Trí tuệ Nhân tạo

Sinh viên ngành Trí tuệ nhân tạo sẽ tập trung vào 4 nhóm kiến thức chính:

Nhóm kiến thức	Nội dung cụ thể
Toán học chuyên sâu	Xác suất thống kê, đại số tuyến tính, nền tảng để hiểu và xây dựng các mô hình AI
Ngôn ngữ lập trình	Python, R, công cụ chính để triển khai thuật toán và xử lý dữ liệu
Cấu trúc dữ liệu và thuật toán	Cách tổ chức, lưu trữ và xử lý dữ liệu hiệu quả, tối ưu hóa tốc độ tính toán
Mô hình học máy	Machine Learning và Deep Learning, các kỹ thuật cốt lõi để máy tự học từ dữ liệu

🔵 Phần này được suy luận từ đặc thù kỹ thuật của ngành: đây là một ngành học rất khó, đòi hỏi tư duy logic và khả năng tính toán rất nhạy bén, có thể không phù hợp với những bạn thiên về cảm thụ hay sáng tạo tự do kiểu nghệ thuật.

Ngành Trí tuệ nhân tạo có nhiều lối ra nghề nghiệp khác nhau. Dưới đây là các hướng tiêu biểu, được viết từ tín hiệu nghề nghiệp của CareerExplorer kết hợp với bối cảnh học và làm việc tại Việt Nam, để bạn hình dung công việc trước khi tự đối chiếu với phần Hợp với ai.

Hướng 1: Kỹ sư học máy và mô hình AI

Bạn sẽ làm gì?

Trong hướng Kỹ sư học máy và mô hình AI, bạn sẽ xây dựng, huấn luyện và đánh giá mô hình, đồng thời làm sạch dữ liệu, chọn đặc trưng và đo sai số. Phần việc dễ bị xem nhẹ nhưng rất quan trọng là đưa mô hình vào sản phẩm hoặc quy trình thật, vì đây là bước nối chuyên môn với điều kiện vận hành thật.

Vị trí thường gặp:

• Kỹ sư học máy và mô hình AI
• Nhân viên kỹ thuật học máy và mô hình AI
• Trợ lý dự án hoặc kỹ thuật viên liên quan

Môi trường làm việc thường gặp:

Môi trường thường gặp là đội sản phẩm số, phòng dữ liệu, startup công nghệ, lab R&D hoặc bộ phận chuyển đổi số.

Điểm hấp dẫn của hướng này:

Điểm hấp dẫn là được biến dữ liệu thô thành chức năng có thể dự đoán, gợi ý hoặc tự động hóa quyết định.

Phong cách làm việc thực tế:

Phong cách làm việc thường là làm việc theo vòng lặp thử nghiệm: đặt giả thuyết, chạy mô hình, đọc metric, sửa dữ liệu hoặc thuật toán.

Thực tế cần biết:

Thực tế cần chuẩn bị là mô hình tốt trên thử nghiệm chưa chắc chạy ổn ngoài đời; dữ liệu bẩn và yêu cầu mơ hồ là chuyện thường gặp.

Hướng 2: Kỹ sư dữ liệu cho sản phẩm AI

Bạn sẽ làm gì?

Trong hướng Kỹ sư dữ liệu cho sản phẩm AI, bạn sẽ thiết kế pipeline thu thập và xử lý dữ liệu, đồng thời đảm bảo dữ liệu đủ sạch, đúng định dạng và sẵn sàng cho mô hình. Phần việc dễ bị xem nhẹ nhưng rất quan trọng là theo dõi chất lượng dữ liệu khi hệ thống vận hành, vì đây là bước nối chuyên môn với điều kiện vận hành thật.

Vị trí thường gặp:

• Kỹ sư dữ liệu cho sản phẩm AI
• Nhân viên kỹ thuật dữ liệu cho sản phẩm AI
• Trợ lý dự án hoặc kỹ thuật viên liên quan

Môi trường làm việc thường gặp:

Môi trường thường gặp là phòng dữ liệu, nền tảng cloud, công ty thương mại điện tử, ngân hàng hoặc doanh nghiệp nhiều hệ thống nguồn.

Điểm hấp dẫn của hướng này:

Điểm hấp dẫn là tạo nền móng để AI và phân tích không bị sai từ dữ liệu đầu vào.

Phong cách làm việc thực tế:

Phong cách làm việc thường là nhịp việc thiên về kiểm tra luồng dữ liệu, tự động hóa xử lý và phối hợp với nhóm phân tích/mô hình.

