Ngày 2 · Xác định bài toán cho AI

Ý chínhGiảng viên đặt câu hỏi xuyên suốt ngày học và giới thiệu 4 câu hỏi trọng tâm sẽ được trả lời lần lượt: bài toán có thật sự cần AI, giải pháp nên ở cấp độ nào, Problem Statement đã đủ rõ chưa, và khi nào nên quyết định triển khai. Ngày học không đòi hỏi kiến thức kỹ thuật sâu, chỉ cần khả năng đặt câu hỏi và quan sát một quy trình thật.

Kỹ năngHọc viên biết mình sẽ đạt được gì sau ngày học và vì sao 4 câu hỏi này quan trọng.

Hình thứcVideo giảng viên, 3 phút, giọng dẫn dắt.

Ý chínhKhi ai đó nói "tôi muốn xây chatbot AI", đối tượng phục vụ khách hàng và đối tượng hỗ trợ nội bộ dẫn tới quy trình, chỉ số và rủi ro hoàn toàn khác nhau. "Chatbot" chỉ là hình hài giải pháp, chưa phải một bài toán được định nghĩa rõ. Nhầm lẫn phổ biến là nhìn thấy hình hài giải pháp trước khi hiểu bài toán bên dưới nó thật sự là gì. Học viên cần tách "cái được yêu cầu" ra khỏi "vấn đề cần giải quyết" trước khi bàn đến công nghệ.

Kỹ năngHọc viên tách được yêu cầu mơ hồ thành nhiều bài toán con khác nhau tùy đối tượng phục vụ.

Hình thứcVideo 5 phút, đối chiếu hai nhóm đối tượng — khách hàng bên ngoài, nhân sự nội bộ — cho cùng một yêu cầu "chatbot AI".

Ý chínhTrước một yêu cầu ứng dụng AI, 4 câu hỏi cần đặt ra trước khi đề xuất giải pháp: học viên gặp khó ở công đoạn nào, người hỗ trợ quá tải ở bước nào, quy trình hiện tại xử lý ra sao, và giải pháp này phục vụ ai. Học viên xem hai kịch bản trên cùng một yêu cầu mơ hồ — một kịch bản đề xuất giải pháp ngay, một kịch bản đặt 4 câu hỏi làm rõ trước — rồi so sánh giải pháp cuối cùng của hai kịch bản chạm đúng nút thắt thực tế đến đâu. Hoạt động này rèn phản xạ dừng lại trước khi nhảy vào giải pháp.

Kỹ năngHọc viên đặt được ít nhất 2 câu hỏi làm rõ bài toán trước khi đề xuất giải pháp.

Hình thứcTương tác 4 phút, học viên so sánh cặp kịch bản "đề xuất ngay" và "hỏi trước rồi mới đề xuất" trên cùng một tình huống cấu hình sẵn. Cần người hướng dẫn điều phối thảo luận. Phương án thay thế: bài tập viết 3 câu hỏi làm rõ, chấm theo rubric có sẵn.

Ý chínhMô hình Double Diamond chia quá trình thành hai kim cương nối tiếp: kim cương thứ nhất mở rộng để khảo sát vấn đề căn bản rồi thu hẹp để xác định đúng bài toán gốc, kim cương thứ hai mở rộng để tìm nhiều giải pháp tiềm năng rồi thu hẹp để chọn và triển khai. Một giải pháp xuất sắc cho sai vấn đề có thể còn tệ hơn không có giải pháp nào. Người làm kỹ thuật và kinh doanh thường được đào tạo để giải vấn đề, trong khi người làm thiết kế được đào tạo để khám phá đúng vấn đề trước.

Kỹ năngHọc viên phân biệt được hai kim cương và giải thích được vì sao sai vấn đề nguy hiểm hơn sai giải pháp.

Hình thứcVideo 6 phút, hai kim cương hiện dần theo trình tự mở rộng rồi thu hẹp, kèm một ví dụ giải pháp tốt áp cho sai vấn đề.

Ý chínhHọc viên so sánh trực tiếp hai kịch bản trên cùng một tình huống: một đội làm đúng một giải pháp tồi, một đội làm một giải pháp xuất sắc cho sai bài toán, rồi dự đoán đội nào tốn nhiều nguồn lực hơn về lâu dài trước khi xem kết quả mô phỏng. Ba cơ chế khiến người ta khó nhận ra mình đang sai bài toán: chi phí chìm khiến khó quay lại bước đầu sau khi đã đi nhiều bước, hiệu ứng neo vào đích ban đầu, và ảo tưởng rằng mình đã hiểu đúng. Trực giác ban đầu hay cho rằng hai loại sai này tương đương nhau; mô phỏng cho thấy chúng không tương đương.

Kỹ năngHọc viên giải thích được bằng ví dụ cụ thể vì sao sai bài toán tốn nhiều nguồn lực hơn sai giải pháp.

