Ebook Làm Chủ NLP Từ Foundation Đến Agent - Xây Dựng Các AI Agent Thông Qua Agentic Automation & RAG Workflow Với Python [Ấn Bản Lần 2, Tháng 3/2026] [PDF, EPUB] [9071E]
Phiên bản thứ hai này bao gồm từ các kiến thức nền tảng về NLP đến các LLM, RAG, & agentic system, hướng dẫn bạn design và fine-tune các giải pháp AI sẵn sàng cho production bằng ngôn ngữ Python.
1. Các tính năng chính:
- ✓ Engineer NLP system từ ML foundation đến LLM architecture.
- ✓ Triển khai các RAG pipeline, routing layer & agent workflow.
- ✓ Fine-tune & align các LLM bằng các phương pháp LoRA, RLHF và DPO.
- ✓ Thiết kế các hệ thống AI cấp độ sản xuất đáp ứng các yêu cầu về quản trị và an toàn.
2. Mô tả sách:
Natural Language Processing đã phát triển vượt ra ngoài các hệ thống dựa trên quy tắc và machine learning (ML) truyền thống. Phiên bản thứ hai này sẽ hướng dẫn bạn qua quá trình chuyển đổi đó, từ các nền tảng toán học và ML đến các large language model, retrieval pipeline, agentic automation và AI-native system design. Nó củng cố các khái niệm cốt lõi của NLP đồng thời mở rộng sang các kiến trúc hiện đại như transformer, parameter-efficient fine-tuning (LoRA and QLoRA) và các alignment method như RLHF và DPO.
Bạn sẽ bắt đầu với các kiến thức thiết yếu về đại số tuyến tính, xác suất và học máy trước khi chuyển sang text preprocessing, feature engineering, các classification pipeline và kiến trúc deep learning. Từ đó, trọng tâm chuyển sang system design: xây dựng các Retrieval-Augmented Generation (RAG) pipeline, triển khai các chiến lược model routing cân bằng giữa chi phí và hiệu suất, và điều phối các multi-agent workflow có cấu trúc. Bạn cũng sẽ được giới thiệu các interoperability pattern có cấu trúc, bao gồm Model Context Protocol (MCP). Governance và safety sẽ được xem xét như những vấn đề kiến trúc, demo cách chính sách và tuân thủ có thể được tích hợp trực tiếp vào các hệ thống AI. Đến cuối cuốn sách này, bạn sẽ có các công cụ để triển khai các kỹ thuật NLP và được trang bị để thiết kế, quản trị và deploy các hệ thống thông minh được xây dựng dựa trên chúng.
3. Những điều bạn sẽ học được:
- ✓ Xây dựng các nền tảng vững chắc về NLP trong toán học và ML.
- ✓ Engineer text classification & các NLP pipeline.
- ✓ Train & fine-tune các kiến trúc LLM hiện đại.
- ✓ Triển khai các hệ thống RAG với LangChain.
- ✓ Orchestrate multiple AI agent & tool để giải quyết các nhiệm vụ phức tạp.
- ✓ Đánh giá hiệu suất mô hình NLP và áp dụng các AI safety best practice.
- ✓ Tích hợp dữ liệu và công cụ bên ngoài bằng Model Context Protocol (MCP).
- ✓ Fine-tune transformer với các kỹ thuật LoRA, QLoRA và DPO.
4. Cuốn sách này dành cho ai?
Cuốn sách này dành cho các machine learning engineer, data scientist và NLP practitioner muốn nâng cao chuyên môn và xây dựng các giải pháp AI nâng cao. Sách cũng hữu ích cho các chuyên gia và researcher muốn áp dụng các kỹ thuật NLP và LLM mới nhất vào các dự án thực tế. Các Software engineer mới bước vào lĩnh vực AI và những người đam mê công nghệ quan tâm đến những tiến bộ hiện đại trong NLP sẽ thấy cuốn sách này rất giá trị. Sách giả định người đọc đã có kiến thức vững chắc về Python và các khái niệm cơ bản về Machine Learning.
5. Mục lục:
- ✓ Chương 01. Tổng quan về lĩnh vực NLP.
- ✓ Chương 02. Mathematical Foundation cho Machine Learning trong NLP.
- ✓ Chương 03. Khai thác tối đa tiềm năng của Machine Learning trong NLP.
- ✓ Chương 04. Tối ưu hóa các kỹ thuật Text Preprocessing cho NLP.
- ✓ Chương 05. Text Classification sử dụng các kỹ thuật ML truyền thống.
- ✓ Chương 06. Text Classification Phần 2 - Sử dụng các Deep Learning Language Model.
- ✓ Chương 07. Giải mã lý thuyết, thiết kế và triển khai LLM.
- ✓ Chương 08. Parameter-Efficient Fine-Tuning & Reasoning trong LLM.
- ✓ Chương 09. Setup nâng cao và tích hợp với RAG và MCP.
- ✓ Chương 10. Các phương pháp LLM nâng cao sử dụng RAG và LangChain.
- ✓ Chương 11. Các giải pháp Multi-Agent và các Agent Framework nâng cao.
- ✓ Chương 12. Các Technical Guardrail về AI Safety & Responsible Implementation.
- ✓ Chương 13. Thiết kế và quản lý các AI-Native Product.
- ✓ Phụ lục A: Công thức toán học của feasibility test.
- ✓ Phụ lục B: Mở khóa quyền truy cập vào Code Bundle.
- ✓ Phụ lục C: Đáp án.