HOW TO BUILD YOUR CAREER IN AI

“AI is the new electricity. It will transform and improve all areas of human life” –
Andrew Ng
1. Introduction: Coding AI is the new literacy
Ngày nay chúng ta coi việc có nhiều người biết đọc và viết là điều hiển nhiên. Tôi
hy vọng một ngày nào đó, việc mọi người biết cách viết mã sẽ trở nên phổ biến, đặc biệt
là cho AI.
Vài trăm năm trước, xã hội không coi khả năng đọc viết ngôn ngữ là một kỹ năng
cần thiết. Một số ít người học đọc và viết, còn những người khác để họ đọc và viết. Phải
mất hàng thế kỷ để việc biết đọc biết viết được phổ biến và giờ đây xã hội đã giàu có hơn
rất nhiều nhờ nó.
Lời nói cho phép giao tiếp sâu sắc giữa con người với con người. Code là hình
thức giao tiếp sâu sắc nhất giữa con người và máy móc. Khi máy móc trở nên quan trọng
hơn trong cuộc sống hàng ngày, việc giao tiếp đó trở nên quan trọng hơn bao giờ hết.
Công nghệ phần mềm truyền thống - viết các chương trình cho máy tính biết rõ
ràng các trình tự các bước cần thực thi - là con đường chính để hiểu biết về mã. Nhiều
class lập trình cơ bản sử dụng việc tạo trò chơi điện tử hoặc xây dựng trang web làm ví
dụ. Nhưng AI, học máy và khoa học dữ liệu đưa ra một hình mẫu mới trong đó máy tính
trích xuất kiến thức từ dữ liệu. Công nghệ này cung cấp một con đường thậm chí còn tốt
hơn để viết mã.
Nhiều ngày Chủ Nhật, tôi mua một miếng bánh pizza từ tiệm bánh pizza ở khu
phố của tôi. Người đàn ông đứng sau quầy có rất ít lý do để học cách xây dựng một trò
chơi điện tử hoặc viết phần mềm trang web của riêng mình (ngoài sự phát triển cá nhân
và niềm vui khi đạt được một kỹ năng mới).
Nhưng AI và khoa học dữ liệu có giá trị lớn ngay cả đối với một người làm bánh
pizza. Mô hình hồi quy tuyến tính có thể cho phép anh ta ước tính nhu cầu tốt hơn để có
thể tối ưu hóa chuỗi cung ứng và nhân sự của nhà hàng. Anh ấy có thể dự đoán tốt hơn
doanh số bán pizza Hawaii - món yêu thích của tôi! - để anh ấy có thể làm trước nhiều
bánh nướng Hawaii hơn và giảm thời gian khách hàng phải chờ đợi.
Việc sử dụng AI và khoa học dữ liệu có thể được tìm thấy trong hầu hết mọi tình
huống tạo ra dữ liệu. Do đó, nhiều ngành nghề khác nhau sẽ nhận thấy nhiều ứng dụng AI
tùy chỉnh và thông tin chi tiết có nguồn gốc từ dữ liệu được sử dụng nhiều hơn so với
công nghệ phần mềm truyền thống. Điều này làm cho khả năng hiểu biết về mã hóa theo

1
định hướng AI thậm chí còn có giá trị hơn so với mã hóa truyền thống. Nó có thể cho
phép vô số cá nhân khai thác dữ liệu để làm cho cuộc sống của họ phong phú hơn.
Tôi hy vọng lời hứa xây dựng các ứng dụng AI cơ bản, thậm chí còn hơn cả việc
xây dựng phần mềm truyền thống cơ bản, sẽ khuyến khích nhiều người học cách viết mã
hơn. Nếu xã hội chấp nhận hình thức xóa mù chữ mới này vì nó có khả năng đọc và viết,
tất cả chúng ta sẽ được hưởng lợi.

