Tương lai của AI đang rộng mở

Đối với cuộc phỏng vấn Humans of Machine Learning (#humansofml) này, tôi rất vui mừng chia sẻ cuộc trò chuyện của mình với Han Xiao vì tôi đã mong chờ cuộc phỏng vấn này một thời gian rồi. Tôi đã theo dõi Han từ những ngày đầu anh ấy viết blog cá nhân và tôi thực sự được truyền cảm hứng từ anh ấy. Tôi đã luôn thấy những suy nghĩ, tư duy của Han rất đặc biệt và thú vị, cực kỳ chi tiết nhưng lại rất rõ ràng, và tôi rất vui mừng hôm nay được chia sẻ những điều đó với bạn.

Sau hai năm làm team leader về AI tại Tencent và một số dự án open source thành công, anh ấy mới bắt đầu hành trình trở thành một doanh nhân. Chúng ta hãy mong rằng tất cả những điều tốt nhất cho anh ấy.

Trong cuộc trò chuyện này, chúng tôi sẽ nói về hành trình của Han, về việc phát triển AI, đạo đức AI và sự hợp tác với các thành viên trên toàn cầu, và lời khuyên của anh ấy về việc bắt đầu kinh doanh phần mềm AI open source như thế nào. Hãy cùng xem cuộc trò chuyện của chúng tôi, hy vọng bạn sẽ thích nó!

Tôi rất vui mừng được nói chuyện với anh ngày hôm nay. Trước hết, xin chúc mừng anh đã ra mắt thành công công ty startup đầu tiên: Jina AI ?

Có lẽ để bắt đầu, anh có thể cung cấp cho độc giả tiểu sử của mình một cách ngắn gọn được không ạ. Độc giả sẽ rất thích thú để lắng nghe anh bắt đầu hành trình của mình trong ML & AI.

Tôi cũng rất phấn khích khi được ở đây và trò chuyện với bạn ngày hôm nay! Tôi là người sáng lập và CEO của Jina AI. Jina AI là một công ty Neural search chuyên cung cấp các giải pháp tìm kiếm mạng neural dựa trên đám mây (cloud) được cung cấp bởi AI và Deep Learning. Tôi đã làm việc trong lĩnh vực AI và đặc biệt là AI open source trong một thời gian dài. Bạn có thể đã nghe nói hoặc sử dụng những thứ tôi làm trước đây về Fashion-MNIST và bert-as-service. Từ năm 2018 đến đầu năm 2020, tôi là Trưởng nhóm Kỹ thuật tại Phòng thí nghiệm AI của Tencent, nơi tôi đã lãnh đạo một nhóm xây dựng cơ sở hạ tầng tìm kiếm của ứng dụng WeChat. Từ 2014 – 2018, tôi làm việc tại Zalando ở Berlin về các hệ thống giới thiệu và tìm kiếm. Tôi đã nhận bằng tiến sĩ trong Machine Learning từ Đại học Kỹ thuật Munich năm 2014. Bên cạnh công việc chuyên môn, tôi cũng tích cực tham gia vào các tổ chức phi lợi nhuận. Năm 2019, tôi đã đại diện cho Tencent là thành viên hội đồng quản trị của Linux Foundation AI. Tôi cũng là người sáng lập và Chủ tịch Hiệp hội Trí tuệ nhân tạo Đức-Trung.

Vậy ai đã đưa tôi vào con đường của AI? Tôi phải nói rằng gia đình có ảnh hưởng rất lớn đến tôi. Cha tôi là một giáo sư khoa học máy tính, vì vậy tôi may mắn có cơ hội tìm hiểu máy tính và học lập trình khi còn rất trẻ. Hai cuốn sách AI đầu tiên cha mua cho tôi là Machine Learning của Tom Mitchelle và Gödel, Escher, Bach: An Eternal Golden Braid của Douglas Hofstadter. Chương trình “AI” đầu tiên mà tôi viết là một chatbot dựa trên quy tắc trong BASIC, như ELIZA.

