Làm sao để học AI hiệu quả ?

Key Concepts

• AI (Trí tuệ nhân tạo): Lĩnh vực khoa học máy tính tập trung vào việc tạo ra các hệ thống có khả năng thực hiện các nhiệm vụ đòi hỏi trí thông minh của con người.
• Machine Learning (Học máy): Một nhánh của AI cho phép hệ thống học hỏi từ dữ liệu mà không cần được lập trình rõ ràng.
• Deep Learning (Học sâu): Một tập hợp con của Machine Learning sử dụng mạng nơ-ron nhân tạo với nhiều lớp để học các biểu diễn dữ liệu phức tạp.
• Large Language Models (LLM - Mô hình ngôn ngữ lớn): Các mô hình Deep Learning được huấn luyện trên lượng lớn dữ liệu văn bản để hiểu, tạo và xử lý ngôn ngữ tự nhiên.
• AI Agent (Tác nhân AI): Các hệ thống AI có khả năng tương tác với môi trường, đưa ra quyết định và thực hiện hành động để đạt được mục tiêu.
• Data Scientist (Nhà khoa học dữ liệu): Chuyên gia phân tích và diễn giải dữ liệu để trích xuất thông tin có giá trị.
• Machine Learning Engineer (Kỹ sư học máy): Chuyên gia thiết kế, xây dựng và triển khai các hệ thống học máy.
• AI Engineer (Kỹ sư AI): Chuyên gia phát triển và ứng dụng các giải pháp AI.
• ResNet, Faster R-CNN, YOLO: Các kiến trúc mô hình Deep Learning nổi tiếng trong lĩnh vực thị giác máy tính.
• Segment Anything: Một mô hình AI của Meta cho phép phân đoạn hình ảnh linh hoạt.
• GPT-4o: Một mô hình ngôn ngữ lớn mới của OpenAI.
• MTP (Model-to-Model Communication Protocol): Một giao thức nổi tiếng cho các AI Agent.
• Benchmark: Tiêu chuẩn hoặc điểm tham chiếu để đánh giá hiệu suất của mô hình.
• Dataset (Tập dữ liệu): Tập hợp dữ liệu được sử dụng để huấn luyện và kiểm tra các mô hình AI (bao gồm Public Dataset và Private Dataset).
• Natural Language Processing (NLP - Xử lý ngôn ngữ tự nhiên): Lĩnh vực AI tập trung vào tương tác giữa máy tính và ngôn ngữ con người.
• Computer Vision (Thị giác máy tính): Lĩnh vực AI cho phép máy tính "nhìn" và hiểu hình ảnh, video.
• Neural Network (Mạng nơ-ron): Cấu trúc tính toán lấy cảm hứng từ bộ não sinh học.
• Convolutional Neural Network (CNN - Mạng nơ-ron tích chập): Một loại mạng nơ-ron chuyên biệt cho xử lý dữ liệu dạng lưới như hình ảnh.
• Image Classification (Phân loại ảnh): Bài toán gán nhãn cho toàn bộ hình ảnh.
• Object Detection (Phát hiện đối tượng): Bài toán xác định vị trí và phân loại các đối tượng trong hình ảnh.
• Image Segmentation (Phân đoạn ảnh): Bài toán phân chia hình ảnh thành các vùng hoặc đối tượng có ý nghĩa.
• GAN (Generative Adversarial Networks): Một loại mô hình Deep Learning tạo ra dữ liệu mới tương tự dữ liệu huấn luyện.
• OCR (Optical Character Recognition): Công nghệ nhận dạng ký tự quang học.
• Docker: Nền tảng cho phép đóng gói ứng dụng và môi trường chạy của nó vào một "container" để dễ dàng triển khai.
• Python: Ngôn ngữ lập trình phổ biến trong AI/Machine Learning.
• Data Science (Khoa học dữ liệu): Lĩnh vực liên ngành sử dụng các phương pháp khoa học, quy trình, thuật toán và hệ thống để trích xuất kiến thức và thông tin chi tiết từ dữ liệu.
• Xác suất, Thống kê, Đại số tuyến tính, Giải tích: Các kiến thức toán học nền tảng cần thiết cho AI/Data Science/Machine Learning.

