. Cuối cùng là triển khai nó thôi. Cũng căng tại cũng ít công việc liên quan đến AIở VN lắm
))) nói nôm na là công ty đưa task tuỳ mục đích, rồi cũng đi mò SOTA model từ mấy paper trong task đó, rồi load thử model tự chạy inference xem ổn ko, rồi train lại rồi xem performence ra sao này kia, có nên đổi backbone hay gì đó không. Tính toán thời gian load model, params ra sao cho hợp lý để triển khai trên embedded systems ví dụ qua camera này kia. Nếu bác làm backend dev rồi thì cũng dễ thui mà, có nền rồi, coi tự mò mấy course ML DL có kiến thức xíu rồi tìm hướng nào đó đi sâu nghiên cứu thui. Đi làm đa số là đọc paper do task ở job AI toàn lấy paper hoặc các model có sẵn mà deploy tốt. Mình làm qua 2 công ty thì đa số tiếp cận vậy, do 2 công ty này deploy AI vào edge device, còn ví dụ AI mà làm các task về ML cho kinh tế hay dự đoán đồ thì đa số làm với tabular data thì tui chưa làm ở mấy cty kiểu đó. Nhưng cơ bản cũng ko khó hơn, còn đa số làm triển khai CV NLP đồ toàn phải đọc paper rồi implementation. (ở nước ngoài họ phân biệt AI researcher vs engineer là 1 người phát triển và bla bla model còn engineer thường làm mấy cái deploy bla bla. Mà ở VN đa số cty team AI vừa đọc vừa làm hết)
ở VN mà nghiên cứu LLM chắc có Zalo AI tui đoán vậy, nghe 1 ông kể làm bển là làm về Speech và Text. Còn tui làm 2 cty outsourcing thì đều làm đi bán giải pháp thui bác ơi. 1 bên là bán kiểu hệ thống camera/drone xử lý ảnh rồi cũng giải pháp đếm hoặc detect này kia, còn 1 bên thì bán sản phẩm đeo y tế cũng dùng model AI dự đoán bệnh từ tín hiệu cơ thể. Nói chung là ứng dụng AI thui chứ VN mình chưa thật sự có công ty nào mà rót vốn nghiên cứu AI, đa số làm là để bán giải pháp kiếm tiền
tính đường lỡ 5 năm nữa bị layoff, mà cơ hội AI engineer nhiều thì phải chuyển chứ saoKhông được nhé
Senior Backend Engineer gì mà lên hỏi xàm lol
Mình đang thực tập về mảng này ở 1 lab . Thì công việc cũng như mấy bác trên kể á. Thầy giao cho paper để tự đọc sau đó đưa code cho chạy. Tìm cách nâng cao độ chính xác của mô hình đó. Mà thường là cực kỳ khó
thấy mấy cái research paper toàn nặng kiến thức mà engineer nào cũng đọc hiểu được rồi áp dụng à. Ảo vậyBác mở topic được nhiều người reply thế xưa tui mở chả ai chỉ dạy
do tui làm việc ở lab trường nên đọc paper cũng quen rồi. Với lại khi tiếp cận 1 task, đi kiếm sota paper trên leaderboard về task đó, rồi ko hẳn paper nào cũng phải đọc, cứ đi tới repo của nó, ví dụ nó cho model thì mình load model về, sau đó mình sẽ inference tầm 10-20 ảnh mình xem nó inference tốt không, thời gian chạy hợp lý cho dự án mình ko, rồi số lượng params nó dùng hợp lý với resource sản phẩm công ty deploy ko. Nếu giá trị okee hết rồi á, mới bắt đầu quay ngược lại đọc hết paper đó để hiểu hết model architecture, rồi xem xét có đổi gì ko để giảm params hoặc thời gian chạy khi deploy lên sản phẩm thực tế
vậy giống như thím nào đấy nói ở trên là nó vừa kết hợp giữa research, vừa kết hợp giữa code nên ko nặng về code như software engineer thường mà thiên về toán nhỉ
sure là ko nặng coding bằng SE rồi, tui cũng tay ngang đtvt qua làm AI Engineer thôi ông nền toán cũng ổn chứ coding ko bài bản bằng dân IT thuần rồi đó, từ một lab AI của trường ra nên kiến thức nghiên cứu cũng tạm chứ nếu mà clean code thì chắc ko dám. Với lại AI Engineer cũng nghĩ giải pháp là nhiều, code thì tuỳ đa số cũng khá nhọc nhưng đỡ hơn dev mặt bằng chung xíu
thanks thím đã chia sẻ, nghe job description vậy thấy cũng hơi tiếc ngày xưa ko học AI do xưa tôi cũng giỏi toán, kém code. Xưa tưởng học AI chỉ đi nghiên cứu, job ít nên ko ham. Ko ngờ AI engineer job hay vậy
Cũng được thôi bro, nhưng mà bây giờ AI nó thay đổi mỗi ngày luôn ấy. Nên là mặc dù việc hiện tại chỉ quanh quẩn thế nhưng mà trong tương lai ví dụ nó ra một kiến trúc model mới, khá chắc là ông phải đọc kĩ paper để hiểu các params nó dùng hay kiến trúc đấy như nào thì mới hiểu để apply cho production được.ý kiến của noob thôi mong các bác giải đáp
e thấy nếu mà chỉ fine tune, build rag để phục vụ mục đích cụ thể (tài chính, y khoa etc) thì theo e nghĩ cần gì phải học hết đống toán trong deep learning, tranformer, ML,... đâu nhỉ ? model thì mấy anh tàu tây cook hết cho rồi, học thêm ít kiến thức về cách sử dụng langchain, thư viện pytorch tensor etc đồ
e ngó quả roadmap ai engineer mà toát hết cả mồ hôi, toàn kiến thức hard core
deep learning nếu dịch sang tiếng Việt thì dùng từ gì fen nhỉ, dùng từ "học sâu" thì khó hiểu quá
Làm RnD khác gì con nghiện đâu bác, đốt tiền kinh mà
Nhưng các cty lớn cũng đều phải qua giai đoạn đó, quan trọng thời gian họ dám chấp nhận để chưa có doanh thu và nghiên cứu là bao lâu, bỏ bao nhiêu tiền, lấy doanh thu từ đâu bù vào,… Ngày xưa khi thị trường còn ít vendor, chưa có license thì ngta thực ra cx chỉ có hướng tự nghiên cứu.))
uhm, ko biết 5 năm nữa có 1 m2 10 AI engineer koHồi trước báo đài cả thế giới cũng ra rả thiếu nhân lực IT đó, giờ ra đường 1m² 10 dev há hốc mồm
học thì cứ học để làm backup skills nhưng cũng đừng kì vọng nhiều quá, tương lai nó thay đổi chóng mặt, vài năm nữa thừa cung hơn cầu lại mệt
. Mà xong thực tậpở lab mình cũng chưa biết sẽ kiếm việc fresher như thế nào nữa 
thật ra đọc các paper chủ yếu để hiểu tổng quát cách nó làm và nó thực hiện như thế nào. Còn đến chỗ mấy công thức toán nói thật là mình cũng không hiểu luôn