Hình thứcỞ nhà: video 4 phút giới thiệu cặp tương phản. Trên lớp: tương tác 3 phút, học viên dự đoán trước rồi quan sát số nguồn lực hao phí của từng kịch bản trên dữ liệu cấu hình sẵn. Phương án thay thế: slide so sánh hai kịch bản kèm số liệu minh họa.

Ý chínhBốn kỹ thuật thường dùng ở giai đoạn mở rộng của Diamond thứ nhất: quan sát thực tế, phỏng vấn người dùng, khảo sát, và phân tích dữ liệu vận hành sẵn có. Quan sát trực tiếp thường phát hiện được vấn đề mà người dùng không tự kể ra, vì nhiều thói quen và điểm nghẽn đã trở thành phản xạ mà chính người trong cuộc không còn để ý. Vòng lặp thiết kế lấy con người làm trung tâm gồm năm bước — quan sát, tạo ý tưởng, tạo mẫu thử, kiểm tra, lặp lại — và có thể quay lại bước trước bất kỳ lúc nào nếu phát hiện hiểu sai.

Kỹ năngHọc viên chọn được kỹ thuật phù hợp giữa quan sát và phỏng vấn tùy loại vấn đề.

Hình thứcVideo 6 phút, bốn kỹ thuật minh họa bằng ví dụ ngắn, vòng lặp năm bước hiện dần kèm mũi tên quay lại.

Ý chính3 câu kiểm tra: phân biệt hai kim cương của Double Diamond, ba cơ chế khiến khó quay lại bước đầu, và kỹ thuật phù hợp cho một tình huống cho sẵn.

Kỹ năngHọc viên tự kiểm tra ba ý chính của module.

Hình thứcQuiz 3 câu, chấm ngay, có giải thích khi sai.

Ý chínhSáu trường tối thiểu để định hình một bài toán trước khi bàn giải pháp: bài toán viết trong một câu không chứa giải pháp, đối tượng chịu ảnh hưởng trực tiếp, quy trình hiện tại gồm ba đến bảy bước, nút thắt và tác động cụ thể, chỉ số đo thành công, và định hướng giải pháp ở mức chưa chốt. Một Problem Card điền đầy đủ giúp học viên tự kiểm tra xem mình đã hiểu đủ bài toán hay còn đang mô tả cảm nhận chung chung. Ví dụ minh họa: một báo cáo định kỳ mất khoảng 90 phút tổng hợp từ nhiều nguồn, trong đó riêng bước viết diễn giải chiếm phần lớn thời gian.

Kỹ năngHọc viên điền được đầy đủ sáu trường của Problem Card cho một tình huống cho sẵn.

Hình thứcVideo 6 phút, sáu trường hiện dần kèm một ví dụ đã điền đầy đủ để đối chiếu.

Ý chínhBa bước biến một điểm đau thành chỉ số định lượng: xác định hiện trạng bằng con số cụ thể, đặt mục tiêu cải thiện ở ngưỡng rõ ràng, và chọn cách đo cùng nguồn dữ liệu thu thập được. Nhầm lẫn phổ biến là dùng một chỉ số đầu ra dễ nhìn thấy để đại diện cho giá trị thực, trong khi chỉ số đó có thể tăng mà không phản ánh giá trị thật người dùng nhận được. Một điểm đau chưa được định lượng thì không có căn cứ để đánh giá bất kỳ cải tiến nào, kể cả khi giải pháp cuối cùng không dùng AI.

Kỹ năngHọc viên tự tính được hiện trạng, mục tiêu và cách đo cho một điểm đau cụ thể.

Hình thứcVideo 6 phút, ba bước minh họa bằng ba ví dụ số — thời gian hoàn thành, chất lượng công việc, tải trọng vận hành.

Ý chínhChỉ số đầu ra là kết quả cuối cùng cần tối ưu, còn chỉ số đầu vào là những đòn bẩy có thể tác động để đạt kết quả đó; nhầm lẫn phổ biến là tối ưu một chỉ số đầu vào tăng nhưng chỉ số đầu ra không đổi, ví dụ một chỉ số tương tác tăng trong khi mức độ hài lòng thật không tăng theo. Học viên dự đoán trước liệu một chỉ số đầu vào tăng có kéo theo chỉ số đầu ra tăng hay không, sau đó quan sát dữ liệu mô phỏng để kiểm chứng dự đoán của mình. Câu hỏi khép lại: "nâng cao hiệu suất" không phải một chỉ số — nó cần gắn với hiện trạng, mục tiêu và phương pháp đo cụ thể.

Kỹ năngHọc viên phân biệt được chỉ số đầu ra và chỉ số đầu vào, chọn đúng loại cho một tình huống cho sẵn.

Hình thứcTương tác 4 phút, học viên dự đoán trước rồi quan sát mối quan hệ giữa một chỉ số đầu vào và một chỉ số đầu ra trên hai kịch bản cấu hình sẵn. Kèm trang tóm tắt bảng so sánh đầu ra – đầu vào để học viên lưu lại. Phương án thay thế: video so sánh hai kịch bản có kết quả trái ngược nhau.

