Sinh viên ngành Trí tuệ nhân tạo – đam mê khám phá công nghệ số, AI và sáng tạo nội dung. Portfolio này ghi lại hành trình phát triển kỹ năng số của tôi.
Chia sẻ hành trình học tập và những gì tôi hướng tới trong tương lai.
Trong năm học này, tôi đặt mục tiêu nắm vững các nền tảng cốt lõi của Trí tuệ nhân tạo — từ thuật toán học máy, xử lý ngôn ngữ tự nhiên đến thị giác máy tính. Song song đó, tôi muốn xây dựng thói quen tìm kiếm và đọc tài liệu học thuật một cách hệ thống, đồng thời ứng dụng hiệu quả các công cụ AI vào quá trình tự học và nghiên cứu thực tế.
Tôi hướng tới vai trò AI Engineer hoặc Machine Learning Engineer tại các công ty công nghệ sau khi tốt nghiệp. Trong bối cảnh AI đang thâm nhập vào mọi lĩnh vực, kỹ năng số — từ khả năng tìm kiếm thông tin chính xác, viết prompt hiệu quả đến làm việc cộng tác trực tuyến — là nền tảng không thể thiếu để tôi thích nghi nhanh và tạo ra giá trị thực trong môi trường chuyên nghiệp.
Điều tôi tâm đắc nhất qua dự án này là tư duy sử dụng AI có trách nhiệm — biết khi nào nên dùng AI hỗ trợ và khi nào cần tự lực. Tôi nhận ra rằng chất lượng đầu ra của AI phụ thuộc rất lớn vào cách đặt câu hỏi, và kỹ năng Prompt Engineering chính là thứ tôi sẽ tiếp tục luyện tập và áp dụng vào cả việc học lẫn các dự án lập trình cá nhân.
Mỗi nhiệm vụ ghi lại một kỹ năng cụ thể cùng minh chứng thực tế.
Thực hành các thao tác quản lý tệp và thư mục cơ bản trên Windows: tạo, đổi tên, sao chép, di chuyển và xóa tệp.
Windows + E hoặc nhấp vào biểu tượng thư mục màu vàng trên thanh tác vụ.
Ctrl+C) rồi Paste (Ctrl+V) vào thư mục TaiLieu.
Ctrl+X) rồi Paste vào thư mục TaiLieu.
Shift+Delete.
Thực hành tìm kiếm tài liệu học thuật bằng các nguồn đáng tin cậy, đánh giá chất lượng nguồn và tổng hợp kiến thức phục vụ nghiên cứu.
Ứng dụng của cấu trúc dữ liệu và thuật toán trong tối ưu hóa tìm kiếm dữ liệu trong hệ thống quy mô lớn.
Báo cáo tập trung vào vai trò của Hash Table, Binary Search Tree, Heap và các thuật toán tìm kiếm trong hệ thống dữ liệu lớn (Big Data, Distributed Systems), nhằm cải thiện tốc độ truy xuất và hiệu năng xử lý.
Trong bối cảnh dữ liệu tăng trưởng nhanh chóng, việc tối ưu hóa tìm kiếm dữ liệu là một vấn đề cốt lõi trong khoa học máy tính. Các cấu trúc dữ liệu như BST, Heap, Hash Table kết hợp với các thuật toán tối ưu giúp giảm độ phức tạp thời gian và nâng cao hiệu suất hệ thống.
Hình minh chứng quá trình tìm kiếm tài liệu học thuật.
