--------------- <> -----------------
--- KHOA HỌC - CÔNG NGHỆ - GIÁO DỤC - VIỆC LÀM ---
--- Học để đi cùng bà con trên thế giới ---

Tìm kiếm trong Blog

Nhập môn ngành KHMT (2) - Tổng quan về nghề (2)

Bài trước: Nhập môn ngành KHMT (1) - Tổng quan về nghề (1)
-----
2.1 Kỹ sư CNTT

Ở bài học trước, bạn đã biết được là có 3 hướng có thể theo học là: [1] học để làm việc như một chuyên gia KHMT, hoặc [2] kỹ sư CNTT hoặc [3] trang bị Kỹ năng số và Ứng dụng phổ thông để làm các nghề khác.

Bạn cũng đã tìm hiểu sơ qua về hướng trở thành một chuyên gia KHMT. Hướng này đòi hỏi bạn phải trang bị các kiến thức toán nền tảng, các môn học liên quan đến lập trình, thuật toán; cũng như các lĩnh vực chuyên sâu.

Trong phần này, bạn sẽ tiếp tục tìm hiểu tổng quan về nghề kỹ sư CNTT. Hi vọng, bạn sẽ tìm được các thông tin định hướng có ích.

Câu hỏi đầu tiên là: Học gì để có thể trở thành một kỹ sư CNTT?

Để có thể trở thành một kỹ sư CNTT, bạn cần học các chủ đề chính sau:

- Nền tảng Mạng & Hệ thống: Mạng máy tính, Hệ điều hành, Quản trị hệ thống & Đám mây

- Lập trình & Phát triển phần mềm: Ngôn ngữ lập trình, Lập trình web, Lập trình ứng dụng di động, Lập trình ứng dụng Desktop (tùy chọn)

- Cơ sở dữ liệu & Quản lý dữ liệu: Cơ sở dữ liệu quan hệ, NoSQL, Tối ưu hóa truy vấn, Thiết kế CSDL

- Kỹ thuật phần mềm & Quy trình phát triển: Kiến trúc phần mềm, Design Patterns, Testing, Quy trình Agile/Scrum

- Tự động hóa & Triển khai (DevOps/CI-CD): Docker, Kubernetes, CI/CD Pipeline, Quản lý hạ tầng bằng mã nguồn

- An toàn thông tin cơ bản: Bảo mật ứng dụng, Phân quyền và Quản lý truy cập, Mã hóa dữ liệu

- Lĩnh vực chuyên sâu (chọn 1 hoặc 2 hướng và tập trung sâu)

    + Phát triển phần mềm (Software Engineering - Frontend/Backend/Fullstack)

    + Kỹ sư Hệ thống & Đám mây (System/Cloud Engineer)

    + Kỹ sư DevOps / SRE (DevOps/Site Reliability Engineer)

    + Kỹ sư Mạng & Bảo mật (Network & Security Engineer)

Sau khi ra trường làm được những công việc gì?

- Kỹ sư Phát triển phần mềm (Software Engineer / Web / Mobile Developer): Thiết kế, xây dựng và bảo trì các ứng dụng web, di động hoặc phần mềm doanh nghiệp

- Kỹ sư DevOps / Cloud Engineer: Tự động hóa quy trình triển khai phần mềm, vận hành và tối ưu hạ tầng điện toán đám mây

- Kỹ sư Quản trị Hệ thống & Mạng (System / Network Administrator): Thiết kế, cấu hình và đảm bảo hạ tầng mạng, máy chủ của doanh nghiệp hoạt động liên tục, ổn định

- Kỹ sư An toàn thông tin (Cybersecurity / Security Engineer): Giám sát, phát hiện lỗ hổng và bảo vệ hệ thống thông tin khỏi các cuộc tấn công mạng

- Kỹ sư Dịch vụ CNTT & Hỗ trợ kỹ thuật (IT Helpdesk / IT Support Lead): Quản lý hạ tầng thiết bị, hỗ trợ người dùng và vận hành hệ thống CNTT nội bộ cho doanh nghiệp

Ngoài ra, bạn cũng có thể làm việc ở nhiều vị trí khác như: Database Administrator (DBA), QA/QC Engineer, Business Analyst (BA), Solutions Architect.

Môi trường làm việc?

- Các công ty sản xuất phần mềm: Nơi phát triển các sản phẩm công nghệ phục vụ người dùng hoặc doanh nghiệp

- Các công ty gia công phần mềm (Outsourcing Companies): Nơi nhận các dự án phát triển phần mềm từ đối tác toàn cầu

- Bộ phận IT thuộc các doanh nghiệp / Tập đoàn đa ngành: Ngân hàng, tài chính, bán lẻ, viễn thông, y tế, giáo dục…

- Các cơ quan nhà nước & Tổ chức chính phủ: Nơi triển khai các hệ thống chính phủ điện tử và hạ tầng công nghệ công cộng

- Công ty khởi nghiệp (Startups): Nơi bạn được trải nghiệm nhiều vị trí và xây dựng hệ thống từ con số 0

Mức thu nhập và cơ hội thăng tiến?

Mức thu nhập trong ngành CNTT thay đổi theo thị trường, kinh nghiệm, kỹ năng và quy mô công ty.

Bạn có thể cập nhật mức lương thực tế bằng cách tìm kiếm: tên công việc + “mức lương” trên các trang tuyển dụng, Google hoặc hỏi AI. Ví dụ: “Senior Software Engineer mức lương tại Việt Nam”.

