"Twenty years from now you will be more disappointed by the things that you didn't do than by the ones you did do. So throw off the bowlines. Sail away from the safe harbor. Catch the trade winds in your sails. Explore. Dream. Discover."
Good to see you here. Now we have to say goodbye.
MSSV: 25021466 | Khóa học: K70
Đơn vị đào tạo: Khoa Cơ học Kỹ thuật và Tự động hóa
Portfolio này tổng hợp lại các kỹ năng số hóa và ứng dụng công nghệ tôi đã học được. Mục tiêu là cho thấy cách tôi sắp xếp dữ liệu khoa học, tìm kiếm tài liệu chuẩn xác và dùng AI giải quyết các bài toán thực tế thay vì theo bản năng.
Chọn một mô-đun để xem chi tiết cách thực hiện.
Khi làm code cho server Minecraft, tôi chia rõ các thư mục chức năng. Những file code cũ hoặc bị lỗi được đưa riêng vào thư mục old_versions hoặc not fixed lang. Việc này giúp hệ thống gọn gàng và server không bị lỗi do đọc nhầm file code đang viết dở.
Việc sắp xếp khoa học đặc biệt quan trọng khi vận hành trên nền tảng máy chủ Linux, nơi mọi đường dẫn cần sự chính xác tuyệt đối. Khi hệ thống được phân nhóm rõ ràng, tôi có thể dễ dàng khoanh vùng để tìm và sửa lỗi (debug) mà không phải bới tung hàng trăm file lên.
Thay vì đặt tên tùy hứng, tôi áp dụng quy chuẩn đặt tên file thống nhất gồm 4 thành phần: Ngày tháng_Tên mô tả_Phiên bản (Ví dụ: 2024-05-15_BrandGuide_v01.pdf). Cách làm này giải quyết được 3 vấn đề cốt lõi:
Nếu chỉ gõ từ khóa bình thường, Google sẽ trả về rất nhiều bài viết rác hoặc thông tin thiếu kiểm chứng. Để tìm đúng tài liệu báo cáo khoa học, tôi kết hợp các toán tử để thu hẹp phạm vi:
"khoa học vật liệu" AND (nanomaterials OR composites) - "carbon nanotubes" author:"nguyễn" filetype:pdf
Sau khi dùng toán tử để lọc ra được các bài báo cáo, bước tiếp theo là đánh giá chất lượng nguồn tin. Một bài báo khoa học tốt cần có tác giả rõ ràng, thuộc các trường đại học hoặc viện nghiên cứu uy tín. Ngoài ra, tôi luôn chú ý đến năm xuất bản, ưu tiên các tài liệu được viết trong thời gian gần đây để đảm bảo kiến thức về vật liệu và công nghệ không bị lạc hậu.
Khi dùng AI để sửa code, nếu ta mô tả chung chung, AI sẽ đoán mò và tự ý sửa lung tung khiến code bị hỏng. Mình phải đưa ra yêu cầu cụ thể (ràng buộc rõ ràng).
Tôi chỉ bảo AI "sửa lại hết đi", AI không hiểu cấu trúc giao diện túi đồ (Inventory) nên tự ý tạo ra một vòng lặp loop {teams::*}: kiểm tra toàn bộ server. Điều này gây lỗi nặng và làm tính năng nạp đồ bị hỏng.
Tôi ra lệnh chi tiết: chỉ định rõ giao diện có 6 hàng (6 rows) và quy định cụ thể vị trí từng ô đồ (set {_s::1} to 10). Khi nhận được cấu trúc cụ thể này, AI hiểu ngay vấn đề và sửa chuẩn xác đoạn code cấu hình giao diện.
Làm việc nhóm trong các dự án kỹ thuật thường rất dễ rối loạn nếu không có công cụ điều phối. Sự cố lớn nhất không phải là làm sai, mà là hai người cùng sửa một file rồi lưu đè lên nhau làm mất toàn bộ dữ liệu. Việc dùng công cụ giúp nhóm phân chia rõ ràng trách nhiệm và tiến độ:
Trong môn Giải tích đa biến hay Vật lý đại cương, việc tưởng tượng các hình khối không gian 3D để giải toán là rất khó. Tôi dùng AI để vẽ các hình này ra, giúp việc lập công thức tính toán trở nên đơn giản hơn.
Ví dụ muốn tính diện tích, ta phải tưởng tượng mặt cầu cắt mặt trụ như thế nào. Nhìn vào hình vẽ 3D, tôi dễ dàng thấy phần hình chiếu dưới mặt đất là một hình tròn lệch, từ đó biết cách chọn hệ tọa độ cực để giải bài.
AI giúp hệ thống lại các phần tử diện tích $dS$ cho từng hình (trụ, cầu, nón). Tuy nhiên, tôi vẫn phải tự kiểm tra lại xem AI dùng công thức $dS = |\vec{r}_u \times \vec{r}_v| du dv$ có đúng không (ví dụ $dS = R^2 \sin\theta \, d\theta \, d\varphi$) chứ không chép mù quáng.
AI rất thông minh nhưng nó chỉ học từ dữ liệu có sẵn trên mạng, vì vậy đôi khi nó sẽ trả lời sai hoặc thiên vị. Trong bối cảnh công nghệ phát triển nhanh, việc giữ sự kỷ luật để tự kiểm duyệt và chịu trách nhiệm cho hành động của mình là cực kỳ quan trọng. Khi dùng AI, tôi luôn tuân thủ các nguyên tắc sau:
Quá trình xây dựng Portfolio này thực sự giúp tôi hệ thống lại cách làm việc của mình. Thay vì thao tác trên máy tính một cách tự phát, bây giờ mọi thứ từ việc lưu file, đặt tên cho đến phân chia công việc đều có quy củ. Điều này giúp tôi tiết kiệm được rất nhiều thời gian khi cần tìm lại tài liệu cũ hoặc sửa code.
Kỹ năng quan trọng nhất mà tôi học được là Prompt Engineering (cách ra lệnh cho AI) và Sử dụng Git/GitHub. Tôi hiểu rằng AI sẽ chỉ làm tốt nếu mình đưa ra yêu cầu cụ thể, rõ ràng. Còn Git giúp tôi tự tin làm việc nhóm mà không sợ ấn nhầm nút xóa mất công sức của cả đội.
Điểm tâm đắc: Tôi rất thích ứng dụng AI vào việc vẽ các hình học không gian 3D phức tạp trong môn Giải tích. Nó giúp một môn học toàn công thức khô khan trở nên cực kỳ trực quan và dễ hình dung.
Thách thức: Lúc đầu giao việc cho AI, nó thường xuyên đoán mò và sửa code sai ý tôi. Tôi đã phải mất khá nhiều thời gian để hiểu cách đưa ra các ràng buộc cụ thể để ép AI đi đúng hướng.