Những yếu tố định hình tương lai nguồn nhân lực

Diễn đàn Doanh nghiệp đã có buổi trò chuyện cùng GS Hồ Phạm Minh Nhật - Giáo sư bậc một về khoa học dữ liệu, thống kê và học máy tại ĐH Texas - Austin (Mỹ) để hiểu rõ hơn về tương lai nguồn nhân lực của Việt Nam trong thời đại AI.

GS Hồ Phạm Minh Nhật - Giáo sư bậc một về khoa học dữ liệu, thống kê và học máy tại ĐH Texas - Austin (Mỹ).

- Trong bối cảnh các công cụ AI có thể đảm nhiệm đến 60–70% công việc lập trình, ông nhận định thế nào về tương lai của người làm trong lĩnh vực khoa học dữ liệu và trí tuệ nhân tạo? Những kỹ năng và phẩm chất nào sẽ trở nên quan trọng để con người không bị đào thải trong ngành này?

Theo quan điểm của tôi, dưới tác động của các công cụ AI có khả năng đảm nhiệm tới 60–70% công việc lập trình, vai trò của con người trong lĩnh vực khoa học dữ liệu và trí tuệ nhân tạo (AI) chắc chắn sẽ thay đổi sâu sắc. Tuy nhiên, thay vì bị thay thế hoàn toàn, con người chúng ta sẽ định vị lại với những nhiệm vụ có giá trị cao hơn, mang tính sáng tạo, chiến lược và đạo đức.

Dưới đây là những nhận định cốt lõi về tương lai của ngành và các kỹ năng, phẩm chất quan trọng để con người thích nghi:

Mặc dù AI sẽ tự động hóa nhiều tác vụ lặp lại, như viết mã, sinh báo cáo phân tích dữ liệu, gợi ý mô hình hoặc cấu trúc thuật toán, con người vẫn giữ vai trò trung tâm. Chẳng hạn, con người vẫn giữ vị trí quan trọng trong việc hiểu bài toán kinh doanh và xã hội để chuyển hóa thành bài toán dữ liệu. Ngoài ra, con người cũng là trung tâm trong việc phát triển giải pháp AI dài hạn và bền vững. Cuối cùng, con người giữ vai trò quan trọng trong việc giám sát tính công bằng, quyền riêng tư, và rủi ro xã hội của các mô hình khoa học dữ liệu và trí tuệ nhân tạo.

Mặc dù con người không thể hơn AI ở cấp độ thao tác đơn lẻ, nhưng con người có thể dẫn dắt AI khi được trang bị các kỹ năng như: (i) Biết cách giao tiếp hiệu quả với AI, tận dụng sức mạnh nhiều mô hình khác nhau; (ii) Hiểu biết hệ thống MLOps/DataOps, chẳng hạn như thiết lập pipeline dữ liệu, mô hình, triển khai hiệu quả và có khả năng giám sát; (iii) Sử dụng AI như một cộng sự, bao gồm thành thạo các công cụ hỗ trợ lập trình, phân tích, trực quan hóa và tổng hợp thông tin bằng AI.

Cuối cùng, để không bị đào thải, người làm trong ngành khoa học dữ liệu và AI nên chủ động phát triển chiều sâu chuyên môn và chiều rộng trong việc hiểu biết liên ngành (kinh doanh, luật, y tế,…). Ngoài ra, chúng ta cần tập làm việc cùng AI hằng ngày, biến AI thành công cụ hỗ trợ, và không coi AI là đối thủ. Cuối cùng, chúng ta chủ động chia sẻ, học hỏi và đón đầu xu hướng công nghệ mới nhất.

- Thời gian qua, chúng ta chứng kiến làn sóng sinh viên tốt nghiệp tràn ngập thị trường lao động, nhưng nhiều người không đáp ứng được yêu cầu thực tế của doanh nghiệp. Theo ông, chương trình đào tạo hiện nay tại các trường đại học Việt Nam thiếu hụt những gì để sinh viên tốt nghiệp có thể “săn” được các vị trí công việc chất lượng?