Về cơ hội thăng tiến, trong hầu hết tổ chức bạn có 2 hướng phát triển chính:

- Hướng chuyên môn: Từ Junior Engineer > Senior > Tech Lead / Solutions Architect > Principal Engineer > …

- Hướng quản lý: Từ Team Lead > Engineering Manager > IT Director / CTO > ...

Ngoài ra, bạn cũng có thể chuyển sang hướng tư vấn giải pháp (IT Consultant) hoặc tự thành lập công ty dịch vụ công nghệ. Việc lựa chọn hướng phát triển phụ thuộc vào năng lực, tố chất và định hướng cá nhân của bạn.

AI có thay thế được bạn không?

Bạn sẽ có nguy cơ bị AI thay thế nếu:

- Chỉ biết lập trình theo yêu cầu (thợ lập trình) mà không nắm được tư duy thiết kế hệ thống, tối ưu hiệu năng và khả năng mở rộng

- Ngừng cập nhật công nghệ mới: Công nghệ phần mềm và hệ thống hạ tầng thay đổi liên tục. Nếu bạn không chủ động học để cập nhật các framework mới, công cụ tự động hóa mới, kỹ năng của bạn sẽ nhanh chóng bị lạc hậu

- Thiếu kỹ năng giao tiếp và hiểu bài toán kinh doanh: Không hiểu rõ nhu cầu của khách hàng/doanh nghiệp để biến thành giải pháp kỹ thuật phù hợp

AI là sản phẩm do con người tạo ra. Nó chỉ có khả năng thay thế những công việc mang tính lặp lại hoặc viết các đoạn mã phổ dụng.

Ngược lại, AI đang trở thành công cụ hỗ trợ đắc lực. Những kỹ sư biết tận dụng AI để tăng tốc độ phát triển phần mềm, tự động hóa quy trình và tập trung giải quyết các bài toán hệ thống phức tạp chính là người không thể bị thay thế.

2.2 Sự giao thoa giữa CNTT và KHMT

Để có cái nhìn tổng quan hơn, đồng thời giúp bạn nhận ra sự giao thoa của 2 hướng đi: chuyên gia KHMT và kỹ sư CNTT, chúng ta cùng quan sát bảng so sánh giữa 2 hướng đi này:

Tiêu chí

Chuyên gia KHMT

Kỹ sư CNTT

Bản chất & Trọng tâm

- Tập trung sâu vào lý thuyết, toán học, thuật toán và bản chất của tính toán

- Sáng tạo ra thuật toán mới, mô hình cốt lõi và hệ thống trừu tượng

- Mang tính ứng dụng cao

- Triển khai, quản trị, vận hành hệ thống và phát triển phần mềm để giải quyết bài toán thực tế của doanh nghiệp

Kiến thức cần học

- Nền tảng Toán (Toán rời rạc, Giải tích, Đại số tuyến tính, Xác suất thống kê)

- Cấu trúc dữ liệu và thuật toán nâng cao

- Lý thuyết máy tính, hệ thống lõi, lập trình song song/đồng thời

- Lĩnh vực chuyên sâu: AI/ML, NLP, Thị giác máy tính, Mật mã học, Khoa học dữ liệu

- Nền tảng Mạng & Hệ thống (Mạng, Hệ điều hành, Đám mây)

- Lập trình ứng dụng (Web, Mobile, Desktop)

- Cơ sở dữ liệu và kỹ thuật phần mềm (Design Patterns, Agile/Scrum)

- Tự động hóa & DevOps (Docker, Kubernetes, CI/CD)

Vị trí công việc tiêu biểu

- Kỹ sư AI / Học máy (AI/ML Engineer)

- Nhà khoa học dữ liệu (Data Scientist)

- Nghiên cứu viên (Research Scientist)

- Kỹ sư Thuật toán / Xử lý hình ảnh / NLP

- Kỹ sư Phát triển phần mềm (Software/Web/Mobile Developer)

- Kỹ sư DevOps / Cloud Engineer

- Kỹ sư Quản trị hệ thống & Mạng

- Kỹ sư An toàn thông tin (Cybersecurity)

Môi trường làm việc

- Tập đoàn/công ty công nghệ lớn, phòng R&D

- Viện nghiên cứu, trường đại học

- Công ty khởi nghiệp AI / DeepTech

- Công ty sản xuất phần mềm & công ty gia công phần mềm (Outsourcing)

- Bộ phận IT của các doanh nghiệp đa ngành (Ngân hàng, bán lẻ, y tế...)

- Cơ quan nhà nước, tổ chức chính phủ

Cơ hội thăng tiến

- Chuyên môn: Engineer > Senior > Staff/Principal > Distinguished Engineer

- Quản lý: Team Lead > Manager > Director

- Chuyên môn: Junior Engineer > Senior > Tech Lead / Solutions Architect > Principal Engineer

- Quản lý: Team Lead > Engineering Manager > IT Director / CTO

Nguy cơ bị AI thay thế nếu...

