kết bắt đầu đông, các flowlet tiếp theo sẽ được chuyển sang một Spine khác đang nhàn rỗi, giúp khai thác tốt hơn toàn bộ băng thông của Fabric mà không gây xáo trộn thứ tự gói tin.

Flowlet là một giải pháp cân bằng giữa hiệu quả và tính ổn định, vì nó tận dụng được nhiều đường truyền nhưng vẫn bảo vệ các giao thức nhạy cảm với packet reordering.

3. Per-Packet Load Balancing – Tận dụng tối đa mọi đường truyền

Một số AI Fabric tiến thêm một bước với Per-Packet Load Balancing (PPLB).

Thay vì giữ nguyên một flow hoặc một flowlet trên cùng một đường, PPLB có thể quyết định đường đi cho từng gói tin riêng lẻ dựa trên tình trạng tắc nghẽn hoặc lịch trình truyền tải tại thời điểm đó.

Ưu điểm là khả năng khai thác băng thông gần như tối đa trên tất cả các liên kết song song.

Tuy nhiên, cái giá phải trả là các gói có thể đến đích không theo đúng thứ tự. Khi đó, NIC hoặc switch phải thực hiện cơ chế sắp xếp lại (packet reordering) trước khi dữ liệu được chuyển lên GPU.

Do đó, PPLB chỉ thực sự hiệu quả khi phần cứng mạng và NIC hỗ trợ tốt việc xử lý packet reordering với độ trễ rất thấp.

4. IB Destination Pair – Cách tiếp cận của RDMA

Trong các hệ thống sử dụng RDMA, việc cân bằng tải còn phải tính đến Queue Pair (QP).

Mỗi phiên truyền RDMA sử dụng một cặp hàng đợi gồm:

Send Queue.
Receive Queue.

Cặp này được nhận diện bằng một QP Number duy nhất.

Mạng sẽ thực hiện cân bằng tải dựa trên Destination Queue Pair, nghĩa là tất cả các gói thuộc cùng một QP phải đi theo cách đảm bảo chúng đến đích đúng thứ tự. Điều này rất quan trọng vì RDMA bỏ qua phần lớn ngăn xếp TCP/IP của hệ điều hành để đạt độ trễ cực thấp, nên việc mất thứ tự gói tin có thể làm giảm hiệu năng hoặc gây lỗi trong quá trình truyền dữ liệu.

Trong các AI Fabric chạy RoCEv2, việc nhận biết và xử lý theo Queue Pair giúp cân bằng tải hiệu quả mà vẫn giữ được tính toàn vẹn của các phiên RDMA.

Dynamic Load Balancing (DLB) – Xu hướng của AI Fabric

Điểm nổi bật của hình là khái niệm Dynamic Load Balancing (DLB).

Thay vì sử dụng một thuật toán cố định, DLB liên tục quan sát trạng thái của Fabric để quyết định cách phân phối lưu lượng. Tùy theo loại ứng dụng và điều kiện mạng, DLB có thể kết hợp nhiều cơ chế như ECMP, Flowlet hoặc Per-Packet nhằm đạt hiệu quả tối ưu.

Trong các AI Data Center hiện đại, DLB thường đi cùng với các cơ chế như:

Adaptive Routing, giúp chuyển hướng lưu lượng khi phát hiện tắc nghẽn.
ECN (Explicit Congestion Notification), cho phép thiết bị mạng báo hiệu tình trạng nghẽn mà không cần làm rơi gói.
PFC (Priority Flow Control), đảm bảo lưu lượng RDMA không bị mất gói trên các lớp ưu tiên quan trọng.
Congestion Control, giúp điều chỉnh tốc độ truyền của các GPU để tránh hiện tượng nghẽn kéo dài.

Sự kết hợp này giúp Fabric vừa tận dụng tối đa các đường truyền song song, vừa duy trì độ trễ thấp và hạn chế packet reordering. Kết luận

Trong mạng doanh nghiệp truyền thống, ECMP thường đã đủ để cân bằng tải giữa các đường Spine. Nhưng trong AI Data Center, nơi hàng nghìn GPU liên tục trao đổi dữ liệu thông qua các phép Collective Communication, yêu cầu cao hơn nhiều. Các kỹ thuật như Flowlet Load Balancing, Per-Packet Load Balancing và RDMA Queue Pair-Aware Load Balancing được phát triển để khai thác tối đa băng thông của Fabric mà vẫn đảm bảo thứ tự gói tin và độ trễ thấp.

Đó cũng là lý do các nền tảng AI Networking hiện đại của Cisco, NVIDIA, Broadcom hay Arista đều đầu tư mạnh vào Dynamic Load Balancing. Trong kỷ nguyên AI Factory, hiệu quả của mạng không chỉ phụ thuộc vào tốc độ 400G hay 800G, mà còn phụ thuộc vào khả năng phân phối thông minh từng luồng dữ liệu qua toàn bộ Spine-Leaf Fabric. Đây là yếu tố quyết định để các GPU luôn được "nuôi dữ liệu" đầy đủ và đạt hiệu suất huấn luyện cao nhất.
]]> AI for EveryOne dangquangminh https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/442255-cân-bằng-tải Back End Fabric https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/442241-back-end-fabric Sat, 04 Jul 2026 07:13:02 GMT Đây là một trong những sơ đồ quan trọng nhất khi tìm hiểu về AI Data Center Networking. Nó mô tả cách các máy chủ GPU được kết nối trong Backend AI... AI Data Center Networking. Nó mô tả cách các máy chủ GPU được kết nối trong Backend AI Fabric theo mô hình Rail-Optimized Network, một kiến trúc đang được NVIDIA, Cisco, Arista, Broadcom và nhiều nhà cung cấp AI Infrastructure sử dụng để tối ưu việc huấn luyện các mô hình AI lớn.

Backend Network trong AI Data Center – Vì sao GPU cần mạng "Rail Design"?

Một trong những khác biệt lớn nhất giữa Data Center truyền thống và AI Data Center nằm ở lưu lượng mạng.

Trong Data Center thông thường, server chủ yếu giao tiếp với client hoặc storage. Nhưng trong AI Cluster, phần lớn lưu lượng lại là GPU trao đổi dữ liệu với GPU (east-west traffic). Khi huấn luyện một mô hình LLM với hàng trăm hoặc hàng nghìn GPU, mỗi GPU chỉ xử lý một phần bài toán và phải liên tục đồng bộ tham số (gradient), chia sẻ dữ liệu và thực hiện các phép tính tập thể (collective operations).

Nếu mạng không đủ nhanh hoặc bị nghẽn, toàn bộ cụm GPU sẽ phải chờ nhau, làm giảm đáng kể hiệu suất huấn luyện.

Rail Design là gì?

Trong hình, mỗi máy chủ được trang bị 8 cổng mạng tốc độ 400 GbE, tương ứng với 8 GPU hoặc 8 kết nối chuyên dụng.

Điểm đặc biệt là các cổng này không được kết nối ngẫu nhiên.

NIC 1 của tất cả các máy chủ đều kết nối vào Leaf-1.
NIC 2 của tất cả các máy chủ đều kết nối vào Leaf-2.
NIC 3 kết nối vào Leaf-3.
Tiếp tục như vậy cho đến NIC 8 kết nối vào Leaf-8.

Mỗi nhóm kết nối như vậy được gọi là một Rail.

Điều này tạo nên các "đường ray" mạng song song, nơi tất cả các GPU có cùng vai trò giao tiếp thông qua cùng một lớp switch Leaf.

GPU giao tiếp trong cùng một Rail

Khung chú thích bên trái của hình cho biết:

"GPUs communicate within the same Rail allowing for local switching."

Điều này có nghĩa là nếu dữ liệu chỉ cần trao đổi giữa các GPU trong cùng Rail, gói tin sẽ được chuyển mạch ngay tại switch Leaf mà không cần đi lên Spine.

Lợi ích là:

Giảm độ trễ.
Giảm số lần chuyển tiếp.
Giảm tải cho Spine Fabric.
Tăng hiệu quả của các thuật toán AllReduce và Broadcast.

Có thể hình dung Rail giống như một làn đường cao tốc riêng dành cho từng nhóm GPU.

Khi cần giao tiếp giữa các Rail

Không phải mọi phép tính đều diễn ra trong một Rail.

Đối với các mô hình AI lớn, dữ liệu thường phải được đồng bộ giữa tất cả GPU trong cụm.

Khi đó, lưu lượng sẽ đi từ Leaf lên Spine rồi sang Leaf khác.

Đó là lý do sơ đồ ghi:

"Crossing domains leverage the spine enabling All-to-All Collective."

Nói cách khác, Spine đóng vai trò kết nối các Rail lại với nhau, giúp mọi GPU trong cụm có thể trao đổi dữ liệu khi cần. Vì sao Spine phải Non-Blocking?

Ngay giữa sơ đồ có dòng chữ Non-Blocking.

Đây là yêu cầu quan trọng của AI Fabric.

Một mạng Non-Blocking có nghĩa là băng thông của Fabric đủ lớn để tất cả các kết nối có thể truyền dữ liệu đồng thời mà không tạo ra điểm nghẽn.

Ví dụ:

32 máy chủ.
Mỗi máy chủ có 8 cổng 400 GbE.
Hàng trăm GPU cùng đồng bộ dữ liệu trong một bước huấn luyện.

Nếu Spine bị quá tải, chỉ một GPU chậm lại cũng có thể khiến cả cụm phải chờ tại các điểm đồng bộ (synchronization barrier), làm giảm hiệu quả của toàn bộ hệ thống. Collective Operations – "Trái tim" của AI Training

Dòng cuối của hình nhấn mạnh:

"Collective operations overlay across the fabric to share or aggregate data."

Collective Operations là các phép toán mà gần như mọi framework AI đều sử dụng, chẳng hạn:

AllReduce
AllGather
ReduceScatter
Broadcast
All-to-All

Các framework như NCCL (NVIDIA), PyTorch Distributed hay TensorFlow Distributed đều dựa vào các phép toán này để đồng bộ mô hình giữa các GPU.