Ý chính3 câu kiểm tra: sáu trường của Problem Card, ba bước định lượng hóa, và phân biệt chỉ số đầu ra với chỉ số đầu vào.

Kỹ năngHọc viên tự kiểm tra ba ý chính của module.

Hình thứcQuiz 3 câu, chấm ngay.

Ý chínhBa bước tuần tự để trả lời có nên ứng dụng AI: bước một xác định bài toán có nằm trong nhóm việc AI làm tốt hơn hẳn một quy tắc tĩnh hay không, bước hai xác định AI nên làm thay hay chỉ hỗ trợ con người và ở cấp độ kỹ thuật nào, bước ba định nghĩa rõ thế nào là một câu trả lời "đúng" và ngưỡng thành công đo được. Ba bước này cùng khung với 4 câu hỏi trọng tâm của ngày học: có thật sự cần AI, giải pháp ở cấp độ nào, Problem Statement đã đủ rõ chưa, và khi nào quyết định triển khai. Đi hết ba bước, học viên trả lời được cả 4 câu hỏi đó.

Kỹ năngHọc viên liệt kê được ba bước và giải thích câu hỏi mỗi bước cần trả lời.

Hình thứcVideo 6 phút, ba bước hiện dần với một ví dụ ngắn cho từng bước trên cùng một tình huống.

Ý chínhTám trường hợp AI thường làm tốt hơn: gợi ý theo từng người, dự đoán tương lai, cá nhân hóa, hiểu ngôn ngữ tự nhiên, nhận diện cả một lớp thực thể, phát hiện cái hiếm và biến đổi, xử lý một lĩnh vực chuyên biệt, và tạo nội dung động thay giao diện tĩnh. Ngược lại, sáu trường hợp AI thường không tốt hơn: cần duy trì tính dự đoán được, thông tin tĩnh ít thay đổi, lỗi quá tốn kém, cần minh bạch tuyệt đối, cần tối ưu tốc độ và vận hành đơn giản, hoặc là việc người dùng muốn tự làm. Nếu một giải pháp dựa trên quy tắc đơn giản giải quyết được bài toán, đó luôn là lựa chọn dễ xây, dễ giải thích và dễ bảo trì hơn.

Kỹ năngHọc viên xếp được một bài toán cho sẵn vào nhóm AI có lợi thế hay không có lợi thế.

Hình thứcVideo 7 phút, mười bốn trường hợp trình bày theo hai cột đối lập, mỗi trường hợp kèm một ví dụ ngắn.

Ý chínhMột giải pháp AI thực tế là một hệ thống nhiều thành phần chứ không dừng lại ở mô hình ngôn ngữ: model xử lý đọc hiểu và tổng hợp, context là tri thức chuyên biệt giúp model phản hồi đúng bối cảnh, planning điều phối việc phân rã tác vụ phức tạp, và tools liên kết với hệ thống bên ngoài như cơ sở dữ liệu hay lịch làm việc. Nhầm lẫn phổ biến là đánh giá năng lực một giải pháp AI chỉ qua model được chọn, trong khi phần lớn chất lượng thực tế đến từ ba thành phần còn lại.

Kỹ năngHọc viên liệt kê được bốn thành phần và vai trò riêng của từng thành phần.

Hình thứcVideo 5 phút, bốn thành phần hiện dần quanh model.

Ý chínhAutomate là AI làm thay con người, phù hợp khi việc khó hoặc nhàm chán và có một đáp án đúng được đồng thuận; augment là AI hỗ trợ con người, phù hợp khi người dùng muốn tự làm, mức rủi ro cao, hoặc kết quả cần trách nhiệm cá nhân. Quyết định này áp dụng theo từng tác vụ chứ không theo toàn bộ sản phẩm — cùng một hệ thống có thể automate tác vụ này và augment tác vụ khác. Học viên dự đoán trước một tác vụ nên automate hay augment dựa trên mức rủi ro và mức độ cần trách nhiệm cá nhân, sau đó quan sát kết quả mô phỏng để kiểm chứng.

Kỹ năngHọc viên chọn đúng giữa automate và augment cho một tác vụ cụ thể và giải thích được lý do.

Hình thứcTương tác 4 phút, học viên dự đoán rồi quan sát bốn tác vụ cấu hình sẵn với mức rủi ro khác nhau. Phương án thay thế: video minh họa bốn tác vụ mẫu.

Ý chính3 câu kiểm tra: ba bước thẩm định AI, một trường hợp AI có lợi thế, và phân biệt automate với augment.

Kỹ năngHọc viên tự kiểm tra ba ý chính của module.

Hình thứcQuiz 3 câu, chấm ngay.