2
 CHAPTER 1. THREE STEPS TO CAREER GROWTH
Sự phát triển nhanh chóng của AI đã dẫn đến sự gia tăng nhanh chóng các công việc liên
quan đến AI và nhiều người đang xây dựng sự nghiệp thú vị trong lĩnh vực này. Sự
nghiệp là một hành trình kéo dài hàng thập kỷ và con đường này không hề bằng phẳng.
Trong nhiều năm, tôi rất vinh dự được chứng kiến hàng nghìn sinh viên cũng như kỹ sư ở
các công ty lớn và nhỏ định hướng sự nghiệp trong lĩnh vực AI.
Đây là một khuôn khổ để lập biểu đồ cho lộ trình của riêng bạn.
Ba bước quan trọng trong quá trình phát triển nghề nghiệp là học các kỹ năng nền tảng,
thực hiện các dự án (để nâng cao kỹ năng của bạn, xây dựng danh mục đầu tư và tạo ra
tác động) và tìm việc làm.
 Learning:
Ban đầu, bạn tập trung vào việc học các kỹ năng nền tảng. Các chương có chủ đề
về học các kỹ năng kỹ thuật cơ bản.
 Projects:
Sau khi đã đạt được các kỹ năng kỹ thuật cơ bản, bạn sẽ bắt đầu làm việc trên các
dự án. Trong thời gian này, bạn cũng sẽ tiếp tục học hỏi. Các chương tập trung vào
các dự án.
 Job:
Sau đó, bạn sẽ nỗ lực tìm việc làm. Trong suốt quá trình này, bạn sẽ tiếp tục học
hỏi và làm việc trên các dự án có ý nghĩa. Các chương tập trung vào tìm kiếm việc
làm.
Những giai đoạn này áp dụng trong nhiều ngành nghề, nhưng AI liên quan đến các yếu tố
độc đáo.
For example:
 Learning foundational skills is a career-long process (Học các kỹ năng nền
tảng là một quá trình lâu dài trong sự nghiệp):
AI mới hình thành và nhiều công nghệ vẫn đang phát triển. Mặc dù các nền tảng
của học máy và học sâu đang hoàn thiện - và các khóa học là một cách hiệu quả để
làm chủ chúng - ngoài những nền tảng này, việc cập nhật những công nghệ đang
thay đổi còn quan trọng hơn trong AI so với các lĩnh vực đã trưởng thành hơn.
 Working on projects often means collaborating with stakeholders who lack
expertise in AI (Làm việc trong các dự án thường có nghĩa là cộng tác với các
bên liên quan thiếu chuyên môn về AI):

3
 Điều này có thể gây khó khăn cho việc tìm một dự án phù hợp, ước tính tiến độ và
lợi tức đầu tư của dự án cũng như đặt ra kỳ vọng. Ngoài ra, tính chất lặp đi lặp lại
cao của các dự án AI dẫn đến những thách thức đặc biệt trong quản lý dự án: Làm
sao bạn có thể đưa ra kế hoạch xây dựng hệ thống khi không biết trước sẽ mất bao
lâu để đạt được độ chính xác mục tiêu? Ngay cả sau khi hệ thống đã đạt được mục
tiêu, việc lặp lại tiếp theo có thể vẫn cần thiết để giải quyết vấn đề trôi dạt sau khi
triển khai.
 Inconsistent opinions on AI skills and jobs roles (Ý kiến không nhất quán về
kỹ năng AI và vai trò công việc):
Mặc dù tìm kiếm việc làm trong lĩnh vực AI có thể tương tự như tìm kiếm việc
làm trong các lĩnh vực khác, nhưng cũng có những khác biệt quan trọng. Nhiều
công ty vẫn đang cố gắng tìm ra những kỹ năng AI nào họ cần và cách thuê những
người có chúng. Những điều bạn đã làm có thể khác biệt đáng kể so với bất cứ
điều gì mà người phỏng vấn bạn đã thấy và bạn có nhiều khả năng phải thông báo
cho các nhà tuyển dụng tiềm năng về một số yếu tố trong công việc của bạn.
Khi thực hiện từng bước, bạn cũng nên xây dựng một cộng đồng hỗ trợ. Có bạn bè và
đồng minh có thể giúp đỡ bạn - và những người mà bạn cố gắng giúp đỡ - sẽ khiến con
đường trở nên dễ dàng hơn. Điều này đúng cho dù bạn đang thực hiện những bước đi đầu
tiên hay bạn đã trải qua cuộc hành trình này trong nhiều năm.

