Cách học AI không cần lập trình cho người mới

Artificial Intelligence là các hệ thống máy tính được thiết kế để thực hiện những tác vụ thường cần năng lực của con người, chẳng hạn như nhận diện mẫu, suy luận hoặc sử dụng ngôn ngữ. Bạn có thể học các ý tưởng nền tảng và sử dụng nhiều công cụ AI mà không cần trở thành lập trình viên.

Thách thức ban đầu thường không nằm ở coding mà ở việc chọn đúng nội dung cần học, xác định tác vụ hữu ích, cung cấp đủ ngữ cảnh và kiểm tra độ tin cậy của kết quả. Coding trở nên cần thiết hơn khi bạn muốn xây dựng, kết nối, tùy chỉnh hoặc triển khai hệ thống AI.

Bạn có cần kỹ năng coding để học AI không?

Không. Bạn có thể học khái niệm cốt lõi về AI, sử dụng nhiều chatbot và thực hành với công cụ no-code mà không biết lập trình. Coding hữu ích hơn khi bạn muốn tạo ứng dụng tùy chỉnh, kết nối AI với hệ thống khác, xử lý dữ liệu ở quy mô lớn hoặc xây dựng và triển khai hệ thống AI. Coursera cũng phân biệt hai nhu cầu này: hiểu về AI và sử dụng chatbot không đòi hỏi cùng mức độ chuẩn bị như làm kỹ thuật AI.

Một quản lý văn phòng có thể dùng trợ lý AI để chuyển biên bản cuộc họp thành bản nháp danh sách việc cần làm. Ngược lại, ứng dụng nội bộ kết nối biên bản với cơ sở dữ liệu công ty có thể cần lập trình, xử lý dữ liệu, xác thực, kiểm thử và triển khai.

Sự khác biệt này giúp tránh hai sai lầm: nghĩ rằng phải lập trình ngay từ ngày đầu, hoặc cho rằng sử dụng chatbot đã đủ để xây dựng một sản phẩm AI đáng tin cậy. Lộ trình phù hợp phụ thuộc vào kết quả bạn muốn đạt được.

Xác định bạn muốn AI hỗ trợ việc gì

Hãy bắt đầu bằng một kết quả thực tế, không phải danh sách công cụ. Gắn việc học với công việc, việc học, trách nhiệm quản lý hoặc định hướng nghề nghiệp sẽ giúp bạn dễ đánh giá tiến bộ hơn. Coursera khuyến nghị đánh giá kiến thức hiện tại và gắn lộ trình học với mục tiêu cá nhân hoặc nghề nghiệp.

Hãy đi theo trình tự sau:

1. Chọn mục tiêu. Xác định bạn muốn cải thiện năng suất, hỗ trợ việc học, hiểu AI ở vai trò quản lý, tìm hiểu công việc dữ liệu hay tiến tới phát triển kỹ thuật.
2. Chọn một tác vụ lặp lại. Ví dụ: chuẩn bị biên bản, soạn email thường lệ, tóm tắt tài liệu hoặc sắp xếp thông tin nghiên cứu.
3. Học các khái niệm cần cho tác vụ đó. Prompt, ngữ cảnh, kiểm chứng và quyền riêng tư có thể quan trọng trước khi bạn cần tìm hiểu kiến trúc mô hình.
4. Đánh giá kết quả. Xem quy trình có tiết kiệm công sức, cải thiện độ rõ ràng hay tạo thêm việc kiểm tra.
5. Chọn mức độ tiếp theo. Tiếp tục với no-code nếu đáp ứng nhu cầu; bổ sung kiến thức kỹ thuật khi mục tiêu đòi hỏi.

Một quản lý văn phòng có thể tập trung vào tóm tắt cuộc họp và theo dõi hành động. Một chuyên viên phân tích dữ liệu có thể học thêm thống kê cơ bản, chuẩn bị dữ liệu và các khái niệm về Machine Learning. Người muốn phát triển AI sẽ cần lập trình và phát triển phần mềm. Không có một lộ trình chung cho mọi người mới bắt đầu.

