Lộ trình học AI cho người mới bắt đầu

Lộ trình học AI là chuỗi mục tiêu và bước học giúp người mới hiểu, sử dụng, đánh giá và xây dựng hệ thống AI. Lộ trình này thay thế việc sưu tầm khóa học, công cụ và thuật ngữ rời rạc bằng mục tiêu thực hành và cách đo tiến bộ rõ ràng.

Bạn không cần học mọi chủ đề AI cùng lúc. Hãy bắt đầu từ kết quả muốn đạt được, xây dựng nền tảng chung, chọn hướng phù hợp và thực hành bằng một nhiệm vụ nhỏ có thể đánh giá.

Lộ trình học AI là gì và vì sao người mới cần lộ trình?

Lộ trình học AI giúp người mới sắp xếp đúng thứ tự học: hiểu khái niệm, thực hành quy trình, đánh giá kết quả và dùng phát hiện đó để chọn bước tiếp theo.

Ví dụ, một người có thể hoàn thành mười hướng dẫn về prompt nhưng vẫn xem một quyết định do AI bịa ra là sự thật. Người khác học ít khái niệm hơn, dùng trợ lý AI để sắp xếp biên bản cuộc họp, đối chiếu bản tóm tắt với biên bản gốc và ghi lại lỗi. Cách thứ hai tạo ra nền tảng thực tế hơn.

Lộ trình không phải chuỗi khóa học áp dụng cho mọi người và cũng không đảm bảo một kết quả nghề nghiệp cụ thể. Đây là khung lập kế hoạch. Hướng phù hợp phụ thuộc vào việc bạn muốn áp dụng AI vào công việc hiện tại, xây dựng hệ thống AI hay chuyển dần từ hướng này sang hướng kia. Một tiến trình có cấu trúc giúp việc học rõ ràng hơn khi chủ đề trở nên quá rộng (SAS).

Chọn hướng học AI trước khi bắt đầu

Hãy quyết định trước bạn muốn sử dụng AI hiệu quả trong một vai trò hay xây dựng mô hình và hệ thống AI. Cả hai hướng đều cần nền tảng AI cơ bản, nhưng khác nhau về độ sâu, kiến thức đầu vào và sản phẩm thực hành.

Hướng áp dụng phù hợp với người muốn cải thiện báo cáo, nghiên cứu, hỗ trợ khách hàng, vận hành, marketing, giảng dạy hoặc các nhiệm vụ xử lý tri thức. Hướng kỹ thuật phù hợp với người muốn làm việc với dữ liệu, huấn luyện hoặc đánh giá mô hình, viết phần mềm hay hiểu cách hệ thống AI được triển khai.

Bạn có thể bắt đầu với AI ứng dụng rồi bổ sung lập trình và toán học sau. Việc chưa học code không ngăn cản quá trình học kỹ thuật; nó chỉ giúp bạn tránh học tài liệu kỹ thuật trước khi có lý do rõ ràng để sử dụng.

Tài liệu nguồn về lộ trình mô tả đây là một điểm rẽ sớm: hướng ứng dụng tập trung vào prompting, quy trình, hiểu biết dữ liệu và đạo đức; hướng kỹ thuật bổ sung lập trình, toán học, Machine Learning, Deep Learning và triển khai. Hãy xem các mốc thời gian đó là hướng dẫn lập kế hoạch từ một nguồn, không phải tiêu chuẩn hoàn thành áp dụng cho mọi người (Coursiv).

Học từ vựng AI thiết yếu mà không cần đi quá sâu vào kỹ thuật

Bạn chỉ cần nắm một nhóm thuật ngữ cốt lõi ở mức đủ dùng trước khi học các chủ đề nâng cao.