Ngoài sở thích cá nhân và sự tò mò ra, hành trình học tập của tôi đối với ML & AI có thể bắt nguồn từ việc học đại học của tôi ở Trung Quốc. Luận án Cử nhân của tôi xuất bản năm 2009 là về Latent Dirichlet Allocation (LDA) and Gibbs sampling. Ngày nay, thuật ngữ LDA có thể ít được các kỹ sư AI biết đến, nhưng mô hình đồ họa và phương pháp Bayes đã thịnh hành trở lại vào thời đó, và LDA cũng giống như BERT ngày nay! Năm 2009, tôi đến Đức và học khoa Khoa học Máy tính của Đại học Kỹ thuật Munich. Từ năm 2009 đến 2014, khi tôi đang học Thạc sĩ và Tiến sĩ, tôi đã làm việc về nhiều chủ đề ML khác nhau, bao gồm các phương pháp Bayes tham số và không tham số, phương pháp dựa trên kernel, quy trình SVM, Gaussian / Dirichlet, multi-arm bandit và adversarial learning. Nhiều phương pháp trong số này được coi là “shallow learning” và không được sử dụng rộng rãi ngày nay.

Làm thế nào anh thấy AI thay đổi theo thời gian khi anh đã tham gia vào lĩnh vực này rồi?

Tôi thấy sự phát triển của AI từ hai khía cạnh:

Khía cạnh đầu tiên là từ 0 đến 1. Từ 0-1 là tất cả về nghiên cứu hardcore và fundamental, ví dụ, mô hình học tập và đào tạo mới, cơ sở hạ tầng máy tính mới và kiến trúc phần cứng mới.

Khía cạnh thứ hai là từ 1 đến N. 1-N tập trung nhiều hơn vào khả năng sử dụng và kỹ thuật, giải quyết các vấn đề như điều chỉnh thuật toán từ một miền thành nhiều miền; phục vụ một mô hình cho hàng tỷ người dùng; cải thiện trải nghiệm người dùng hiện có với các thuật toán AI; và đặt một bộ các thuật toán để tự động hóa quy trình công việc, tất cả đều thuộc về đổi mới 1 -N.

Trước năm 2012, thời mà tôi thường gọi là “pre-deep learning”, đổi mới 0 tới 1 khá là phổ biến. Mọi người tranh luận về thuật toán “thông minh” nhất để tận dụng dữ liệu, với những người ủng hộ khác nhau sẽ ủng hộ các phương pháp dựa trên dữ liệu khác nhau, bao gồm một loạt decision, phương pháp dựa trên lợi ích, phương pháp kernel, mô hình đồ họa, mô hình Bayes tham số và không tham số và mạng lưới nơ ron. Họ tiếp tục lặp đi lặp lại và cải thiện phương pháp yêu thích của họ cho đến khi phương pháp đó vượt trội hơn phương pháp của đồng nghiệm mình trong một số benchmark (điểm chuẩn). Deep neural networks cũng tham gia vào cuộc vui này, mặc dù nó không đến sớm nhất nhưng cũng không phải muộn nhất.

Mọi thứ đã thay đổi kể từ năm 2013. Khi ngày càng có nhiều nhà nghiên cứu và kỹ sư nhận ra deep neural networks, mọi người nhận ra rằng Deep Learning không phải nói quá mà thực chất nó có thể giải quyết nhiều vấn đề phức tạp với độ chính xác cao hơn nhiều so với “Shallow Learning” truyền thống . ” Khi đã nhận ra phương pháp này, nhiều người đã chuyển bước từ nhóm 0-1 tới nhóm 1-N (bao gồm cả tôi). Bây giờ vào năm 2020, deep neural networks là giải pháp thực tế để phân loại hình ảnh, dịch máy và nhận dạng giọng nói. Nó đóng vai trò là xương sống, cực kỳ quan trọng của nhiều sản phẩm hàng ngày như thanh toán bằng khuôn mặt, trợ lý giọng nói, dịch vụ trả lời khách hàng tự động và giáo dục K-12.

Làm thế nào để anh thấy sự cân bằng giữa các mô hình nghiên cứu và kỹ thuật trong AI đang diễn ra?

Bây giờ là thời gian tốt nhất cho AI engineering vì khả năng ứng dụng AI vào cuộc sống hàng ngày là ngày càng lớn. Tuy thị trường khách hàng AI vẫn chưa được kiểm chứng trong thế giới rộng lớn này nhưng chúng ta đều biết có rất nhiều cơ hội phát triển và đất diễn cho AI. Ngày xưa, các lập trình viên thường nói nếu họ không thích thứ gì đó, họ có thể thay đổi và làm cho nó tốt hơn. Phần mềm như đang nuốt chửng cả thế giới. Nhưng ngày nay, các kỹ sư AI có thể nói nếu chúng ta không thích thứ gì đó, chúng ta sẽ sử dụng AI để thay đổi và làm cho nó thông minh hơn. AI lại giống như đang nuốt chửng phần mềm.

