Tracks
Nhà phát triển R
52 giờ
Kỹ sư AI là gì?
Kỹ sư AI chịu trách nhiệm thiết kế, phát triển và duy trì các hệ thống dựa trên AI. Họ sử dụng kỹ năng về học máy, lập trình, phân tích dữ liệu và các công nghệ khác để tạo ra những ứng dụng thông minh có thể học từ dữ liệu và đưa ra quyết định.
Kỹ năng kỹ thuật của kỹ sư AI
Để hiểu rõ hơn vai trò của kỹ sư AI, hãy xem những kỹ năng kỹ thuật mà họ thường có:
1. Ngôn ngữ lập trình
Hiển nhiên, một kỹ sư AI cần thành thạo các ngôn ngữ lập trình.
Một số ngôn ngữ thường dùng cho phát triển AI gồm có:
- Python
- Java
- R
- C++
- JavaScript
Python
Python đặc biệt phổ biến nhờ cú pháp dễ học và hệ sinh thái thư viện phong phú cho AI và học máy. Kiến thức về những ngôn ngữ này rất quan trọng để phát triển thuật toán, triển khai mô hình và làm việc với dữ liệu.
Mức độ sử dụng Python tăng qua các năm - Nguồn
Theo chỉ số TIOBE, điều này đã dẫn đến mức độ phổ biến của Python tăng dần qua các năm.
Các thư viện như TensorFlow, Keras và PyTorch thường được dùng trong Python để phát triển AI. TensorFlow 2.13 giới thiệu hỗ trợ tốt hơn cho TensorFlow Lite, giúp triển khai trên thiết bị biên hiệu quả hơn. PyTorch 2.0 mang đến các cải tiến về đồ thị tính toán động, nâng cao hiệu năng và tính linh hoạt. Thư viện Transformers của Hugging Face cũng ngày càng phổ biến để tích hợp các mô hình sinh như GPT-4 và LLaMA. Các trường hợp sử dụng bao gồm phân tích dự đoán, xử lý ngôn ngữ tự nhiên và nhận dạng hình ảnh
Bắt đầu học ngay với lộ trình Lập trình Python của chúng tôi.
Muốn dùng PyTorch cho học sâu? Hãy khởi động việc học của bạn với tờ ghi chú dưới đây.
Tờ ghi chú Deep Learning với PyTorch của chúng tôi
R
Ngôn ngữ R, chủ yếu dùng cho phân tích thống kê và biểu diễn đồ họa, cũng thường xuyên được dùng trong AI.
Gói 'caret' trong R hỗ trợ mô hình dự đoán, trong khi 'e1071' đơn giản hóa quy trình tạo mô hình học máy. R được sử dụng trong các dự án AI liên quan đến nghiên cứu khoa học, chăm sóc sức khỏe, tài chính và phân tích mạng xã hội.
Chúng tôi có lộ trình kỹ năng Lập trình R, sẽ dạy bạn cách viết mã như một lập trình viên từ đầu.
Java
Java là lựa chọn phổ biến khác trong phát triển AI, chủ yếu nhờ tính đơn giản, dễ đọc và khả năng tương tác người dùng xuất sắc.
Quản lý bộ nhớ mạnh mẽ và sự phong phú của các thư viện học máy chất lượng cao, như Stanford NLP và Apache OpenNLP, khiến Java phù hợp để phát triển chatbot.
Các trường hợp sử dụng bao gồm chatbot, hệ thống gợi ý trên website và phát hiện gian lận trong lĩnh vực tài chính. Bạn có thể bắt đầu với khóa học Giới thiệu về Java của chúng tôi.
Nếu bạn dự định dùng OpenAI API để phát triển chatbot, hãy xem khóa học Làm việc với OpenAI API.
C++
C++ cho phép thực thi các ứng dụng cấp cao với chi phí tính toán tương đối thấp, phù hợp cho học máy và tính toán mạng nơ-ron.
