Databricks ra mắt khung năng lực AI: Hướng dẫn xây dựng kỹ năng và thực hành cho doanh nghiệp

AI literacy (năng lực AI) là khả năng của một cá nhân trong việc hiểu và sử dụng hiệu quả các công cụ AI, bao gồm việc nắm bắt cách thức AI hoạt động, đánh giá các kết quả đầu ra của AI một cách phản biện và nhận thức được các tác động đạo đức khi sử dụng AI. Nhu cầu về năng lực AI đã tăng gấp bảy lần trong hai năm qua khi các công cụ generative AI (AI tạo sinh) chuyển từ sự mới lạ sang trở thành tiện ích công việc hàng ngày, và nó đang trở nên quan trọng ngang bằng với năng lực kỹ thuật số (digital literacy) để thăng tiến trong sự nghiệp.

Mười hai phần trăm người trưởng thành đang đi làm hiện sử dụng AI hàng ngày trong công việc của họ, và Diễn đàn Kinh tế Thế giới (World Economic Forum) dự đoán rằng 40% các kỹ năng cần thiết sẽ thay đổi trong vòng năm năm tới. Hướng dẫn này bao gồm một khung năng lực AI thực tế, các chiến lược giáo dục đại học, cùng các công cụ, phương pháp đánh giá và nền tảng khoa học máy tính đằng sau sự thông thạo AI thực sự.

Năng lực AI và Trí tuệ nhân tạo là gì?

Năng lực AI là sự kết hợp giữa kỹ năng và kiến thức cho phép một người sử dụng các công cụ AI một cách hiệu quả, đánh giá các kết quả đầu ra của chúng một cách phản biện và hiểu được những hạn chế của các hệ thống tạo ra những kết quả đó — một dạng thông thạo ứng dụng, tương tự như cách năng lực kỹ thuật số không yêu cầu một người phải biết chế tạo máy tính mới có thể sử dụng nó một cách hiệu quả.

Trí tuệ nhân tạo (Artificial intelligence) đề cập đến các hệ thống máy tính được thiết kế để thực hiện các tác vụ thường đòi hỏi nhận thức của con người, bao gồm hiểu ngôn ngữ, nhận dạng mẫu và ra quyết định. Machine learning (học máy) và deep learning (học sâu) là các lĩnh vực con của trí tuệ nhân tạo, cho phép các hệ thống cải thiện khả năng thực hiện tác vụ thông qua việc tiếp xúc với dữ liệu thay vì dựa trên các quy tắc được lập trình thủ công.

Một người học có sự thông thạo AI cơ bản có thể xác định khi nào một công cụ AI phù hợp với một vấn đề, diễn đạt một yêu cầu tạo ra kết quả đầu ra có thể sử dụng được, và nhận ra các dấu hiệu cho thấy kết quả đầu ra có thể không chính xác hoặc bị thiên kiến — việc sử dụng phù hợp, hiệu quả và có tư duy phản biện tạo nên nền tảng cho mọi khung năng lực được đề cập ở đây.

Khung năng lực AI

Hầu hết các khung năng lực AI đều tổ chức các năng lực xoay quanh ba phương thức tương tác: hiểu cách các hệ thống AI hoạt động, đánh giá kết quả đầu ra của AI về độ chính xác và thiên kiến, và sử dụng các công cụ AI để hoàn thành công việc. Các khung năng lực AI thường bao gồm các lĩnh vực chức năng, phản biện và đạo đức, mỗi lĩnh vực đều gắn liền với các kỹ năng có thể quan sát được thay vì kiến thức trừu tượng.

Lĩnh vực chức năng bao gồm việc soạn thảo các câu lệnh (prompts) và hiểu các thuật ngữ như large language models (mô hình ngôn ngữ lớn), dữ liệu huấn luyện và các mô hình học máy. Lĩnh vực phản biện bao gồm việc kiểm tra kết quả đầu ra đối chiếu với tài liệu nguồn và nhận diện thông tin bị "ảo giác" (hallucinated). Lĩnh vực đạo đức bao gồm quyền riêng tư dữ liệu, tính chính trực trong học thuật và cách thức thiên kiến xâm nhập vào kết quả đầu ra của AI thông qua dữ liệu huấn luyện.