Thực tế cần biết:

Thực tế cần chuẩn bị là lỗi dữ liệu thường âm thầm; một thay đổi nhỏ ở hệ thống nguồn có thể làm hỏng báo cáo hoặc mô hình phía sau.

Hướng 3: Chuyên viên ứng dụng AI trong doanh nghiệp

Bạn sẽ làm gì?

Trong hướng Chuyên viên ứng dụng AI trong doanh nghiệp, bạn sẽ xây dựng, huấn luyện và đánh giá mô hình, đồng thời làm sạch dữ liệu, chọn đặc trưng và đo sai số. Phần việc dễ bị xem nhẹ nhưng rất quan trọng là đưa mô hình vào sản phẩm hoặc quy trình thật, vì đây là bước nối chuyên môn với điều kiện vận hành thật.

Vị trí thường gặp:

• Chuyên viên ứng dụng AI trong doanh nghiệp
• Nhân viên ứng dụng AI trong doanh nghiệp
• Trợ lý dự án hoặc kỹ thuật viên liên quan

Môi trường làm việc thường gặp:

Môi trường thường gặp là đội sản phẩm số, phòng dữ liệu, startup công nghệ, lab R&D hoặc bộ phận chuyển đổi số.

Điểm hấp dẫn của hướng này:

Điểm hấp dẫn là được biến dữ liệu thô thành chức năng có thể dự đoán, gợi ý hoặc tự động hóa quyết định.

Phong cách làm việc thực tế:

Phong cách làm việc thường là làm việc theo vòng lặp thử nghiệm: đặt giả thuyết, chạy mô hình, đọc metric, sửa dữ liệu hoặc thuật toán.

Thực tế cần biết:

Thực tế cần chuẩn bị là mô hình tốt trên thử nghiệm chưa chắc chạy ổn ngoài đời; dữ liệu bẩn và yêu cầu mơ hồ là chuyện thường gặp.

Điểm chung của các hướng

Các hướng trong ngành Trí tuệ nhân tạo đều cần nền tảng kỹ thuật chắc, khả năng đọc tài liệu, làm việc với số liệu/bản vẽ/hệ thống và thói quen kiểm chứng thay vì đoán. Điểm khác nhau nằm ở đối tượng bạn xử lý hằng ngày: dữ liệu, máy móc, công trình, vật liệu, năng lượng, môi trường hay quy trình vận hành.

Bức tranh thị trường & tương lai nghề

Tại Việt Nam, nhu cầu nhân lực cho nhóm ngành kỹ thuật gắn với sản xuất, hạ tầng, chuyển đổi số, tự động hóa, năng lượng, môi trường và quản lý chất lượng. Phần này không dùng số liệu thị trường Mỹ từ CareerExplorer; xu hướng đáng chú ý là doanh nghiệp ngày càng cần người vừa hiểu chuyên môn, vừa biết dùng phần mềm, dữ liệu, tiêu chuẩn an toàn và quy trình vận hành để giải quyết vấn đề thực tế.

✅ Có thể hợp nếu bạn.

• Thích hiểu cách một hệ thống vận hành, vì sao nó lỗi và làm sao để cải thiện.
• Có tư duy logic, kiên nhẫn với số liệu, bản vẽ, log, mẫu thử hoặc quy trình kỹ thuật.
• Chấp nhận học công cụ chuyên ngành và cập nhật kiến thức sau khi ra trường.
• Làm việc được với cả tài liệu lẫn con người: kỹ sư, vận hành, khách hàng, quản lý hoặc nhà cung cấp.

❌ Có thể không hợp nếu bạn.

• Muốn công việc ít quy trình, ít tiêu chuẩn và ít phải kiểm tra chi tiết.
• Dễ nản khi kết quả sai vì lỗi nhỏ, dữ liệu thiếu hoặc điều kiện thực tế khác lý thuyết.
• Không thích đọc tài liệu kỹ thuật, ghi chép, báo cáo hoặc phối hợp liên phòng ban.
• Chỉ muốn làm ý tưởng chung mà không muốn theo đến bước triển khai, đo kiểm và sửa lỗi.

🔵 Phần này được suy luận từ các vị trí việc làm và tố chất nghề nghiệp được mô tả trong raw. Hai nhân vật dưới đây là hư cấu minh họa.