4
 CHAPTER 2. LEARNING TECHNICAL SKILLS FOR A PROMISING AI
CAREER (LEARNING)
Trong chương trước, tôi đã giới thiệu ba bước chính để xây dựng sự nghiệp trong lĩnh
vực AI: học các kỹ năng kỹ thuật cơ bản, làm việc trong các dự án và tìm việc làm, tất cả
đều được hỗ trợ khi trở thành một phần của cộng đồng. Trong chương này, tôi muốn đi
sâu hơn vào bước đầu tiên: học các kỹ năng nền tảng.
Nhiều tài liệu nghiên cứu đã được xuất bản về AI hơn bất kỳ ai có thể đọc được trong
đời. Vì vậy, khi học, điều quan trọng là phải ưu tiên lựa chọn chủ đề. Tôi tin rằng các chủ
đề quan trọng nhất đối với sự nghiệp kỹ thuật trong học máy là:
Foundational machine learning skills:
Ví dụ: điều quan trọng là phải hiểu các mô hình như hồi quy tuyến tính, hồi quy logistic,
mạng lưới thần kinh, cây quyết định, phân cụm và phát hiện bất thường. Ngoài các mô
hình cụ thể, điều quan trọng hơn nữa là phải hiểu các khái niệm cốt lõi đằng sau cách
thức và lý do máy học hoạt động, such as bias/variance, cost functions, regularization,
optimization algorithms, and error analysis.
Deep learning:
Điều này đã trở thành một phần lớn của công nghệ học máy đến mức khó có thể vượt trội
trong lĩnh vực này nếu không hiểu biết về nó! It’s valuable to know the basics of neural
networks, practical skills for making them work (such as hyperparameter tuning),
convolutional networks, sequence models, and transformers.
Math relevant to machine learning:
Các lĩnh vực chính bao gồm đại số tuyến tính (vectơ, ma trận và các thao tác khác nhau
của chúng) cũng như xác suất và thống kê (bao gồm xác suất rời rạc và liên tục, phân bố
xác suất chuẩn, các quy tắc cơ bản như tính độc lập và quy tắc Bayes và kiểm tra giả
thuyết). Ngoài ra, phân tích dữ liệu khám phá (EDA) - sử dụng hình ảnh trực quan và các
phương pháp khác để khám phá tập dữ liệu một cách có hệ thống - là một kỹ năng bị
đánh giá thấp. Tôi nhận thấy EDA đặc biệt hữu ích trong việc phát triển AI tập trung vào
dữ liệu, trong đó việc phân tích lỗi và thu thập thông tin chi tiết thực sự có thể giúp thúc
đẩy tiến độ! Cuối cùng, sự hiểu biết trực quan cơ bản về giải tích cũng sẽ hữu ích. Toán
học cần thiết để học máy tốt đã và đang thay đổi. Ví dụ, mặc dù một số nhiệm vụ yêu cầu
tính toán, nhưng phần mềm vi phân tự động được cải tiến giúp có thể phát minh và triển
khai các kiến trúc mạng thần kinh mới mà không cần thực hiện bất kỳ phép tính nào.
Điều này gần như không thể xảy ra cách đây một thập kỷ.

5
Software development:
Mặc dù bạn có thể kiếm được việc làm và có những đóng góp to lớn chỉ với kỹ năng lập
mô hình học máy, nhưng cơ hội việc làm của bạn sẽ tăng lên nếu bạn cũng có thể viết
phần mềm tốt để triển khai các hệ thống AI phức tạp. Những kỹ năng này bao gồm các
nguyên tắc cơ bản về lập trình, cấu trúc dữ liệu (đặc biệt là những kiến thức liên quan đến
học máy, chẳng hạn như khung dữ liệu), thuật toán (bao gồm cả những kiến thức liên
quan đến cơ sở dữ liệu và thao tác dữ liệu), thiết kế phần mềm, làm quen với Python và
làm quen với các thư viện chính như TensorFlow hoặc PyTorch và scikit-learn.
This is a lot to learn!
Ngay cả sau khi bạn nắm vững mọi thứ trong danh sách này, tôi hy vọng bạn sẽ tiếp tục
học hỏi và tiếp tục đào sâu kiến thức kỹ thuật của mình. Tôi biết nhiều kỹ sư máy học đã
được hưởng lợi từ các kỹ năng sâu hơn trong lĩnh vực ứng dụng như xử lý ngôn ngữ tự
nhiên hoặc thị giác máy tính hoặc trong lĩnh vực công nghệ như mô hình đồ họa xác suất
hoặc xây dựng hệ thống phần mềm có thể mở rộng.
How do you gain these skills? (Làm thế nào bạn có được những kỹ năng này?)
Có rất nhiều nội dung hay trên internet và về lý thuyết, việc đọc hàng chục trang web có
thể có hiệu quả. Nhưng khi mục tiêu là hiểu sâu, việc đọc các trang web rời rạc sẽ không
hiệu quả vì chúng có xu hướng lặp lại lẫn nhau, sử dụng thuật ngữ không nhất quán (làm
bạn chậm lại), chất lượng khác nhau và để lại khoảng trống. Đó là lý do tại sao một khóa
học tốt - trong đó nội dung tài liệu được sắp xếp thành một dạng mạch lạc và logic -
thường là cách tiết kiệm thời gian nhất để nắm vững một nội dung kiến thức có ý nghĩa.
Khi bạn đã tiếp thu kiến thức có sẵn trong các khóa học, bạn có thể chuyển sang các tài
liệu nghiên cứu và các tài nguyên khác.
Cuối cùng, không ai có thể nhồi nhét mọi thứ họ cần biết trong một ngày cuối tuần hoặc
thậm chí một tháng. Những người giỏi học máy mà tôi biết đều là những người học suốt
đời. Do lĩnh vực của chúng ta đang thay đổi nhanh chóng nên có rất ít lựa chọn ngoài
việc tiếp tục học hỏi nếu bạn muốn theo kịp.
Làm thế nào bạn có thể duy trì tốc độ học tập ổn định trong nhiều năm? Nếu bạn có thể
nuôi dưỡng thói quen học hỏi một chút mỗi tuần, bạn có thể đạt được tiến bộ đáng kể mà
không cần nỗ lực nhiều.
The Best Way to Build a New Habit
One of my favorite books is BJ Fogg’s, Tiny Habits: The Small Changes That Change