Theo tôi, hiện tượng thừa cử nhân và thiếu kỹ sư giỏi đang trở thành nghịch lý phổ biến, không chỉ ở Việt Nam mà ở nhiều quốc gia đang phát triển. Vấn đề không nằm ở số lượng sinh viên tốt nghiệp, mà ở chất lượng và mức độ sẵn sàng làm việc của họ.

Đầu tiên, phần lớn chương trình đào tạo vẫn thiên về “lý thuyết hàn lâm”, ít cập nhật với công nghệ và phương pháp mới. Ngoài ra, các trường thường chú trọng dạy theo các môn học tách rời thay vì theo vấn đề thực tiễn hoặc dự án liên ngành. Cuối cùng, các chương trình đào tạo vẫn thiếu đi nhiều chất liệu thật như dữ liệu thực, case study doanh nghiệp, sản phẩm thật để sinh viên làm việc trên đó.

Nhiều sinh viên ra trường thiếu kỹ năng mềm và tư duy nghề nghiệp còn yếu. Chẳng hạn, các bạn thường không giỏi giao tiếp và hợp tác nhóm, như trình bày vấn đề, phản biện có logic, và tiếp thu phản hồi. Ngoài ra, các bạn thường không được trang bị tốt tư duy phản biện và giải quyết vấn đề, như đặt câu hỏi đúng và suy luận theo dữ kiện.

Bên cạnh đó, nhiều bạn vẫn thiếu trải nghiệm thực tế và định hướng nghề nghiệp sớm. Chẳng hạn, nhiều bạn sinh viên năm 3, năm 4 vẫn mơ hồ về việc mình phù hợp vị trí nào. Các chương trình thực tập còn hình thức, chưa giúp được sinh viên phát triển kỹ năng nghề nghiệp thực thụ. Cuối cùng, các bạn cũng thiếu cơ chế học qua làm (chẳng hạn như thông qua việc tích luỹ kinh nghiệm thực tế từ các project, etc.) từ năm 1–2.

- Ông đánh giá như thế nào về vai trò của việc kết hợp giữa lý thuyết và thực hành trong giáo dục khoa học dữ liệu? Cụ thể, các trường đại học nên có những cải tiến gì để chuẩn bị cho sinh viên “kỹ năng thực chiến” mà doanh nghiệp đang rất cần trong thời đại AI bùng nổ?

Đây là một câu hỏi rất đúng thời điểm. Trong lĩnh vực khoa học dữ liệu, nơi sự thay đổi của công nghệ và nhu cầu thị trường diễn ra từng ngày, thì việc kết hợp lý thuyết và thực hành không chỉ cần thiết, mà còn là điều kiện bắt buộc để sinh viên có thể phát triển toàn diện và đáp ứng được kỳ vọng của doanh nghiệp trong thời đại AI bùng nổ. Khoa học dữ liệu là một lĩnh vực vừa đòi hỏi tư duy trừu tượng, bao gồm mô hình hóa, xác suất, thuật toán, vừa yêu cầu kỹ năng thực thi, làm việc với dữ liệu thật, viết code, giao tiếp với nhóm, và hiểu bài toán thực tế. Nếu sinh viên chỉ biết lý thuyết, sinh viên chỉ biết về regression, neural networks, loss function, nhưng không biết cách làm sạch dữ liệu, triển khai mô hình, và làm việc trong hệ thống thực tế. Tuy nhiên, nếu các bạn chỉ có thực hành thì dễ dẫn đến làm việc theo kiểu thử sai, thiếu tư duy tổng thể, khó giải thích mô hình, và không hiểu tại sao giải pháp hoạt động.