Andrew (Ng) nói rằng AI cũng sẽ trở thành một ngành kỹ thuật có hệ thống. Anh nhận thấy những thay đổi nào trong bối cảnh AI sẽ cho phép điều này xảy ra và những thách thức mở nào còn tồn tại?

Tôi đồng ý với quan điểm của Andrew về sự phát triển của AI. Ngoài ra, tôi muốn thêm một nhận xét về chuỗi cung ứng AI mới nổi gần đây: chỉ một số ít người trên thế giới sẽ thực sự xây dựng các mô hình AI mới từ đầu, cung cấp “các mô hình được đào tạo trước” (pre-trained models) cho phần còn lại của cộng đồng AI. Hầu hết các kỹ sư AI sẽ cố gắng hiểu ý nghĩa của các mô hình được đào tạo trước này bằng cách điều chỉnh chúng phù hợp với các ứng dụng của họ, tinh chỉnh dựa trên dữ liệu của họ, kết hợp kiến thức miền và nhân rộng chúng để phục vụ hàng triệu khách hàng. Hình ảnh dưới đây minh họa cách làm chuỗi cung ứng AI mới này.

Lý do đằng sau mô hình chuỗi cung ứng AI mới nổi này là chi phí ngày càng tăng của một mô hình AI tốt. Để tìm ra một mô hình tốt, bạn cần có thời gian dùng thử & test lỗi và tiền để chi tiêu cho việc đốt cháy GPU và giữ lại được AI tốt nhất. Thời gian, tiền bạc và tài năng, tất cả đều là những tài nguyên quý giá cho các công ty nhỏ. Họ cần phải cân nhắc cả 3 nguồn tài nguyên này.

Nhưng ngay cả trong những nhà công nghệ khổng lồ, chỉ một số ít các team có đủ khả năng để đào tạo các mô hình cao cấp như vậy từ đầu. Đôi khi các team không có khả năng mở rộng cơ sở hạ tầng và kinh nghiệm, từ góc độ quản lý dự án, đây được coi là rủi ro và họ cần phải cân nhắc rất kỹ.

Ngoài lý do kinh tế, từ góc độ học máy, nó còn phản tác dụng để đào tạo các mô hình lặp đi lặp lại từ đầu cho mọi nhiệm vụ mới, đặc biệt là khi các nhiệm vụ đó có chung thông tin cấp thấp. Ví dụ: trong các nhiệm vụ NLP (neural language processing – xử lý ngôn ngữ tự nhiên) như phân loại tin tức và phân tích cảm xúc, kiến thức cấp thấp về ngôn ngữ (ví dụ: ngữ pháp) là không đổi. Trong các nhiệm vụ CV (computer vision – thị giác máy tính) như nhận dạng đối tượng và lái xe tự động, thì không phải học lại các khái niệm phổ biến như màu sắc, kết cấu và phản xạ, từ nhiệm vụ này sang nhiệm vụ khác.

Vậy Jina AI là gì? Anh có muốn chia sẻ với chúng tôi và độc giả về hành trình khởi tạo & xây dựng Jina AI không?

Jina AI là một công ty về neural search. Jina là sản phẩm cốt lõi của chúng tôi, được phát hành vào ngày 28 tháng 4 năm 2020. Khẩu hiệu chính thức mà chúng tôi đưa vào kho Github của chúng tôi là: Jina là một giải pháp neural search dựa trên đám mây được cung cấp bởi AI tân tiến nhất và Deep Learning. Nói một cách đơn giản, bạn có thể sử dụng Jina để tìm kiếm mọi thứ: hình ảnh ra hình ảnh, video ra video, tweet ra tweet, âm thanh ra âm thanh, mã ra mã,… Để hiểu những gì chúng tôi muốn đạt được tại Jina AI, tôi thường giải thích Jina bằng hai biểu thức sau:

• A “TensorFlow” for search. TensorFlow, PyTorch, MXNet và Mindspore đều là frameworks nổi tiếng toàn cầu cho Deep Learning. Bạn có thể sử dụng chúng để phân biệt mèo từ chó hoặc chơi Go và DOTA. Chúng mạnh mẽ và thông dụng nhưng không được tối ưu hóa cho một miền cụ thể. Ở Jina, chúng tôi chỉ tập trung vào một tên miền: tìm kiếm (search). Chúng tôi đang xây dựng Deep Learning Framework hàng đầu và cung cấp một cơ sở hạng tầng cho bất kỳ ứng dụng tìm kiếm nào dựa trên sức mạnh AI. Hình tiếp theo minh họa cách chúng tôi định vị

• A design pattern. Luôn có các mẫu cho mọi thời từ lập trình chức năng (functional programming) đến lập trình hướng đối tượng (object-oriented programming). Hệ thống tìm kiếm cũng vậy. 30 năm trước, tất cả bắt đầu với một textbox đơn giản. Nhiều mẫu thiết kế đã được đề xuất để triển khai hệ thống tìm kiếm đằng sau textbox này, một số trong đó đã thành công về mặt thương mại. Trong thời kỳ neural search, một câu hỏi có thể vượt ra ngoài một vài từ khóa; nó có thể là hình ảnh, video, code snippet hoặc tệp âm thanh. Khi các hệ thống tìm kiếm biểu tượng truyền thống không thể xử lý hiệu quả các định dạng dữ liệu đó, mọi người cần một mẫu thiết kế mới cho hệ thống neural search cơ bản. Đó là những gì Jina làm: một mẫu thiết kế mới cho kỷ nguyên mới này.

Tạo ra một doanh nghiệp open source thành công có lẽ là một trong những khó khăn nhất và tôi cho rằng đó là những thành tựu xứng đáng của một doanh nhân công nghệ. Những thách thức mà anh nghĩ rằng mình sẽ phải đối mặt với mô hình kinh doanh này là gì?

Điều hành một công ty phần mềm open source (OSS) đòi hỏi sự can đảm, một tư duy mở và một niềm tin mãnh liệt.

Là một công ty OSS, trước tiên bạn cần can đảm để hiển thị codebase công khai. Chất lượng code bây giờ chính là biểu tượng của công ty. Phải tự hỏi rằng bạn có đang làm theo các practices tốt nhất không? Open source là một nền tảng tuyệt vời để giúp bạn hiểu và cải thiện chất lượng của các quy trình phát triển và công nghệ phần mềm.

Nắm bắt xu hướng cộng đồng là rất quan trọng đối với một công ty OSS. Nó đòi hỏi một tư duy cởi mở. Làm open source không giống như làm một thông cáo báo chí hoặc một bài phát biểu nổi bật; nó không phải là giao tiếp một chiều. Bạn cần tham gia vào đám đông, nói chuyện với họ, giải quyết vấn đề của họ, trả lời câu hỏi của họ và chấp nhận những lời chỉ trích của họ. Bạn cần kiểm soát cái tôi của mình và làm những việc nhỏ nhặt như bảo trì, bảo dưỡng sản phẩm của mình.

Một số người có thể nghĩ rằng các công ty công nghệ lớn nắm giữ thế trận tốt hơn khi tham gia vào cuộc chơi “open source” vì họ có thể tận dụng nguồn lực tốt hơn. Điều đó không đúng hoàn toàn. Cho dù công ty có lớn đến đâu, mỗi công ty đều có “comfort zone” của mình và được xây dựng qua nhiều năm. Đối với nhiều công ty công nghệ, open source là một trò chơi mới và giá trị mà nó mang lại thường không thể định lượng được thông qua KPI / OKR ngắn hạn. Luật chơi của thế trận này thường không quen thuộc với mọi người. Không phải nhà lãnh đạo nào trong công ty đều tin vào điều đó. Nó giống như một người đã chơi cờ vây trong nhiều năm với thứ hạng cao và đang thích nó. Hãy tưởng tượng rằng một ngày nào đó bạn xuất hiện và nói với anh ta rằng: Hey Hey, hãy chơi mạt chược đi, mạt chược rất là vui! Bạn có mong đợi anh chàng này nói “sure” không? Bất kể quy mô của công ty to hay nhỏ, điều quan trọng là luôn khiến mọi người trong công ty tin vào giá trị open source mà công ty bạn đang hướng tới. Vì sau tất cả, vẫn luôn là các cá nhân trong công ty là người hoàn thành công việc đó.