- Chỉ biết “gọi thư viện” (Dùng PyTorch, TensorFlow nhưng thiếu nền tảng toán học và nguyên lý cốt lõi)

- Ngừng cập nhật tri thức hoặc thiếu tư duy chuyển hóa giải pháp thành sản phẩm thực tế

- Chỉ lập trình theo yêu cầu (làm “thợ lập trình”) mà thiếu tư duy thiết kế hệ thống, tối ưu hiệu năng và mở rộng

- Không cập nhật công nghệ/framework mới hoặc thiếu kỹ năng hiểu bài toán kinh doanh

Hiện nay, ranh giới giữa KHMT và CNTT ngày càng mờ nhạt:

- Một kỹ sư CNTT giỏi không thể chỉ làm việc rập khuôn theo yêu cầu mà rất cần có tư duy thuật toán và có nền tảng của một chuyên gia KHMT để giải quyết các bài toán tối ưu, tích hợp AI vào ứng dụng hoặc tối ưu các hệ thống lớn

- Ngược lại, một chuyên gia KHMT khi phát triển các mô hình hay thuật toán mới cũng bắt buộc phải biết hiện thực hóa chúng thành các ứng dụng và hạ tầng công nghệ thực tế để đưa vào vận hành

Do vậy, không nên tách rời hai hướng đi này một cách cứng nhắc mà cần trang bị hài hòa kiến thức và kỹ năng ở cả 2 lĩnh vực để có thể bổ trợ cho nhau.

2.3 Kỹ năng số và Ứng dụng phổ thông

Đây là hướng đi phù hợp với những bạn muốn sử dụng công nghệ như một công cụ hỗ trợ cho các lĩnh vực khác như Kinh doanh số, Marketing, Quản trị, Sáng tạo nội dung…v.v.

Bạn cần học những gì?

- Tư duy số & Vận hành công cụ: Thành thạo phần mềm văn phòng, hệ thống quản lý dữ liệu trực tuyến (Cloud Storage, Notion, Excel/Google Sheets)

- Kỹ năng Marketing số & Truyền thông: SEO/SEM, quản trị mạng xã hội, chạy quảng cáo, phân tích hành vi khách hàng qua dữ liệu

- Kế toán & Quản trị kinh doanh số: Hệ thống CRM, phần mềm quản lý bán hàng (ERP), vận hành thương mại điện tử (E-commerce)

- Sáng tạo nội dung số cơ bản: Thiết kế đồ họa (Canva, Photoshop), dựng video ngắn (CapCut, Premiere), viết nội dung (Copywriting) và ứng dụng AI hỗ trợ sáng tạo

- Tư duy tự động hóa công việc: Sử dụng công cụ No-code/Low-code (Zapier, Make, Mendix…) để tối ưu quy trình làm việc hàng ngày

Sau khi ra trường làm được những công việc gì?

- Chuyên viên marketing số / Chuyên viên truyền thông mạng xã hội (Social Media Specialist): Lên chiến lược, triển khai và đo lường hiệu quả chiến dịch quảng cáo, truyền thông trên nền tảng số

- Chuyên viên Vận hành kinh doanh số (E-commerce / Digital Operations): Quản lý gian hàng trên sàn thương mại điện tử, vận hành hệ thống bán hàng đa kênh

- Chuyên viên Quản trị & Phân tích dữ liệu kinh doanh (Business Analyst / Data Analyst hỗ trợ kinh doanh): Thu thập, tổng hợp và trực quan hóa dữ liệu để hỗ trợ ra quyết định

- Nhà sáng tạo nội dung / Nhà chiến lược nội dung (Content Strategist): Xây dựng kịch bản, sản xuất và phát triển kênh nội dung trên mạng xã hội hoặc website

- Chuyên viên Chuyển đổi số & Hỗ trợ vận hành: Ứng dụng công cụ phần mềm vào quy trình quản trị, tối ưu công việc văn phòng

Môi trường làm việc ở đâu?

- Doanh nghiệp Thương mại điện tử & Bán lẻ trực tuyến

- Cơ quan, doanh nghiệp đa ngành (Tài chính, Giáo dục, Y tế, Du lịch, Bất động sản…): Bộ phận Marketing, Chăm sóc khách hàng, Vận hành số hoặc Hành chính – Nhân sự

- Công ty Agency (Quảng cáo, Truyền thông, Marketing)

- Doanh nghiệp khởi nghiệp (Startups) & Hộ kinh doanh số

- Làm việc tự do (Freelancer) hoặc tự kinh doanh (Solopreneur)

Mức thu nhập và cơ hội thăng tiến?

Mức thu nhập phụ thuộc vào năng lực thực chiến, hiệu quả công việc (KPI, doanh số) và quy mô công ty.

Bạn nên cập nhật mức lương thực tế bằng cách tìm kiếm: tên công việc + “mức lương” trên các trang tuyển dụng hoặc hỏi AI. Ví dụ: “Digital Marketing Specialist mức lương tại Việt Nam”.

Về cơ hội thăng tiến, bạn có thể phát triển theo hai hướng chính:

- Hướng chuyên môn sâu: Junior > Senior Specialist > Expert / Lead (Growth Lead, Content Director…v.v)

- Hướng quản lý: Team Leader > Marketing Manager / Operations Manager > CMO hoặc Giám đốc vận hành

Ngoài ra, đây là nhóm ngành có tính linh hoạt cao, tạo điều kiện thuận lợi để tự khởi nghiệp hoặc làm việc độc lập. Việc lựa chọn hướng phát triển phụ thuộc vào năng lực, tố chất và định hướng cá nhân.

AI có thay thế được bạn không?

