Name: Kỹ thuật Trí tuệ Nhân tạo: Một lộ trình thực tế cho người mới bắt đầu (AI Engineering: A Realistic Roadmap for Beginners)
Uploaded: 2025-09-18T05:18:12.000Z
Duration: 15 min 53 s
Description: Thousands of YouTube videos with English-Chinese subtitles! Now you can learn to understand native speakers, expand your vocabulary, and improve your pronunciation...

If you're interested in becoming an AI engineer, then watch this video.

Nếu bạn quan tâm đến việc trở thành một kỹ sư trí tuệ nhân tạo, hãy xem video này.

I'm going to give you a complete roadmap, a step by step guide on how to break into this field for beginners.

Tôi sẽ cung cấp cho bạn một lộ trình chi tiết, một hướng dẫn từng bước để giúp người mới bắt đầu có thể bước chân vào lĩnh vực này.

I'm going to try not to use a ton of fancy terms.

Tôi sẽ cố gắng không sử dụng quá nhiều thuật ngữ chuyên môn.

I'm going to make this very clear and easy to understand.

Tôi sẽ làm cho điều này thật rõ ràng và dễ hiểu.

And I'm going to explain practically how you actually could become an AI engineer in 2025 and beyond.

Và tôi sẽ giải thích cụ thể cách bạn có thể trở thành một kỹ sư trí tuệ nhân tạo (AI) vào năm 2025 và những năm sau đó.

So let's start by defining what an AI engineer is.

Vậy hãy bắt đầu bằng cách định nghĩa xem một kỹ sư trí tuệ nhân tạo (AI) là gì.

It's not something that I can give an a hundred percent answer on.

Đó không phải là điều mà tôi có thể đưa ra câu trả lời chắc chắn 100%.

And that's because this role is constantly changing.

Và đó là bởi vì vai trò này luôn thay đổi.

AI is evolving extremely fast and all kinds of companies have a different idea of what an AI engineer should be.

Trí tuệ nhân tạo (AI) đang phát triển với tốc độ cực kỳ nhanh chóng và các loại hình doanh nghiệp khác nhau có những quan điểm khác nhau về vai trò của một kỹ sư AI.

So in this video, I want to focus on a very practical pragmatic AI engineer, which really means that you're responsible for implementing AI into software systems.

Trong video này, tôi muốn tập trung vào vai trò của một kỹ sư AI thực tiễn và thực dụng, điều này có nghĩa là bạn chịu trách nhiệm triển khai trí tuệ nhân tạo vào các hệ thống phần mềm.

It doesn't mean that you're going to build an AI model from scratch.

Điều đó không có nghĩa là bạn sẽ phải xây dựng một mô hình trí tuệ nhân tạo (AI) từ đầu.

It doesn't mean that you're going to become the next open AI and train something like, you know, GPT five, that's really reserved for people that are significantly smarter than probably all of us that have done massive amounts of academic research, PhDs, you name it.

Điều đó không có nghĩa là bạn sẽ trở thành OpenAI tiếp theo và đào tạo một mô hình như GPT-5. Điều đó thực sự chỉ dành cho những người có trí tuệ vượt trội hơn hẳn so với hầu hết chúng ta, những người đã thực hiện hàng loạt nghiên cứu học thuật, tiến sĩ, 

Đó không phải là điều tôi đang nói đến ở đây.

And that's actually really much more machine learning and like AI research than it is practical AI engineering.

Và thực ra, điều đó thực sự liên quan nhiều hơn đến học máy và nghiên cứu trí tuệ nhân tạo (AI) hơn là kỹ thuật AI thực tiễn.

Most of the AI engineering roles that I'm aware of involve using existing tools, things like Lang graph or Lang chain, maybe doing something like fine tuning and LLM doing some prompt engineering work, understanding how to use these APIs, which LLM is better for a specific task.

