Khoa học dữ liệu và Trí tuệ nhân tạo (hệ kỹ sư)(03 chuyên ngành: Khoa học dữ liệu; Trí tuệ nhân tạo; Phân tích dữ liệu kinh doanh)

Sinh viên ngành này sẽ tập trung vào 3 nhóm kiến thức chính:

Nhóm kiến thức	Học để làm gì
Toán ứng dụng	Hiểu bản chất con số
Lập trình	Công cụ thực hiện
Các mô hình máy học	Cách máy tính tự học

Khoa học dữ liệu và trí tuệ nhân tạo có nhiều hướng, từ phân tích dữ liệu, xây mô hình học máy đến triển khai hệ thống AI trong sản phẩm. Dù chọn hướng nào, nền tảng toán, lập trình, dữ liệu sạch và hiểu bài toán thực tế vẫn quan trọng hơn việc chạy theo công cụ mới.

Hướng 1: Phân tích dữ liệu và hỗ trợ ra quyết định

Bạn sẽ làm gì?

Thu thập, làm sạch, kết hợp và phân tích dữ liệu để trả lời câu hỏi kinh doanh hoặc vận hành. Bạn xây báo cáo, biểu đồ, chỉ số theo dõi và giải thích kết quả cho các nhóm không chuyên kỹ thuật.

Vị trí thường gặp:

• Chuyên viên phân tích dữ liệu.
• Chuyên viên phân tích kinh doanh dựa trên dữ liệu.
• Chuyên viên báo cáo và trực quan hóa dữ liệu.

Môi trường làm việc thường gặp:

Ngân hàng, thương mại điện tử, bán lẻ, công ty công nghệ, logistics, giáo dục, y tế hoặc phòng phân tích của doanh nghiệp có dữ liệu vận hành.

Điểm hấp dẫn của hướng này:

Bạn thấy dữ liệu được dùng trực tiếp để cải thiện quyết định, tối ưu quy trình hoặc hiểu người dùng tốt hơn.

Phong cách làm việc thực tế:

Công việc cần đặt câu hỏi rõ, kiểm tra chất lượng dữ liệu, trao đổi với bộ phận nghiệp vụ và trình bày kết quả dễ hiểu.

Thực tế cần biết:

Phần lớn thời gian không phải làm mô hình phức tạp mà là hiểu dữ liệu, làm sạch sai lệch, kiểm tra giả định và tránh diễn giải quá mức.

Hướng 2: Học máy ứng dụng

Bạn sẽ làm gì?

Xây, huấn luyện, đánh giá và cải thiện mô hình học máy cho các bài toán như dự báo, phân loại, gợi ý, nhận diện hình ảnh hoặc xử lý ngôn ngữ. Bạn cần biến mô hình thành một phần có ích trong sản phẩm hoặc quy trình thật.

Vị trí thường gặp:

• Kỹ sư học máy.
• Kỹ sư trí tuệ nhân tạo ứng dụng.
• Chuyên viên phát triển mô hình dữ liệu.

Môi trường làm việc thường gặp:

Công ty công nghệ, fintech, thương mại điện tử, đơn vị phát triển sản phẩm số, phòng nghiên cứu phát triển hoặc nhóm dữ liệu trong doanh nghiệp lớn.

Điểm hấp dẫn của hướng này:

Bạn được giải các bài toán khó bằng dữ liệu và thuật toán, đồng thời thấy mô hình ảnh hưởng đến trải nghiệm người dùng hoặc hiệu quả vận hành.

Phong cách làm việc thực tế:

Công việc gồm thử nghiệm nhiều phương án, theo dõi chỉ số đánh giá, đọc tài liệu kỹ thuật, kiểm tra lỗi dữ liệu và phối hợp với đội sản phẩm, phần mềm.

Thực tế cần biết:

Mô hình tốt trên dữ liệu thử nghiệm chưa chắc tốt khi đưa vào sử dụng. Cần hiểu giới hạn dữ liệu, thiên lệch, chi phí vận hành và cách người dùng thật tương tác với hệ thống.

Hướng 3: Kỹ thuật dữ liệu cho hệ thống AI

Bạn sẽ làm gì?

Xây dựng luồng dữ liệu, kho dữ liệu, quy trình xử lý và hạ tầng giúp dữ liệu sẵn sàng cho phân tích hoặc huấn luyện mô hình. Bạn đảm bảo dữ liệu đúng, đủ, cập nhật và có thể truy xuất ổn định.

