Môn học này phát triển tư duy tính toán và nền tảng thuật toán cho các hệ thống AI. Người học tìm hiểu về cấu trúc dữ liệu, độ phức tạp, tìm kiếm, sắp xếp, quy hoạch động, thuật toán đồ thị, bài toán thỏa mãn ràng buộc, suy luận ký hiệu, lập kế hoạch và ra quyết định tuần tự. Các thuật toán kinh điển được kết nối với những ứng dụng hiện đại như truy xuất thông tin, hệ thống đề xuất, tạo nội dung có ràng buộc, định tuyến, lập kế hoạch và cơ chế ra quyết định của Agent.

Môn học này xây dựng nền tảng cốt lõi về Machine Learning dự đoán. Người học học cách xác định bài toán kinh doanh và khoa học, xây dựng bộ dữ liệu đáng tin cậy, phát triển mô hình hồi quy và phân loại, thiết kế đặc trưng, so sánh các phương pháp thống kê và Machine Learning, đồng thời đánh giá khả năng khái quát hóa của mô hình. Nội dung chú trọng phòng tránh rò rỉ dữ liệu, xử lý dữ liệu mất cân bằng, hiệu chỉnh mô hình, đánh giá độ bất định, phân tích bias–variance, phân tích lỗi và chuyển giao mô hình để đưa vào vận hành.

Môn học này mở rộng Machine Learning sang các hệ thống biểu diễn dữ liệu, đề xuất, phân tích theo thời gian, xác suất, suy luận nhân quả và ra quyết định tuần tự. Người học áp dụng phân cụm, giảm chiều dữ liệu, phát hiện bất thường, hệ thống đề xuất, xếp hạng, dự báo chuỗi thời gian, suy luận nhân quả, mô hình xác suất và các nền tảng của học tăng cường để giải quyết những bài toán thực tế phức tạp. Kiến thức về học tăng cường và lý thuyết ra quyết định trong học phần này là nền tảng cho các kỹ thuật alignment trong môn TECH 501 – Generative AI & Kỹ thuật LLM và khả năng ra quyết định của Agent trong môn TECH 502 – Agentic AI, Hệ thống Multi-Agent & Điều phối AI.

Môn học này phát triển năng lực thiết kế, huấn luyện và đánh giá các hệ thống mạng nơ-ron nâng cao. Nội dung bao gồm nền tảng mạng nơ-ron, lan truyền ngược, tối ưu hóa, regularization, mạng tích chập, mô hình chuỗi, attention, transformers, học biểu diễn, học đa phương thức, mạng nơ-ron đồ thị, transfer learning và suy luận hiệu quả. Người học áp dụng các kiến trúc này vào các bài toán về thị giác máy tính, ngôn ngữ, dữ liệu theo thời gian, hệ thống đề xuất, dữ liệu đa phương thức và dữ liệu có cấu trúc liên kết.

Môn học này tìm hiểu cách các mô hình nền tảng và hệ thống Generative AI hiện đại được thiết kế, huấn luyện, căn chỉnh, tùy chỉnh và đánh giá. Người học tìm hiểu về tokenization, embeddings, kiến trúc bên trong của Transformer, pre-training, scaling laws, kiến trúc mixture-of-experts, context window, instruction tuning, fine-tuning, PEFT, tối ưu hóa theo sở thích, mô hình đa phương thức, hệ thống suy luận và test-time compute. Trọng tâm là hiểu và kiểm soát cách mô hình hoạt động, thay vì chỉ sử dụng các API có sẵn.

Môn học này phát triển năng lực thiết kế các hệ thống Agentic AI và AI-native đáng tin cậy. Nội dung kết hợp thiết kế môi trường vận hành cho Agent, lập kế hoạch, sử dụng công cụ, đầu ra có cấu trúc, bộ nhớ, cơ chế tự phản hồi, điều phối quy trình, giám sát của con người, phối hợp đa Agent, khả năng tương tác giữa các hệ thống, kiểm thử trong môi trường không xác định, khả năng bảo trì và kiểm soát mức độ tự chủ. Trọng tâm là thiết kế độc lập với framework và tích hợp hệ thống một cách ổn định trong môi trường doanh nghiệp. Phần truy xuất và bộ nhớ được đề cập như các mô hình thiết kế để Agent sử dụng trong quá trình suy luận; hạ tầng truy xuất và bộ nhớ được xây dựng trong môn TECH 503 – Hạ tầng Dữ liệu AI: Pipeline, Truy xuất & Knowledge Graph.