6
Everything. Fogg giải thích rằng cách tốt nhất để xây dựng thói quen mới là bắt đầu từ
việc nhỏ và thành công, thay vì bắt đầu quá lớn và thất bại. Ví dụ, thay vì cố gắng tập thể
dục 30 phút mỗi ngày, anh ấy khuyên bạn nên chỉ thực hiện một lần chống đẩy và thực
hiện nó một cách nhất quán.
Cách tiếp cận này có thể hữu ích cho những bạn muốn dành nhiều thời gian hơn cho việc
học. Nếu bạn bắt đầu bằng việc tự chịu trách nhiệm xem, chẳng hạn như 10 giây một
video giáo dục mỗi ngày - và bạn làm như vậy một cách nhất quán - thì thói quen học tập
hàng ngày sẽ phát triển một cách tự nhiên. Ngay cả khi bạn không học được gì trong 10
giây đó, bạn cũng đang hình thành thói quen học một chút mỗi ngày. Vào một số ngày,
có thể bạn sẽ học trong một giờ hoặc lâu hơn.

7
 CHAPTER 3. SHOULD YOU LEARN MATH TO GET A JOB IN AI?
(BẠN CÓ NÊN HỌC TOÁN ĐỂ CÓ VIỆC LÀM TRONG AI?)
How much math do you need to know to be a machine learning engineer?
Toán học có phải là kỹ năng nền tảng cho AI không? Biết thêm về toán luôn là điều
tuyệt vời! Nhưng trên thực tế, có rất nhiều điều cần phải học nên cần phải ưu tiên. Đây là
cách bạn có thể củng cố nền tảng toán học của mình.
Để tìm ra điều quan trọng cần biết, tôi thấy hữu ích khi hỏi những điều bạn cần biết để
đưa ra quyết định cần thiết cho công việc bạn muốn làm. Tại DeepLearning.AI, chúng tôi
thường hỏi: “Ai đó cần biết điều gì để hoàn thành mục tiêu của mình?” Mục tiêu có thể là
xây dựng mô hình học máy, kiến trúc hệ thống hoặc vượt qua một cuộc phỏng vấn xin
việc.
Hiểu được phép toán đằng sau các thuật toán bạn sử dụng thường rất hữu ích vì nó cho
phép bạn gỡ lỗi chúng. Nhưng chiều sâu kiến thức hữu ích sẽ thay đổi theo thời gian. Khi
các kỹ thuật học máy hoàn thiện và trở nên đáng tin cậy hơn, mang tính chìa khóa trao
tay, chúng đòi hỏi ít việc gỡ lỗi hơn và hiểu biết nông hơn về toán học liên quan có thể đủ
để khiến chúng hoạt động.
Ví dụ, trong kỷ nguyên học máy trước đây, các thư viện đại số tuyến tính để giải các hệ
phương trình tuyến tính (cho hồi quy tuyến tính) vẫn chưa trưởng thành. Tôi phải hiểu
cách các thư viện này hoạt động để có thể chọn trong số các thư viện khác nhau và tránh
những cạm bẫy về số lượng. Nhưng điều này trở nên ít quan trọng hơn khi các thư viện
đại số tuyến tính số đã hoàn thiện.
Học sâu vẫn là một công nghệ mới nổi, vì vậy khi bạn huấn luyện mạng lưới thần kinh và
thuật toán tối ưu hóa gặp khó khăn trong việc hội tụ, việc hiểu toán học đằng sau độ dốc
giảm dần (gradient descent), động lượng (momentum) và thuật toán tối ưu hóa Adam sẽ
giúp bạn đưa ra quyết định tốt hơn. Tương tự như vậy, nếu mạng thần kinh của bạn làm
điều gì đó buồn cười - chẳng hạn như nó đưa ra những dự đoán xấu về hình ảnh có độ
phân giải nhất định chứ không phải những hình ảnh khác - thì việc hiểu được phép toán
đằng sau kiến trúc mạng thần kinh sẽ giúp bạn có lợi thế hơn để tìm ra những việc cần
làm.
Tất nhiên, tôi cũng khuyến khích việc học tập được thúc đẩy bởi sự tò mò. Nếu điều gì đó
khiến bạn quan tâm, hãy tiếp tục và tìm hiểu nó bất kể nó có hữu ích đến mức nào! Có
thể điều này sẽ dẫn đến một tia sáng tạo hoặc bước đột phá về mặt kỹ thuật.