Các thư viện như Shark và mlpack được thiết kế cho học máy bằng C++. Các trường hợp sử dụng AI bao gồm thị giác máy tính, robot và trò chơi. Xem hướng dẫn về Llama.cpp để tìm hiểu cách C++ được dùng với LLM LLaMA.
2. Mô hình hóa và kỹ thuật dữ liệu
Dữ liệu là nền tảng của AI, và kỹ sư AI cần hiểu sâu về mô hình hóa và kỹ thuật dữ liệu.
Họ nên biết cách thu thập, làm sạch và chuyển đổi dữ liệu sang định dạng phù hợp cho phân tích. Kiến thức về SQL và cơ sở dữ liệu NoSQL là thiết yếu để truy vấn và quản lý các tập dữ liệu lớn.
Các công cụ như Apache Spark, Hadoop, AWS S3 và DuckDB cũng thường được dùng để xử lý dữ liệu trong các dự án AI.
3. Phân tích dữ liệu lớn
Kỹ sư AI cần có khả năng phân tích các tập dữ liệu lớn và rút ra những hiểu biết có ý nghĩa. Điều này liên quan đến việc dùng các công cụ dữ liệu lớn như SparkSQL, Apache Flink, Apache Arrow và Google Cloud Platform để truy vấn và thao tác các tập dữ liệu lớn.
Khóa học nền tảng dữ liệu lớn với PySpark của chúng tôi bao quát nhiều nguyên lý đằng sau phân tích dữ liệu lớn, là điểm khởi đầu hoàn hảo để bạn học tập.
4. Mô hình học máy
Kiến thức về các mô hình học máy và thuật toán là bắt buộc đối với kỹ sư AI.
Điều này bao gồm hiểu các kỹ thuật học có giám sát và không giám sát, cũng như các thuật toán học sâu như mạng nơ-ron tích chập (CNN) và mạng nơ-ron hồi quy (RNN).
Kỹ sư AI cũng cần biết cách đánh giá hiệu năng của các mô hình này bằng các chỉ số như
- Accuracy (độ chính xác)
- Precision (độ chính xác dương)
- Recall (độ bao phủ)
- Root-mean-square deviation (RMSE)
- Mean absolute error (MAE)
- F1 score
Lộ trình kỹ năng Nền tảng Học máy với Python của chúng tôi có thể giúp bạn học nhiều kiến thức cơ bản về học máy.
5. Dịch vụ AI và ML
Kỹ sư AI cũng nên quen thuộc với các dịch vụ AI và học máy trên đám mây do các nhà cung cấp lớn cung cấp như AWS, Azure và Google Cloud Platform. Bedrock của AWS nay cung cấp các mô hình nền tảng được quản lý, và Vertex AI của Google đã bổ sung các tính năng đơn giản hóa việc triển khai mô hình ngôn ngữ lớn. Các dịch vụ này cung cấp mô hình dựng sẵn, API và công cụ để phát triển ứng dụng thông minh mà không cần quá nhiều mã hóa. Ngoài ra, sự trỗi dậy của các nền tảng AI low-code/no-code như Microsoft Power Platform và Google AutoML đã giúp việc phát triển AI trở nên dễ tiếp cận hơn với những người không có nền tảng lập trình sâu. Xem tờ ghi chú So sánh dịch vụ AWS, Azure và GCP để biết thêm chi tiết.
6. Triển khai AI & DevOps
Triển khai ứng dụng AI đòi hỏi hợp tác với các đội DevOps để đảm bảo tích hợp và triển khai suôn sẻ.
Kỹ sư AI nên biết cách sử dụng các công cụ như Docker và Kubernetes để đóng gói (container hóa), quản lý cấu hình và điều phối triển khai.
Họ cũng chịu trách nhiệm giám sát và duy trì hiệu năng của hệ thống AI sau khi triển khai.