Bạn sẽ có nguy cơ bị AI thay thế nếu:

- Chỉ làm những công việc mang tính lặp lại, đơn giản: Viết nội dung sơ sài, làm báo cáo thủ công hoặc thiết kế rập khuôn thiếu tư duy sáng tạo

- Ngừng cập nhật công cụ mới: Công cụ Marketing, AI tạo sinh và phần mềm quản trị thay đổi rất nhanh. Nếu bạn không học cách sử dụng AI, bạn dễ bị thay thế bởi người biết tận dụng AI

- Thiếu khả năng thấu hiểu con người và tư duy chiến lược: AI có thể viết chữ, tạo ảnh, nhưng không thể thấu cảm sâu sắc khách hàng, đàm phán hay xây dựng mối quan hệ kinh doanh thực tế

AI là công cụ hỗ trợ. Nó chỉ thay thế những người làm việc hời hợt, thiếu tư duy phản biện.

Ngược lại, AI chính là “cánh tay nối dài” mạnh mẽ cho nhóm ngành này. Những ai biết dùng AI sẽ viết nội dung nhanh hơn, phân tích dữ liệu sắc bén hơn và tự động hóa công việc sẽ trở thành nhân sự có năng suất vượt trội và khó bị thay thế.

2.4 Xem và đọc thêm

Sử dụng các từ khóa sau, tìm kiếm trên Youtube, Google, hoặc hỏi Chatbot để xem và đọc thêm: Học gì để có thể trở thành một kỹ sư CNTT, Sau khi ra trường làm được những công việc gì? Môi trường làm việc? Mức thu nhập và cơ hội thăng tiến? AI có thay thế được bạn không? Kỹ năng số và Ứng dụng phổ thông.

2.5 Bài tập và câu hỏi

Bài tập

Bài tập 2.1: Bạn có tố chất và năng lực để theo ngành CNTT không? Tại sao?

Bài tập 2.2: Nếu bạn dự định theo ngành CNTT, hãy nhờ Chatbot liệt kê một lộ trình học cho bản thân.

Bài tập 2.3: Bạn có tố chất và năng lực để theo hướng Kỹ năng số và Ứng dụng phổ thông không? Tại sao?

Bài tập 2.4: Nếu bạn dự định theo hướng Kỹ năng số và Ứng dụng phổ thông không, hãy nhờ Chatbot liệt kê một lộ trình học cho bản thân.

Câu hỏi

Câu 2a: Vị trí công việc nào có nhiệm vụ tự động hóa quy trình triển khai phần mềm, vận hành và tối ưu hạ tầng điện toán đám mây?

A. Kỹ sư Quản trị hệ thống & mạng

B. Kỹ sư Dịch vụ CNTT

C. Kỹ sư DevOps / Cloud Engineer

D. Kỹ sư An toàn thông tin

Câu 2b: Tại sao một lập trình viên chỉ biết "lập trình theo yêu cầu" lại có nguy cơ bị AI thay thế?

A. Vì AI không thể tự viết các đoạn mã phổ dụng

B. Vì công việc này thiếu tư duy thiết kế hệ thống, tối ưu hiệu năng và khả năng mở rộng — những công việc mang tính lặp lại mà AI có thể đảm nhận

C. Vì các doanh nghiệp gia công phần mềm (Outsourcing) sẽ dừng tuyển dụng lập trình viên

D. Vì AI có thể tự giao tiếp và thay thế hoàn toàn công việc kinh doanh của khách hàng

Câu 2c: Bạn cần học công cụ nào sau đây để có thể tạo ra được phần mềm mà không cần biết quá nhiều về lập trình?

A. Phần mềm văn phòng nâng cao và hệ điều hành Linux

B. Công cụ No-code / Low-code

C. Ngôn ngữ lập trình Python và C++

D. Hệ thống quản lý cơ sở dữ liệu quan hệ

Câu 2d: Tại sao một nhân sự làm việc trong lĩnh vực Kỹ năng số và Ứng dụng phổ thông lại có nguy cơ bị AI thay thế nếu chỉ làm những công việc lặp lại mang tính máy móc?

A. Vì AI không thể phân tích dữ liệu kinh doanh nhưng lại rất giỏi viết nội dung sơ sài và làm báo cáo thủ công

B. Vì các công cụ AI hiện nay cấm con người sử dụng trong các chiến dịch marketing số

C. Vì những công việc hời hợt, rập khuôn, thiếu tư duy sáng tạo và phản biện là các công việc AI có thể dễ dàng thay thế

D. Vì các doanh nghiệp thương mại điện tử bắt buộc phải tự động hóa 100% nhân sự bằng robot

-----
Bài sau:

Nhập môn ngành KHMT (1) - Tổng quan về nghề (1)

 

1. Mở đầu

Có thể bạn đã bước vào ngành học này với những lý do khác nhau. Tuy nhiên, tôi đoán là bạn đang mong muốn đi theo một trong ba hướng sau:

- [1] Trở thành một Chuyên gia Khoa học máy tính (KHMT): Bạn đam mê nghiên cứu bản chất của tính toán, sáng tạo thuật toán mới, đào sâu vào Trí tuệ nhân tạo (AI) và các hệ thống lõi

- [2] Trở thành một Kỹ sư CNTT: Bạn muốn làm chủ công nghệ, vận hành hạ tầng, phát triển phần mềm và giải quyết các bài toán thực tế của doanh nghiệp

- [3] Làm việc liên quan đến Kỹ năng số và Ứng dụng phổ thông: Bạn nhận ra mình không thích làm công việc thuần kỹ thuật (như lập trình hay quản trị mạng), nhưng muốn ứng dụng công nghệ làm "công cụ" cho các lĩnh vực khác (Kinh doanh số, Marketing, Quản trị, Sáng tạo nội dung...), hoặc đơn giản là bạn đang trong giai đoạn trải nghiệm để tìm kiếm định hướng phù hợp nhất cho bản thân.