Tôi đã luôn tin rằng cơ sở hạ tầng AI open source là tương lai và cộng đồng (community) là chìa khóa và tôi chắc chắn rằng nhiều người cũng có cùng tầm nhìn với tôi. Nhưng niềm tin của tôi mạnh mẽ đến mức tôi dám nhảy ra khỏi một gã khổng lồ công nghệ và làm Jina AI là một công ty startup ngay từ đầu. Thật may mắn tất cả đội của tôi chia sẻ niềm tin này mạnh mẽ như tôi. Tại Jina AI, chúng tôi chỉ làm những gì chúng tôi tin tưởng!

Anh có một chuỗi các dự án AI open source nổi tiếng: Fashion-MNIST, bert-as-a-service & GNES. Anh có lời khuyên nào cho các lập trình viên open source và các doanh nhân công nghệ đang nắm bắt xu hướng open source này không? Làm thế nào chúng ta có thể xây dựng các dự án nguồn mở AI có giá trị?

Đối với các kỹ sư muốn làm open source AI, đây là thời điểm tốt nhất. Nhờ các Deep Learning Framework và các mô hình được “pre-trained” có sẵn, mà trong thị trường ứng dụng “end-to-end” các cá nhân có cơ hội đóng góp lớn lao. Hãy hỏi đồng nghiệp hoặc bạn bè của mình: “Bạn sử dụng gói AI nào cho các tác vụ hàng ngày như dịch máy, nâng cao hình ảnh, nén dữ liệu hoặc hoàn thành code chưa?” và bạn sẽ nhận được câu trả lời khác nhau từ những người khác nhau. Chỉ số này cho thấy thị trường vẫn chưa được kiểm chứng và còn có nhiều cơ hội phát triển và xây dựng một cộng đồng xung quanh nó.

End-To-End (E2E) là một dạng mã hóa dữ liệu đầu cuối đối với những tin nhắn chat, thư email được gửi và trao đổi trên Internet. Một số ứng dụng được sử dụng bởi lớp mã hóa End – To – End phổ biến hiện nay là Facebook, WhatSapp, v…v… Tất cả những trao đổi trực tiếp trên ứng dụng đó đều được mã hóa bảo vệ như: “Tin nhắn, hình ảnh, cuộc gọi, video, âm thanh, và một vài tệp tin đính kèm khác”. Qua đó, giúp mọi thông tin trao đổi giữa những người dùng với nhau được an toàn, thậm chí ngay cả đến nhà sáng lập, cung cấp ứng dụng đó cũng không thể xem nội dung tin nhắn, nghe lén cuộc thoại hay đánh cắp thông tin dữ liệu vì chúng đã bị biến đổi thành một dạng ký tự khác, hay nội dung khác.

Một điều tôi muốn nhắc nhở các nhà phát triển nguồn mở AI là suy nghĩ về tính bền vững của dự án. Với các thuật toán AI mới xuất hiện mỗi ngày, làm thế nào để bạn theo kịp tốc độ phát triển này? Quy mô, phạm vi của dự án của bạn đến đâu? Làm thế nào để bạn duy trì dự án khi phải đối mặt với quá nhiều những yêu cầu từ bên ngoài? Khi tôi đang phát triển dịch vụ bert-as-service, tôi đã nhận được rất nhiều lời đề nghị phát triển, mở rộng nó sang AlBERT, DistilBERT, BioBERT, v.v. Tuy nhiên, tôi luôn ưu tiên những lời đề nghị mà phù hợp với lộ trình của mình và đôi khi nó cũng khiến tôi có những cảm xúc khó tả. Nhưng hãy thẳng thắn và nhìn nhận rằng, bạn không thể giải quyết mọi vấn đề, không thể làm một mình được. Đấy không phải là việc open source hoạt động như thế nào, cũng chắc chắn không phải việc bạn làm việc như thế nào. Cái rủi ro mà các doanh nghiệp open source đáng lưu tâm nhất chính là các thành viên chủ chốt lập trình mất đi sự nhiệt huyết, cảm thấy không có động lực khi làm việc. Open source tốt nhất không phải là thứ xa xỉ nhất, nhưng là thứ tồn tại lâu nhất. Vì vậy, hãy giữ nhiệt huyết của bạn và đi cùng nó một chặng đường dài nhé!

Open source = Open-source code + Open governance

Cuối cùng, thực hiện các dự án open source giống như là một startup vậy. Lợi thế  về kỹ thuật chỉ là một phần của câu chuyện mà thôi.