Năng lực AI thúc đẩy tư duy phản biện về các công nghệ AI và ứng dụng của chúng, kết hợp mỗi năng lực với một giá trị: sự chính xác, thái độ hoài nghi và trách nhiệm giải trình.

Khung năng lực AI mở rộng

Một phiên bản chi tiết hơn của khung năng lực này chia các phần Hiểu, Đánh giá và Sử dụng thành các cấp độ tiến triển. Ở cấp độ nền tảng, người học có thể định nghĩa các thuật ngữ chính và nhận diện AI trong các sản phẩm hàng ngày. Ở cấp độ trung cấp, người học có thể so sánh kết quả đầu ra giữa nhiều công cụ khác nhau. Ở cấp độ nâng cao, người học có thể kiểm định kết quả đầu ra của một hệ thống để tìm thiên kiến và thiết kế các quy trình làm việc có sự giám sát của con người.

Hiểu nghĩa là nắm bắt được rằng một mô hình tạo ra kết quả đầu ra từ các mẫu đã học trong dữ liệu huấn luyện thay vì sự hiểu biết thực sự. Đánh giá nghĩa là áp dụng một danh sách kiểm tra nhất quán — bao gồm việc kiểm tra các tuyên bố đối chiếu với một nguồn tin cậy — trước khi sử dụng kết quả đầu ra. Sử dụng nghĩa là áp dụng các công cụ AI vào các tác vụ thực tế trong nghiên cứu, viết lách, lập trình và phân tích dữ liệu, giúp người học thấy rằng năng lực AI là một kỹ năng có thể chuyển đổi.

Xây dựng năng lực AI trong giáo dục đại học

Các cơ sở giáo dục đại học chịu trách nhiệm đặc biệt đối với năng lực AI vì sinh viên sẽ tốt nghiệp và bước vào lực lượng lao động nơi các công cụ generative AI đã trở thành tiêu chuẩn. Các chiến lược tích hợp chương trình giảng dạy hoạt động hiệu quả nhất khi được phân bổ trên các khoa thay vì chỉ giới hạn trong một môn tự chọn về khoa học máy tính, vì việc đánh giá một bản tóm tắt pháp lý do AI tạo ra đòi hỏi các kỹ năng khác với việc đánh giá một báo cáo phòng thí nghiệm do AI tạo ra.

Năm 2024, một cuộc khảo sát giảng viên cho thấy các nhà giáo dục thành thạo AI sử dụng các công cụ AI nhiều hơn, và mô hình này cũng lan tỏa đến sinh viên: việc làm mẫu thực tế từ giảng viên xây dựng sự chấp nhận và tự tin hiệu quả hơn so với chỉ các văn bản chính sách. Các mô-đun dành riêng cho từng vai trò rất quan trọng — đào tạo cho giảng viên về việc sử dụng AI có trách nhiệm trong chấm điểm sẽ khác với đào tạo cho sinh viên về nghiên cứu và soạn thảo văn bản có sự hỗ trợ của AI.

Các điểm kiểm tra đánh giá cho phép các tổ chức theo dõi năng lực AI giống như cách họ theo dõi năng lực viết: một điểm kiểm tra sớm có thể đánh giá các định nghĩa và rủi ro cơ bản, trong khi một điểm kiểm tra trước khi tốt nghiệp có thể đánh giá liệu sinh viên có thể kiểm định một kết quả đầu ra do AI tạo ra đối chiếu với tài liệu nguồn hay không.

Ví dụ về khóa học và bài tập

Một giáo trình mô-đun cho một học phần về generative AI thường bắt đầu bằng các định nghĩa và minh họa, chuyển sang thực hành viết câu lệnh có hướng dẫn, và kết thúc bằng một dự án yêu cầu sinh viên đánh giá và sửa đổi nội dung do AI tạo ra thay vì nộp nguyên bản.