Xem hình minh họa,


Mỗi hướng đi đều có đặc thù và giá trị riêng. Một lựa chọn tốt không phải là lựa chọn "hoành tráng" nhất, mà là lựa chọn “phù hợp nhất” với năng lực của bạn và đáp ứng được thị trường lao động.

Để biết bạn thực sự hợp với hướng nào, chúng ta sẽ tìm hiểu sơ qua về mỗi hướng công việc ngay sau đây.

1.1 Chuyên gia KHMT

Để trở thành Chuyên gia KHMT, dưới đây là những thông tin cơ bản giúp bạn bước đầu định hình về lĩnh vực này:

Muốn trở thành Chuyên gia KHMT cần học những gì?

- Nền tảng Toán: Toán rời rạc, Giải tích, Đại số tuyến tính, Xác suất thống kê. Đây là kiến thức nền giúp bạn hiểu bản chất thuật toán, tối ưu hiệu năng, xây dựng các mô hình và hệ thống có độ tin cậy cao

- Cấu trúc dữ liệu và thuật toán: Mảng, danh sách liên kết, cây, đồ thị, thuật toán tìm kiếm, sắp xếp, quy hoạch động

- Lý thuyết máy tính & Hệ thống lõi: Khái niệm về tính toán (Automata), Hệ điều hành, Kiến trúc máy tính, Mạng máy tính, Trình biên dịch

- Lập trình hệ thống / Đồng thời (Concurrent) & Song song (Parallel)

- Cơ sở dữ liệu

- Kỹ thuật phần mềm (design pattern, architecture, testing, CI/CD)

- Các hệ thống phân tán

- Lĩnh vực chuyên sâu (chọn 1 hoặc 2 hướng và tập trung thật sâu): 

    + Trí tuệ nhân tạo (AI) & Học máy (Machine Learning/Deep Learning)

    + Xử lý ngôn ngữ tự nhiên (NLP) & Thị giác máy tính (Computer Vision)

    + Mật mã học (Cryptography) & An toàn thông tin

    + Khoa học dữ liệu (Data Science) & Xử lý dữ liệu lớn (Big Data)

Sau khi ra trường làm được những công việc gì?

- Kỹ sư AI / Học máy (AI/Machine Learning Engineer): Xây dựng, huấn luyện và tối ưu các mô hình AI/ML

- Nhà khoa học dữ liệu (Data Scientist): Phân tích dữ liệu lớn, tìm ra tri thức và dự báo xu hướng

- Nghiên cứu viên AI/KHMT (Research Scientist): Làm việc tại các viện nghiên cứu, trường đại học, trung tâm R&D để tối ưu, phát minh ra thuật toán, công nghệ mới

- Kỹ sư Xử lý hình ảnh / Ngôn ngữ tự nhiên: Phát triển các hệ thống nhận diện khuôn mặt, dịch thuật tự động, chatbot thông minh

- Kỹ sư Thuật toán (Algorithm Engineer): Tối ưu tốc độ xử lý, bộ nhớ cho các hệ thống phức tạp (search engine, game engine, giao dịch tài chính)

Ngoài ra, bạn còn có thể làm việc ở nhiều vị trí khác như: Software Engineer, Data Engineer, MLOps Engineer, Security Engineer.

Môi trường làm việc ở đâu?

- Các tập đoàn / công ty công nghệ lớn

- Phòng nghiên cứu & Phát triển (R&D) thuộc doanh nghiệp công nghệ, ngân hàng, quỹ đầu tư

- Viện nghiên cứu & Trường Đại học (nghiên cứu khoa học, giảng dạy)

- Công ty Khởi nghiệp AI / DeepTech

- Công ty outsourcing và doanh nghiệp đang chuyển đổi số

Mức thu nhập và cơ hội thăng tiến?

Mức thu nhập trong ngành KHMT (cũng như CNTT) thay đổi khá nhanh theo thị trường, kinh nghiệm, kỹ năng và quy mô công ty.

Bạn có thể cập nhật mức lương thực tế bằng cách tìm kiếm tên vị trí + “mức lương” trên các trang tuyển dụng hoặc hỏi AI. Ví dụ: “senior data engineer mức lương tại Việt Nam”

Về cơ hội thăng tiến, trong hầu hết tổ chức bạn có 2 hướng phát triển chính:

- Hướng chuyên môn: Từ Engineer > Senior > Staff/Principal > Distinguished Engineer > …

- Hướng quản lý: Từ Team Lead > Manager > Director > …

Ngoài ra còn có thể chuyển sang hướng khởi nghiệp hoặc trở thành chuyên gia độc lập. Việc lựa chọn hướng phát triển phụ thuộc vào năng lực, tố chất và định hướng cá nhân của bạn.

AI có thay thế được bạn không?

