Tweet
AI cơ bản: Người mới bắt đầu cần biết gì?
AI đang phát triển rất nhanh và được ứng dụng trong hầu hết các lĩnh vực. Tuy nhiên, không phải ai cũng cần học AI theo cùng một cách. Kỹ năng cần phát triển phụ thuộc vào vai trò và mục đích sử dụng AI.
Với người mới bắt đầu, điều quan trọng là hiểu các khái niệm nền tảng như AI, Machine Learning, Deep Learning, Generative AI và cách viết Prompt để giao tiếp hiệu quả với AI.
Với AI Engineer hoặc người nghiên cứu, cần đi sâu hơn vào dữ liệu, huấn luyện, đánh giá, triển khai và tối ưu model.
Ở cấp độ cao hơn, khi xây dựng AI cho doanh nghiệp, cần quan tâm đến hạ tầng, bảo mật, khả năng mở rộng, monitoring và quản lý tài nguyên.
Có thể hiểu đơn giản: Người dùng cần biết cách sử dụng AI → AI Engineer cần biết cách xây dựng AI → AI Platform cần biết cách vận hành AI ở quy mô lớn.
PREDICTIVE AI & GENERATIVE AI
Một cách đơn giản để hiểu AI là phân biệt hai nhóm bài toán phổ biến.
1. Predictive AI sử dụng dữ liệu đầu vào để dự đoán kết quả.
Hai bài toán cơ bản là Classification và Regression.
Ví dụ, thay vì chỉ dự đoán một nhãn, khi hỏi:
Machine Learning và Deep Learning
1. Machine Learning (ML) là phương pháp giúp máy tính học ra quy luật từ dữ liệu để đưa ra dự đoán, thay vì phải lập trình sẵn từng quy tắc.
Ba phương pháp phổ biến là Supervised Learning, Unsupervised Learning và Reinforcement Learning.
2. Deep Learning là một nhánh của Machine Learning, sử dụng Neural Network với nhiều lớp để học các đặc trưng phức tạp từ dữ liệu.
Trong quá trình phát triển của Deep Learning, RNN từng được sử dụng phổ biến cho dữ liệu tuần tự như text và time series. Sau đó, Transformer trở thành kiến trúc quan trọng nhờ cơ chế Self-Attention, giúp model khai thác tốt hơn mối quan hệ và ngữ cảnh trong dữ liệu.
Transformer hiện là nền tảng của nhiều LLM và Generative AI, đồng thời được ứng dụng cho text, image, audio và video.
Làm sao đánh giá một AI model?
Hiện nay có rất nhiều model, vì vậy chúng ta cần biết cách đánh giá để lựa chọn model phù hợp.
PROMPT ENGINEERING
Một kỹ năng quan trọng đối với người dùng Generative AI là Prompt Engineering.
Prompt là thông tin đầu vào giúp chúng ta giao tiếp với AI. Một prompt càng rõ ràng về bối cảnh, nhiệm vụ, yêu cầu và định dạng đầu ra, khả năng nhận được kết quả phù hợp càng cao.
Ví dụ:
Có thể xem Prompt Engineering như một quá trình:
Prompt → Output → Đánh giá → Điều chỉnh → Output tốt hơn.
Vậy cần bắt đầu từ đâu?
Người mới có thể bắt đầu với các công cụ như ChatGPT hoặc Gemini để học tập, nghiên cứu và hỗ trợ công việc.
Nếu làm trong lĩnh vực IT, Data hoặc AI, có thể tìm hiểu thêm về Hugging Face – một hệ sinh thái phổ biến cung cấp model, dataset, thư viện và công cụ phục vụ phát triển AI.
Quan trọng nhất, đừng cố học tất cả về AI ngay từ đầu. Hãy xác định công việc của mình cần sử dụng AI ở mức nào, sau đó lựa chọn kiến thức phù hợp để upskill.
Với người mới bắt đầu, điều quan trọng là hiểu các khái niệm nền tảng như AI, Machine Learning, Deep Learning, Generative AI và cách viết Prompt để giao tiếp hiệu quả với AI.
Với AI Engineer hoặc người nghiên cứu, cần đi sâu hơn vào dữ liệu, huấn luyện, đánh giá, triển khai và tối ưu model.