Hiệu năng của Collective Operations phụ thuộc trực tiếp vào chất lượng của mạng Backend. Vai trò của Ethernet 400 GbE

Sơ đồ sử dụng các liên kết 400 GbE, phản ánh xu hướng hiện nay của AI Data Center.

Các thế hệ mới đang chuyển sang:

400 GbE cho các cụm AI phổ biến.
800 GbE cho các AI Factory quy mô lớn.
Chuẩn bị cho 1.6 TbE trong các thế hệ tiếp theo.

Để Ethernet đáp ứng được yêu cầu của AI, mạng thường được kết hợp với các công nghệ như:

RoCEv2 (RDMA over Converged Ethernet).
Priority Flow Control (PFC).
Explicit Congestion Notification (ECN).
Adaptive Routing.
Congestion Control.

Những cơ chế này giúp Ethernet đạt độ trễ thấp và hạn chế mất gói, đáp ứng yêu cầu của các ứng dụng AI phân tán.

Kết luận

Sơ đồ này cho thấy Backend Network trong AI Data Center không còn là mạng Ethernet truyền thống mà đã trở thành một AI Fabric được tối ưu cho giao tiếp giữa GPU với GPU. Thiết kế Rail Design phân chia các kết nối thành nhiều "đường ray" song song, giúp phần lớn lưu lượng được xử lý cục bộ tại các switch Leaf, trong khi hệ thống Spine non-blocking đảm bảo các phép toán tập thể như AllReduce hay All-to-All vẫn diễn ra hiệu quả trên toàn cụm.

Đây cũng là lý do các nhà cung cấp như Cisco, NVIDIA, Arista và Broadcom đều tập trung phát triển các kiến trúc Spine–Leaf Ethernet AI Fabric với RoCEv2, PFC, ECN và băng thông 400G/800G. Khi quy mô AI Cluster tăng lên hàng trăm hoặc hàng nghìn GPU, hiệu năng của mô hình không còn phụ thuộc riêng vào GPU mà còn phụ thuộc rất lớn vào thiết kế của mạng Backend. Một AI Fabric được thiết kế tốt sẽ giúp tận dụng tối đa năng lực tính toán của GPU và rút ngắn đáng kể thời gian huấn luyện các mô hình AI quy mô lớn.]]> AI for EveryOne dangquangminh https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/442241-back-end-fabric Tương Lai Của Network Engineer Không Phải Là Gõ CLI, Mà Là Giao Mục Tiêu https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/442194-tương-lai-của-network-engineer-không-phải-là-gõ-cli-mà-là-giao-mục-tiêu Thu, 02 Jul 2026 12:29:24 GMT Từ ChatGPT Đến AI Agent: Tương Lai Của Network Engineer Không Phải Là Gõ CLI, Mà Là Giao Mục Tiêu Nếu hôm nay bạn đến công ty và phải xử lý cùng... Từ ChatGPT Đến AI Agent: Tương Lai Của Network Engineer Không Phải Là Gõ CLI, Mà Là Giao Mục Tiêu

Nếu hôm nay bạn đến công ty và phải xử lý cùng lúc những việc sau:

Một site liên tục bị rớt VPN.
Cần triển khai VLAN mới cho 12 switch.
Một kỹ sư junior cần giúp viết ACL.
Bộ phận Compliance yêu cầu tổng hợp toàn bộ Change Ticket của quý trước.

Bạn sẽ làm gì?

Mười năm trước, câu trả lời là mở PuTTY, SSH vào từng thiết bị, chạy từng lệnh show, đọc log, tìm ticket cũ rồi mới bắt đầu xử lý.

Ngày nay, câu trả lời có thể đơn giản hơn nhiều:

"AI Agent, hãy điều tra nguyên nhân VPN bị rớt, thu thập bằng chứng và đề xuất phương án xử lý."

Đây chính là sự khác biệt giữa Generative AI và Agentic AI. Rule-Based Automation, Generative AI Và Agentic AI Khác Nhau Như Thế Nào?

Trong Network Operations hiện đại, ba khái niệm này thường bị nhầm lẫn.

Rule-Based Automation chỉ thực hiện đúng những gì kỹ sư đã lập trình sẵn.

Ví dụ:

Ansible Playbook.
Python sử dụng NETCONF hoặc RESTCONF.
Cisco Embedded Event Manager (EEM).

Nếu playbook yêu cầu cấu hình VLAN 20, hệ thống sẽ cấu hình VLAN 20. Nó không biết khi nào nên kiểm tra trunk, cũng không biết cần xem log hay mở ticket.

Generative AI tiến thêm một bước.

Bạn đưa prompt:

"Viết cấu hình OSPF cho ba router."

AI sẽ sinh ra đoạn cấu hình.

Hoặc bạn hỏi:

"Giải thích log này."

AI sẽ giải thích.

Nó rất giỏi tạo nội dung nhưng không tự đi lấy dữ liệu từ thiết bị.

Agentic AI hoạt động khác hoàn toàn.

Bạn không yêu cầu từng bước.

Bạn chỉ giao mục tiêu.

Ví dụ:

"Điều tra nguyên nhân interface error tăng bất thường ở Access Layer và đề xuất hướng xử lý."

Từ đó AI Agent sẽ tự quyết định:

Chạy lệnh nào.
Đọc log nào.
Kiểm tra telemetry nào.
Truy vấn ticket nào.
Khi nào cần dừng và xin ý kiến kỹ sư.

Đây là điểm tạo nên sự khác biệt. Ba Thành Phần Của Một AI Agent

Một hệ thống Agentic AI thường gồm ba thành phần. Agent

Đây là bộ não của hệ thống.

Thông thường là một LLM có khả năng suy luận và lập kế hoạch.

Agent không chỉ trả lời mà còn liên tục tự hỏi:

"Bước tiếp theo nên làm gì?"

Tools

Agent không tự truy cập thiết bị.

Nó sử dụng các công cụ đã được cấp quyền như:

Cisco pyATS.
NETCONF.
RESTCONF.
SSH.
Telemetry API.
Ticketing API.
Monitoring Platform.
CMDB.
ServiceNow.
Splunk.

Ví dụ trong buổi trình diễn của Cisco, AI Agent sử dụng Cisco pyATS để tự động chạy các lệnh show ip route, phân tích kết quả rồi so sánh routing table giữa hai router mà kỹ sư không cần SSH thủ công vào từng thiết bị. Feedback Loop

Sau mỗi lần gọi tool, Agent sẽ:

Đọc kết quả.
Điều chỉnh kế hoạch.
Tiếp tục thu thập dữ liệu nếu cần.

Quá trình này lặp đi lặp lại cho tới khi:

Đạt được mục tiêu.
Hoặc chuyển sự việc cho kỹ sư.

Đây chính là cách một kỹ sư mạng giàu kinh nghiệm vẫn làm mỗi ngày, chỉ khác là giờ AI thực hiện phần lớn các bước lặp lại. AI Agent Không Truy Cập Trực Tiếp Network

Một nguyên tắc rất quan trọng.

AI Agent không nên kết nối trực tiếp vào production network.

Mọi thao tác đều phải thông qua các Tool đã được định nghĩa trước.

Ví dụ:

AI không tự ý SSH vào router.

Nó gọi Tool:

Run Show Command
Query Telemetry
Open Ticket
Push Configuration

Sau khi Tool trả kết quả, Agent mới quyết định bước tiếp theo.

Thiết kế này giúp:

Kiểm soát quyền truy cập.
Ghi log toàn bộ hoạt động.
Audit dễ dàng.
Giảm rủi ro bảo mật.

5 Vị Trí AI Agent Tham Gia Trong NetOps Lifecycle

1. Sinh Và Kiểm Tra Cấu Hình

AI Agent đọc Change Request.

Sau đó:

Sinh cấu hình.
Kiểm tra syntax.
Chạy thử trên Digital Twin hoặc Lab.
So sánh với policy.

Ví dụ, trước khi triển khai ACL mới, AI có thể kiểm tra xem có rule nào làm mất kết nối dịch vụ hiện hữu hay không. 2. Incident Detection Và Triage

Ngay khi Monitoring phát hiện cảnh báo, AI Agent tự động:

Thu thập Syslog.
Kiểm tra Interface Counter.
Xem thay đổi topology.
Đối chiếu Change History.
Tìm RCA tương tự.

Sau đó đưa ra các giả thuyết theo xác suất.

Ví dụ:

MTU mismatch.
CRC Error.
Packet Loss từ ISP.

Kỹ sư chỉ cần xác nhận hoặc bác bỏ các giả thuyết này. 3. Human-in-the-Loop Remediation

Đây là nguyên tắc quan trọng nhất.

Giả sử AI đề xuất:

Restart phiên BGP.
Reapply Template.
Điều chỉnh QoS.
Clear Interface Counter.

AI sẽ không tự thực hiện ngay.

Thay vào đó:

Chuẩn bị cấu hình.
Hiển thị bằng chứng.
Chờ kỹ sư nhấn Approve.

Chỉ sau khi được phê duyệt, hệ thống mới thực hiện thay đổi và cập nhật kết quả vào Change Ticket.

Trong buổi trình diễn của Cisco, khi AI đề xuất cấu hình Loopback mới, Visual Studio Code yêu cầu người vận hành xác nhận trước khi đẩy cấu hình xuống router. Đây là ví dụ rất rõ về mô hình Human-in-the-Loop. 4. Documentation Automation

Sau khi Change hoàn tất hoặc Incident kết thúc, AI Agent có thể:

Viết Post Implementation Review.
Sinh bản nháp RCA.
Đính kèm Configuration Diff.
Chèn Syslog quan trọng.
Cập nhật Runbook.

Thay vì mất hàng chục phút hoặc hàng giờ viết tài liệu, kỹ sư chỉ cần rà soát và bổ sung các điểm cần thiết. 5. Knowledge Retrieval

Đây là nơi RAG phát huy tác dụng.

Thay vì tìm kiếm ở:

Ticket.
Wiki.
CMDB.
Syslog.
RCA.
Monitoring.

AI Agent tự tổng hợp tất cả.

Ví dụ:

"Lần gần nhất OSPF bị flapping ở Data Center là khi nào?"

Agent sẽ:

Tìm Ticket.
Đọc RCA.
So sánh Telemetry.
Đối chiếu trạng thái hiện tại.

