Chuyên viên AI Engineering
- Chương trình Chuyên viên AI Engineering trang bị cho học viên năng lực toàn diện để xây dựng, tích hợp, triển khai và vận hành hệ thống AI trong môi trường thực tế của tổ chức. Học viên không chỉ phát triển được ứng dụng và AI Agent mà còn hiểu mô hình, lựa chọn hạ tầng phù hợp và kiểm soát hệ thống AI trong suốt vòng đời vận hành.
- Với lộ trình 10 môn học, chương trình bao phủ từ lập trình ứng dụng AI, xử lý dữ liệu, LLM, RAG, AI Agent và Multi-agent đến Machine Learning, Deep Learning, PyTorch, Attention và Transformer. Ở lớp triển khai, học viên tiếp cận các phương án vận hành mô hình trên Cloud API, hạ tầng tự quản lý hoặc on-premise, đồng thời thực hành đóng gói dịch vụ, tự động hóa kiểm thử – phát hành và quản lý phiên bản.
- Chương trình chú trọng năng lực đưa AI vào hệ thống thực tế một cách có kiểm soát: lựa chọn mô hình và phương án triển khai phù hợp, đo chất lượng - độ trễ - chi phí, thiết lập bảo mật và kiểm soát truy cập, giám sát hoạt động sau phát hành và phát hiện sự suy giảm chất lượng theo thời gian.
- Kết thúc chương trình, học viên hoàn thiện sản phẩm AI có kiến trúc rõ ràng, được triển khai và đánh giá bằng số liệu về chất lượng, hiệu năng và chi phí vận hành. Qua đó, học viên hình thành năng lực của AI Engineer có khả năng tham gia xây dựng và chịu trách nhiệm kỹ thuật cho toàn vòng đời của một hệ thống AI.
- Lập trình viên hoặc AI Developer muốn chuyển sang vai trò AI Engineer và chịu trách nhiệm nhiều hơn cho toàn vòng đời sản phẩm.
- Người cần vận hành mô hình open-weight trên hạ tầng riêng, tích hợp AI với hệ thống nghiệp vụ và kiểm soát bảo mật, hiệu năng, chi phí.
- Người muốn hoàn thiện một đồ án AI có kiến trúc, báo cáo đánh giá và phân tích chi phí để sử dụng trong hồ sơ năng lực nghề nghiệp.
Sau khi hoàn thành chương trình, học viên có thể:
- Chọn mô hình phù hợp cho từng bài toán và chẩn đoán được nguyên nhân khi mô hình cho kết quả sai.
- Huấn luyện, tinh chỉnh và đánh giá mô hình với PyTorch, scikit-learn và Hugging Face.
- Vận hành mô hình open-weight trên hạ tầng riêng cho các trường hợp dữ liệu không được ra khỏi tổ chức.
- Tự động hóa kiểm thử và phát hành sản phẩm AI bằng CI/CD và Docker.
- Giám sát chất lượng, độ trễ và chi phí sau phát hành; phát hiện sớm suy giảm chất lượng theo thời gian.
- Hoàn thành và bảo vệ sản phẩm tốt nghiệp kèm hồ sơ kiến trúc, báo cáo đánh giá và phân tích chi phí.
- Tổng số giờ: 362 giờ (1 năm)
-
Học phí:
45.250.000đ- Ưu đãi: 34.900.000đ
Nền tảng ứng dụng AI
Xây nền Python, tư duy lập trình và kỹ thuật dữ liệu để bắt đầu phát triển ứng dụng AI, từ chatbot RAG đến ứng dụng web AI hoàn chỉnh.
188 giờ 5 môn
- Làm quen với tư duy giải bài toán: xác định dữ liệu đầu vào, các bước xử lý và kết quả đầu ra; sử dụng biến, kiểu dữ liệu và toán tử trong Python.
- Diễn đạt logic bằng if/else, for/while; sử dụng hàm để chia nhỏ bài toán, tái sử dụng mã và tổ chức chương trình rõ ràng hơn.
- Sử dụng List, Tuple, Dictionary và Set; đọc - ghi tập tin văn bản, CSV và thao tác thư mục để xử lý các công việc dữ liệu cơ bản.
- Làm quen với lập trình hướng đối tượng, module/package, pip và xử lý ngoại lệ để tổ chức chương trình và vận hành ổn định hơn.
- Sử dụng chatbot AI để giải thích lỗi, gợi ý mở rộng bài toán và tạo thêm test case; rèn thói quen đọc hiểu và tự kiểm tra kết quả chương trình.
- Lập trình cùng AI IDE để hỗ trợ viết mã, phân tích nguyên nhân lỗi và tạo unit test bằng pytest; đồng thời đọc hiểu và rà soát mã do AI sinh ra.
- Quản lý môi trường ảo, thư viện theo từng dự án và mã nguồn với Git/GitHub; hạn chế xung đột phiên bản và duy trì cấu trúc dự án rõ ràng.
- Lập trình vector và embedding bằng mảng NumPy; nắm HTTP, REST, JSON và cách đọc tài liệu API.