1. Artificial Intelligence là lĩnh vực rộng về các hệ thống máy tính được thiết kế để thực hiện những nhiệm vụ thường cần năng lực của con người, chẳng hạn như nhận diện mẫu, suy luận hoặc sử dụng ngôn ngữ.
2. Machine Learning là cách xây dựng hệ thống học mẫu từ ví dụ thay vì chỉ dựa vào các quy tắc do lập trình viên viết sẵn. Ví dụ, hệ thống có thể học cách phân loại yêu cầu hỗ trợ từ các ví dụ đã được gắn nhãn.
3. Automation là việc dùng hệ thống để thực hiện một nhiệm vụ với ít sự can thiệp thủ công hơn. Automation có thể dùng các quy tắc đơn giản và không nhất thiết cần AI. Quy tắc tự động đưa hóa đơn vào một thư mục vẫn là automation dù không có mô hình học nào tham gia.
4. AI Model là hệ thống tính toán tạo ra dự đoán, quyết định, phân loại hoặc đầu ra khác. Một model có thể chỉ là một thành phần trong sản phẩm lớn hơn.
5. Training Data gồm các ví dụ được dùng để điều chỉnh mô hình Machine Learning trong quá trình huấn luyện. Những ví dụ này ảnh hưởng đến các mẫu model có thể học nhưng không đảm bảo mọi câu trả lời sau đó đều đúng.
6. AI Inference là giai đoạn model đã được huấn luyện nhận đầu vào mới và tạo ra đầu ra. Phân loại một tin nhắn mới của khách hàng là một tác vụ inference.
7. Generative AI chỉ các hệ thống tạo ra văn bản, hình ảnh, âm thanh hoặc code từ những mẫu đã học trong quá trình huấn luyện.
8. Large Language Model, viết tắt là LLM, là model được huấn luyện trên lượng lớn dữ liệu ngôn ngữ để xử lý và tạo văn bản. LLM có thể soạn email hoặc tóm tắt ghi chú, nhưng ngôn ngữ trôi chảy không chứng minh nội dung chính xác.

Sản phẩm bạn mở có thể gồm nhiều model, chỉ dẫn, nguồn dữ liệu và tính năng giao diện. Phân biệt model với sản phẩm giúp bạn không xem một chatbot là đại diện cho toàn bộ công nghệ.

Xây dựng nền tảng thực sự cần cho hướng học của bạn

Nền tảng cần học phụ thuộc vào hướng bạn chọn: người học ứng dụng ưu tiên kỹ năng sử dụng và đánh giá, còn người học kỹ thuật bổ sung lập trình, dữ liệu và thống kê theo từng giai đoạn.

Người học theo hướng ứng dụng không cần vượt qua bài kiểm tra toán nâng cao hoặc học lập trình trước khi sử dụng AI. Họ cần sử dụng thoải mái bảng tính và tệp, viết chỉ dẫn rõ ràng, hoài nghi phù hợp với nguồn và số liệu, đồng thời duy trì thời gian thực hành đều đặn (Coursiv).

Người học kỹ thuật thường cần lập trình, phân tích dữ liệu, thống kê, đại số tuyến tính cơ bản, công cụ dòng lệnh, quản lý phiên bản và gỡ lỗi. Các nền tảng này nên được bổ sung theo từng giai đoạn, bắt đầu với lập trình, dữ liệu và thống kê trước khi chuyển sang chủ đề AI nâng cao hơn (SAS).

Với một dự án ứng dụng, làm sạch bảng tính và viết yêu cầu công việc chính xác có thể đủ để bắt đầu. Với dự án kỹ thuật, bạn có thể cần vector, ma trận, xác suất, thống kê, Git và kỹ năng gỡ lỗi. Hãy học từng chủ đề khi nó trả lời một câu hỏi phát sinh từ dự án.

Giai đoạn 1: Hiểu AI phù hợp với công việc thực tế như thế nào

AI có thể hỗ trợ nhận diện mẫu, chuyển đổi thông tin, tạo bản nháp và hỗ trợ ra quyết định, nhưng không loại bỏ nhu cầu về bối cảnh, phán đoán và kiểm tra.

Năng lực này thường được gọi là AI Literacy: kiến thức và kỹ năng cần thiết để hiểu, sử dụng, đánh giá và đưa ra quyết định có cơ sở về AI. AI Mindset bổ sung kỳ vọng thực tế, sự tò mò, đánh giá phản biện và phán đoán có trách nhiệm.

Trong một báo cáo hằng tuần, con người quyết định mục đích, đối tượng đọc, dữ liệu được phép sử dụng và các giới hạn. AI có thể sắp xếp tài liệu hoặc tạo bản nháp, nhưng con người vẫn phải kiểm tra số liệu, cách diễn giải, giọng điệu, thông tin bị thiếu và trách nhiệm cuối cùng. Đây là hỗ trợ bằng AI, không phải tự động hóa hoàn toàn.

Dấu hiệu tiến bộ đầu tiên là bạn có thể giải thích AI giữ vai trò gì trong một nhiệm vụ và phần nào vẫn thuộc về con người.