Ý chínhCấp độ Rule phù hợp khi đầu vào ổn định, logic viết được thành nếu-thì và cần kết quả đúng tuyệt đối; cấp độ Workflow phù hợp khi đầu vào đa dạng hơn, đầu ra cần linh hoạt như tóm tắt hay phân loại, và có cách đo chất lượng rõ ràng; cấp độ Agent phù hợp khi tác vụ nhiều bước, dùng nhiều công cụ, và tình huống thay đổi liên tục đòi hỏi tự ra quyết định giữa các bước. Rule và Workflow khác nhau ở chỗ lộ trình xử lý của Workflow vẫn do người thiết kế định trước, trong khi Agent để model tự điều phối lộ trình và cách dùng công cụ. Thứ tự ưu tiên thực dụng là bắt đầu từ cấp độ đơn giản nhất, chỉ đi lên cấp độ phức tạp hơn khi giá trị tăng thêm vượt chi phí phức tạp tăng thêm.

Kỹ năngHọc viên phân biệt được ba cấp độ và nêu được điều kiện áp dụng của từng cấp.

Hình thứcVideo 7 phút, ba cấp độ trình bày theo cột kèm ví dụ ứng dụng cho mỗi cấp.

Ý chínhTrên cùng một tình huống — một lớp học quy mô lớn với nguồn lực hỗ trợ có hạn — học viên lần lượt xem xét cả ba cấp độ giải pháp: Rule tự động trả lời các câu hỏi lặp lại theo từ khóa, Workflow để AI rà soát và yêu cầu bổ sung thông tin trước khi chuyển cho người duyệt, và Agent để hệ thống tự theo dõi tiến độ và chủ động đề xuất can thiệp. Học viên dự đoán trước cấp độ nào phù hợp nhất với từng dạng câu hỏi trong tình huống, sau đó quan sát hệ quả của việc chọn sai cấp độ — quá đơn giản thì bỏ sót trường hợp cần linh hoạt, quá phức tạp thì chi phí và độ trễ tăng không cần thiết. Nhầm lẫn phổ biến là cho rằng logic rành mạch dạng nếu-thì vẫn cần đến AI, trong khi một quy tắc tĩnh giải quyết triệt để bài toán đó với ít rủi ro hơn.

Kỹ năngHọc viên chọn đúng cấp độ giải pháp cho từng dạng câu hỏi trong một tình huống cho sẵn và giải thích được lý do.

Hình thứcTương tác 5 phút, học viên dự đoán trước rồi quan sát hệ quả của việc chọn Rule, Workflow hoặc Agent trên năm dạng câu hỏi cấu hình sẵn. Cần người hướng dẫn điều phối thảo luận khi có bất đồng. Phương án thay thế: video minh họa ba cấp độ trên cùng một tình huống.

Ý chính5 câu hỏi tuần tự giúp tránh nhảy thẳng lên cấp độ phức tạp: tần suất và tác động có đủ lớn, logic xử lý có rành mạch, quy trình có cố định, quy trình có cần tự thích ứng linh hoạt, và giá trị mang lại có vượt chi phí cùng rủi ro. Mỗi nhánh trả lời "không" là một lần tránh được độ phức tạp không cần thiết — chỉ đi tiếp lên cấp độ cao hơn khi câu trả lời buộc phải như vậy. Việc phức tạp không đồng nghĩa với hiệu quả; cấp độ tối giản nhất đủ giải quyết bài toán luôn là lựa chọn hợp lý.

Kỹ năngHọc viên áp dụng được thang câu hỏi để tự chọn cấp độ giải pháp cho một tình huống mới.

Hình thứcVideo 6 phút, thang 5 câu hỏi hiện dần kèm cây quyết định tổng hợp ở cuối.

Ý chínhCùng khung ba cấp độ áp dụng vào ba lĩnh vực: chăm sóc khách hàng đi từ định tuyến phiếu hỗ trợ theo từ khóa đến soạn nháp câu trả lời có trích dẫn nguồn rồi đến xử lý quy trình đa bước; nghiên cứu bán hàng đi từ lọc khách hàng tiềm năng đến tổng hợp thông tin rồi đến giám sát tín hiệu thị trường; kho tri thức nội bộ đi từ phân phối chính sách theo nhu cầu đến hỏi đáp có trích dẫn rồi đến giám sát thay đổi pháp lý. Ba ví dụ này cho thấy cùng một cấu trúc ba cấp độ lặp lại nhất quán bất kể lĩnh vực, giúp học viên nhận diện cấp độ phù hợp nhanh hơn khi gặp bài toán mới.

Kỹ năngHọc viên nhận diện được cấp độ phù hợp cho một bài toán ở lĩnh vực chưa từng gặp.

Hình thứcTrang đọc 3 phút, ba lĩnh vực trình bày song song theo ba cấp độ.

Ý chính4 câu kiểm tra: điều kiện áp dụng của từng cấp độ, khác biệt giữa Workflow và Agent, và một câu áp dụng thang câu hỏi vào tình huống mới.

