14 posts tagged with "synthesized"

Agenda​

Thời gian đọc ước tính: ~25 phút

Learning outcome:​

• Phân biệt chính xác ba khái niệm Continuous Integration, Continuous Delivery và Continuous Deployment — không còn dùng lẫn lộn
• Giải thích được vai trò của từng môi trường (local, staging, production) trong vòng đời phần mềm chuyên nghiệp
• Tự tay thiết lập CI/CD workflow bằng GitHub Actions, Docker Hub và Google Cloud Run cho dự án Node.js thực tế

1. Agenda​

Thời gian đọc ước tính: ~12 phút

Learning outcome:​

• ✅ Hiểu được bản chất 7 kỹ thuật Prompt nâng cao (Zero-shot, Few-shot, Chain-of-thought, Generated knowledge, Least-to-most, Self-refine, Maieutic).
• ✅ Áp dụng được các kỹ thuật này để giải quyết các bài toán logic hoặc lập trình.
• ✅ Phân biệt được khi nào nên sử dụng Self-refine và khi nào dùng Maieutic prompting.
• ✅ Làm chủ được tham số Temperature để kiểm soát tính ngẫu nhiên (nondeterministic) của mô hình.

1. Agenda​

Thời gian đọc ước tính: ~15 phút

Learning outcome:​

• ✅ Định nghĩa được AI Agent là gì thông qua 2 yếu tố cốt lõi: State và Tools.
• ✅ Phân biệt được 4 Agent Framework hàng đầu hiện nay.
• ✅ Hiểu được điểm mạnh riêng biệt của từng Framework (Ví dụ: Tại sao lại chọn AutoGen cho đàm phán, nhưng lại chọn TaskWeaver cho phân tích dữ liệu).
• ✅ Áp dụng (Về mặt tư duy) cách thiết kế hệ thống đa tác nhân (Multi-Agent).

1. Agenda​

Thời gian đọc ước tính: ~10 phút

Learning outcome:​

• ✅ Phân biệt được sự khác nhau giữa Semantic Search (Tìm kiếm ngữ nghĩa) và Keyword Search (Tìm kiếm từ khóa).
• ✅ Hiểu được bản chất của Text Embeddings, Vectors và không gian đa chiều (Multidimensional space).
• ✅ Giải thích được cơ chế hoạt động của Cosine Similarity trong việc đo lường độ tương đồng ngữ nghĩa.
• ✅ Nắm bắt quy trình tạo Embedding Index và lưu trữ bằng Vector Databases.

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).

1. Agenda​

Thời gian đọc ước tính: ~10 phút

Learning outcome:​

• ✅ Nhận diện được sự chuyển dịch mô hình (Paradigm Shift) từ MLOps truyền thống sang LLMOps.
• ✅ Phân biệt được các tiêu chí đánh giá mới của LLMOps (Honesty, Harm, Quality) so với MLOps (Accuracy, Recall).
• ✅ Nắm vững 3 giai đoạn vòng đời của LLM (Ideating, Augmenting, Operationalizing).
• ✅ Hiểu vai trò của các công cụ như PromptFlow và Azure AI trong việc tự động hóa vòng đời ứng dụng.

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.