Môn học này xây dựng nền tảng hạ tầng dữ liệu phục vụ Machine Learning, Deep Learning, mô hình nền tảng, hệ thống truy xuất và Agent. Người học thiết kế các pipeline dữ liệu batch, phân tán, streaming, feature, dữ liệu huấn luyện, truy xuất, RAG, knowledge graph và bộ nhớ. Nội dung chú trọng chất lượng dữ liệu, nguồn gốc dữ liệu, gắn nhãn, dữ liệu tổng hợp, kiểm soát dữ liệu nhiễm bẩn, metadata, lineage, quyền riêng tư, quản trị và khả năng mở rộng trong việc khai thác tri thức. Dựa trên các mô hình thiết kế về bộ nhớ và truy xuất được giới thiệu trong môn TECH 502 – Agentic AI, Hệ thống Multi-Agent & Điều phối AI, môn học này tập trung xây dựng hệ thống truy xuất, knowledge graph và bộ nhớ nền tảng cho các ứng dụng Agentic AI trong thực tế.

Môn học này phát triển năng lực kỹ thuật cần thiết để huấn luyện, triển khai, mở rộng, bảo mật, giám sát và vận hành các hệ thống AI trong thực tế. Người học tìm hiểu về huấn luyện phân tán, hệ thống GPU và bộ tăng tốc, model serving, suy luận hiệu năng cao, container, orchestration, MLOps, LLMOps, observability, độ tin cậy, bảo mật, tối ưu chi phí, hoạch định năng lực và quản trị. Học phần tiếp cận AI như một hạ tầng công nghệ quan trọng của doanh nghiệp, thay vì chỉ là một tính năng phần mềm riêng lẻ.

Môn học này tập trung vào những lĩnh vực AI mới nổi chưa cần tách thành môn học riêng hoặc mở rộng kiến thức cốt lõi của chương trình sang các chuyên ngành cụ thể. Do lĩnh vực AI thay đổi nhanh, nội dung được rà soát và cập nhật thường xuyên để phản ánh những tiến bộ mới nhất về nghiên cứu, công nghệ và chính sách. Người học sẽ tiếp cận một hoặc nhiều chuyên đề được lựa chọn từ danh sách thay đổi theo từng giai đoạn, bao gồm các hướng công nghệ mới như AI chủ quyền, Edge AI/TinyML, Causal AI, Federated Learning, Quantum AI, cùng các chủ đề về quản trị AI có trách nhiệm như quy định, kiểm toán thuật toán và mở rộng AI có trách nhiệm.

Dự án tốt nghiệp yêu cầu người học thiết kế, xây dựng, huấn luyện hoặc tinh chỉnh, đánh giá, triển khai, mở rộng, bảo mật và bảo vệ một hệ thống AI hoàn chỉnh. Dự án có thể tập trung vào Machine Learning dự đoán, hệ thống đề xuất, Deep Learning, mô hình nền tảng, AI đa phương thức, hệ thống truy xuất, Agent hoặc hạ tầng AI. Chỉ sử dụng API bên ngoài, xây dựng prompt hoặc trình bày kiến trúc trên lý thuyết là chưa đủ.

Môn học này giúp người học chuyển tiếp từ năng lực ở bậc sau đại học sang nghiên cứu ở cấp độ Tiến sĩ. Người học phát triển kỹ năng đọc tài liệu học thuật, phân tích và tổng hợp nghiên cứu, cũng như trình bày học thuật thông qua việc tiếp cận các nghiên cứu AI tiên tiến, bao gồm AI Ứng dụng, Generative AI, Agentic AI và quản trị AI có trách nhiệm. Người học xác định một vấn đề nghiên cứu có ý nghĩa ở bậc Tiến sĩ, làm rõ khoảng trống về tri thức hoặc thực tiễn, xây dựng khung đóng góp, xác định phương pháp thu thập và đánh giá bằng chứng, đồng thời xem xét các yếu tố về đạo đức, quản trị, bảo mật và tác động. Môn học kết thúc bằng một buổi hội thảo chuyên đề nghiên cứu Tiến sĩ, nơi người học trình bày, bảo vệ và hoàn thiện ý tưởng nghiên cứu trước giảng viên và các học viên khác, qua đó phát triển năng lực trình bày và lập luận học thuật cần thiết cho giai đoạn nghiên cứu Tiến sĩ, hội thảo chuyên ngành và bảo vệ luận án.

Sau khi hoàn thành các môn học nền tảng và nâng cao ở bậc sau đại học, hoặc sau khi hoàn thành chương trình Thạc sĩ AI Ứng dụng & Agentic AI, người học phải vượt qua kỳ thi đủ điều kiện trước khi bước vào giai đoạn làm luận án. TECH 810 là kỳ thi tổng hợp nhằm đánh giá mức độ nắm vững phương pháp và năng lực phân tích ở bậc Tiến sĩ mà người học đã tích lũy trong toàn bộ chương trình.

