AI, LLM, and you

Tác giả: Tien Duc Nguyen – Google AI Infrastructure Engineer

[Bài viết này dựa trên personal experience và mong nó giúp các bạn 1 phần nào đó]

“AI won’t replace humans, but humans using AI will” – Garry Kasparov 

Câu nói này thì chắc các bạn ai cũng đã biết rồi nhỉ (or at least mấy năm nay sẽ nghe câu nói này khá là nhiều). Lúc đầu mình coi AI như blockchain, VR, nên mình cũng khá không coi trọng nó (mình coi nó như 1 loại tech mà chỉ temporarily famous). Nhưng từ năm ngoái sử dụng ChatGPT/Gemini/Claude, mình cảm giác này là Revolution hơn là 1 innovation đơn giản. 

Technological revolution là 1 khoảng thời gian được thay đổi mạnh mẽ bởi 1 làn sóng phát minh, và khiến ảnh hưởng mạnh mẽ tới xã hội. Revolution gần nhất là Digitalization revolution (hay gọi là chuyển đổi số), và nó ảnh hưởng mạnh mẽ như là cách các bạn gọi điện thoại cho gia đình, cách các bạn mượn sách từ thư viện, hay cả cách các bạn đi du lịch (booking).

Và LLM và AI là tiền đề của 1 Revolution mới – 1 phát minh đủ mạnh mẽ thay đổi cả xã hội. Dưới đây là cách mình lợi dụng AI để làm việc năng suất hơn (và mình open to discussion trong việc cách nào sử dụng AI tốt hơn).

LLM là gì? 

Trước tiên mình phải hiểu LLM hoạt động như thế nào đã. Khi nói về LLM thì mọi người thường nghĩ tới ChatGPT và nhớ đến nó như chatbot (chỉ là hoàn toàn mạnh mẽ hơn nhiều thôi). Nhưng nói đơn giản là, LLM sử dụng 1 architecture mới (transformer) để “đoán” ra từ tiếp theo trong câu. Bạn có nhớ autocomplete trên điện thoại của bạn không, LLM là như vậy nhưng scale lên triệu lần, thì chúng ta có LLM.

Pros của LLM:

• Có 1 lượng data cực lớn, hay đơn giản là 1 thư viện cỡ lớn về kiến thức. 
• Rất giỏi trong việc làm pattern recognition 
• Hiểu được connection giữa từng từ trong câu hỏi, predict những từ cùng loại để tạo ra 1 câu trả lời đúng nhất. 

Bạn hãy coi LLM như 1 con vẹt với kiến thức cực lớn, và nó đơn giản lặp lại những kiến thức bạn bỏ vào.

Cons của LLM:

• Giống như con vẹt vậy, LLM không thật sự nghĩ mà chỉ giả danh suy nghĩ thông qua việc pattern recognition của data mà bỏ vào nó mà thôi
• LLM không hoàn toàn đúng, vì nó dựa trên Data mà công ty bỏ vào. Đơn giản LLM không hiểu cái gì đúng cái gì sai, cái đó vẫn phải dựa vào con người 

Cách mình sử dụng AI:

Sau khi đọc hiểu về LLM, thì mình cũng hiểu là những việc AI giỏi là gì. Mình thường thì sử dụng AI lợi dụng trên những kỹ năng tốt của nó. Đây là 1 list mình sử dụng AI:

• Chỉnh chu lại design docs cho mình 
• Sửa syntax 
• Dạy mình kiến thức mới mà mình chưa bao giờ đọc (giống như thay vì đọc sách thì mình hỏi AI về kiến thức) 
• Summarizing cuộc họp, kiến thức mà mình học được sau 1 ngày/ 1 tuần
• Làm prototype những ý tưởng độc lạ của mình 
• Wording lại câu nói trong message/email/response 

AI rất tốt trong việc chỉnh chu mọi thứ và làm nó trông tốt và đẹp hơn so với first draft của mình. Nó đồng thời hỗ trợ rất nhiều trong HỌC TẬP, nhưng không phải là dựa vào nó để HIỂU 1 vấn đề hay 1 cách giải. Nó giúp bạn rất nhiều những việc nhỏ như take note, summarize lại bài học (việc mà mình rất lười), và mình dùng nó như assistant hơn là source of truth của mình (nên mình rất thích dùng deep research trong gemini vì nó phải Google Search khi trả lời câu hỏi của mình)

Mình cảm giác là bài viết của mình sẽ khá conflict, vì sao mình hỏi AI về kiến thức nhưng lại khuyên mình không nên dựa dẫm vào nó trong việc hằng ngày. Mình sẽ giải thích ngay sau đây.