Giai đoạn 2: Thực hành với một trợ lý AI và một quy trình

Hãy chọn một trợ lý AI đa dụng và tập trung vào cách nó vận hành trước khi thử nhiều công cụ khác. Bạn cần hiểu ảnh hưởng của đầu vào, chỉ dẫn, bối cảnh, định dạng đầu ra và giới hạn. Với công việc lặp lại, có thể bổ sung công cụ quy trình hoặc automation.

Prompt Engineering là việc thiết kế và tinh chỉnh chỉ dẫn cho hệ thống AI. Context Engineering là việc tổ chức thông tin, chỉ dẫn và tài nguyên được cung cấp cho một nhiệm vụ. Với người mới, mục tiêu là xác định nhiệm vụ rõ ràng, cung cấp tài liệu nguồn phù hợp, đặt giới hạn và quy định cách kiểm tra kết quả.

Một quy trình tóm tắt cuộc họp có thể gồm:

1. Cung cấp biên bản cuộc họp đã được phê duyệt và xác định người đọc.
2. Yêu cầu liệt kê quyết định, việc cần làm, người phụ trách và câu hỏi chưa được giải quyết.
3. Chỉ định cấu trúc ngắn gọn thay vì yêu cầu một bản tóm tắt mơ hồ.
4. Đối chiếu từng quyết định và việc cần làm với biên bản gốc.
5. Ghi lại lỗi và tinh chỉnh quy trình cho cuộc họp tiếp theo.

Mô hình này cũng có thể hỗ trợ soạn email, cấu trúc lại báo cáo, giải thích bảng tính, lập dàn ý tài liệu, động não và các tác vụ hành chính cho doanh nghiệp nhỏ. Hãy bắt đầu với nhiệm vụ ít rủi ro, có thể đối chiếu kết quả với tài liệu nguồn.

Một yêu cầu inference không đồng nghĩa dữ liệu tự động được bảo mật. Huấn luyện model và lưu giữ dữ liệu là hai câu hỏi khác nhau. Nhà cung cấp có thể có chính sách riêng về việc dùng nội dung người dùng để cải thiện model và thời gian lưu nhật ký prompt, đầu ra. Hãy kiểm tra điều khoản hiện hành của nhà cung cấp và quy định tổ chức trước khi nhập tài liệu nội bộ, thông tin khách hàng, hợp đồng, code riêng tư, mật khẩu, API key, thông tin tài chính hoặc dữ liệu cá nhân khác.

Giai đoạn 3: Hiểu cách AI tạo ra đầu ra hữu ích nhưng không hoàn hảo

Model AI dùng các mẫu đã học trong quá trình huấn luyện để tạo đầu ra từ đầu vào mới; vì vậy, câu trả lời nghe hợp lý không tự động có bằng chứng.

AI Hallucination là đầu ra không có căn cứ, không chính xác hoặc mâu thuẫn với bằng chứng liên quan dù có thể nghe rất tự tin. Trợ lý có thể viết một bản tóm tắt cuộc họp trôi chảy nhưng thêm một quyết định chưa từng được đưa ra.

Chất lượng đầu ra phụ thuộc vào đầu vào, bối cảnh, thông tin huấn luyện, cách diễn đạt nhiệm vụ, thiết kế model và phương pháp kiểm tra. Do đó, trợ lý có thể hữu ích cho việc soạn thảo nhưng vẫn cần xác minh khi xử lý sự kiện, phép tính, chính sách, cam kết và quyết định.

Hãy tách việc tạo đầu ra khỏi việc chấp nhận đầu ra. Tạo đầu ra chỉ cung cấp một phương án để xem xét; rà soát mới quyết định phương án đó có phù hợp hay không.

Giai đoạn 4: Biến đánh giá và sử dụng có trách nhiệm thành kỹ năng cốt lõi

Đánh giá là xác định thế nào được xem là "tốt" trước khi phán xét một đầu ra. Tài liệu nguồn về lộ trình xem đây là kỹ năng trung tâm: tạo đầu ra dễ hơn việc biết đầu ra đó có hoạt động tốt trên ví dụ mới hoặc đáp ứng yêu cầu thực tế hay không (Coursiv).