Kỹ năngHọc viên tự kiểm tra trước khi sang module tiếp theo.

Hình thứcQuiz 4 câu, chấm ngay.

Ý chínhReward function là công thức quyết định đâu là một dự đoán đúng, đâu là sai, và chính công thức đó định hình trải nghiệm người dùng cuối — vì vậy nó cần được thiết kế liên chức năng giữa thiết kế sản phẩm, trải nghiệm người dùng và kỹ thuật. Bốn kết quả có thể xảy ra với một hệ thống gợi ý: đúng-tích cực khi gợi ý đúng chỗ cần, đúng-tiêu cực khi đúng là không cần can thiệp, báo động giả khi gợi ý sai và gửi thẳng cho người dùng, và bỏ sót khi hệ thống không phát hiện trường hợp cần giúp. Chi phí của báo động giả và bỏ sót không đối xứng nhau — một báo cháy giả không nghiêm trọng bằng bỏ sót một đám cháy thật — và cân nhắc đánh đổi này là quyết định then chốt khi thiết kế reward function.

Kỹ năngHọc viên phân biệt được bốn kết quả có thể xảy ra và giải thích được vì sao chi phí của chúng không đối xứng.

Hình thứcVideo 6 phút, bốn kết quả trình bày theo ma trận hai chiều kèm một ví dụ cho mỗi ô.

Ý chínhPrecision cao nghĩa là hệ thống đưa ra ít gợi ý nhưng gợi ý nào cũng gần như chắc đúng, đổi lại bỏ sót nhiều trường hợp thật sự cần giúp; recall cao nghĩa là hệ thống bao trọn hầu hết trường hợp cần giúp, đổi lại gợi ý sai nhiều hơn và cần người kiểm tra lại. Đẩy ngưỡng về phía này thì chất lượng phía kia xấu đi — không có một cấu hình nào đúng tuyệt đối cho mọi bài toán, việc chọn điểm cân bằng phải dựa trên kiểm chứng với chính người dùng và mức độ chấp nhận rủi ro của từng tình huống. Trực giác ban đầu hay tìm một điểm "tối ưu" chung, trong khi đây là một đánh đổi có chủ đích.

Kỹ năngHọc viên giải thích được đánh đổi giữa precision và recall và chọn hướng ưu tiên phù hợp cho một tình huống cho sẵn.

Hình thứcVideo 6 phút, hai hướng kéo ngưỡng minh họa bằng animation thanh trượt hai chiều.

Ý chínhHọc viên thao tác trực tiếp trên một công cụ trực quan hóa: kéo thanh trượt nghiêng về precision hoặc recall và quan sát số lượng bốn loại kết quả — đúng-tích cực, đúng-tiêu cực, báo động giả, bỏ sót — thay đổi tương ứng trên cùng một tập dữ liệu cấu hình sẵn. Trước khi kéo, học viên dự đoán số bỏ sót sẽ tăng hay giảm, sau đó so sánh với kết quả thực tế để tự kiểm chứng trực giác của mình. Hoạt động này giúp học viên cảm nhận đánh đổi bằng số liệu cụ thể thay vì chỉ hiểu khái niệm trên lý thuyết.

Kỹ năngHọc viên đọc được ảnh hưởng của việc thay đổi ngưỡng lên bốn loại kết quả trên một tập dữ liệu cụ thể.

Hình thứcTương tác 4 phút trên công cụ trực quan hóa nhúng sẵn, có hướng dẫn từng bước. Phương án thay thế: video minh họa kéo thanh trượt trên hai kịch bản.

Ý chínhMột khuôn mẫu giúp viết tiêu chí thành công cụ thể: nếu một chỉ số của một tính năng AI giảm dưới hoặc vượt quá một ngưỡng có ý nghĩa, hệ thống sẽ thực hiện một hành động cụ thể — ví dụ nếu tỷ lệ gợi ý bị người duyệt sửa vượt quá một ngưỡng nhất định trong một khoảng thời gian, mức tự động hóa sẽ được hạ xuống. Trước khi chốt một chỉ số, 3 câu hỏi cần trả lời: chỉ số có ý nghĩa với mọi người dùng hay không, có nhóm nào bị ảnh hưởng tiêu cực hay không, và thành công ở giai đoạn đầu có còn là thành công ở quy mô lớn hơn hay không. Tiêu chí thành công cũng cần được xem lại định kỳ chứ không phải chốt một lần rồi bỏ qua.

Kỹ năngHọc viên viết được một tiêu chí thành công theo khuôn mẫu nếu-thì cho một tình huống cho sẵn.

Hình thứcVideo 5 phút, khuôn mẫu và một ví dụ đã điền, kèm 3 câu hỏi kiểm tra trước khi chốt chỉ số.

