Quay lại công việc dễ như bỡn với 7 chứng chỉ Google AI professional

Trong plan quay lại công việc fulltime của tôi vào tháng sau, tôi làm hẳn một kế hoạch thật chi tiết và stick với kế hoạch đó. 

Trong đó, tôi có: 

Update ngành

Upgrade bản thân

Mặc dù vẫn đang làm việc mỗi ngày nhưng tốc độ và khả năng của tôi đã bị bỏ lại ở 2 năm trước. Biết sự thay đổi lớn trong ngành của mình và đón đầu nó ở phạm vi doanh nghiệp, tôi vẫn còn chưa thực sự nhúng tay vào update bản thân mình. 

Trong update ngành, tôi chắc chắn phải update về AI. Dùng chúng mỗi ngày cũng không có nghĩa là tôi dùng hiệu quả và đúng cách. 

Và không gì bằng cách học lại từ nền tảng, học từ cái dễ. Thầy luôn dạy, bài nào dễ làm trước, lấy lợi thế :v Tôi học AI professional của Google trong 3 ngày liên tiếp, để hiểu Fundamental và tự tin hơn khi mình có sự hiểu đúng, biết cách dùng tool hiệu quả (sẵn tiện update từ vựng chuyên môn luôn). 

Chuỗi 7 certificate này level dễ, dành cho beginner. Nếu mà đã dùng AI rồi thì khả năng cao không học bạn vẫn pass các bài test. Nhưng tôi chỉ đạt 4/7 bài test 100%, 2 bài 80% và 1 bài 83%. Nghĩa là ngay khi bạn dễ dàng vượt qua bài test vì dùng thành thạo thì cũng không có nghĩa bạn sẽ làm đúng mọi câu. Luôn có cái để học cho dù bạn đã là master. 

Sau chuỗi này, tôi có một vài suy nghĩ và reflection, sẽ hữu ích cho các bạn đang chưa biết bắt đầu từ đâu, hoặc đã bắt đầu nhưng không thấy hiệu quả. 

#1. Thành thạo toolset giống như là bước vào 1 ngôi nhà mà mình đã quen thuộc biết cái gì ở đâu, công dụng từng món, làm gì thì dùng món nào, chỉ cần với tay lấy là dùng được. Nên mindset, skillset vẫn luôn đi kèm với toolset. 

#2. Hiện tại chính là cơ hội vàng để bắt đầu với AI, khi mà khả năng xử lý của công nghệ này đang tăng trưởng theo cấp số nhân. Việc bắt tay vào tìm tòi và ứng dụng ngay lúc này sẽ mang lại cho các bạn những lợi thế cạnh tranh vô cùng lớn. Khoảng cách giữa người dùng đúng, hiệu quả và người dùng căn bản, cơ bản sẽ rất xa nhau về cơ hội việc làm, thu nhập và khả năng thăng tiến. Chúng ta sẽ không còn cần tranh luận giữa dùng hay không dùng nữa. 

#3. Bên cạnh đó, việc tham gia vào các cộng đồng và kết nối với các chuyên gia là điều kiện tiên quyết, bởi thành công của bạn phụ thuộc rất lớn vào vòng tròn kết nối xung quanh. Có những kiến thức thực chiến và các tip vô cùng giá trị mà bạn chỉ có thể đúc kết được thông qua sự chia sẻ trong cộng đồng, thay vì tốn quá nhiều thời gian để tự mày mò một mình trên mạng. 

#4. Đừng chỉ dừng lại ở việc học lý thuyết, hãy lao vào thực hành ngay lập tức. Đây là điều tôi tâm đắc nhất: hãy bắt tay xây dựng những thứ thực tế. Dù có phải hy sinh chút thời gian cuối tuần hay đối mặt với vài lần thất bại cũng không sao, bởi đổi lại, skillset thực chiến của bạn sẽ được nâng cấp một cách rõ rệt.

Trong khóa học thì cứ 1-2 video lý thuyết thì sẽ có 1 bài tập thực hành ngay. Và lao thẳng vào vấn đề, mở khung chat, thử với prompt này, tùy biến với nhu cầu thực tế của bạn, chỉnh sửa, rồi hãy thử tiếp tục 1 cách nâng cấp khác cho kết quả khác hơn, và tự so sánh. Thử nghiệm. Thử đi. Đẩy mọi thứ, mọi ý tưởng của bạn lên sớm hơn, mọi thử diễn ra nhanh hơn, thành bại cũng nhanh hơn. Mọi thứ trong đầu, sẽ không bao giờ thất bại, nhưng ai cần một cuộc sống quá ít sự mạnh dạn. 

