Ví dụ 1: Nhận diện khuôn mặt

Dataset:

• 100,000 ảnh khuôn mặt 
• Không có ảnh lỗi (“đúng”) 
• Không thiếu dữ liệu: đủ Âu, Á, Phi . . . ( “đủ”) 

Nhưng:

• 90% là người châu Âu 
• Rất ít người châu Á, châu Phi 

 Kết quả:

• Model nhận diện tốt người da trắng 
• Nhận diện kém người da màu 

Kết luận:

• Dataset đúng + đủ
• Nhưng không đại diện cho dân số thực

Ví dụ 2: Dự đoán bệnh

Dataset:

• 50,000 hồ sơ bệnh án 
• Đầy đủ: tuổi, giới tính, xét nghiệm
• Dữ liệu sạch, chuẩn bệnh viện 

Nhưng: Toàn bộ lấy từ bệnh viện tuyến trung ương

Vấn đề:

• Bệnh nặng nhiều hơn bình thường
• Không có dữ liệu bệnh nhẹ / cộng đồng 
•  

 Kết quả: Model “nghĩ rằng ai cũng bệnh nặng” 

Đây là lỗi: Mẫu bị thiên lệch

Ví dụ 3: Dự đoán thu nhập

Dataset:

• 10,000 người 
• Feature đầy đủ: nghề, học vấn, kinh nghiệm 

Nhưng: Chỉ lấy từ thành phố lớn (HCM, Hà Nội)

Thiếu:

• Nông thôn 
• Lao động phổ thông 

Kết quả: Model dự đoán sai cho phần lớn dân số 

Ví dụ 4: Tìm  Spam 

Dataset:

• 1 triệu email 
• Label chính xác 
• Không thiếu 

Nhưng: Toàn bộ email lấy từ năm 2010-2024. 

Vấn đề: Spam email năm 2025 khác hoàn toàn 

 Kết quả: Model “học lịch sử”, không học hiện tại. Đây là: Temporal bias (lệch thời gian)

Ví dụ 5 : Lái xe

Dataset:

• 1 triệu ảnh đường phố 
• Label chuẩn 
• Đầy đủ tình huống: ngày lễ, ngày thường ....

Nhưng:

• 95% chụp ban ngày 
• 5% là: Ban đêm; Mưa lớn; Sương mù 

Kết quả:

• Xe chạy tốt ban ngày 
• Ban đêm, sương mù, mưa: xe chạy không tốt, nguy hiểm 

Chú ý quan trọng

Một dataset có thể:

•  Đúng (clean) 
•  Đủ (no missing) 
•  Nhưng vẫn sai (vì không đủ đại diện) 

Công thức tạm để nhớ nhanh

Dataset tốt = Đúng × Đủ × Đại diện

Chỉ cần 1 yếu tố = 0; thì phép tích =0 (toàn bộ hệ thống coi như hỏng)

Tiền mã hoá (như Bitcoin hay Ethereum….) sẽ thất thế trước tài sản truyền thống (như Gold, S&P 500, government bonds, bất động sản, …) khi những điều kiện nền tảng của nó bị suy yếu. Có 5 tình huống lớn:

1. Khi lãi suất cao và tài sản truyền thống sinh lời tốt

Khi ngân hàng trung ương tăng lãi suất mạnh (ví dụ Federal Reserve):

• Trái phiếu trả lãi hấp dẫn

• Chứng khoán ổn định

• Tiền gửi ngân hàng có lợi suất

Nhà đầu tư sẽ rời crypto vì: Crypto không tạo ra dòng tiền (cash flow). Đây là lý do thị trường crypto thường yếu trong chu kỳ lãi suất cao.

2. Khi chính phủ siết quản lý

Nếu các nền kinh tế lớn như United States, China hoặc European Union:

• cấm giao dịch

• hạn chế ngân hàng liên quan crypto

• đánh thuế nặng

thì dòng tiền tổ chức sẽ rút khỏi thị trường. Ví dụ: năm 2021 chính phủ ABC cấm mining khiến thị trường giảm.

3. Khi xuất hiện công nghệ tiền số tốt hơn

Nếu có hệ thống:

• nhanh hơn

• rẻ hơn

• ổn định hơn

thì crypto hiện tại có thể bị thay thế. Ví dụ:

• Central Bank Digital Currency (CBDC)

• blockchain thế hệ mới.

Nếu người dùng chuyển sang nền tảng khác, crypto cũ sẽ yếu.

4. Khi xảy ra khủng hoảng niềm tin

Thị trường crypto phụ thuộc mạnh vào niềm tin cộng đồng. Những sự kiện như:

• sàn lớn phá sản (ví dụ FTX)

• hack lớn

• dự án lừa đảo

có thể làm dòng tiền rời khỏi crypto và quay về tài sản truyền thống.

