9 posts tagged with "llm"

1. Agenda​

Thời gian đọc ước tính: ~12 phút

Learning outcome:​

• ✅ Phân biệt được Fine-Tuning với Prompt Engineering và RAG — biết khi nào dùng cái nào.
• ✅ Giải thích được Fine-Tuning hoạt động ra sao dưới góc độ học máy (Supervised vs. Unsupervised).
• ✅ Áp dụng được bộ câu hỏi framework để tự ra quyết định "có nên Fine-Tune không?" trước khi tốn tiền.
• ✅ Biết đến các công cụ/nền tảng thực hành Fine-Tuning phổ biến nhất hiện nay.

1. Agenda​

Thời gian đọc ước tính: ~12 phút

Learning outcome:​

• ✅ Hiểu bản chất của Foundation Models và sự khác biệt mang tính cách mạng so với Machine Learning truyền thống.
• ✅ Nhận diện được 3 "tượng đài" Foundation Models làm thay đổi cục diện AI: BERT, CLIP và họ nhà GPT.
• ✅ Nắm bắt được các ứng dụng thực tiễn (Text, Vision, Code, Speech) cũng như những thách thức hiện tại về dữ liệu và thiên kiến (Bias).

Synthesized from: Introduction to Generative AI and Large Language Models — Microsoft Generative AI for Beginners (GitHub)

Bài viết được tổng hợp và tái cấu trúc học thuật từ nguồn aha-mind:blog.

1. Agenda​

Thời gian đọc ước tính: ~12 phút

Learning outcome:​

• ✅ Hiểu được tại sao LLM lại gặp khó khăn trong việc trả về dữ liệu có cấu trúc ổn định.
• ✅ Giải thích được cơ chế hoạt động của Function Calling (Luồng tương tác 3 bước).
• ✅ Áp dụng được Function Calling bằng thư viện OpenAI để định nghĩa hàm và nhận về JSON chuẩn xác.
• ✅ Tích hợp được Function Calling vào hệ thống phần mềm (Gọi API thực tế dựa trên kết quả của LLM).

Synthesized from: Exploring and Comparing Different LLMs — Microsoft Generative AI for Beginners, Lesson 02

Bài viết được tổng hợp và tái cấu trúc học thuật từ nguồn aha-mind:blog.

1. Agenda​

Thời gian đọc ước tính: ~15 phút

Learning outcome:​

• ✅ Định nghĩa được SLM (Small Language Models) và hiểu được cách thức nén/chắt lọc (distilling) tri thức từ LLM.
• ✅ So sánh 5 điểm khác biệt cốt lõi giữa SLM và LLM (Kích thước, Khả năng hiểu, Tài nguyên, Thiên kiến, Suy luận).
• ✅ Khám phá sức mạnh của họ mô hình Microsoft Phi-3/Phi-3.5 (Instruct, Vision, MoE).
• ✅ Nắm bắt 4 phương thức triển khai SLM (Cloud API, Hugging Face, Ollama, ONNX Runtime).

Agenda​

Thời gian đọc ước tính: ~20 phút

Sau bài này, bạn sẽ:​

• Nắm vững các kỹ thuật Prompt Engineering cốt lõi: Zero-shot, Few-shot, Chain-of-Thought, ReAct
• Giải thích được sự khác biệt cốt lõi giữa Prompt Flow, RAG và Fine-tuning
• Thiết kế được kiến trúc RAG pipeline cơ bản cho một dự án thực tế
• Phân biệt được khi nào dùng phương pháp nào — và tại sao không phải lúc nào cũng cần Fine-tuning
• Áp dụng được Decision Tree để ra quyết định kỹ thuật trong dự án thực

📋 Agenda​

Thời gian đọc ước tính: ~12 phút

Sau bài này, bạn sẽ:​

• Hiểu được vì sao mỗi "làn sóng" AI ra đời — không phải vì hype, mà vì pain point thực sự.
• Phân tích được vai trò của RAG, MCP, Function Calling, Fine-tuning: chúng là công cụ xuyên suốt, không phải một "era" riêng biệt.
• Tranh luận được 3 kịch bản tương lai khác nhau của AI — không phải chỉ có 1 con đường tươi hồng.
• Tự hỏi được: "Team mình đang ở Phase nào? Cần chuẩn bị gì cho phase tiếp?"

Prerequisites:​

• Biết sơ lược về LLM, Chatbot, và AI Coding tools.
• Sẵn sàng bị đặt câu hỏi ngược lại 😄

AI Agent Skills là một bước tiến quan trọng trong việc mở rộng khả năng của Large Language Models (LLM). Thay vì training lại model hay viết code phức tạp, Skills cho phép inject domain-specific instructions vào context của LLM - biến AI đa năng thành chuyên gia trong từng lĩnh vực cụ thể.