Nếu nói đến tương lai gần (5–10 năm), những lĩnh vực dễ bị AI cạnh tranh nhất thường có các đặc điểm sau: công việc mang tính lặp lại, quy tắc rõ ràng, xử lý dữ liệu số hóa tốt.

1. Lĩnh vực dễ bị cạnh tranh mạnh

• Văn phòng & hành chính: nhập liệu, xử lý hồ sơ, phân loại email, lập báo cáo.
• Dịch vụ khách hàng: chatbot, tổng đài tự động, hỗ trợ kỹ thuật cơ bản.
• Dịch thuật và biên tập sơ cấp: dịch nhanh văn bản, kiểm tra chính tả, viết nội dung chuẩn SEO.
• Phân tích dữ liệu cơ bản: thống kê, tạo báo cáo từ dữ liệu lớn.
• Kế toán & tài chính thường nhật: kiểm tra giao dịch, lập hóa đơn, đối soát.
• Thiết kế cơ bản: poster, logo đơn giản, template web (AI như Canva, Figma AI đang làm rất nhanh).
• Bán hàng trực tuyến: chăm sóc khách hàng tự động, gợi ý sản phẩm, tối ưu quảng cáo.

2. Lĩnh vực chịu cạnh tranh nhưng AI chỉ hỗ trợ

• Y tế: AI đọc phim X-quang, MRI, phân tích xét nghiệm nhanh → hỗ trợ bác sĩ nhưng chưa thay thế hẳn.
• Luật: AI tra cứu án lệ, soạn thảo hợp đồng chuẩn mẫu → luật sư vẫn quyết định cuối cùng.
• Giáo dục: AI dạy kèm cá nhân, giải bài tập, tạo đề thi → giáo viên vẫn quan trọng cho đào tạo tư duy, đạo đức.
• Nghệ thuật sáng tạo: AI có thể làm nhạc, tranh, video nhưng vẫn thiếu “cái hồn” nhân sinh mà con người mang lại.

3. Lĩnh vực ít bị AI thay thế

• Công việc đòi hỏi cảm xúc, sự đồng cảm, và trách nhiệm xã hội: chăm sóc người già, tâm lý trị liệu, lãnh đạo, ngoại giao.
• Công việc cần tính thủ công, khéo tay, hiện diện vật lý: thợ điện, thợ xây, đầu bếp, y tá chăm sóc trực tiếp.
• Công việc sáng tạo mang dấu ấn cá nhân đặc biệt: nghiên cứu khoa học, nghệ sĩ độc bản, triết học.

Tóm lại: AI sẽ cạnh tranh mạnh trong công việc mang tính kỹ thuật – lặp lại, còn những ngành nghề cần trí tuệ cảm xúc, óc sáng tạo độc bản, trách nhiệm pháp lý/đạo đức thì AI khó thay thế.

Storytelling dành cho Data Analyst - Phần 2

Cấu trúc thuyết trình theo nguyên tắc số 3

Tiếp tục với series tóm tắt các ý chính trong cuốn sách “Storytelling - Nghệ thuật thuyết trình bằng câu chuyện” - tác giả Bùi Thị Ngọc Thu. Phần này, tôi sẽ trình bày các cấu trúc thuyết trình theo nguyên tắc số 3. 

Tại sao lại là số 3 nhỉ? Nhiều nghiên cứu chỉ ra rằng, số 3 là con số lý tưởng để giúp não bộ ghi nhớ. Có lẽ bạn đã từng thấy nó trong đời sống thường ngày: cô giáo dạy Văn nhắc nhở viết bài theo cấu trúc mở bài - thân bài - kết bài; thầy giáo Thể dục hô chú ý - chuẩn bị - chạy trước khi thổi còi; đèn xanh - đèn đỏ - đèn vàng mỗi khi tham gia giao thông... Hay đặt vào bối cảnh một bài thuyết trình, có thể bạn đã từng nghe qua: “Hôm nay, tôi có 3 điểm cần chia sẻ…”, “Bài thuyết trình này tập trung phân tích vào 3 ý quan trọng nhất trong xã hội hiện nay…”. Do đó, để trình bày bài nói dễ nhớ và thuyết phục hơn, bạn có thể tham khảo các cấu trúc được thành lập bởi nguyên tắc số 3 sau:

1. Cấu trúc 1,2,3

Rất đơn giản, dễ nhớ và có lẽ chính bạn đã sử dụng rồi. Có 2 cách cơ bản để diễn tả: 

• Một là… Hai là… Ba là…

• Thứ nhất là… Thứ hai là… Thứ ba là…

Cấu trúc này có thể được sử dụng để liệt kê ba phần của bài thuyết trình, hoặc có thể lồng ghép vào bất kỳ phần nào trong bài thuyết trình như mở bài, thân bài hay kết bài.