Học trước một số ít khái niệm AI thực sự cần thiết

Bạn chưa cần toán học nâng cao hay kiến trúc mạng nơ-ron để bắt đầu. Trước hết, hãy hiểu hệ thống AI làm gì và giới hạn của nó đến từ đâu.

Artificial Intelligence và Machine Learning

Artificial Intelligence là lĩnh vực xây dựng các hệ thống máy tính có thể thực hiện những tác vụ gắn với năng lực của con người, chẳng hạn như xử lý ngôn ngữ, nhận diện mẫu hoặc hỗ trợ ra quyết định.

Machine Learning là một phương pháp xây dựng các hệ thống đó. Thay vì viết thủ công mọi quy tắc, nhà phát triển huấn luyện hệ thống nhận diện mẫu từ các ví dụ. Những ví dụ này được gọi là training data.

Ví dụ, hệ thống có thể nhận các tin nhắn khách hàng đã được gắn nhãn theo nhóm, học những mẫu liên quan rồi phân loại tin nhắn mới. Chất lượng và mức độ phù hợp của dữ liệu ảnh hưởng trực tiếp đến khả năng của hệ thống.

AI Model, Inference và Generative AI

AI Model là hệ thống tính toán đã được huấn luyện để tạo dự đoán, phân loại, đề xuất hoặc dạng kết quả khác. AI inference là quá trình dùng mô hình đã huấn luyện với đầu vào mới.

Khi mô hình tạo văn bản, hình ảnh, âm thanh hoặc mã, đó là Generative AI. Trợ lý viết tạo bản nháp là một ví dụ. Bản nháp có thể hữu ích nhưng không đảm bảo mọi phát biểu đều chính xác.

Large Language Model

Large Language Model, hay LLM, được huấn luyện trên lượng lớn dữ liệu ngôn ngữ để xử lý và tạo văn bản. Mô hình nhận diện các mẫu trong yêu cầu rồi tạo câu trả lời phù hợp với những mẫu đó.

Vì vậy, LLM có thể viết email trôi chảy, tóm tắt đoạn văn hoặc sắp xếp ghi chú. Sự trôi chảy không phải bằng chứng cho độ chính xác; câu trả lời vẫn cần được đối chiếu với nguồn đáng tin cậy.

Khóa học AI no-code của UC San Diego minh họa phạm vi phù hợp với người mới: khái niệm nền tảng về AI và Machine Learning, bài tập thực hành, chuẩn bị dữ liệu, xây dựng mô hình, thuật ngữ và các cân nhắc về đạo đức.

Bắt đầu thực hành với một công cụ AI dễ tiếp cận

Hãy chọn một công cụ AI đa dụng mà bạn có thể truy cập và sử dụng nhất quán. Mục tiêu là quan sát cách hướng dẫn, ngữ cảnh và việc kiểm tra ảnh hưởng đến kết quả.

Hãy thực hành theo trình tự sau:

1. Yêu cầu công cụ tạo bản nháp đầu tiên.
2. Bổ sung đối tượng đọc và mục đích.
3. Nêu định dạng, độ dài, giọng điệu và các ý bắt buộc.
4. Cung cấp tài liệu nguồn hoặc ví dụ liên quan.
5. Kiểm tra câu trả lời và chỉnh sửa hướng dẫn.
6. So sánh kết quả mới với phiên bản trước.

Ví dụ, bắt đầu bằng yêu cầu: “Soạn một bản cập nhật ngắn về dự án”. Sau đó bổ sung tình trạng dự án, đối tượng đọc, ba thông tin đã xác nhận, giới hạn số từ và hành động mong muốn ở người đọc. Yêu cầu thứ hai cung cấp định hướng cụ thể hơn.

Đây là cách thực hành Prompt Engineering, tức thiết kế và tinh chỉnh hướng dẫn cho hệ thống AI. Nó gần với việc viết một bản giao việc rõ ràng hơn là tìm kiếm các cụm từ bí mật. Coursera khuyến nghị thử nghiệm với các công cụ AI dễ tiếp cận và thực hành viết prompt rõ ràng.

