Tổng quan về lộ trình
1. Bạn sẽ nhận được gì?
- Nền tảng AI & Machine Learning vững chắc: Hiểu bản chất AI, ML pipeline và cách AI được ứng dụng trong doanh nghiệp.
- Ứng dụng AI hiện đại: Làm việc với LLMs, AI Agents và các mô hình AI tạo sinh.
Triển khai AI vào thực tế: Nắm tư duy MLOps, đưa mô hình từ notebook lên môi trường production.
Kết nối AI với hệ thống dữ liệu: Hiểu cách AI vận hành trên nền Big Data và hạ tầng dữ liệu hiện đại.
Kỹ năng coding & hệ thống: Nâng cao năng lực coding để xây dựng, tích hợp và mở rộng hệ thống AI.
2. Vị trí sẵn sàng ứng tuyển
Sẵn sàng chinh chiến tại các vị trí: AI Engineer / Applied AI Engineer, Machine Learning Engineer (Entry–Middle), AI Developer / AI Solution Engineer
Làm được gì?
Xây dựng và ứng dụng mô hình AI/ML vào bài toán thực tế
Phát triển các giải pháp dựa trên LLMs, AI Agents
Triển khai, vận hành và mở rộng hệ thống AI trong doanh nghiệp
Phối hợp với Data Engineer, Backend, Product để đưa AI vào sản phẩm
3. Lộ trình này dành cho ai?
Sinh viên, nghiên cứu sinh nhóm ngành công nghệ thông tin, khoa học, toán ứng dụng, điện tử, ...
Người đã đi làm các lĩnh vực khác, muốn tìm hiểu về AI/ML để ứng dụng trong công việc.
Người đã đi làm trong các mảng khác của ngành CNTT, muốn chuyển sang học AI/ML để thay đổi công việc, hoặc áp dụng công việc.
4. Tại sao chọn Cole?
Mô hình Core + Bootcamp độc quyền: Học chắc nền tảng qua khóa Live, mở rộng công nghệ qua Bootcamp – linh hoạt.
Thực chiến doanh nghiệp: Nội dung bám sát bài toán AI triển khai thực tế, không chỉ demo mô hình.
Giảng viên thực chiến: Chuyên gia đã triển khai AI, ML, Big Data trong doanh nghiệp.
Định hướng nghề nghiệp rõ ràng: Lộ trình gắn với vị trí AI Engineer, sẵn sàng ứng tuyển sau khóa học.
Lộ trình học
Khóa học 1
Khóa Học AI Engineer 2026 – Xây LLM, RAG, Agent Thực Chiến
- Giảng viên Tiến sĩ Đặng Lê Quang
-
Khóa học 2
Bootcamp LLMs & AI Agents
- Giảng viên Ths. Nguyễn Việt Hoài
-
- Tổng quan về LLM: Kiến trúc, cách hoạt động (transformer, attention), các kiến trúc LLM (encoder-decoder, decoder only).
- Giới thiệu về Pretraining → Finetuning → Inference.
- Tổng quan RAG (Retrieval-Augmented Generation): Khái niệm và ứng dụng thực tiễn.
- Mối liên hệ giữa LLM, RAG và các ứng dụng doanh nghiệp.
- Cài đặt môi trường phát triển: Python, Jupyter Notebook, VSCode, Git, Conda.
- Cài đặt LangChain, OpenAI SDK/Gemini SDK.
- Gọi thử LLM qua API (OpenAI hoặc Gemini) bằng Curl và Python.
- Kỹ thuật Finetune: Full vs PEFT (LoRA, QLoRA).
- Giới thiệu về RLHF (Reinforcement Learning with Human Feedback).
- Cấu trúc prompt và template chat cho các LLM khác nhau.
- Các framework phổ biến: Transformers, PEFT, QLoRA, Unsloth.
- Demo finetuning mô hình LLM cơ bản sử dụng Hugging Face Transformers.
- Sử dụng LoRA để thực hiện parameter-efficient finetuning với một mô hình LLM.
- Hướng dẫn sử dụng Unslothai hoặc các framework finetuning khác (như PEFT, QLoRA) để tối ưu mô hình LLM.
- Pipeline RAG: Embedding → Vector DB → Truy xuất → LLM trả lời.
- Các công cụ lưu trữ vector phổ biến: FAISS, ChromaDB, Weaviate.
- Cách tích hợp RAG vào hệ thống AI Agent, sử dụng LangChain để dễ dàng kết nối các bước.
- Tạo Embedding từ tài liệu PDF (thư viện pháp luật).
- Lưu trữ dữ liệu vào FAISS và kết nối với LangChain.
- Xây dựng hệ thống RAG cơ bản với LangChain để truy xuất dữ liệu và trả lời câu hỏi từ tài liệu thư viện pháp luật.
- Giới thiệu về AI Agent: zero-shot, react, plan-and-act.
- Cách thức hoạt động của Agent: lập kế hoạch và thực hiện hành động (Plan-and-Act).
- Memory trong LangChain: Làm sao lưu trữ lịch sử hội thoại để cải thiện tương tác.
- Các công cụ hỗ trợ trong LangChain: Tools, Memory, Agent Types (React, Plan-and-Act).
- Xây dựng AI Agent với khả năng gọi các Tool (ví dụ: Calculator, Search Tool).
- Tích hợp Memory để ghi nhớ thông tin và lịch sử hội thoại trong LangChain.
- Xây dựng Agent thực hiện các tác vụ lập kế hoạch và phản hồi thông minh.
- Kiến trúc tổng thể: Agent sử dụng RAG như một Tool truy xuất tri thức.
- Các chiến lược thiết kế Agent: Multi-agent, Modular agent.
- Cách tích hợp RAG vào Agent như một bước trong quy trình trả lời câu hỏi thông minh.
- Giới thiệu về MCP (Model Context Protocol).
- Kết hợp hệ thống RAG và Agent: sử dụng RAG Tool trong Agent để truy xuất tri thức và thực hiện reasoning.
- Xây dựng một Agent có khả năng trả lời câu hỏi từ tài liệu PDF hoặc dữ liệu cá nhân thông qua RAG.
- Thực hiện các tác vụ phức tạp, như tìm kiếm thông tin và trả lời câu hỏi đa bước.
- Các lựa chọn triển khai AI Agent: Gradio, Streamlit, FastAPI, HuggingFace Spaces.
- Tạo giao diện chatbot sử dụng Gradio.
- Các vấn đề cần lưu ý khi triển khai AI Agent vào sản phẩm thực tế.
- Dùng Gradio hoặc Streamlit để xây dựng giao diện web cho AI Agent.
- Chia sẻ link demo hệ thống AI Agent hoạt động.
- QA về khóa học, học viên tự xây dựng và triển khai hệ thống.
Khóa học 3
Bootcamp MLOps trong Thực Tế: Từ Notebook đến Production
- Giảng viên Phạm Thanh Danh
-
Giảng viên
.png)
Dự án của học viên
Khóa học liên quan
Khóa Học Agentic Vibe Coding - Nâng Cấp Kỹ Năng AI Xây Sản Phẩm Thực Tế
1 tháng
Khai giảng: 08/07/2026
