Tại sao chuyên môn là chìa khóa vàng để làm chủ các mô hình ngôn ngữ lớn (LLM)?

Bài viết được dịch và tổng hợp từ tin tức gốc. Bạn có thể đọc bài viết gốc bằng tiếng Anh tại đây.

Điểm tin nhanh:

• LLMs đang biến mọi người thành những người làm việc theo kiểu tổng quát, nhưng kỹ năng thực sự nằm ở chuyên môn sâu trong lĩnh vực bạn đang làm việc.
• Kỹ thuật prompting hiệu quả không chỉ là câu lệnh, mà là khả năng hiểu và điều hướng mô hình dựa trên tri thức chuyên ngành.
• Chuyên gia có khả năng khai thác giá trị từ LLM cao hơn nhiều so với người dùng phổ thông nhờ khả năng kiểm chứng và tinh chỉnh kết quả đầu ra.

Trong thập kỷ trước, nếu bạn gặp lỗ hổng kỹ thuật, chẳng hạn như không thể viết CSS, bạn buộc phải dựa vào một đồng nghiệp lành nghề hoặc cầu nguyện rằng câu trả lời nằm đâu đó trên internet. Ngày nay, mọi người đều có thể viết CSS ở mức chấp nhận được bằng cách ủy thác nhiệm vụ đó cho các mô hình ngôn ngữ lớn (LLM). LLM đang biến tất cả chúng ta thành những người làm việc theo kiểu tổng quát (generalist).

Nhiều người lầm tưởng rằng không cần kỹ năng đặc biệt nào để làm việc với LLM. Nếu bạn muốn có kết quả ở cấp độ tiến sĩ toán học, code máy tính khá ổn, hay những bài viết kiểu LinkedIn, bạn chỉ cần yêu cầu nó. Vì tất cả chúng ta đều đang trò chuyện với cùng một mô hình, nhiều người cho rằng những người có kỹ năng viết prompt tốt cũng nhận được kết quả tương đương với người mới bắt đầu. Tuy nhiên, quan điểm này hoàn toàn sai lầm.

Sức mạnh của chuyên môn trong việc điều hướng AI

Kỹ năng quan trọng nhất trong việc đặt câu hỏi cho AI chính là chuyên môn trong lĩnh vực mà bạn đang thực hiện. Một minh chứng điển hình là cuộc trò chuyện của Terence Tao với ChatGPT về phản ví dụ đối với Giả thuyết Jacobian. Đó không phải là phiên bản ChatGPT mà chúng ta thường dùng. Ngay cả với số lượng token không giới hạn, một người không có nền tảng toán học chuyên sâu cũng không thể đạt được kết quả như Tao.

Những bài học từ cách chuyên gia thao tác với AI

Thông qua cách Terence Tao tương tác, chúng ta có thể rút ra những nguyên tắc cốt lõi giúp nâng cao hiệu suất làm việc với AI:

• Thông điệp của chuyên gia thường rất ngắn gọn và đi thẳng vào vấn đề. Họ không phản hồi từng điểm một mà tập trung vào cốt lõi của vấn đề.
• Bằng cách thể hiện kiến thức chuyên môn, chuyên gia buộc mô hình phải chuyển sang chế độ nói chuyện với các nhà toán học thay vì giải thích cho người mới bắt đầu.
• Chuyên gia không trực tiếp phủ nhận khi mô hình sai, mà họ sử dụng các câu hỏi gợi mở như điều này phức tạp hơn tôi mong đợi để dẫn dắt mô hình đi đúng hướng.
• Chuyên gia luôn tự đưa ra các bước nhảy vọt và gợi ý riêng, thay vì thụ động nghe theo lời khuyên của AI về bước tiếp theo.

Việc hiểu rõ lĩnh vực giúp bạn không chỉ là người dùng mà còn là người kiểm soát. Nếu bạn đang gặp khó khăn trong việc quản lý các phiên làm việc với AI, hãy tham khảo giải pháp quản lý đa phiên Claude trên Terminal để tối ưu hóa quy trình làm việc của mình.