Bạn sẽ có nguy cơ bị AI thay thế nếu:

- Chỉ biết “gọi thư viện” mà không hiểu bản chất: Biết dùng PyTorch, TensorFlow nhưng chỉ dừng ở mức ráp mã nguồn, thiếu nền tảng toán học và không nắm được nguyên lý cốt lõi phía sau

- Ngừng cập nhật tri thức: Ngành KHMT thay đổi rất nhanh. Nếu không theo dõi những thay đổi về công nghệ, kỹ thuật và nghiên cứu mới, kiến thức của bạn sẽ nhanh chóng bị lạc hậu

- Thiếu tư duy giải quyết bài toán thực tế: Có giải pháp tốt nhưng không chuyển hóa được thành sản phẩm mang lại giá trị thực tế

AI là sản phẩm do con người tạo ra. Nó chỉ có khả năng thay thế những công việc mang tính lặp lại hoặc lập trình cơ bản.

Ngược lại, AI đang trở thành công cụ hỗ trợ đắc lực. Những chuyên gia biết tận dụng AI để đẩy nhanh nghiên cứu, tối ưu giải pháp và tạo ra sản phẩm mới chính là người sẽ trụ vững trong thị trường lao động.

1.2 Xem và đọc thêm

Sử dụng các từ khóa sau, tìm kiếm trên Youtube, Google, hoặc hỏi Chatbot để xem và đọc thêm: chuyên gia KHMT cần học gì? Làm được những việc gì? Ở đâu? Mức thu nhập? Tác động của AI tới nghề nghiệp liên quan đến KHMT.

1.3 Bài tập và câu hỏi

Bài tập

Bài tập 1.1: Bạn có tố chất và năng lực để theo ngành KHMT không? Tại sao?

Bài tập 1.2: Nếu bạn dự định theo ngành KHMT, hãy nhờ Chatbot liệt kê một lộ trình học cho bản thân.

Câu hỏi

Câu 1a: Đây là một trong ba hướng đi chính mà sinh viên CNTT thường mong muốn khi bước vào ngành học này? Phát biểu nào không đúng?

A. Trở thành một chuyên gia Khoa học máy tính

B. Trở thành một kỹ sư CNTT

C. Trở thành một chuyên gia về giống cây trồng

D. Làm việc liên quan đến Kỹ năng số và Ứng dụng phổ thông

Câu 1b: Để trở thành Chuyên gia KHMT, nền tảng Toán mà bạn cần học gồm những môn nào?

A. Toán rời rạc, Giải tích, Đại số tuyến tính, Xác suất thống kê

B. Đại số đại cương, Hình học vi phân, Lý thuyết số, Toán cao cấp A1

C. Toán kinh tế, Phương trình vi phân, Tối ưu hóa tuyến tính, Thống kê doanh nghiệp

D. Logic học, Toán tài chính, Giải tích hàm, Đại số trừu tượng

Câu 1c: Đâu là một trong các lĩnh vực chuyên sâu được đề xuất cho Chuyên gia KHMT?

A. Quản trị hệ thống mạng

B. Phát triển giao diện người dùng website

C. Trí tuệ nhân tạo (AI) & Học máy (Machine Learning/Deep Learning)

D. Quản lý dự án phần mềm theo mô hình Agile/Scrum

Câu 1d: Trong thời đại AI phát triển, tại sao việc "chỉ biết gọi thư viện" mà không hiểu bản chất lại khiến một chuyên gia KHMT có nguy cơ bị AI thay thế?

A. Vì các thư viện hiện nay đều do AI tự viết ra nên con người không được phép sử dụng

B. Vì khi chỉ dừng ở mức ráp mã nguồn, thiếu nền tảng toán học và nguyên lý cốt lõi, công việc đó thực chất chỉ mang tính lặp lại hoặc lập trình cơ bản mà AI hoàn toàn có thể làm được

C. Vì các công ty công nghệ lớn hiện nay cấm nhân viên sử dụng các thư viện mã nguồn mở có sẵn

D. Vì việc gọi thư viện làm giảm tốc độ xử lý của máy tính, khiến giải pháp không thể ứng dụng vào thực tế

-----

Bài sau: Nhập môn ngành KHMT (2) - Tổng quan về nghề (2)

AI (2) - Cách tạo ra AI

Bài trước: AI (1) - Tổng quan
-----

2. Cách tạo ra AI

Ở bài học trước, bạn đã biết:

- Trí tuệ là khả năng học hỏi, hiểu biết, suy luận và vận dụng kiến thức để giải quyết vấn đề, thích nghi với hoàn cảnh mới và đạt được mục tiêu

- Có hai dạng trí tuệ: trí tuệ tự nhiên và trí tuệ nhân tạo

- Trí tuệ tự nhiên là trí tuệ nằm trong bộ não của con người và các loài động vật

- Trí tuệ nhân tạo là trí tuệ do con người tạo ra, vận hành trên nền tảng kỹ thuật số

Vậy con người đã tạo ra trí tuệ nhân tạo bằng cách nào?

Cụ thể hơn, làm sao tạo ra được một hệ thống mà nó có khả năng: Học hỏi - Suy luận - Giải quyết vấn đề - Thích nghi - Trừu tượng hóa

2.1 Các hướng tiếp cận chính

Để tạo ra một hệ thống AI, có một số hướng tiếp cận phổ biến sau:

[1] Hướng tiếp cận dựa trên Luật và Tri thức (Symbolic AI / Rule-based)

- Con người viết sẵn các quy tắc logic, kiến thức chuyên môn dưới dạng mã lệnh hoặc cơ sở tri thức

- Máy suy luận theo đúng những gì con người đã định nghĩa

- Ưu điểm: Dễ giải thích, kiểm soát được

- Nhược điểm: Khó mở rộng, không tự học được tình huống mới

Ví dụ: Hệ thống chẩn đoán bệnh cũ, phần mềm tư vấn pháp lý theo quy định, chatbot theo kịch bản cứng.