Sau đó trả lời bằng một bản tóm tắt duy nhất. AI Agent Không Thay Thế Network Engineer

Điểm quan trọng nhất cần nhớ là:

AI Agent xử lý công việc.

Network Engineer chịu trách nhiệm.

Đây là lý do Human-in-the-Loop không phải giải pháp tạm thời.

Đó là nguyên tắc thiết kế.

Một AI Agent đủ tốt sẽ:

Thu thập dữ liệu.
Phân tích.
Đề xuất.
Chuẩn bị cấu hình.
Đánh giá rủi ro.

Nhưng quyết định cuối cùng vẫn thuộc về kỹ sư. Thực Tế Đã Bắt Đầu

Trong video "CCNA Ask the Expert", Cisco trình diễn việc kết hợp Visual Studio Code, GitHub Copilot, Model Context Protocol (MCP) và Cisco pyATS để AI có thể:

Chạy lệnh show trên router.
So sánh routing table giữa nhiều thiết bị.
Tạo cấu hình mới.
Xin xác nhận từ người vận hành.
Đẩy cấu hình xuống thiết bị.
Kiểm tra lại bằng lệnh ping.

Điều đáng chú ý là AI không hoạt động một mình. Nó phối hợp với các công cụ chuyên dụng thông qua MCP và pyATS, đúng với mô hình Agentic AI: LLM lập kế hoạch, Tool thực thi và Human phê duyệt.

Có thể trong vài năm tới, kỹ năng quan trọng nhất của Network Engineer sẽ không còn là nhớ thật nhiều câu lệnh CLI, mà là biết cách giao mục tiêu cho AI Agent, lựa chọn đúng công cụ, kiểm chứng kết quả và chịu trách nhiệm đối với mọi thay đổi trên hệ thống production.
]]> AI for EveryOne dangquangminh https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/442194-tương-lai-của-network-engineer-không-phải-là-gõ-cli-mà-là-giao-mục-tiêu Hai khóa học mới về AI Agent của Cisco https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/442170-hai-khóa-học-mới-về-ai-agent-của-cisco Thu, 02 Jul 2026 07:29:30 GMT Từ tò mò đến thành thạo: Hai khóa học mới về AI Agent trên Cisco U. Nhân viên giỏi nhất trong nhóm của bạn vào năm tới có thể sẽ không phải là... Từ tò mò đến thành thạo: Hai khóa học mới về AI Agent trên Cisco U.

Nhân viên giỏi nhất trong nhóm của bạn vào năm tới có thể sẽ không phải là một con người. Đó có thể là một AI Agent – một tác nhân AI có khả năng tự suy luận để đạt được mục tiêu, tự quyết định nên sử dụng công cụ nào, ghi nhớ những gì đã xảy ra tuần trước và chủ động thực hiện công việc mà không cần chờ con người ra lệnh.

Đây không còn là một viễn cảnh xa vời. AI Agent đang được phát triển và triển khai ngay lúc này, và khoảng cách giữa những người hiểu công nghệ này với những người chưa hiểu đang ngày càng lớn.

Làm thế nào để bắt kịp xu hướng?

Đừng lo, Cisco U. đã có câu trả lời.

Hôm nay, chúng tôi rất vui mừng giới thiệu hai khóa học mới trong danh mục đào tạo kỹ năng AI của Cisco U., dành cho hai nhóm người học khác nhau: những người mới tìm hiểu và những kỹ sư muốn đào sâu kiến thức.

AI Agent Fundamentals (AGTFNDU) – Lộ trình học miễn phí gồm 2 mô-đun, giúp xây dựng nền tảng vững chắc về cách AI Agent hoạt động.
Cisco AI Technical Practitioner – Advanced (AITECHA) – Lộ trình đào tạo nâng cao dành cho việc xây dựng, triển khai và vận hành các hệ thống AI Agent ở cấp độ production, hiện được phát hành dưới dạng bản xem trước (preview) miễn phí.

Dù bạn mới bắt đầu tìm hiểu về Agentic AI hay đã sẵn sàng triển khai AI Agent vào môi trường thực tế, Cisco U. đều có một điểm khởi đầu phù hợp dành cho bạn.

Bắt đầu với AI Agent Fundamentals (AGTFNDU)

Nếu bạn tò mò về AI Agent nhưng không có nhiều nền tảng kỹ thuật, đây chính là khóa học dành cho bạn.

AI Agent Fundamentals hoàn toàn miễn phí, không yêu cầu điều kiện đầu vào và cũng không cần biết lập trình.

Khóa học được thiết kế cho bất kỳ ai muốn hiểu cách AI Agent hoạt động trong các quy trình làm việc hằng ngày và vì sao chúng khác biệt so với chatbot hay các hệ thống tự động hóa truyền thống.

Thông qua hai mô-đun, bạn sẽ học được cách:

Định nghĩa Agentic AI và phân biệt nó với Generative AI cũng như tự động hóa dựa trên quy tắc (rule-based automation).
Hiểu các thành phần cốt lõi của một AI Agent: vòng lặp suy luận (reasoning loop), công cụ (tools), bộ nhớ (memory) và lập kế hoạch (planning).
Khám phá các kiến trúc bộ nhớ của AI Agent, từ bộ nhớ ngắn hạn (working memory) đến kho vector dài hạn (vector store) và kỹ thuật Retrieval-Augmented Generation (RAG).
Hiểu cách các công cụ và tích hợp (integrations) giúp AI Agent thực hiện các hành động thực tế.

Mô-đun 1 – AI Agents: Concepts & Landscape giới thiệu AI Agent là gì, tại sao chúng quan trọng, hệ sinh thái framework như LangChain, LangGraph, AutoGen, CrewAI cùng nhiều nền tảng khác, đồng thời giới thiệu các công cụ low-code và giao diện trực quan dành cho người không phải lập trình viên.

Mô-đun 2 – The Anatomy of an AI Agent đi sâu vào vòng lặp suy luận, chiến lược lập kế hoạch, cách sử dụng công cụ và cơ chế bộ nhớ – những thành phần nền tảng của mọi AI Agent.

Sau khi hoàn thành khóa học, bạn sẽ có được vốn thuật ngữ và mô hình tư duy cần thiết để tiếp cận những nội dung kỹ thuật chuyên sâu hơn.

Tiến xa hơn với Cisco AI Technical Practitioner – Advanced (AITECHA)

Đối với những người muốn tự xây dựng AI Agent thực sự, Cisco AI Technical Practitioner – Advanced (AITECHA) sẽ đưa kiến thức của bạn lên một tầm cao mới.

AITECHA là khóa học tiếp nối Cisco AI Technical Practitioner (AITECH) – chương trình đã được hàng chục nghìn học viên hoàn thành và là bước chuẩn bị cho kỳ thi chứng chỉ AITECH của Cisco.

Nếu bạn đã hoàn thành AITECH, bạn đã sẵn sàng bước sang AITECHA.

Đây là chương trình đào tạo nâng cao dành cho các kỹ sư mạng, hệ thống và nền tảng muốn thiết kế, triển khai và vận hành các hệ thống AI Agent ở cấp độ production trên toàn bộ chuỗi kỹ thuật, bao gồm:

Xây dựng AI Agent.
Tích hợp công cụ thông qua Model Context Protocol (MCP).
Giám sát và quan sát hoạt động của AI Agent (Agent Observability).
Thiết kế kiến trúc bộ nhớ.
Đảm bảo an toàn trong quá trình vận hành (Runtime Security).

Bản xem trước miễn phí, bắt đầu từ chủ đề quan trọng nhất: Bảo mật

Phiên bản đầy đủ của AITECHA sẽ được phát hành vào tháng 8 tới.

Tuy nhiên, Cisco không muốn người học phải chờ đợi, vì vậy Mô-đun 6 – AI Agent Security and Defense đã được mở miễn phí ngay từ hôm nay dưới dạng bản xem trước.

Việc lựa chọn mô-đun này không phải ngẫu nhiên.

Hiện nay, bảo mật AI Agent là mối quan tâm hàng đầu của các doanh nghiệp. Khi AI Agent có khả năng tự động gọi công cụ và truy cập dữ liệu, bề mặt tấn công (attack surface) của hệ thống cũng tăng lên đáng kể.

Mô-đun này giúp xây dựng tư duy "Security First" và giới thiệu các công cụ cũng như phương pháp triển khai AI Agent một cách an toàn.

Bạn sẽ học được cách:

Phân tích bề mặt tấn công của AI Agent, bao gồm Prompt Injection, lạm dụng công cụ (Tool Misuse), rò rỉ thông tin cá nhân (PII Leakage) và rủi ro trong chuỗi cung ứng AI (AI Supply Chain Risk).
Áp dụng Cisco AI Defense để kiểm kê tài sản AI, kiểm thử lỗ hổng và triển khai các cơ chế bảo vệ trong thời gian chạy (Runtime Guardrails).
Theo dõi và giám sát các mối đe dọa đối với AI Agent bằng Splunk Observability kết hợp với hệ thống SOC.
Sử dụng DefenseClaw – framework mã nguồn mở của Cisco – để quét lỗ hổng và tăng cường khả năng bảo vệ AI Agent trước khi triển khai.

Khóa học kết thúc bằng một Discovery Lab thực hành (yêu cầu đăng ký Cisco U.) nơi học viên sẽ trực tiếp bảo vệ một AI Agent thật bằng DefenseClaw: phát hiện lỗ hổng, áp dụng biện pháp khắc phục và xác minh kết quả bằng cách quét lại.

Lộ trình học AI Agent trên Cisco U.

Cisco U. xây dựng một lộ trình học tập rõ ràng dành cho AI Agent:

AI Agent Fundamentals (AGTFNDU) → Cisco AI Technical Practitioner (AITECH) → Cisco AI Technical Practitioner – Advanced (AITECHA)

Bạn có thể bắt đầu từ sự tò mò, xây dựng nền tảng để sẵn sàng cho chứng chỉ chuyên môn, và cuối cùng làm chủ việc thiết kế, triển khai và vận hành các hệ thống AI Agent ở cấp độ doanh nghiệp.