Ở cấp độ cao hơn, khi xây dựng AI cho doanh nghiệp, cần quan tâm đến hạ tầng, bảo mật, khả năng mở rộng, monitoring và quản lý tài nguyên.
Có thể hiểu đơn giản: Người dùng cần biết cách sử dụng AI → AI Engineer cần biết cách xây dựng AI → AI Platform cần biết cách vận hành AI ở quy mô lớn.
PREDICTIVE AI & GENERATIVE AI
Một cách đơn giản để hiểu AI là phân biệt hai nhóm bài toán phổ biến.
1. Predictive AI sử dụng dữ liệu đầu vào để dự đoán kết quả.
Hai bài toán cơ bản là Classification và Regression.
- Classification dự đoán một nhãn, ví dụ email là Spam hay Not Spam.
- Regression dự đoán một giá trị liên tục, ví dụ giá nhà hoặc doanh thu.
Ví dụ, thay vì chỉ dự đoán một nhãn, khi hỏi:
"Hãy giải thích Machine Learning cho người mới."
Generative AI sẽ sinh ra một câu trả lời phù hợp với yêu cầu. Machine Learning và Deep Learning
1. Machine Learning (ML) là phương pháp giúp máy tính học ra quy luật từ dữ liệu để đưa ra dự đoán, thay vì phải lập trình sẵn từng quy tắc.
Ba phương pháp phổ biến là Supervised Learning, Unsupervised Learning và Reinforcement Learning.
2. Deep Learning là một nhánh của Machine Learning, sử dụng Neural Network với nhiều lớp để học các đặc trưng phức tạp từ dữ liệu.
Trong quá trình phát triển của Deep Learning, RNN từng được sử dụng phổ biến cho dữ liệu tuần tự như text và time series. Sau đó, Transformer trở thành kiến trúc quan trọng nhờ cơ chế Self-Attention, giúp model khai thác tốt hơn mối quan hệ và ngữ cảnh trong dữ liệu.
Transformer hiện là nền tảng của nhiều LLM và Generative AI, đồng thời được ứng dụng cho text, image, audio và video.
Làm sao đánh giá một AI model?
Hiện nay có rất nhiều model, vì vậy chúng ta cần biết cách đánh giá để lựa chọn model phù hợp.
- Với Predictive AI, có thể sử dụng các metric như Accuracy, Precision, Recall, F1-score, ... tùy bài toán.
- Với Generative AI, việc đánh giá phức tạp hơn và thường quan tâm đến độ chính xác, tính liên quan, chất lượng đầu ra và hallucination.
PROMPT ENGINEERING
Một kỹ năng quan trọng đối với người dùng Generative AI là Prompt Engineering.
Prompt là thông tin đầu vào giúp chúng ta giao tiếp với AI. Một prompt càng rõ ràng về bối cảnh, nhiệm vụ, yêu cầu và định dạng đầu ra, khả năng nhận được kết quả phù hợp càng cao.
Ví dụ:
"Làm sao để bán được hàng?"
sẽ kém cụ thể hơn:"Bạn là chuyên gia bán hàng B2B. Hãy xây dựng kế hoạch bán hàng trong 1 tháng, tập trung vào khách hàng doanh nghiệp vừa và nhỏ. Ưu tiên tiết kiệm thời gian, nhân lực và chi phí."
Có thể xem Prompt Engineering như một quá trình:
Prompt → Output → Đánh giá → Điều chỉnh → Output tốt hơn.
Vậy cần bắt đầu từ đâu?
Người mới có thể bắt đầu với các công cụ như ChatGPT hoặc Gemini để học tập, nghiên cứu và hỗ trợ công việc.
Nếu làm trong lĩnh vực IT, Data hoặc AI, có thể tìm hiểu thêm về Hugging Face – một hệ sinh thái phổ biến cung cấp model, dataset, thư viện và công cụ phục vụ phát triển AI.
Quan trọng nhất, đừng cố học tất cả về AI ngay từ đầu. Hãy xác định công việc của mình cần sử dụng AI ở mức nào, sau đó lựa chọn kiến thức phù hợp để upskill.