#5. Fundamental nghĩa là nền tảng nhưng nếu không có lý thuyết nền trang thì mình sẽ dễ rơi vào con đường sai lầm. 

Mọi môn học đều phải học qua lý thuyết nền tảng. Hồi xưa tui đi học tôi hay bỏ qua mấy môn quá nhiều lý thuyết khái niệm định hướng. Giờ mới thấy: 

– Sự khác nhau giữa người luôn nắm vững lý thuyết nền tảng là họ sẽ đi đúng hướng mà không cần phải tự explore quá nhiều những thứ thật ra đã có nếu chú tâm học. 

– Tin vào khả năng suy luận của mình đôi khi lại tốn thời gian hơn chỉ cần ghi nhớ cái đúng đã được dạy.

#6. Model. Tiết kiệm hơn khi chi nhiều tiền hơn. Trong cùng một khoảng thời gian, người dùng model trả phí tốt hơn sẽ tiết kiệm nhiều thời gian và công sức hơn so với người cố gắng tìm cách tiết kiệm từng token. Người tìm cách tiết kiệm usage là người muốn tiết kiệm, muốn hiệu quả, muốn vắt khô. Người chi tiền cho model tốt hơn là người muốn giải bài toán nhanh hơn và kiếm nhiều tiền hơn. Ưu tiên khác nhau, giải quyết khác nhau, kết quả khác nhau. 

#7. Tư duy cần luôn thấm nhuần: Using AI isn’t just about getting tasks done faster. It’s about thinking more clearly, creating more confidently, and refining your work until it truly represents your best effort. All of that starts when you shift your mindset and view AI as your collaborator. So, the next time you use AI, practice having a conversation instead of making a single request. And remember: Effective collaboration means you’re actively guiding the process with your expertise and judgment from start to finish. 

Rất hài là ban đầu, tôi luôn nghĩ là tôi đã đưa ra đủ thông tin, đủ rõ ràng cho người thực thi task rồi, sau khi tôi làm việc với AI càng nhiều, tôi càng thấy, tôi cũng không phải quá rõ ràng với yêu cầu của mình =)) khi áp dụng nó lên AI, kết quả nó phản ánh rất nhanh.

Quay ngược lại, với con người thì đã làm nhiều làm lâu, tích lũy kinh nghiệm nên đôi khi chẳng cần mô tả, cứ nói làm A đi là sẽ hiểu. Người mới thì không. AI cũng là người mới, không có lịch sử, không có kinh nghiệm, không có dấu hiệu nhận biết nét mặt, tính cách, yêu cầu, ngoài những yêu cầu rõ ràng. Đôi khi nhìn lại tôi cũng cảm thấy, bây giờ tôi đối xử với AI thận trọng và rõ ràng hơn ngày xưa tôi đối với nhân sự dù tôi vẫn luôn nghĩ rằng tôi đã nói quá rõ sao lại làm sai =))

#8. Với người đã quá rành rọt thì không nói, nhưng với người mới thì bạn nên hiểu AI sẽ được training qua 3 phương pháp cơ bản là:

• Supervised learning: học với dữ liệu lớn được gán nhãn. Ví dụ: một mô hình được huấn luyện trên hàng triệu bức ảnh mà người dùng đã gán nhãn rõ ràng là ngựa vằn hoặc ngựa. AI học các đặc điểm riêng của từng loài động vật để có thể tự động phân loại ảnh mới vào các danh mục đã được xác định trước.
• Unsupervised learning: huấn luyện AI từ tập dữ liệu chưa được con người gán nhãn. Kỹ thuật này được sử dụng để tìm ra các quy luật và cấu trúc trong dữ liệu khi chưa có kết quả đầu ra cụ thể nào được xác định trước. Ví dụ: một mô hình phân tích tập dữ liệu ảnh lớn chưa được gán nhãn, chứa hình ảnh ngựa và ngựa vằn. Không cần được cho biết ngựa vằn là gì, AI tự khám phá các quy luật, chẳng hạn như có sọc hay không có sọc, rồi nhóm các ảnh có đặc điểm tương đồng lại với nhau.
• Reinforcement learning: huấn luyện AI thông qua quá trình thử và sai, được dẫn dắt bởi một hệ thống khen thưởng. Kỹ thuật này giúp AI liên tục cải thiện cách tiếp cận một nhiệm vụ hoặc mục tiêu cụ thể. Ví dụ: một mô hình được giao nhiệm vụ nhận diện ngựa vằn trong video. Vì chưa được huấn luyện, nó phải đưa ra phỏng đoán. Mỗi lần đoán đúng, mô hình nhận được một “phần thưởng tích cực.” Nếu đoán sai, nó bị “phạt.” Qua nhiều lần thử, AI học cách điều chỉnh chiến lược để tối đa hóa tổng phần thưởng, dần dần thành thạo nhiệm vụ thông qua kinh nghiệm tích lũy.