5. Khi tính đầu cơ bị giảm

Crypto tăng mạnh khi có:

• FOMO

• dòng tiền đầu cơ

• câu chuyện công nghệ mới

Nếu thị trường trưởng thành và nhà đầu tư trở nên thận trọng hơn, họ sẽ ưu tiên:

• Gold

• cổ phiếu

• bất động sản.

  Tóm tắt ngắn gọn

Crypto sẽ yếu hơn tài sản truyền thống khi:

1. Lãi suất cao

2. Chính phủ siết quản lý

3. Công nghệ mới thay thế

4. Khủng hoảng niềm tin thị trường

5. Dòng tiền đầu cơ giảm

 Một quy luật kinh tế khá rõ:

• Khi hệ thống tài chính ổn định → tiền quay về tài sản truyền thống.

• Khi hệ thống tài chính bất ổn → crypto mạnh lên.

Câu hỏi này rất HOT. Với bối cảnh AI ngày càng mạnh (đặc biệt là các mô hình như OpenAI phát triển), sinh viên CNTT không cần hoảng sợ — nhưng phải thay đổi cách học và cách nghĩ.

Dưới đây là những thay đổi quan trọng nhất:

Từ “người viết code” → “người thiết kế hệ thống”

AI có thể:

• Viết hàm CRUD (Create – Read – Update – Delete)

• Sinh API ( Application Programming Interface)

• Debug lỗi phổ biến

• Thậm chí sinh cả frontend

Nhưng AI không tự chịu trách nhiệm kiến trúc hệ thống.

Vậy Sinh viên cần:

• Học sâu system design

• Hiểu trade-off: scalability, consistency, latency

• Hiểu kiến trúc: monolith vs microservices

• Biết đọc và phản biện thiết kế

AI viết code nhanh.
Nhưng kiến trúc sai → hệ thống sập.

Từ “biết làm” → “biết vì sao”

AI có thể cho bạn câu trả lời đúng.
Nhưng nếu bạn không hiểu bản chất, bạn sẽ:

• Không phát hiện data leakage

• Không biết khi nào DL sai

• Không hiểu bias trong dữ liệu

• Không phân biệt correlation (tương quan) và causation (nhân quả)

(Chủ đề bạn từng hỏi về nhân quả vs tương quan chính là ví dụ điển hình.)

SV Cần học:

• Xác suất – thống kê nền tảng

• Optimization

• Nguyên lý học máy (không chỉ dùng thư viện)

Từ “học framework” → “học nguyên lý”

Framework chết rất nhanh.
Nguyên lý thì sống rất lâu.

Ví dụ:

• React có thể thay đổi

• Nhưng nguyên lý state management không đổi ( Nghệ thuật kiểm soát sự thay đổi của dữ liệu trong hệ thống phức tạp)

• PyTorch có thể thay

• Nhưng gradient descent vẫn vậy ( Thuật toán đi tìm điểm thấp nhất của hàm bằng cách đi từng bước nhỏ theo hướng dốc nhất xuống)

=> Tập trung vào:

• Data structures & algorithms

• Operating systems

• Distributed systems

• Database internals

Biết dùng AI như một “đồng đội”, không phải “cái nạng”

Sinh viên yếu sẽ:

Copy AI; nộp cho GV; và SV không hoặc ít hiểu gì

Sinh viên giỏi sẽ:

• Yêu cầu AI giải thích từng bước

• So sánh 2 cách giải

• Hỏi ưu nhược

• Dùng AI để cấu trúc lại não bộ

AI giúp bạn tăng tốc, nhưng tư duy phản biện mới quyết định đẳng cấp.

Chuyển từ “coder” → “problem solver”

AI thay thế người:

• Viết code lặp lại

• Làm ticket nhỏ

• Làm việc theo mô tả sẵn

AI không thay thế người:

• Xác định vấn đề đúng

• Thiết kế giải pháp trong bối cảnh kinh doanh

• Ra quyết định khi dữ liệu không đầy đủ

SV Cần học:

• Hiểu business

• Giao tiếp người- người

• Viết tài liệu kỹ thuật rõ ràng, mọi người hiểu giống nhau.

Học cách “đáng tin”

Chúng ta từng hỏi rằng, vì sao:

Vì sao Deep Learning mạnh nhưng khó tin?

Trong thời đại AI, trust là tài sản lớn nhất.

Sinh viên cần:

• Hiểu model evaluation

• Biết validation khác test thế nào

• Hiểu overfitting

• Hiểu interpretability

Người hiểu sâu sẽ đáng được tin cậy. Người chỉ prompt giỏi sẽ bị thay.

Tóm lại:

Nếu nhìn xa hơn:

• AI không làm giảm giá trị sinh viên giỏi.
• AI làm lộ rõ sự khác biệt giữa người hiểu sâu và người chỉ biết thao tác.