Minh Khôi, 27 tuổi, Kỹ sư Machine Learning tại một công ty fintech

• Năm 1–2 đại học: Chật vật với môn Giải tích và Đại số tuyến tính, nhiều đêm ngồi debug code Python đến 2 giờ sáng. Bắt đầu tự học thêm trên Coursera sau giờ học chính quy.
• Năm 3–4: Tham gia nhóm nghiên cứu của khoa, xây dựng mô hình nhận diện gian lận thẻ tín dụng làm đồ án tốt nghiệp. Được mentor chỉ ra rằng mô hình chạy đúng nhưng chưa tối ưu tốc độ.
• Năm 1 đi làm: Vào vị trí junior ML engineer, phụ trách tái huấn luyện mô hình chấm điểm tín dụng theo quý. Nhận ra khoảng cách giữa lý thuyết trường học và dữ liệu thực tế của doanh nghiệp lớn hơn nhiều so với tưởng tượng.
• Hiện tại: Dẫn dắt một nhóm nhỏ 3 người, triển khai pipeline tự động hóa phát hiện giao dịch bất thường theo thời gian thực. Mức lương đã vượt 30 triệu/tháng sau 3 năm kinh nghiệm.

Ngọc Hà, 25 tuổi, Chuyên viên phân tích dữ liệu tại công ty thương mại điện tử

• Năm 2–3 đại học: Tham gia cuộc thi phân tích dữ liệu cấp trường, phát hiện mình thích đọc và kể chuyện từ số liệu hơn là thuần túy lập trình mô hình phức tạp. Chọn hướng chuyên sâu Data Analytics thay vì Deep Learning.
• Năm 4: Thực tập tại bộ phận marketing analytics, học cách trình bày insight dữ liệu cho người không chuyên kỹ thuật hiểu được.
• Năm 1–2 đi làm: Phụ trách dashboard theo dõi hành vi người dùng, đề xuất thay đổi giao diện dựa trên phân tích A/B testing. Cảm thấy công việc có ý nghĩa vì thấy rõ tác động lên doanh thu.
• Hiện tại: Đang học thêm chứng chỉ SQL nâng cao và Power BI, cân nhắc chuyển hướng sang Data Science để mở rộng vai trò.

Ngành	Điểm chung với Trí tuệ nhân tạo	Điểm khác biệt chính	Nên chọn nếu...
⭐ Trí tuệ nhân tạo (7480207)	,	Tập trung xây dựng và huấn luyện mô hình AI, deep learning, học máy	Bạn muốn tạo ra "bộ não" cho máy móc, thích toán học chuyên sâu và thuật toán
Khoa học máy tính (7480101)	Lập trình, thuật toán, cấu trúc dữ liệu	Rộng hơn, bao quát từ hệ điều hành, mạng máy tính đến phát triển phần mềm; AI chỉ là một nhánh nhỏ	Bạn muốn nền tảng rộng về máy tính, chưa chắc chắn chuyên sâu AI
Khoa học dữ liệu (7480109)	Xử lý dữ liệu lớn, Python/R, thống kê	Nặng hơn về phân tích và trực quan hóa dữ liệu; AI chú trọng xây dựng mô hình tự học	Bạn thích "đọc" dữ liệu và kể chuyện bằng số liệu hơn là viết thuật toán
Công nghệ thông tin (7480201)	Lập trình, phần mềm ứng dụng	Rộng và thực tiễn hơn (lập trình web, mobile, hệ thống); ít toán học lý thuyết hơn AI	Bạn muốn ra trường làm developer, không nhất thiết phải đi sâu vào mô hình toán

1. Vào trang Kaggle (kaggle.com) và thử xem qua một notebook phân tích dữ liệu bất kỳ, nếu bạn thấy tò mò muốn hiểu các con số và biểu đồ nói lên điều gì, đó là dấu hiệu tốt.
2. Thử cài Python và chạy đoạn code mẫu tính trung bình, vẽ biểu đồ đơn giản, nếu bạn không bỏ cuộc khi gặp lỗi đầu tiên và tìm cách sửa, bạn có tư chất tự học cần thiết.
3. Mở một bài báo tiếng Anh về Machine Learning trên Medium hoặc Towards Data Science, đọc thử 10 phút và tự hỏi: bạn thấy khó chịu hay hứng thú khi gặp các thuật ngữ kỹ thuật?
4. Giải một bài toán xác suất thống kê cấp THPT nâng cao (ví dụ: bài toán Bayes đơn giản), nếu bạn thấy thích thú với quá trình suy luận hơn là lo lắng về đáp số, AI có thể là ngành dành cho bạn.