Hiểu cơ bản 3 kiểu training này để bạn thực sự hiểu: AI có những hạn chế như thiên kiến tiềm ẩn, giới hạn kiến thức theo thời gian và sự sai lệch trong kết quả đầu ra (potential biases, knowledge cutoffs and drift in output). Nhận thức được những hạn chế này giúp bạn đánh giá kết quả hiệu quả hơn và sử dụng AI theo cách công bằng, chính xác và có trách nhiệm.

Công bằng, chính xác và có trách nhiệm là 3 cụm từ tôi mới lần đầu hiểu. Trước giờ tôi chỉ dùng khái niệm như AI có thể sai, kết quả AI đưa ra dựa vào khả năng guide và input của bạn. Đưa ý thức và trách nhiệm lên trong quá trình sử dụng AI giúp tôi thận trọng, cẩn trọng và trân trọng hơn. 

Kết quả tốt nhất đến từ sự kết hợp giữa sự sáng tạo của con người và năng lực của AI. Vì vậy, hãy tiếp tục đặt ra những câu hỏi sâu sắc, tinh chỉnh prompt và hãy vận dụng tư duy phản biện để kiểm chứng kết quả đầu ra trước khi sử dụng. Bằng cách đó, bạn góp phần tạo nên một tương lai mà AI phục vụ mọi người một cách có trách nhiệm.

#9. Công thức 3C 

• Be clear: Giữ cho câu lệnh đơn giản và tránh các yêu cầu quá phức tạp trong một câu lệnh duy nhất. Một câu lệnh đi thẳng vào vấn đề thường đòi hỏi AI xử lý ít hơn.
• Be consistent: Sử dụng cùng một từ ngữ cho cùng một khái niệm xuyên suốt cuộc trò chuyện với AI để tránh nhầm lẫn. 
• Be concise: Diễn đạt chính xác và tránh các hướng dẫn mâu thuẫn hoặc mơ hồ. Những câu kiểu như client hay nói với bạn: “Hãy làm cái này tốt hơn” “anh thấy sao sao”, “làm wow hơn đi em” =)) cho AI quá nhiều hướng có thể đi và buộc nó phải tự phỏng đoán, kết quả sẽ không khả thi. Thay vào đó, hãy đưa ra các chỉ dẫn rõ ràng và cụ thể để định hướng AI đến kết quả bạn mong muốn. 

#10. Human – in – the – loop

AI sẽ không hiểu “vô phòng đi, chị cần nói chuyện với em chút” là positive hay negative :v AI cũng sẽ không biết quan hệ giữa bạn và khách hàng như thế nào giống như bạn. AI cũng không giúp bạn cân nhắc 2 offer công việc nào phù hợp với bạn nếu bạn chỉ đặt lên bàn cân về career path và thu nhập. Nó không hiểu bạn như cách bạn hiểu bạn, dù bạn có đưa cho nó thêm vài file .md mô tả về bạn. 

Human in the loop là bạn phải luôn ở đó, trong mỗi bước mà AI làm việc. Bạn làm 2 công việc quan trọng nhất: planning và judging. Và còn 1 nhóm việc nữa tôi cảm thấy vô cùng quan trọng không mention trong bài là: học kĩ. Khả năng đọc của bạn ngày càng kém từ khi có AI. Gì cũng đưa cho AI đọc. Rồi đưa AI viết. Rồi bạn không biết sự tồn tại của một vài thứ mà AI nhét vào trong file, rất nguy hiểm. 

Tôi sẽ còn tiếp tục series bài này, chờ nhé.