| STT | Tài liệu | Loại nguồn |
|---|---|---|
| 1 | Introduction to Algorithms – Cormen | Sách học thuật |
| 2 | The Art of Computer Programming – Knuth | Sách học thuật |
| 3 | Efficiency of Data Structures – Tarjan | Bài báo khoa học |
| 4 | Skip Lists – Pugh | Bài báo khoa học |
| 5 | MapReduce – Dean & Ghemawat | Bài báo khoa học |
| 6 | B-Trees – Bayer | Bài báo khoa học |
| 7 | Extendible Hashing – Fagin | Bài báo khoa học |
| 8 | Data Structures and Algorithms – Goodrich | Sách |
| 9 | Data Structures and Algorithm Analysis – Weiss | Sách |
| 10 | MIT OCW Algorithms | Nguồn mở |
| 11 | GeeksforGeeks Hashing | Nguồn mở |
| 12 | Wikipedia Data Structure | Nguồn mở |
| Mức độ | Nguồn |
|---|---|
| Rất cao | MIT Press, IEEE, ACM |
| Cao | Giáo trình đại học |
| Trung bình | Website phổ biến |
Báo cáo thử nghiệm và tối ưu prompt trong học tập: so sánh prompt cơ bản, cải tiến và nâng cao cho ba tác vụ phổ biến.
| Tác vụ | Prompt cơ bản | Prompt cải tiến | Prompt nâng cao |
|---|---|---|---|
| Tóm tắt | Ngắn, thiếu ý | Đầy đủ hơn | Rõ ràng, có cấu trúc |
| Giải thích | Chung chung | Dễ hiểu hơn | Rất rõ, có ví dụ |
| Câu hỏi | Mơ hồ | Có cấu trúc | Chất lượng cao, phân loại |
Hình 3.1: Minh họa kết quả thử nghiệm và so sánh giữa các mức độ prompt
Prompt càng chi tiết → kết quả càng chất lượng. Prompt nâng cao giúp AI hoạt động giống chuyên gia hơn. Việc thiết kế prompt là kỹ năng quan trọng trong học tập với AI.
Sử dụng các công cụ hợp tác trực tuyến đóng vai trò quan trọng trong quản lý công việc, giao tiếp và lưu trữ tài nguyên dự án nhóm.
Trong quá trình thực hiện dự án nhóm, việc sử dụng các công cụ hợp tác trực tuyến đóng vai trò quan trọng trong quản lý công việc, giao tiếp và lưu trữ tài nguyên.
Hình 1.1: Minh chứng thiết lập môi trường làm việc
Hình 3.1: Quản lý nhiệm vụ cá nhân trên Trello
Hình 3.2: Đóng góp tài liệu trên Google Docs
Hình 3.3: Tương tác nhóm qua Discord
Hình 3.4: Quản lý tài nguyên trên Google Drive
| Công cụ | Đánh giá |
|---|---|
| Trello | Dễ theo dõi tiến độ, trực quan, phân công nhiệm vụ rõ ràng. |
| Google Docs | Cộng tác thời gian thực hiệu quả, lưu lịch sử chỉnh sửa. |
| Google Drive | Lưu trữ tập trung, chia sẻ tài nguyên dễ dàng trong nhóm. |
| Discord | Giao tiếp nhanh, linh hoạt, hỗ trợ voice và text channel. |
Chủ động quản lý task, tương tác tích cực với nhóm và cải thiện kỹ năng tổ chức, giao tiếp, làm việc nhóm trong môi trường số. Việc kết hợp đa công cụ (Trello + Google Workspace + Discord) tạo ra một quy trình làm việc nhóm mạch lạc và hiệu quả.
Thiết kế infographic và video ngắn về chủ đề "AI hỗ trợ học tập cho sinh viên đại học" bằng cách kết hợp ChatGPT, DALL-E và Canva AI.
Trong thời đại công nghệ số, AI tạo sinh (Generative AI) đang trở thành công cụ hỗ trợ mạnh mẽ trong quá trình sáng tạo nội dung. Dự án này thực hiện sản phẩm truyền thông về chủ đề "AI hỗ trợ học tập cho sinh viên đại học" bằng cách kết hợp nhiều công cụ AI tạo sinh, bao gồm một infographic và một video ngắn.
Nhập nội dung đã tạo từ ChatGPT.
Sử dụng template infographic phù hợp.
Kết hợp hình ảnh từ DALL-E.