Dù bạn đang ở giai đoạn nào trên hành trình đó, Cisco U. đều có bước tiếp theo đang chờ bạn.
]]> AI for EveryOne dangquangminh https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/442170-hai-khóa-học-mới-về-ai-agent-của-cisco ccna 2.0 Bí Quyết Viết Prompt Hiệu Quả Cho AI Trong Network Operations: Chỉ Cần Đủ 4 Thành Phần https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/442150-ccna-2-0-bí-quyết-viết-prompt-hiệu-quả-cho-ai-trong-network-operations-chỉ-cần-đủ-4-thành-phần Wed, 01 Jul 2026 12:50:49 GMT Bí Quyết Viết Prompt Hiệu Quả Cho AI Trong Network Operations: Chỉ Cần Đủ 4 Thành Phần Rất nhiều kỹ sư mạng từng có trải nghiệm như thế này: hỏi... Bí Quyết Viết Prompt Hiệu Quả Cho AI Trong Network Operations: Chỉ Cần Đủ 4 Thành Phần

Rất nhiều kỹ sư mạng từng có trải nghiệm như thế này: hỏi ChatGPT cùng một vấn đề nhưng mỗi lần lại nhận được chất lượng câu trả lời rất khác nhau. Có lúc AI tạo đúng cấu hình Cisco IOS XE có thể copy ngay vào thiết bị, có lúc lại trả lời rất dài nhưng không dùng được.

Khác biệt không nằm ở AI, mà nằm ở Prompt.

Trong Network Operations, một prompt tốt gần như luôn có 4 thành phần. Nếu thiếu một trong bốn thành phần này, AI vẫn có thể trả lời rất tự tin, nhưng kết quả thường chung chung hoặc không phù hợp với môi trường production.

1. Data Classification – Chỉ Cung Cấp Dữ Liệu Được Phép Chia Sẻ

Điều đầu tiên cần nghĩ đến không phải là hỏi gì, mà là được phép đưa dữ liệu gì vào prompt.

Những dữ liệu thường phù hợp gồm:

Đoạn cấu hình đã được ẩn thông tin nhạy cảm.
Syslog.
Output của các lệnh show.
Mẫu telemetry.
Nội dung ticket.
Đoạn log phục vụ troubleshooting.

Ngược lại, không nên đưa vào các dịch vụ AI công cộng:

Tên khách hàng.
Public IP thật.
Hostname gắn với địa điểm thực tế.
Sơ đồ hạ tầng nội bộ.
Thông tin được phân loại là Confidential.

Nếu doanh nghiệp triển khai LLM nội bộ hoặc Private AI, quy định có thể linh hoạt hơn. Nhưng với dịch vụ AI trên Internet, hãy xem mọi dữ liệu bạn nhập vào giống như đang đăng trên một diễn đàn công khai.

2. Output Format – Nói Rõ Muốn AI Trả Về Dạng Gì

Một sai lầm phổ biến là chỉ yêu cầu:

"Viết cấu hình."

AI sẽ không biết bạn cần:

CLI.
JSON.
YAML.
Markdown.
Báo cáo.
Hay tài liệu đào tạo.

Ví dụ:

Thay vì:

"Generate SSH configuration."

Hãy viết:

"Generate Cisco IOS XE CLI commands, sẵn sàng để copy trực tiếp trong chế độ interface configuration."

Hoặc:

"Trả về JSON để hệ thống automation có thể xử lý."

Nếu đầu ra phục vụ script thì CLI hoặc JSON là lựa chọn tốt. Nếu phục vụ Change Record thì Markdown sẽ phù hợp hơn. Nếu để đào tạo kỹ sư mới thì nên yêu cầu AI giải thích bằng văn bản.

3. Persona – AI Đang Đóng Vai Ai?

Persona quyết định độ sâu và cách trình bày của câu trả lời.

Ví dụ:

Nếu yêu cầu:

"Bạn là Senior Cisco Network Engineer đang review Change Request."

AI sẽ có xu hướng:

Phân tích rủi ro.
Kiểm tra tác động.
Đưa ra các lưu ý trước khi triển khai.

Trong khi đó, nếu yêu cầu:

"Bạn là giảng viên CCNA đang hướng dẫn sinh viên."

AI sẽ:

Giải thích chi tiết.
Đưa thêm ví dụ.
Giảm bớt các giả định chuyên môn.

Điều quan trọng là chọn Persona phù hợp với đối tượng sẽ sử dụng câu trả lời, chứ không phải người đặt câu hỏi.

4. Instructions – Càng Cụ Thể Càng Tốt

Instructions chính là phần mô tả công việc cần AI thực hiện.

Đây cũng là nơi tạo nên khác biệt giữa một câu trả lời hữu ích và một bài viết chung chung.

Ví dụ:

Thay vì:

"Fix this issue."

Hãy yêu cầu:

Chỉ đưa các lệnh CLI cần thiết.
Không thay đổi các VLAN ngoài danh sách.
Đảm bảo không làm gián đoạn lưu lượng hiện có.
Liệt kê các rủi ro của thay đổi.
Đề xuất phương án rollback.
Trích dẫn tài liệu Cisco IOS Command Reference nếu phù hợp.
Trả lời ngắn gọn.

Những ràng buộc này giúp AI tập trung vào đúng yêu cầu thay vì sinh ra một bài giải thích dài dòng. Ví Dụ Một Prompt Tốt

Giả sử bạn cần AI hỗ trợ cấu hình SSH trên router Cisco.

Một prompt đầy đủ có thể bao gồm:

Persona

Bạn là Senior Cisco Network Engineer đang review cấu hình trước khi triển khai production.

Data

Đây là đoạn cấu hình đã được ẩn toàn bộ thông tin nhạy cảm...

Output Format

Trả về Cisco IOS XE CLI, có thể copy trực tiếp.

Instructions

Chỉ bổ sung cấu hình SSH và AAA, không thay đổi các cấu hình khác. Giải thích ngắn gọn từng bước và liệt kê các rủi ro cần kiểm tra trước khi triển khai.

Chỉ cần thay đổi một trong bốn thành phần trên, chất lượng câu trả lời có thể khác biệt rất lớn.

Prompt Tốt Hiếm Khi Hoàn Hảo Ngay Lần Đầu

Đừng kỳ vọng một prompt sẽ tạo ra kết quả hoàn hảo ngay từ lần đầu tiên.

Sau khi AI trả lời, hãy tự hỏi:

Output có đúng định dạng chưa?
Có thiếu ràng buộc nào không?
Persona đã phù hợp chưa?
Có cần bổ sung thêm dữ liệu không?

Thông thường, chỉ sau 2–3 lần tinh chỉnh, chất lượng câu trả lời sẽ tốt hơn rất nhiều so với việc cố viết một prompt thật dài ngay từ đầu.

Generative AI Và Agentic AI Không Phải Là Một

Khi ai đó nói:

"AI sẽ xử lý việc này."

Hãy hỏi lại:

Đó là Generative AI hay Agentic AI?

Generative AI tạo nội dung từ prompt:

Viết cấu hình.
Giải thích log.
Sinh tài liệu.
Viết playbook.

Agentic AI thì khác. Bạn giao cho nó một mục tiêu và nó sẽ tự lập kế hoạch, chọn công cụ, thu thập dữ liệu và thực hiện quy trình để đạt mục tiêu đó.

Ví dụ:

Generative AI:

"Viết cấu hình OSPF."

Agentic AI:

"Tìm router đang thiếu cấu hình OSPF, kiểm tra trạng thái neighbor, đề xuất thay đổi và tạo Change Request."

Đây là sự khác biệt lớn nhất giữa hai loại AI.

Human-in-the-Loop Vẫn Là Thành Phần Bắt Buộc

Trong môi trường production, Agentic AI không được phép tự ý thay đổi hệ thống.

Mọi hành động như:

Push cấu hình.
Khởi động lại dịch vụ.
Thay đổi ACL.
Điều chỉnh routing.

đều cần đi qua Approval Gate.

Điều này không phải vì AI chưa đủ thông minh, mà là một nguyên tắc thiết kế nhằm đảm bảo tính an toàn, khả năng kiểm toán (Auditability) và trách nhiệm của người vận hành.

Network Engineer vẫn là người chịu trách nhiệm cuối cùng cho mọi thay đổi trên hệ thống.

Câu Hỏi Ôn Tập

Điều gì phân biệt rõ nhất giữa Agentic AI và Generative AI?

Đáp án đúng là:

Agentic AI nhận một mục tiêu và tự động quyết định sẽ gọi những công cụ nào, theo thứ tự nào để đạt mục tiêu đó, trong khi Generative AI chủ yếu tạo nội dung từ một prompt.

Một hệ thống Agentic AI hoạt động theo vòng lặp gồm ba thành phần nào?

Đáp án đúng là:

Agent lập kế hoạch cho bước tiếp theo.
Tools mà Agent có thể gọi để thu thập thông tin hoặc thực hiện hành động.
Feedback Loop đọc kết quả từ các công cụ, cập nhật kế hoạch và quyết định bước tiếp theo.

Vì sao Human-in-the-Loop lại quan trọng trong môi trường production?

Đáp án đúng là:

Approval Gate là một lựa chọn thiết kế có chủ đích nhằm đảm bảo mọi thay đổi trên mạng đều được kỹ sư xác nhận và chịu trách nhiệm. AI có thể chuẩn bị phương án, thu thập bằng chứng và đề xuất hành động, nhưng quyết định cuối cùng vẫn thuộc về con người.