Một bài tập đánh giá chất lượng câu lệnh yêu cầu sinh viên nộp câu lệnh cùng với kết quả đầu ra của nó, sau đó giải thích điều gì đã hiệu quả và họ sẽ sửa đổi nó như thế nào. Việc sử dụng AI hiệu quả bao gồm việc học prompt engineering (kỹ thuật câu lệnh) — thực hành soạn thảo các câu lệnh rõ ràng cho các kết quả đầu ra cụ thể — điều này biến việc lặp lại câu lệnh thành một kỹ năng có thể quan sát được thay vì chỉ là một lần đoán mò.

Một bảng tiêu chí (rubric) cho việc sử dụng AI có đạo đức nên chấm điểm riêng biệt cho việc công khai, xác minh các tuyên bố và tỷ lệ phân tích gốc, tránh sai lầm khi coi "đã sử dụng AI" và "đã sử dụng AI vô trách nhiệm" là một vi phạm duy nhất.

Các công cụ AI và công cụ Generative AI

Các công cụ AI được sử dụng trong môi trường lớp học và nơi làm việc thường thuộc một vài danh mục: trợ lý viết lách, công cụ nghiên cứu và tóm tắt, công cụ phân tích dữ liệu, và công cụ tạo hình ảnh hoặc mã nguồn. Việc phân loại các công cụ theo trường hợp sử dụng, thay vì theo nhà cung cấp, giúp người hướng dẫn khớp một công cụ với một mục tiêu học tập.

Các công cụ generative AI có thể nâng cao khả năng học tập và năng lực con người khi được sử dụng với các ranh giới rõ ràng về những gì công cụ tạo ra so với những gì người học phải tự thực hiện độc lập. Năng lực generative AI tập trung cụ thể vào các mô hình ngôn ngữ lớn, vì các hệ thống này cung cấp sức mạnh cho hầu hết các công cụ viết lách và hội thoại mà người học bắt gặp đầu tiên.

Việc so sánh thế mạnh của các công cụ cho các tác vụ cụ thể là rất quan trọng vì không có công cụ đơn lẻ nào hoạt động tốt nhất trong mọi danh mục — một phần của năng lực AI là nhận ra khi nào một công cụ không phù hợp với một tác vụ. Một mẫu khởi động nhanh cho một công cụ nên ghi chú trường hợp sử dụng của nó, một câu lệnh mẫu và các hạn chế đã biết, chẳng hạn như việc bịa đặt các trích dẫn.

Cách AI hoạt động: Các mô hình và kết quả đầu ra

Các chatbot AI phân tích dữ liệu để tạo ra các phản hồi văn bản có xác suất cao thay vì truy xuất các câu trả lời được viết sẵn từ cơ sở dữ liệu. Một mô hình ngôn ngữ lớn được huấn luyện trên một lượng lớn văn bản, học các mẫu thống kê về cách các từ liên quan với nhau, và tạo ra mỗi từ mới bằng cách dự đoán token (đơn vị từ) tiếp theo có xác suất cao nhất dựa trên tất cả những gì đã xuất hiện trước đó.

Việc huấn luyện mô hình bao gồm việc cho hệ thống tiếp xúc với khối lượng dữ liệu lớn và điều chỉnh các tham số nội bộ cho đến khi các kết quả đầu ra khớp với các mẫu trong dữ liệu đó; một mô hình đã được huấn luyện trước cũng có thể được điều chỉnh cho một tác vụ hẹp hơn thông qua fine-tuning (tinh chỉnh), mặc dù ngay cả một hệ thống đã được tinh chỉnh cũng không có cơ chế tích hợp sẵn để xác minh xem kết quả đầu ra của nó có chính xác về mặt thực tế hay không.

Thiên kiến trong kết quả đầu ra của mô hình thường bắt nguồn từ chính dữ liệu huấn luyện: các quan điểm bị đại diện quá mức hoặc thiếu hụt trong dữ liệu đó sẽ xuất hiện dưới dạng sự mất cân bằng trong các kết quả đầu ra. Nhận thức về dữ liệu là cần thiết để hiểu cách chất lượng dữ liệu ảnh hưởng đến kết quả đầu ra của AI, khiến đây trở thành một kỹ năng năng lực AI cốt lõi.