[2] Hướng tiếp cận dựa trên Dữ liệu – Học máy (Machine Learning)

- Không viết quy tắc chi tiết. Thay vào đó, cung cấp dữ liệu để máy “tự học” quy luật

- Đây là hướng đang phổ biến và mạnh mẽ nhất hiện nay

- Bao gồm các nhánh:

    + Học có giám sát

    + Học không giám sát

    + Học tăng cường

    + Học sâu (Deep Learning)

Ví dụ: Nhận diện khuôn mặt, dịch ngôn ngữ, gợi ý sản phẩm, xe tự lái (phần nhận diện).

[3] Hướng tiếp cận Lai (Hybrid AI)

- Kết hợp cả hai cách trên: vừa dùng luật/tri thức, vừa dùng Học máy

- Mục tiêu: Vừa có khả năng học từ dữ liệu, vừa giữ được tính giải thích và kiểm soát

Ví dụ: Hệ thống AI y tế vừa học từ hồ sơ bệnh án, vừa tuân thủ các quy tắc y khoa bắt buộc.

[4] Các hướng tiếp cận khác (ít phổ biến hơn nhưng vẫn quan trọng)

Hướng tiếp cận

Ý tưởng chính

Ví dụ ứng dụng

Thuật toán tiến hóa

Mô phỏng chọn lọc tự nhiên để tìm giải pháp

Tối ưu thiết kế, lập lịch

Logic mờ (Fuzzy Logic)

Xử lý khái niệm mơ hồ (“hơi nóng”, “khá tốt”)

Điều hòa, máy giặt thông minh

Hệ thống đa tác tử

Nhiều “agent” nhỏ phối hợp với nhau

Mô phỏng giao thông, game

Tiếp cận dựa trên tìm kiếm & lập kế hoạch

Máy tìm đường đi hoặc chuỗi hành động tối ưu

AI chơi cờ, robot lập kế hoạch

2.2 Cài đặt một số ví dụ

Để có ý niệm ban đầu về một hệ thống AI, chúng ta cùng cài đặt một số ví dụ đơn giản.

Ví dụ 1

Tạo một AI dựa trên luật (rule based). Chúng ta sẽ tạo một chatbot trả lời theo kịch bản.

[python]

def chatbot(cau_hoi):

    cau_hoi = cau_hoi.lower()

    # Các luật "nếu... thì..." do con người viết sẵn

    if "xin chào" in cau_hoi:

        return "Chào bạn! Tôi có thể giúp gì cho bạn?"

    elif "giờ mở cửa" in cau_hoi:

        return "Cửa hàng mở cửa từ 8h đến 17h."

    elif "địa chỉ" in cau_hoi:

        return "Địa chỉ: 123 Đường ABC."

    else:

        return "Xin lỗi, tôi chưa hiểu câu hỏi của bạn."


print("Xe bán bánh mì Bác Tèo \n")

while True:

    chuoi = input("Bạn cần gì? (nhập 'no' để thoát): ")

    if chuoi == 'no':

        print("chào bạn!")

        break;

    print(chatbot(chuoi))

Bạn chạy chương trình trên. Nhập một số giá trị để trải nghiệm. Ví dụ: xin chào, giờ mở cửa, địa chỉ, bán gì, no.

Bạn thấy là:

- Mọi câu trả lời đều do con người viết sẵn bằng các luật if... elif... else

- Ưu điểm: dễ hiểu, biết chắc máy sẽ trả lời gì (dễ giải thích, kiểm soát được)

- Nhược điểm: câu hỏi mà không có luật nào khớp, máy sẽ không tự học được. Muốn trả lời, con người phải viết thêm luật (khó mở rộng)

- Vậy nếu cửa hàng có 1.000 loại câu hỏi, ta phải viết bao nhiêu luật?

Ví dụ 2

Ở Ví dụ 1, bạn đã được làm quen với một chương trình AI viết theo hướng dựa trên luật.

Phần này, bạn sẽ viết tiếp một chương trình AI, nó không dựa trên luật, mà dựa trên dữ liệu cho trước (hướng học máy).

Đây là một bài toán Phân loại (Classification).

Bài toán sử dụng thuật toán K-Nearest Neighbors (KNN - Hàng xóm gần nhất). Ý là: “Muốn biết bạn là ai, hãy nhìn vào những người hàng xóm (những người có hoàn cảnh giống bạn) xung quanh bạn”.

Bài toán: Dự đoán học sinh Đậu hay Rớt

Giả sử chúng ta có dữ liệu lịch sử của một lớp học gồm hai yếu tố (đặc trưng):

- [1] Số giờ tự học mỗi ngày

- [2] Số giờ ngủ mỗi đêm

AI sẽ học từ dữ liệu quá khứ để tự động phán đoán xem một học sinh mới, với thói quen học tập/nghỉ ngơi tương ứng sẽ Đậu (1) hay Rớt (0) môn học, mà không cần con người phải viết sẵn các câu lệnh điều kiện if... else phức tạp.