Môn học này giới thiệu các phương pháp nghiên cứu ở bậc Tiến sĩ, bao gồm thiết kế nghiên cứu, phương pháp định tính và định lượng, phương pháp hỗn hợp, tổng hợp tài liệu, phân tích dữ liệu và đạo đức nghiên cứu. Trọng tâm là áp dụng các phương pháp nghiên cứu để tìm hiểu và giải quyết những vấn đề thực tế trong AI, công nghệ và quản trị tổ chức. Người học phát triển khả năng đánh giá thiết kế nghiên cứu, lựa chọn phương pháp phù hợp, phân tích dữ liệu một cách có trách nhiệm và kết nối bằng chứng nghiên cứu với việc triển khai công nghệ trong thực tế. Môn học cũng chuẩn bị cho người học xây dựng đề cương luận án chặt chẽ và có cơ sở học thuật vững chắc.

Môn học này phát triển năng lực phân tích định tính và định lượng ở cấp độ Tiến sĩ, tập trung vào các nghiên cứu trong lĩnh vực AI và trang bị công cụ phân tích cần thiết để nghiên cứu những vấn đề quan trọng trong thực tiễn AI Ứng dụng & Agentic AI. Dựa trên nền tảng thiết kế nghiên cứu từ TECH 805, người học phát triển khả năng lựa chọn, áp dụng và đánh giá phương pháp phân tích phù hợp với câu hỏi nghiên cứu và mục tiêu đóng góp của luận án. Nội dung bao gồm phương pháp định lượng (suy luận thống kê, phân tích mức độ ảnh hưởng, định lượng độ bất định, phân tích benchmark, kiểm chứng khả năng tái lập), phương pháp định tính (phân tích chủ đề, Lý thuyết cơ sở, nghiên cứu tình huống, phỏng vấn chuyên gia, phân tích diễn ngôn), phương pháp nghiên cứu hỗn hợp và các phương pháp đánh giá AI chuyên biệt (LLM-as-Judge, đánh giá bởi con người, chỉ số tự động, Red Teaming). Trọng tâm là đảm bảo phương pháp phù hợp với vấn đề nghiên cứu, kết quả phân tích có cơ sở và việc diễn giải kết quả chính xác, có trách nhiệm và đủ sức thuyết phục trong nghiên cứu AI ở bậc Tiến sĩ.

Môn học này hướng dẫn người học xây dựng Đề xuất Đề tài Luận án một cách bài bản. Người học phát triển hướng nghiên cứu đã hình thành trong TECH 809 thành một đề xuất có cơ sở học thuật, trong đó xác định rõ vấn đề nghiên cứu và ý nghĩa của vấn đề, tổng hợp các nghiên cứu liên quan và chỉ ra khoảng trống nghiên cứu, xác định câu hỏi hoặc mục tiêu nghiên cứu, trình bày phương pháp dự kiến và đánh giá ban đầu về đạo đức, AI có trách nhiệm và quản trị. Đề xuất cần cho thấy đề tài luận án có ý nghĩa, khả thi, phù hợp với các nguyên tắc đạo đức và gắn với cả thực tiễn nghề nghiệp lẫn nghiên cứu ứng dụng, đồng thời tạo nền tảng để phát triển thành Đề cương Luận án hoàn chỉnh trong TECH 891.

Người học phát triển Đề xuất Đề tài Luận án đã được phê duyệt trong TECH 890 thành Đề cương Luận án Ứng dụng hoàn chỉnh, bao gồm vấn đề nghiên cứu, nền tảng tài liệu và khung lý thuyết, thiết kế phương pháp nghiên cứu, nguồn dữ liệu, các yêu cầu về đạo đức và quản trị, phương pháp phân tích và đóng góp dự kiến cho thực tiễn. Buổi bảo vệ tập trung đánh giá tính khả thi, cơ sở học thuật, độ chặt chẽ của phương pháp và giá trị ứng dụng. Người học cần chứng minh rằng nghiên cứu đã được phát triển đầy đủ, phạm vi phù hợp và có khả năng tạo ra những kết quả, giải pháp hoặc khuyến nghị có ý nghĩa cho thực tiễn AI và công nghệ. Bảo vệ thành công sẽ chính thức xác lập tư cách nghiên cứu sinh Tiến sĩ. Điều kiện tiên quyết: TECH 890.

Người học thực hiện và hoàn thành nghiên cứu Tiến sĩ dưới hình thức Luận án Ứng dụng. Giai đoạn này bao gồm triển khai nghiên cứu đã được phê duyệt, phân tích kết quả theo phương pháp đã xác định, xây dựng hoặc đánh giá một giải pháp ứng dụng, đồng thời hoàn thiện luận án để trình bày các kết quả và giá trị nghiên cứu đối với thực tiễn. Việc nộp luận án và bảo vệ công khai thể hiện năng lực của người học trong việc nghiên cứu một vấn đề thực tế, áp dụng phương pháp nghiên cứu phù hợp, đưa ra những kết luận dựa trên bằng chứng và đóng góp cho thực tiễn ứng dụng AI hoặc công nghệ ở cấp độ Tiến sĩ.