2. Cấu trúc 3W: What - So What - Now What

Cấu trúc này sẽ hiệu quả khi muốn trình bày thông tin theo trật tự trước sau. Từ đó kết nối các luận điểm để dẫn dắt đến phần cuối và đưa ra lời kêu gọi hành động. Là cấu trúc được ứng dụng khi muốn thuyết phục ai đó. Cụ thể bạn cần trả lời các câu hỏi:

• What - Vấn đề là gì: nêu vấn đề chính mà bạn muốn trình bày.

• So what: Vấn đề này quan trọng như thế nào: Giải thích cho người nghe hiểu tại sao vấn đề này lại quan trọng đối với họ, cần sử dụng các dữ liệu nghiên cứu và bằng chứng cụ thể để minh họa.

• Now what: Giải pháp bây giờ là gì:  người trình bày cung cấp cho người nghe giải pháp, phân tích và đề xuất giải pháp tốt nhất

Kết cấu 3W có thể sử dụng trong nhiều tình huống khác nhau như: trình bày một ý tưởng với cấp trên, giải thích một vấn đề hay sự việc nào đó.

3. Cấu trúc PSB: Problem - Solution - Benefit

Đây là cấu trúc trình bày rất phổ biến khi thuyết phục người khác. Người trình bày sẽ bắt đầu bằng cách đưa ra một vấn đề và từ đó trình bày giải pháp thích hợp để giải quyết vấn đề hiện tại của người nghe.

• Problem - Vấn đề: Đây là vấn đề mà người nghe đang gặp phải hoặc có liên quan trực tiếp đến người nghe.

• Solution – Giải pháp: Đưa ra giải pháp cụ thể, có phân tích ưu khuyết điểm, có dữ kiện và bằng chứng hỗ trợ.

• Benefit – Lợi ích: Nhắc đến lợi ích của giải pháp đối với khán giả. Khi đó họ sẽ mong muốn giải quyết vấn đề này từ giải pháp mà bạn vừa cung cấp.

Kết cấu này rất phù hợp để sử dụng trong cả môi trường doanh nghiệp và cuộc sống. Bằng cách đi thẳng vào vấn đề người nghe đang gặp và cung cấp cho họ giải pháp cùng lợi ích rõ ràng. Bạn sẽ thuyết phục được khán giả của mình.

Bạn đã áp dụng những cấu trúc nào trong ba cấu trúc kể trên? Hãy dùng chúng trong những bài thuyết trình sắp tới của mình nha. Phần 2 sẽ kết thúc tại đây, tiếp tới, tôi sẽ giới thiệu thêm các cấu trúc còn lại. Một lần nữa, cùng đón chờ phần 3 nhé!

Cách suy nghĩ của con người khác AI thế nào?

Cách suy nghĩ của con người khác với AI ở nhiều điểm cơ bản:

• Con người suy nghĩ dựa trên khả năng suy luận thực thụ, tìm kiếm mối quan hệ nhân quả và có quan điểm riêng. Tư duy của con người không chỉ là học thuộc hay bắt chước mà là khả năng hiểu sâu sắc, rút ra quy tắc tổng quát từ các mẫu cụ thể và áp dụng vào tình huống mới. Con người có thể suy nghĩ theo từng bước, giải quyết vấn đề phức tạp và học tập hiệu quả chỉ với lượng dữ liệu nhỏ nhờ khả năng trừu tượng và sáng tạo1 2 3 4.
  