---

Video này chia sẻ kinh nghiệm cá nhân 10 năm học và làm việc trong lĩnh vực AI của diễn giả, tập trung vào cách học AI hiệu quả thay vì học cái gì. Nội dung được chia thành ba phần chính: cách học AI thời kỳ đầu, cách học AI trong giai đoạn phát triển mạnh mẽ hiện nay, và những lời khuyên hữu ích cho người học AI.

Cách học AI thời kỳ đầu (Tháng 10/2015 - 2018)

Diễn giả bắt đầu học AI từ tháng 10 năm 2015, thời điểm AI chưa phát triển mạnh mẽ và ít được cộng đồng quan tâm như hiện tại. Số lượng người học AI ít hơn nhiều so với các hướng truyền thống khác trong công nghệ thông tin như game, web, hay app.

• Tốc độ phát triển chậm: Trong giai đoạn 2015-2018, gần như cả năm chỉ có một vài bài báo hoặc mô hình AI đáng chú ý được ra mắt. Điều này cho phép sinh viên có nhiều thời gian để làm quen, tìm hiểu, nghiên cứu và thực hành sâu với từng mô hình.
• Ví dụ cụ thể: Diễn giả chuyên về Deep Learning. Trong giai đoạn 2015-2016, chỉ có một vài mô hình nổi bật như ResNet, Faster R-CNN, hoặc YOLO.
• Phương pháp học sâu: Với mỗi mô hình, diễn giả dành khoảng 3-4 tháng để nghiên cứu, tìm hiểu, đọc, phân tích và tự implement (tự xây dựng lại) các mô hình này.
• Lý do tự implement: Thời điểm đó, các thư viện và framework về AI chưa đầy đủ như bây giờ, nên việc tự code lại giúp hiểu rõ kiến trúc và cách hoạt động của từng mô hình, đồng thời có thể sử dụng được chúng.
• Nguồn tài liệu hạn chế: Trên mạng chưa có nhiều tài liệu học hay hướng dẫn. Một trong những nguồn ưa thích là các khóa học về Machine Learning, Deep Learning của Đại học Stanford. Diễn giả vẫn thường giới thiệu các khóa học này cho những bạn trẻ hỏi về nguồn học AI hiệu quả.
• Độ phức tạp thấp: So với hiện tại, những kiến thức và công việc AI thời đó đơn giản hơn rất nhiều. Luận án tốt nghiệp thạc sĩ năm 2018 của diễn giả, nếu đặt vào năm 2025, có lẽ chỉ tương đương với một bài tập lớn.

Cách học AI trong giai đoạn AI phát triển mạnh mẽ (Hiện tại)

Cách học AI thời kỳ đầu không còn phù hợp với bối cảnh hiện tại, khi mỗi ngày đều có những mô hình và bài báo AI mới ra mắt. Không thể có đủ thời gian để đi sâu phân tích từng mô hình, từng bài báo. Do đó, cần có cách để lọc và chọn lọc những thông tin quan trọng nhất.

1. Giữ bản thân luôn cập nhật với xu hướng AI

Diễn giả chia sẻ ba cách để luôn cập nhật thông tin về AI:

• Cách 1 (Phổ biến): Tham gia các nhóm/group về AI/IT trên mạng xã hội (Facebook, Reddit). Khi có mô hình hay bài báo mới nổi bật, thường sẽ có người chia sẻ hoặc giới thiệu về chúng.
• Cách 2 (Phổ biến): Đăng ký các trang newsletter về AI. Các trang này sẽ gửi email hàng tuần tổng hợp những gì nổi bật và đáng chú ý nhất về AI trong 7 ngày qua.
• Cách 3 (Cách diễn giả sử dụng): Xây dựng mạng lưới (network) rộng lớn trên LinkedIn.
  • Bước 1: Tạo tài khoản LinkedIn. LinkedIn là mạng xã hội chuyên về công việc.
  • Bước 2: Xây dựng network. Mỗi ngày, kết nối với khoảng 20-30 người đang học hoặc làm việc trong các lĩnh vực liên quan đến AI (ví dụ: Data Scientist, Machine Learning Engineer, AI Engineer, sinh viên chuyên ngành AI). Những người này không nhất thiết phải là người quen.
  • Kết quả: Khi network đủ lớn, hầu hết mọi người trong network sẽ làm việc trong lĩnh vực AI. Khi có bài báo hoặc mô hình mới nổi bật, sẽ có người chia sẻ, giới thiệu trên newsfeed. Diễn giả chỉ cần lướt LinkedIn vài lần mỗi ngày để nắm bắt các xu hướng và tin tức mới nhất.

