Nhật ký học tập

Bài đăng

Các bài đăng gần đây

Amazon Bedrock là gì?

Bạn đang trong buổi Sprint Planning. Product Owner nói: "Hay mình thêm AI để trả lời khách hàng tự động nhé?" Cả phòng im lặng vài giây. Rồi trong đầu bạn bắt đầu hiện lên hàng loạt câu hỏi: Phải train model à? Thuê GPU ở đâu? Có cần tuyển ML Engineer không? Có phải học Deep Learning trước không? Chắc dự án này kéo dài thêm 6 tháng... Thực ra, đó cũng chính là vấn đề mà Amazon Bedrock được tạo ra để giải quyết. Amazon Bedrock là gì Amazon Bedrock là một Fully Managed Service cung cấp quyền truy cập tới nhiều Foundation Model (FM) từ nhiều nhà cung cấp khác nhau (Anthropic Claude, Meta Llama, Amazon Titan/Nova, Stability AI, Cohere, Mistral...) thông qua một API thống nhất (InvokeModel, InvokeModelWithResponseStream, hoặc qua Converse API). Về bản chất, Bedrock đóng vai trò là một lớp trừu tượng hóa (abstraction layer) nằm giữa ứng dụng của bạn và hạ tầng inference của các FM. Bạn không thấy GPU, không thấy container, không thấy model server — chỉ thấy một endpoint HTTPS nằm t...

Học Machine Learning Trực Quan Và Sinh Động Với Interactive ML

Hôm trước lướt Facebook, mình tình cờ thấy một trang fanpage chia sẻ về trang web có tên là Interactive ML (địa chỉ: https://www.interactive-ml.com/ ). Tiện tay bấm vào nghía qua thử một lúc thì thấy nó hay quá, nên phải lưu lại và chia sẻ ngay với mọi người. Dù chưa có thời gian cày cuốc hết toàn bộ nội dung trên này, nhưng ấn tượng đầu tiên của mình là trang web này cực kỳ hợp cho những ai muốn hiểu bản chất thuật toán mà không bị ngợp bởi đống công thức toán hay code khô khan. Thay vì bắt mình đọc những bức tường chữ đầy lý thuyết, Interactive ML giải thích mọi thứ bằng biểu đồ tương tác trực quan . Điểm cộng lớn nhất là bạn có thể tự tay click chuột, kéo thả các điểm dữ liệu, tăng giảm tham số rồi nhìn thấy mô hình thay đổi ngay lập tức trước mắt. Dạo qua menu thì mình thấy trang web cover khá đầy đủ chủ đề, từ cơ bản đến nâng cao: Mấy thuật toán quen thuộc như Hồi quy (Linear, Ridge, Lasso) hay Phân lớp (KNN, Decision Tree, SVM...). Các chỉ số đo lường dễ gây lú...

Tổng quan về Phân tích sống còn (Survival Analysis) trong Khoa học dữ liệu

Trong thống kê và học máy truyền thống (như hồi quy tuyến tính), chúng ta thường tập trung trả lời câu hỏi: "Sự kiện có xảy ra không?" hoặc "Giá trị dự báo là bao nhiêu?" . Tuy nhiên, trong thực tế có những bài toán cốt lõi lại là: "Khi nào sự kiện sẽ xảy ra?" . Đó chính là lý do Survival Analysis (Phân tích sống còn) ra đời. 1. Survival Analysis là gì? Survival Analysis là một nhánh của thống kê chuyên dùng để nghiên cứu và dự đoán khoảng thời gian cho đến khi một sự kiện cụ thể (Event) xảy ra . Khoảng thời gian này được gọi là Survival Time hoặc Time-to-event . Ban đầu, kỹ thuật này được phát triển trong y học để theo dõi thời gian sống sót của bệnh nhân. Ngày nay, khái niệm "sự kiện" đã được mở rộng ra mọi lĩnh vực: Y sinh: Thời gian từ khi điều trị đến khi bệnh nhân tái phát hoặc khỏi bệnh. Kỹ thuật (Reliability Engineering): Thời gian từ khi máy móc hoạt động đến khi một linh kiện (như ổ cứng, động cơ) bị hỏng. Quản...

Thiết lập CI/CD cho ASP.NET Core trên IIS với GitHub Actions: Build, Test, Deploy và Quản lý Secrets

Ở nhiều dự án ASP.NET Core chạy trên IIS, quy trình deploy thường bắt đầu khá đơn giản: Publish từ Visual Studio Remote Desktop vào server Copy đè file Restart IIS Cách làm này ổn khi dự án còn nhỏ. Tuy nhiên khi số lần release tăng lên, việc deploy thủ công bắt đầu xuất hiện nhiều vấn đề: Dễ quên bước Khó rollback Khó truy vết lỗi Mất thời gian khi release nhiều lần trong ngày Trong bài viết này, mình sẽ cấu hình một pipeline CI/CD bằng GitHub Actions cho ASP.NET Core chạy trên IIS với ba giai đoạn riêng biệt: flowchart TD A[Build] --> B[Test] B --> C[Deploy] Pipeline sẽ tự động: Build source code Chạy Unit Test Publish artifact Thay thế Connection String bằng GitHub Secrets Deploy lên IIS thông qua MSDeploy Kiến trúc Pipeline Thay vì đặt toàn bộ logic vào một job duy nhất, mình tách pipeline thành ba job: Job Mục đích Build Restore, Build và Publish Test Chạy Unit Test Deploy Deploy lên IIS Luồng hoạt động:...

Thuật toán MiniMax

Khi bắt đầu xây dựng trí tuệ nhân tạo (AI) cho các trò chơi đối kháng có chiến thuật như Cờ tướng, Cờ vua, hay Tic-Tac-Toe, thuật toán đầu tiên và là nền móng cho mọi engine hiện đại chính là Minimax . Để hiểu bản chất của Minimax, chúng ta không cần lao ngay vào những thế cờ phức tạp. Hãy cùng quay ngược thời gian, bước vào một bàn tiệc luận anh hùng giữa hai nhân vật lẫy lừng thời Tam Quốc: Tào Tháo và Lưu Bị . 1. Điển Tích "Chia Báu Vật" Giữa Tào Tháo Và Lưu Bị Giả sử Tào Tháo và Lưu Bị bắt gặp 4 chiếc hòm chứa lượng vàng khác nhau. Tào Tháo (đại diện cho AI ) được quyền chọn trước một trong hai lối đi dẫn đến các cặp hòm. Tuy nhiên, Lưu Bị (đại diện cho Đối thủ ) lại là người được quyền mở chiếc hòm cuối cùng trong lối đi đó để lấy vàng. Mục tiêu của hai người hoàn toàn trái ngược nhau: Tào Tháo (AI / Maximizer): Luôn muốn chọn lối đi sao cho lượng vàng nhận được là lớn nhất (Max) . Lưu Bị (Đối thủ / Minimizer): Luôn muốn chọn chiếc hòm sao cho lượn...

Giới thiệu về Wukong Xiangqi

Giới thiệu Wukong Xiangqi là một engine cờ tướng (Xiangqi) tối giản được viết hoàn toàn bằng ngôn ngữ C thuần túy bởi tác giả Maksim Korzh. Dự án hỗ trợ giao thức UCCI (Universal Chinese Chess Interface), cho phép kết nối dễ dàng với các giao diện (GUI) cờ tướng phổ biến hiện nay. Kiến trúc bàn cờ mẫu (Board Representation) Wukong sử dụng mảng một chiều dựa trên hệ thống tọa độ mở rộng 11x14 để biểu diễn bàn cờ. Cách tiếp cận này giúp kiểm tra quân cờ đi ra ngoài biên một cách tự nhiên nhờ các ô đệm (Off-board). Dưới đây là cách định nghĩa các quân cờ bằng mã số nguyên trong mã nguồn mẫu: // Định nghĩa hằng số cho các quân cờ enum { COLOR_EMPTY, RED_PAWN, RED_ADVISOR, RED_BISHOP, RED_KNIGHT, RED_ROOK, RED_CANNON, RED_KING, BLACK_PAWN, BLACK_ADVISOR, BLACK_BISHOP, BLACK_KNIGHT, BLACK_ROOK, BLACK_CANNON, BLACK_KING }; Định hướng áp dụng Machine Learning (ML) tương lai Cấu trúc tìm kiếm Alpha-Beta kết hợp với hàm đánh giá tĩnh hiện tại của Wukong dựa trên mô hình ...