Khúc Dạo Đầu: Ngọn Lửa Trong Tim và Tấm Bản Đồ Kho Báu

Chào các bạn, mình là Hải Lâm một sinh viên năm 3 đến từ PTIT. Khi là sinh viên năm nhất, mình cũng như các bạn, cảm thấy AI là một đại dương mênh mông, còn mình chỉ là một chiếc thuyền nan không la bàn. Mình đã tốn rất nhiều thời gian đi lạc, học những thứ không cần thiết và nản chí. Từ những ngày năm 2022 ấy khi OpenAI còn chưa open API của họ và bắt đầu với những bài toán thuần NLP hay CV, DL thì mình đã có một hành trình dài khoảng hơn 2 năm, tuy không ngắn không dài nhưng với một sinh viên như mình thì đó quả là một điều đáng nhớ. Và từ những điều đáng nhớ và kinh nghiệm nhỏ nhoi ấy thì mình đã mạnh rạn viết ra những lời tâm tư này để đưa AI Chronicle và điều dưới đây đến mọi người.

Sau gần 2 năm thực chiến với những công ty có lớn có nhỏ, từ FPT IS năm nhất, MQ ICT năm 2, Vinades JSC khi khởi đầu năm 3 thì hiện tại mình đang là một chill guy Junior AI Engineer tại HBLAB, quá trình đó mình đã vẽ lại được tấm bản đồ mà mình ước gì mình có được ngày ấy. Đây không phải là một lộ trình lý thuyết suông. Đây là một cẩm nang chi tiết từng tuần, là những gì bạn cần làm, cần học, và những cái bẫy bạn cần tránh. Hãy cất ngọn lửa trong tim, và cầm lấy tấm bản đồ này. Hành trình 3 tháng rèn kiếm của chúng ta, bắt đầu!

Tháng 1: Luyện Nội Công – Giai Đoạn Vàng Để Xây Móng

Quên đi những thuật toán cao siêu. Nếu móng không vững, bạn không thể xây nhà cao. Giai đoạn này quyết định 50% thành công của cả hành trình.

Tuần 1-2: Chế Tác “Thần Binh Lợi Khí” (Python Libraries)

Mục tiêu: Sử dụng thành thạo bộ ba công cụ nền tảng như một nghệ nhân dùng đồ nghề của mình

Nhiệm vụ cụ thể:

1. NumPy – Nghệ thuật điêu khắc ma trận:
   • Thực hành: Tạo mảng 1D, 2D; thực hành indexing, slicing để lấy chính xác dữ liệu bạn muốn. Hiểu rõ sự khác biệt giữa phép nhân ma trận (np.dot) và nhân theo từng phần tử (*).
   • Thử thách: Tạo một ma trận 5×5 chứa các số ngẫu nhiên. Viết code để tìm giá trị lớn nhất trong mỗi hàng và thay thế tất cả các phần tử nhỏ hơn 5 bằng số 0.
2. Pandas – Thuật dọn dẹp và khám phá:
   • Thực hành: Tải một file CSV bất kỳ (ví dụ: Data.csv). Dùng .info(), .describe(), .isnull().sum() để có cái nhìn tổng quan đầu tiên. Luyện tập .loc và .iloc để truy cập dữ liệu. Dùng .fillna() và .dropna() để xử lý các giá trị bị thiếu.
   • Thử thách: Với bộ dữ liệu trên, hãy tìm ra cột nào có nhiều giá trị bị thiếu nhất và điền giá trị trung bình của cột đó vào các ô trống.
3. Matplotlib & Seaborn – Bút thần vẽ nên câu chuyện:
   • Thực hành: Từ DataFrame của Pandas, hãy vẽ biểu đồ cột (sns.countplot) để xem phân phối của một cột dạng phân loại (categorical), và biểu đồ phân tán (sns.scatterplot) để xem mối quan hệ giữa hai cột số.
   • Thử thách: Vẽ biểu đồ mối tương quan (heatmap) cho tất cả các cột số trong bộ dữ liệu của bạn để xem cặp biến nào có liên quan mật thiết nhất.

