Xây ứng dụng — Firebase & Google Cloud

🏗️

Thực chiến — 30 giây

Một prompt tóm tắt cuộc họp rất hay — nhưng nếu nó nằm trong đầu một người, cả phòng không dùng được. Muốn cả phòng dùng: cần giao diện. Muốn kiểm soát ai được dùng: cần phân quyền. Muốn biết ai đã dùng: cần log. Muốn an toàn: cần bảo vệ API key. Muốn ổn định: cần backend. Đó chính là vai trò của Firebase và Google Cloud — biến prototype thành công cụ dùng hằng ngày. Lợi ích thực tế: không cần thành kỹ sư phần mềm — cần hiểu đúng bản đồ công cụ, biết đặt tiêu chuẩn nghiệm thu và phối hợp với đội kỹ thuật.

Hành trình trưởng thành: Prompt tốt → Prototype → Kết nối dữ liệu + giao diện → Triển khai cho đội nhóm có kiểm soát. Khi đạt mức cuối, AI không còn là thử nghiệm cá nhân — nó là năng lực vận hành trong tổ chức.

Vị trí trong Google AI System

Hạng mục Xây ứng dụng — "xưởng prototype" và "hạ tầng" của hệ sinh thái, giữa AI Studio và Vertex AI. Xem bản đồ tổng quan

01 · Từ demo AI đến ứng dụng AI vận hành thật — 4 lớp

Lớp	Câu hỏi cần trả lời
Nghiệp vụ	Ứng dụng giải quyết việc gì? Ai dùng? Kết quả dùng để ra quyết định nào?
Dữ liệu	Đầu vào từ đâu? Đầu ra lưu ở đâu? Dữ liệu nào được phép đưa vào AI?
Kỹ thuật	Giao diện, API, lưu trữ, tích hợp, triển khai, giám sát
Quản trị	Phân quyền, phê duyệt, nhật ký xử lý, chi phí, trách nhiệm vận hành

Prototype tốt tạo nhanh trong AI Studio — nhưng để thành công cụ hằng ngày, phải bổ sung: xác thực người dùng, lưu trữ, bảo vệ API key, giới hạn quyền, log lỗi, backup, quy trình duyệt.

Bản đồ vai trò

Nền tảng	Vai trò	Phù hợp khi
AI Studio	Phòng thí nghiệm	Thử prompt, so sánh model, test structured output
Firebase	Xưởng prototype	App có giao diện, auth, database, hosting nhanh
Google Cloud	Hạ tầng	Backend, bảo mật, lưu trữ, IAM, monitoring, Cloud Run
Vertex AI	Nhà máy AI	Quản trị model, MLOps, compliance, quy mô lớn

Quy tắc vàng: đi từ nhỏ đến lớn. Đừng bắt đầu bằng Vertex AI nếu chưa biết prompt có giải quyết được bài toán không.

02 · Firebase — prototype, app nội bộ và backend nhanh

Các thành phần quan trọng cho doanh nghiệp:

• Firebase Authentication — xác thực người dùng: email, tài khoản Google, SSO doanh nghiệp
• Cloud Firestore — database NoSQL: lưu yêu cầu, kết quả AI, trạng thái xử lý
• Firebase Hosting / App Hosting — triển khai web app nhanh, có SSL, CDN, domain tùy chỉnh
• Cloud Functions / Cloud Run integration — backend xử lý API, gọi Gemini, validate dữ liệu

Ví dụ thực tế: phòng HR muốn app phân loại yêu cầu nội bộ (nghỉ phép, xác nhận công tác, hỏi chính sách). Authentication xác thực → Firestore lưu yêu cầu → backend gọi Gemini API → App Hosting triển khai → email thông báo kết quả.

Ba nguyên tắc khi dùng Firebase cho app nội bộ:

1. Không đưa dữ liệu nhạy cảm vào prompt khi chưa có chính sách dữ liệu rõ ràng
2. Không để API key trong frontend — dùng environment variables hoặc Secret Manager
3. Mọi phản hồi AI có tác động tới nhân sự, tài chính, pháp lý → qua human review trước khi gửi

03 · Google Cloud — hạ tầng, bảo mật và vận hành

Dịch vụ	Vai trò
Cloud Run	Chạy backend container theo request, serverless — nhận yêu cầu từ web app, gọi Gemini/Vertex AI, xử lý logic, ghi log
Secret Manager	Lưu API keys, passwords, credentials an toàn — không nằm trong frontend hay repository
Cloud Monitoring	Theo dõi: số request, độ trễ, lỗi API, chi phí token, tỉ lệ phân loại sai, số lượt human override
IAM	Kiểm soát ai được làm gì — nguyên tắc least privilege: mỗi tài khoản chỉ nhận quyền cần thiết
Quota & limits	Khi app dùng rộng, lỗi có thể đến từ quota/rate limit/billing — không chỉ từ code

Phân quyền tối thiểu: End-user (gửi yêu cầu, xem kết quả) → Reviewer (duyệt phản hồi AI) → Operator (theo dõi log) → Admin (cấu hình, billing). Không để 1 tài khoản vừa user vừa admin.

