Thuật Ngữ Quản Lý Sản Phẩm AI

The Product Compass

The Product Compass

Newsletter số 1 về AI và Quản lý sản phẩm. Cung cấp các mẹo thực tiễn, tài nguyên và hướng dẫn từng bước để học qua trải nghiệm. Nâng cao khả năng cảm nhận sản phẩm và trực giác AI.

Hơn 118,000 người đăng ký

AI Product Manager Glossary

Trên 80 thuật ngữ chính thuộc 12 danh mục quan trọng dành cho các Nhà Quản Lý Sản Phẩm AI, kỹ sư AI và nhà phát triển AI.

1. AI Product Management

AI Literacy & AI Intuition
Khả năng hiểu các khái niệm cơ bản về AI (như LLMs, AI Agents, MCP), phân tích lỗi và tinh chỉnh lặp lại các prompt hay mô hình dựa trên thử nghiệm thực tế. Tốt nhất là phát triển qua làm việc thực tế với AI, không chỉ học lý thuyết.

AI Product Manager
Là PM chuyên làm việc với các sản phẩm và tính năng sử dụng AI. Khác với PM truyền thống, họ cần hiểu công nghệ và phát triển trực giác AI.

AI-Powered Product Manager
Là PM sử dụng AI trong công việc hàng ngày. Trong tương lai gần, gần như không còn PM nào không sử dụng AI mỗi ngày. AI sẽ trở thành một phần không thể thiếu trong công việc.

Product Manager
Thành viên chịu trách nhiệm chính cho hai rủi ro:

  • Giá trị khách hàng: Khách có muốn sản phẩm hoặc tính năng này? Chúng ta có thể cung cấp giá trị thực sự?
  • Tính khả thi kinh doanh: Sản phẩm có phù hợp và hiệu quả ở các bộ phận kinh doanh khác nhau?

Hoạt động quan trọng nhất của PM là tham gia Product Discovery, nhằm giải quyết các rủi ro trước khi triển khai để tránh lãng phí thời gian và nguồn lực.

Dựa trên bài viết: WTF is an AI Product Manager

2. Generative AI: Các Thuật Ngữ Cơ Bản

  • Deep Learning: Phương pháp học máy sử dụng mạng nơ-ron sâu với nhiều lớp, áp dụng cho supervised, unsupervised và reinforcement learning.
  • Fine-Tuning: Quá trình đào tạo thêm một mô hình đã được huấn luyện trước trên tập dữ liệu nhỏ hơn, chuyên biệt cho tác vụ cụ thể.
  • Generative AI (Gen AI): Hệ thống AI dựa trên các mô hình lớn đã được huấn luyện trước để tạo ra nội dung mới như văn bản, hình ảnh, âm thanh, hoặc mã code.
  • Neural Networks: Mô hình tính toán lấy cảm hứng từ não người, gồm các lớp nơ-ron kết nối giúp học các mẫu dữ liệu.
  • Reinforcement Learning: Phương pháp học dựa trên tương tác với môi trường, nhận thưởng cho hành động đúng và phạt cho hành động sai.
  • RLHF (Reinforcement Learning from Human Feedback): Kỹ thuật điều chỉnh mô hình ngôn ngữ lớn theo phản hồi của con người.
  • Supervised Learning: Học dựa trên tập dữ liệu có nhãn rõ ràng để đào tạo mô hình.
  • Transformers: Kiến trúc mạng nơ-ron cho dữ liệu tuần tự (như văn bản) với cơ chế self-attention quan trọng.
  • Unsupervised Learning: Học từ dữ liệu không có nhãn, mô hình tự tìm ra các cấu trúc, mẫu.

Hình minh họa cảnh quan AI và tài nguyên: Introduction to AI Product Management

3. AI Models

  • Language Action Models (LAM): Mô hình không chỉ hiểu ngôn ngữ mà còn thực hiện hành động, tương tác với phần mềm hoặc API.
  • Large Language Models (LLMs): Mô hình lớn được huấn luyện trên nhiều dữ liệu để sinh và hiểu văn bản (vd: ChatGPT).
  • Masked Language Models (MLM): Mô hình học dự đoán từ bị che khuất trong câu, giúp hiểu ngữ cảnh sâu hơn.
  • Mixture of Experts (MoE): Kiến trúc kết hợp nhiều mô hình chuyên gia để cải thiện hiệu suất và hiệu quả.
  • Segment Anything Models (SAM): Mô hình phân đoạn ảnh chi tiết, xác định đối tượng trong ảnh chính xác.
  • Small Language Models (SLMs): Mô hình nhỏ gọn ưu tiên tốc độ và hiệu quả trong môi trường hạn chế tài nguyên.
  • Vision-Language Models (VLMs): Mô hình xử lý đồng thời văn bản và hình ảnh, kết nối hai dạng dữ liệu.

Bạn có thể tham khảo The Ultimate AI PM Learning Roadmap để hiểu sâu hơn.

4. Prompting & Context Management

  • Chain-of-Thought (CoT) Prompting: Kỹ thuật yêu cầu mô hình phân tích từng bước, giúp cải thiện độ chính xác.
  • Context Management: Quản lý thông tin đưa vào mô hình để không vượt quá giới hạn bộ nhớ và tối ưu kết quả.
  • Context Window (Token Limit): Giới hạn số token trong prompt, vượt quá giới hạn mô hình sẽ quên phần đầu.
  • Few-Shot Learning: Cung cấp vài ví dụ trong prompt để hướng dẫn cách trả lời mà không cần fine-tuning.
  • Prompt Engineering: Nghệ thuật tạo prompt hiệu quả để mô hình hiểu và hoạt động tốt hơn.
  • Prompt Injection: Vấn đề bảo mật khi lời nhắc độc hại đánh lừa mô hình vi phạm quy tắc.
  • Temperature: Tham số kiểm soát độ sáng tạo hoặc ổn định câu trả lời của mô hình.
  • Zero-Shot Learning: Yêu cầu mô hình thực hiện tác vụ mà không cung cấp ví dụ nào trong prompt.

Chi tiết hơn xem tại Eleven AI Agent Prompting Principles.

5. Retrieval-Augmented Generation (RAG)

  • Agentic RAG: AI tự chủ quyết định khi nào và gì cần truy xuất, cách dùng dữ liệu.
  • CAG (Cache-Augmented Generation): Tải dữ liệu cần thiết vào bộ nhớ trước, tăng tốc truy xuất so với RAG truyền thống.
  • Embedding: Chuyển đổi dữ liệu thành vector số để mô hình hiểu mối quan hệ và tìm kiếm tương đồng.
  • Hybrid RAG: Kết hợp các phương pháp truy xuất để nâng cao chất lượng context cho mô hình.
  • HyDE (Hypothetical Document Embeddings): Tăng cường truy xuất bằng cách tạo câu trả lời giả tưởng để xác định tài liệu liên quan.
  • Reranking: Sắp xếp lại kết quả truy xuất dựa trên mức độ liên quan chính xác hơn.

Comments

Post a Comment