Tóm lại, AI ngày càng mạnh không đồng nghĩa với việc chúng ta chỉ cần "hỏi AI". Để khai thác hiệu quả Generative AI trong Network Operations, hãy luôn kiểm tra bốn thành phần của prompt: Data Classification, Output Format, Persona và Instructions. Một prompt tốt không chỉ giúp AI trả lời đúng hơn mà còn giúp tiết kiệm rất nhiều thời gian chỉnh sửa sau đó.
]]> AI for EveryOne dangquangminh https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/442150-ccna-2-0-bí-quyết-viết-prompt-hiệu-quả-cho-ai-trong-network-operations-chỉ-cần-đủ-4-thành-phần Xây dựng AI Agent riêng cho doanh nghiệp: https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/442082-xây-dựng-ai-agent-riêng-cho-doanh-nghiệp Tue, 30 Jun 2026 03:33:26 GMT Xây dựng AI Agent riêng cho doanh nghiệp: Đừng vội Fine-tune, hãy bắt đầu từ Context Engineering Khi nói đến việc xây dựng AI Agent nội bộ,... Xây dựng AI Agent riêng cho doanh nghiệp: Đừng vội Fine-tune, hãy bắt đầu từ Context Engineering

Khi nói đến việc xây dựng AI Agent nội bộ, nhiều người thường nghĩ ngay đến việc huấn luyện lại mô hình (Fine-tuning). Tuy nhiên, thực tế của phần lớn doanh nghiệp lại hoàn toàn khác.

Khoảng 80–90% giá trị của một AI Agent đến từ việc cung cấp đúng ngữ cảnh (Context), dữ liệu và công cụ, chứ không phải thay đổi trọng số của mô hình.

Đó cũng là thông điệp chính của sơ đồ trên.

Một AI Agent riêng cần những thành phần nào?

Để xây dựng một AI Agent chạy hoàn toàn trong doanh nghiệp, bạn chỉ cần một công nghệ nền tảng tương đối đơn giản. 1. Compute Infrastructure

Đây là nơi chạy mô hình ngôn ngữ (LLM).

Bạn không nhất thiết phải sử dụng các mô hình hàng trăm tỷ tham số. Hiện nay, nhiều doanh nghiệp đã có thể triển khai các mô hình mã nguồn mở như:

Mistral 7B
Qwen 2.5 7B
Llama 3.x 8B

Các mô hình này có thể chạy trên một hoặc vài GPU phổ thông nhưng vẫn đáp ứng tốt nhiều tác vụ doanh nghiệp.

Bên cạnh đó, bạn cần một Agent Runtime như CrewAI để điều phối nhiều AI Agent cùng cộng tác, phân chia nhiệm vụ và phối hợp xử lý công việc.

2. Vector Database

LLM không thể nhớ toàn bộ tài liệu của doanh nghiệp.

Thay vào đó, tài liệu sẽ được lưu dưới dạng Embedding trong một Vector Database như:

Chroma
Milvus
Qdrant
pgvector

Khi người dùng đặt câu hỏi, AI sẽ tìm những tài liệu liên quan nhất trước khi tạo câu trả lời. Đây chính là nền tảng của Retrieval-Augmented Generation (RAG).

3. Memory

AI Agent cần ghi nhớ các cuộc hội thoại và trạng thái làm việc.

Ví dụ:

Người dùng đang xử lý ticket nào
Khách hàng thuộc phòng ban nào
Agent đã thực hiện bước nào
Công việc còn dang dở

Các thông tin này thường được lưu trong cơ sở dữ liệu như MongoDB, giúp AI Agent duy trì ngữ cảnh qua nhiều phiên làm việc.

Hai cách phát triển AI hoàn toàn khác nhau

Hình minh họa chia AI thành hai hướng tiếp cận. 1. Applied AI/ML – Cách doanh nghiệp nên bắt đầu

Ở hướng này, không thay đổi trọng số của mô hình (Model Weights Unchanged).

Thay vào đó, doanh nghiệp nâng cao khả năng của AI thông qua:

MCP (Model Context Protocol)
RAG
Tool Calling
Agent-to-Agent (A2A)
Prompt Engineering
Memory
Workflow

Đây được gọi là Augmentation – mở rộng năng lực của mô hình bằng dữ liệu và công cụ bên ngoài.

Hiện nay, phần lớn các hệ thống AI Agent trong doanh nghiệp đều được xây dựng theo hướng này vì chi phí thấp, triển khai nhanh và dễ cập nhật.

2. Core AI/ML – Thay đổi chính mô hình

Nếu doanh nghiệp cần AI có kiến thức hoặc hành vi rất đặc thù, khi đó mới cần can thiệp vào trọng số của mô hình.

Các kỹ thuật phổ biến gồm:

Fine-tuning
LoRA
QLoRA
RLHF (Reinforcement Learning from Human Feedback)
RLVF (Reinforcement Learning from Verifiable Feedback)

Đây là công việc đòi hỏi nhiều GPU, dữ liệu chất lượng cao và đội ngũ AI chuyên sâu.

Tháp phát triển AI

Sơ đồ bên phải mô tả các cấp độ phát triển AI theo thứ tự từ nền tảng đến nâng cao. Pre-training

Đây là giai đoạn xây dựng Foundation Model từ hàng nghìn tỷ token.

Chỉ những tổ chức như OpenAI, Anthropic, Meta hay Google mới có đủ nguồn lực để thực hiện ở quy mô lớn.

Fine-tuning

Điều chỉnh trọng số của mô hình để phù hợp với một lĩnh vực cụ thể như y tế, tài chính hoặc pháp lý.

Reinforcement Learning

Tiếp tục cải thiện mô hình bằng cơ chế phản hồi và phần thưởng, giúp AI đưa ra các quyết định phù hợp hơn trong những nhiệm vụ phức tạp.

Augmentation

Không thay đổi mô hình mà mở rộng khả năng thông qua RAG, công cụ, API, cơ sở dữ liệu và AI Agent.

Đây là hướng đi phổ biến nhất trong doanh nghiệp hiện nay.

Context Engineering

Đây là tầng cao nhất và cũng đang trở thành xu hướng của AI Agent hiện đại.

Thay vì cố gắng làm cho mô hình "thông minh hơn", mục tiêu là cung cấp đúng ngữ cảnh, đúng dữ liệu và đúng công cụ tại đúng thời điểm. Một AI Agent có thể truy cập tài liệu nội bộ, gọi API, sử dụng cơ sở dữ liệu, phối hợp với các agent khác và ghi nhớ lịch sử làm việc sẽ tạo ra giá trị lớn hơn nhiều so với việc chỉ tăng số lượng tham số của mô hình.

Kết luận

Đối với đa số doanh nghiệp, xây dựng AI Agent không bắt đầu bằng việc huấn luyện một mô hình mới. Điều quan trọng hơn là lựa chọn một mô hình mã nguồn mở phù hợp, triển khai trên hạ tầng nội bộ, kết hợp với Vector Database, Memory, RAG và Agent Runtime để tạo ra một hệ thống AI có khả năng truy cập tri thức doanh nghiệp và thực hiện công việc một cách an toàn.

Nói cách khác, lợi thế cạnh tranh ngày nay không còn nằm ở việc sở hữu mô hình lớn nhất, mà ở khả năng xây dựng một hệ sinh thái AI Agent biết khai thác đúng ngữ cảnh, đúng dữ liệu và đúng công cụ để hỗ trợ công việc. Đây chính là tinh thần của Context Engineering – xu hướng đang định hình thế hệ AI Agent tiếp theo.]]> AI for EveryOne dangquangminh https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/442082-xây-dựng-ai-agent-riêng-cho-doanh-nghiệp 3 công việc mà Network Engineer sẽ đảm nhận trong kỷ nguyên AI. https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/442065-3-công-việc-mà-network-engineer-sẽ-đảm-nhận-trong-kỷ-nguyên-ai Mon, 29 Jun 2026 10:20:40 GMT 3 công việc mà Network Engineer sẽ đảm nhận trong kỷ nguyên AI. Có một câu hỏi mà rất nhiều kỹ sư mạng đặt ra khi AI ngày càng xuất hiện trong... 3 công việc mà Network Engineer sẽ đảm nhận trong kỷ nguyên AI.

Có một câu hỏi mà rất nhiều kỹ sư mạng đặt ra khi AI ngày càng xuất hiện trong các sản phẩm của Cisco, Juniper, HPE, Microsoft hay Splunk:

"AI có thay thế Network Engineer không?"

Thực tế cho thấy, AI không làm biến mất vai trò của kỹ sư mạng. Điều đang thay đổi là cách kỹ sư mạng chúng ta làm việc.

Thay vì dành hàng giờ đăng nhập vào từng thiết bị để thực hiện các thao tác lặp đi lặp lại, Network Engineer ngày càng đóng vai trò là người thiết kế, giám sát và kiểm soát các hệ thống tự động. AI xử lý những công việc nhàm chán, còn con người tập trung vào các quyết định mang tính chiến lược.

Thiết Kế Luồng Tự Động Hóa (Designing Automation Flows)

Trước đây, khi cần thay đổi cấu hình trên hàng chục hoặc hàng trăm thiết bị, kỹ sư thường:

SSH vào từng router hoặc switch.
Thực hiện các lệnh CLI.
Kiểm tra từng thiết bị sau khi cấu hình.

Quy trình này vừa tốn thời gian vừa dễ xảy ra sai sót.

Ngày nay, thay vì cấu hình từng thiết bị, kỹ sư xây dựng các playbook, workflow và automation pipeline để mô tả cách mạng phải hoạt động trong từng tình huống.

Ví dụ:

Khi có thêm một chi nhánh mới, hệ thống tự động triển khai cấu hình WAN, OSPF và QoS theo mẫu chuẩn.
Khi phát hiện interface lỗi, workflow tự thu thập log, lưu trạng thái thiết bị và mở ticket.
Khi cần cập nhật ACL trên nhiều router, Ansible hoặc AI Agent thực hiện đồng loạt theo quy trình đã được phê duyệt.

Vai trò của kỹ sư không còn là "gõ lệnh", mà là thiết kế quy trình để hệ thống tự thực hiện đúng.

Kiểm Chứng Quyết Định Của AI (Validating AI Decisions)

AI có thể đề xuất:

Thay đổi QoS.
Điều chỉnh routing.
Cập nhật ACL.
Chuyển hướng lưu lượng.
Điều chỉnh chính sách firewall.

Tuy nhiên, AI không hiểu đầy đủ các ưu tiên kinh doanh, các yêu cầu tuân thủ hay những ràng buộc đặc thù của doanh nghiệp.

