Những điều cần biết về khoa học dữ liệu và AI trong môi trường làm việc

Bạn không cần trở thành một nhà khoa học dữ liệu (Data Scientist) để tận dụng được sức mạnh của khoa học dữ liệu (Data Science) và trí tuệ nhân tạo (AI). Tuy nhiên, trong bối cảnh AI ngày càng xuất hiện trong mọi lĩnh vực, bất kỳ người đi làm nào cũng nên hiểu những công nghệ này có thể làm được gì, chúng có thể sai ở đâu và quan trọng hơn cả là biết cách đánh giá các kết quả mà AI tạo ra.

Có một sai lầm rất phổ biến: nhiều doanh nghiệp bắt đầu bằng công nghệ thay vì bắt đầu từ bài toán cần giải quyết. Họ muốn xây dựng chatbot, huấn luyện mô hình AI hoặc triển khai một ứng dụng trí tuệ nhân tạo trước cả khi xác định rõ quyết định kinh doanh nào cần được cải thiện.

Đối với phần lớn doanh nghiệp, mục tiêu không phải là học thuộc mọi thuật toán Machine Learning. Điều quan trọng hơn là xây dựng năng lực hiểu biết về dữ liệu và AI (Data & AI Literacy) đủ để đặt đúng câu hỏi, nhận ra những kết quả thiếu tin cậy, hiểu giới hạn của công nghệ và đưa ra quyết định dựa trên bằng chứng.

Bài viết dưới đây tổng hợp những quan điểm của Iavor I. Bojinov, Phó Giáo sư Quản trị Kinh doanh tại Harvard Business School về những điều cần biết liên quan đến khoa học dữ liệu và AI trong môi trường làm việc.

Hãy bắt đầu từ quyết định cần đưa ra, không phải từ AI

Sai lầm lớn nhất khi triển khai AI là bắt đầu bằng câu hỏi: "Chúng ta sẽ dùng AI như thế nào?" Thay vào đó, doanh nghiệp nên hỏi: "Chúng ta cần cải thiện quyết định nào?"

Ví dụ, nói rằng "chúng tôi muốn dùng AI để phân tích khách hàng" là một mục tiêu quá chung chung. Một mục tiêu cụ thể hơn sẽ là: "chúng tôi muốn xác định những khách hàng có khả năng rời bỏ dịch vụ để đội chăm sóc khách hàng chủ động liên hệ giữ chân họ." Khi đó, AI không còn là một công nghệ được triển khai cho có, mà trở thành công cụ phục vụ một mục tiêu kinh doanh có thể đo lường được.

Giáo sư Bojinov cũng nhấn mạnh quan điểm tương tự. Theo ông, AI nên được xem là một nguồn thông tin hỗ trợ quá trình ra quyết định, chứ không phải sự thay thế hoàn toàn cho tư duy của con người. Điều quan trọng là người sử dụng phải hiểu AI mạnh ở đâu, yếu ở đâu, biết kiểm chứng các khuyến nghị mà hệ thống đưa ra và luôn tập trung vào việc cải thiện kết quả kinh doanh thay vì chỉ chạy theo xu hướng AI.

Trước khi khởi động bất kỳ dự án AI nào, doanh nghiệp nên trả lời được bốn câu hỏi cơ bản: AI sẽ giải quyết vấn đề gì, ai sẽ sử dụng kết quả, sau khi có kết quả thì sẽ hành động như thế nào và thành công sẽ được đo bằng tiêu chí nào.

Muốn AI hoạt động tốt, hãy hiểu dữ liệu trước

Một dự án khoa học dữ liệu không nên bắt đầu bằng việc huấn luyện mô hình. Bước đầu tiên luôn phải là khám phá dữ liệu (Exploratory Data Analysis - EDA).

Quá trình này giúp người phân tích hiểu cấu trúc dữ liệu, chất lượng dữ liệu, phân bố các giá trị và mối quan hệ giữa các biến. Đồng thời, đây cũng là lúc phát hiện những vấn đề như dữ liệu thiếu, bản ghi trùng lặp, định dạng không thống nhất, các giá trị bất thường hoặc những sai lệch (bias) tiềm ẩn.

Những bước kiểm tra này đặc biệt quan trọng bởi chỉ nhìn vào độ chính xác (accuracy) của mô hình đôi khi có thể dẫn đến kết luận sai. Giả sử chỉ có 5% khách hàng rời bỏ dịch vụ. Một mô hình luôn dự đoán rằng 100% khách hàng sẽ tiếp tục sử dụng vẫn đạt độ chính xác tới 95%. Tuy nhiên, mô hình đó hoàn toàn thất bại vì không phát hiện được bất kỳ khách hàng nào thực sự có nguy cơ rời đi.