Học prompting bằng cách cải thiện ngữ cảnh

Kết quả tốt hơn thường đến từ việc xác định rõ tác vụ, không phải từ một công thức cố định. Một hướng dẫn hữu ích thường gồm:

• Tác vụ: Hệ thống cần làm gì?
• Ngữ cảnh: Hệ thống cần thông tin nào?
• Đối tượng: Ai sẽ sử dụng hoặc đọc kết quả?
• Ràng buộc: Cần tránh, đưa vào hoặc giới hạn điều gì?
• Định dạng: Kết quả nên là bảng, checklist, email, bản tóm tắt hay dàn ý?
• Tiêu chí chất lượng: Điều gì khiến kết quả hữu ích hoặc có thể chấp nhận?

Cách tổ chức hướng dẫn, tài liệu nguồn và tài nguyên cho một tác vụ cụ thể đôi khi được gọi là Context Engineering.

Một yêu cầu sơ sài là:

> Tóm tắt tài liệu này.

Một yêu cầu hữu ích hơn là:

> Tóm tắt chính sách này cho nhân viên mới trong 200 từ. Chỉ sử dụng thông tin trong tài liệu được cung cấp. Liệt kê ba trách nhiệm, xác định mọi thời hạn và đánh dấu những chi tiết chưa rõ thay vì đoán.

Phiên bản thứ hai nêu rõ mục đích, giới hạn, đối tượng, định dạng và cách xử lý sự không chắc chắn. Bạn vẫn cần đối chiếu kết quả với tài liệu gốc.

Áp dụng AI vào một tác vụ thực tế mà bạn đã hiểu

Tác vụ đầu tiên nên là việc bạn biết cách đánh giá kết quả. Công việc lặp lại, có khối lượng lớn hoặc tốn thời gian thường phù hợp, chẳng hạn như soạn thông tin liên lạc, tóm tắt tài liệu, chuẩn bị ghi chú nghiên cứu, động não hoặc sắp xếp thông tin. Những cách sử dụng này cũng được đề xuất trong hướng dẫn cho người mới của Coursera.

Ví dụ:

• Chuyển ghi chú cuộc họp sơ lược thành danh sách hành động có cấu trúc
• Tạo bản nháp đầu tiên cho phản hồi hỗ trợ khách hàng
• Chuyển ghi chú nghiên cứu thành dàn ý báo cáo
• Viết lại giải thích kỹ thuật cho đối tượng không chuyên
• Trích xuất câu hỏi và quyết định từ tài liệu dự án
• Giải thích công thức bảng tính bằng ngôn ngữ dễ hiểu

Với quyết định nhạy cảm, trách nhiệm giải trình, hệ quả pháp lý hoặc tài chính và các mối quan hệ quan trọng, con người vẫn phải đưa ra phán đoán. AI có thể đề xuất, sắp xếp hoặc soạn thảo; người chịu trách nhiệm phải xác định nội dung nào chính xác, phù hợp và sẵn sàng sử dụng.

Đưa việc kiểm chứng vào mọi buổi thực hành AI

AI Verification là việc kiểm tra kết quả AI dựa trên bằng chứng đáng tin cậy và yêu cầu của tác vụ. Câu trả lời tự tin có thể chứa ngày tháng sai, bỏ sót điều kiện, bịa nguồn, đưa ra đề xuất không có căn cứ hoặc làm thay đổi ý nghĩa ban đầu.