Những thứ mình hạn chế sử dụng AI 

Vì AI sẽ nhận 1 lượng data cực lớn để trả lời câu hỏi, nên mình sẽ biết là nó rất giỏi việc suggest những idea lạ, hoặc rất uyên bác trong việc đưa ra những kiến thức mới. Bạn có thể dùng AI như 1 quyển sách toàn thư vậy, dùng nó để tìm hiểu những cách giải đầu tiên, hoặc hướng đi đầu tiên. 

Nhưng sách là sách, nó sẽ luôn không bao giờ hiểu được hoàn cảnh của mình, đây là khi 1 skill rất quan trọng xuất hiện: Problem solving. 

Mọi người thường biết giải quyết vấn đề là 1 skill rất quan trọng, nhưng liệu thế nào là problem solving thật sự? Theo mình thì để giải quyết 1 vấn đề thì bạn phải học cách tìm được problem đã.

Problem nói thì dễ chứ những anh chị đi làm SWE sẽ hiểu  Problem tìm rất khó vì bạn phải tìm được problem cốt lõi. Giả sử, bạn nhận được 1 bug nhưng bug đó là 1 problem thật, nhưng problem nhỏ thì chả biết bao nhiêu, là 1 quick fix là được hay cần cả cả 1 feature. Không chỉ thế, lỡ problem bạn nghĩ cũng sai thì sao, lỡ problem đó không phải là pain point mà sự thật nó chỉ là nice to solve?

Để mình ví dụ cụ thể: Bạn thi fail ngày thứ 3 vì tối thứ 2 bạn không ngủ để ôn thi. Thì vấn đề là tối thứ 2 bạn mất ngủ hả ? Hay vấn đề cốt lõi là do bạn không ôn thi trước đó để rồi tối thứ 2 bạn có thể ngủ ngon ? Hay vấn đề cốt lõi là do bạn uống cà phê vào tối thứ 2 nên không ngủ được nên ngồi dậy ôn bài. 

Mọi người quan trọng việc giải quyết vấn đề nhưng sự thật là xác định vấn đề nó còn khó hơn cả việc giải quyết, vì đơn giản giải quyết vấn đề bạn chỉ cần kinh nghiệm + pattern matching để giải quyết thôi. Đó là những skill mà AI hiện tại không làm được, đó là xác định đúng vấn đề vì nó không đủ sức để thật sự hiểu context. Khi bạn đã hiểu được vấn đề, đó là khi AI có thể giúp bạn bằng cách đưa ra những pattern có sẵn trong thư viện trên mạng mà nó biết được. 

Lời khuyên của mình trong việc này đó chính là bạn phải thật sự hiểu và quen việc xác định vấn đề. Hãy sử dụng AI để HỖ TRỢ ý nghĩ của bạn, chứ không phải THAY THẾ suy nghĩ của bạn.

Cách mình training kỹ năng của mình: 

1 cách mình hay dùng là giải bug :))) Team mình là 1 trong những team đứng đầu trong Google số lượng Bug chưa được giải (có 1 quý bọn mình tới tận 800 bug tổng cộng )

Vì bug mình hay giải thì có 1 số bug không có cách giải trước đó nếu không tìm được vấn đề cốt lõi, nên giải bug đối với mình rất vui (như tìm kho báu trên đảo hoang vậy). Đối với các bạn học sinh, nếu không có bug giao cho bạn, hãy tạo bug :))) Lên lấy những open source project có sẵn trên mạng, quậy phá nó đi bằng cách chuyển nó qua tech stack mới, và ngồi giải lại từ lúc đầu. Cách này giúp bạn training kỹ năng giải quyết vần đề của bạn, vì có nhiều tech stack AI thì không cập nhật kịp đâu.

Mình nghĩ lý do mà khá nhiều experienced dev bảo là AI khó thay thế được SWE là vì kỹ năng xác định vấn đề qua kinh nghiệm và hiểu được connection giữa các components với nhau. Nhưng không thay thế không có nghĩa là số lượng SWE sẽ bị giữ nguyên, số lượng sẽ bị giảm hay bất cứ ngành nào nếu không biết cách sử dụng AI để tăng tốc độ làm việc. Lời khuyên của mình là đừng đi ngược làn sóng của society, bạn có thể đi song song, hỗ trợ chứ đừng đi ngược lại làn sóng, vì người tuyển bạn là xã hội này nên chạy theo nó đi.

Bài viết này đã hơi dài, mong các bạn có 1 ngày vui vẻ 

P/S: Mình bỏ thêm icon nhiều bằng AI để mọi người đỡ chán vì bài dài quá