Hầu hết các vị trí kỹ sư AI mà tôi biết đều liên quan đến việc sử dụng các công cụ hiện có, như Lang graph hoặc Lang chain, có thể thực hiện các tác vụ như tinh chỉnh mô hình (fine tuning) và làm việc với mô hình ngôn ngữ lớn (LLM) trong việc thiết kế pro

That's really what I'm talking about here.

Đó chính xác là điều tôi đang nói đến ở đây.

So to summarize it, it means you are actually really practically building systems that use typically existing AI models or kind of base LLMs.

Tóm lại, điều này có nghĩa là bạn thực sự đang xây dựng các hệ thống sử dụng các mô hình AI hiện có hoặc các mô hình ngôn ngữ lớn (LLMs) cơ bản.

You may be doing something on top of that or enhancing the system, but a lot of this is actually core software engineering work that just happens to revolve around using AI, right?

Bạn có thể đang làm thêm một số việc khác hoặc nâng cấp hệ thống, nhưng phần lớn công việc này thực chất là công việc kỹ thuật phần mềm cốt lõi, chỉ là nó xoay quanh việc sử dụng trí tuệ nhân tạo (AI), đúng không?

AI really being all of these crazy models like LLMs or existing machine learning models that people much smarter than us have already built.

Trí tuệ nhân tạo (AI) thực sự là tất cả những mô hình phức tạp như các mô hình ngôn ngữ lớn (LLMs) hoặc các mô hình học máy hiện có mà những người thông minh hơn chúng ta đã xây dựng.

So with that in mind, let's get into the roadmap.

Với suy nghĩ đó, hãy cùng nhau tìm hiểu về lộ trình.

Now, the reality here is that if you were doing this, you are going to be using Python.

Hiện tại, thực tế là nếu bạn đang làm điều này, bạn sẽ sử dụng Python.

Python is just the number one language when it comes to machine learning and AI, it's very easy to learn.

Python là ngôn ngữ hàng đầu trong lĩnh vực học máy và trí tuệ nhân tạo, và nó rất dễ học.

It's used in this field massively, and all of the main frameworks are written in Python.

Nó được sử dụng rộng rãi trong lĩnh vực này, và tất cả các khung công tác chính đều được viết bằng Python.

Vậy bạn sẽ cần phải học Python.

And what that means is they need to have a really strong foundation in Python and programming in general.

Và điều đó có nghĩa là họ cần có một nền tảng vững chắc về Python và lập trình nói chung.

Điều này có nghĩa là bạn cần hiểu về vòng lặp.

You should know more specific Python features, even more advanced features, things like decorators, generators, potentially meta classes.

Bạn nên tìm hiểu thêm về các tính năng cụ thể của Python, thậm chí là các tính năng nâng cao hơn, như decorators, generators, và có thể cả meta classes.

I have all kinds of Python roadmaps out there, but the point is you're probably going to have to spend at least two months here, learning Python, getting good at it, and just learning standard software engineering with Python before we can dive into AI and ML.

Tôi có rất nhiều lộ trình học Python khác nhau, nhưng điểm mấu chốt là bạn có thể sẽ phải dành ít nhất hai tháng ở đây để học Python, thành thạo nó và nắm vững các kỹ năng lập trình phần mềm cơ bản bằng Python trước khi chúng ta có thể bắt đầu tìm hiểu về

Đây không phải là một lĩnh vực.

It takes a good amount of time to get good at this.

Để thành thạo việc này cần khá nhiều thời gian.

So make sure that you have a really strong Python foundation.

Vì vậy, hãy đảm bảo rằng bạn có một nền tảng Python vững chắc.

Now, once you built a strong foundation in Python, there's a whole list of tools that you're going to need to learn that are very likely going to be used for an AI engineering rule.

Bây giờ, sau khi bạn đã xây dựng được nền tảng vững chắc trong Python, có một danh sách dài các công cụ mà bạn cần phải học, và rất có thể chúng sẽ được sử dụng trong quy trình phát triển công nghệ trí tuệ nhân tạo (AI).

Now, the first is Git and GitHub that's for version control and essentially saving and checkpointing your code.

