Kỹ thuật số Portfolio · Học kỳ II

Nguyễn
Việt Quang

Sinh viên ngành Khoa học Máy tính tại Trường Đại học Công nghệ - ĐHQGHN (UET). Tập trung nghiên cứu kiến trúc thuật toán, xử lý dữ liệu lớn và ứng dụng Trí tuệ nhân tạo một cách có trách nhiệm.

Khoa học Máy tính - FIT UET Prompt Engineering Liêm chính học thuật
Cuộn xuống để xem chi tiết dự án
01
Hồ sơ cá nhân

Hành trình tiếp cận
Khoa học Máy tính

Tôi là Nguyễn Việt Quang, sinh viên năm thứ nhất ngành Khoa học Máy tính, Khoa Công nghệ thông tin, Trường Đại học Công nghệ (UET).

Hồ sơ năng lực kỹ thuật số (Digital Portfolio) này đại diện cho quá trình tích hợp kiến thức và kỹ năng thực hành thu nhận được từ môn học "Nhập môn Công nghệ số và Ứng dụng Trí tuệ nhân tạo". Nó không đơn thuần là một tuyển tập bài tập, mà là hệ thống phản ánh tư duy tối ưu hóa cấu trúc và giải quyết vấn đề của một kỹ sư phần mềm tương lai.

Với định hướng chuyên sâu vào cấu trúc dữ liệu, thuật toán và học máy, tôi đặt mục tiêu làm chủ công nghệ cốt lõi và khai thác sức mạnh của hệ thống tính toán lớn phục vụ cộng đồng.

①
Kiến trúc Hệ thống dữ liệu Xây dựng mô hình tổ chức thông tin khoa học, nhất quán từ cấp độ lưu trữ tệp tin nguyên bản.
②
Kỹ nghệ Tương tác AI (Prompting) Khai thác tối đa năng lực của LLMs thông qua các kỹ thuật Prompt Engineering nâng cao để giải quyết bài toán kỹ thuật.
③
Hợp tác Agile & Scrum Ứng dụng các quy trình làm việc số hóa trực tuyến để điều phối, phân rã kiến trúc dự án công nghệ phức tạp.
④
Liêm chính Công nghệ số Tuân thủ tuyệt đối các quy chuẩn đạo đức, chống đạo văn thuật toán và xử lý sai lệch thông tin AI.
02
Minh chứng năng lực thành phần

