Cách tỏa sáng như một Data Scientist trong kỷ nguyên Vibe Coding

Trong thời đại mà các công cụ AI có thể tự động viết mã lệnh theo yêu cầu (vibe coding), nhiều Data Scientist lo lắng rằng vai trò của họ sẽ bị thu hẹp. Tuy nhiên, bài viết này khẳng định rằng giá trị cốt lõi của một nhà khoa học dữ liệu nằm ở tư duy phân tích, sự sáng tạo và khả năng hiểu sâu bài toán kinh doanh – những điều mà AI không thể thay thế.

Hiểu đúng bản chất: LLM là công cụ năng suất

Trước hết, cần nhận thức rõ rằng Large Language Models (LLM) chỉ là công cụ tăng năng suất, không phải một Data Scientist hoàn chỉnh. Chúng giúp bạn code nhanh hơn, giảm thời gian cho các tác vụ lặp lại, nhưng không thể thay thế bạn trong việc:

• Hiểu logic nghiệp vụ của công ty
• Giải quyết các vấn đề mở, không có lời giải hoàn hảo
• Đánh giá cảm xúc, bối cảnh của một sản phẩm
• Đưa ra giải pháp tốt nhất từ đầu đến cuối

LLM không sáng tạo, chúng thường đưa ra các câu trả lời “rập khuôn” và cần người dùng hướng dẫn chi tiết. Chính vì vậy, bạn không cần hoảng loạn khi thấy AI phát triển quá nhanh.

Kỹ năng phân tích, tư duy phản biện, kiến thức đại số và thống kê, cùng khả năng sáng tạo chính là sức mạnh của bạn, không phải thiết lập AI.

Mô tả: Nhà khoa học dữ liệu đang tập trung làm việc

Đừng giao phó toàn bộ tư duy cho AI

LLM là những “cỗ máy tìm kiếm thông tin” xuất sắc nhưng lại kém trong việc suy luận các vấn đề mở. Ví dụ điển hình: khi được hỏi cách đi rửa xe, LLM có thể gợi ý bạn đi bộ nếu tiệm xa nhà, thay vì lái xe – vô lý trong thực tế. Điều này cho thấy AI không giải quyết tốt các vấn đề đòi hỏi ngữ cảnh.

Các bài toán data science thực sự luôn cần sự sáng tạo: Xác định góc nhìn cần khai thác, đối tượng trình bày, nhu cầu của công ty, hay cách tích hợp giải pháp với bài toán khác. Những câu hỏi này thuộc về con người, không phải AI.

Công thức làm việc hiệu quả:

• Dùng LLM để trích xuất thông tin và tham khảo gợi ý
• Dùng chính bộ não của bạn để sáng tạo và đảm bảo mọi yêu cầu được đáp ứng

Xây dựng hệ thống làm việc riêng của bạn

Không phải ai cũng dùng AI theo cùng một cách. Với các công cụ hiện đại như Claude Code, Codex hay Cursor, bạn có thể tạo ra các “kỹ năng” (skills) hoặc “thói quen” tự động hóa theo phong cách riêng:

• Code theo phong cách của bạn – giúp mã nguồn thể hiện dấu ấn cá nhân
• Viết văn theo giọng điệu của bạn – tránh bị nhận diện là do robot tạo ra
• Tự động đánh giá chất lượng theo tiêu chí cá nhân – đảm bảo công việc luôn đạt chuẩn đề ra

Điều này không chỉ tăng năng suất mà còn giúp bạn tạo dựng thương hiệu cá nhân riêng biệt trong môi trường làm việc.

Mô tả: Lập trình viên đang thiết lập các thói quen tự động hóa

Luôn thận trọng và kiểm chứng

Một điểm nguy hiểm của LLM hiện đại là chúng rất giỏi “thao túng” – đưa ra câu trả lời nghe có vẻ thuyết phục nhưng có thể sai. Khi một đoạn văn bản được viết trôi chảy, bạn dễ tin rằng nó “chính thống”, “đúng đắn”. Thực tế không phải lúc nào cũng vậy.

Vì vậy, với mỗi thiết kế hay mô hình bạn phát triển, cần:

• Đặt câu hỏi ngược, tìm lỗ hổng, kiểm thử kỹ lưỡng
• Hiểu rõ giới hạn của giải pháp
• Lường trước các câu hỏi từ quản lý và chuẩn bị sẵn câu trả lời

Cuối cùng, bạn chịu trách nhiệm về code của mình. Khi pipeline gặp sự cố, bạn phải là người đưa ra câu trả lời nhanh chóng, chuyên nghiệp và rõ ràng. Người mới vào nghề càng cần đầu tư thời gian để hiểu sâu dự án, xác nhận từng mảnh ghép, và chắc chắn rằng không có cách nào làm tốt hơn – ngay cả khi AI nói khác đi.

Mô tả: Nhóm làm việc trao đổi và kiểm tra chất lượng dữ liệu

Tạm kết

Kỷ nguyên vibe coding mang đến cơ hội lớn cho những Data Scientist nắm bắt đúng cách dùng AI. Hãy coi LLM như một “chiếc găng tay boxing tốt” – nó giúp bạn tập luyện hiệu quả hơn, nhưng không làm bạn trở thành võ sĩ giỏi. Đừng hoảng sợ, hãy dành thời gian làm bài tập thực sự của mình, dùng AI để loại bỏ các tác vụ nhàm chán, và đừng mù quáng tin rằng một robot có thể thay thế con người – chính bạn là ngôi sao của mình.