Bây giờ, đầu tiên là Git và GitHub, dùng để quản lý phiên bản và cơ bản là lưu trữ và đánh dấu các điểm kiểm tra cho mã nguồn của bạn.

You're going to need to understand how to use various IDEs or editors, things like PyCharm, cursor, VS code, et cetera.

Bạn sẽ cần phải nắm vững cách sử dụng các môi trường phát triển tích hợp (IDE) hoặc trình soạn thảo như PyCharm, Cursor, VS Code, v.v.

You're likely going to need to commands or terminal commands.

Bạn có thể sẽ cần sử dụng các lệnh hoặc lệnh terminal.

So how to navigate a command line interface, just something that's pretty common when it comes to being a programmer or software engineer of any type, then you'll need to understand things like virtual environments and how you isolate dependencies for your Python projects.

Vậy làm thế nào để sử dụng giao diện dòng lệnh, một kỹ năng khá phổ biến đối với lập trình viên hoặc kỹ sư phần mềm ở bất kỳ lĩnh vực nào, thì bạn cần hiểu các khái niệm như môi trường ảo và cách cách ly các phụ thuộc cho các dự án Python của mình.

And then lastly, things like Jupiter notebooks.

Và cuối cùng, những thứ như sổ tay Jupiter.

So you actually can run an experiment with different Python code.

Vậy bạn thực sự có thể chạy một thí nghiệm với các đoạn mã Python khác nhau.

Vậy là hầu hết những điều đó.

And then additionally, I will mention that having a math background or a computer science degree would obviously be helpful here.

Ngoài ra, tôi cũng muốn nhắc thêm rằng việc có nền tảng toán học hoặc bằng cấp về khoa học máy tính rõ ràng sẽ rất hữu ích trong trường hợp này.

Tuy nhiên, điều này không phải là yêu cầu bắt buộc.

And in fact, most of these AI engineering rules that I've seen don't actually require a lot of advanced mathematics.

Và trên thực tế, hầu hết các quy tắc kỹ thuật AI mà tôi đã thấy không thực sự yêu cầu nhiều kiến thức toán học cao cấp.

Like I said, in most cases, you're actually using existing models and building systems around that, as opposed to really developing the models or the LLMs on your own.

Như tôi đã nói, trong hầu hết các trường hợp, bạn thực sự đang sử dụng các mô hình hiện có và xây dựng hệ thống xung quanh chúng, thay vì tự phát triển các mô hình hoặc các mô hình ngôn ngữ lớn (LLMs) của riêng mình.

So once you've built a core foundation in Python and the core software engineering tools, the next thing that we want to move into is understanding LLMs.

Vậy sau khi bạn đã xây dựng nền tảng cơ bản về Python và các công cụ kỹ thuật phần mềm cơ bản, bước tiếp theo mà chúng ta muốn tiến tới là hiểu về các mô hình ngôn ngữ lớn (LLMs).

Now this is one of the main things that you're going to be using, especially in today's age, you know, in six months, it might change, but for now it's LLMs.

Đây là một trong những công cụ chính mà bạn sẽ sử dụng, đặc biệt là trong thời đại ngày nay. Bạn biết đấy, trong vòng sáu tháng nữa, nó có thể thay đổi, nhưng hiện tại, đó là các mô hình ngôn ngữ lớn (LLMs).

And that means that you need to understand what an LLM is, the architecture of it, how it actually works on a lower level.

Và điều đó có nghĩa là bạn cần hiểu LLM là gì, kiến trúc của nó, và cách nó thực sự hoạt động ở cấp độ thấp hơn.

So, you know, you get some input, how do you actually generate some output?

Vậy, bạn biết đấy, bạn nhận được một số đầu vào, vậy làm thế nào để thực sự tạo ra đầu ra?

And then you should be aware of a lot of the different LLMs that exist and when you should use which one, for example, why would I use Gemini over using GPT-5?

Và bạn cũng nên nắm rõ về nhiều mô hình ngôn ngữ lớn (LLMs) hiện có và khi nào nên sử dụng mô hình nào. Ví dụ, tại sao tôi nên sử dụng Gemini thay vì GPT-5?