Khóa học Giới thiệu về Docker của chúng tôi cung cấp nền tảng tốt để bắt đầu, và bạn có thể tìm hiểu thêm về chứng chỉ Docker trong một bài viết riêng.
Để được hướng dẫn cách triển khai AI, bạn có thể xem khóa học Triển khai giải pháp AI trong doanh nghiệp.
7. Bảo mật AI
Hiểu và triển khai các biện pháp bảo mật dữ liệu và quyền riêng tư mạnh mẽ là rất quan trọng đối với bất kỳ kỹ sư AI nào, vì các ứng dụng AI mang lại những lỗ hổng bảo mật mới.
Là kỹ sư AI, bạn có trách nhiệm đảm bảo tính bảo mật, toàn vẹn và sẵn sàng của dữ liệu bạn xử lý.
Điều này bao gồm hiểu các quy định liên quan đến bảo vệ dữ liệu, như Quy định Bảo vệ Dữ liệu Chung (GDPR), và triển khai các khung AI an toàn tuân thủ các quy định này.
Ngoài ra, kỹ sư AI phải am hiểu về nhiều phương pháp mã hóa, thực hành phát triển mô hình AI an toàn và sẵn sàng xử lý các cuộc tấn công hoặc vi phạm bảo mật tiềm ẩn.
Một số kỹ thuật mà kỹ sư AI sử dụng bao gồm:
- Tính toán đa bên để chia sẻ dữ liệu an toàn
- Chênh lệch quyền riêng tư (differential privacy) để bảo vệ các điểm dữ liệu cá nhân
- Mã hóa đồng cấu để tính toán an toàn trên dữ liệu đã mã hóa
Một số công cụ dùng để bảo vệ ứng dụng AI bao gồm:
- AWS Identity and Access Management: dịch vụ cho phép bạn quản lý truy cập vào tài nguyên AWS một cách an toàn
- TensorFlow Privacy: thư viện hỗ trợ phát triển các mô hình học máy an toàn và bảo vệ quyền riêng tư.
Để bắt đầu, tôi khuyên bạn nên xem qua Khung AI An toàn của Google.
Các thư viện AI phổ biến và trường hợp sử dụng
Bảng dưới đây cung cấp tham chiếu nhanh cho thấy sự đa dạng của các thư viện dành cho những tác vụ AI khác nhau, giúp bạn quyết định công cụ nào phù hợp nhất với định hướng kỹ thuật AI của mình.
| Thư viện | Ngôn ngữ lập trình | Trường hợp sử dụng |
|---|---|---|
| TensorFlow | Python, C++ | Học sâu, huấn luyện mạng nơ-ron, nhận dạng hình ảnh, xử lý ngôn ngữ tự nhiên và hơn thế nữa. |
| PyTorch | Python | Học sâu, phát triển mạng nơ-ron, thị giác máy tính, NLP và học tăng cường. |
| scikit-learn | Python | Thuật toán học máy cổ điển, tiền xử lý dữ liệu, đánh giá mô hình và phân cụm. |
| Keras | Python | Học sâu đơn giản hóa, kiến trúc mạng nơ-ron, thử nghiệm nhanh và nghiên cứu. |
| OpenCV | C++, Python | Các tác vụ thị giác máy tính như xử lý ảnh, phát hiện đối tượng và nhận diện khuôn mặt. |
| NLTK | Python | Các tác vụ xử lý ngôn ngữ tự nhiên bao gồm tách từ, đưa về gốc và phân loại văn bản. |
| spaCy | Python | Thư viện NLP cấp công nghiệp cho các tác vụ như nhận dạng thực thể có tên, gán nhãn từ loại. |
| Apache MXNet | Python, Scala | Học sâu mở rộng, huấn luyện mô hình, triển khai trên nhiều thiết bị, bao gồm cả di động và thiết bị biên. |
| Caffe | C++, Python | Mạng nơ-ron tích chập (CNN) cho phân loại hình ảnh và nghiên cứu học sâu. |
| Gensim | Python | Mô hình chủ đề, phân tích độ tương đồng tài liệu và biểu diễn từ. |
| Theano | Python | Nghiên cứu học sâu, phép toán trên mảng đa chiều. |
| H2O.ai | Java, R, Python | Học máy mở rộng, phân tích dữ liệu và mô hình dự đoán cho ứng dụng doanh nghiệp. |
| Apache Mahout | Java, Scala | Các thuật toán học máy có khả năng mở rộng cho phân loại, phân cụm và lọc cộng tác. |
Kỹ năng phi kỹ thuật cho kỹ sư AI
Ngoài kỹ năng kỹ thuật, kỹ sư AI cũng nên có một số kỹ năng mềm để xuất sắc trong vai trò của mình. Bao gồm:
8. Giao tiếp và cộng tác
Kỹ sư AI cần kỹ năng giao tiếp tốt để truyền đạt hiệu quả các khái niệm và ý tưởng AI phức tạp tới các bên liên quan không chuyên môn kỹ thuật.