Chi phí: không chỉ model API — còn hosting, database, storage, traffic, logging, backup. Thiết kế tư duy chi phí ngay từ đầu.

Hallucination trong app AI: phân loại sai yêu cầu, trích dẫn sai quy định, tạo email sai thẩm quyền. Cơ chế kiểm soát: grounding theo tài liệu được duyệt, giới hạn phạm vi trả lời, human review ở bước quyết định, tập kiểm thử cố định.

04 · Quy trình triển khai app AI — 6 bước

1. Xác định bài toán — ai dùng, mất thời gian ở đâu, dữ liệu vào/ra, rủi ro nếu AI sai
2. Prototype prompt trong AI Studio — test với nhiều bộ input: bình thường, thiếu dữ liệu, nhạy cảm, ngoài phạm vi, prompt injection
3. Thiết kế dữ liệu và workflow — trường dữ liệu, trạng thái xử lý
4. Xây app thử nghiệm — backend tách logic AI khỏi frontend, bảo vệ secret, ghi log
5. Kiểm thử — độ đúng nghiệp vụ, bảo mật, prompt injection, chi phí, tốc độ, khả năng rollback
6. Triển khai có kiểm soát — nhóm pilot → giới hạn phạm vi → KPI → thu phản hồi → khi ổn định mới mở rộng

05 · Case study mô phỏng

• HR: web app phân loại yêu cầu nhân sự — AI phân loại nhóm, mức ưu tiên, tạo phản hồi nháp → HR duyệt. Rủi ro: AI diễn giải sai chính sách, lộ dữ liệu nhân sự.
• Sales: app chấm điểm lead — AI tóm tắt nhu cầu, đề xuất nhóm sales → Sales Ops duyệt trước khi đẩy CRM.
• Finance: app rà soát yêu cầu mua sắm — AI tóm tắt, phát hiện thiếu sót. Không thay thế quy trình phê duyệt tài chính.
• Support: app soạn phản hồi ticket — ticket nhạy cảm gắn cờ chuyển cấp.
• Operations: app tổng hợp báo cáo bất thường — với sự cố an toàn, AI không tự kết luận mà chuyển cảnh báo cho trưởng ca.

06 · Bài thực hành: web app trợ lý phân loại yêu cầu nhân sự

Nghiệp vụ: nhận yêu cầu HR → phân loại nhóm → xác định ưu tiên → tạo phản hồi nháp → chuyển HR duyệt. Không tự trả lời chính sách nhạy cảm.

Schema đầu ra AI:

{
  "category": "Đào tạo",
  "priority": "Bình thường",
  "summary": "Hỏi về lịch đào tạo AI nội bộ tháng tới",
  "missing_information": ["Mã nhân viên"],
  "suggested_owner": "HR L&D",
  "draft_reply": "Cảm ơn Anh/Chị...",
  "risk_flag": "Không nhạy cảm",
  "needs_human_review": true
}

Kế hoạch 4 tuần: Tuần 1 thiết kế nghiệp vụ + schema + phân quyền → Tuần 2 prototype prompt + UI, test 50 yêu cầu mẫu → Tuần 3 xây app pilot (frontend, backend, auth, database, log, reviewer screen) → Tuần 4 triển khai có kiểm soát, đo tỉ lệ sửa phản hồi AI.

Prompt mẫu

Với vai trò kiến trúc sư giải pháp AI nội bộ, thiết kế blueprint web app phân loại
yêu cầu HR. Đề xuất: màn hình chính, dữ liệu cần lưu, luồng backend, cơ chế bảo mật,
cách bảo vệ API key, điểm kiểm thử, rủi ro hallucination.
AI không được tự gửi phản hồi cuối cùng.

Đánh giá kiến trúc app AI theo 6 tiêu chí: bảo mật dữ liệu, bảo vệ secrets,
phân quyền, mở rộng, giám sát, chi phí. Chỉ ra điểm mạnh, yếu, rủi ro thiếu
và hành động cải thiện.

Checklist nghiệm thu pilot

• 100% chính sách nhạy cảm chuyển human review
• Không API key xuất hiện trong frontend/repo
• End-user không xem được dữ liệu người khác
• Mọi request có trạng thái và log tối thiểu
• Có cơ chế dừng AI khi lỗi API/quota
• Chi phí pilot trong ngưỡng phê duyệt
• Có hướng dẫn sử dụng cho end-user, reviewer, admin

🔗 Tài liệu tham khảo

• Firebase Studio · Firebase Authentication · Cloud Firestore · Firebase Hosting
• Cloud Run · Secret Manager · Cloud Monitoring

Tiếp theo: AI doanh nghiệp — Vertex AI →