Khi tuyển dụng nhân sự liên quan đến AI, các bạn HR nên nắm rõ các thuật ngữ dưới đây để hiểu rõ hơn về yêu cầu công việc và giao tiếp hiệu quả với các ứng viên.
Table of Contents
Về các thuật ngữ cơ bản về AI
- Machine Learning (ML): Nhánh của trí tuệ nhân tạo (AI) tập trung vào việc phát triển các thuật toán giúp máy móc học hỏi từ dữ liệu. ML thường yêu cầu các công cụ và framework như Scikit-learn, PyTorch.
- Deep Learning (DL): Một phân nhánh của ML sử dụng mạng Deep Neural Networks (DNN) để xử lý dữ liệu phức tạp. Các mô hình DL thường được triển khai bằng PyTorch, hiện nay TensorFlow và Keras không còn phổ biến và ít được sử dụng.
- Natural Language Processing (NLP): Nhánh AI tập trung vào việc xử lý và hiểu ngôn ngữ tự nhiên (như tiếng Anh hoặc tiếng Việt). Các sản phẩm của NLP chính là các công cụ mọi người dùng hằng ngày như ChatGPT, Perplexity,…. Đây hiện tại đang là nhánh được chú ý và tuyển dụng rất đông đảo
- Computer Vision (CV): Nhánh AI tập trung vào xử lý và phân tích hình ảnh hoặc video. Các framework phổ biến là OpenCV, YOLO, và Detectron2.
- Reinforcement Learning (RL): Mô hình học tập dựa trên các hành động và phần thưởng, thường dùng trong robotics và AI gaming.
Các ngôn ngữ lập trình phổ biến trong ngành AI
- Python: Là ngôn ngữ chính trong AI, từ phát triển mô hình đến xử lý dữ liệu. Tuy nhiên, khi yêu cầu biết Python, cần làm rõ rằng ứng viên sẽ sử dụng nó cho việc gì (NLP, CV, hoặc phát triển pipeline). Python là ngôn ngữ bắt buộc.
- C++: Thường dùng trong các ứng dụng AI thời gian thực hoặc có hiệu năng cao, như robotics hoặc game AI.
- R: Thỉnh thoảng được dùng trong thống kê và phân tích dữ liệu, nhưng ít phổ biến trong phát triển AI so với Python.
Thuật ngữ khi tuyển AI Engineer hoặc Machine Learning Engineer
Các công cụ phổ biến
- PyTorch: Framework chính cho phát triển mô hình DNN hiện nay. (Cực kì quan trọng)
- Scikit-learn: Thư viện phổ biến cho học máy truyền thống. (Cơ bản)
- Keras/TensorFlow: Không còn phổ biến và ít được sử dụng, nhưng vẫn có thể thấy ở một số dự án cũ hoặc yêu cầu cụ thể.
- Llama.cpp , GGML: phần mềm để deploy LLM model trên edge device, được sử dụng nhiều hiện tại trong các dự án như Ollama, Jan,….
Các công cụ liên quan đến LLM và chaining
- RAG: là Retrieval Augmented Generation – đại khái là một phương thức để giúp AI model có thể “google search trên database” tức là AI model có thể search ra thông tin đó và trả lời dựa trên thông tin chính nó search ra
- Langchain, LlamaIndex, DSPY,… : các loại thư viện cho user
- VectorDB như pinecone, milvus,… :thường được sử dụng trong RAG để giúp AI model có thể “search” hiệu quả
Triển khai mô hình
- MLOps: Các công cụ và quy trình giúp triển khai và giám sát mô hình AI, như MLflow, Kubeflow.
- Docker/Kubernetes: Dùng để đóng gói và triển khai mô hình in production.
Một số thuật ngữ cần lưu ý khi tuyển ứng viên AI
- On-premise: Công ty sử dụng server vật lý. Quan trọng làm rõ liệu ứng viên có phải trực tiếp quản lý các server này không.
- Cloud: Hệ thống AI chạy trên nền tảng cloud như AWS, Google Cloud, Azure.
- Hệ thống Hybrid: Công ty đang chuyển đổi từ on-premise lên cloud (migration).
Các thuật ngữ cụ thể
- Pretrained Models: Mô hình AI đã được huấn luyện sẵn, giúp tiết kiệm thời gian phát triển. Bạn chỉ cần lấy model về và cho nhân viên finetune lại để sử dụng và hầu hết đó là công việc mà mọi người sẽ làm khi được thuê. Ví dụ: GPT, BERT.
- Fine-tuning: Quy trình điều chỉnh mô hình pretrained để phù hợp với dữ liệu hoặc nhiệm vụ cụ thể.
- Explainable AI: Các phương pháp giúp giải thích quyết định của mô hình AI, đặc biệt quan trọng trong lĩnh vực tài chính hoặc y tế.
Kết
Hy vọng bài viết này cung cấp thông tin hữu ích cho các bạn HR khi tuyển dụng các vị trí liên quan đến AI. Nếu có câu hỏi nào, hãy để lại bình luận nhé!