2. Lọc và chọn lọc thông tin về AI

Sau khi có nguồn thông tin cập nhật, cần tiếp tục lọc để xác định những mô hình/bài báo đáng để đầu tư thời gian tìm hiểu.

• Tip 1: Ưu tiên các ông lớn. Những mô hình, bài báo nghiên cứu, cập nhật mới từ các công ty lớn về AI như OpenAI, Google, Microsoft, Meta thường có khả năng trở nên phổ biến cao hơn.
• Tip 2 (Quan trọng): Đừng vội tìm hiểu ngay. Khi một bài báo hay mô hình mới ra mắt, hãy chờ một vài tuần hoặc thậm chí vài tháng.
  • Lý do 1: Cộng đồng đánh giá. Khoảng thời gian chờ này là để cộng đồng tìm hiểu, sử dụng và đánh giá xem mô hình/bài báo đó có thực sự tốt hay không. Nếu phản hồi tích cực, đó là dấu hiệu đáng để nghiên cứu.
  • Lý do 2: Đa dạng nguồn tài liệu. Nếu tìm hiểu ngay, bạn chỉ có một nguồn duy nhất là bài báo gốc hoặc trang chủ của công ty/trường đại học. Sau vài tuần/tháng, các nhà nghiên cứu, tiến sĩ, giáo sư sẽ có thời gian tìm hiểu, viết bài tóm tắt, giới thiệu, thậm chí làm video hướng dẫn trên YouTube. Lúc này, bạn sẽ có nhiều lựa chọn nguồn tài liệu để học hỏi.
  • Ví dụ:
    • Mô hình Segment Anything của Meta (ra mắt 2 năm trước): Diễn giả biết nhưng không tìm hiểu ngay. Đến khi công việc cần, sau 2 năm, đã có rất nhiều tài liệu, hướng dẫn và các thư viện tích hợp mô hình này, giúp việc tìm hiểu dễ dàng hơn.
    • GPT-4o của OpenAI: Diễn giả đợi vài tuần khi có các tài liệu tóm tắt trước khi tìm hiểu.
    • MTP (Model-to-Model Communication Protocol): Diễn giả đợi 1-2 tuần khi có người sử dụng và review trước khi tìm hiểu qua các bài báo, tutorial trên YouTube.
  • Lời khuyên: Trừ khi bạn là nhà nghiên cứu hoặc kỹ sư AI ở các công ty lớn, không nhất thiết phải biết ngay và thành thạo mọi thứ mới ra mắt. Hãy để cộng đồng làm "tester" và "reviewer" miễn phí.

3. Tự mình kiểm chứng hiệu suất mô hình

• Không tin hoàn toàn vào công bố: Bất kể mô hình AI mới được truyền thông tốt đến đâu (ví dụ: kiến trúc GPT mới của OpenAI được công bố là rất tốt, nhanh, thông minh, làm toán như tiến sĩ), bạn phải tự mình sử dụng để kiểm chứng.
• Lý do:
  • Các công ty lớn thường chỉ công bố những điểm tốt nhất, kèm theo các benchmark ấn tượng.
  • Một mô hình có thể rất tốt với bài toán tổng quát bằng tiếng Anh, nhưng lại không tốt khi áp dụng vào trường hợp cụ thể bằng tiếng Việt.
  • Các công ty thường không tự nhận những điểm hạn chế của mô hình. Việc tự sử dụng giúp bạn hiểu rõ điểm mạnh, điểm yếu và liệu mô hình có thực sự tốt như lời quảng cáo hay không.