Tài Liệu Gối Đầu Giường:

Khóa học Video (Xem trước): https://www.youtube.com/watch?v=r-uOLxNrNk8
Xem các phần về NumPy, Pandas, Matplotlib. Đây là khóa học miễn phí tốt nhất.

• Khóa học Tương tác (Thực hành sau): Kaggle Learn – Pandas và Data Visualization. Cực ngắn gọn, thực hành ngay và có “chứng chỉ” ảo để tăng động lực.

Kinh nghiệm xương máu từ mình:

Đừng học chay! Đừng chỉ xem video. Hãy gõ lại từng dòng lệnh. Code không phải để đọc, code là để chạy. Hãy “nghịch” dữ liệu: Sau khi học một hàm mới, hãy thử nó ngay lập tức trên dữ liệu của bạn. Sai cũng được! Lỗi là người thầy tốt nhất. Jupyter Notebook sẽ là võ đường của bạn. Hãy ghi chú lại những gì bạn học được bằng các ô Markdown. Điều này cực kỳ hữu ích để ôn lại.

Tuần 3-4: Hoàn Thành “Nghi Thức Nhập Môn” (Dự án Titanic)

Mục tiêu: Hoàn thành một dự án ML từ đầu đến cuối để hiểu rõ quy trình và có sản phẩm đầu tiên bỏ vào “túi hành trang” GitHub.

Nhiệm Vụ Cụ Thể (Checklist):

• Khám Phá Dữ Liệu (EDA): Tự đặt và trả lời ít nhất 3 câu hỏi về dữ liệu bằng biểu đồ. (Ví dụ: “Phụ nữ và trẻ em có thực sự được ưu tiên không?”).
• Kiến Tạo Đặc Trưng (Feature Engineering): Tạo ra ít nhất một cột dữ liệu mới từ các cột có sẵn. (Ví dụ: tạo cột FamilySize từ SibSp và Parch).
• Tiền Xử Lý: Xử lý tất cả các giá trị thiếu trong cột Age và Embarked. Chuyển đổi các cột chữ như Sex và Embarked thành số.
• Xây Dựng Mô Hình: Sử dụng Scikit-learn, huấn luyện ít nhất 2 mô hình khác nhau (ví dụ: LogisticRegression và RandomForestClassifier).
• Đánh Giá: So sánh độ chính xác của hai mô hình trên tập validation.

Tài Liệu Gối Đầu Giường:

• Notebook tham khảo (Để học hỏi cách trình bày): Tìm kiếm trên Kaggle “Titanic – [80%] – Top 3%” hoặc các notebook có nhiều vote. Tuyệt đối không sao chép code! Hãy đọc để hiểu logic, cấu trúc và cách họ trực quan hóa dữ liệu.
• Video Hướng Dẫn: https://www.youtube.com/watch?v=I3FBJdiExcg&t=922s

Kinh Nghiệm “Xương Máu” Từ Mình:

• Jupyter Notebook là sân khấu của bạn: Hãy trình bày nó thật đẹp. Dùng các tiêu đề Markdown (#, ##) để phân chia các phần. Viết ra suy nghĩ của bạn, tại sao bạn lại làm bước này. Một notebook được trình bày tốt còn giá trị hơn một model có độ chính xác cao hơn 0.5%.
• Feature Engineering là nơi thể hiện sự sáng tạo: Nhà tuyển dụng sẽ nhìn vào đây để xem tư duy của bạn. Đừng ngại thử những ý tưởng điên rồ.
• Hãy lưu project này vào một repo riêng trên GitHub và viết một file README thật đơn giản, giải thích ngắn gọn về dự án. Đây là “viên gạch” đầu tiên trong hồ sơ của bạn.

Tháng 2: Tạo Tác Phẩm – Thổi Hồn Vào “Thanh Kiếm” Của Riêng Bạn

Đây là lúc bạn rời võ đường và bắt đầu rèn nên thanh kiếm mang dấu ấn cá nhân.

