Tweet
Trong các bài trước về AI cho Network Engineer và AI Infrastructure, chúng ta đã nói nhiều về việc AI sẽ thay đổi công việc như thế nào.
Nhưng câu hỏi quan trọng hơn là:
👉 Bạn cần học gì để thực sự làm chủ AI, thay vì chỉ “xài thử cho vui”?
Câu trả lời nằm ở một khái niệm cốt lõi: AI Literacy (Năng lực hiểu và sử dụng AI)
🧠 1. Prompt Engineering – Kỹ năng mới nhưng cực kỳ thực dụng
Nếu trước đây kỹ sư mạng cần biết CLI, thì giờ:
👉 Prompt chính là CLI của AI
Một prompt tốt không phải là “hỏi đại”, mà là:
Ví dụ thực tế:
❌ Prompt kém:
✅ Prompt chuẩn:
Ngoài ra, bạn cần hiểu:
👉 Đây chính là nền tảng để build AI Agent trong Network Automation / SOC
🤖 2. Hiểu LLM & Transformers – Không cần deep math, nhưng phải hiểu bản chất
Bạn không cần trở thành Data Scientist. Nhưng nếu không hiểu LLM, bạn sẽ:
Điều cần hiểu: LLM thực sự làm gì?
👉 Vì vậy:
RAG vs Fine-tuning vs MCP – Kiến trúc AI thực tế
Đây là phần cực kỳ quan trọng nếu bạn muốn triển khai AI trong doanh nghiệp:
⚠️ 3. Model Awareness – Hiểu giới hạn của AI (Cực kỳ quan trọng cho bảo mật)
Một kỹ sư giỏi không phải là người dùng AI nhiều nhất.
👉 Mà là người biết khi nào KHÔNG nên tin AI
Ví dụ trong network:
🔥 Một lỗi nguy hiểm:
AI “tự tin sai”
Ví dụ:
Nhưng thực tế:
👉 Nếu không verify → bạn debug sai hướng
🎯 Kết luận – AI Literacy = Lợi thế cạnh tranh mới
Trong 2–3 năm tới:
Nhưng câu hỏi quan trọng hơn là:
👉 Bạn cần học gì để thực sự làm chủ AI, thay vì chỉ “xài thử cho vui”?
Câu trả lời nằm ở một khái niệm cốt lõi: AI Literacy (Năng lực hiểu và sử dụng AI)
🧠 1. Prompt Engineering – Kỹ năng mới nhưng cực kỳ thực dụng
Nếu trước đây kỹ sư mạng cần biết CLI, thì giờ:
👉 Prompt chính là CLI của AI
Một prompt tốt không phải là “hỏi đại”, mà là:
- Có context rõ ràng (môi trường mạng, topology, log…)
- Có format output mong muốn
- Có ràng buộc kỹ thuật
Ví dụ thực tế:
❌ Prompt kém:
“Check giúp lỗi mạng này”
✅ Prompt chuẩn:
“Phân tích log FTD sau và xác định nguyên nhân deny traffic TCP port 443, đề xuất hướng xử lý theo best practice Cisco”
Ngoài ra, bạn cần hiểu:
- Zero-shot: hỏi trực tiếp
- Few-shot: cung cấp ví dụ → cực mạnh trong automation
- Temperature: kiểm soát độ “sáng tạo” vs “chính xác”
- System role: định nghĩa AI là “Network Engineer”, “Security Analyst” hay “DevOps”
👉 Đây chính là nền tảng để build AI Agent trong Network Automation / SOC
🤖 2. Hiểu LLM & Transformers – Không cần deep math, nhưng phải hiểu bản chất
Bạn không cần trở thành Data Scientist. Nhưng nếu không hiểu LLM, bạn sẽ:
- Tin AI một cách mù quáng ❌
- Hoặc không dám dùng AI ❌
Điều cần hiểu: LLM thực sự làm gì?
- Không “hiểu” như con người
- Nó dự đoán token tiếp theo dựa trên xác suất
👉 Vì vậy:
- Nó giỏi pattern → config, code, doc
- Nhưng có thể bịa (hallucination) nếu thiếu context
RAG vs Fine-tuning vs MCP – Kiến trúc AI thực tế
Đây là phần cực kỳ quan trọng nếu bạn muốn triển khai AI trong doanh nghiệp:
- RAG (Retrieval Augmented Generation)
→ AI đọc dữ liệu thật (log, config, KB) trước khi trả lời
👉 Best choice cho SOC, NOC, troubleshooting - Fine-tuning
→ Train lại model
👉 Tốn chi phí, khó maintain - MCP (Model Context Protocol / Tool usage)
→ AI gọi API, tool, database
👉 Đây là nền tảng của AI Agent
⚠️ 3. Model Awareness – Hiểu giới hạn của AI (Cực kỳ quan trọng cho bảo mật)
Một kỹ sư giỏi không phải là người dùng AI nhiều nhất.
👉 Mà là người biết khi nào KHÔNG nên tin AI
Ví dụ trong network:
- AI có thể:
- Phân tích config
- Gợi ý lệnh Cisco
- Viết playbook Ansible
- Nhưng AI có thể sai khi:
- Log thiếu context
- Network topology phức tạp
- Vendor-specific behavior
🔥 Một lỗi nguy hiểm:
AI “tự tin sai”
Ví dụ:
AI nói: “Port 443 bị block do ACL X”
Nhưng thực tế:
- Do NAT rule conflict
- Hoặc inspection policy
👉 Nếu không verify → bạn debug sai hướng
🎯 Kết luận – AI Literacy = Lợi thế cạnh tranh mới
Trong 2–3 năm tới:
- Người không biết AI → tụt lại
- Người biết dùng AI cơ bản → làm nhanh hơn
- Người hiểu AI + build AI workflow → dẫn đầu
Attached Files