• AI chỉ mô phỏng bề ngoài của tư duy con người bằng cách học từ lượng dữ liệu khổng lồ và dự đoán kết quả dựa trên mẫu đã học. AI không thực sự hiểu hay suy luận theo kiểu nhân quả mà chỉ tái tạo các mẫu ngôn ngữ hoặc dữ liệu đã được huấn luyện. AI thiếu khả năng suy luận sâu, không có quan điểm riêng và thường đưa ra câu trả lời mang tính nước đôi hoặc diễn giải lại thông tin thay vì suy luận thực sự 1 2 3.
• Quá trình học tập cũng khác biệt: Con người học từ kinh nghiệm sống, có thể thích nghi và sáng tạo trong các tình huống mới. AI cần một lượng dữ liệu rất lớn để "học" và thường chỉ giỏi trong các nhiệm vụ cụ thể đã được huấn luyện, khó áp dụng kiến thức vào hoàn cảnh chưa từng gặp 1 2 4.
• Một số kỹ thuật mới đang giúp AI cải thiện khả năng suy luận từng bước (ví dụ như "Chuỗi suy luận" - Chain of Thought) để mô phỏng cách con người giải quyết vấn đề, nhưng AI vẫn chưa đạt được mức suy nghĩ sâu sắc và linh hoạt như con người 3.

Tóm lại, con người suy nghĩ dựa trên sự hiểu biết, suy luận nguyên nhân-kết quả và sáng tạo, trong khi AI chủ yếu dựa trên mô hình dự đoán và bắt chước mẫu dữ liệu mà không có tư duy thực sự

Một nghiên cứu về việc phân loại mã độc PE bằng học liên kết

220201025 - Nguyễn Vương Thịnh

Trong thời đại công nghệ số ngày nay, các mối đe dọa mã độc và tấn công mạng đang ngày càng trở nên phức tạp và khó kiểm soát. Việc phân loại mã độc một cách chính xác và nhanh chóng là yêu cầu cấp thiết nhằm bảo vệ hệ thống mạng và dữ liệu của các tổ chức. Mặc dù các phương pháp học máy hiện tại đã chứng minh giá trị của chúng trong việc phát hiện và phân loại mã độc. Nhưng chúng thường yêu cầu tập hợp tất cả dữ liệu từ nhiều nguồn khác nhau về một chỗ mới có thể bắt đầu quá trình huấn luyện. Điều này dẫn đến việc xử lý và lưu trữ dữ liệu tập trung, có thể gây rủi ro cao về rò rỉ thông tin cá nhân người dùng. Việc tập trung dữ liệu ở một chỗ không chỉ làm tăng nguy cơ lộ lọt thông tin mà còn đặt ra thách thức về bảo mật dữ liệu và tuân thủ các quy định về quyền riêng tư của người dùng. Các giải pháp huấn luyện mô hình tập trung dữ liệu khó có thể đảm bảo quyền riêng tư cho người dùng trong quá trình xử lý dữ liệu, đặc biệt là khi dữ liệu có thể bao gồm thông tin nhạy cảm.

Nghiên cứu này đã đề xuất một khung phân loại mã độc PE toàn diện, kết hợp mô hình học sâu tiên tiến ResNet101 và kỹ thuật học liên kết (federated learning). Qua quá trình thực nghiệm, ResNet101 được xác định là mô hình hiệu quả nhất, đạt điểm F1 ấn tượng 92% trên tập dữ liệu hình ảnh của mã độc PE. Khi tích hợp mô hình ResNet101 vào thiết lập học liên kết, kết quả thực nghiệm cho thấy tiềm năng triển khai đáng kể, đặc biệt trong trường hợp dữ liệu IID, với chỉ số F1-score đạt 91.80%. Điều này phản ánh khả năng tổng quát hóa tốt của mô hình khi dữ liệu được phân phối đồng đều giữa các thiết bị khách. Tuy nhiên, trong môi trường dữ liệu non-IID, mô hình gặp phải những thách thức đáng kể, khi F1-score chỉ đạt 54.87%. Sự chênh lệch đáng kể này chủ yếu xuất phát từ sự phân bố không đồng đều của các mẫu mã độc giữa các thiết bị khách, dẫn đến hiện tượng thiên lệch trong quá trình cập nhật trọng số cục bộ. Đặc biệt, các lớp mã độc có sự mất cân bằng về tần suất xuất hiện khiến mô hình khó khăn trong việc học và tổng quát hóa trên toàn bộ tập dữ liệu.

Trân trọng.