Tuần 5: Hành trình săn tìm ý tưởng

Thay vì chỉ lang thang, hãy thực hiện bài tập: Viết ra 10 vấn đề nhỏ trong cuộc sống mà AI có thể giải quyết. Chọn ra 1 vấn đề bạn tâm đắc nhất.

Tuần 6-7: Nghệ thuật của dữ liệu

Giai đoạn này chiếm phần lớn thời gian.

• Nếu cào dữ liệu: Hãy học cách xử lý các trường hợp website có cấu trúc phức tạp, hoặc các trang có javascript (cần Selenium). Luôn lưu dữ liệu thô (raw data) vào một file riêng trước khi làm sạch.
• Nếu dùng dataset có sẵn: Hãy thực hiện EDA sâu hơn cả project Titanic. Tìm ra những điểm bất thường (outliers), những mối quan hệ ẩn. Quá trình này sẽ cho bạn nhiều ý tưởng để xử lý dữ liệu.

Tuần 8: Xây dựng và “song đấu” các mô hình

• Chiến thuật “Baseline”: Luôn bắt đầu bằng một mô hình đơn giản để làm mốc so sánh.
• Áp dụng Transfer Learning: Với NLP (Tiếng Việt) thì tìm hiểu về PhoBERT. Vào trang chủ Hugging Face, gõ “vinai/phobert-base” để đọc tài liệu và xem cách sử dụng nó với chỉ vài dòng code. Với CV thì vào PyTorch Hub và học cách tải về mô hình ResNet đã được huấn luyện trên ImageNet.
• Thử nghiệm: Đây là quá trình “thí nghiệm khoa học”. Hãy tạo một bảng nhỏ (trong Excel hoặc Markdown) để ghi lại kết quả của các thử nghiệm khác nhau: thay đổi learning rate, thử một optimizer khác (Adam vs SGD),…

Kinh nghiệm xương máu từ mình:

• Hãy “yêu” dữ liệu của bạn: In ra một vài mẫu dữ liệu, nhìn vào chúng. Xem văn bản có gì lạ, ảnh có bị mờ không. Sự thấu hiểu này sẽ giúp bạn rất nhiều khi mô hình không hoạt động tốt.
• Bắt đầu nhỏ: Nếu bộ dữ liệu quá lớn, hãy lấy một phần nhỏ (sample) để chạy thử nghiệm và debug cho nhanh. Khi code đã chạy ổn, bạn mới huấn luyện trên toàn bộ dữ liệu.
• Google Colab Pro: Nếu bạn thực sự nghiêm túc, đầu tư khoảng 250k/tháng cho Colab Pro là một sự đầu tư xứng đáng. Bạn sẽ có GPU tốt hơn và thời gian chạy lâu hơn, tránh được việc bị ngắt giữa chừng.

Tháng 3 – Giai Đoạn “Khai Phong” và “Hạ Sơn”

Khai Phong: Mài cho thanh kiếm sắc bén hơn, có thể ứng dụng thực tế.

Hạ Sơn: Bước ra khỏi “võ đường” Jupyter Notebook để học hỏi từ thế giới bên ngoài.

Tháng 1 và 2 đã giúp bạn rèn nên “hình hài” của thanh kiếm. Tháng 3 là giai đoạn quyết định nó có thực sự sắc bén hay không, và liệu người hiệp sĩ có đủ kiến thức để sử dụng nó trong những trận chiến thực sự. Chúng ta sẽ tập trung vào 2 mục tiêu: Nâng cấp dự án với tư duy Engineer và Kết nối với thế giới AI rộng lớn.

Tuần 9 & 10: “Khai Phong” Tác Phẩm – Tư Duy của một AI Engineer

Model chạy tốt trong notebook là một chuyện, biến nó thành một “sản phẩm” có thể sử dụng được lại là một chuyện khác. Đây là lúc bạn bắt đầu suy nghĩ vượt ra khỏi khuôn khổ của một người làm khoa học dữ liệu.