Ví dụ, AI đề xuất giảm băng thông dành cho dịch vụ sao lưu để ưu tiên hội nghị truyền hình. Về mặt kỹ thuật đây có thể là quyết định hợp lý, nhưng nếu đúng thời điểm hệ thống đang thực hiện sao lưu dữ liệu quan trọng thì thay đổi này có thể gây ảnh hưởng đến mục tiêu kinh doanh.

Chính vì vậy, Network Engineer vẫn là người đánh giá bối cảnh, xác nhận hoặc từ chối đề xuất của AI trước khi áp dụng vào môi trường production.

Ảnh Hưởng Đến Thiết Kế Kiến Trúc Mạng (Influencing Network Architecture)

AI không chỉ hỗ trợ xử lý sự cố mà còn cung cấp những phân tích dài hạn giúp cải thiện việc thiết kế hạ tầng.

Ví dụ:

Phân tích xu hướng tăng trưởng lưu lượng trong nhiều tháng.
Dự đoán thời điểm uplink sẽ đạt ngưỡng sử dụng.
Xác định khu vực thường xuyên xảy ra nghẽn mạng.
Dự báo khả năng cạn kiệt CPU hoặc bộ nhớ trên các router lõi.

Nhờ những dữ liệu này, kỹ sư có thể đưa ra các quyết định về:

Capacity Planning.
Thiết kế dự phòng.
Mở rộng Data Center.
Điều chỉnh chính sách bảo mật.

Thay vì dựa vào cảm tính hoặc các báo cáo thủ công, quyết định được hỗ trợ bởi dữ liệu thực tế và các mô hình dự báo.

Từ Reactive Sang Autonomous Operations

Trong nhiều năm, Network Operations chủ yếu mang tính Reactive.

Quy trình quen thuộc là:

Monitoring phát hiện cảnh báo.
Kỹ sư đăng nhập thiết bị.
Kiểm tra log.
Phân tích nguyên nhân.
Khắc phục sự cố.

Toàn bộ quá trình chỉ bắt đầu sau khi sự cố đã xảy ra.

Với AI và Machine Learning, mô hình vận hành đang chuyển sang Autonomous Operations.

AI không chỉ phát hiện sự cố mà còn:

Dự đoán vấn đề trước khi ảnh hưởng đến người dùng.
Đề xuất hoặc tự động thực hiện hành động khắc phục.
Theo dõi kết quả sau khi thay đổi.
Học từ các sự cố trước đó để cải thiện các quyết định trong tương lai.

Đây được gọi là Closed-Loop Automation, trong đó hệ thống có khả năng quan sát, phân tích, hành động và tiếp tục học hỏi theo một vòng lặp liên tục.

AI Đang Thay Đổi Network Operations Như Thế Nào?

Hãy tưởng tượng trong buổi họp vận hành hàng tuần, quản lý nhận thấy đội ngũ đang phải xử lý rất nhiều yêu cầu lặp lại:

Xóa interface counters.
Khởi động lại dịch vụ.
Cập nhật ACL.
Thu thập log.
Tạo ticket.
Viết báo cáo RCA.

Những công việc này không khó, nhưng chiếm rất nhiều thời gian.

Sau khi tích hợp AI Assistant, hệ thống có thể:

Phân tích log.
Đề xuất hướng xử lý.
Tự động thực hiện các thao tác phổ biến sau khi được phê duyệt.
Điền sẵn nội dung ticket.
Tạo bản nháp RCA.
Mô phỏng tác động của thay đổi cấu hình.

Kết quả là đội ngũ không còn phải "chữa cháy" liên tục mà có nhiều thời gian hơn để tối ưu hệ thống.

Một Số Ứng Dụng Thực Tế Của AI

1. Real-Time Automated Configuration

AI có thể thay đổi cấu hình theo thời gian thực dựa trên:

Lưu lượng hiện tại.
Trạng thái phần cứng.
Chính sách doanh nghiệp.

Ví dụ:

Điều chỉnh metric định tuyến khi chất lượng đường truyền suy giảm.
Cập nhật QoS khi xảy ra nghẽn.
Thay đổi firewall rule dựa trên hành vi ứng dụng đã học.

2. AI-Driven Traffic Management

Trong giờ cao điểm họp trực tuyến, AI phát hiện:

Độ trễ WAN tăng.
Lưu lượng UDP từ Webex tăng mạnh.
Voice và Video bắt đầu bị ảnh hưởng.

Thay vì chờ kỹ sư can thiệp, AI có thể:

Tăng mức ưu tiên cho lưu lượng thoại và video.
Giảm tạm thời băng thông dành cho các tác vụ ít quan trọng hơn như cập nhật phần mềm hoặc sao lưu dữ liệu.
Áp dụng chính sách QoS đã được phê duyệt trên toàn bộ thiết bị liên quan.

Nếu quy trình đã được kiểm thử và phê duyệt trước, toàn bộ thay đổi có thể diễn ra mà không gây gián đoạn dịch vụ.

3. Continuous Anomaly Detection

Machine Learning liên tục phân tích:

NetFlow.
Telemetry.
Syslog.
SNMP.
Hành vi người dùng.

để phát hiện:

Lưu lượng bất thường.
Dấu hiệu tấn công.
Thiết bị hoạt động khác với baseline.
Các vấn đề hiệu năng trước khi người dùng nhận thấy.

4. Predictive Maintenance Và RCA Automation

Một nhà cung cấp dịch vụ Internet nhận thấy CPU trên một nhóm router tăng dần qua nhiều tuần.

Hiện tại chưa có khách hàng nào bị ảnh hưởng.

Tuy nhiên, Machine Learning nhận ra xu hướng bất thường này và dự đoán khả năng xảy ra sự cố trong thời gian tới.

Hệ thống có thể:

Gửi cảnh báo sớm.
Đề xuất nâng cấp phần cứng.
Khuyến nghị cân bằng tải.
Tự động tạo bản nháp RCA nếu sau đó sự cố thực sự xảy ra.

Đây chính là Predictive Maintenance – bảo trì dự đoán dựa trên xu hướng dữ liệu, giúp xử lý vấn đề trước khi nó trở thành outage.

Xây Dựng Niềm Tin Đối Với AI

Để AI có thể tự động thực hiện các hành động trên production, không chỉ kỹ sư mạng mà cả kiến trúc sư hệ thống, đội bảo mật và ban quản lý đều cần tin tưởng rằng:

Các quyết định của AI minh bạch.
Mọi thay đổi đều có thể kiểm toán (Auditable).
Có cơ chế rollback nếu xảy ra lỗi.
Chính sách bảo mật và quy trình phê duyệt luôn được tuân thủ.

AI không nên được phép thay đổi hệ thống mà không có các cơ chế kiểm soát phù hợp.

Câu Hỏi Ôn Tập

Một nhà cung cấp dịch vụ nhận thấy CPU trên một nhóm router tăng dần theo thời gian. Hiện chưa có khách hàng nào bị ảnh hưởng, nhưng xu hướng cho thấy sự cố có thể xảy ra trong tương lai. Công nghệ AI/ML nào phù hợp nhất để ngăn chặn sự cố này?

Đáp án đúng là:

Predictive maintenance using ML trend analysis.

Machine Learning có thể phân tích xu hướng sử dụng CPU theo thời gian, phát hiện dấu hiệu suy giảm trước khi xảy ra sự cố và đưa ra cảnh báo hoặc khuyến nghị hành động. Đây là một ví dụ điển hình của Predictive Maintenance, giúp doanh nghiệp chuyển từ mô hình vận hành phản ứng (Reactive) sang chủ động (Proactive).
]]> AI for EveryOne dangquangminh https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/442065-3-công-việc-mà-network-engineer-sẽ-đảm-nhận-trong-kỷ-nguyên-ai <![CDATA[ccna 2.0 Làm Thế Nào RAG Hiểu "Ý Nghĩa" Thay Vì Chỉ Tìm Theo Từ Khóa?]]> https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/442026-ccna-2-0-làm-thế-nào-rag-hiểu-ý-nghĩa-thay-vì-chỉ-tìm-theo-từ-khóa Fri, 26 Jun 2026 12:58:58 GMT Embedding và Semantic Search – Làm Thế Nào RAG Hiểu "Ý Nghĩa" Thay Vì Chỉ Tìm Theo Từ Khóa?

Một trong những công nghệ quan trọng nhất đứng sau Retrieval-Augmented Generation (RAG) là Embedding và Semantic Search. Chính hai kỹ thuật này giúp AI không chỉ tìm kiếm theo từ khóa giống như công cụ tìm kiếm truyền thống, mà còn hiểu được ý nghĩa của câu hỏi để truy xuất đúng thông tin. Embedding Là Gì?

Sau khi tài liệu đã được chia thành các chunk, mỗi chunk sẽ được chuyển thành một vector.

Vector là một dãy gồm rất nhiều giá trị số biểu diễn ý nghĩa của đoạn văn bản trong không gian nhiều chiều (Multidimensional Vector Space).

Điểm quan trọng là:

Những đoạn văn có ý nghĩa giống nhau sẽ có vector nằm gần nhau, ngay cả khi cách diễn đạt hoàn toàn khác nhau.

Đây là điểm khác biệt lớn giữa AI hiện đại và các hệ thống tìm kiếm truyền thống.

Ví dụ:
interface GigabitEthernet0/1 is down

và
link down on Gi0/1

sử dụng từ ngữ khác nhau nhưng đều mô tả cùng một sự kiện:

Interface GigabitEthernet0/1 bị mất kết nối.

Sau khi được Embedding, hai câu này sẽ có vector rất gần nhau.

Ngược lại:
CPU utilization exceeded 90%

và
NTP synchronization complete

mô tả hai chủ đề hoàn toàn khác nhau nên các vector của chúng sẽ nằm cách xa nhau.

Semantic Search – Tìm Theo Ý Nghĩa

Sau khi tất cả các chunk đã được chuyển thành vector và lưu trong Vector Database, hệ thống đã sẵn sàng cho việc tìm kiếm.

Giả sử người dùng hỏi:

"Is SSH enabled?"

Quy trình sẽ diễn ra như sau:

Bước 1

Câu hỏi cũng được đưa qua cùng một Embedding Model để chuyển thành một vector.

Bước 2

Hệ thống so sánh vector của câu hỏi với hàng triệu vector đã lưu trong cơ sở dữ liệu.