Để đào tạo kỹ năng thực chiến cho sinh viên, các trường đại học cần: (1) Đào tạo xoay quanh các vấn đề thực tiễn thay vì chỉ xoay quanh môn học. Chẳng hạn, các môn học về học máy không nên chỉ dạy về lý thuyết mà cho sinh viên làm dự án dự đoán nhu cầu khách hàng thật, từ việc thu thập dữ liệu đến việc xử lý, huấn luyện, đánh giá mô hình và sau đó báo cáo kết quả cho người không chuyên về học máy. (2) Trang bị kỹ năng công nghiệp và công cụ thực tế. Ví dụ, cần tích hợp vào chương trình học các công cụ như Git, SQL, Python (Pandas, Scikit-learn, PyTorch), cloud (GCP, AWS), Docker, Streamlit.

Ngoài ra, cần tổ chức lab mô phỏng môi trường doanh nghiệp, cho sinh viên làm việc có người hướng dẫn đóng vai là sếp hoặc khách hàng. (3) Gắn kết chặt chẽ với doanh nghiệp. Ví dụ, cần mời các chuyên gia ngành vào dạy 1 phần học phần hoặc phản biện đồ án. Ngoài ra, có thể tổ chức học kỳ doanh nghiệp cho sinh viên đi thực tập 3–6 tháng với KPI cụ thể, được mentor bởi người trong nghề.

- Với tư cách là một chuyên gia nghiên cứu và giảng dạy tại Mỹ, ông có thể chia sẻ kinh nghiệm hoặc mô hình giáo dục nào mà ông cho rằng phù hợp để áp dụng vào bối cảnh Việt Nam, nhằm thu hẹp khoảng cách giữa thị trường lao động và đào tạo đại học?

Là người làm nghiên cứu và giảng dạy trong môi trường đại học tại Mỹ, tôi nhận thấy có một số mô hình giáo dục và cơ chế vận hành tại đây mà Việt Nam hoàn toàn có thể học hỏi, điều chỉnh và áp dụng phù hợp với điều kiện trong nước để thu hẹp khoảng cách đào tạo và việc làm trong lĩnh vực công nghệ, đặc biệt là khoa học dữ liệu và AI.

Đầu tiên, ở Mỹ sinh viên không chỉ được dạy để xong môn học, mà còn đào tạo dựa trên năng lực thực sự mà thị trường cần (ví dụ như xử lý dữ liệu lớn, triển khai mô hình, giao tiếp kỹ thuật, etc.). Ngoài ra, sinh viên được đánh giá không chỉ qua điểm thi, mà qua sản phẩm, báo cáo, và kỹ năng mềm.

Vì vậy, với bối cảnh tại Việt Nam, chúng ta cần thiết kế khung năng lực đầu ra rõ ràng cho từng ngành học. Ví dụ, sinh viên khoa học dữ liệu năm cuối cần làm được một mô hình đầy đủ từ tiền xử lý đến báo cáo kết quả. Thứ hai, ở một số chương trình tại Mỹ, sinh viên có thể chọn 1–2 học kỳ (từ 4 đến 6 tháng) làm toàn thời gian tại doanh nghiệp như một nhân viên thực thụ. Từ đó, doanh nghiệp đánh giá sinh viên và có thể tuyển dụng ngay sau tốt nghiệp. Giảng viên thường kết hợp phản hồi từ doanh nghiệp vào cải tiến chương trình giảng dạy.

Trong bối cảnh Việt Nam, các trường đại học có thể hợp tác chặt chẽ với doanh nghiệp để thiết kế học kỳ thực chiến, cho sinh viên tham gia vào các dự án thật. Ngoài ra, các trường có thể áp dụng linh hoạt việc cho sinh viên học lý thuyết 3 năm và thực tập dài hạn năm 4 hoặc học theo mô hình 3+1 (3 năm lý thuyết, 1 năm co-op). Cuối cùng, tại Mỹ các sinh viên thường được làm các dự án liên ngành, gần với vấn đề thực tế. Họ cũng được học cách làm việc nhóm, chia vai trò (data engineer, ML engineer, business analyst…). Từ đó, họ rèn luyện được rất tốt kỹ năng mềm, tư duy hệ thống và khả năng tự học.