Ý chínhBa loại lỗi AI thường gặp: lỗi sai bối cảnh khi hệ thống chạy đúng nhưng giả định sai về người dùng hoặc thời điểm, lỗi không trả lời được khi hệ thống không có câu trả lời đúng cho tình huống, và lỗi ngầm khi cả người dùng lẫn hệ thống đều không nhận ra sai sót — nhóm lỗi này nguy hiểm nhất vì cần chủ động kiểm tra thay vì chờ người dùng báo lỗi. Bốn cách xử lý tương ứng: làm rõ ý định khi thông tin chưa đủ, minh bạch nguồn thông tin, yêu cầu phê duyệt thủ công trước tác vụ rủi ro cao, và giới hạn rõ phạm vi hoạt động tự chủ của AI. Viết ranh giới và điểm cần con người phê duyệt vào Problem Statement chính là khai báo trước lỗi nào được phép xảy ra và ai chịu trách nhiệm bắt lỗi đó.

Kỹ năngHọc viên xếp được một lỗi cho sẵn vào đúng loại và chọn được cách xử lý phù hợp.

Hình thứcỞ nhà: video 6 phút, ba loại lỗi minh họa bằng ví dụ ngắn cho mỗi loại. Trên lớp: thảo luận tình huống 3 phút, học viên phân loại một lỗi thực tế cho sẵn và đề xuất cách xử lý cùng người hướng dẫn.

Ý chính4 câu kiểm tra: bốn kết quả có thể xảy ra với một hệ thống gợi ý, đánh đổi precision và recall, khuôn mẫu tiêu chí thành công, và phân loại một lỗi AI cho sẵn.

Kỹ năngHọc viên tự kiểm tra bốn ý chính của module.

Hình thứcQuiz 4 câu, chấm ngay.

Ý chínhMột Problem Statement hoàn chỉnh gồm sáu trường về bài toán cốt lõi — đối tượng ảnh hưởng, quy trình hiện tại, nút thắt, tác động, chỉ số thành công và ranh giới — cộng ba trường về quyết định ứng dụng AI — điểm AI can thiệp, mức chọn giữa Rule, Workflow hay Agent, và cách xử lý rủi ro cùng điểm cần con người phê duyệt. Chín trường này chính là nơi hội tụ mọi nội dung đã học trong ngày: định lượng hóa từ module về Problem Statement, cấp độ giải pháp từ module về Rule, Workflow và Agent, và ranh giới xử lý lỗi từ module trước đó. Một bản tóm tắt mơ hồ không thể thay thế cho một Problem Statement đủ chín trường.

Kỹ năngHọc viên điền được đầy đủ chín trường của Problem Statement cho một tình huống cho sẵn.

Hình thứcVideo 7 phút ghi lại một Problem Statement mẫu được điền đầy đủ, giải thích từng trường trong chín trường. Kèm bảng chín trường dạng tài liệu tra cứu để học viên lưu lại.

Ý chính5 câu hỏi kiểm tra mức sẵn sàng trước khi quyết định: nghiệp vụ có thật sự cần xử lý ngôn ngữ hoặc suy luận, dữ liệu đầu vào có đủ ngữ cảnh, đã có chỉ số định lượng để đánh giá hiệu quả chưa, hậu quả khi AI sai có nằm trong phạm vi kiểm soát, và có giải pháp thay thế đơn giản hơn AI hay không. Ba lựa chọn quyết định: Go khi bài toán rõ ràng và rủi ro kiểm soát được, Not Yet khi còn triển vọng nhưng cần bổ sung dữ liệu hoặc chuẩn hóa quy trình trước, và No-Go khi AI không mang giá trị vượt trội hoặc rủi ro vận hành quá cao. Quyết định Not Yet thể hiện sự chín chắn trong tư duy thiết kế sản phẩm, không phải một thất bại.

Kỹ năngHọc viên áp dụng được 5 câu hỏi gate để tự ra quyết định Go, Not Yet hay No-Go cho một Problem Statement cho sẵn.

Hình thứcVideo 6 phút, 5 câu hỏi hiện dần rồi dẫn vào ba nhánh quyết định.

Ý chínhHọc viên nhận hai Problem Statement gần giống nhau nhưng khác nhau ở một vài trường then chốt — một bản có chỉ số định lượng và ranh giới rõ, bản còn lại còn mơ hồ ở đúng những trường đó — rồi dự đoán quyết định phù hợp cho từng bản trước khi so sánh với gợi ý của hệ thống dựa trên 5 câu hỏi gate. Bài tập giúp học viên thấy rõ một thay đổi nhỏ ở một trường của Problem Statement có thể đổi cả kết luận Go, Not Yet hay No-Go. Hoạt động này chuẩn bị trực tiếp cho phần ra quyết định trong lab.

Kỹ năngHọc viên chỉ ra được trường nào trong Problem Statement quyết định kết quả gate thay đổi.

Hình thứcTương tác 5 phút, học viên dự đoán rồi quan sát kết quả gate của hai Problem Statement cấu hình sẵn khác nhau ở một vài trường. Cần người hướng dẫn hỗ trợ khi học viên tranh luận trường nào là nguyên nhân chính. Phương án thay thế: bài tập so sánh hai Problem Statement trên giấy.

