4 Giá Trị Cốt Lõi Của Nền Tảng Tự Học
Cam kết mang lại tri thức kỹ thuật chuẩn mực, minh bạch về bản quyền và an toàn tuyệt đối về pháp lý
GIÁO TRÌNH TỰ HỌC MỞ (OPEN CURRICULUM)
Nền tảng được xây dựng phục vụ cộng đồng tự nghiên cứu, tự rèn luyện kỹ năng từ tư duy sản phẩm, toán học gốc rễ đến kiến trúc hệ thống AI hiện đại mà không phụ thuộc vào bất kỳ khóa học đóng phí nào.
TUYỆT ĐỐI KHÔNG VI PHẠM BẢO MẬT (NDA-COMPLIANT)
Vì là tài liệu tự học và nghiên cứu độc lập, 100% kiến thức, code mẫu và đề thi đều được tổng hợp từ nguồn mở quốc tế (Stanford, DeepLearning.AI, HuggingFace), không trích xuất tài liệu nội bộ.
CHUẨN NĂNG LỰC QUỐC TẾ SFIA (v8) & BLOOM
Giáo trình và lab tập trung từ L0 đến L4; kết hợp ma trận SFIA (v8) 7 cấp độ và Bloom's Taxonomy để người học đo lường và định vị năng lực dài hạn.
THỰC HÀNH LAB KỸ THUẬT PRODUCTION THẬT
Kết hợp lý thuyết với 13 bài lab thực chiến: Dựng môi trường Cloud, Lakehouse, Qdrant Vector Store, vLLM Model Serving và Security Gateway sẵn sàng chạy trong môi trường doanh nghiệp.
Về Chương Trình Đào Tạo AI in Action
Chương trình đào tạo nhân tài AI thực chiến (đồng hành bởi Trường Đại học VinUni và Tập đoàn Vingroup) là hình mẫu đào tạo 12 tuần với 3 giai đoạn rõ rệt, truyền cảm hứng cho cấu trúc giáo trình tự học của nền tảng này.
NỀN TẢNG TOÀN DIỆN
Xây dựng nền tảng tư duy và kỹ năng AI toàn diện qua 3 trụ cột kỹ thuật:
Tư duy sản phẩm AI, bài toán kinh doanh, kiểm chứng giả định và phân tích nhu cầu.
Hạ tầng tính toán đám mây, data pipeline, lakehouse và lưu trữ vector.
Ứng dụng mô hình ngôn ngữ lớn, prompt engineering và xây dựng MVP.
Khung Năng Lực AI: Từ Nhận Biết Đến Chiến Lược
Hệ thống đối chiếu 7 cấp độ trách nhiệm theo chuẩn quốc tế SFIA (v8). Nền tảng cung cấp giáo trình & lab thực hành từ Level 0 đến Level 4; các cấp độ L5 - L7 là khung tham chiếu năng lực mở rộng cho môi trường dự án thực tế tại doanh nghiệp.
NHẬN BIẾT (Remember)
Sử dụng Prompt Template có sẵn, làm quen với các công cụ Generative AI và vận hành tác vụ cơ bản.
HIỂU (Understand)
Hỗ trợ gán nhãn dữ liệu, hiểu nguyên lý LLM và tạo Chatbot/Prompt pipeline cơ bản.
ÁP DỤNG (Apply)
Tự chủ xây dựng MVP, tích hợp Hybrid RAG (Qdrant Vector DB), backend bất đồng bộ FastAPI SSE.
PHÂN TÍCH (Analyze)
Đồng hành xây dựng hệ thống AI Agent phức tạp, tối ưu hóa RAG đa chiều và xây dựng tập dữ liệu huấn luyện.
ĐÁNH GIÁ (Evaluate)
Tư vấn thiết kế & triển khai Agentic AI, fine-tuning mô hình với LoRA/QLoRA và triển khai vLLM serving.
TẠO MỚI (Create)
Nghiên cứu kiến trúc Framework AI mới, tối ưu hóa quy mô và thiết kế hệ thống Enterprise C4.
CHIẾN LƯỢC (Set Strategy)
Định hướng tầm nhìn công nghệ AI, hoạch định chiến lược và xây dựng tiêu chuẩn AI toàn diện (ISO 42001).
Lộ Trình 5 Bước Tự Học AI Từ L0
Quy trình tự rèn luyện từ L0 đến L4: làm chủ toán học & code mẫu, thực hành lab hạ tầng và kiểm thử mô phỏng độc lập
ĐỊNH VỊ NĂNG LỰC SFIA (v8)
Đối chiếu năng lực hiện tại của bản thân với khung tham chiếu SFIA (v8) để xác định điểm xuất phát từ L0 và lộ trình thực hành.