Hãy sử dụng trình tự đánh giá sau:

1. Xác định yêu cầu. Nêu rõ đầu ra phải chứa gì và phải tránh gì.
2. Kiểm tra độ chính xác. Đối chiếu khẳng định, phép tính, ngày tháng và trích dẫn với bằng chứng đáng tin cậy.
3. Kiểm tra tính đầy đủ. Tìm các bước, ngoại lệ hoặc chi tiết liên quan bị bỏ sót.
4. Kiểm tra tính phù hợp và giọng điệu. Xác nhận đầu ra phù hợp với đối tượng và mục đích.
5. Kiểm tra rủi ro. Tìm nguy cơ lộ quyền riêng tư, đối xử không công bằng, tư vấn không an toàn hoặc vi phạm chính sách.
6. Quyết định mức độ rà soát của con người. Con người nên phê duyệt đầu ra khi lỗi có thể ảnh hưởng đến khách hàng, tài chính, việc làm, an toàn, vấn đề pháp lý hoặc danh tiếng.

AI Verification là việc kiểm tra đầu ra AI dựa trên bằng chứng đáng tin cậy và yêu cầu của nhiệm vụ. Human-in-the-Loop AI nghĩa là con người tham gia cung cấp đầu vào, rà soát hoặc giám sát trong quy trình. Đây là kỹ năng quy trình, không phải cảnh báo có thể bỏ qua.

Với phản hồi dịch vụ khách hàng, rubric đơn giản có thể gồm:

AI Privacy liên quan đến cách thông tin cá nhân hoặc nhạy cảm được xử lý khi sử dụng và phát triển AI. AI Bias mô tả các mẫu có tính hệ thống có thể tạo ra kết quả lệch hoặc không công bằng. AI Fairness liên quan đến việc đánh giá và xử lý những khác biệt không chính đáng trong cách một hệ thống ảnh hưởng đến con người. Responsible AI kết hợp các mối quan tâm này với an toàn, trách nhiệm giải trình, tính minh bạch và giám sát phù hợp.

Chính sách và cài đặt của nhà cung cấp thay đổi theo thời gian. Trước khi sử dụng dữ liệu nơi làm việc, hãy kiểm tra điều khoản dịch vụ hiện hành, cài đặt lưu giữ dữ liệu, chính sách của tổ chức và các yêu cầu có thể áp dụng. Không nên suy luận rằng thông tin không được lưu trữ chỉ vì model không cập nhật các tham số đã học trong yêu cầu của bạn.

Giai đoạn 5: Xây dựng các dự án AI nhỏ để giải quyết vấn đề thực tế

Một dự án phù hợp cho người mới phải nhỏ, có thể lặp lại, gắn với nhu cầu thực tế và có tiêu chí đánh giá. Dự án cần cho thấy AI phù hợp với quy trình ra sao, không chỉ tạo ra đầu ra bắt mắt.

Hãy ghi lại dự án theo cấu trúc sau:

1. Vấn đề: Nhiệm vụ nào tốn thời gian hoặc tạo ra lỗi có thể tránh được?
2. Đầu vào: Thông tin nào được phép sử dụng và thông tin đó đến từ đâu?
3. Vai trò của AI: AI sẽ phân loại, tóm tắt, soạn thảo, chuyển đổi hay đề xuất?
4. Vai trò của con người: Quyết định và phê duyệt nào vẫn thuộc về con người?
5. Quy trình: Điều gì xảy ra trước và sau bước AI?
6. Đánh giá: Bạn sẽ kiểm tra độ chính xác, tính đầy đủ và tính hữu ích như thế nào?
7. Ranh giới quyền riêng tư: Thông tin nào không được đưa vào hệ thống?
8. Đầu ra cuối cùng: Quy trình tạo ra kết quả có thể sử dụng nào?

Các dự án phù hợp gồm bộ theo dõi việc cần làm sau cuộc họp có xác minh, quy trình soạn báo cáo bằng dữ liệu đã được phê duyệt, trợ lý giải thích bảng tính, công cụ phân loại câu hỏi khách hàng có con người rà soát hoặc trợ lý học tập trích dẫn tài liệu được cung cấp.

Hãy ghi lại cả đầu ra thất bại và cải tiến sau đó. Bằng chứng của việc học nằm ở lý do phía sau quy trình, các bước kiểm tra và những giới hạn bạn nhận diện.

Giai đoạn 6: Chọn chuyên môn và xây dựng bằng chứng về tiến bộ

Hãy chọn chuyên môn dựa trên vấn đề muốn giải quyết thay vì chỉ dựa vào chủ đề đang phổ biến. Hướng ứng dụng có thể gồm năng suất với AI, nghiên cứu, phân tích dữ liệu, giáo dục, marketing, vận hành hoặc thiết kế quy trình. Hướng kỹ thuật có thể gồm phân tích dữ liệu, Machine Learning, xử lý ngôn ngữ tự nhiên, thị giác máy tính hoặc kỹ thuật AI.