Or why would I use a thinking or a reasoning model?

Hoặc tại sao tôi lại sử dụng một mô hình suy nghĩ hoặc mô hình lý luận?

These are all important things that you need to understand.

Đây đều là những điều quan trọng mà bạn cần phải hiểu.

Now, beyond that, you want to start learning how to use the APIs for these various LLMs.

Bây giờ, ngoài ra, bạn muốn bắt đầu học cách sử dụng các API cho các mô hình ngôn ngữ lớn (LLMs) này.

So I'm talking about things like the open AI API, where you're able to actually interact with GPT models and send a request to them and get a response back.

Vậy tôi đang nói về những thứ như API của OpenAI, nơi bạn có thể tương tác trực tiếp với các mô hình GPT, gửi yêu cầu đến chúng và nhận phản hồi trở lại.

Same thing, like maybe with the deep seek API or the cloud API is not too hard to do that, but it's something that we need to have a foundation and understand how to do essentially.

Cũng tương tự, ví dụ như với API Deep Seek hoặc API đám mây, việc thực hiện điều đó không quá khó, nhưng đó là điều mà chúng ta cần có nền tảng và hiểu cách thực hiện một cách cơ bản.

After that, I'm going to recommend looking into tools like Olama or like Docker model runner.

Sau đó, tôi sẽ đề xuất xem xét các công cụ như Olama hoặc Docker model runner.

This allows you to run LLMs locally on your own computer.

Điều này cho phép bạn chạy các mô hình ngôn ngữ lớn (LLMs) trực tiếp trên máy tính cá nhân của mình.

And again, it's important to understand how to do that.

Và một lần nữa, điều quan trọng là phải hiểu cách thực hiện điều đó.

Essentially in this section, you want to understand what LLMs are.

Trong phần này, điều quan trọng là bạn cần hiểu LLMs là gì.

You want to start using them and you want to start interacting with them from code.

Bạn muốn bắt đầu sử dụng chúng và muốn bắt đầu tương tác với chúng thông qua mã nguồn.

Now let's keep going here, but I want to share with you the reality when it comes to learning these skills.

Bây giờ chúng ta tiếp tục, nhưng tôi muốn chia sẻ với các bạn thực tế khi nói đến việc học những kỹ năng này.

Now, AI engineering is one of the fastest growing tech roles today.

Hiện nay, kỹ sư trí tuệ nhân tạo (AI) là một trong những vị trí công nghệ phát triển nhanh nhất hiện nay.

There's thousands of job postings asking for real hands-on AI skills, where just reading articles or watching tutorials, isn't going to be enough.

Có hàng nghìn tin tuyển dụng yêu cầu kỹ năng AI thực tế, nơi việc chỉ đọc bài viết hoặc xem video hướng dẫn sẽ không đủ.

Now, studies show that you only retain about 20% of what you passively consume, but when you learn by doing writing code, building projects and getting hands-on experience, your retention can jump to 75 to 90%.

Hiện nay, các nghiên cứu cho thấy bạn chỉ nhớ được khoảng 20% những gì bạn tiếp thu một cách thụ động, nhưng khi bạn học thông qua việc viết mã, xây dựng dự án và có kinh nghiệm thực tế, khả năng ghi nhớ của bạn có thể tăng lên 75 đến 90%.

Now that's exactly why I recommend data camp who's sponsoring today's video.

Đó chính xác là lý do tại sao tôi khuyên bạn nên tham gia Data Camp, đơn vị tài trợ cho video hôm nay.

Now I've personally used data camp for years to level up my Python and AI skills and their associate AI engineer track is built for developers who want to get into AI fast with a hands-on project focused approach and its curriculum mirrors almost exactly what I'm sharing with you in this video.