Bảng so sánh: Người dùng phổ thông và Chuyên gia

Chuyên môn trong kỹ thuật phần mềm

Trong lĩnh vực phát triển phần mềm, nếu bạn có một lý thuyết vững chắc về codebase của mình, bạn có thể thúc ép LLM làm việc hiệu quả hơn nhiều so với việc không có kiến thức nền tảng. Khi bạn có cảm nhận riêng về một giải pháp tốt, bạn có thể phản biện: Tôi nghĩ chỗ này có thể đơn giản hơn hoặc Chúng ta đã có hàm X xử lý việc này rồi mà?.

Thay vì chỉ copy-paste code, hãy học cách tối ưu hóa quy trình. Bạn có thể tìm hiểu thêm về việc tối ưu hóa AI Coding bằng cách chuyển đổi quy trình lặp lại thành Script để đạt hiệu suất cao hơn. Ngoài ra, việc hiểu rõ các cấu trúc dữ liệu cũng giúp bạn tránh được những sai lầm khi sử dụng AI để giải mã các đoạn mã như npm overrides.

Đánh giá & Lời khuyên Thực tiễn

Từ góc nhìn của một kỹ sư cấp cao, việc sử dụng LLM không nên là sự thay thế cho tư duy chuyên môn mà là công cụ khuếch đại tư duy đó.

• Ưu điểm: Tăng tốc độ phát triển, giảm bớt các tác vụ lặp lại, hỗ trợ brainstorming ý tưởng phức tạp.
• Nhược điểm: Rủi ro về ảo giác (hallucination) của AI nếu người dùng không có khả năng kiểm chứng. Sự phụ thuộc quá mức có thể làm cùn mòn tư duy phản biện.
• Phạm vi ứng dụng tối ưu: Sử dụng trong các dự án đòi hỏi kiến trúc phức tạp, nơi kiến thức về hệ thống (system design) là yếu tố sống còn.
• Lưu ý kỹ thuật: Luôn coi kết quả từ AI là bản nháp (draft). Trong các hệ thống Production, việc áp dụng các đặc tả thực thi (Executable Specifications) là bắt buộc để đảm bảo tính chính xác của dữ liệu.

Câu hỏi thường gặp (FAQ)

Làm sao để biết mình đã có đủ chuyên môn để điều hướng AI?

Khi bạn có thể dự đoán được các lỗi mà AI có khả năng mắc phải và biết cách đặt câu hỏi để tránh những lỗi đó ngay từ đầu, đó là lúc bạn đã làm chủ được lĩnh vực của mình.

Có nên tin tưởng tuyệt đối vào code do AI viết?

Tuyệt đối không. Bạn cần hiểu rõ logic của code đó. Nếu bạn không thể giải thích được đoạn code AI viết, bạn không nên đưa nó vào Production.

Kỹ năng nào quan trọng hơn: Prompt Engineering hay Domain Expertise?

Domain Expertise (chuyên môn) quan trọng hơn. Prompt Engineering chỉ là kỹ năng truyền đạt, còn Domain Expertise là nội dung và tư duy logic để đánh giá giá trị của kết quả.

Kết luận

Sự hữu ích của kiến thức chuyên môn cho thấy rằng chuyên gia con người sẽ tiếp tục đóng vai trò không thể thay thế ngay cả khi các mô hình AI ngày càng mạnh mẽ hơn. Đối với nhiều tác vụ, con người chính là nút thắt cổ chai, không phải mô hình, bởi phần khó nhất nằm ở việc truyền đạt chính xác giải pháp mà con người mong muốn. Thông tin đã có sẵn trong mô hình, nhưng cần một bộ não chuyên gia để khai thác nó. Hãy tiếp tục trau dồi chuyên môn và sử dụng AI như một trợ lý đắc lực. Nếu bạn thấy bài viết này hữu ích, hãy chia sẻ nó với đồng nghiệp và theo dõi hi_dev để cập nhật những xu hướng công nghệ mới nhất.