8
 CHAPTER 4. SCOPING SUCCESSFUL AI PROJECTS (PHẠM VI DỰ ÁN AI
THÀNH CÔNG) – PROJECTS
Một trong những kỹ năng quan trọng nhất của kiến trúc sư AI là khả năng xác định
những ý tưởng đáng để thực hiện. Những chương tiếp theo này sẽ thảo luận về việc tìm
kiếm và thực hiện các dự án để bạn có thể tích lũy kinh nghiệm và xây dựng danh mục
đầu tư của mình.
Trong những năm qua, tôi rất vui khi áp dụng máy học vào sản xuất, chăm sóc sức khỏe,
biến đổi khí hậu, nông nghiệp, thương mại điện tử, quảng cáo và các ngành khác. Làm
thế nào một người không phải là chuyên gia trong tất cả các lĩnh vực này có thể tìm được
những dự án có ý nghĩa trong đó? Dưới đây là năm bước để giúp bạn xác định phạm vi
dự án.
Step 1
Xác định vấn đề kinh doanh (không phải vấn đề AI). Tôi muốn tìm một chuyên gia
domain và hỏi: “Ba điều hàng đầu mà bạn mong muốn hoạt động tốt hơn là gì? Tại sao
họ vẫn chưa làm việc?”. Ví dụ: nếu muốn áp dụng AI vào vấn đề biến đổi khí hậu, bạn có
thể phát hiện ra rằng các nhà khai thác lưới điện không thể dự đoán chính xác lượng điện
năng mà các nguồn không liên tục như gió và mặt trời có thể tạo ra trong tương lai.
Step 2
Động não về các giải pháp AI. Khi còn trẻ, tôi thường thực hiện ý tưởng đầu tiên mà tôi
thấy hứng thú. Đôi khi điều này diễn ra ổn, nhưng đôi khi tôi lại bỏ lỡ một ý tưởng thậm
chí còn tốt hơn mà có thể không tốn thêm công sức để xây dựng. Khi bạn hiểu được vấn
đề, bạn có thể nghĩ ra các giải pháp tiềm năng hiệu quả hơn. Ví dụ: để dự đoán khả năng
phát điện từ các nguồn không liên tục, chúng tôi có thể cân nhắc sử dụng hình ảnh vệ tinh
để lập bản đồ vị trí của các tuabin gió chính xác hơn, sử dụng hình ảnh vệ tinh để ước
tính độ cao và công suất phát điện của các tuabin gió hoặc sử dụng dữ liệu thời tiết để dự
đoán độ che phủ của mây tốt hơn và do đó bức xạ mặt trời. Đôi khi không có giải pháp
AI tốt và điều đó cũng không sao.
Step 3
Đánh giá tính khả thi và giá trị của các giải pháp tiềm năng. Bạn có thể xác định liệu một
cách tiếp cận có khả thi về mặt kỹ thuật hay không bằng cách xem xét công trình đã xuất
bản, những gì đối thủ cạnh tranh đã làm hoặc có thể xây dựng bằng chứng nhanh chóng
về việc triển khai khái niệm. Bạn có thể xác định giá trị của nó bằng cách tham khảo ý