Thêm hiệu ứng và animation cho video.
| Công cụ | Chức năng chính | Điểm mạnh | Hạn chế |
|---|---|---|---|
| ChatGPT | Tạo văn bản | Tạo nội dung nhanh, nhiều ý tưởng | Nội dung đôi khi chung chung |
| DALL-E | Tạo hình ảnh | Hình ảnh sáng tạo và hiện đại | Cần chỉnh sửa thêm |
| Canva AI | Thiết kế | Thiết kế nhanh, dễ dùng | Template dễ bị giống nhau |
Nhìn chung, AI giúp tăng tốc quy trình sáng tạo nhưng vẫn cần sự kiểm soát và chỉnh sửa từ con người để sản phẩm có chất lượng tốt và mang tính cá nhân.
Hình 5.1: Sản phẩm Infographic hoàn chỉnh
Chủ đề: "Hướng dẫn sử dụng ChatGPT để tóm tắt bài học." – Thời lượng ~1 phút, có phụ đề, hiệu ứng chuyển động, kết hợp hình ảnh AI.
Video 5.1: Sản phẩm Video truyền thông ngắn
Một số hình ảnh hoặc nội dung AI tạo ra có thể bị ảnh hưởng bởi dữ liệu huấn luyện từ nguồn khác.
AI có thể tạo thông tin chưa chính xác nên cần kiểm tra nguồn.
Cần công khai việc sử dụng AI trong quá trình tạo nội dung để đảm bảo tính trung thực học thuật.
AI giúp tiết kiệm thời gian và mở rộng ý tưởng, nhưng yếu tố sáng tạo và kiểm soát từ con người vẫn đóng vai trò quyết định đối với chất lượng sản phẩm cuối cùng.
Xây dựng bộ nguyên tắc cá nhân và phân tích tư duy phản biện về đạo đức AI trong học tập và nghiên cứu.
Là trung tâm đào tạo và nghiên cứu khoa học hàng đầu cả nước, Đại học Quốc gia Hà Nội (ĐHQGHN) luôn thể hiện cách tiếp cận mang tính chủ động, tiên phong và kiến tạo trong việc quản lý và ứng dụng các thành tựu Trí tuệ nhân tạo (AI) vào môi trường học thuật. Nhà trường xác định công nghệ số và AI không phải là yếu tố loại trừ mà là động lực thúc đẩy sự đổi mới phương pháp giảng dạy và học tập.
Chính sách ứng dụng AI của ĐHQGHN thể hiện một tầm nhìn rất tiến bộ, thực tế và mang tính chiến lược cao. Trong bối cảnh công nghệ thay đổi từng ngày, việc cấm đoán sử dụng AI là hoàn toàn bất khả thi và lạc hậu.
Tuy nhiên, thách thức lớn nhất hiện nay nằm ở khâu thực thi và kiểm soát chất lượng. Để chính sách liêm chính học thuật số thực sự đi vào thực chất, phương pháp đánh giá của các giảng viên cần có sự dịch chuyển mạnh mẽ: giảm bớt tỷ trọng điểm của các bài luận lý thuyết làm ở nhà, tăng cường các hình thức thuyết trình trực tiếp và vấn đáp phản biện.
Phần này ghi lại quy trình xây dựng kiến trúc hệ thống, phát triển mã nguồn lõi cho ứng dụng đấu giá trực tuyến (Auction App) và viết bài luận phân tích giải pháp xử lý tranh chấp dữ liệu (Race Condition) trong hệ thống lập trình đồng thời.
