Là một người làm việc trong lĩnh vực phát triển phần mềm, chủ yếu tập trung vào việc xây dựng các sản phẩm web, tôi luôn tò mò về các công nghệ mới nổi. Sự bùng nổ về sự quan tâm đến AI, đặc biệt là sau khi phát hành ChatGPT, đã khơi dậy mong muốn của tôi được tìm hiểu sâu hơn về lĩnh vực hấp dẫn này. Đây là cách hành trình của tôi diễn ra.
Tôi bắt đầu với một video trên YouTube (giải thích của Wolfram) phân tích cách ChatGPT dự đoán từ tiếp theo trong một câu (nếu bạn không muốn xem video, bạn có thể đọc bản ghi trong bài viết). Phần giới thiệu này đã mở mang tầm mắt—nó tiết lộ AI đã tiên tiến đến mức nào, đặc biệt là các mô hình ngôn ngữ lớn (LLMs). Nó cũng giới thiệu cho tôi các khái niệm cơ bản trong không gian LLM, đặt nền móng cho việc khám phá sâu hơn của tôi.
Từ đó, tôi bắt đầu tìm hiểu về các LLM khác nhau như Llama, GPT, Claude và những LLM khác. Giai đoạn này là tất cả về việc hiểu các khía cạnh kỹ thuật như độ dài ngữ cảnh, tokens (đầu vào và đầu ra), parameters, embeddings, FLOPS (Floating Point Operations Per Second), RAG (Retrieval-Augmented Generation). Để làm cho mọi thứ trở nên thiết thực hơn, tôi đã thử nghiệm chạy LLM cục bộ bằng các công cụ như Ollama. Đó là trải nghiệm thực tế đầu tiên của tôi với các mô hình cục bộ và tôi đã rất ngạc nhiên về tiềm năng của chúng.
Một số tài nguyên trong giai đoạn này:
- Tất cả những gì bạn cần biết về Tokenization trong LLMs
- Llama Recipes Quickstart
- Mọi thứ tôi đã học được cho đến nay về việc chạy LLM cục bộ
- Tìm hiểu LLMs từ đầu bằng cách sử dụng Toán học Trung học Cơ sở
Hiểu những thuật ngữ kỹ thuật đó là không đủ, chúng ta phải khám phá và thực hành để thực sự hiểu cách các thuật ngữ này được kết nối với nhau và chúng đóng vai trò gì và tại sao chúng lại cần thiết. Tôi đã khám phá chúng bằng Jupyter Notebook—một công cụ cho phép tôi chạy các hướng dẫn Python cho các tác vụ khác nhau. Điều này đã dẫn tôi đến các nền tảng như LangChain và Kaggle, nơi tôi đã thử nghiệm với đào tạo LLM cơ bản và tinh chỉnh mô hình. Những kinh nghiệm này đã giúp tôi hiểu cách các mô hình AI được đào tạo và tinh chỉnh, mang lại cho tôi một cái nhìn toàn diện hơn về khả năng của chúng.
Một số tài nguyên trong giai đoạn này:
Được trang bị kiến thức ngày càng tăng này, tôi bắt đầu xây dựng các ứng dụng hỗ trợ AI (Sudoku, Page Saver) bằng các công cụ như Cursor và Windsurf, được tăng cường bởi các trình chỉnh sửa do AI điều khiển. Tôi nhanh chóng nhận ra AI có thể biến đổi như thế nào đối với các nhà phát triển. Nhiều thách thức tôi gặp phải trong phát triển phần mềm có thể được hợp lý hóa hoặc thậm chí giải quyết hoàn toàn bằng AI. Đây là một khoảnh khắc quan trọng nhấn mạnh tiềm năng to lớn của AI trong việc định hình lại cách chúng ta làm việc.
Hành trình tiếp tục khi tôi thực sự bắt đầu xây dựng một cái gì đó bằng cách nhắc nhở, đầu tiên bắt đầu với một số ví dụ về việc gọi các API khác nhau bằng các frameworks khác nhau. Vì tôi chủ yếu sử dụng GoLang vào lúc này, nên tôi đã thực hành với GoLang. Một số thử nghiệm được ghi lại trong một số bài đăng trên blog như:
- Bước đầu làm quen với Open API
- Ví dụ Gemini với Go
- Tính số lượng Token cho Claude API bằng Go: Hướng dẫn từng bước
Với tất cả những kiến thức cơ bản này, một ứng dụng phức tạp hơn được hỗ trợ bởi AI có thể được xây dựng.
Mặc dù hành trình của tôi vẫn đang tiếp diễn, nhưng có một điều rõ ràng—AI không chỉ là một xu hướng: đó là tương lai. Mỗi bước tôi thực hiện đã làm sâu sắc thêm sự đánh giá của tôi về lĩnh vực này và những khả năng của nó. Tôi rất vui khi thấy hành trình này sẽ đưa tôi đến đâu tiếp theo và AI sẽ tiếp tục cách mạng hóa cuộc sống của chúng ta như thế nào, cả với tư cách là nhà phát triển và với tư cách là cá nhân.
great article