Ý chính4 câu kiểm tra: chín trường của Problem Statement, 5 câu hỏi gate, ý nghĩa của quyết định Not Yet, và một câu áp dụng gate vào tình huống mới.

Kỹ năngHọc viên tự kiểm tra trước khi vào lab.

Hình thứcQuiz 4 câu, chấm ngay.

Ý chínhGiảng viên trả lời 4 câu hỏi trọng tâm đầu ngày bằng sáu nguyên tắc cốt lõi: một bản tóm tắt mơ hồ không thay thế được Problem Statement; quy trình phải được mô hình hóa trước khi tích hợp AI; điểm đau phải được lượng hóa bằng hiện trạng và chỉ số cụ thể; Rule, Workflow và Agent là ba cấp độ khác nhau chứ không phải một thang phức tạp càng cao càng tốt; quyết định Go, Not Yet hay No-Go phải dựa trên lập luận và số liệu kiểm thử; và reward function cần đo bằng trải nghiệm người dùng chứ không chỉ độ chính xác. Giới thiệu Ngày 3.

Kỹ năngHọc viên tóm tắt được sáu nguyên tắc cốt lõi bằng ngôn ngữ của mình.

Hình thứcVideo giảng viên, 3 phút.

Ý chínhBộ não có xu hướng ưu tiên phản xạ nhanh hơn suy nghĩ chậm và có chủ đích, khiến việc nhìn thấy một giải pháp quen thuộc xảy ra gần như tức thời trong khi việc hiểu đúng bài toán đòi hỏi nỗ lực có ý thức. Kiến thức ngầm của người có kinh nghiệm — khả năng chọn đúng phương án mà không giải thích được lý do — càng khiến quán tính nhảy vào giải pháp trở nên khó nhận ra. Phương pháp tư duy từ nguyên lý gốc, tách một vấn đề về những thành phần cơ bản nhất rồi hỏi lại từng thành phần có thật sự cần thiết, là một cách luyện tập để làm chậm phản xạ này lại. Mở rộng cho module 1.

Kỹ năngHọc viên nhận diện được lúc nào mình đang phản xạ nhanh thay vì suy nghĩ chậm về một bài toán.

Hình thứcVideo 8 phút, có ví dụ minh họa hai hệ thống tư duy nhanh và chậm.

Ý chínhNhiều bài toán chứa cả phần có thể giải quyết chắc chắn bằng công thức hoặc quy tắc và phần cần xử lý ngôn ngữ tự nhiên với độ chính xác xác suất; nhầm lẫn phổ biến là giao cả bài toán cho một mô hình ngôn ngữ xử lý toàn bộ, kể cả phần lẽ ra nên tách ra làm bằng công cụ tính toán chắc chắn. Một ví dụ minh họa: một bài toán số học đơn giản có phần khuôn mẫu cố định nên tách ra xử lý bằng công cụ, trong khi phần diễn giải ngôn ngữ tự nhiên xung quanh mới cần đến khả năng của model. Việc phân tách rõ hai phần này giúp hệ thống vừa chính xác hơn ở phần chắc chắn, vừa linh hoạt hơn ở phần cần xử lý ngôn ngữ. Mở rộng cho module 3 và module 4.

Kỹ năngHọc viên tách được một bài toán cho sẵn thành phần chắc chắn và phần xác suất.

Hình thứcVideo 8 phút, một bài toán mẫu được tách thành hai phần với minh họa từng phần.

Ý chính6 pattern tổ chức một hệ thống AI nhiều bước, từ cơ bản đến tự chủ: chuỗi liên kết chia tác vụ thành các bước tuần tự có gate kiểm tra giữa chừng, phân luồng đưa mỗi loại đầu vào vào nhánh chuyên biệt, chạy song song rồi tổng hợp hoặc lấy đa số phiếu, điều phối — thực thi khi không thể liệt kê trước toàn bộ việc nhỏ, đánh giá — tối ưu khi một hệ thống tạo ra rồi một hệ thống khác chấm và phản hồi cho đến khi đạt yêu cầu, và agent tự lập kế hoạch, gọi công cụ và quan sát phản hồi trong một vòng lặp tự chủ. Người thiết kế sản phẩm không cần viết được từng pattern, nhưng cần đọc được sơ đồ và nói được mỗi pattern đánh đổi điều gì — vì điều đó quyết định chi phí, độ trễ, khả năng kiểm thử và dạng lỗi của hệ thống. Nguyên tắc chung: luôn ưu tiên pattern đơn giản nhất, chỉ tăng độ phức tạp khi quy trình thực tế yêu cầu. Mở rộng cho module 4.

Kỹ năngHọc viên đọc được sơ đồ của một pattern cho sẵn và nêu được nó đánh đổi điều gì.