1. Tạo “Giao Diện” Cho Sản Phẩm (API & Demo App)

Tại sao lại quan trọng? Nhà tuyển dụng không có thời gian để clone project của bạn về, cài cả chục thư viện rồi mới chạy được. Bạn cần một cách để “trình diễn” sản phẩm ngay lập tức.

• Học FastAPI (Lựa chọn hàng đầu): Dùng FastAPI để “bọc” model của bạn lại thành một API. Với FastAPI, bạn có thể tạo một endpoint /predict nhận dữ liệu đầu vào (một câu văn, một link ảnh) và trả về kết quả dự đoán của model.
• Học Streamlit hoặc Gradio (Cực kỳ dễ): Đây là hai thư viện “thần thánh” giúp bạn tạo ra một giao diện web demo đơn giản, đẹp mắt chỉ với vài chục dòng code Python. Giao diện này sẽ gọi đến API FastAPI mà bạn vừa tạo.

Nguồn học:

• FastAPI Official Tutorial: Đọc phần “First Steps” và “Path Parameters” là đủ để bắt đầu.
• Streamlit Get Started: Hướng dẫn của họ siêu trực quan, chỉ cần 30 phút là bạn có thể tạo ra app đầu tiên.

Kinh nghiệm từ mình: Hãy bắt đầu với một API thật đơn giản. Chỉ cần một endpoint nhận text và trả về text. Sau khi làm được rồi hãy phát triển thêm. Việc có một link demo live (bằng Streamlit Cloud hoặc Gradio Spaces) sẽ giá trị hơn vạn lời nói trong CV.

2. Hoàn Thiện “Bản Vẽ Kỹ Thuật” (Cấu trúc Project và README)

Tư duy Engineer: Một Engineer chuyên nghiệp không bao giờ để code lung tung trong một file.

• Tái cấu trúc thư mục: Thay vì để tất cả trong một notebook, hãy tách code ra thành các file .py riêng biệt: một file model.py để định nghĩa kiến trúc, một file train.py để huấn luyện, một file main.py cho API, một thư mục data để chứa dữ liệu, v.v…
• Viết README phiên bản “Pro”: Đây là lúc bạn thực hiện các bước chi tiết đã nêu ở phiên bản trước: Thêm GIF demo, sơ đồ kiến trúc, hướng dẫn cài đặt bằng requirements.txt.

Kinh nghiệm từ mình: Việc tái cấu trúc này ban đầu có vẻ rườm rà, nhưng nó cho nhà tuyển dụng thấy bạn là người có tư duy tổ chức, cẩn thận và có khả năng làm việc trên các dự án lớn sau này. Hãy tìm kiếm “cookiecutter data science” để xem một cấu trúc project chuẩn trông như thế nào.

Tuần 11 & 12: “Hạ Sơn” – Kết Nối Với Dòng Chảy Kiến Thức

Kiến thức bạn học từ khóa học chỉ là nền tảng. Ngành AI thay đổi theo từng ngày. Nếu không cập nhật, bạn sẽ bị tụt hậu.

1. Xây Dựng “Ăng-ten” Thu Sóng Thông Tin

Triết lý: Đừng chỉ là người học thụ động. Hãy chủ động tìm đến những nguồn kiến thức mới nhất.

• LinkedIn: Follow các “siêu sao” trong ngành (Yann LeCun, Andrew Ng,…), các AI Scientist của các công ty lớn ở Việt Nam (VinAI, FPT AI, Zalo AI…) và các công ty AI bạn yêu thích. Dòng feed của bạn sẽ biến thành một tạp chí công nghệ sống động.
• X (Twitter): Đây là nơi tin tức AI nóng hổi nhất. Theo dõi các tài khoản như @ak92501 (AK), @huggingface, @paperswithcode. Bạn sẽ biết về các mô hình mới, các paper đột phá ngay khi chúng vừa ra mắt.
• Telegram/Discord: Tham gia các channel, server cộng đồng. “Hugging Face” có một Discord server cực lớn và hữu ích. Các cộng đồng tiếng Việt cũng có những kênh trao đổi sôi nổi.
• Newsletter: Đăng ký các newsletter chất lượng như “The Batch” của DeepLearning.AI hoặc “Data Science Weekly”. Họ sẽ tổng hợp và gửi tin tức quan trọng nhất vào email của bạn hàng tuần.