Tải code lên Github chỉ là điểm khởi đầu và có các tasks khác như điều hành, xây dựng thương hiệu và quản lý cộng đồng mà tôi phải lưu tâm tới. Giống như khởi nghiệp, bạn cần vẽ một “chiếc bánh” gói gọn những đam mê và ước mơ của cộng đồng, và bạn cần có quyết tâm và có mục tiêu chính xác để không bị mất phương hướng và lơ là chỉ bởi vì vấn đề của người khác.

Là một người có bằng tiến sĩ về máy học, tôi chưa bao giờ tin rằng một số thuật toán ma thuật đen sẽ là lợi thế cạnh tranh của một dự án open source. Thay vào đó, nghe có vẻ kỹ thuật nhưng tôi tin chắc rằng, sự chú ý đến chi tiết, trải nghiệm người dùng khéo léo và mô hình quản trị dựa vào cộng đồng cuối cùng là điều quyết định sự duy trì của người dùng hay không.

Điều quan trọng nhất thường là sự hiểu biết và niềm tin của bạn về open source. Nếu bạn là một người duy tâm, thì bạn sẽ truyền cảm hứng cho những người duy tâm khác. Nếu bạn là người định hướng thích làm việc chi tiết hóa, mọi tác vụ nhỏ trong dự án của bạn sẽ được người thích làm việc chi tiết đảm nhận. Nếu bạn là một người có trái tim ấm áp, thì cộng đồng bạn xây dựng sẽ đánh giá cao sự cống hiến vị tha của bạn.

Dù bạn là ai, đó là những gì bạn tin vào open source và khiến open source trông như thế nào là nhờ vào bạn.

Anh đã nói trước đây về tầm quan trọng của việc chia sẻ kiến ​​thức. Điều gì thôi thúc anh bắt đầu làm điều đó?

Khi tôi là trưởng nhóm kỹ thuật tại Tencent, tôi luôn khuyến khích các đồng đội của mình chia sẻ và nói nhiều hơn về những khám phá của họ. Tôi nói với họ, Kiến thức giống như tiền; nếu bạn chỉ giữ nó trong túi của mình, thì bạn sẽ không nhận lại được gì. Giá trị của kiến ​​thức được hé lộ khi bạn trao đổi nó.

Tôi tin rằng để có một bài phát biểu hay bài thuyết trình tốt là một kỹ năng mềm cần phải có cho các lập trình viên. Ở Trung Quốc, khẩu hiệu “cuộc nói chuyện là không đáng giá, cho tôi xem code đi” khá phổ biến trong các công ty công nghệ. Nhiều lập trình viên tôn thờ văn hóa công nghệ này và thậm chí in nó lên áo phông của họ. Nhưng tôi không đồng ý với điều đó. Văn hóa “Geeky” hạn chế rất nhiều khả năng giao tiếp của một người và mong muốn cải thiện nó. Thay vào đó, nó khiến các lập trình viên hiểu sai rằng không có gì quan trọng hơn code.

Vào năm 2017, tôi bắt đầu viết blog công nghệ của riêng mình vì một lý do đơn giản: tôi muốn master TensorFlow. “Nếu bạn muốn học một cái gì đó, hãy đọc về nó. Nếu bạn muốn hiểu một cái gì đó, hãy viết về nó. Nếu bạn muốn thành thạo một cái gì đó, hãy dạy kiến thức đó.” Là như vậy đấy. Tôi quyết định học và viết những gì tôi học được theo cách đơn giản hóa để độc giả của tôi cảm thấy như tôi đang dạy họ.

Vì vậy, tôi viết nhưng lại không theo một lịch cụ thể, chặt chẽ nào. Tôi không đăng mỗi tuần và không cố gắng tạo tiếng vang hoặc gây ấn tượng với bất cứ ai. Tôi chỉ viết khi tôi tìm thấy một cái gì đó đáng chia sẻ. Cuối cùng, tôi chỉ có 18 bài đăng blog được publish trong ba năm qua, vì vậy tần suất bài đăng là một khoảng hai tháng một lần. Tôi không phải là một nhà văn, nhưng hai tháng thường là thời điểm thích hợp để tôi đạt được một cột mốc và xem lại những gì tôi đạt được rồi viết nó ra. Trong ba năm qua, độc giả của tôi đã tăng từ 0 lên năm nghìn mỗi tháng. Tôi đã được liên lạc và cảm ơn bởi các độc giả từ khắp nơi trên thế giới. Ngay cả các nhà đầu tư của tôi cũng đọc các bài blog của tôi.