[python]

from sklearn.neighbors import KNeighborsClassifier


# 1. Chuẩn bị dữ liệu huấn luyện (Training Data)

# Mỗi dòng là một học sinh: [Số giờ tự học, Số giờ ngủ]

X = [

    [1, 5],  # Học ít, ngủ ít -> Rớt

    [2, 6],  # Học ít, ngủ trung bình -> Rớt

    [1, 4],  # Học ít, ngủ ít -> Rớt

    [4, 7],  # Học khá, ngủ đủ -> Đậu

    [5, 8],  # Học chăm, ngủ tốt -> Đậu

    [4, 6]  # Học khá, ngủ trung bình -> Đậu

]


# Nhãn tương ứng: 0 = Rớt, 1 = Đậu

y = [0, 0, 0, 1, 1, 1]


# 2. Khởi tạo mô hình AI (Thuật toán K-Nearest Neighbors - xét 3 hàng xóm gần nhất)

model = KNeighborsClassifier(n_neighbors=3)


# 3. Cho máy "tự học" quy luật từ dữ liệu

model.fit(X, y)


# 4. Kiểm thử với một học sinh mới

# Ví dụ: Một học sinh mới có thói quen học 4.5 tiếng và ngủ 7.5 tiếng

hoc_sinh_moi = [[4.5, 7.5]]


# Dùng AI để dự đoán kết quả

ket_qua_du_doan = model.predict(hoc_sinh_moi)


# 5. Hiển thị kết quả cho người dùng

print("--- KẾT QUẢ DỰ ĐOÁN CỦA AI ---")

if ket_qua_du_doan[0] == 1:

  print("Dự đoán: Học sinh này khả năng cao sẽ ĐẬU!")

else:

  print("Dự đoán: Học sinh này cần cố gắng hơn vì có nguy cơ RỚT!")

Bạn hãy cài đặt thư viện scikit-learn trên máy để chạy chương trình trên và xem kết quả.

Kết quả:

Chương trình sẽ xuất ra kết quả là: Dự đoán: Học sinh này khả năng cao sẽ ĐẬU!

Một vài nhận xét:

- Trong chương trình, bạn sẽ không thấy có dòng lệnh như “Nếu học > 3 giờ thì đậu”. Thay vào đó, chúng ta đưa cho máy một tập dữ liệu mẫu (số giờ tự học, số giờ ngủ, đậu hay rớt), đây là các vạch mốc cũ

- Khi máy tính học (model.fit), nó sẽ ghi nhớ toàn bộ vị trí các điểm dữ liệu cũ trên một không gian tọa độ

- Quá trình suy luận (model.predict), khi có một học sinh mới xuất hiện (với 4.5 giờ tự học và 7.5 giờ ngủ), máy sẽ "nhìn quanh" xem 3 học sinh cũ nào có thói quen gần giống nhất (hàng xóm gần nhất). Vì các "hàng xóm" đó đều đậu, máy tự động suy luận học sinh mới cũng sẽ đậu.

2.3 Xem và đọc thêm

Sử dụng các từ khóa sau, tìm kiếm trên Google, Youtube, Chatbot để xem và đọc thêm: Các cách tiếp cận để tạo ra AI

2.4 Bài tập và câu hỏi

Bài tập

Bài tập 2.1: Cài đặt các bài toán trong phần lý thuyết.

Câu hỏi

Câu 2a: Trong các hướng tiếp cận chính để tạo ra AI, hướng tiếp cận nào mà con người phải viết sẵn toàn bộ các quy tắc logic và kiến thức chuyên môn dưới dạng mã lệnh?

A. Hướng tiếp cận dựa trên Dữ liệu (Machine Learning)

B. Hướng tiếp cận dựa trên Luật và Tri thức (Rule-based / Symbolic AI)

C. Hướng tiếp cận Học sâu (Deep Learning)

D. Hướng tiếp cận Thuật toán tiến hóa

Câu 2b: Trong ví dụ về chương trình AI phân loại kết quả học tập của học sinh bằng thuật toán KNN, đặc trưng đầu vào (input) được dùng để đánh giá là gì?

A. Số lượng sách giáo khoa và số bài tập về nhà

B. Chiều cao và cân nặng của học sinh

C. Số giờ tự học mỗi ngày và số giờ ngủ mỗi đêm

D. Điểm số các môn Toán, Văn, Anh

Câu 2c: Điểm khác biệt cơ bản nhất giữa hướng tiếp cận dựa trên Luật (Rule-based) và hướng tiếp cận dựa trên Dữ liệu (Machine Learning) là gì?

A. Hướng dựa trên luật bắt buộc phải dùng ngôn ngữ Python, còn học máy dùng ngôn ngữ khác

B. Hướng dựa trên luật không cần máy tính, còn học máy bắt buộc phải có máy tính siêu mạnh

C. Hướng dựa trên luật con người phải viết sẵn câu lệnh điều kiện, còn học máy cho phép máy tự học quy luật từ dữ liệu mẫu

D. Hướng dựa trên luật thông minh hơn và xử lý được mọi tình huống mới, còn học máy rất hạn chế

Câu 2d: Khi đoạn chương trình Python sử dụng thuật toán KNN chạy câu lệnh model.fit(X, y), hành động thực tế của máy tính là gì?

A. Máy tính tự động viết thêm các câu lệnh if... else mới

B. Máy tính ghi nhớ toàn bộ vị trí các điểm dữ liệu cũ trên không gian tọa độ để làm mốc đối chiếu

C. Máy tính bắt đầu xóa bớt dữ liệu cũ để tiết kiệm bộ nhớ

D. Máy tính tự động sinh ra thêm các câu hỏi trắc nghiệm cho học sinh ôn tập

-----

Bài sau: