Prompting, RAG, fine-tuning hay train from scratch?.

Mục tiêu chương: nắm vững chọn đúng bài toán và phương pháp ai và hiểu cách phần này nối với sản phẩm cuối khóa. Hãy học theo thứ tự các bài bên dưới; mỗi khái niệm được đặt trong bối cảnh ứng dụng thay vì học rời rạc.

Nội dung chi tiết:

1. Prompting, RAG, fine-tuning hay train from scratch?: So sánh chi phí, dữ liệu, latency, khả năng cập nhật và mức kiểm soát; ưu tiên baseline đơn giản trước khi fine-tune.

2. Dataset, label, loss và metric: Ôn các khái niệm ML cần dùng, chọn metric phù hợp mục tiêu và tránh kết luận từ một con số duy nhất.

3. Định nghĩa tiêu chí thành công và baseline: Viết bộ ví dụ đánh giá trước, xác định trường hợp thất bại và so sánh mô hình nền trước khi huấn luyện.

Cách học và thực hành: sau mỗi bài, tự làm lại thao tác trong dự án của khóa, ghi rõ giả định và quyết định đã chọn, rồi kiểm tra kết quả bằng một tình huống thành công và một tình huống lỗi phù hợp. Không chỉ chép lệnh; cần giải thích được đầu vào, các bước xử lý và đầu ra.

Tiêu chí hoàn thành: có thể trình bày lại kiến thức bằng lời của mình, chỉ ra giới hạn hoặc rủi ro chính, và hoàn thành phần việc của chương trong dự án học tập. Cuối chương, rà soát thay đổi, lưu ghi chú và xác định điều cần kiểm chứng trước khi chuyển sang chương tiếp theo.

Nội dung bài học: So sánh chi phí, dữ liệu, latency, khả năng cập nhật và mức kiểm soát; ưu tiên baseline đơn giản trước khi fine-tune.