Hãy sử dụng vòng kiểm tra sau:

1. Xác định các phát biểu quan trọng. Đánh dấu dữ kiện, con số, ngày tháng, tên riêng, đề xuất và trích dẫn.
2. Đối chiếu với nguồn đáng tin cậy. Với bản tóm tắt, dùng tài liệu gốc; với thông tin hiện tại, tham khảo nguồn có thẩm quyền phù hợp.
3. Kiểm tra phép tính và giả định. Tính lại các con số quan trọng và tìm những giả định ngầm.
4. Xem lại yêu cầu của tác vụ. Kiểm tra đối tượng, định dạng, phạm vi và giọng điệu.
5. Chỉ phê duyệt nội dung mà bạn có thể chịu trách nhiệm. Chỉnh sửa, loại bỏ hoặc thay thế phần không có căn cứ.

Nếu trợ lý AI soạn email cho khách hàng dựa trên tài liệu chính sách, hãy đối chiếu từng cam kết và thời hạn với nguồn trước khi gửi. Email được viết chỉn chu vẫn là bản nháp cho đến khi người có trách nhiệm kiểm tra.

Tạo một AI Workflow no-code nhỏ

Một dự án AI cho người mới có thể là một AI Workflow lặp lại, trong đó con người và hệ thống AI cùng hoàn thành một tác vụ.

Hãy chọn một tác vụ và xác định quy trình:

1. Chọn tác vụ và kết quả mong muốn.
2. Chuẩn bị đầu vào an toàn, phù hợp.
3. Cung cấp hướng dẫn và ngữ cảnh rõ ràng.
4. Tạo bản nháp hoặc đầu ra có cấu trúc.
5. Kiểm tra kết quả với tài liệu nguồn.
6. Lưu phiên bản đã được phê duyệt.
7. Ghi lại điều hiệu quả và cải thiện hướng dẫn cho lần sau.

Ví dụ, quy trình chuyển cuộc họp thành hành động có thể gồm:

Quy trình này cho thấy AI hỗ trợ ở đâu và bước kiểm tra của con người cần diễn ra ở đâu. Coursera mô tả các quy trình chatbot không yêu cầu kỹ thuật là dự án phù hợp cho người mới, còn Great Learning khuyến nghị xây dựng một dự án AI nhỏ gắn với vai trò của người học.

Sử dụng nền tảng no-code khi muốn làm nhiều hơn trò chuyện

Các nền tảng no-code và AutoML giúp người mới tìm hiểu về chuẩn bị dữ liệu, xây dựng mô hình, đánh giá và trong một số trường hợp là triển khai mà không cần tự viết phần triển khai. Chúng phù hợp khi bạn muốn hiểu cách cấu trúc một tác vụ dự đoán.

Một bài tập đơn giản có thể dùng bảng tính đã gắn nhãn. Bạn chuẩn bị các ví dụ, chọn những trường liên quan, yêu cầu nền tảng no-code phân loại bản ghi, xem xét kết quả và xác định trường hợp hệ thống có thể thất bại.

No-code không loại bỏ yêu cầu về chất lượng dữ liệu, đánh giá, giới hạn hoặc sử dụng có trách nhiệm. Nền tảng có thể che đi phần lớn triển khai kỹ thuật, nhưng bạn vẫn phải quyết định dữ liệu có phù hợp và kết quả có an toàn hay không. UC San Diego mô tả việc học AI no-code theo hướng thực hành và tập trung vào dữ liệu này.

Xác định khi nào coding là bước tiếp theo phù hợp

Hãy học Python hoặc kỹ năng kỹ thuật liên quan khi bạn muốn xây dựng phần mềm tùy chỉnh, xử lý dữ liệu sâu hơn, tích hợp hệ thống hoặc triển khai. Thời điểm phù hợp phụ thuộc vào dự án tiếp theo, không phải một mốc cố định.

Sự khác biệt nằm ở năng lực, không phải địa vị. Người sử dụng AI có trách nhiệm trong vai trò chuyên môn không cần trở thành kỹ sư AI. Ngược lại, kinh nghiệm no-code không thay thế phần chuẩn bị kỹ thuật để xây dựng và triển khai hệ thống phức tạp. Coursera lưu ý rằng độ sâu của kỹ năng nền tảng phụ thuộc vào mục tiêu nghề nghiệp.