9
kiến của các chuyên gia trong lĩnh vực (chẳng hạn như các nhà vận hành lưới điện, những
người có thể tư vấn về tiện ích của các giải pháp tiềm năng được đề cập ở trên).
Step 4
Xác định các cột mốc. Khi bạn đã cho rằng một dự án đủ giá trị, bước tiếp theo là xác
định các số liệu cần hướng tới. Điều này bao gồm cả số liệu học máy (chẳng hạn như độ
chính xác) và số liệu kinh doanh (chẳng hạn như doanh thu). Các nhóm học máy thường
cảm thấy thoải mái nhất với các số liệu mà thuật toán học có thể tối ưu hóa. Nhưng chúng
tôi có thể cần phải vượt ra ngoài vùng an toàn của mình để đưa ra các số liệu kinh doanh,
chẳng hạn như các số liệu liên quan đến mức độ tương tác của người dùng, doanh thu,
v.v. Thật không may, không phải mọi vấn đề kinh doanh đều có thể được giảm bớt để tối
ưu hóa độ chính xác của bộ kiểm tra! Nếu bạn không thể xác định được các mốc quan
trọng hợp lý, đó có thể là dấu hiệu cho thấy bạn cần tìm hiểu thêm về vấn đề. Một bằng
chứng nhanh chóng về khái niệm có thể giúp cung cấp quan điểm còn thiếu.
Step 5
Ngân sách cho các nguồn lực. Hãy suy nghĩ kỹ mọi thứ bạn cần để hoàn thành dự án, bao
gồm dữ liệu, nhân sự, thời gian và mọi sự tích hợp hoặc hỗ trợ mà bạn có thể cần từ các
nhóm khác. Ví dụ: nếu bạn cần tiền để mua hình ảnh vệ tinh, hãy đảm bảo số tiền đó nằm
trong ngân sách.
Làm việc trên các dự án là một quá trình lặp đi lặp lại. Nếu ở bất kỳ bước nào, bạn thấy
rằng hướng đi hiện tại là không khả thi, hãy quay lại bước trước đó và tiếp tục với cách
hiểu mới của bạn. Có miền nào khiến bạn hào hứng mà AI có thể tạo ra sự khác biệt
không? Tôi hy vọng các bước này sẽ hướng dẫn bạn khám phá nó thông qua công việc dự
án - ngay cả khi bạn chưa có chuyên môn sâu trong lĩnh vực đó. AI sẽ không giải quyết
được mọi vấn đề, nhưng với tư cách là một cộng đồng, chúng ta hãy tìm cách tạo ra tác
động tích cực ở bất cứ nơi nào chúng ta có thể.