Bạn sẵn sàng chuyển sang giai đoạn tiếp theo khi có thể mô tả vấn đề, chọn vai trò AI phù hợp, tạo quy trình lặp lại, đánh giá đầu ra, ghi lại giới hạn và giải thích quyết định về quyền riêng tư cũng như rà soát của con người.

Portfolio nên là bằng chứng có thể kiểm tra, không phải thư mục ảnh chụp màn hình. Với dự án vận hành, hãy ghi lại quy trình, đầu vào mẫu, bước kiểm tra và giới hạn. Với dự án kỹ thuật, hãy ghi thêm việc chuẩn bị dữ liệu, lựa chọn model, thí nghiệm, chỉ số và lỗi. Một dự án duy nhất không đủ chứng minh năng lực toàn diện.

Lịch học hằng tuần thực tế cho người mới học AI

Một thói quen đều đặn hữu ích hơn việc sưu tầm khóa học. Một nguồn khuyến nghị người học ứng dụng dành hai đến bốn giờ mỗi tuần; hãy xem đây là hướng dẫn lập kế hoạch do nguồn cung cấp, không phải yêu cầu áp dụng cho mọi người (Coursiv). Điều chỉnh lịch theo mục tiêu, thời gian và hướng học.

Một chu kỳ bốn buổi gồm:

1. Học một khái niệm: Học một thuật ngữ như inference, training data hoặc evaluation.
2. Thực hành một quy trình: Áp dụng khái niệm vào nhiệm vụ công việc hoặc học tập ít rủi ro.
3. Đánh giá một đầu ra: Đối chiếu đầu ra với tài liệu nguồn và yêu cầu đã nêu.
4. Ghi lại một bài học: Ghi lại điều hiệu quả, điều thất bại và điều cần thay đổi.

Cuối chu kỳ, hãy kiểm tra liệu dự án có tạo ra kết quả đáng tin cậy hay chưa. Nếu chưa, hãy cải thiện nhiệm vụ hoặc phương pháp đánh giá trước khi thêm công cụ khác.

Những sai lầm trong lộ trình làm người mới chậm tiến bộ

Các thói quen dưới đây tạo ra nhiều hoạt động nhưng không tạo ra tiến bộ hữu ích:

• Bắt đầu bằng lý thuyết nâng cao trước khi xác định mục tiêu.
• Nhầm việc quen dùng một công cụ AI với việc hiểu AI.
• Học sơ sài nhiều công cụ thay vì thực hành một quy trình.
• Xem đầu ra trôi chảy là đầu ra đúng.
• Bỏ qua đánh giá vì bản nháp đầu tiên trông hoàn chỉnh.
• Tải thông tin nhạy cảm lên mà không kiểm tra chính sách hoặc thời gian lưu giữ.
• Cho rằng mọi trường hợp sử dụng AI thực tế đều cần code.
• Đo tiến bộ bằng số khóa học đã hoàn thành thay vì sản phẩm công việc đáng tin cậy.

Cách hiệu quả hơn là xây dựng và xác minh một quy trình nhỏ, sau đó học kỹ thuật với một câu hỏi cụ thể. Việc học nhờ đó vẫn gắn với vấn đề có thể quan sát.

Bước tiếp theo: Bắt đầu với một mục tiêu, một quy trình và một bước kiểm tra

Hãy bắt đầu bằng một kết quả muốn đạt được trong thời gian gần, chọn hướng ứng dụng hoặc kỹ thuật, học nền tảng phù hợp và giới hạn nhiệm vụ ở một phạm vi rõ ràng.

Trước khi yêu cầu AI tạo nội dung, hãy xác định thế nào là kết quả tốt. Sử dụng thông tin đã được phê duyệt, không đưa dữ liệu nhạy cảm vào hệ thống nếu chưa được cho phép, xác minh đầu ra dựa trên bằng chứng đáng tin cậy và ghi lại một giới hạn. Dùng trải nghiệm đó để chọn giai đoạn tiếp theo.

Tuần đầu tiên không cần bao quát toàn bộ lĩnh vực. Hãy tạo quy trình trước và sau cho một nhiệm vụ ít rủi ro, đối chiếu kết quả với tài liệu nguồn và ghi lại một điểm cần cải thiện. AI Literacy phát triển qua việc sử dụng có cơ sở, đánh giá và phán đoán có trách nhiệm, không phải qua việc sưu tầm công cụ hoặc thuật ngữ.