Bước 3

Những vector có khoảng cách gần nhất sẽ được chọn.

Điều này có nghĩa là AI đang tìm:

Những đoạn tài liệu có cùng ý nghĩa, không phải những đoạn chứa đúng từ "SSH".

Ví dụ, hệ thống hoàn toàn có thể tìm thấy các cấu hình như:
line vty 0 4
transport input ssh

hoặc
ip ssh version 2

mặc dù trong câu hỏi không hề xuất hiện cụm từ "transport input ssh" hay "ip ssh version 2".

Minh Họa Bằng Ví Dụ

Giả sử Vector Database đang chứa bốn thông báo sau:
interface GigabitEthernet0/1 is downlink down on Gi0/1CPU utilization exceeded 90%Network Time Protocol (NTP) synchronization complete

Nếu biểu diễn các vector này trên một mặt phẳng hai chiều để dễ hình dung:

Hai thông báo đầu sẽ nằm rất gần nhau vì cùng mô tả trạng thái của một interface.
Thông báo về CPU sẽ nằm ở một vị trí khác vì liên quan đến hiệu năng thiết bị.
Thông báo về NTP sẽ nằm ở một vùng khác vì liên quan đến đồng bộ thời gian.

Trong thực tế, các vector không nằm trên mặt phẳng hai chiều mà trong không gian có hàng trăm hoặc hàng nghìn chiều, cho phép mô hình biểu diễn ý nghĩa của văn bản rất chính xác.

So Sánh Keyword Search Và Semantic Search

Hãy xem một ví dụ đơn giản.

Một kỹ sư mạng tìm kiếm:

"Why did Gi0/1 go offline?"

Trong tài liệu nội bộ chỉ có dòng:
Interface GigabitEthernet0/1 changed state to down Keyword Search

Nếu chỉ tìm theo từ khóa, hệ thống có thể không trả về kết quả vì:

"offline" khác với "down".
"Gi0/1" khác với "GigabitEthernet0/1".

Semantic Search

Semantic Search hiểu rằng:

offline ≈ down
Gi0/1 ≈ GigabitEthernet0/1

nên vẫn tìm đúng đoạn log liên quan.

Đây chính là ưu điểm lớn nhất của Embedding.

Ứng Dụng Trong Network Operations

Embedding và Semantic Search giúp AI xử lý hiệu quả nhiều loại dữ liệu trong doanh nghiệp như:

Running Configuration.
Startup Configuration.
Syslog.
SNMP Trap.
NetFlow.
Telemetry.
Security Playbook.
RCA Report.
SOP.
Ticket Incident.

Ví dụ, khi kỹ sư hỏi:

"Tại sao VPN của chi nhánh Hà Nội bị mất kết nối tối qua?"

Hệ thống có thể truy xuất đồng thời:

Log IPsec.
Syslog của Firewall.
Kết quả BFD.
Ticket Incident.
Báo cáo RCA của sự cố tương tự.
Playbook xử lý VPN.

Mặc dù các tài liệu này có thể sử dụng những cách diễn đạt khác nhau, Embedding và Semantic Search vẫn xác định được chúng đều liên quan đến cùng một chủ đề.

Vì Sao Điều Này Quan Trọng?

Trong môi trường doanh nghiệp, dữ liệu thường được tạo ra bởi nhiều nhóm khác nhau.

Ví dụ:

Một kỹ sư viết:

Interface Down

Người khác ghi:

Link Failure

Hệ thống Syslog ghi:

%LINK-3-UPDOWN

Ticket Helpdesk ghi:

User reports network outage

Tuy cách diễn đạt khác nhau, tất cả đều có thể phản ánh cùng một sự cố.

Semantic Search giúp AI nhận ra mối liên hệ này thay vì chỉ so khớp từng từ khóa.

Kết Luận

Embedding chuyển các đoạn văn bản thành vector số học biểu diễn ý nghĩa ngữ nghĩa của nội dung. Sau đó, Semantic Search sử dụng các vector này để tìm kiếm những tài liệu có nội dung gần giống nhất với câu hỏi, thay vì chỉ so khớp từ khóa.

Nhờ hai công nghệ này, các hệ thống RAG có thể truy xuất chính xác các đoạn cấu hình, log hay tài liệu nội bộ liên quan đến câu hỏi, ngay cả khi chúng được diễn đạt bằng những từ khác nhau. Đây là nền tảng giúp các AI Assistant trong Network Operations và Security Operations cung cấp câu trả lời có ngữ cảnh, chính xác và sát với thực tế hơn nhiều so với các phương pháp tìm kiếm truyền thống.
zz0.3vwzmkp3ip9zz]]> AI for EveryOne dangquangminh https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/442026-ccna-2-0-làm-thế-nào-rag-hiểu-ý-nghĩa-thay-vì-chỉ-tìm-theo-từ-khóa AI Stack https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/442017-ai-stack Fri, 26 Jun 2026 10:06:53 GMT AI Overview – AI Stack: Từ AI đến Agentic AI Khi mới tìm hiểu về AI, nhiều người thường nhầm lẫn giữa các khái niệm AI, Machine Learning, Large... AI Overview – AI Stack: Từ AI đến Agentic AI

Khi mới tìm hiểu về AI, nhiều người thường nhầm lẫn giữa các khái niệm AI, Machine Learning, Large Language Model (LLM) và Agentic AI. Thực tế, đây là các lớp công nghệ được xây dựng chồng lên nhau, mỗi lớp mở rộng khả năng của lớp trước.

AI (Artificial Intelligence) – Trí tuệ nhân tạo

AI là khái niệm tổng quát nhất, mô tả các hệ thống có khả năng thực hiện những nhiệm vụ vốn đòi hỏi trí thông minh của con người như nhận diện hình ảnh, hiểu ngôn ngữ, lập kế hoạch hay ra quyết định.

Ví dụ:

Xe tự lái.
Hệ thống phát hiện gian lận ngân hàng.
Camera nhận diện khuôn mặt.

ML (Machine Learning) – Học máy

Machine Learning là một nhánh của AI. Thay vì lập trình từng quy tắc cụ thể, máy tính được huấn luyện trên dữ liệu để tự học các quy luật và đưa ra dự đoán.

Ví dụ:

Phát hiện email spam.
Dự đoán thiết bị mạng sắp gặp sự cố.
Phân loại lưu lượng mạng bất thường.

Trong Network Operations, ML thường được dùng để phát hiện anomaly (bất thường), dự báo nghẽn mạng hoặc phân tích xu hướng sử dụng băng thông.

LLM (Large Language Model) – Mô hình ngôn ngữ lớn

LLM là một loại mô hình Machine Learning được huấn luyện trên lượng dữ liệu văn bản khổng lồ. Mục tiêu của LLM là hiểu và sinh ngôn ngữ tự nhiên giống con người.

Các ví dụ phổ biến:

ChatGPT
Claude
Gemini
Llama

Đối với kỹ sư mạng, LLM có thể:

Giải thích cấu hình Cisco.
Phân tích log hệ thống.
Sinh script Python hoặc Ansible.
Hỗ trợ troubleshooting.

Tuy nhiên, bản thân LLM chủ yếu đóng vai trò "bộ não" trả lời câu hỏi, chứ chưa tự động thực hiện công việc.

Agentic AI

Agentic AI là bước phát triển tiếp theo. Nó sử dụng LLM như bộ não trung tâm, đồng thời kết hợp với nhiều công cụ (tool), API và workflow để có thể tự lập kế hoạch và thực hiện nhiều bước nhằm hoàn thành một mục tiêu.

Ví dụ trong vận hành mạng:

Thay vì chỉ trả lời:

"Router R1 bị CPU cao."

Một AI Agent có thể:

Thu thập log từ thiết bị.
Gọi API của hệ thống giám sát.
Phân tích NetFlow.
So sánh với các sự cố trước đây.
Đề xuất nguyên nhân.
Tạo cấu hình khắc phục.
Mở ticket ITSM.
Thậm chí triển khai cấu hình sau khi được kỹ sư phê duyệt.

Điều này biến AI từ một công cụ trả lời câu hỏi thành một "trợ lý số" có khả năng chủ động thực hiện công việc.

Mối quan hệ giữa các thành phần

Có thể hình dung AI Stack như một kim tự tháp:
Agentic AI
▲
LLM
▲
Machine Learning
▲
Artificial Intelligence

AI là lĩnh vực lớn nhất.
Machine Learning là một phương pháp để xây dựng AI.
LLM là một loại mô hình Machine Learning chuyên xử lý ngôn ngữ.
Agentic AI sử dụng LLM cùng với các công cụ bên ngoài để có thể lập kế hoạch và hành động một cách tự động.

Ngày nay, xu hướng của ngành CNTT đang dịch chuyển từ việc hỏi AI (Ask AI) sang giao việc cho AI (Assign Tasks to AI). Đó cũng chính là lý do Agentic AI đang trở thành nền tảng quan trọng trong các lĩnh vực như Network Operations, DevOps, Cybersecurity và IT Automation.
]]> AI for EveryOne dangquangminh https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/442017-ai-stack LAST MINUTE! Khai Giảng Tối Nay Khóa CCNA Online – Cơ Hội Cuối Đừng Bỏ Lỡ! https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/441954-last-minute-khai-giảng-tối-nay-khóa-ccna-online-–-cơ-hội-cuối-đừng-bỏ-lỡ Thu, 25 Jun 2026 04:13:49 GMT CCNA ĐÃ THAY ĐỔI – BẠN ĐÃ SẴN SÀNG CHƯA?

CCNA v2.0 chính thức thay đổi với nhiều kỹ năng thực tế quan trọng theo xu hướng mới:
Tăng cường thực hành & Troubleshooting (~70%)
Bổ sung AI trong vận hành mạng
OSPFv3 (IPv6), HSRP, VRRP
DHCP Server, Wireshark, TACACS+, RADIUS...

Nếu bạn đang muốn lấy CCNA trước hoặc chuẩn bị nền tảng cho CCNA v2.0 thì đây là thời điểm phù hợp để bắt đầu!