Hệ thống hóa bài tập
Từ bài 1 đến bài 6

1
Thao tác cơ bản với tệp tin và thư mục
Mục 1.4 — Máy tính và các thiết bị ngoại vi
+
Thiết lập cây thư mục lưu trữ học thuật tối ưu hóa cục bộ trên đám mây và máy tính cá nhân. Áp dụng các quy tắc định danh chuẩn mực để triệt tiêu tình trạng hỗn loạn dữ liệu, tăng tốc độ truy xuất mã nguồn và tài liệu môn học.
UET_FIT_NguyenVietQuang/ │ ├── 01_Nam_1_Ky_2/ │ ├── INT1008_Nhap_mon_Lap_trinh/ │ │ ├── 01_Lectures/ │ │ ├── 02_Assignments/ (Chứa mã nguồn .cpp, .py) │ │ └── 03_References/ │ │ │ ├── INT1005_Nhap_mon_Cong_nghe_so/ │ │ ├── 01_Theory/ │ │ ├── 02_Portfolio_Project/ │ │ └── 03_Rubrics/ │ │ │ └── MAT1093_Dai_so_Tuyen_tinh/ │ ├── 01_Matrices_Determinants/ │ └── 02_Linear_Systems/ │ └── 02_Global_Templates_Config/
  • Cú pháp định danh tệp: Áp dụng chuẩn `[MãMôn]_[TênNhiệmVụ]_V[SốPhiênBản]_[NgàyThựcHiện]`. Ví dụ: `INT1005_PortfolioDesign_V2_20260607.html`.
  • Tư duy tổ chức dữ liệu: Loại bỏ hoàn toàn khoảng trắng bừa bãi và ký tự có dấu để tương thích tuyệt đối với các trình biên dịch mã nguồn và Terminal của hệ điều hành Linux/Windows.
  • Cơ chế phân tách phân tầng: Chia rõ ràng tài liệu lý thuyết (bất biến) và mã nguồn thử nghiệm (khả biến), hỗ trợ đồng bộ mượt mà với các hệ thống quản lý phiên bản mã nguồn như Git/GitHub sau này.
📸 [HÌNH ẢNH MINH HỌA]: Sơ đồ chụp cấu trúc cây thư mục lưu trữ thực tế trên Google Drive của sinh viên Nguyễn Việt Quang[cite: 1].
2
Tìm kiếm và đánh giá thông tin học thuật chuyên sâu
Mục 2.4 — Khai thác dữ liệu và thông tin[cite: 1]
+
"Tối ưu hóa hiệu năng mô hình mạng nơ-ron tích chập (CNN) bằng kỹ thuật cắt tỉa trọng số (weight pruning) cho thiết bị phần cứng nhúng biên."
"Convolutional Neural Network" AND ("weight pruning" OR "model compression") site:ieee.org OR site:acm.org filetype:pdf -primary
  • Linh hoạt điều phối 5 toán tử nâng cao cùng một lúc để cô lập dữ liệu rác, nhắm thẳng vào các thư viện tạp chí khoa học lớn hàng đầu thế giới (IEEE Xplore và ACM Digital Library).
  • Bảng đánh giá độ tin cậy thông tin (CRAAP Test): Đánh giá chi tiết tài liệu thu thập được thông qua Tính cập nhật (Currency - xuất bản trong vòng 3 năm gần nhất), Tính liên quan (Relevance - giải quyết trực tiếp bài toán nén mô hình), và Độ uy tín của tác giả (Authority - các giáo sư chuyên ngành máy tính có chỉ số trích dẫn h-index cao).
  • Đúc kết chiến lược tái định hình từ khóa liên tục dựa trên kết quả trả về của hệ thống để thu hẹp độ lệch biên kiến thức.
🔍 [HÌNH ẢNH MINH HỌA]: Ảnh chụp màn hình kết quả thu lọc học thuật từ Google Scholar và ma trận phân tích nguồn tin khoa học[cite: 1].
3
Viết Prompt hiệu quả cho tác vụ kỹ thuật
Mục 3.4 — Tổng quan về trí tuệ nhân tạo[cite: 1]
+
1. Prompt ban đầu (Sơ cấp, thiếu bối cảnh): "Hãy giải thích cách hoạt động của thuật toán sắp xếp nhanh QuickSort."