Đầu ra của AI: Trí tuệ nhân tạo đề xuất sử dụng kiến trúc linh hoạt với hệ sinh thái Node.js/Express cho Backend nhằm xử lý bất đồng bộ tốt. Về cơ sở dữ liệu, AI đề xuất cơ chế lưu trữ chính bằng MongoDB, nhưng bắt buộc kết hợp Redis (In-memory Database) để cache giá thầu hiện tại.
| Bảng / Collection | Trường dữ liệu | Kiểu dữ liệu | Ghi chú |
|---|---|---|---|
Users | _id, username, email, balance | ObjectId, String, String, Number | Thông tin người dùng và số dư tài khoản. |
Auctions | _id, itemId, startTime, endTime, currentHighestBid, status | ObjectId, ObjectId, Date, Date, Number, String | Trạng thái và mức giá cao nhất của phiên thầu. |
Bids | _id, auctionId, userId, amount, timestamp | ObjectId, ObjectId, ObjectId, Number, Date | Index cho timestamp để tối ưu truy vấn tốc độ cao. |
Trong môi trường thương mại điện tử đồng thời, đặc biệt là các hệ thống đấu giá trực tuyến, hiện tượng tranh chấp dữ liệu (Race Condition) là một lỗ hổng nghiêm trọng đe dọa trực tiếp đến tính toàn vẹn của hệ thống. Khi hàng ngàn truy vấn đặt thầu diễn ra trong cùng một phần nghìn giây, nếu thiếu cơ chế cô lập giao dịch (Transaction Isolation), cơ sở dữ liệu có thể ghi nhận sai lệch người chiến thắng hoặc chấp nhận các mức giá không hợp lệ. Do đó, việc áp dụng các thuộc tính ACID thông qua giao dịch nguyên tử (Atomic Transactions) không chỉ là giải pháp tối ưu hiệu năng mà còn là yêu cầu bắt buộc để duy trì tính minh bạch và bảo vệ quyền lợi của người dùng.
Phát hiện thiếu sót kỹ thuật: Mã nguồn AI cung cấp tuy chuẩn mực về luồng giao dịch nhưng thiếu các bước xác thực nghiệp vụ thực tế: chưa kiểm tra điều kiện self-bidding và chưa kiểm tra số dư ví (balance) của người dùng.
Chỉnh sửa và tích hợp thực tế: Tác giả tự viết thêm module Validator.js độc lập để chống tấn công NoSQL Injection, bổ sung logic chặn hành vi self-bidding, truy vấn số dư tài khoản, và tích hợp cơ chế broadcasting kết quả thầu theo thời gian thực qua Socket.io.
Giá trị sáng tạo cá nhân: AI được sử dụng như một đối tác "Rubber Duck Debugging" — đẩy log lỗi vào AI để cùng phân tích Root Cause Analysis, từ đó hiểu sâu bản chất kiến trúc hệ thống phân tán.
Tác giả xác nhận có sử dụng công cụ ChatGPT nhằm hỗ trợ tìm kiếm ý tưởng thiết kế Database Schema ban đầu và tham khảo cấu trúc cú pháp của giao dịch nguyên tử trong Mongoose. Tác giả đã trực tiếp thực hiện phản biện chuyên môn, tự viết bổ sung toàn bộ các logic nghiệp vụ ràng buộc và tự biên soạn lại nội dung báo cáo phân tích bằng kiến thức cá nhân. Mọi thuật toán và kịch bản kiểm thử đều đã được tác giả chạy thử nghiệm trực tiếp trên môi trường local và hoàn toàn chịu trách nhiệm về tính chính xác.
Ranh giới này thường được quyết định bởi hai yếu tố chính: Mục đích sử dụng và Tỷ lệ đóng góp chất xám thực chất của người học.
Về mặt kỹ thuật, các mô hình AI tạo sinh không tự sản sinh ra tri thức mới một cách độc lập mà hoạt động dựa trên cơ chế tổng hợp, xác suất thống kê từ hàng tỷ điểm dữ liệu. Việc trích dẫn AI gặp thách thức lớn do đầu ra của các LLMs không có tính ổn định và AI không có tư cách pháp nhân để chịu trách nhiệm như một tác giả độc lập.
Mục đích cốt lõi của giáo dục đại học là quá trình rèn luyện, tạo lập các liên kết nơ-ron tư duy trong não bộ thông qua việc đối mặt với khó khăn, chứ không đơn thuần là thu về một sản phẩm cuối cùng để đối phó với điểm số.
