Lộ trình trở thành FDE
8 chặng, đi theo thứ tự hoặc bắt đầu từ chặng bạn còn yếu.
Nền tảng
Hiểu vai trò và cách FDE tạo ra giá trị.
Kỹ năng: Vai trò FDE · Khác biệt với SWE và Solutions Engineer
- Bách khoaÔn thi FDE: DSA chỉ cần đủ, điểm nặng nằm ở vòng decomposition
- Bách khoaVới FDE, chữ ký trên hợp đồng thường là lúc trách nhiệm bắt đầu
- Bách khoaPython và SQL cho FDE: đếm khóa, kiểm tra JOIN rồi mới tin số liệu
- Bách khoaWhy, what, how: tách một FDE engagement thành ba câu hỏi trước khi viết code
- Bách khoaNgày làm việc của FDE chạy theo standup của khách, không chỉ của công ty bạn
- Bách khoaDelta và Echo: vì sao Palantir giao việc triển khai cho hai vai, và cách một FDE tự đóng cả hai
- Bách khoaFDE và software engineer: cùng viết code, nhưng FDE sở hữu kết quả của một khách hàng
- Bách khoaFDE hay Solutions Architect: ai được commit vào production mới là ranh giới
- Bách khoaVì sao các phòng lab AI đang săn Forward Deployed Engineer
- Sách & khoá họcĐọc The Pragmatic Programmer như một FDE: ba thói quen cho người làm việc một mình ở chỗ khách hàng
Kỹ thuật rộng
Tự xử lý từ dữ liệu, API đến hạ tầng.
Kỹ năng: Python · SQL · API · Docker
- Bách khoaGắn AI vào hàng đợi sự kiện sẵn có của khách mà không phải viết lại hệ thống
- Bách khoaSharding, federation, denormalization: cách đọc database của khách trước khi viết câu truy vấn đầu tiên
- Bách khoaĐộ trễ, thông lượng, khả năng mở rộng: trả lời đội hạ tầng của khách bằng số đo
- Bách khoaĐịnh lý CAP cho FDE: vì sao trợ lý AI vẫn nói đơn hàng chưa hủy
- Bách khoaGặp SOAP, gRPC hay GraphQL ở khách: gọi được lệnh đầu tiên trong một ngày
- Bách khoaKafka và Flink cho FDE: ghép dòng dữ liệu của khách vào model chấm điểm thời gian thực
- Bách khoaMLOps cho FDE: năm việc phải dựng xong trước khi model chạy trong hệ thống của khách
- Bách khoaSpark cho FDE: đo dữ liệu của khách trước khi chọn cỡ cluster
- Bách khoaSáu bước dựng demo React cho khách, bắt đầu từ máy chưa có Node
- Bách khoaViết lớp gọi API cho agent TypeScript: timeout, retry và idempotency key
- Bách khoaAPI key, Basic Auth, session, JWT hay OIDC: cách đọc đúng cơ chế xác thực ở hệ thống khách hàng
- Bách khoaKéo một triệu bản ghi qua API phân trang của khách hàng mà không mất dòng nào
- Bách khoaDemo chạy tốt ở nhà nhưng hỏng trong mạng khách: cách dò lỗi từ DNS, qua proxy, đến CORS và cookie
- Bách khoaDebug máy chủ Linux của khách qua bastion: một dòng ssh -J và ba lệnh đầu tiên cần gõ
- Bách khoaGit khi code nằm trong repo của khách: danh tính, remote, credential và luật review
- Bách khoaPipeline Airflow hằng đêm cho trợ lý AI: chạy lại vẫn không hỏng
- Bách khoaLần đầu vào database của khách hàng: đọc schema, truy vấn trên bản sao và khoá phiên chỉ đọc
- Bách khoaĐọc codebase Java, Go hay Node.js của khách khi bạn chỉ quen Python
- Bách khoaThiết kế API cho giải pháp bàn giao: viết hợp đồng trước, viết code sau
- Bách khoaKhi ERP không có API tử tế: cách FDE tích hợp mà không kéo theo cả hệ thống cũ
