VỀ MINHLAB
Một nơi để học sâu hơn bằng cách ghi lại những gì mình đang xây dựng.
MinhLab là blog cá nhân nơi tôi ghi lại những thứ mình đang học, những project đang xây dựng và những câu hỏi vẫn đang tìm lời giải trong AI và Computer Science.
TRIẾT LÝ HỌC TẬP
Tại sao tôi bắt đầu MinhLab?
Trong quá trình học và làm việc với AI, tôi nhận ra rằng mình hiểu một kiến thức rõ nhất khi tự hệ thống lại, thử nghiệm và giải thích nó bằng ngôn ngữ của chính mình.
MinhLab được tạo ra như một blog chia sẻ kiến thức AI, đồng thời là một engineering notebook công khai để lưu lại những gì tôi học được trong quá trình xây dựng, thử nghiệm và giải quyết các vấn đề kỹ thuật thực tế.
Nội dung tại MinhLab tập trung vào cả nền tảng lý thuyết lẫn cách áp dụng vào thực tế. Từ việc một mô hình hay thuật toán hoạt động như thế nào, đến cách thiết kế pipeline, xử lý lỗi, đánh giá các lựa chọn kỹ thuật và những bài học rút ra trong quá trình triển khai.
Thay vì chỉ ghi lại kết quả cuối cùng hoặc tổng hợp thông tin có sẵn, MinhLab hướng đến việc chia sẻ quá trình tư duy, thử nghiệm và kinh nghiệm thực tế đằng sau mỗi vấn đề. Tôi muốn những ghi chép này vừa giúp bản thân hệ thống lại kiến thức, vừa có thể hữu ích cho những người đang học và làm việc trong lĩnh vực AI.
Q: Why does self-attention scale O(n²)?
Attention(Q, K, V) = softmax(Q Kᵀ / √dₖ) VTakeaway: Pairwise dot product matrix scales quadratically with sequence length n.
Next.js App Router deployed on Cloudflare Workers edge, leveraging D1 SQLite for metadata & R2 for media assets.
KNOWLEDGE MAP
Những thứ tôi thường tìm hiểu
Nội dung của MinhLab thay đổi theo những gì tôi đang học và xây dựng, nhưng phần lớn xoay quanh một vài chủ đề sau.
Machine Learning
Nền tảng toán học, mô hình cốt lõi & các bài toán tối ưu hóa cơ bản.
Deep Learning
Kiến trúc mạng neural, phương pháp huấn luyện & intuitions trực quan.
Large Language Models
Transformers, kỹ thuật retrieval (RAG) & các kiến trúc AI agent.
Computer Vision
Biểu diễn hình ảnh, vision-language models & xử lý dữ liệu video.
AI Engineering
Từ ý tưởng nghiên cứu & prototype đến hệ thống thực tế chạy ổn định.
LEARNING PROCESS
Học bằng cách làm
Đọc giúp tôi bắt đầu hiểu một vấn đề. Nhưng phần lớn những gì thực sự nhớ được đến từ lúc thử implement, gặp lỗi, thay đổi giả thuyết và buộc phải giải thích lại nó theo cách đơn giản hơn.
Đọc
Nghiên cứu paper, tài liệu & codebase gốc
Hiểu
Bóc tách bản chất thuật toán & intuitions
Thử
Bắt tay tự implement prototype từ đầu
Sai
Va chạm với bug, bottleneck & giới hạn thực tế
Sửa
Thử nghiệm giả thuyết mới & tối ưu hoá
Ghi lại
Tổng kết bài học lên MinhLab để dùng lại
CURRENT FOCUS
Hiện tại tôi đang khám phá
Các định hướng nghiên cứu và thử nghiệm kỹ thuật mà tôi đang tập trung nhiều nhất thời gian này.
Video Retrieval
Tìm kiếm và hiểu nội dung trong những tập video lớn sử dụng vision-language embeddings & OCR.
Large Language Models
Tìm hiểu sâu hơn cách Transformer, tokenization, retrieval và agent tương tác với dữ liệu.
Multimodal AI
Cách text, image và video có thể được biểu diễn chung trong cùng một không gian vector semantic.
AI Engineering
Biến model và research idea thành những ứng dụng thực sự chạy được trên hạ tầng thực tế.
BUILDING IN PUBLIC
Một số thứ đang được xây dựng
AIC Video Retrieval System
Một hệ thống tìm kiếm và truy vấn nội dung video tự động sử dụng vision-language embeddings (CLIP), transcript, OCR và retrieval pipeline để xử lý lượng video dung lượng lớn.
Khám phá các bài viết liên quan →LỜI KẾT
Nếu một ghi chú ở đây giúp bạn hiểu một thứ nhanh hơn, MinhLab đã làm đúng việc của nó.
Tôi vẫn đang học, nên nội dung ở đây cũng sẽ thay đổi cùng với những gì tôi đang tìm hiểu và xây dựng.