Do đó, thay vì bị ấn tượng bởi một chỉ số đẹp, người làm kinh doanh cần đặt câu hỏi: liệu chỉ số đó có phản ánh đúng mục tiêu kinh doanh hay không? Harvard Business School cũng nhấn mạnh rằng hiệu quả của AI phụ thuộc rất lớn vào chất lượng dữ liệu đầu vào. Các bước làm sạch, bổ sung, chuyển đổi và tổ chức dữ liệu thường quyết định thành công của mô hình nhiều hơn bản thân thuật toán.

Dữ liệu tốt quan trọng hơn thuật toán tốt

Trong thực tế, gần như không có bộ dữ liệu nào sẵn sàng để đưa ngay vào Machine Learning. Việc chuẩn bị dữ liệu thường bao gồm xử lý giá trị thiếu, chuẩn hóa định dạng, loại bỏ dữ liệu trùng lặp, chuyển đổi dữ liệu phân loại, lựa chọn các đặc trưng phù hợp và tách dữ liệu huấn luyện khỏi dữ liệu đánh giá.

Bên cạnh đó, người làm việc với dữ liệu cũng cần hiểu rõ nguồn gốc dữ liệu đến từ đâu, được thu thập như thế nào, còn thiếu thông tin gì và liệu những quyết định trước đây có tạo ra thiên lệch trong dữ liệu hay không. Việc cải thiện chất lượng dữ liệu thường mang lại hiệu quả lớn hơn nhiều so với việc thay thế một thuật toán đơn giản bằng một mô hình AI phức tạp hơn.

Một mô hình AI chỉ có thể học từ những gì nó được cung cấp. Nếu dữ liệu đầu vào không đầy đủ, lỗi thời, thiếu nhất quán hoặc mang thiên lệch, kết quả đầu ra cũng sẽ không đáng tin cậy.

Nói cách khác, không có công nghệ nào đủ mạnh để bù đắp cho dữ liệu kém chất lượng .

Không phải mô hình AI nào lớn hơn cũng tốt hơn

Một quan niệm phổ biến hiện nay là cứ mô hình AI mới nhất hoặc lớn nhất thì sẽ cho kết quả tốt nhất. Điều này không phải lúc nào cũng đúng.

Đối với các dữ liệu kinh doanh có cấu trúc như thông tin khách hàng, lịch sử giao dịch, doanh số hay dữ liệu vận hành, những mô hình truyền thống như Decision Tree hoặc Regression nhiều khi lại phù hợp hơn các mô hình ngôn ngữ lớn (LLM). Những mô hình này thường nhanh hơn, rẻ hơn, dễ giải thích và cũng dễ bảo trì hơn.

Trong khi đó, LLM phát huy thế mạnh ở các tác vụ liên quan đến ngôn ngữ như tóm tắt tài liệu, trích xuất thông tin, soạn thảo văn bản hoặc phân tích phản hồi khách hàng. Ngược lại, với các bài toán dự báo, phân loại hay xử lý dữ liệu dạng bảng, Machine Learning truyền thống vẫn có nhiều lợi thế.

Khi lựa chọn mô hình, doanh nghiệp không nên chỉ nhìn vào độ chính xác mà còn cần cân nhắc chi phí huấn luyện, chi phí vận hành, tốc độ xử lý, khả năng mở rộng, mức độ dễ giải thích, yêu cầu bảo trì cũng như hậu quả nếu mô hình đưa ra dự đoán sai.

Đôi khi, một mô hình chính xác hơn vài phần trăm nhưng có chi phí triển khai và vận hành cao gấp nhiều lần chưa chắc đã là lựa chọn tối ưu. Mục tiêu cuối cùng không phải là sử dụng AI hiện đại nhất, mà là tìm ra giải pháp đáng tin cậy và hiệu quả về chi phí nhất.

Đừng tin AI nếu chưa kiểm chứng

Một mô hình AI hoạt động tốt trong quá trình phát triển không đồng nghĩa nó sẽ hoạt động tốt ngoài thực tế. Mô hình cần được đánh giá bằng những bộ dữ liệu hoàn toàn độc lập với dữ liệu dùng để huấn luyện. Quan trọng hơn, bộ dữ liệu đánh giá phải phản ánh đúng nhóm khách hàng, thị trường và điều kiện vận hành thực tế.

Ngay cả sau khi triển khai, việc đánh giá cũng không được dừng lại. Hành vi khách hàng luôn thay đổi. Thị trường biến động. Quy trình thu thập dữ liệu có thể gặp lỗi. Những quy luật từng chính xác hôm nay có thể nhanh chóng trở nên lỗi thời.

Theo Giáo sư Bojinov, một trong những sai lầm phổ biến của doanh nghiệp là triển khai AI khi chưa kiểm thử đầy đủ, từ đó dẫn tới sự tự tin thái quá vào kết quả của hệ thống. Người sử dụng nên luôn đặt câu hỏi: mô hình được đánh giá như thế nào, nó thường mắc lỗi gì, dữ liệu kiểm thử có đại diện cho thực tế hay không và hiệu suất sẽ được theo dõi bằng cách nào sau khi triển khai.