Lời khuyên để học AI hiệu quả

Diễn giả đưa ra hai lời khuyên quan trọng cho những người trẻ muốn học AI:

1. Học bài bản, học từ gốc rễ

• Không có đường tắt: Không có con đường tắt nào để học AI siêu tốt.
• Tránh bị cuốn vào "hot trend": Nhiều bạn khi bắt đầu học AI bị cuốn vào những thứ hot như LLM hay AI Agent và nhảy thẳng vào học những phần này.
• Học không bền vững: Đây là cách học không bền vững vì thiếu nền tảng vững chắc về toán, Machine Learning. Khi học những thứ phức tạp mà thiếu nền tảng, người học dễ bị nản vì không hiểu "vì sao nó lại như vậy".
• Quá trình dài và kiên trì: Học AI là một quá trình khó khăn, dài hơi, đòi hỏi sự kiên trì và chủ động.
• Mục tiêu học: Nếu chỉ học cách sử dụng công cụ (như ChatGPT) thì không nói gì. Nhưng nếu muốn học bài bản để trở thành Data Scientist, Machine Learning Engineer, hay AI Engineer, thì quá trình này đòi hỏi rất nhiều thời gian và nỗ lực.

2. Đảm bảo kiến thức và tư duy lập trình

• Nguy hiểm của công cụ hỗ trợ: Hiện nay, nhiều người sử dụng các công cụ hỗ trợ lập trình như ChatGPT. Điều này không sai nhưng rất nguy hiểm với những người chưa từng biết lập trình.
• Sự khác biệt:
  • Với người đã biết lập trình: Các công cụ này giúp tăng tốc độ, họ vẫn hiểu code do AI tạo ra.
  • Với người chưa biết lập trình: Nếu phụ thuộc ngay từ đầu, họ sẽ không biết cách giải quyết bài toán nếu không có công cụ hỗ trợ. Đây là điều nguy hiểm không chỉ trong AI mà còn trong bất kỳ mảng nào của công nghệ thông tin.
• Lời khuyên: Khi đang học, hãy cố gắng tự mình giải quyết các bài toán. Có thể dùng ChatGPT để kiểm tra lại hoặc tìm cách làm tốt hơn, nhưng tuyệt đối không sử dụng ngay khi vừa nhìn thấy bài tập. Sau này khi đã đi làm và có vị trí vững chắc, việc sử dụng ChatGPT là thoải mái.

Kết luận

Học AI là một quá trình gian nan và vất vả, chỉ những người thực sự nỗ lực mới có thể đi đến cùng. Những chia sẻ dựa trên kinh nghiệm 10 năm của diễn giả hy vọng sẽ hữu ích cho người học.

Giới thiệu các khóa học online của diễn giả

Diễn giả cũng giới thiệu các khóa học online của mình:

• Python và AI cơ bản: Dành cho người trái ngành, chưa tiếp xúc lập trình/IT. Dạy kiến thức Python cơ bản, thư viện Python trong Data/ML, và ứng dụng AI thực tế.
• Data và Machine Learning nâng cao: Dành cho người đang học/làm IT hoặc có kinh nghiệm lập trình. Cung cấp toàn bộ kiến thức về Data Science và Machine Learning, bao gồm NLP và Computer Vision. Học viên sẽ làm việc với private dataset từ công ty cũ của diễn giả (lĩnh vực tuyển dụng) để thấy sự khác biệt với public dataset.
• Deep Learning for Computer Vision cơ bản: Dành cho người có kiến thức ML cơ bản muốn tìm hiểu Deep Learning. Học về Neural Network, Convolutional Neural Network, các layer, kiến trúc CNN phổ biến và bài toán Image Classification.
• Deep Learning for Computer Vision nâng cao: Dành cho người đã hoàn thành khóa cơ bản. Học các chủ đề nâng cao như Object Detection, Image Segmentation, GAN, OCR. Đồng thời học cách sử dụng Docker – công cụ thiết yếu trong IT.
• Toán dành cho AI: Bổ trợ kiến thức toán cho những bạn yếu về toán. Học bốn mảng toán chính: Xác suất, Thống kê, Đại số tuyến tính, Giải tích, với cách áp dụng thực tế trong AI/Data Science/Machine Learning.

Thông tin liên hệ qua Zalo được cung cấp cho những ai quan tâm đến các khóa học.