Tôi cũng là một fan hâm mộ lớn của blog của anh! Mỗi lần tối đọc bài blog của anh, tôi có thể cảm nhận được niềm đam mê và cả nỗ lực mà anh bỏ vào từng câu từ và hình ảnh. Anh có thể mô tả quá trình anh xây dựng bài viết trên blog và lên nội dung cho bài thuyết trình của mình được không?

Không có mẫu cố định cho những bài viết trên blog của tôi, tôi chỉ viết những gì đáng chia sẻ thôi. Đôi khi chỉ viết bằng văn bản là không đủ hấp dẫn để truyền đạt ý tưởng, vì vậy tôi dựa vào việc truyền đạt qua hình minh họa. Tôi sử dụng Google Slides để thực hiện tất cả các hình minh họa trong blog của mình và mục đích thiết kế các hình ảnh minh họa giống như việc tôi viết bằng văn bản: để truyền đạt kiến thức rõ ràng và hiệu quả hơn. Điều đó bao gồm việc đưa ra các quyết định chi tiết như chọn màu phù hợp cho từng thành phần và thay đổi kiểu line connector. Mỗi bài viết được sửa đổi nhiều lần trước khi xuất bản. Viết và vẽ cũng giúp tôi chỉnh sửa lại ý tưởng của mình cho tốt hơn. Bạn sẽ không thể biết trong khi đang viết bài blog, đã bao nhiêu lần tôi đột nhiên nhận ra mã code cần phải cải tiến tốt hơn.

Anh có thể đưa ra một vài lời khuyên cho độc giả của chúng tôi làm thế nào để trở thành một người giỏi giao tiếp hơn?

Hãy viết nhiều hơn, viết rõ ràng hơn. Giống như việc code cần phải refactored (cải tiến) thì văn bản tốt cũng cần được sửa đổi. Cứ viết rồi đọc thành tiếng, đừng ngại ngùng khi viết nó và đừng cắt bớt chữ nào đi. Là một lập trình viên, nếu bạn chưa có blog công nghệ, thì bạn nên cần một blog ngay bây giờ. Đừng viết một cái gì đó như “Xin chào, Thế giới! Đây là bài viết đầu tiên của tôi, và tôi sẽ biến nó thành bigggg!” như bài đầu tiên. Điều đó thường sẽ không kết thúc tốt đẹp đâu. Thay vào đó, hãy viết cách bạn tìm ra một lỗi và sửa nó và những gì bạn đã học được từ đó. Điều này không chỉ giúp bạn sắp xếp lại suy nghĩ của mình mà còn giúp những người khác khi họ gặp phải vấn đề tương tự. Ví dụ, bài đăng trên blog đầu tiên của tôi là “Những sai lầm cực kỳ ngu ngốc tôi đã thực hiện với TensorFlow và Python“.

Cảm ơn anh rất nhiều vì buổi nói chuyện đầy thú vị ngày hôm nay!

Các lập trình viên giờ đây có thể sử dụng sản phẩm code từ các công ty open source, nhưng vấn đề training models vẫn còn là “nút cổ chai” với nhiều người. Vì vậy, iRender chúng tôi mang tới cho khách hàng dịch vụ GPU Cloud for AI/DL – dịch vụ cung cấp hiệu suất máy tính với hàng ngàn CPUs và GPUs mạnh mẽ. iRender hỗ trợ hầu hết các Deep Learning Framework phổ biến nhất hiện này như TensorFlow, Keras, Caffe, PyTorch,… Chúng tôi có những dòng cấu hình máy chuyên nghiệp phục vụ cho AI Inference, AI Training, Deep Learning, VR/AR…Với kiến trúc Turing: 6/12 x RTX 2080Ti, 11GB vRAM, kiến trúc Pascal: 6/12 x NVIDIA TITAN Xp, 12GB vRam. Hoặc bất kỳ cấu hình nào bạn yêu cầu, vui lòng liên hệ trực tiếp để được phục vụ.

Hãy đăng ký tại đây để sử dụng dịch vụ của chúng tôi.

Nguồn: AI Global