Đăng ký ngay để kịp vào lớp tối nay!
----VnPro
Hotline/Zalo: 0933 427 079
Hồng Nhung: 0383 920 627
Như Ngọc: 0765 944 386
Anh Thư: 0339 943 732]]> AI for EveryOne KhanhHa https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/441954-last-minute-khai-giảng-tối-nay-khóa-ccna-online-–-cơ-hội-cuối-đừng-bỏ-lỡ CCNA 2.0: Các khái niệm AI nâng cao https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/441903-ccna-2-0-các-khái-niệm-ai-nâng-cao Wed, 24 Jun 2026 00:24:26 GMT Advanced AI Concepts – Hiểu Những Công Nghệ Đang Vận Hành Phía Sau Các Công Cụ AI Mà Kỹ Sư Mạng Sử Dụng Hằng Ngày Bạn vừa hoàn thành xử lý một... Advanced AI Concepts – Hiểu Những Công Nghệ Đang Vận Hành Phía Sau Các Công Cụ AI Mà Kỹ Sư Mạng Sử Dụng Hằng Ngày

Bạn vừa hoàn thành xử lý một sự cố mạng nghiêm trọng và đang chuẩn bị báo cáo postmortem cho cuộc họp với ban lãnh đạo. Trong báo cáo, không chỉ cần giải thích sự cố đã xảy ra như thế nào mà còn phải giải thích vì sao hệ thống AI lại đưa ra những cảnh báo, dự đoán hoặc đề xuất như vậy.

Lúc này, những thuật ngữ như Neural Networks, GPT (Generative Pretrained Transformer), GAN (Generative Adversarial Network) hay VAE (Variational Autoencoder) không còn là các khái niệm xa lạ của giới nghiên cứu AI nữa. Chúng trở thành những kiến thức quan trọng giúp kỹ sư mạng hiểu được công cụ mình đang sử dụng hoạt động ra sao và đáng tin cậy đến mức nào.

Trong môi trường vận hành mạng hiện đại, AI ngày càng tham gia sâu vào các hoạt động như phát hiện bất thường (Anomaly Detection), dự đoán sự cố (Predictive Analytics), phân tích log, hỗ trợ troubleshooting và tự động hóa vận hành. Tuy nhiên, AI thường bị xem như một "hộp đen" (Black Box), nơi chúng ta chỉ nhìn thấy đầu vào và kết quả cuối cùng mà không hiểu được quá trình xử lý bên trong.

Nếu AI đang hỗ trợ các quyết định ảnh hưởng trực tiếp đến hệ thống production, việc hiểu cơ chế hoạt động của chúng là điều cần thiết. Neural Networks – Nền Tảng Của AI Hiện Đại

Hầu hết các hệ thống AI hiện đại đều được xây dựng trên nền tảng Artificial Neural Networks (ANNs) hay mạng nơ-ron nhân tạo.

Ý tưởng này được lấy cảm hứng từ cách các tế bào thần kinh trong não người hoạt động. Một neural network bao gồm nhiều "neuron" được kết nối với nhau thành nhiều lớp:

Input Layer (Lớp đầu vào)
Hidden Layer(s) (Các lớp ẩn)
Output Layer (Lớp đầu ra)

Mỗi neuron nhận dữ liệu đầu vào, thực hiện các phép tính toán học và truyền kết quả sang neuron tiếp theo.

Ví dụ trong môi trường mạng, một mô hình AI có thể nhận các thông tin như:

CPU utilization
Memory utilization
Packet loss
Interface errors
Latency
Jitter

Sau quá trình xử lý qua nhiều lớp neuron, mô hình có thể đưa ra dự đoán rằng:

"Router này có 85% khả năng gặp sự cố hiệu năng trong vòng 72 giờ tới."

Càng nhiều lớp ẩn (Hidden Layers), khả năng học các mẫu dữ liệu phức tạp càng cao. Đây chính là nền tảng của Deep Learning.

GPT – Công Nghệ Đứng Sau ChatGPT

Một trong những kiến trúc AI nổi tiếng nhất hiện nay là GPT (Generative Pretrained Transformer).

GPT được xây dựng dựa trên kiến trúc Transformer, do Google giới thiệu trong bài nghiên cứu nổi tiếng:

"Attention Is All You Need" (2017)

GPT gồm ba thành phần quan trọng: Generative

Có khả năng tạo nội dung mới.

Ví dụ:

Tạo cấu hình Cisco IOS XE
Sinh mã Python
Viết Ansible Playbook
Tạo báo cáo RCA
Tóm tắt Syslog

Pretrained

Mô hình được huấn luyện trước trên lượng dữ liệu khổng lồ.

Ví dụ:

Sách
Tài liệu kỹ thuật
Website
Source code
Tài liệu mạng

Sau đó mô hình có thể được fine-tune cho các lĩnh vực chuyên biệt như:

Networking
Security
Cloud
DevOps

Transformer

Sử dụng cơ chế Attention để xác định phần thông tin nào quan trọng nhất trong ngữ cảnh hiện tại.

Ví dụ:

Nếu bạn nhập:

"OSPF Neighbor không lên sau khi thay đổi Area ID"

GPT sẽ hiểu rằng:

OSPF
Neighbor
Area ID

là các từ khóa quan trọng cần được ưu tiên khi suy luận.

Đây là lý do các LLM có thể hiểu ngữ cảnh tốt hơn rất nhiều so với các chatbot truyền thống dựa trên keyword matching.

GPT Trong Vận Hành Mạng

Ngày nay GPT có thể được tích hợp vào:

Cisco AI Assistant
Splunk AI Assistant
Microsoft Copilot
ServiceNow AI
Various NOC copilots

Ví dụ:

Kỹ sư nhập:

"Tại sao site Hà Nội mất kết nối VPN từ 21:42?"

GPT có thể:

Đọc Syslog
Phân tích SNMP traps
Kiểm tra ticket
Xem lịch sử thay đổi cấu hình
Tổng hợp timeline sự cố

và tạo báo cáo RCA trong vài giây thay vì mất hàng giờ.

GAN – Generative Adversarial Networks

GAN là một kiến trúc AI rất thú vị được giới thiệu bởi Ian Goodfellow năm 2014.

GAN bao gồm hai mạng neural network: Generator

Tạo dữ liệu giả. Discriminator

Kiểm tra xem dữ liệu đó là thật hay giả.

Hai mô hình này liên tục cạnh tranh với nhau.

Generator cố gắng tạo dữ liệu ngày càng giống thật.

Discriminator cố gắng phát hiện dữ liệu giả.

Quá trình này diễn ra hàng triệu lần cho đến khi Generator tạo được dữ liệu gần như không thể phân biệt với dữ liệu thật.

Ví dụ đơn giản:

Generator tạo ảnh thiết bị mạng giả.

Discriminator cố gắng phát hiện đâu là ảnh thật.

Sau nhiều vòng huấn luyện, Generator có thể tạo ra các hình ảnh thiết bị rất giống thật.

GAN Trong Lĩnh Vực Networking

Mặc dù GAN nổi tiếng trong xử lý hình ảnh, nó cũng có thể được sử dụng trong mạng máy tính.

Ví dụ: Tạo dữ liệu huấn luyện

Một số tổ chức không muốn sử dụng log thật vì chứa thông tin nhạy cảm.

GAN có thể tạo:

Syslog giả
NetFlow giả
Packet trace giả

nhưng vẫn giữ được các đặc điểm thống kê của dữ liệu thật.

Điều này giúp huấn luyện mô hình AI mà không làm lộ dữ liệu doanh nghiệp. Mô phỏng tấn công mạng

GAN có thể tạo lưu lượng bất thường để kiểm tra:

IDS
IPS
NDR
SIEM

VAE – Variational Autoencoder

VAE là một dạng mô hình học biểu diễn dữ liệu (Representation Learning).

Mục tiêu của VAE là:

Nén dữ liệu xuống không gian nhỏ hơn
Sau đó tái tạo lại dữ liệu gốc

Cơ chế này khá giống việc nén và giải nén dữ liệu nhưng thông minh hơn rất nhiều.

VAE học được những đặc trưng quan trọng nhất của dữ liệu.

VAE Trong Anomaly Detection

Đây là một ứng dụng rất phổ biến trong vận hành mạng.

Ví dụ:

Mô hình VAE được huấn luyện bằng:

NetFlow bình thường
Syslog bình thường
Telemetry bình thường

Sau đó khi xuất hiện lưu lượng bất thường:

DDoS
Malware
Beaconing
Data Exfiltration

VAE sẽ gặp khó khăn trong việc tái tạo dữ liệu đó.

Sai số tái tạo (Reconstruction Error) tăng lên đáng kể.

Hệ thống sẽ đánh dấu đây là một bất thường cần điều tra.

Nhiều giải pháp NDR và AIOps hiện đại đang sử dụng phương pháp tương tự.

Vì Sao Kỹ Sư Mạng Cần Hiểu Những Khái Niệm Này?

Ngày trước, kỹ sư mạng chủ yếu làm việc với:

Syslog
SNMP
CLI
Wireshark
Routing Tables

Ngày nay, các công cụ AI đang bổ sung thêm:

Dự đoán sự cố
Phân tích nguyên nhân
Sinh cấu hình
Tạo tài liệu
Tự động hóa vận hành

Nếu không hiểu cách AI hoạt động, rất khó để đánh giá:

Kết quả có đáng tin cậy không?
AI có đang hallucinate không?
Dữ liệu huấn luyện có bị thiên lệch không?
Cảnh báo có phải false positive không?

Một kỹ sư mạng giỏi trong thời đại AI không nhất thiết phải trở thành Data Scientist, nhưng cần hiểu đủ sâu để biết mô hình đang làm gì phía sau, giới hạn của nó ở đâu và khi nào nên tin tưởng hoặc nghi ngờ kết quả mà AI đưa ra.

Hiểu được Neural Networks, GPT, GAN và VAE chính là bước đầu tiên để chuyển từ việc "sử dụng AI" sang "làm chủ AI" trong Network Operations, Security Operations và AIOps hiện đại.
]]> AI for EveryOne dangquangminh https://www.forum.vnpro.org/forum/ccna®/ai-for-everyone/441903-ccna-2-0-các-khái-niệm-ai-nâng-cao