Những thứ không nên đầu tư quá nhiều thời gian
Prompt Engineering đơn thuần, ChatGPT Wrapper Apps, Fine-tuning mọi bài toán, Tự train LLM từ đầu khi chưa có nhu cầu thực tế.
Thời gian học là tài nguyên hữu hạn. Ngành AI ứng dụng thay đổi rất nhanh và có nhiều nội dung "hot" trên mạng xã hội nhưng giá trị thực tế thấp đối với người mới bắt đầu sự nghiệp AI Engineer. Biết rõ nên không đầu tư vào đâu quan trọng không kém biết nên học gì.
🎯 Mục tiêu học tập
- Hiểu vì sao 4 chủ đề này có giá trị đầu tư thấp so với công sức bỏ ra, ở giai đoạn đầu sự nghiệp
- Biết khi nào (hiếm khi) các kỹ năng này thực sự cần thiết để không bỏ qua hoàn toàn
Prompt Engineering đơn thuần
Cách đây vài năm, "prompt engineer" từng được xem là một nghề riêng. Thực tế 2026: các mẹo prompt kiểu "hãy nói bạn là chuyên gia X", "hãy suy nghĩ từng bước" phần lớn đã được các model hiện đại tự động hoá hoặc không còn cần thiết nhờ reasoning mode tích hợp sẵn. Kỹ năng còn giá trị thật là prompt design có cấu trúc (Module 4) và system-level prompting (kết hợp với structured output, tool calling) — không phải sưu tầm "câu thần chú". Đừng dành hàng tuần học các khoá "Prompt Engineering Masterclass" — vài giờ đọc guide chính thức của nhà cung cấp model là đủ.
ChatGPT Wrapper Apps
Xây một app chỉ đơn thuần "gọi API OpenAI + giao diện chat đẹp" từng là cách dễ nhất để ra mắt sản phẩm AI 2023, nhưng đến 2026 gần như không còn rào cản kỹ thuật (ai cũng làm được trong 1 buổi chiều) nên cũng không còn giá trị làm nổi bật portfolio hay tạo lợi thế cạnh tranh kinh doanh. Nếu muốn làm dự án chat UI, hãy đảm bảo nó giải quyết vấn đề thật (RAG với dữ liệu riêng, tool calling với hệ thống thật) thay vì chỉ là lớp vỏ giao diện.
Fine-tuning mọi bài toán
Fine-tuning là công cụ mạnh nhưng thường bị dùng sai chỗ. Trước khi nghĩ đến fine-tuning, luôn thử theo thứ tự: (1) prompt design tốt hơn, (2) few-shot examples, (3) RAG (cung cấp thêm kiến thức mà không cần train lại), (4) chỉ fine-tune khi cần thay đổi hành vi/phong cách model một cách nhất quán ở quy mô lớn (ví dụ chuẩn hoá giọng văn thương hiệu cho hàng triệu request) hoặc cần model nhỏ, rẻ, nhanh cho một tác vụ rất hẹp đã có nhiều dữ liệu huấn luyện chất lượng. Với hầu hết bài toán "muốn AI biết về dữ liệu của tôi" — đó là bài toán RAG, không phải fine-tuning.
Tự train LLM từ đầu khi chưa có nhu cầu thực tế
Pre-train một LLM từ đầu đòi hỏi hạ tầng GPU quy mô cực lớn, tập dữ liệu khổng lồ, và chuyên môn ML Research sâu — đây là công việc của một nhóm nhỏ các phòng nghiên cứu lớn trên thế giới, không phải kỹ năng "AI Engineer ứng dụng" cần có. Việc học kiến trúc Transformer (Module 4) ở mức khái niệm là đủ để làm việc hiệu quả — dành thời gian đó cho RAG, Agent, MCP, Production Systems sẽ mang lại giá trị nghề nghiệp cao hơn nhiều lần.
🏋️ Bài tập thực hành
Nhìn lại lịch học 4 tuần gần nhất của bạn — có bao nhiêu giờ dành cho 4 chủ đề trên so với các module còn lại? Nếu tỉ lệ trên 20%, hãy điều chỉnh lại kế hoạch học theo lộ trình 12 tháng ở trang chủ.
✅ Tự đánh giá hoàn thành
- Tôi hiểu rõ vì sao 4 chủ đề này không nên là trọng tâm học tập ở giai đoạn đầu
- Tôi đã rà soát lại kế hoạch học của mình để tập trung vào Module 2-15