Đối với Việt Nam, chúng ta có thể tái thiết kế các môn học để sinh viên làm sản phẩm thực tế thay vì chỉ làm bài kiểm tra cuối kỳ. Ngoài ra, chúng ta cũng có thể liên kết với doanh nghiệp đặt ra các bài toán thực tế để sinh viên giải, ví dụ như dự đoán lượng khách du lịch, tối ưu vận hành chuỗi cung ứng, và xây dashboard theo yêu cầu.

- Nhiều doanh nghiệp hiện nay ít quan tâm đến lao động thiếu kinh nghiệm, đặc biệt khi AI dần làm thay con người ở nhiều công đoạn. Ông có lời khuyên nào cho những sinh viên hoặc người trẻ mới ra trường để họ định hướng bản thân và tích lũy kinh nghiệm, kỹ năng một cách hiệu quả, thay vì chỉ “chạy theo tấm bằng”?

Đây là một câu hỏi rất thực tế và đáng suy nghĩ trong bối cảnh AI đang làm thay đổi sâu sắc cách thức doanh nghiệp vận hành và tuyển dụng. Quả thực, nhiều nhà tuyển dụng hiện nay không chỉ chấm điểm bằng cấp, mà quan tâm hơn đến việc bạn làm được gì, giải quyết được vấn đề ra sao, và có sẵn sàng học hỏi hay không.

Ở thời đại mà AI có thể viết code, phân tích dữ liệu, tổng hợp báo cáo nhanh hơn con người, thì bằng cấp là tấm vé vào cửa nhưng chính kinh nghiệm, kỹ năng và tư duy mới giúp bạn ở lại và phát triển.

Ở thời đại mà AI có thể viết code, phân tích dữ liệu, tổng hợp báo cáo nhanh hơn con người, thì bằng cấp là tấm vé vào cửa nhưng chính kinh nghiệm, kỹ năng và tư duy mới giúp bạn ở lại và phát triển.

Do đó, sinh viên và người trẻ không nên chỉ chạy theo bằng cấp mà cần xem việc học là cơ hội để: Luyện tư duy nền tảng (phân tích, logic, phản biện), rèn kỹ năng thực hành thật, và xây hồ sơ cá nhân có giá trị cho nhà tuyển dụng. Các bạn nên chủ động làm các dự án cá nhân có dữ liệu thật. Ví dụ như phát triển chatbot, phân tích dữ liệu tuyển sinh, dự đoán giá nhà, etc. Ngoài ra, các bạn có thể đăng tải các dự hoán hoàn thành lên GitHub, Kaggle, hoặc làm portfolio cá nhân. Điều này vừa luyện tay nghề cũng vừa gây ấn tượng tốt cho nhà tuyển dụng.

Các bạn cũng có thể tham gia các cuộc thi/hackathon online (ví dụ như Zalo AI, VietAI, Kaggle) để rèn kỹ năng, kết nối với nhiều người trong ngành, và nhằm để trải nghiệm cường độ cao trong công việc sau này. Cuối cùng, có nhiều kỹ năng mà các bạn cần tập trung rèn luyện từ sớm. Chẳng hạn, các bạn cần liên tục rèn luyện kỹ năng lập trình Python và SQL, làm việc với dữ liệu (như Pandas, Excel), cũng như các kiến thức ML/AI cơ bản. Với các công cụ phổ biến trong công nghiệp, các bạn cũng có thể học thêm Git, cloud (GCP/AWS), Docker, GitHub, và Tableau/Power BI.

Ngoài ra, trong vấn đề giao tiếp, các bạn có thể học thêm về các kỹ năng thuyết trình, viết báo cáo kỹ thuật và phi kỹ thuật. Cuối cùng, các bạn nên liên tục cải thiện kỹ nằng làm việc nhóm, quản lý thời gian, và đọc tài liệu tiếng Anh.

Trân trọng cảm ơn ông!

Nguồn: Những yếu tố định hình tương lai nguồn nhân lực