Tôi đã sử dụng Data Camp trong nhiều năm để nâng cao kỹ năng Python và Trí tuệ Nhân tạo (AI) của mình. Chương trình đào tạo Kỹ sư AI của họ được thiết kế dành cho các nhà phát triển muốn nhanh chóng tiếp cận lĩnh vực AI thông qua phương pháp tiếp cận dựa 

Now with data camp, you'll write real Python code in your browser, get instant feedback and build practical skills step by step.

Giờ đây với Data Camp, bạn sẽ viết mã Python thực tế ngay trong trình duyệt, nhận phản hồi tức thì và phát triển kỹ năng thực tiễn từng bước một.

Bây giờ đây là những gì có trong bài hát này.

You have core AI building blocks, everything from Python foundations to APIs, vector databases and LLM workflows.

Bạn có các khối xây dựng cơ bản của trí tuệ nhân tạo (AI), từ nền tảng Python đến các giao diện lập trình ứng dụng (API), cơ sở dữ liệu vectơ và quy trình làm việc với mô hình ngôn ngữ lớn (

You have practical AI projects like building chatbots, summarization tools, and automation scripts that you can actually show off in a portfolio.

Bạn có các dự án AI thực tế như xây dựng chatbot, công cụ tóm tắt và kịch bản tự động hóa mà bạn có thể trình bày trong hồ sơ năng lực của mình.

And you have job ready skills like deployment basics, prompt engineering and understanding how to integrate AI into real applications.

Và bạn đã có những kỹ năng cần thiết cho công việc như cơ bản về triển khai, kỹ thuật xử lý sự cố và hiểu cách tích hợp trí tuệ nhân tạo (AI) vào các ứng dụng thực tế.

Plus there's a direct pathway to earn an industry recognized AI engineer certification that you can showcase on your resume and on LinkedIn.

Ngoài ra, còn có một lộ trình trực tiếp để đạt được chứng chỉ kỹ sư AI được công nhận trong ngành, mà bạn có thể trình bày trên CV và LinkedIn của mình.

Now, I wish that this existed when I started out, it would have saved me months of trial and error.

Giờ đây, tôi ước gì điều này đã tồn tại khi tôi mới bắt đầu, nó đã giúp tôi tiết kiệm được hàng tháng trời thử nghiệm và sai lầm.

Instead of jumping between random tutorials, this gives you a clear guided path to become a job ready AI engineer.

Thay vì nhảy từ hướng dẫn này sang hướng dẫn khác một cách ngẫu nhiên, điều này cung cấp cho bạn một lộ trình hướng dẫn rõ ràng để trở thành một kỹ sư AI sẵn sàng cho công việc.

And right now you can get 25% off using my link below.

Và ngay bây giờ, bạn có thể nhận được ưu đãi giảm giá 25% khi sử dụng liên kết của tôi bên dưới.

So if you're serious about learning AI the right way by building experimenting and coding from day one, this is the best place to start and you can check it out.

Nếu bạn thực sự muốn học AI một cách đúng đắn bằng cách xây dựng, thử nghiệm và lập trình ngay từ ngày đầu tiên, đây chính là nơi tốt nhất để bắt đầu và bạn có thể tham khảo ngay.

Now let's move on to the next section in this list, which is AI frameworks.

Bây giờ chúng ta hãy chuyển sang phần tiếp theo trong danh sách này, đó là các khung công nghệ trí tuệ nhân tạo (AI).

Now it's one thing to understand Python to be able to use LLMs, but as you start getting more advanced, you'll need to create more advanced AI systems and typically AI agents.

Hiểu Python để có thể sử dụng các mô hình ngôn ngữ lớn (LLMs) là một chuyện, nhưng khi bạn bắt đầu tiến tới các cấp độ cao hơn, bạn sẽ cần phải tạo ra các hệ thống AI phức tạp hơn và thường là các tác nhân AI.

Now I have a few frameworks on my list that you need to be very comfortable with.

Hiện tại, tôi có một số khung công cụ trong danh sách mà bạn cần phải thành thạo.

Obviously there's a lot more and you can continue to learn more frameworks, but these are the core ones for AI engineering.