STT	Trường	Tên ngành	Tổ hợp	Điểm chuẩn 2025	2024	2023
1	Đại Học Kinh Tế Quốc Dân	Trí tuệ nhân tạo	A00; A01; D01; D07	25.44	34.5	,
2	Học Viện Công Nghệ Bưu Chính Viễn Thông	Trí tuệ nhân tạo	A00; A01; X06; X26	25.67	,	,
2	Học Viện Công Nghệ Bưu Chính Viễn Thông	Trí tuệ nhân tạo vạn vật (AIoT)	A00; A01; X06; X26	24.87	,	,
3	Trường Đại Học Công Nghệ – ĐH Quốc Gia Hà Nội	Trí tuệ nhân tạo	A00; A01; X06; X26; D01	27.75	27.12	27.2
4	Học Viện Hàng không Việt Nam	Trí tuệ nhân tạo và Dữ liệu lớn (Ngành: CNTT)	A00; A01; D01; D07 (và nhiều tổ hợp khác)	18	,	,
4	Học Viện Hàng không Việt Nam	Trí tuệ nhân tạo và Internet vạn vật (Ngành: CNTT)	A00; A01; D01; D07 (và nhiều tổ hợp khác)	18	,	,
4	Học Viện Hàng không Việt Nam	Công nghệ phần mềm và Trí tuệ nhân tạo (Ngành: CNTT)	A00; A01; D01; D07 (và nhiều tổ hợp khác)	18	,	,
4	Học Viện Hàng không Việt Nam	Điện tử viễn thông và Trí tuệ nhân tạo (Ngành: CNKT Điện tử viễn thông)	A00; A01; D01; D07 (và nhiều tổ hợp khác)	20	,	,
5	Đại Học Phenikaa	Trí tuệ nhân tạo	A00; A01; D01; D07; X06; X26	21	21	,
6	Trường Đại Học Thăng Long	Trí tuệ nhân tạo	A01; D01; D07	16	22	22.93
7	Trường Đại Học Thủy Lợi	Trí tuệ nhân tạo và khoa học dữ liệu	A00; A01; D01; D07; C01	22.12	24.2	23.9
8	Trường Đại Học Khoa Học Tự Nhiên TPHCM	Trí tuệ nhân tạo	D07	28.85	27.7	27
9	Đại Học Cần Thơ	Trí tuệ nhân tạo	A00; A01; X06; X26	23.04	,	,
10	Trường Đại Học Công Nghệ Thông Tin – ĐHQG TPHCM	Trí tuệ nhân tạo	A00; A01; D01; X26; X06; D07	29.6	28.3	27.8
11	Trường Đại Học Sài Gòn	Trí tuệ nhân tạo	D07	21.06	22.27	,
12	Trường Đại Học Sư Phạm Kỹ Thuật TPHCM	Công nghệ Kỹ thuật điện tử – viễn thông (tiếng Anh)	D01; A00; A01; C01	25.58	24.35	23
12	Trường Đại Học Sư Phạm Kỹ Thuật TPHCM	Công nghệ Kỹ thuật điện tử – viễn thông (tiếng Việt)	D01; A00; A01; C01	27.83	25.15	,
13	Trường Đại Học Bách Khoa Đà Nẵng	CNTT (Đặc thù – HT doanh nghiệp), chuyên ngành Khoa học dữ liệu và TTNT	A00; A01; X06; X26	27.2	27.11	26.45
14	Trường Đại Học Nha Trang	Công nghệ thông tin Việt Nhật	X02; C01; X03; X04; D01	20.75	,	,
15	Trường Đại Học Kiến Trúc Hà Nội	Công nghệ game (chuyên ngành thuộc CNTT)	A00; C01; D01; X02; X03; X04	21.75	,	,
16	Trường Đại Học Quy Nhơn	Trí tuệ nhân tạo	A00; A01; D01; D07; X26	20	15	15
17	Trường Đại Học Ngân Hàng TPHCM	Trí tuệ nhân tạo	A00; A01; D01; D07; X26	19.49	,	,
18	Trường Đại Học Trà Vinh	Trí tuệ nhân tạo	A00; A01; D01; D07; X06; X26; X27	15	15	15
19	Trường Đại Học Mở TPHCM	Trí tuệ nhân tạo	A00; A01; C01; C02; D01; D07; X02; X06; X10; X26	20.6	20	,
20	Trường Đại học Công nghệ Giao thông vận tải	Trí tuệ nhân tạo và giao thông thông minh	A00; A01; C01; C02; D01; D07; X02; X03; X26; X27	21	21.45	22.8
21	Trường Đại Học Điện Lực	Trí tuệ nhân tạo	A00; A01; D01; D07	20.5	,	,
22	Trường ĐH Sư phạm Kỹ thuật – ĐH Đà Nẵng	Công nghệ kỹ thuật điện, viễn thông (chuyên ngành Thiết kế vi mạch bán dẫn)	A00; A01; C01; X07; X06	21.85	,	,

📌 Dữ liệu điểm chuẩn theo phương thức xét tuyển bằng tốt nghiệp THPT.