2. Prompt cải tiến (Nâng cao - Đạt chuẩn Mức 4): "Đóng vai là một Chuyên gia phân tích thuật toán cấp cao. Hãy giải thích cơ chế phân hoạch (Partitioning) của thuật toán QuickSort in-place cho sinh viên năm nhất ngành Khoa học Máy tính. Hãy trình bày phân tích độ phức tạp thời gian trong trường hợp tệ nhất O(N^2) kèm giải pháp tối ưu hóa bằng phương pháp chọn phần tử chốt ngẫu nhiên (Randomized Pivot). Định dạng kết quả gồm sơ đồ khối bằng mã ASCII và một đoạn code minh họa sạch bằng ngôn ngữ Python."
  • Phân tích kết quả đầu ra: Prompt sơ cấp chỉ cho ra các đoạn định nghĩa giáo điều, chung chung. Prompt kỹ nghệ nâng cao ép mô hình AI tạo sinh khu biệt hóa không gian xác suất của các phân tử từ ngữ (Tokens), sản xuất ra cấu trúc tài liệu chính xác về mặt toán học và kỹ thuật mã nguồn.
  • Giải thích cơ chế AI dưới góc độ CS: Bằng cách thiết lập vai trò cụ thể ("Chuyên gia thuật toán") và bối cảnh hẹp ("In-place", "Randomized Pivot"), prompt cải tiến hoạt động như một bộ lọc thu hẹp phân phối xác suất có điều kiện của mạng nơ-ron hồi quy/Transformer, hướng sự chú ý của cơ chế Attention vào các mẫu dữ liệu chuẩn mực nhất trong tập dữ liệu huấn luyện, từ đó loại bỏ hiện tượng 'ảo giác AI'.
✍️ [HÌNH ẢNH MINH HỌA]: Ảnh chụp màn hình đối sánh song song (Side-by-side) mã nguồn Python do AI tạo ra từ hai prompt[cite: 1].
4
Sử dụng công cụ hợp tác trực tuyến cho dự án phát triển phần mềm nhóm
Mục 4.4 — Giao tiếp và hợp tác trong môi trường số[cite: 1]
+
Ứng dụng mô hình Agile và bảng quản trị trực quan trực tuyến để quản lý dự án nhóm, xây dựng module giả lập hệ thống phân tích dữ liệu thuật toán, tối ưu hóa tương tác luồng công việc giữa các thành viên sinh viên UET.
  • Hệ thống công cụ tích hợp: Triển khai đồng bộ Trello (quản trị tiến độ công việc), GitHub Projects (quản trị luồng xử lý mã nguồn) và Google Workspace (đồng biên soạn đặc tả hệ thống phần mềm).
  • Tối ưu hóa quy trình cộng tác: Phân rã dự án lớn thành các User Story nhỏ, định hình rõ trạng thái thẻ nhiệm vụ thông qua mô hình Kanban chuẩn hóa nâng cao: `Backlog` (Ứng viên tính năng) $\rightarrow$ `Sprint Planning` $\rightarrow$ `In Progress` $\rightarrow$ `Code Review` (Kiểm thử chéo mã nguồn giữa các thành viên) $\rightarrow$ `Merged/Done`.
  • Thiết lập hệ thống nhãn (Labels) phân cấp độ khẩn cấp và thiết lập Automation tự động gửi thông báo nhắc hạn (Deadline) về kênh trao đổi chung.
🤝 [HÌNH ẢNH MINH HỌA]: Giao diện tương tác thực tế của bảng Trello nhóm với phân công trách nhiệm cho Nguyễn Việt Quang và các cộng sự[cite: 1].
5
Sử dụng AI tạo sinh để hỗ trợ sáng tạo nội dung số kỹ thuật
Mục 5.4 — Sáng tạo nội dung số[cite: 1]
+
Thiết kế một Infographic đồ họa chuyên nghiệp biểu diễn: "Bản đồ cấu trúc bên trong và Cơ chế Tự chú ý (Self-Attention Mechanism) của Mô hình Transformer trong xử lý ngôn ngữ tự nhiên."
  • Giai đoạn 1 (Lên ý tưởng & Cấu trúc hóa): Sử dụng Claude 3.5 Sonnet để phân rã sơ đồ toán học phức tạp của Transformer thành các module đồ họa khối trực quan, kiến tạo kịch bản nội dung phân tầng chữ (Typography hierarchy).
  • Giai đoạn 2 (Tạo phôi tài nguyên đồ họa nâng cao): Sử dụng Midjourney v6 với các prompt tham số cấu hình vector cấu trúc máy tính (`--no photorealistic`, `--style raw`) để tạo ra các cụm biểu tượng mạng nơ-ron sắc nét, tính thẩm mỹ kỹ thuật cao.
  • Giai đoạn 3 (Hậu kỳ, Tái biên tập & Làm chủ sản phẩm): Trực tiếp đưa toàn bộ tài nguyên vào Canva để chỉnh sửa thủ công, căn chỉnh lưới đồ họa (Grid layouts), viết lại toàn bộ nội dung chuyên ngành Khoa học Máy tính. Vai trò của AI chỉ dừng lại ở mức trợ lý tạo phôi dữ liệu, quyền quyết định phân bổ thẩm mỹ và tính chính xác thuật ngữ thuộc về tư duy của sinh viên.
🎨 [SẢN PHẨM SỐ]: File nhúng chất lượng cao hoặc đường dẫn liên kết đến sản phẩm sơ đồ kiến trúc Transformer hoàn chỉnh[cite: 1].
6
Sử dụng AI có trách nhiệm trong học tập và nghiên cứu thuật toán
Mục 6.4 — An toàn và liêm chính học thuật[cite: 1]
+
  • 1. Nguyên tắc Minh bạch Hồi quy (Transparency): Luôn khai báo tường tận phân đoạn mã nguồn hoặc cấu trúc ý tưởng có sự hỗ trợ của AI trong phần comment đầu file code. Thừa nhận công cụ một cách sòng phẳng.
  • 2. Nguyên tắc Xác thực Triệt để (Cross-Verification): Coi mọi dòng mã nguồn AI sinh ra là một giả thuyết chưa được kiểm chứng. Bắt buộc phải viết Unit Test, chạy thử nghiệm cục bộ để xác minh độ phức tạp thuật toán và lỗi rò rỉ bộ nhớ (Memory leak).
  • 3. Nguyên tắc Độc lập Tư duy (Cognitive Independence): Tuyệt đối không để AI làm suy giảm tư duy giải thuật tuyến tính của bản thân. Phải tự tay phác thảo giải pháp thuật toán trên giấy nháp (Whiteboard) trước khi tham vấn mô hình ngôn ngữ lớn.
  • 4. Nguyên tắc Bảo mật Mã nguồn Hệ thống (Data Privacy): Tuyệt đối không đẩy các đoạn mã nguồn chứa khóa bí mật (API Keys), dữ liệu nội bộ của phòng thí nghiệm hoặc của nhà trường lên hệ thống AI công cộng, phòng ngừa rủi ro rò rỉ dữ liệu.
  • 5. Nguyên tắc Liêm chính Tuyệt đối (Academic Integrity): Không sử dụng AI để sinh mã nguồn hàng loạt nhằm qua mặt các hệ thống chấm điểm tự động chuyên dụng (như hệ thống MOSS - Measure of Software Similarity của UET)[cite: 1].
Bản thân là một sinh viên Khoa học Máy tính, tôi nhận thức rõ rằng các mô hình học máy hiện tại được xây dựng dựa trên sự đóng góp tri thức của hàng triệu lập trình viên toàn cầu. Do đó, việc sử dụng AI có trách nhiệm không chỉ là tuân thủ nội quy học đường, mà là biểu hiện của sự tôn trọng quyền sở hữu trí tuệ, duy trì sinh thái mã nguồn mở văn minh và rèn luyện năng lực lập trình thực chất cho bản thân để sẵn sàng hội nhập quốc tế.
⚖️ [TÀI LIỆU]: Bản cam kết liêm chính kỹ thuật số có chữ ký điện tử mã hóa cá nhân của sinh viên Nguyễn Việt Quang[cite: 1].
03
Tổng kết & Đánh giá