2. Thực Hành “Đọc Hiểu Võ Công” (Đọc Paper & Blog Kỹ Thuật)

Tư duy: Bạn không cần hiểu hết một paper nghiên cứu ngay lần đầu. Mục tiêu là nắm được ý tưởng chính.

Phương pháp đọc Paper “3 lượt” của Andrew Ng:

• Lượt 1 (5 phút): Đọc Tiêu đề, Tóm tắt (Abstract) và các hình vẽ.
• Lượt 2 (1 giờ): Đọc phần Mở đầu (Introduction), Kết luận (Conclusion) và lướt qua các phần còn lại. Bỏ qua các công thức toán phức tạp.
• Lượt 3 (Vài giờ): Đọc toàn bộ bài báo, cố gắng hiểu sâu các chi tiết. Nhưng hãy sẵn sàng bỏ qua những phần bạn chưa hiểu.

Nguồn tìm Paper: Papers With Code là nơi tốt nhất. Bạn có thể xem các paper đang thịnh hành và tìm thấy code triển khai đi kèm.

Lời khuyên từ mình: Bắt đầu bằng việc đọc các bài blog giải thích về paper đó trước. Các trang như The Gradient, AI Alignment Forum thường có những bài phân tích rất sâu và dễ hiểu. Sau khi đã hiểu ý tưởng, việc đọc paper gốc sẽ dễ dàng hơn nhiều.

Chương Cuối – Giai Đoạn “Công Thành” – Biến Nỗ Lực Thành Cơ Hội

Thanh kiếm đã được “khai phong”, kiến thức đã được cập nhật. Nhưng một hiệp sĩ giỏi phải biết cách giới thiệu bản thân trước khi vung kiếm. Giai đoạn cuối cùng này không phải là về code, mà là về con người, về chiến lược và về cách bạn “bán” thành quả của mình một cách thuyết phục nhất.

1. Nghệ Thuật Đúc “Danh Thiếp”: CV, GitHub & LinkedIn

Đây là bộ ba vũ khí sẽ đi trước bạn vào “phòng xét tuyển”, quyết định nhà tuyển dụng có dành ra 15 phút quý giá để trò chuyện với bạn hay không.

Triết lý: Một nhà tuyển dụng chỉ dành trung bình 6 giây cho một CV. Nhiệm vụ của bạn là trong 6 giây đó, phải làm cho họ dừng lại và nói: “Ứng viên này thú vị đấy”.

Checklist Để Tạo Một CV “Sát Thủ”

Định dạng và Bố cục:

• Nguồn: Dùng các template có sẵn trên Canva (tìm “Minimalist Resume”) hoặc Overleaf (nếu biết LaTeX, template “Jake’s Resume” rất nổi tiếng và hiệu quả).
• Quy tắc: Chỉ dùng 1 trang duy nhất! Không ai có thời gian đọc trang thứ hai. Font chữ dễ đọc (Calibri, Arial, Times New Roman), cỡ chữ 10-12pt. Dùng khoảng trắng hợp lý để CV trông “thoáng”.

Thông Tin Liên Lạc (Contact Information):

• Phải có: Tên đầy đủ, SĐT, Email chuyên nghiệp (ví dụ: ten.ho@email.com, không phải cobe_dethuong99@…).
• Cực kỳ quan trọng: Link tới Profile LinkedIn và Profile GitHub. Đây là hai link mà mọi nhà tuyển dụng ngành công nghệ đều sẽ click vào.

Tóm Tắt Bản Thân (Summary/Objective) – 3 Dòng Quyền Lực:

• Không viết: “Em là sinh viên chăm chỉ, mong muốn học hỏi…”.
• Hãy viết: “Sinh viên năm [1/2] chuyên ngành [Tên ngành] với niềm đam mê sâu sắc trong lĩnh vực [NLP/CV]. Có kinh nghiệm thực chiến qua dự án [Tên dự án tâm đắc] và thành thạo các công cụ [Python, PyTorch, Scikit-learn]. Tìm kiếm cơ hội thực tập để áp dụng kỹ năng và đóng góp vào các giải pháp AI thực tế.”