Vị trí thường gặp:

• Kỹ sư dữ liệu.
• Kỹ sư nền tảng dữ liệu.
• Chuyên viên vận hành luồng dữ liệu.

Môi trường làm việc thường gặp:

Doanh nghiệp có dữ liệu lớn, công ty công nghệ, ngân hàng, thương mại điện tử, nền tảng số hoặc đội dữ liệu nội bộ.

Điểm hấp dẫn của hướng này:

Bạn xây phần nền để các nhóm phân tích và AI làm việc hiệu quả. Khi luồng dữ liệu tốt, nhiều sản phẩm và quyết định phía sau vận hành đáng tin cậy hơn.

Phong cách làm việc thực tế:

Công việc thiên về hệ thống, lập trình, cơ sở dữ liệu, giám sát lỗi, tối ưu hiệu năng và làm việc với nhiều nguồn dữ liệu khác nhau.

Thực tế cần biết:

Đây không phải hướng “ít AI hơn” mà là phần rất quan trọng của AI ứng dụng. Nếu dữ liệu thiếu, sai hoặc chậm, mô hình hiện đại cũng khó tạo ra giá trị thực tế.

Hướng 4: Nghiên cứu và phát triển mô hình

Bạn sẽ làm gì?

Đọc nghiên cứu, thử nghiệm thuật toán, điều chỉnh kiến trúc mô hình, đánh giá phương pháp mới và chuyển một phần kết quả nghiên cứu thành nguyên mẫu có thể kiểm chứng.

Vị trí thường gặp:

• Nghiên cứu viên trí tuệ nhân tạo.
• Kỹ sư nghiên cứu mô hình.
• Chuyên viên phát triển nguyên mẫu AI.

Môi trường làm việc thường gặp:

Phòng nghiên cứu phát triển, viện nghiên cứu, trường đại học, công ty công nghệ có đội nghiên cứu hoặc nhóm sản phẩm cần thử nghiệm công nghệ mới.

Điểm hấp dẫn của hướng này:

Bạn được đi sâu vào bản chất thuật toán, thử các ý tưởng mới và đóng góp cho những bài toán chưa có lời giải hoàn chỉnh.

Phong cách làm việc thực tế:

Công việc cần đọc nhiều, thử nghiệm có kiểm soát, ghi chép kết quả, so sánh phương pháp và chấp nhận nhiều thử nghiệm không cho kết quả như kỳ vọng.

Thực tế cần biết:

Không phải mọi ý tưởng nghiên cứu đều trở thành sản phẩm. Muốn đi xa cần nền tảng toán, xác suất, tối ưu, lập trình và khả năng đánh giá mô hình một cách nghiêm túc.

Điểm chung của các hướng

• Cần nền tảng toán, thống kê, lập trình và hiểu dữ liệu trước khi dùng công cụ nâng cao.
• Cần biết gắn mô hình hoặc phân tích với bài toán thật, người dùng thật và chỉ số kiểm chứng rõ ràng.
• Cần thận trọng với kết quả AI vì dữ liệu sai, thiên lệch hoặc thiếu ngữ cảnh có thể dẫn đến quyết định kém.

Bức tranh thị trường & tương lai nghề

AI đang được ứng dụng trong nhiều lĩnh vực, nhưng nhu cầu thực tế tập trung vào người làm được sản phẩm, dữ liệu và hệ thống đáng tin cậy. Thị trường có nhiều cơ hội, đồng thời cũng sàng lọc mạnh những người chỉ biết dùng công cụ bề mặt. Lộ trình bền vững là xây nền tảng, làm dự án dữ liệu thật và hiểu cách mô hình tạo giá trị trong sản phẩm hoặc vận hành.

✅ Có thể hợp nếu bạn.

• Thích toán, lập trình, dữ liệu và các bài toán cần kiểm chứng bằng số liệu.
• Kiên nhẫn với việc làm sạch dữ liệu, thử nghiệm mô hình và sửa lỗi lặp lại.
• Muốn hiểu cách công nghệ được đưa vào sản phẩm thật, không chỉ dừng ở bản demo.

❌ Có thể không hợp nếu bạn.

• Kỳ vọng AI chủ yếu là dùng công cụ có sẵn mà không cần hiểu dữ liệu và thuật toán.
• Không thích làm việc với xác suất, thống kê, mã nguồn và kết quả thử nghiệm không chắc chắn.
• Muốn kết quả nhanh, trong khi nhiều dự án AI cần thời gian kiểm chứng và điều chỉnh.