Nhìn lại toàn bộ hành trình
Phát triển Tư duy Số

🔗

Tương hỗ Kỹ năng

Kỹ năng quản lý tệp tin khoa học ở Bài 1 là nền móng để tổ chức dự án nhóm ở Bài 4 diễn ra trơn tru. Tìm kiếm học thuật chính xác giúp tối ưu hóa tri thức nạp vào cho Prompt Engineering ở Bài 3[cite: 1].

🧠

Tư duy Thuật toán

Nhìn nhận AI không phải một thực thể vạn năng, mà là một hệ thống tính toán xác suất. Hiểu rõ bản chất toán học giúp tôi kiểm soát và điều khiển công cụ theo đúng ý đồ thiết kế hệ thống.

⚡

Làm chủ Kỹ nghệ

Từ việc viết các câu lệnh ngắn vô thức, tôi đã tiến hóa lên tư duy thiết kế Prompt có cấu trúc, có tham số ràng buộc, nâng hiệu suất giải quyết bài toán mã nguồn lên nhiều lần[cite: 1].

🌱

Liêm chính Số

Sự trưởng thành lớn nhất là xác lập được ranh giới đạo đức rõ ràng trong việc dùng công nghệ trợ lực, bảo vệ giá trị học thuật nguyên bản của một kỹ sư UET thực thụ[cite: 1].

Suy ngẫm cuối cùng và Tầm nhìn tương lai

Hành trình hoàn thiện Portfolio Kỹ thuật số này đã mang lại cho tôi bước chuyển đổi lớn về mặt nhận thức. Tôi hiểu rằng trong kỷ nguyên trí tuệ nhân tạo bùng nổ, giá trị của một kỹ sư Khoa học Máy tính không nằm ở việc ghi nhớ cú pháp lệnh, mà nằm ở tư duy kiến trúc hệ thống, khả năng phối hợp trực tuyến phối hợp và năng lực điều phối các công cụ AI để giải quyết các thách thức lớn của xã hội[cite: 1].

Những kỹ năng cốt lõi thu hoạch từ môn học này sẽ trở thành bệ phóng vững chắc để tôi tiếp tục chinh phục các môn chuyên ngành sâu sắc hơn tại FIT-UET như Cấu trúc dữ liệu và giải thuật, Hệ điều hành, Trí tuệ nhân tạo và Học máy trong các học kỳ tiếp theo[cite: 1].

"Công nghệ số không định nghĩa chúng ta, chính cách chúng ta làm chủ công nghệ một cách có đạo đức và trách nhiệm mới định nghĩa giá trị của chúng ta trong tương lai."