Ở mặt tích cực, nếu được sử dụng có trách nhiệm, AI sẽ giúp nâng cấp bộ kỹ năng của sinh viên, dịch chuyển từ tư duy ghi nhớ máy móc sang kỹ năng bậc cao hơn: Năng lực Prompt Engineering và Kỹ năng kiểm chứng, đánh giá dữ liệu độc lập.
Để đảm bảo quá trình học tập diễn ra hiệu quả và tuân thủ các chuẩn mực liêm chính, tác giả tự thiết lập hệ thống 6 nguyên tắc cốt lõi sau đây:
Tự phác thảo cấu trúc ý tưởng, lập dàn ý bài luận hoặc thiết kế logic thuật toán ban đầu trước khi mở bất kỳ công cụ AI nào, nhằm bảo vệ năng lực tư duy độc lập.
Luôn chủ động đối chiếu, xác thực mọi số liệu, trích dẫn khoa học hoặc đoạn mã nguồn do AI xuất ra bằng các nguồn tài liệu chính thống để tránh rủi ro "ảo giác AI".
Chỉ áp dụng AI vào tác vụ giải thích khái niệm khó, hỗ trợ debug hoặc tối ưu câu chữ; tuyệt đối không sao chép nguyên văn để nộp bài.
Chủ động khai báo rõ ràng phạm vi, mục đích và công cụ AI đã sử dụng trong mọi bài tập lớn, đồ án môn học thông qua định dạng trích dẫn APA 7th/IEEE.
Tuyệt đối không nhập thông tin cá nhân nhạy cảm, mã nguồn nội bộ của nhà trường/đối tác hoặc kết quả nghiên cứu chưa công bố vào các mô hình AI công cộng.
Sinh viên là chủ thể duy nhất chịu trách nhiệm pháp lý và học thuật đối với tính chính xác, bản quyền và chất lượng sản phẩm nộp lên; tuyệt đối không đổ lỗi cho AI.
Nhìn lại hành trình, những gì đã học và bài học rút ra từ khó khăn.
Chia sẻ cảm xúc và điều tâm đắc nhất trong quá trình thực hiện dự án.
Đây là lần đầu tiên tôi xây dựng một portfolio kỹ thuật số hoàn chỉnh, và cảm giác nhìn lại toàn bộ hành trình 6 nhiệm vụ được trình bày mạch lạc trong một trang web thực sự rất thỏa mãn. Tôi tự hào nhất khi hoàn thành Task 6 — phần yêu cầu tư duy phản biện sâu về đạo đức AI — bởi nó buộc tôi phải nhìn công nghệ không chỉ bằng góc độ kỹ thuật mà còn bằng trách nhiệm xã hội. Trải nghiệm này khiến tôi trưởng thành hơn rất nhiều trong cách tiếp cận công nghệ.
Phân tích sâu kiến thức/kỹ năng nào sẽ áp dụng vào tương lai.
Ba kỹ năng tôi sẽ mang theo lâu dài: Prompt Engineering — tôi sẽ áp dụng để tăng hiệu quả tự học và hỗ trợ các dự án AI; Đánh giá nguồn thông tin học thuật — kỹ năng thiết yếu khi bước vào giai đoạn nghiên cứu chuyên sâu; và Quản lý dự án số với công cụ cộng tác — nền tảng làm việc nhóm chuyên nghiệp trong môi trường doanh nghiệp sau này.
Những khó khăn đã gặp phải và bài học kinh nghiệm quý giá rút ra.
Thách thức lớn nhất là phân biệt ranh giới giữa "dùng AI hỗ trợ" và "để AI làm thay" — ban đầu tôi có xu hướng chấp nhận đầu ra của AI mà không kiểm chứng. Thách thức thứ hai là quản lý thời gian khi phải song song 6 nhiệm vụ với các môn học khác. Bài học rút ra: đặt deadline nhỏ cho từng bước, luôn đặt câu hỏi phản biện với kết quả AI, và xem mỗi khó khăn như cơ hội để rèn thêm một kỹ năng mới.