🔵 Phần này được suy luận từ các vị trí việc làm và đặc điểm ngành trong raw. Tên nhân vật là hư cấu minh họa.

Minh, 25 tuổi, Chuyên viên phân tích dữ liệu (Data Analyst)

Minh tốt nghiệp ngành Khoa học dữ liệu và gia nhập đội phân tích của một công ty thương mại điện tử. Những tháng đầu, Minh ngỡ ngàng vì phần lớn thời gian không phải xây model AI mà là "rửa" dữ liệu, loại bỏ giá trị trống, chuẩn hóa định dạng, gộp bảng. Dần dần, Minh bắt đầu xây dựng các dashboard theo dõi hành vi người dùng và đề xuất điều chỉnh chiến dịch khuyến mãi dựa trên số liệu thực. Điều Minh nhớ mãi là lần đầu tiên phân tích của mình được đưa thẳng vào quyết định của giám đốc marketing, "Cái cảm giác con số mình làm ra thay đổi được cái gì đó thật sự rất khác."

Hằng, 28 tuổi, Kỹ sư học máy (Machine Learning Engineer)

Hằng chọn hướng đi kỹ thuật ngay từ năm ba, dành thời gian ngoài giờ học để tham gia các cuộc thi AI trực tuyến. Sau khi ra trường, Hằng làm tại bộ phận AI của một công ty fintech, chuyên xây dựng mô hình phát hiện giao dịch gian lận. Công việc đòi hỏi Hằng liên tục cập nhật các kỹ thuật mới, có những thứ học hôm nay, sáu tháng sau đã có cách làm tốt hơn. Hằng hay nói với các bạn trẻ mới vào nghề: "Học trong trường chỉ cho mình nền tảng. Phần còn lại, bạn phải tự học suốt đời."

🔵 Phần này được suy luận từ đặc điểm ngành và các nhóm kiến thức trong raw để giúp học sinh phân biệt.

Ngành	Điểm giống Khoa học dữ liệu và TTNT	Điểm khác biệt cốt lõi	Dễ nhầm vì
Khoa học dữ liệu và trí tuệ nhân tạo ⭐	,	Kết hợp toán ứng dụng, lập trình và các mô hình máy học để dạy máy tính tự suy nghĩ và khai phá dữ liệu lớn	Tên ngành bao gồm cả "dữ liệu" lẫn "AI" nên dễ hiểu nhầm phạm vi
Toán ứng dụng	Cùng nền tảng toán thống kê và lập trình	Toán ứng dụng thiên về mô hình toán lý thuyết (tối ưu hóa, xác suất, toán tài chính); ngành này thiên về kỹ thuật xử lý dữ liệu và huấn luyện mô hình AI	Cả hai đều dùng toán và lập trình làm công cụ chính
Công nghệ thông tin (CNTT)	Cùng học lập trình, làm việc với máy tính	CNTT tập trung xây dựng phần mềm, hệ thống, ứng dụng; ngành này dùng lập trình để phân tích dữ liệu và xây mô hình AI	Cả hai đều yêu cầu lập trình, học sinh dễ tưởng là một
Thống kê	Cùng dùng thống kê và xử lý dữ liệu	Thống kê truyền thống chú trọng lý thuyết xác suất và kiểm định; ngành này chú trọng máy học và dữ liệu lớn với công cụ hiện đại hơn	Cả hai đều thu thập và phân tích dữ liệu để đưa ra kết luận

🔵 Phần này được suy luận từ đặc điểm ngành, nhóm kiến thức và tố chất phù hợp trong raw.

1. Mở một bảng dữ liệu Excel bất kỳ (ví dụ: điểm thi của lớp, giá hàng hóa qua các tháng), thử tự đặt câu hỏi "Dữ liệu này nói lên điều gì?" rồi dùng công thức tính trung bình, phân loại, vẽ biểu đồ, nếu bạn thấy hứng thú khi tìm ra quy luật ẩn trong số liệu, đây là tín hiệu tốt.
2. Thử học Python cơ bản qua một video hướng dẫn miễn phí trên YouTube (ít nhất 20 phút) và chạy thử một đoạn code nhỏ, nếu bạn không cảm thấy bị "tra tấn" và tò mò muốn tiếp tục, khả năng thích nghi với công nghệ của bạn phù hợp với ngành.
3. Tìm hiểu về một ứng dụng AI quen thuộc (ví dụ: gợi ý nhạc của Spotify, nhận diện khuôn mặt trên điện thoại) và thử tự giải thích "Máy tính đã học điều đó như thế nào?", nếu câu hỏi đó khiến bạn tò mò thay vì thờ ơ, bạn có tư duy phù hợp.
4. Ngồi làm việc một mình với một bài toán số liệu trong 2 tiếng liền (không cần kết quả hoàn hảo), nếu bạn không cảm thấy bứt rứt hoặc cần "break" ngay sau 30 phút, sự kiên trì cần thiết cho nghề này có thể là điểm mạnh của bạn.