Hơn nữa, vì các dự án AI thường là nỗ lực theo nhóm, nên cộng tác là điều thiết yếu để thực thi dự án hiệu quả.
Bạn có thể sẽ họp thường xuyên với các vai trò công nghệ khác như:
- Nhà khoa học dữ liệu, để thảo luận về phát triển và tối ưu hóa mô hình
- Chuyên viên phân tích dữ liệu, để hiểu yêu cầu dữ liệu cho các dự án AI
- Lập trình viên phần mềm, để tích hợp mô hình AI vào hệ thống hiện có
- Quản lý dự án, để đảm bảo giao hàng đúng hạn và thành công
9. Thích ứng và học hỏi liên tục
Lĩnh vực AI liên tục phát triển, với các công cụ, kỹ thuật và tiến bộ mới xuất hiện mọi lúc.
Vì vậy, kỹ sư AI phải linh hoạt và sẵn sàng học hỏi liên tục để luôn cập nhật những phát triển mới nhất trong lĩnh vực.
10. Tư duy phản biện và giải quyết vấn đề
Khả năng tư duy phản biện và giải quyết các vấn đề phức tạp là điều sống còn đối với kỹ sư AI.
Các dự án AI thường liên quan đến làm việc với tập dữ liệu lớn, phát triển thuật toán tinh vi và khắc phục sự cố phát sinh trong quá trình phát triển hoặc triển khai mô hình.
11. Kiến thức miền
Có kiến thức chuyên sâu trong lĩnh vực bạn tập trung có thể giúp bạn có lợi thế như một kỹ sư AI.
Ví dụ, nếu bạn làm việc với các dự án AI liên quan đến chăm sóc sức khỏe, việc hiểu rõ ngành y tế và những thách thức của nó có thể giúp bạn phát triển giải pháp hiệu quả hơn.
Tương tự, nếu bạn làm việc với các dự án AI tài chính, nền tảng về tài chính hoặc kinh tế sẽ hữu ích.
Kỹ năng nâng cao cho kỹ thuật AI
12. Toán học nâng cao và kiến thức thuật toán
Toán học nâng cao, như đại số tuyến tính, giải tích và thống kê, là thiết yếu để hiểu các thuật toán và kỹ thuật AI.
Đây là tờ ghi chú thống kê để giúp bạn bắt đầu:
Tờ ghi chú Thống kê Mô tả của chúng tôi
Kỹ sư AI cũng nên biết cách phát triển các thuật toán tùy chỉnh dựa trên các mô hình toán học này để giải quyết các vấn đề độc nhất.
Khóa học Nền tảng Thống kê với Python của chúng tôi giúp bạn phát triển một số kỹ năng thiết yếu nếu bạn mới bắt đầu trong lĩnh vực này.
13. Kiến trúc mạng nơ-ron
Hiểu và ứng dụng mạng nơ-ron trong các giải pháp AI là kỹ năng then chốt cho kỹ sư AI.