10
 CHAPTER 5. FINDING PROJECTS THAT COMPLEMENT YOUR CAREER
GOALS
Không cần phải nói cũng biết rằng chúng ta chỉ nên thực hiện những dự án có
trách nhiệm, đạo đức và mang lại lợi ích cho mọi người. Nhưng những giới hạn đó để lại
nhiều sự lựa chọn. Trong chương trước, tôi đã viết về cách xác định và xác định phạm vi
các dự án AI. Chương này và chương tiếp theo có điểm nhấn hơi khác nhau: lựa chọn và
thực hiện các dự án nhằm hướng tới phát triển nghề nghiệp.
Một sự nghiệp thành công sẽ bao gồm nhiều dự án, hy vọng sẽ phát triển về quy
mô, độ phức tạp và tác động theo thời gian. Vì vậy, tốt nhất là bắt đầu từ việc nhỏ. Sử
dụng các dự án ban đầu để học hỏi và dần dần tiến tới các dự án lớn hơn khi kỹ năng của
bạn phát triển.
Khi bạn mới bắt đầu, đừng mong đợi người khác sẽ trao cho bạn những ý tưởng
hoặc tài nguyên tuyệt vời trên đĩa. Nhiều người bắt đầu bằng việc thực hiện các dự án
nhỏ trong thời gian rảnh rỗi. Với những thành công ban đầu - ngay cả những thành công
nhỏ - trong tay, kỹ năng ngày càng phát triển của bạn sẽ tăng khả năng đưa ra những ý
tưởng tốt hơn và việc thuyết phục người khác giúp bạn tiến tới những dự án lớn hơn sẽ
trở nên dễ dàng hơn.
Nếu bạn không có ý tưởng dự án nào thì sao?
Dưới đây là một số cách để tạo ra chúng:
 Tham gia các dự án hiện có. Nếu bạn tìm thấy người khác có ý tưởng, hãy yêu
cầu tham gia dự án của họ.
 Tiếp tục đọc và nói chuyện với mọi người. Tôi nảy ra những ý tưởng mới bất cứ
khi nào tôi dành nhiều thời gian để đọc, tham gia các khóa học hoặc nói chuyện
với các chuyên gia về lĩnh vực. Tôi tin chắc rằng bạn cũng sẽ như vậy.
 Tập trung vào một lĩnh vực ứng dụng. Nhiều nhà nghiên cứu đang cố gắng nâng
cao công nghệ AI cơ bản - chẳng hạn như bằng cách phát minh ra thế hệ
transformers tiếp theo hoặc mở rộng hơn nữa các mô hình ngôn ngữ - vì vậy, mặc
dù đây là một hướng đi thú vị nhưng nó cũng rất khó khăn. Nhưng số lượng ứng
dụng mà học máy chưa được áp dụng là rất lớn! Tôi thật may mắn khi có thể áp
dụng mạng lưới thần kinh vào mọi thứ, từ chuyến bay trực thăng tự hành đến
quảng cáo trực tuyến, một phần vì tôi đã tham gia khi còn tương đối ít người đang
làm việc trên các ứng dụng đó. Nếu công ty hoặc trường học của bạn quan tâm đến
một ứng dụng cụ thể, hãy khám phá các khả năng của máy học. Điều đó có thể

11
 giúp bạn có cái nhìn đầu tiên về một ứng dụng có khả năng sáng tạo — một ứng
dụng mà bạn có thể thực hiện những công việc độc đáo — mà chưa ai khác làm
được.
 Phát triển một khía cạnh cố gắng. Ngay cả khi bạn có một công việc toàn thời
gian, một dự án thú vị có thể phát triển hoặc không thành một dự án lớn hơn có thể
khơi dậy nguồn sáng tạo và củng cố mối quan hệ với các cộng tác viên. Khi tôi
còn là giáo sư toàn thời gian, làm việc về giáo dục trực tuyến không phải là một
phần “công việc” của tôi (đó là nghiên cứu và giảng dạy các lớp học). Đó là một
sở thích thú vị mà tôi thường thực hiện vì đam mê giáo dục. Kinh nghiệm quay
video ở nhà ban đầu của tôi đã giúp ích cho tôi sau này trong công việc giảng dạy
trực tuyến một cách thực chất hơn. Thung lũng Silicon có rất nhiều câu chuyện về
các công ty khởi nghiệp bắt đầu từ các dự án phụ. Miễn là nó không tạo ra xung
đột với chủ nhân của bạn, những dự án này có thể là bước đệm cho một điều gì đó
quan trọng.
Đưa ra một vài ý tưởng dự án, bạn nên thực hiện ý tưởng nào?
Dưới đây là danh sách kiểm tra nhanh các yếu tố cần xem xét:
 Dự án có giúp bạn phát triển về mặt kỹ thuật không?
Lý tưởng nhất là nó phải đủ thử thách để nâng cao kỹ năng của bạn nhưng
không quá khó đến mức bạn có ít cơ hội thành công. Điều này sẽ đưa bạn vào
con đường hướng tới việc làm chủ được độ phức tạp kỹ thuật ngày càng lớn
hơn.
 Bạn có đồng đội tốt để làm việc cùng không?
Nếu không, có người nào bạn có thể thảo luận cùng không? Chúng tôi học hỏi
được rất nhiều điều từ những người xung quanh và những cộng tác viên giỏi sẽ
có tác động rất lớn đến sự phát triển của bạn.
 Nó có thể là một bước đệm?
Nếu dự án thành công, liệu sự phức tạp về kỹ thuật và/hoặc tác động kinh
doanh của nó có khiến nó trở thành bước đệm có ý nghĩa cho các dự án lớn
hơn không? Nếu dự án lớn hơn những dự án bạn đã từng thực hiện trước đây
thì rất có thể nó sẽ là một bước đệm.
Cuối cùng, tránh tê liệt phân tích. Sẽ không có ý nghĩa gì nếu dành cả tháng để
quyết định xem có nên thực hiện một dự án mất một tuần để hoàn thành hay không. Bạn
sẽ làm việc trên nhiều dự án trong suốt sự nghiệp của mình, vì vậy bạn sẽ có nhiều cơ hội