- •Bắt đầu từ nền tảng L0
- •Nắm vững kỹ năng thực hành L1 - L4
- •Định hướng phát triển dài hạn L5 - L7
LÀM CHỦ TOÁN GỐC & CƠ CHẾ AI
Học sâu bản chất toán học: Scaled Dot-Product Attention, Cosine Similarity, Cross-Entropy Loss và ma trận phân rã LoRA.
- •Đọc tài liệu lý thuyết Chuyên đề 01 - 07
- •Nắm vững công thức KaTeX toán học
- •Thực thi code mẫu Python/PyTorch
THỰC HÀNH LAB HẠ TẦNG & DỮ LIỆU
Thiết lập môi trường local sạch (Python, Docker, venv), dựng Cloud AI, xây dựng Data Pipeline, Lakehouse và Qdrant Vector DB.
- •Làm theo Checklist Local & Day 16 Cloud
- •Thực hành Async FastAPI Streaming
- •Tối ưu hóa HNSW Vector Search
LUYỆN TẬP ĐỀ THI MÔ PHỎNG (MOCK)
Kiểm tra kiến thức qua các bài thi mô phỏng học thuật độc lập (100% Mock Practice) có chấm điểm tự động và giải thích chi tiết.
- •Làm bài thi trắc nghiệm L1-L4
- •Rà soát lỗ hổng kiến thức
- •Tuân thủ 100% quy chuẩn NDA học thuật
XÂY DỰNG ENTERPRISE PORTFOLIO
Ghép nối toàn bộ kiến thức vào Day 28: Hợp nhất thành một Enterprise AI Platform hoàn chỉnh để phục vụ công việc và portfolio cá nhân.
- •Xây dựng Multi-Agent LangGraph
- •Triển khai vLLM Serving & Observability
- •Đóng góp mã nguồn mở cho cộng đồng
Khung Tư Duy Sản Phẩm AI (AI Product Frameworks)
Đúc kết thực chiến toàn diện từ học viên Khóa 1 chương trình AI in Action: Bộ 4 công cụ tư duy chuyển hóa ý tưởng thành sản phẩm AI có giá trị thực tiễn và ứng dụng thực tế.
TARGET CUSTOMER — Khách Hàng Mục Tiêu
"Không chọn nhóm đông nhất. Chọn nhóm có vấn đề đau nhất, cấp thiết và có thể tiếp cận để test ngay."
Phân Tích Chi Tiết & Bối Cảnh Thực Chiến:
Target Customer không chỉ là một nhãn chung chung như “sinh viên” hay “nhân viên văn phòng”. Đó là nhóm người dùng cụ thể đang gặp cùng một vấn đề, trong bối cảnh tương đối giống nhau, và có khả năng tiếp cận để team học từ họ. Ở giai đoạn đầu, chọn một nhóm hẹp thường tốt hơn chọn một nhóm đông. Ví dụ: “Người làm HR tại công ty 50-200 người đang phải sàng lọc CV thủ công” hữu ích hơn nhiều so với “người làm HR”. Nhóm càng rõ, team càng dễ phỏng vấn, quan sát workflow và kiểm chứng vấn đề.
"Trong 1 tuần, mình có thể quan sát nhóm nào? Nhóm nào đang đau nhất, cần giải quyết sớm nhất và mình có thể tiếp cận để kiểm chứng ngay?"
FOLLOW (Nhận biết - Remember)
Vận hành tác vụ AI cơ bản theo quy trình chuẩn từng bước
ASSIST (Hiểu sâu - Understand)
Hiểu nguyên lý hoạt động, gán nhãn dữ liệu & tạo Prompt pipeline cơ bản
APPLY (Áp dụng - Apply)
Tự chủ xây dựng MVP, tích hợp Vector DB, Hybrid RAG & Backend FastAPI SSE
ENABLE (Phân tích - Analyze)
Đồng hành xây dựng hệ thống Multi-Agent LangGraph & Kỹ thuật LoRA PEFT
APPLY (Áp dụng - Apply)
Tự chủ xây dựng MVP, tích hợp Vector DB, Hybrid RAG & Backend FastAPI SSE
Tự chủ triển khai toàn bộ tính năng RAG từ khâu xử lý dữ liệu đến tích hợp Vector Database và Backend API.
Mục Tiêu & Tiêu Chuẩn Năng Lực Cần Đạt:
Trợ lý tra cứu tài liệu nội bộ tích hợp Vector Search, Streaming Token SSE và trích dẫn bằng chứng tài liệu nguồn.