Bảo vệ dữ liệu trong quá trình thực hành

AI Privacy là việc xử lý và bảo vệ thông tin cá nhân hoặc nhạy cảm một cách có trách nhiệm khi sử dụng hệ thống AI. No-code không loại bỏ trách nhiệm về an toàn thông tin.

Trước khi đưa thông tin vào một công cụ:

1. Kiểm tra chính sách nơi làm việc và trạng thái được phê duyệt của công cụ.
2. Tránh đưa mật khẩu, API key, hợp đồng mật, thông tin sức khỏe, thông tin nhận dạng cá nhân, kế hoạch chưa công bố và mã nguồn riêng tư, trừ khi quy trình được phê duyệt cho phép rõ ràng.
3. Khi có thể, dùng ví dụ hư cấu, công khai hoặc đã ẩn danh để thực hành.
4. Giảm lượng thông tin được chia sẻ.
5. Kiểm tra điều khoản hiện tại của nhà cung cấp về sử dụng dữ liệu, thời gian lưu giữ, quyền truy cập và logging.

Đừng cho rằng mô hình không học ngay từ yêu cầu đồng nghĩa với việc nhà cung cấp không lưu bản ghi. Model training và data retention hoặc logging là hai vấn đề riêng biệt. Nhà cung cấp có thể có chính sách khác nhau về việc dùng nội dung để cải thiện mô hình và thời gian lưu tương tác. Hãy kiểm tra dịch vụ cụ thể cùng quy định của tổ chức trước khi tải tài liệu nơi làm việc lên.

Tránh những sai lầm học tập phổ biến nhất của người mới

Bốn thói quen sau thường làm việc học AI kém hiệu quả:

1. Thu thập công cụ thay vì thực hành: Chuyển qua lại giữa các nhà cung cấp tạo cảm giác năng suất nhưng không xây dựng kỹ năng lặp lại.
2. Học thuộc prompt mà không hiểu tác vụ: Template không thay thế mục tiêu, ngữ cảnh và tiêu chí chất lượng rõ ràng.
3. Chấp nhận kết quả trau chuốt mà không kiểm chứng: Sự trôi chảy không chứng minh độ chính xác.
4. Học mọi thứ trước khi hoàn thành dự án nhỏ: Workflow thực tế tạo ra những câu hỏi giúp việc học tiếp theo phù hợp hơn.

Cách thực tế hơn là dùng một tác vụ, một công cụ dễ tiếp cận và một quy trình kiểm tra. Hãy ghi lại đầu vào, hướng dẫn, kết quả, chỉnh sửa và phiên bản cuối. Việc học AI có trách nhiệm cũng cần tính đến đạo đức và khả năng giải thích AI đã đóng góp vào công việc như thế nào. UC San Diego đưa các cân nhắc về đạo đức và giao tiếp rõ ràng vào mục tiêu học AI no-code.

Bước tiếp theo: Lặp lại vòng thực hành và đánh giá lại mục tiêu

Hãy tiếp tục với cùng một vòng lặp: chọn tác vụ thực tế, cung cấp ngữ cảnh, tạo bản nháp, kiểm chứng, ghi lại điều hiệu quả và cải thiện workflow.

Sau vài buổi thực hành, hãy chọn hướng phù hợp với mục tiêu:

• Tiếp tục xây dựng AI literacy và cách sử dụng hằng ngày có trách nhiệm.
• Cải thiện một workflow tại nơi làm việc có thể lặp lại.
• Tìm hiểu các bài tập no-code về dữ liệu hoặc Machine Learning.
• Bắt đầu học Python và dữ liệu nếu muốn xây dựng, tích hợp, tùy chỉnh hoặc triển khai hệ thống AI.

Coding là một bước tiếp theo có thể lựa chọn, không phải bài kiểm tra khả năng sử dụng AI. Hiểu AI ở mức thực tế, kiểm chứng cẩn thận, ý thức về quyền riêng tư và phán đoán phù hợp đều hữu ích, ngay cả khi công việc của bạn không dùng code.