Dự Án Cá Nhân (Personal Projects) – Ngôi Sao Của Buổi Diễn:

• Vị trí: Đặt ngay sau mục Tóm Tắt, trước cả Học Vấn. Với sinh viên chưa có kinh nghiệm, dự án chính là “kinh nghiệm” của bạn.
• Công thức “Vàng”: Mỗi dự án là một câu chuyện ngắn.
  • Dòng 1: Tên dự án | Công nghệ sử dụng | Link GitHub/Demo.
  • Ví dụ: Sentiment Analysis for Shopee Reviews | PhoBERT, FastAPI, Streamlit | [GitHub Link]
  • Dòng 2-3 (Dùng gạch đầu dòng và động từ mạnh): Áp dụng công thức STAR một cách súc tích.
  • Achieved an F1-score of 92% in classifying over 10,000 product reviews into 3 sentiment categories (positive, negative, neutral). (Đạt được kết quả…)
  • Developed a RESTful API using FastAPI for real-time prediction and built an interactive demo web app with Streamlit. (Đã phát triển…)
  • Engineered data pipeline including web scraping, data cleaning, and text preprocessing steps. (Đã kiến tạo…)

Kỹ Năng (Skills):

• Chia thành các mục rõ ràng: Programming Languages (Python), Libraries & Frameworks (PyTorch, TensorFlow, Scikit-learn, Pandas, FastAPI), Tools (Git, Jupyter Notebook, VS Code).
• Lời khuyên từ mình: Chỉ ghi những gì bạn thực sự tự tin có thể trả lời phỏng vấn.

Triết lý: “Show me the code.” – Nhà tuyển dụng sẽ tin vào những dòng code hơn là những lời nói.

Checklist “Vệ Sinh” GitHub

• Ảnh đại diện & Bio: Ảnh thật, rõ mặt. Bio ghi rõ định hướng.
• Ghim 6 Repo: Ghim dự án tâm đắc nhất và các project nhỏ khác (như project Titanic đã làm ở tháng 1). Nó cho thấy một quá trình phát triển.
• Hoạt động “Xanh Mướt”: Lịch sử commit đều đặn (không cần mỗi ngày, nhưng vài lần/tuần) cho thấy bạn là người làm việc bền bỉ, không phải chỉ “nổi hứng” làm project trong một tuần rồi thôi.

Triết lý: Xây dựng thương hiệu cá nhân và mạng lưới quan hệ. Cơ hội thường đến từ những người bạn quen biết.

Kế hoạch hành động trên LinkedIn

• “Tối ưu hóa SEO”: Tiêu đề (Headline) của bạn không chỉ là “Student at PTIT”. Hãy viết: “AI/ML Enthusiast | Aspiring NLP Engineer | Computer Science Student at PTIT”. Điều này giúp các recruiter tìm thấy bạn dễ hơn.
• Kể chuyện trong mục “Featured”: Đây là nơi bạn ghim những thứ “sáng” nhất. Hãy ghim link tới dự án tâm đắc trên GitHub, link tới bài post LinkedIn bạn viết về dự án đó, hoặc link tới chính CV của bạn (đã lưu dưới dạng PDF trên Google Drive).
• Tương tác có chủ đích: Thay vì chỉ bấm like, hãy để lại những bình luận có giá trị. Nếu một người bạn ngưỡng mộ chia sẻ một bài báo, hãy đọc nó và viết bình luận như: “Bài viết rất hay ạ. Em đặc biệt tâm đắc với ý [X]. Điều này làm em nghĩ đến [Y] trong project của mình…”.

2. Rèn Luyện “Tâm Pháp”: Kỹ Năng Mềm và Tiếng Anh

Kiến thức cứng giúp bạn có một cuộc phỏng vấn. Kỹ năng mềm giúp bạn có được công việc.