Điều này bao gồm biết các loại mạng nơ-ron khác nhau, như mạng nơ-ron tích chập (CNN) và mạng nơ-ron hồi quy (RNN), ứng dụng của chúng và cách triển khai.
Một số công cụ dùng để phát triển kiến trúc mạng nơ-ron bao gồm:
- TensorFlow: thư viện mã nguồn mở để xây dựng và huấn luyện mạng nơ-ron
- Keras: API cấp cao chạy trên TensorFlow để đơn giản hóa việc xây dựng, kiểm thử và triển khai mô hình học sâu
14. Mô hình AI sinh và học tăng cường
Kỹ sư AI cũng nên tập trung vào việc hiểu các mô hình AI sinh như GPT-4, Stable Diffusion và LLaMA, những mô hình đang định hình lại các lĩnh vực như tạo văn bản, sáng tác nghệ thuật và hơn thế nữa. Bên cạnh đó, học tăng cường—được dùng trong các ứng dụng như robot và AI cho trò chơi—ngày càng trở nên quan trọng.
Học kỹ năng kỹ sư AI ở đâu
Để bắt đầu xây dựng tất cả những kỹ năng này, bạn có thể bắt đầu với:
1. Làm dự án
Nếu bạn đã làm việc trong một vai trò liên quan đến công nghệ, hãy tìm cơ hội hợp tác với các đội AI hoặc tham gia các dự án AI. Điều này sẽ cho bạn kinh nghiệm thực tế và giúp bạn hiểu các kỹ năng cụ thể cần thiết cho kỹ thuật AI.
Ngoài ra, tôi khuyên bạn nên xem một số dự án học máy có liên quan đến học sâu.
2. Khóa học và hướng dẫn trực tuyến
Có rất nhiều khóa học và hướng dẫn trực tuyến bao quát các kỹ năng kỹ thuật AI khác nhau. Chúng tôi đã đính kèm nhiều tài nguyên trong suốt bài viết, nhưng nếu bạn muốn bắt đầu, hãy xem lộ trình kỹ năng Nền tảng AI của chúng tôi.
3. Tham dự hội nghị và hội thảo AI
Tham dự các hội nghị và hội thảo AI cho bạn cơ hội kết nối với các chuyên gia khác trong lĩnh vực, tìm hiểu công cụ và kỹ thuật mới, và thu nhận những hiểu biết giá trị về xu hướng ngành.
Với webinar, hãy xem phiên về Thiết kế sản phẩm Dữ liệu & AI. Với hội nghị toàn diện, bạn có thể thích hội nghị RADAR AI của chúng tôi.
4. Đọc các ấn phẩm trong ngành
Luôn cập nhật những phát triển mới nhất trong ngành AI là điều tối quan trọng đối với kỹ sư AI.
Bạn có thể tìm nguồn từ các cổng tài nguyên như:
- arxiv: kho lưu trữ trực tuyến miễn phí các bài báo nghiên cứu trong nhiều lĩnh vực, bao gồm trí tuệ nhân tạo và học máy.
- MIT Technology Review: tạp chí tập trung vào các công nghệ mới nổi và tác động của chúng tới xã hội.
Tổng kết
Kỹ thuật AI là một lĩnh vực phát triển nhanh với tiềm năng to lớn cho những ai sở hữu các kỹ năng và kiến thức cần thiết.
Với sự kết hợp đúng đắn giữa kỹ năng kỹ thuật và phi kỹ thuật, bạn có thể xuất sắc trong vai trò này và góp phần thúc đẩy các giải pháp AI đột phá.
Bạn đang cân nhắc trang bị những kỹ năng kỹ sư AI cho chính mình? Để bắt đầu trong lĩnh vực AI, hãy xem lộ trình kỹ năng Nền tảng AI hoặc tuyển tập Hướng dẫn AI của chúng tôi.