Hình thứcVideo 10 phút, sáu pattern trình bày theo sơ đồ luồng, mỗi pattern kèm một ví dụ ứng dụng.

Ý chínhMỗi giai đoạn từ ý tưởng đến vận hành thực tế của một sản phẩm AI đòi hỏi phương thức xác thực chuyên biệt riêng, và mỗi lần chuyển giai đoạn là một cổng cần quyết định đi tiếp hay dừng lại. Ngày học này nằm ở hai mốc đầu tiên của vòng đời — lên kế hoạch và thiết lập kỳ vọng — tức là xác định bài toán và thiết lập kỳ vọng trước khi bàn đến việc chọn model hay triển khai. Nhìn cả vòng đời giúp học viên hiểu vì sao một Problem Statement chặt chẽ ở giai đoạn đầu giúp tiết kiệm rất nhiều công sức ở các giai đoạn sau. Mở rộng cho module 3.

Kỹ năngHọc viên định vị được ngày học đang ở giai đoạn nào trong vòng đời sản phẩm AI.

Hình thứcVideo 8 phút với sơ đồ vòng đời đầy đủ, các mốc hiện dần từ ý tưởng đến vận hành.

Ý chínhMọi hệ thống AI đều có một phạm vi vận hành được thiết kế để hoạt động tốt — ra khỏi phạm vi đó, hệ thống nên biết dừng lại và chuyển giao thay vì tiếp tục đưa ra câu trả lời không đáng tin. Xác định ranh giới này đòi hỏi trả lời trước những câu hỏi cụ thể: hệ thống được phép tự quyết đến đâu, dấu hiệu nào cho biết một tình huống đã vượt ra ngoài phạm vi thiết kế, và ai chịu trách nhiệm khi điều đó xảy ra. Nhầm lẫn phổ biến là cho rằng phạm vi càng rộng thì sản phẩm càng mạnh, trong khi phạm vi không rõ ràng chính là nguyên nhân phổ biến khiến một hệ thống hoạt động tốt trong thử nghiệm nhưng thất bại khi vận hành thật. Mở rộng cho module 6.

Kỹ năngHọc viên xác định được ranh giới vận hành cho một hệ thống AI cho sẵn.

Hình thứcVideo 8 phút, ranh giới minh họa bằng một ví dụ hệ thống hoạt động tốt trong phạm vi thiết kế rồi thất bại khi ra ngoài phạm vi đó.

Ý chínhMỗi lượt một hệ thống sản phẩm gọi đến một mô hình AI đều phát sinh phí tổn tính theo khối lượng xử lý, và phí tổn này cộng dồn nhanh khi quy mô người dùng tăng lên — khác với một quy tắc tĩnh chạy trên hạ tầng có sẵn gần như không tốn thêm theo từng lượt. Người thiết kế sản phẩm cần ước tính được khối lượng lượt gọi theo tháng và cân nhắc phương án giảm khối lượng đó, ví dụ chuyển những tác vụ đơn giản sang một quy tắc tĩnh hoặc một model nhỏ hơn, trước khi đưa một tính năng dùng AI ra quy mô lớn. Câu hỏi cần trả lời trước khi mở rộng quy mô: khối lượng dự kiến là bao nhiêu, và phần nào trong đó thật sự cần đến khả năng của một mô hình ngôn ngữ. Mở rộng cho module 3 và module 4.

Kỹ năngHọc viên ước tính được khối lượng lượt gọi AI theo tháng cho một tình huống cho sẵn.

Hình thứcVideo 6 phút, một ví dụ khối lượng lượt gọi tăng dần theo quy mô người dùng.

Ý chínhHọc viên quét ít nhất năm bài toán từ trải nghiệm thực tế bằng nhiều lăng kính khác nhau, chọn ba bài toán viết thành Problem Card, sau đó làm việc nhóm để phản biện chéo, chốt một bài toán để đào sâu, xác thực bằng nghiên cứu hoặc kiểm chứng nhanh, vẽ workflow hiện tại và sau cải tiến, viết Problem Statement đầy đủ chín trường, chọn cấp độ Rule, Workflow hay Agent, và ra quyết định Go, Not Yet hay No-Go có lý do. Lab kết thúc bằng một bài phản tư cá nhân về vai trò của AI trong quá trình làm bài, những chỗ AI sai hoặc hời hợt, và vai trò của bản thân trong nhóm. Bài nộp gồm ba phần trong một kho lưu trữ cá nhân: quét bài toán cá nhân, Problem Statement của nhóm, và phản tư cá nhân.

Kỹ năngHọc viên viết được một Problem Statement đầy đủ chín trường và bảo vệ được quyết định Go, Not Yet hay No-Go bằng lập luận có căn cứ.

Hình thứcLab 4 giờ tại lớp với người hướng dẫn, theo bảy giai đoạn từ ví dụ mẫu đến phản tư cá nhân. Kèm ví dụ bài nộp hoàn chỉnh và bảng tiêu chí chấm điểm để học viên đối chiếu.