- Hiểu tokenization, context window, temperature, top-p, top-k và chi phí; gọi API mô hình thương mại và mô hình mã nguồn mở.
- Lập trình bất đồng bộ với async/await, lập lịch tác vụ; kiểm soát tính bất định bằng tiêu chí đánh giá, structured output và thực hành đa phương thức qua API.
- Hiểu vòng đời dữ liệu từ thu thập, lưu dữ liệu gốc, trích xuất, làm sạch, chuẩn hóa đến kiểm tra và xuất dữ liệu; phân biệt dữ liệu có cấu trúc, bán cấu trúc và phi cấu trúc.
- Khai thác dữ liệu có cấu trúc bằng SQL; sử dụng Pandas để làm sạch, lọc, nhóm, tổng hợp và kết hợp dữ liệu từ nhiều nguồn.
- Thu thập dữ liệu từ API, RSS và HTML/DOM; xử lý phân trang, timeout, retry, giới hạn tốc độ, robots.txt và điều khoản sử dụng.
- Trích xuất nội dung từ DOCX, PDF và ảnh quét; tiền xử lý ảnh, OCR tiếng Việt và chuyển bảng biểu thành dữ liệu có cấu trúc.
- Chuẩn bị dữ liệu cho RAG bằng chunking, xử lý mất ngữ cảnh, embedding và tương đồng ngữ nghĩa; xây dựng pipeline tái sử dụng và tập dữ liệu đánh giá cho môn kế tiếp.
- Prompt Engineering ở cấp độ lập trình: phân biệt prompt và system prompt, xây dựng cấu trúc prompt và vận dụng các kỹ thuật viết prompt nâng cao.
- Quản lý lịch sử trò chuyện với LLM để tối ưu ngữ cảnh; nhận diện rủi ro bảo mật ở lớp prompt và áp dụng biện pháp phòng tránh.
- Xây dựng chatbot RAG trên dữ liệu riêng theo quy trình chuẩn; tổ chức kiểm thử và đánh giá kết quả bằng số liệu.
- Đo chất lượng và chi phí của mô hình; xây dựng model routing qua lớp gateway để lựa chọn mô hình phù hợp và tối ưu chi phí.
- Kiểm soát đầu ra theo JSON Schema/Pydantic, kết hợp retry và hậu xử lý; sử dụng Function Calling để mô hình lựa chọn công cụ và tham số.
- Giới thiệu vibe coding: phương pháp lập trình mới dùng AI làm trợ thủ trong toàn bộ quy trình code, từ sinh code, refactor, debug đến kiểm thử.
- Các kỹ thuật Prompt cho lập trình ứng dụng để AI hiểu đúng ý và sinh code chất lượng, đảm bảo đúng logic và không có lỗi tiềm ẩn.
- Kiến trúc client-server: hiểu cách frontend, backend và mô hình AI giao tiếp với nhau trong một ứng dụng web.
- Lập trình web Frontend: HTML, CSS, JavaScript và dựng giao diện chat cho ứng dụng AI trên framework hiện đại (ReactJS, NextJS, VueJS,...).
- Lập trình Backend với FastAPI: Session, Cookie, JWT, Authentication & Authorization; thiết kế và kiểm thử RESTful API với Postman/Curl; bảo mật backend cơ bản (chống injection/XSS/CSRF), caching và tối ưu hiệu năng.
- Kỹ thuật Streaming response cho phép hiển thị câu trả lời của AI ra dần theo thời gian thực; quản lý session và lịch sử hội thoại để mô hình trả lời nhất quán qua nhiều lượt.
- Xử lý lỗi và giới hạn context của mô hình; xử lý theo hàng đợi và webhook để tối ưu hóa xử lý của ứng dụng.
- Giới thiệu Docker và các lệnh cơ bản để deploy toàn bộ trang web lên hosting.
AI Agent
Xây trợ lý AI biết dùng công cụ, giữ ngữ cảnh và phối hợp thành đội multi-agent để xử lý quy trình nghiệp vụ nhiều bước.
72 giờ 2 môn
- Tổng quan và giới thiệu cấu trúc các thành phần của AI Agent; giới thiệu LangGraph.
- Xây dựng AI Agent với LangGraph thông qua State, Node, Edge, Conditional Edge, Routing, START/END và Streaming node.
- Thiết kế và tích hợp Tool Calling để mở rộng khả năng xử lý tác vụ của AI Agent.
- Phân tích tác vụ để thiết kế phù hợp cho Agent: mô hình xử lý tuần tự, song song, có điều kiện hay lặp; chiến lược suy luận ReAct, Planner-Executor; chiến lược đánh giá Evaluator-Optimizer; cơ chế điều hướng Routing.
- Quản lý context, short-term và long-term memory của Agent.
- Xây dựng AI Agent hoàn chỉnh xử lý tác vụ theo yêu cầu.
- Tổng quan về multi-agent và giới thiệu các framework hỗ trợ xây dựng Agent/Multi-Agent.
- Thiết kế và tích hợp Skill vào AI Agent; phân biệt Skill với Tool.