Ảo giác (Hallucination) — việc một mô hình tạo ra thông tin tự tin, hợp lý nhưng sai lệch về mặt thực tế — xảy ra vì mô hình tạo ra phần tiếp theo có khả năng thống kê cao của một câu lệnh thay vì kiểm tra một sự kiện đối chiếu với một nguồn đã được xác minh. Các dấu hiệu phổ biến bao gồm các trích dẫn không thể tìm thấy và các câu trả lời thay đổi khi được hỏi hai lần.

Sử dụng AI thực tế trong cuộc sống hàng ngày

Năng lực AI trao quyền cho các cá nhân điều hướng ảnh hưởng của AI trong cuộc sống hàng ngày, từ kết quả tìm kiếm được hỗ trợ bởi AI đến các trợ lý viết lách tại nơi làm việc và các công cụ lập lịch trình. Việc nhận ra nơi AI đang hoạt động trong nền của các ứng dụng hàng ngày tự nó đã là một kỹ năng năng lực AI.

Một danh sách kiểm tra để chia sẻ dữ liệu AI an toàn nên tránh nhập thông tin nhận dạng cá nhân hoặc tài liệu công việc bí mật vào các công cụ dành cho người tiêu dùng trừ khi một tổ chức đã phê duyệt việc sử dụng đó, vì nhiều công cụ miễn phí lưu giữ dữ liệu hội thoại để huấn luyện theo mặc định. Việc xem xét các cài đặt lưu giữ của một công cụ AI và tách biệt tài khoản cá nhân với tài khoản công việc đều làm giảm nguy cơ lộ dữ liệu ngoài ý muốn.

Đánh giá phản biện và đạo đức

Năng lực AI dạy người dùng nhận ra các vấn đề như thiên kiến và quyền riêng tư trước khi hành động dựa trên một kết quả đầu ra do AI tạo ra. Một danh sách kiểm tra đánh giá phản biện từng bước đặt câu hỏi liệu một tuyên bố có thể xác minh được hay không, liệu kết quả đầu ra có dấu hiệu thiên kiến hay không, và liệu việc hành động dựa trên nó có gây ra cái giá đáng kể nếu sai hay không. Các bài tập phát hiện thiên kiến hoạt động hiệu quả nhất với các câu lệnh theo cặp — cùng một yêu cầu được diễn đạt với các chi tiết nhân khẩu học khác nhau — để người học có thể quan sát cách kết quả đầu ra thay đổi dựa trên cách đặt vấn đề.

Năng lực AI đạo đức bao gồm việc hiểu các tác động đạo đức của AI, bao gồm quyền tác giả, sự đồng thuận và chi phí huấn luyện các mô hình lớn. Các thực hành ghi nhận nguồn và tính minh bạch — công khai khi AI hỗ trợ trong một tác phẩm — bảo vệ tính chính trực trong học thuật và uy tín chuyên môn. Văn phòng Bản quyền Hoa Kỳ (US Copyright Office) đã làm rõ tình trạng bản quyền của tài liệu do AI tạo ra vào năm 2023, xác lập rằng nội dung hoàn toàn do AI tạo ra thường không thể nhận được bảo hộ bản quyền nếu không có sự đóng góp đáng kể của con người.

Nền tảng khoa học máy tính cho năng lực AI

Người học không cần bằng khoa học máy tính để có năng lực AI, nhưng việc nắm bắt được một vài khái niệm nền tảng sẽ giúp việc đánh giá và khắc phục sự cố hiệu quả hơn nhiều. Các khái niệm thiết yếu bao gồm cách dữ liệu được cấu trúc, sự khác biệt giữa các chương trình dựa trên quy tắc và các mô hình đã học, và cách các hệ thống máy tính chuyển đổi đầu vào thành đầu ra.

Các lộ trình lập trình cho người mới bắt đầu rất hữu ích ngay cả đối với những người không chuyên về kỹ thuật, vì việc viết một lượng nhỏ mã nguồn sẽ làm sáng tỏ cách AI được tích hợp vào các sản phẩm mà mọi người đang sử dụng. Các chủ đề thống kê cơ bản hoàn thiện nền tảng này: phân phối xác suất đại diện cho điều gì, tại sao điểm tin cậy (confidence score) không giống với độ chính xác, và cách kích thước mẫu và chất lượng dữ liệu ảnh hưởng đến độ tin cậy.