- Bách khoaAPI và webhook cho FDE: viết tích hợp như thể mọi thứ sẽ được gửi hai lần
- Bách khoaNhà tuyển dụng FDE tìm gì: code là ngưỡng, giao tiếp với khách hàng là thước đo
- Bách khoaData lake, warehouse hay lakehouse: đọc đúng kiến trúc dữ liệu của khách trước khi viết pipeline ML đầu tiên
- Công cụPostman và curl: kiểm tra API của khách trong ngày đầu, trước khi viết dòng code nào
- Công cụDataHub và Atlan: dùng data catalog để nắm dữ liệu của khách ngay tuần đầu
- Công cụAirbyte: kéo dữ liệu của khách về một chỗ mà không phải viết script
- Công cụPalantir Foundry: ba tầng kiến trúc và lý do tin tuyển FDSE không nhắc tên nó
- Công cụdbt: khi câu SQL ở site khách hàng cũng cần git, test và lịch sử
- Sách & khoá họcKleppmann và Riccomini cập nhật DDIA: lưu trữ dần dời lên object store, đánh đổi dời theo
- Sách & khoá họcThe Data Warehouse Toolkit: cuốn sách của Kimball giúp FDE giữ dashboard không tự đổi số liệu quá khứ
- Sách & khoá họcFundamentals of Data Engineering sau 4 năm: tấm bản đồ FDE nên mang theo khi đến chỗ khách hàng
- Sách & khoá họcData Engineering Zoomcamp: khoá học miễn phí giúp người muốn làm FDE dựng pipeline dữ liệu từ con số không
AI ứng dụng
Dùng LLM và agent để giải bài toán thật.
Kỹ năng: LLM · Agent · Đánh giá mô hình
- Bách khoaThực hành saga: khi agent hỏng giữa chừng trên nhiều hệ thống
- Bách khoaViết MCP server Python cho một CRM giả lập: từ một file đến Claude Code
- Bách khoaViết MCP client gọi server từ xa của khách: từ mã 401 đến lệnh gọi tool đầu tiên
- Bách khoaChunking tài liệu khách hàng: đo trước khi cắt, rồi gắn ngữ cảnh cho từng chunk
- Bách khoaRAG trên tài liệu thật của khách: xử lý PDF, bảng biểu và bản scan tiếng Việt
- Bách khoaStream LLM tới giao diện: SSE trước, WebSocket khi thật cần
- Bách khoaML cổ điển hay deep learning: chọn theo dạng dữ liệu của khách, đừng chọn theo mốt
- Bách khoaThực hành nén context: giữ agent chạy phiên dài mà không quên việc đang làm
- Bách khoaThực hành agentic RAG: cho agent tự viết lại truy vấn và từ chối trả lời khi thiếu bằng chứng
- Bách khoaDựng agent xử lý hồ sơ nhiều bước bằng planner-executor, DAG và vòng tự phản biện
- Bách khoaDựng agent text-to-SQL trên kho dữ liệu của khách: viết định nghĩa trước, viết prompt sau
- Bách khoaAgent đọc web cho khách hàng: chọn crawler, giữ nguồn và đừng coi robots.txt là giấy phép
- Bách khoaViết tool definition cho API của khách: sáu bước để model chọn đúng tool và điền đúng tham số
- Bách khoaBiến ghi âm tổng đài tiếng Việt thành bản tóm tắt cuộc gọi
- Bách khoaĐọc model card trước khi chọn Qwen, Llama, Gemma hay Mistral cho dự án tiếng Việt
- Bách khoaĐọc ảnh hiện trường, biểu mẫu viết tay và video của khách bằng vision model: hướng dẫn từng bước
- Bách khoaThực hành LoRA: dạy một model nhỏ phân loại ticket hỗ trợ mà không sửa trọng số gốc
- Bách khoaGọi thẳng API Claude và OpenAI: tự viết vòng tool use, rồi đối chiếu với Gemini
- Bách khoaZero-shot, few-shot, CoT hay ReAct: thử cả bốn trên một bộ ticket để biết lúc nào cần kỹ thuật nặng hơn
- Bách khoaHybrid search và rerank: dựng pipeline RAG tìm đúng số hợp đồng, mã sản phẩm
- Bách khoaChọn embedding model cho dữ liệu tiếng Việt: dựng bộ test 50 câu hỏi trước khi tin leaderboard
- Bách khoaContext engineering: chọn phần dữ liệu khách hàng mà model được thấy
- Bách khoaBộ nhớ của agent: ba tầng lưu trữ, mỗi tầng một lịch xoá riêng
- Bách khoaTự viết vòng lặp agent bằng Python, không dùng framework: một tool, một vòng for, bốn chỗ hay sai
- Bách khoaBiến SOP của khách thành prompt: viết bộ test trước, viết prompt sau
- Bách khoaLLM căn bản cho FDE: token, context window, temperature và lý do model “bịa”
- Bách khoaWorkflow hay agent: chọn mẫu thiết kế nào khi khách nói "chúng tôi muốn một agent"
- Bách khoaTool calling: mô hình chỉ đề xuất, còn code của bạn mới thực thi
- Bách khoaKhoan dựng RAG: đếm token trước, đo Recall@k sau
- Bách khoaSau go-live, bộ eval thật của agent nằm trong trace của khách hàng
- Bách khoaTừ câu "con bot trả lời dở quá" đến một bộ eval: biến lời phàn nàn thành thước đo
- Bách khoaFine-tuning hay RAG: đừng chọn kỹ thuật, hãy chẩn đoán vấn đề
- Bách khoaDeploy prompt bằng một label, và vì sao rollback có thể mất tới một phút
- Công cụDSPy: biến bộ eval của khách hàng thành cỗ máy tự viết lại prompt
- Công cụAutoGen đã vào chế độ bảo trì: FDE cần kiểm tra gì trước khi chọn framework multi-agent cho khách
- Công cụpgvector, Qdrant hay Elasticsearch: chọn vector database bắt đầu từ hệ thống khách đang chạy
- Công cụLangGraph và interrupt: cách bắt agent dừng lại xin phép trước khi làm việc quan trọng
- Công cụInstructor: khi LLM trả sai schema, gửi lỗi ngược lại và hỏi thêm lần nữa
- Công cụHơn 10.000 server sau một năm: MCP trở thành ổ cắm chung giữa LLM và hệ thống của khách
- Sách & khoá họcLLM Zoomcamp: khoá RAG miễn phí dạy cả đánh giá và giám sát
- Sách & khoá họcGenerative AI with LLMs: khoá học của DeepLearning.AI và AWS dạy bạn đi trọn vòng đời một ứng dụng LLM
- Sách & khoá họcKhoá Agentic AI của Andrew Ng: dạy bốn design pattern, nhưng bài học đáng giá nhất là eval
- Sách & khoá họcĐọc "Designing Machine Learning Systems" theo cách của FDE: bắt đầu từ chương 3, 4, 9 và 10
- Sách & khoá họcAI Engineering của Chip Huyen: cuốn sách ít code dạy FDE cách ra quyết định
- Sách & khoá họcKhoá AI Agents miễn phí của Hugging Face: ngưỡng đỗ 30% mới là bài học đáng giá nhất
- Phân tíchẢnh AI cho doanh nghiệp: thứ khó làm đúng là quy trình duyệt, không phải prompt
- Phân tíchCửa sổ ngữ cảnh chứa 5.000 trang, nhưng mốc bỏ RAG chỉ là 500 trang: FDE phải trả lời khách bằng số đo
- Phân tíchModel reasoning: khi nào đáng bắt khách hàng trả thêm tiền và chờ lâu hơn
- Phân tíchChọn OpenAI, Anthropic, Gemini hay open-weight cho khách: dữ liệu đi đâu quan trọng hơn bảng xếp hạng
- Phân tíchMulti-agent: song song hóa việc đọc, giữ việc ghi ở một luồng
- Phân tíchKhi agent viết code, việc của FDE dồn về ba chỗ: định nghĩa, ràng buộc và phán xét
Khách hàng
Tìm ra vấn đề thật và giao tiếp rõ ràng.
Kỹ năng: Customer discovery · Viết đề xuất
- Bách khoaVì sao hồ sơ vay bị từ chối? Dùng SHAP để giải thích, LIME để kiểm tra chéo
- Bách khoaDemo prototype AI cho khách hàng: cho thấy cái đã chạy mà không hứa quá tay
- Bách khoaKế hoạch 30-60-90 ngày cho FDE: khi mục tiêu là sáu tuần, bạn chỉ còn khoảng bốn tuần với khách
- Bách khoaƯớc tính chi phí token trước khi ký hợp đồng: đếm tiếng Việt bằng đúng tokenizer
- Bách khoaViết design doc để đội kỹ thuật của khách duyệt trước khi bạn code
- Bách khoaBáo cáo tuần cho khách: một trang, ba câu hỏi, và mục quyết định giúp dự án hết treo
- Bách khoaHiểu kinh doanh cho FDE: lần theo dòng tiền trước khi viết dòng code đầu tiên
- Bách khoaThực hành: vẽ quy trình thật của khách trước khi để AI tự động hoá nó
- Bách khoaĐề bài khách đưa hiếm khi là đề bài thật: cách FDE làm rõ yêu cầu trước khi viết code
- Bách khoaMột deployment, bốn kiểu người nghe: FDE làm việc với kỹ thuật, nghiệp vụ và lãnh đạo khách hàng thế nào
- Bách khoaChốt phạm vi dự án FDE: ba phép thử tách scope creep khỏi discovery
- Bách khoaKhách nói dashboard chậm, nhưng thứ họ thiếu là conversion: bài học discovery của FDE
- Sách & khoá họcNever Split the Difference: cách một cựu đàm phán viên FBI dạy FDE giữ phạm vi dự án
- Sách & khoá họcCrucial Conversations: cuốn sách 2002 dạy FDE nói chuyện khi cuộc họp sắp hỏng
- Sách & khoá họcThe Mom Test của Rob Fitzpatrick: cuốn cẩm nang dạy FDE hỏi khách hàng khi ai cũng nói dối
- Phân tíchKhi lãnh đạo khách hàng muốn một “nhân viên AI làm được mọi thứ”: FDE cần tách AGI khỏi agent ngay từ buổi họp đầu
- Phân tíchChọn data mesh hay fabric? Đọc sơ đồ tổ chức của khách trước
- Phân tíchKlarna tuyển lại người: use case AI cần bằng chứng vận hành, không chỉ blog vendor
- Phân tíchTừ 25% đến 50% thời gian ở chỗ khách: vì sao hầu hết vị trí FDE không thể làm từ nhà
Triển khai
Đưa giải pháp vào vận hành với dữ liệu thật.
Kỹ năng: Tích hợp dữ liệu · Giám sát · Xử lý sự cố
- Bách khoaAnti-corruption layer và strangler fig: cách gắn AI vào hệ thống cũ của khách hàng mà không làm hỏng nó
- Bách khoaĐưa báo cáo AI ra khỏi bảng giao dịch: EXPLAIN, materialized view và index đúng chỗ trên PostgreSQL
- Bách khoaKhi hệ thống của khách đổ dồn dữ liệu: dùng queue, competing consumers và back-pressure để không sập
- Bách khoaLoad balancer L4, L7 và reverse proxy: đưa dịch vụ của bạn vào sau hạ tầng mạng của khách
- Bách khoaThực hành: cho người dùng tải file lớn qua presigned URL và phục vụ nội dung tĩnh bằng CDN
- Bách khoaThực hành Redis: ba cách che độ chậm của hệ thống khách hàng
- Bách khoaTrước khi ký SLA 99,9%: tính ngân sách downtime, chuỗi phụ thuộc và cái giá của failover
- Bách khoaMock API của khách và viết contract test trong một buổi chiều
- Bách khoaCách FDE chuẩn bị hồ sơ model risk để qua hội đồng AI theo EU AI Act
- Bách khoaGiảm độ trễ và chi phí LLM: bốn đòn bẩy và thứ tự nên dùng
- Bách khoaDựng sandbox cho agent: rào file và rào mạng phải đi cùng nhau
- Bách khoaTrước khi giao agent hoàn tiền: unit test từng tool, rồi integration test cả luồng
- Bách khoaTrước ngày go-live, hãy tự tay tấn công trợ lý AI của khách
- Bách khoaChe dữ liệu cá nhân trước khi gửi lên LLM: đổi tên thành nhãn vẫn có thể chưa đủ theo luật mới
- Bách khoaThực hành: đưa tác vụ AI chạy lâu vào hàng đợi RabbitMQ và trả HTTP 202 ngay
- Bách khoaRà soát API theo OWASP API Top 10 trước khi đội bảo mật của khách vào cuộc
- Bách khoaĐừng để job đồng bộ của bạn khiến khách khóa API key
- Bách khoaRBAC, ABAC, ReBAC hay PBAC: đưa mô hình phân quyền của khách vào ứng dụng AI
- Bách khoaThiết kế phản hồi lỗi theo RFC 9457 để đội vận hành của khách tự xử lý sự cố
- Bách khoaEdge AI ở nhà máy và cửa hàng: chọn TensorRT, LiteRT hay ExecuTorch
- Bách khoaTừ notebook đến API trong hạ tầng khách: huấn luyện model scikit-learn, lưu an toàn và đóng container
- Bách khoaThực hành DVC: mỗi lần khách gửi dữ liệu mới là một commit truy ngược được
- Bách khoaDựng CI/CD cho model ML với CML: đăng so sánh metric vào mỗi pull request
- Bách khoaThực hành: dựng cổng duyệt qua Slack trước khi agent hoàn tiền hay gửi email
- Bách khoaKhi nào agent phải dừng: bốn lớp chặn và lúc bàn giao cho con người
- Bách khoaGuardrails cho ứng dụng LLM của khách: chặn đầu vào, khóa đầu ra, thêm moderation
- Bách khoaThực hành RAG phân quyền: lọc tài liệu theo phòng ban trước khi tới tay model
- Bách khoaMáy chủ của khách không có internet thì pipeline phải kết thúc bằng một file tar
- Bách khoaBedrock, Azure OpenAI, Vertex AI: đưa mô hình vào đúng đám mây của khách
- Bách khoaDự án tổng hợp: ứng dụng hỏi đáp tự ghi trace và đếm token cho từng câu hỏi
- Bách khoaPrompt injection khi agent có quyền gọi vào hệ thống của khách: lập mô hình đe doạ và chặn theo từng lớp
- Bách khoaThực hành: dựng vLLM trong VPC của khách mà không để lộ cổng nội bộ
- Bách khoaSAML, SCIM và bảng câu hỏi bảo mật: những ràng buộc FDE gặp từ hợp đồng doanh nghiệp đầu tiên
- Bách khoaDebug khi không được vào production của khách: tìm lỗi bằng log, mẫu dữ liệu và bản tái hiện
- Bách khoaSự cố production tại khách hàng: phân vai trước, sửa sau, viết postmortem để không lặp lại
- Bách khoaViết tài liệu bàn giao để khách tự vận hành mà không cần gọi lại FDE
- Bách khoaTừ POC lên production: vì sao nhiều dự án AI dừng lại ở buổi demo
- Bách khoaOn-prem, VPC hay SaaS: FDE phải vẽ được bản đồ “cái gì chạy ở đâu”
- Bách khoaCấp quyền cho AI agent trong hạ tầng khách hàng: bắt đầu từ việc agent không được làm gì
- Bách khoaNối dữ liệu khách hàng là việc chính của FDE, không phải việc lặt vặt trước khi “làm thật”
- Công cụHelm cho FDE: đóng gói bản triển khai thành chart, cài cho nhiều khách mà không cần sửa template
- Công cụĐổi model qua OpenRouter: hai dòng code và một bộ eval
- Công cụHủy truy vấn trên Redshift Serverless vẫn bị tính tiền: FDE phải dựng chốt chặn từ trước
- Công cụOllama và LM Studio: demo model open-weight trên laptop khi khách cấm gửi dữ liệu ra ngoài
- Công cụAWS Glue, Azure Data Factory và Google Dataflow: đọc đúng pipeline ETL khách đang dùng
- Công cụAirflow, Prefect hay Luigi: hãy chọn công cụ mà đội vận hành của khách đủ sức duy trì
- Công cụOpenAPI và hệ Swagger, Stoplight, ReadMe: một file spec cho cả đội tích hợp lẫn LLM
- Công cụAnsible: cấu hình cả cụm máy on-prem của khách mà không SSH vào từng máy
- Công cụMLflow: cách trả lời câu hỏi “model nào đang chạy?” bằng run, version và alias
- Công cụvLLM: engine phục vụ model open-weight mà FDE nên biết trước khi lên site on-prem
- Công cụTerraform: khi "mỗi khách một stack" gói lại thành một module dùng chung
- Công cụDocker cho FDE: khi image phải đi qua USB mới tới được server của khách
- Phân tíchKubeflow hay SageMaker, Vertex AI, Azure ML: hãy hỏi ai sẽ vận hành pipeline trước khi so tính năng
- Phân tíchVibe coding: nợ kỹ thuật đến hạn đúng ngày lên production
- Phân tíchĐổi model không chỉ là đổi API key: vì sao prompt viết cho GPT có thể hỏng trên Claude, Gemini và Llama
- Phân tíchBàn giao cho nhiều khách hàng: nên tách theo khách hàng trước khi tách code
- Phân tíchGiữ log 12 tháng, xoá dữ liệu không chậm trễ: bài toán kiến trúc API
- Phân tíchAssistants API đã tắt: chuyển dự án của khách sang Responses API không chỉ là đổi endpoint
- Phân tíchLangChain, LlamaIndex, Haystack hay gọi API thẳng: chọn framework theo vấn đề của khách, không theo độ nổi tiếng
Đo lường
Chứng minh giá trị bằng con số khách hàng quan tâm.
Kỹ năng: Chỉ số kinh doanh · Báo cáo
- Bách khoaLoad test API trước ngày go-live: đặt ngưỡng p95, đo throughput và kiểm tra caching bằng k6
- Bách khoaData lineage: lần ngược từng chặng khi khách báo dự đoán sai
- Bách khoaModel sai mà không báo lỗi: tự dựng hệ thống bắt data drift bằng Prometheus và Grafana
- Bách khoaThực hành: chọn ngưỡng cho model theo giá của từng lỗi, bỏ thói quen dùng 0.5
- Bách khoaTheo dõi agent trong production bằng bốn con số: tỷ lệ hoàn thành, lỗi tool, số bước và tỷ lệ chuyển cho người
- Bách khoaThực hành LLM-as-judge: hiệu chỉnh judge theo nhãn pass/fail của chuyên gia phía khách
- Bách khoaTrợ lý AI của khách có đối xử khác nhau với từng nhóm người? Cách kiểm bằng phép thử hoán đổi
- Bách khoaThực hành: dựng eval hồi quy bằng promptfoo trong GitHub Actions, tự chạy mỗi khi đổi prompt
- Bách khoaThực hành: đo retrieval của RAG bằng hit rate và MRR trước khi khách hàng tự phát hiện lỗi
- Bách khoaThực hành: viết bộ eval 50 mẫu cho trợ lý hỏi đáp bằng Python
- Bách khoaĐo ROI cho khách hàng: đếm việc đạt chuẩn, trừ công kiểm tra và sửa lỗi
- Bách khoaObservability cho hệ thống LLM: trace từng request, kiểm soát log và đối soát chi phí
- Công cụOpenTelemetry cho ứng dụng LLM: một lần đo, gửi trace sang cả Datadog lẫn Langfuse tự host
- Công cụRagas và DeepEval: hai thư viện chấm điểm RAG, và vì sao không nên tin ngay điểm số của chúng
- Công cụLangfuse: công cụ giúp FDE trả lời ba câu hỏi khó nhất sau khi deploy LLM
- Sách & khoá họcKhoá AI Evals của Hamel Husain và Shreya Shankar: bài học đắt nhất là ngồi đọc output
- Phân tíchLangSmith, Arize, Helicone hay PostHog: khách hàng đặt ràng buộc gì thì chọn công cụ đó
- Phân tíchTỷ lệ pass là quyết định sản phẩm, và đó là việc của FDE
Dẫn dắt
Điều phối dự án và đưa phản hồi về đội sản phẩm.
Kỹ năng: Quản lý phạm vi · Phối hợp nhiều bên
- Bách khoaNâng tự chủ cho agent từng bậc, rồi bàn giao quyền giám sát cho đội vận hành của khách
- Bách khoaTừ bản vá cho một khách đến tính năng chung: FDE phản hồi cho đội product thế nào
- Bách khoaDẫn dắt kỹ thuật tại khách hàng khi không ai báo cáo cho bạn
- Sách & khoá họcSoftware Engineering at Google: cuốn sách dạy FDE nghĩ bằng năm tháng thay vì bằng dòng code
- Sách & khoá họcThe Staff Engineer's Path: Tanya Reilly dạy cách dẫn dắt kỹ thuật vượt ra ngoài một đội
- Sách & khoá họcThe Trusted Advisor: cuốn sách năm 2000 dạy FDE cách giành lòng tin kỹ thuật
- Phân tíchKhách đòi cả ba thứ, FDE nên kéo cần gạt phạm vi trước
Sự nghiệp
Xây portfolio và vượt qua vòng phỏng vấn FDE.
Kỹ năng: Portfolio · Phỏng vấn
- Bách khoaKể dự án khi phỏng vấn FDE: cách trả lời câu hỏi “bạn đã đánh đổi gì?”
- Bách khoaTừ solutions engineer sang FDE: viết lại một PoC đến chuẩn production
- Bách khoaTừ data scientist sang FDE: giữ tư duy debug, học làm chủ cả hệ thống
- Bách khoaÔn thuật toán chỉ chuẩn bị cho một vòng trong loop phỏng vấn FDE
- Sách & khoá họcSystem Design Interview của Alex Xu: giữ khung 4 bước, tự bù phần AI mà sách không có
- Sách & khoá họcKhoá FDE của Educative: đề cương nhắm thẳng vào vòng phỏng vấn, nhưng chỉ dành cho người đã tự xây hệ thống AI
- Phân tíchAI Engineer, ML Engineer và FDE: cùng bộ công cụ, khác người chịu trách nhiệm
- Phân tíchPhỏng vấn FDE: vòng code chưa biến mất, nhưng không còn là bộ lọc chính
- Phân tíchTừ software engineer sang FDE: code production chỉ là tấm vé qua cửa
- Phân tíchCửa FDE cho kỹ sư Việt nằm ở các lab đòi có mặt, không ở tin ghi “Remote”
- Phân tíchFDE tốn khoảng 400.000 USD mỗi năm: mô hình chỉ scale được khi mỗi lần deployment làm lần sau rẻ hơn
- Phân tíchPalantir chia việc FDE cho hai người, hai startup AI dồn cả vào một người
- Phân tíchCông ty AI y tế tuyển FDE nhưng kinh nghiệm y tế chỉ là điểm cộng
- Phân tíchRanh giới giữa FDE và consultant không nằm ở tốc độ, mà ở nơi bài học chảy về
- Phân tíchBa tin tuyển dụng, một nấc thang: lương FDE từ 1 năm đến 8 năm kinh nghiệm
- Phân tíchVì sao OpenAI và Anthropic đồng loạt dựng đội FDE