- Áp dụng Human-in-the-loop cho các quyết định cần xác nhận hoặc có rủi ro.
- Ứng dụng MCP để chuẩn hóa việc kết nối Agent với Tool, dữ liệu, API và các hệ thống bên ngoài.
- Xây dựng Multi-Agent theo các mô hình Router, Supervisor, Handoff, Agent-as-Tool, Sequential, Parallel, Orchestrator–Worker, Collaborative và Hierarchical.
- Kết nối Multi-Agent với ứng dụng quản lý hiện có của doanh nghiệp.
- Tích hợp Multi-Agent vào ứng dụng bằng FastAPI và đóng gói, triển khai hệ thống bằng Docker; đánh giá và cải thiện hệ thống Multi-Agent.
AI Engineering
Đi sâu vào nền tảng Machine Learning, Deep Learning và Transformer, làm chủ kỹ thuật triển khai hệ thống AI ở quy mô sản phẩm thực tế, và hoàn thiện bằng đồ án tốt nghiệp.
102 giờ 3 môn
- Tổng quan Machine Learning: học có giám sát/không giám sát, train/validation/test, overfitting/underfitting; đọc precision, recall, F1 và confusion matrix.
- Thực hành scikit-learn để xây dựng và đánh giá mô hình phân loại; hiểu layer, trọng số, hàm kích hoạt, hàm mất mát và lan truyền ngược.
- Thực hành PyTorch với Tensor, Dataset/DataLoader, vòng lặp huấn luyện, thuật toán tối ưu, checkpoint; đọc đường cong loss, chọn learning rate và chống overfitting.
- Tìm hiểu CNN, Transfer Learning, RNN/LSTM và hạn chế với chuỗi dài để dẫn tới cơ chế Attention.
- Hiểu self-attention, multi-head attention, positional encoding, encoder-decoder và kiến trúc Transformer; liên hệ từ Transformer đến LLM, tiền huấn luyện, instruction tuning và căn chỉnh theo phản hồi.
- Thực hành pretrained NLP và Computer Vision models qua Hugging Face: phân loại văn bản/token, trích xuất embedding, phân loại ảnh và Vision Transformer.
- Xây dựng API tương thích OpenAI bằng FastAPI, hỗ trợ streaming/function calling; áp dụng async concurrency để xử lý nhiều request LLM đồng thời.
- Docker hóa ứng dụng AI bằng multi-stage build, cấu hình container dùng GPU; làm quen với quản lý cấu hình, IaC (Terraform/Pulumi) và Secrets Manager/Vault.
- So sánh hạ tầng suy luận và tối ưu mô hình với vLLM, TGI, Ollama; thực hành mô hình open-weight và các kỹ thuật lượng tử hóa như GGUF/FP8; đo throughput, TTFT và mức sử dụng tài nguyên.
- Lựa chọn giữa Cloud API, tự host GPU và on-premise; xây dựng LLM Gateway/Router; quản lý phiên bản mô hình, prompt template, cấu hình dịch vụ, rollback và snapshot Vector Database.
- Xây dựng CI/CD bằng GitHub Actions; tích hợp Evaluation as Code với một framework đánh giá; triển khai semantic caching để tối ưu độ trễ và chi phí.
- Thiết lập Guardrails, chống Prompt Injection, lọc PII, Rate Limiting và RBAC; giám sát bằng Prometheus/Grafana/LangSmith; theo dõi drift và áp dụng Canary Deployment để triển khai an toàn.
- Xác định bài toán, thiết kế kiến trúc, xây dựng và triển khai sản phẩm AI hoàn chỉnh.
- Chuẩn bị hồ sơ và bảo vệ đồ án: trình bày bài toán, kiến trúc, kết quả đánh giá chất lượng, chi phí vận hành và hướng phát triển tiếp.
Học viên hoàn thành chương trình học với điểm số tất cả các môn đều đạt 5 điểm trở lên và hoàn thành trong thời gian tối đa 2 năm sẽ được cấp Chứng nhận Chuyên viên AI Engineering bởi Trung tâm Tin học - Trường Đại học Khoa học Tự nhiên.
LỊCH KHAI GIẢNG Xem thêm
Học phí: 45.250.000đ - Ưu đãi: 34.900.000đ khi hoàn tất học phí đến ngày 11/09/2026
Trụ sở chính:
227 Nguyễn Văn Cừ, Phường Chợ Quán, Tp HCM
(028) 38 351 056 (số máy nhánh 111)
Cơ sở:
21-23 Nguyễn Biểu, Phường Chợ Quán, Tp HCM
(028) 38 351 056 (số máy nhánh 222)
Chính sách và quy định chung
Số ĐKKD 4109000014 cấp ngày 31/08/2010
Copyright © Trung Tâm Tin Học Trường Đại học khoa học Tự nhiên
Trung Tâm Tin Học
Chào mừng bạn đến với Trung Tâm Tin Học.
Bạn đang cần hỗ trợ thông tin gì ạ? Hãy Chat ngay với chúng tôi nhé.
