Tại sao AI thay thế một số công việc nhanh hơn những ngành khác: Vai trò của dữ liệu

Mọi người đều nói về việc AI sẽ lấy đi việc làm, và điều đó có phần đúng. Chúng ta lo lắng về sự chiếm đoạt của AI, nhưng chưa thực sự hiểu rõ điều này sẽ diễn ra như thế nào, khi nào sẽ xảy ra hay chúng ta còn bao nhiêu thời gian để chuẩn bị.

Đa số mọi người tin rằng độ phức tạp của nhiệm vụ quyết định việc áp dụng AI sẽ nhanh hay chậm. Tuy nhiên, giả định này hoàn toàn sai lầm. Như câu nói của Tôn Tử: "Biết người biết ta, trăm trận trăm thắng". Vì vậy, bạn cần hiểu rõ các động lực dưới đây.

Cơ chế hoạt động của AI

Cơ chế vận hành của AI vẫn còn somewhat mơ hồ, ngay cả đối với các chuyên gia. Tuy nhiên, chúng ta biết một điều quan trọng: nó học hỏi.

Bạn đã bao giờ bị điện giật khi nghịch ngợm với các thiết bị điện tử chưa? Tôi đã từng, và trải nghiệm đó dạy tôi không bao giờ làm lại việc đó nữa. Chúng ta con người học từ kinh nghiệm.

Các mô hình AI học từ dữ liệu. Một mô hình AI với dữ liệu hạn chế giống như một đứa trẻ mới biết đi. Ngược lại, một mô hình có dữ liệu phong phú giống như một ông già đầy kinh nghiệm.

Nghịch lý dữ liệu

Việc nào khó hơn: lái xe hay viết code? Hầu hết mọi người sẽ nói là viết code. Tuy nhiên, trong phát triển AI, điều ngược lại lại đúng.

Các Mô hình Ngôn ngữ Lớn (LLM) tương đối mới. Trước khi ChatGPT ra đời, ít người liên kết AI với các chatbot – mà thường nghĩ đến những kẻ hủy diệt trong phim ảnh. Kỷ nguyên LLM bắt đầu khoảng năm 2013-2014 với các mạng nơ-ron như word2vec. Ngược lại, lái xe tự chủ bắt đầu từ những năm 1980. Năm 1987, nhóm của Ernst Dickmanns đã khiến một chiếc xe tải Mercedes-Benz tự lái với tốc độ 96 km/h trên đường cao tốc Đức bằng thị giác máy tính.

Mặc dù có khởi đầu sớm hơn rất nhiều, xe tự hành vẫn tụt hậu so với LLM. Trong khi ChatGPT hoạt động đáng tin cậy trong vô số tình huống, các "tài xế" AI vẫn thiếu nhất quán.

Nhưng tại sao lại như vậy? Các công ty như Tesla và Waymo đã đầu tư hàng tỷ USD. Tuy nhiên, nếu một công ty mới muốn bước vào lĩnh vực này – thậm chí với các kỹ sư xuất sắc và nguồn vốn không giới hạn – họ vẫn sẽ cần hàng ngàn giờ dữ liệu lái xe đa dạng. Một số loại tai nạn hiếm đến mức gần như không thể huấn luyện cho AI.

Trong khi đó, LLM được huấn luyện trên toàn bộ internet – một sân chơi dữ liệu vô cùng phong phú. Do đó, AI có khả năng thay thế các lập trình viên hơn là tài xế không phải vì viết code dễ hơn, mà vì dữ liệu để viết code dễ tiếp cận hơn.

Về cơ bản, AI giống như đứa sinh viên đại học có quyền truy cập vào tất cả các đề thi cũ và tài liệu ôn tập. Tất nhiên, nó sẽ làm tốt bài kiểm tra hơn so với người đang vật lộn với vài ghi chú thô sơ từ vài bài giảng.

Đó chính xác là những gì đang diễn ra trên thị trường lao động. Một số ngành đang "ngập" trong dữ liệu hữu ích mà AI có thể học hỏi. Những ngành khác? Họ đang làm việc với những mảnh vụn nhỏ lẻ. Các con số khá rõ ràng. Các ngành có nhiều dữ liệu tốt có thể có tỷ lệ áp dụng AI khoảng 60-70%. Trong khi đó, các lĩnh vực thiếu dữ liệu có thể chỉ đạt dưới 25%.

Cách thích nghi

Đối với người tìm việc, sự thật quan trọng là ranh giới giữa các ngành đang mờ nhạt nhanh hơn việc hình thành các danh mục công việc cụ thể. Thay vì chỉ tập trung vào các con đường sự nghiệp truyền thống, hãy tìm kiếm các vai trò kết nối nhiều lĩnh vực – những vị trí kết hợp phán xét của con người với khả năng của AI, hoặc đóng vai trò phiên dịch giữa các hệ thống kỹ thuật và nhu cầu kinh doanh.

Định hình lại danh sách kỹ năng của bạn dựa trên khả năng thích ứng, không chỉ là chuyên môn sâu. Thay vì liệt kê những gì bạn đã làm, hãy xác định cách bạn học hỏi, giải quyết vấn đề và làm việc với các hệ thống mới. Nhà tuyển dụng ngày càng đánh giá cao những người có thể điều hướng sự không chắc chắn và tích hợp các công cụ mới vào quy trình làm việc hiện có. Khả năng áp dụng thành công thay đổi lớn gần nhất tại nơi làm việc của bạn có thể quan trọng hơn sự thành thạo của bạn với bất kỳ phần mềm cụ thể nào.

Hãy nhắm vào các điểm ma sát. Mọi tổ chức áp dụng AI đều đối mặt với cùng một thách thức: làm thế nào để khiến công nghệ tinh vi hoạt động trong các hệ thống con người lộn xộn. Hãy tìm kiếm các vai trò chịu trách nhiệm về quản lý, đào tạo hoặc tối ưu hóa quy trình trong các công ty áp dụng AI. Các vị trí này thường không yêu cầu kiến thức kỹ thuật sâu, nhưng cần những người hiểu cách các tổ chức thực sự hoạt động khi lý thuyết gặp thực tế.

Hãy cân nhắc các cơ hội "dặm cuối" trong ngành hiện tại của bạn. Trong khi các trung tâm công nghệ tạo ra các tiêu đề, mọi lĩnh vực đều cần những người có thể thu hẹp khoảng cách giữa khả năng của AI và việc triển khai thực tế tại địa phương. Hệ thống y tế cần người hiểu cả việc chăm sóc bệnh nhân và phân tích dữ liệu. Các nhà máy sản xuất cần người vận hành có thể làm việc cùng các hệ thống tự động hóa. Thường thì, kiến thức ngành hiện tại của bạn kết hợp với kiến thức cơ bản về AI sẽ tạo ra nhiều cơ hội hơn là bắt đầu lại từ đầu trong một lĩnh vực hoàn toàn mới.