Niềm tin vào AI phải được xây dựng dựa trên bằng chứng chứ không phải vì hệ thống nghe có vẻ rất thông minh.

Phân tích khách hàng chỉ có ý nghĩa khi dẫn tới hành động

Một dashboard đẹp không phải là mục tiêu cuối cùng của phân tích dữ liệu. Dashboard chỉ cho biết điều gì đã xảy ra. Mô hình dự đoán cho biết điều gì có thể xảy ra. Còn các thử nghiệm thực tế mới giúp doanh nghiệp biết nên làm gì tiếp theo.

Ví dụ, việc dự đoán một khách hàng có khả năng rời bỏ dịch vụ chỉ thực sự có giá trị khi doanh nghiệp có chiến lược giữ chân phù hợp và đo lường được liệu chiến lược đó có mang lại hiệu quả hay không.

Đồng thời, cũng cần tránh nhầm lẫn giữa tương quan và quan hệ nhân quả . Một yếu tố có liên quan đến việc khách hàng rời bỏ dịch vụ không đồng nghĩa đó chính là nguyên nhân khiến họ rời đi.

Đây là lúc tư duy thử nghiệm phát huy vai trò. Thay vì mặc định một giải pháp sẽ hiệu quả, doanh nghiệp nên kiểm chứng bằng thực nghiệm, đo lường kết quả và rút kinh nghiệm từ dữ liệu.

Mục tiêu cuối cùng không phải tạo ra thêm nhiều dự đoán mà là đưa ra những quyết định tốt hơn.

Hãy xem AI như một trợ lý, không phải chuyên gia

Sự xuất hiện của các mô hình ngôn ngữ lớn đã khiến AI trở nên dễ tiếp cận hơn bao giờ hết. AI giúp công việc diễn ra nhanh hơn rất nhiều. Tuy nhiên, khả năng diễn đạt trôi chảy không đồng nghĩa với tính chính xác .

LLM vẫn có thể hiểu sai ngữ cảnh, sử dụng thông tin lỗi thời, tự tạo nguồn tham khảo không tồn tại, sinh mã lập trình sai hoặc bỏ sót các lỗ hổng bảo mật. Vì vậy, đừng bao giờ tin hoàn toàn vào kết quả mà AI tạo ra. Mọi nội dung quan trọng đều cần được đọc lại, xác minh, kiểm tra mã nguồn và thử nghiệm thực tế trước khi sử dụng.

AI nên được xem là một trợ lý thông minh chứ không phải một chuyên gia luôn đúng. Và khi hậu quả của quyết định càng lớn thì mức độ kiểm tra đầu ra của AI cũng phải càng nghiêm ngặt.

AI không thay thế tư duy của con người

Theo Giáo sư Bojinov, trong tương lai, những kỹ năng như hiểu dữ liệu, tư duy thực nghiệm và khả năng đánh giá phản biện các kết quả do AI tạo ra sẽ ngày càng trở nên quan trọng.

Người đi làm không nhất thiết phải trở thành chuyên gia AI. Nhưng họ cần đủ hiểu biết để biết đặt đúng câu hỏi, đọc đúng bằng chứng, nhận ra những kết quả thiếu tin cậy và hiểu khi nào nên tin vào AI, khi nào không.

Trong môi trường làm việc mới, những người tạo ra nhiều giá trị nhất sẽ là những người biết kết hợp kiến thức chuyên môn của ngành mình với khả năng sử dụng AI và tư duy kinh doanh vững chắc.

AI chỉ tạo ra giá trị khi được sử dụng đúng chỗ

Hiện nay, rất nhiều doanh nghiệp đang vội vàng đưa AI vào mọi quy trình chỉ vì lo sợ bị tụt lại phía sau. Họ sẵn sàng đầu tư lớn cho API, hạ tầng, huấn luyện và bảo trì hệ thống mà chưa thực sự trả lời được câu hỏi quan trọng nhất: AI có phải là giải pháp phù hợp cho bài toán này hay không?

Làn sóng AI rồi sẽ dần ổn định. Khi đó, doanh nghiệp sẽ hiểu rõ đâu là những lĩnh vực AI thực sự tạo ra giá trị, đâu là những công việc con người vẫn làm tốt hơn và đâu chỉ cần một giải pháp đơn giản với chi phí thấp hơn.

Một dự án AI hay khoa học dữ liệu thành công không bắt đầu bằng mô hình mới nhất, mà bắt đầu từ một bài toán rõ ràng, dữ liệu đáng tin cậy, quy trình đánh giá chặt chẽ, chi phí hợp lý và kế hoạch cụ thể để biến kết quả phân tích thành hành động.

Mục tiêu cuối cùng không phải là đưa AI vào mọi nơi, mà là sử dụng AI một cách có chủ đích, kiểm chứng cẩn thận và chỉ triển khai ở những nơi nó thực sự giúp con người đưa ra quyết định tốt hơn.