Mục tiêu nghề nghiệp
Xác định 4 mốc sự nghiệp AI Engineer và bạn đang ở đâu trong lộ trình.
Thị trường AI ứng dụng 2026–2027 không còn hỏi "bạn có biết AI không" mà hỏi "bạn có thể đưa một hệ thống AI vào production, chịu tải thật, chi phí kiểm soát được, và không hoang tưởng (hallucination) hay không". Vì vậy lộ trình này không dạy bạn "dùng ChatGPT giỏi hơn", mà dạy bạn trở thành kỹ sư xây dựng hạ tầng và ứng dụng AI — một vai trò đang được trả lương ngang hoặc cao hơn Senior Backend Engineer thông thường, vì nó đòi hỏi cả hai: nền tảng backend vững và tư duy hệ thống AI.
🎯 Mục tiêu học tập
- Hiểu rõ sự khác biệt giữa 4 mốc: AI-enabled Backend Engineer → AI Engineer → Senior AI Engineer → AI Architect/Platform Engineer
- Tự đánh giá được mình đang ở mốc nào và cần bổ sung gì
- Hiểu tại sao nền tảng PHP/Laravel là lợi thế chứ không phải điểm khởi đầu lại từ 0
Vì sao xuất phát từ PHP/Laravel là một lợi thế
Một hiểu lầm phổ biến là "muốn làm AI phải giỏi Python từ đầu, giỏi toán, giỏi ML". Thực tế năm 2026, phần lớn công việc AI Engineer (khác với ML/Research Engineer) là kỹ thuật hệ thống: gọi API model, thiết kế pipeline dữ liệu, quản lý state, xử lý lỗi, tối ưu chi phí/độ trễ, bảo mật — đúng những gì một Backend Engineer làm hàng ngày, chỉ khác là "business logic" giờ có thêm một thành phần không xác định (non-deterministic) là LLM.
Laravel dạy bạn tư duy: request lifecycle, queue/job, caching, ORM, middleware, service container,
testing. Toàn bộ tư duy đó ánh xạ trực tiếp sang AI system: Queue → xử lý bất đồng bộ các tác vụ
LLM tốn thời gian; Middleware → rate limiting, guardrail, prompt-injection filter; Cache
→ cache câu trả lời/embeddings; Job retry → retry khi model timeout hoặc trả JSON sai định dạng.
4 mốc sự nghiệp
AI-enabled Backend Engineer
Dùng AI (Copilot/Claude Code) để tăng năng suất code; tích hợp 1-2 tính năng AI đơn giản (chatbot hỏi đáp, tóm tắt, sinh nội dung) vào hệ thống Laravel/PHP sẵn có qua REST API.
AI Engineer
Tự thiết kế và triển khai hệ thống RAG, Agent, tích hợp MCP; chọn được vector DB, chiến lược chunking, đánh giá chất lượng câu trả lời một cách có hệ thống thay vì "nhìn bằng mắt".
Senior AI Engineer
Vận hành hệ thống AI ở quy mô production: observability, cost optimization, latency SLA, security (prompt injection, data leakage), thiết kế multi-agent orchestration cho bài toán phức tạp.
AI Architect / Platform Engineer
Thiết kế nền tảng AI dùng chung cho cả tổ chức: model gateway, đánh giá & golden dataset tập trung, chính sách chi phí/quota, chuẩn hoá MCP tool ecosystem cho nhiều team cùng dùng.
Cách dùng lộ trình 12 tháng
Lộ trình chi tiết theo tháng nằm ở trang chủ (mục "Lộ trình 12 tháng"). Nguyên tắc quan trọng: đừng học tuần tự hết lý thuyết rồi mới thực hành — mỗi tháng nên đi kèm ít nhất một artifact thật (repo GitHub, demo chạy được) vì đó là thứ nhà tuyển dụng và chính bạn dùng để đo tiến độ, không phải số giờ đã học.
🏋️ Bài tập thực hành
Viết ra (trong README của repo học tập) câu trả lời cho 3 câu hỏi: (1) Trong 6 tháng qua bạn đã tích hợp AI vào sản phẩm thật chưa, hay mới chỉ "dùng ChatGPT"? (2) Bạn có thể tự giải thích RAG hoạt động thế nào cho một dev khác nghe trong 2 phút không? (3) Bạn đã từng đo cost (USD/1K request) và latency (P95) của một tính năng AI chưa? Nếu cả 3 câu đều "chưa", bạn đang ở Mốc 1 — bắt đầu từ Module 2.
📚 Tài nguyên học tập
-
State of AI Engineering (swyx / latent.space)Phân tích xu hướng nghề AI Engineer, phỏng vấn, benchmark thực tếBlog
-
Anthropic — Building Effective AgentsBài viết nền tảng định hình tư duy AI Engineer hiện đạiBài viết
✅ Tự đánh giá hoàn thành
- Tôi hiểu sự khác nhau giữa AI Engineer và ML Engineer
- Tôi đã xác định mình đang ở Mốc nào trong 4 mốc
- Tôi đã tạo 1 repo GitHub riêng để lưu toàn bộ bài tập của khoá học này