Your next job doesn’t have a title yet: Emerging role skills Q&A with Corey Hymel of Andela

What “open weights” means for AI models

Bối cảnh là khái niệm "open weights" đang định hình tương lai của AI models, khác biệt với …

Create Scalable AI Automations with n8n

Các bài hướng dẫn automation thường chỉ kết nối hai ứng dụng đơn giản, nhưng xây dựng …

Jev Meets the Trolley Problem

Tác giả đã thử nghiệm mô hình quyết định Jev cùng 13 mô hình khác với bài toán xe đẩy (Trolley Problem). Mỗi mô hình sử dụng các framework khác nhau như GPT-4, Claude 3, và Gemini để xử lý tình huống đạo đức kinh điển này. Hầu hết các mô hình đều đưa ra câu trả lời nhất quán với phiên bản con người, chỉ có Gemini Ultra thể hiện sự do dự khi đối mặt với bài toán này. Kết quả cho thấy mô hình ngôn ngữ lớn có khả năng xử lý vấn đề đạo đức phức tạp nhưng vẫn còn hạn chế trong việc đưa ra quyết định dứt khoát trong các tình huống khó.

Bài viết khám phá cách các mô hình quyết định như Jev phản ứng với bài toán khó xử Trolley Problem.

Tech Is Brutal Right Now. Stay or Go? Let's Think Clearly.

Thị trường công nghệ hiện đang rất khó khăn với tỷ lệ phản hồi chỉ 1.5% sau 200 ứng tuyển. …

(comic) Decision vs outcome

Đây là một bộ truyện tranh công nghệ tập trung vào sự khác biệt giữa quyết định và kết quả …

Build and Train a 25M Parameter LLM From Scratch on Your CPU

Bối cảnh: Bạn không cần cụm GPU khổng lồ để học cách AI hiện đại hoạt động. Nội dung video hướng dẫn xây dựng, pre-train và fine-tune một mô hình LLM 25 triệu parameter chỉ trên CPU. Nguyên nhân kỹ thuật: Video trình bày quy trình chi tiết từ đầu đến cuối với các công cụ như PyTorch, tạo tập dataset từ văn bản thuần túy. Hệ quả: Người xem sẽ có được kiến thức thực tế về cách LLM hoạt động mà không cần tài nguyên đắt đỏ. Điều đáng học: Dù quy mô nhỏ hơn các frontier model như GPT-4 hay Llama 2, quy trình này giúp hiểu nền tảng của deep learning trong NLP.

Bài hướng dẫn này giúp bạn xây dựng và huấn luyện một mô hình ngôn ngữ quy mô 25 triệu tham số ngay trên CPU mà không cần cluster GPU đắt đỏ.

AI tutorials and articles

Flavio Copes tổng hợp hơn 100 bài viết về AI bao gồm hướng dẫn, tài liệu hướng dẫn và ghi …

12 things I miss since coding died

Bối cảnh hiện nay nhiều lập trình viên cảm thấy mất đi niềm vui khi coding trở nên quá tập trung vào deadline và product. Nguyên nhân kỹ thuật chính là sự bùng nổ của AI tools như GitHub Copilot và ChatGPT làm giảm trải nghiệm debug tự tay. Hệ quả là chúng ta đánh mất kỹ năng phân tích sâu và khả năng "mã hóa tư duy" khi máy móc thay thế quá nhiều bước. Điều đáng học là việc cân bằng giữa tận dụng AI tool để tăng tốc độ và giữ lại không gian cho việc debug thủ công để phát triển kỹ năng chuyên môn thực sự.

Bài viết này mang lại cho lập trình viên góc nhìn hoài niệm về những niềm vui đích thực trong nghề.