Rõ ràng còn rất nhiều điều khác và bạn có thể tiếp tục học thêm các khung công nghệ khác, nhưng đây là những khung công nghệ cốt lõi cho lĩnh vực kỹ thuật trí tuệ nhân tạo (AI).

Now, the first one is going to be Lang chain.

Bây giờ, cái đầu tiên sẽ là chuỗi Lang.

Lang chain allows you to really easily create AI applications and call into popular LLMs like GPT, Claude, et cetera.

Lang chain cho phép bạn dễ dàng tạo các ứng dụng AI và gọi đến các mô hình ngôn ngữ lớn (LLMs) phổ biến như GPT, Claude, v.v.

Now this will let you do things like create AI agents, how tool calling capabilities, utilize vector databases, create retrieval, augmented generation programs, which we'll talk about later.

Bây giờ, điều này sẽ cho phép bạn thực hiện các tác vụ như tạo các tác nhân trí tuệ nhân tạo (AI), sử dụng khả năng gọi công cụ, tận dụng cơ sở dữ liệu vectơ, tạo các chương trình truy xuất và sinh ra nội dung được tăng cường, mà chúng ta sẽ thảo luận chi

And it's really the starting ground for using AI a little bit more professionally.

Và đây thực sự là bước khởi đầu để sử dụng trí tuệ nhân tạo (AI) một cách chuyên nghiệp hơn.

Now after Lang chain, we have Lang graph.

Sau chuỗi Lang, chúng ta có đồ thị Lang.

Now Lang graph is much more complicated than Lang chain.

Bây giờ đồ thị Lang phức tạp hơn nhiều so với chuỗi Lang.

And this allows you to do orchestration of AI agents and AI systems in general, rather than just having kind of this passive AI agent that responds to events, you can actually have essentially a flow or a graph.

Và điều này cho phép bạn thực hiện việc điều phối các tác nhân AI và hệ thống AI nói chung, thay vì chỉ có một tác nhân AI thụ động phản hồi với các sự kiện, bạn có thể thực sự có một luồng hoặc một đồ thị.

That's why it's called Lang graph that you can run an AI system through to get the exact desired outcome that you want.

Đó là lý do tại sao nó được gọi là Lang graph, một công cụ cho phép bạn chạy hệ thống AI qua đó để đạt được kết quả chính xác như mong muốn.

Now I'm describing this very briefly because there's a lot to go into, but I would recommend start with Lang chain, build a few applications with that, then move on to Lang graph and you'll see the benefits of it and how you can create this graph and have a lot more control over what your agents and AI systems are doing now after that, or even kind of at the same time, depends on what you're building.

Hiện tại, tôi sẽ mô tả điều này một cách rất ngắn gọn vì có rất nhiều điều cần đề cập, nhưng tôi khuyên bạn nên bắt đầu với Lang chain, xây dựng một số ứng dụng với nó, sau đó chuyển sang Lang graph và bạn sẽ thấy lợi ích của nó cũng như cách bạn có thể t

I recommend looking at transformers and hugging face.

Tôi khuyên bạn nên xem xét các mô hình Transformers và HUGging Face.

Now hugging face is kind of like an open source platform that has a ton of different models already available for you to use.

Hiện nay, "hugging face" giống như một nền tảng mã nguồn mở có sẵn rất nhiều mô hình khác nhau để bạn có thể sử dụng.

So you can have an image classification model or a sentiment analysis model or whatever you want.

Vậy bạn có thể có một mô hình phân loại hình ảnh, một mô hình phân tích cảm xúc hoặc bất kỳ mô hình nào bạn muốn.

It's probably already available on there and you can use it within Python by using the transformers and kind of the hugging face packages.

Có thể nó đã có sẵn trên đó và bạn có thể sử dụng nó trong Python bằng cách sử dụng các gói transformers và hugging face.

Subtitles ListPlay Video

Kỹ thuật Trí tuệ Nhân tạo: Một lộ trình thực tế cho người mới bắt đầu (AI Engineering: A Realistic Roadmap for Beginners)

specific

essentially

context

content