12
để sàng lọc suy nghĩ của mình về những gì đáng giá. Với số lượng lớn các dự án AI khả
thi, thay vì cách tiếp cận “ready, aim, fire” thông thường, bạn có thể đẩy nhanh tiến độ
của mình bằng cách “ready, fire, aim.”
Ready, Fire, Aim
Làm việc trong các dự án đòi hỏi phải đưa ra những lựa chọn khó khăn về những gì cần
xây dựng và cách thực hiện nó. Dưới đây là hai phong cách riêng biệt:
 Ready, Aim, Fire: Lập kế hoạch cẩn thận và thực hiện xác nhận cẩn thận. Chỉ
cam kết và thực hiện khi bạn có mức độ tin cậy cao vào một hướng đi.
 Ready, Fire, Aim: Nhảy vào phát triển và bắt đầu thực hiện. Điều này cho
phép bạn phát hiện vấn đề một cách nhanh chóng và xoay chuyển nếu cần
thiết.
Giả sử bạn đã xây dựng một chatbot dịch vụ khách hàng cho các nhà bán lẻ và bạn
nghĩ nó cũng có thể giúp ích cho các nhà hàng. Bạn có nên dành thời gian nghiên cứu thị
trường nhà hàng trước khi bắt đầu phát triển, di chuyển chậm nhưng giảm nguy cơ lãng
phí thời gian và nguồn lực? Hoặc nhảy vào ngay lập tức, di chuyển nhanh chóng và chấp
nhận rủi ro xoay vòng hoặc thất bại cao hơn?
Cả hai cách tiếp cận đều có những người ủng hộ và sự lựa chọn tốt nhất tùy thuộc
vào tình huống.
Ready, Aim, Fire có xu hướng vượt trội hơn khi chi phí thực hiện cao và một
nghiên cứu có thể làm sáng tỏ mức độ hữu ích hoặc giá trị của một dự án. Ví dụ: nếu bạn
có thể suy nghĩ về một số trường hợp sử dụng khác (nhà hàng, hãng hàng không, công ty
viễn thông, v.v.) và đánh giá những trường hợp này để xác định trường hợp hứa hẹn nhất,
bạn nên dành thêm thời gian trước khi đưa ra định hướng.
Ready, Fire, Aim có xu hướng tốt hơn nếu bạn có thể thực hiện với chi phí thấp
và khi làm như vậy, hãy xác định xem hướng đi có khả thi hay không và khám phá các
chỉnh sửa sẽ giúp nó hoạt động. Ví dụ: nếu bạn có thể nhanh chóng xây dựng một nguyên
mẫu để tìm hiểu xem người dùng có muốn sản phẩm này hay không và nếu việc hủy bỏ
hoặc thay đổi sau một lượng công việc nhỏ có thể chấp nhận được thì bạn nên cân nhắc
tham gia nhanh chóng. Khi chụp ảnh không tốn kém, việc chụp nhiều ảnh cũng có ý
nghĩa. Trong trường hợp này, quy trình thực sự là Ready, Fire, Aim, Fire, Aim, Fire,
Aim, Fire.
Sau khi thống nhất hướng đi của dự án, khi nói đến việc xây dựng mô hình học
máy là một phần của sản phẩm, tôi thiên về Ready, Fire, Aim. Xây dựng mô hình là một

13
quá trình lặp đi lặp lại. Đối với nhiều ứng dụng, chi phí đào tạo và tiến hành phân tích lỗi
không quá cao. Hơn nữa, rất khó để thực hiện một nghiên cứu làm sáng tỏ mô hình, dữ
liệu và siêu tham số thích hợp. Vì vậy, việc nhanh chóng xây dựng một hệ thống toàn
diện và sửa đổi nó cho đến khi nó hoạt động tốt là điều hợp lý.
Nhưng khi cam kết theo một hướng có nghĩa là phải đầu tư tốn kém hoặc bước
vào cánh cửa một chiều (nghĩa là một quyết định khó đảo ngược), bạn nên dành nhiều
thời gian hơn để đảm bảo rằng đó thực sự là một ý tưởng hay.

14