MLOps-oriented engineering portfolio focused on machine learning systems, automation, cloud infrastructure, reproducibility, and reliability.https://dyu20705.github.io/https://dyu20705.github.io/blog/cicd-cho-machine-learning/https://dyu20705.github.io/blog/cicd-cho-machine-learning/CI/CD trong ML cần kiểm tra cả code, dữ liệu, pipeline và artifact chứ không chỉ build ứng dụng.Wed, 17 Jun 2026 00:00:00 GMThttps://dyu20705.github.io/blog/event-driven-ai-document-pipeline/https://dyu20705.github.io/blog/event-driven-ai-document-pipeline/Một cách thiết kế pipeline xử lý tài liệu AI bằng event, queue, worker và monitoring.Wed, 17 Jun 2026 00:00:00 GMThttps://dyu20705.github.io/blog/mlops-la-gi/https://dyu20705.github.io/blog/mlops-la-gi/Vì sao một model tốt chưa đủ nếu thiếu pipeline, triển khai, giám sát và khả năng bảo trì.Wed, 17 Jun 2026 00:00:00 GMThttps://dyu20705.github.io/blog/monitoring-model-sau-deployment/https://dyu20705.github.io/blog/monitoring-model-sau-deployment/Drift, latency, errors và data quality là các tín hiệu cần theo dõi khi model đã rời notebook.Wed, 17 Jun 2026 00:00:00 GMThttps://dyu20705.github.io/blog/notebook-den-pipeline/https://dyu20705.github.io/blog/notebook-den-pipeline/Cách tách thử nghiệm ML thành dữ liệu, training, evaluation và artifact để kết quả dễ tái lập hơn.Wed, 17 Jun 2026 00:00:00 GMThttps://dyu20705.github.io/blog/versioning-va-experiment-tracking/https://dyu20705.github.io/blog/versioning-va-experiment-tracking/Data versioning, model versioning và experiment tracking giúp ML workflow bớt mơ hồ như thế nào.Wed, 17 Jun 2026 00:00:00 GMT