Tiếng Anh – “Passeport” Vào Thế Giới AI

• Mục tiêu tối thiểu: Đọc và hiểu được tài liệu kỹ thuật, blog, paper.
• Phương pháp “Tắm ngôn ngữ”: Chuyển ngôn ngữ điện thoại, máy tính, Facebook sang tiếng Anh. Nghe nhạc, xem phim có phụ đề tiếng Anh. Ép mình vào môi trường đó. Dành 15 phút mỗi ngày để đọc một bài blog trên “Towards Data Science”.
• Công cụ hỗ trợ: Dùng các extension như Grammarly để kiểm tra ngữ pháp khi viết email, comment. Dùng Google Dịch kết hợp với Cambridge Dictionary để tra từ và hiểu sâu hơn.

Tư Duy Phản Biện & Giải Quyết Vấn Đề

Triết lý: Trong buổi phỏng vấn, họ không chỉ muốn biết bạn đã làm gì, mà còn muốn biết bạn đã suy nghĩ như thế nào.

Câu hỏi “kinh điển” cần chuẩn bị:

• “What was the biggest challenge you faced in this project, and how did you overcome it?” (Khó khăn lớn nhất là gì và bạn đã vượt qua nó ra sao?)
• “If you had more time, what would you do to improve your project?” (Nếu có thêm thời gian, bạn sẽ cải thiện dự án này như thế nào?)
• “Why did you choose this model/algorithm over others?” (Tại sao bạn lại chọn mô hình/thuật toán này mà không phải cái khác?)

Cách luyện tập: Hãy tự trả lời những câu hỏi này trước gương hoặc ghi âm lại. Câu trả lời của bạn phải thể hiện được quá trình suy luận, sự tìm tòi và khả năng ra quyết định.

3. Hành Trình “Công Thành”: Các Kênh “Săn Job” Hiệu Quả

Tập trung vào việc triển khai một chiến lược đa kênh, từ việc “công thành” chính diện trên LinkedIn, TopCV, đến “mai phục” trong các group Facebook, và đặc biệt là tận dụng sức mạnh của networking và sự chủ động “tự tiến cử”.

Cuối cùng, hãy nhớ rằng quá trình tìm việc là một trò chơi về các con số và sự bền bỉ. Bạn có thể gửi đi 20 CV và chỉ nhận được 2 lời mời phỏng vấn. Điều đó hoàn toàn bình thường. Đừng để những lời từ chối làm bạn nản lòng. Mỗi lần thất bại là một bài học. Cứ tiếp tục mài giũa “thanh kiếm” và “võ thuật” của mình, thành công nhất định sẽ đến. Chúc bạn may mắn trên võ đài sự nghiệp.

Kết thúc tháng 3, bạn không chỉ có một project, bạn có một sản phẩm được cấu trúc chuyên nghiệp, có thể demo được. Quan trọng hơn, bạn đã xây dựng được thói quen và hệ thống để tự mình cập nhật kiến thức, sẵn sàng cho một hành trình học hỏi không ngừng nghỉ trong ngành AI.

Lời ngỏ!

Mài kiếm 3 tháng vung gươm 1 lần! Hãy Tự Tin Vung Lên

Hành trình 3 tháng đã kết thúc. Nhìn lại xem, từ một người có lẽ chỉ biết vài dòng code, giờ đây bạn đã có trong tay một sản phẩm AI hoàn chỉnh, một profile chuyên nghiệp, và quan trọng nhất là một sự tự tin được xây nên từ chính nỗ lực của mình.

Thanh kiếm của bạn đã được rèn xong. Nó có thể chưa phải là thanh “Excalibur” huyền thoại, nhưng nó sắc bén, nó là của bạn, và nó sẵn sàng cho những trận chiến đầu tiên. Hãy tự tin mang nó đi, gõ cửa những cơ hội, và kể cho họ nghe câu chuyện của bạn.

Hành trình vạn dặm, thực sự bắt đầu từ đây. Chúc bạn thành công!