STT	Trường	Tên ngành	Tổ hợp	Điểm chuẩn 2025	2024	2023
1	Đại Học Kinh Tế Quốc Dân	Phân tích dữ liệu kinh tế (EDA)	A00; A01; D01; D07	26.78	26.97	26.85
1	Đại Học Kinh Tế Quốc Dân	Khoa học dữ liệu	A00; A01; D01; D07	26.13	35.46	,
2	Đại Học Bách Khoa Hà Nội	Khoa học dữ liệu và Trí tuệ nhân tạo (CT tiên tiến)	B03; C01; C02; X02	29.39	28.22	28.8
2	Đại Học Bách Khoa Hà Nội	Khoa học dữ liệu và Trí tuệ nhân tạo (CT tiên tiến)	A00; A01	,	,	,
3	Học Viện Tài chính	Khoa học dữ liệu trong tài chính	A00; A01; D01; D07	25.52	,	,
4	Trường Đại Học Công Nghệ – Đại Học Quốc Gia Hà Nội	Khoa học dữ liệu	A00; A01; X06; X26; D01	27.38	,	,
5	Trường Đại Học Kinh Tế Kỹ Thuật Công Nghiệp	Khoa học dữ liệu (CS Nam Định)	A00; A01; A02; A03; B00; C01; C02; D01; D07; X02; X03; X05; X06; X07; X10; X11; X14; X15; X26; X27; X56	21	17.5	17.5
5	Trường Đại Học Kinh Tế Kỹ Thuật Công Nghiệp	Khoa học dữ liệu (CS Hà Nội)	A00; A01; A02; A03; B00; C01; C02; D01; D07; X02; X03; X05; X06; X07; X10; X11; X14; X15; X26; X27; X56	22.2	22.2	22
6	Trường Đại Học Công Thương TPHCM	Khoa học dữ liệu	A00; C01; D01; X26	22	20	16.75
7	Trường Đại Học Y Tế Công Cộng	Khoa học dữ liệu	A00; A01; B00; D01; D07; X26	19	16.1	16.45
8	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 Thủy Lợi	Trí tuệ nhân tạo và khoa học dữ liệu	X02; X06; X26	,	,	,
9	Trường Đại Học Khoa Học Tự Nhiên TPHCM	Nhóm ngành Khoa học dữ liệu	D07	27.67	,	,
9	Trường Đại Học Khoa Học Tự Nhiên TPHCM	Nhóm ngành Khoa học dữ liệu	A00; A01; X06; B00; X26; B08; D01	,	,	,
10	Trường Đại Học Khoa Học Tự Nhiên Hà Nội	Khoa học dữ liệu	A00; A01; D07; D08; C01; X26	26	35	34.85
11	Trường Đại Học Công Nghệ Thông Tin – ĐHQG TPHCM	Khoa học dữ liệu	A00; A01; D01; X26; X06; D07; A02	27.7	,	27.1
12	Trường Đại Học Sài Gòn	Khoa học dữ liệu	C01	22.99	23.99	21.74
12	Trường Đại Học Sài Gòn	Khoa học dữ liệu	A00; A01; A02; A03; A04; A05; A06; A07; B00; B01; B02; B03; B08; C02; C03; C04; D01; D07; D09; D10; X01; X02; X03; X04; X05; X06; X07; X08; X09; X10; X11; X12; X13; X14; X15; X16; X17; X18; X19; X20; X21; X22; X23; X24; X25; X26; X27; X28; X53; X54	,	,	,
13	Trường Đại Học Sư Phạm – Đại Học Đà Nẵng	Khoa học dữ liệu	C01; D01; X02	19.25	,	,
14	Đại Học Kinh Tế TPHCM	Khoa học dữ liệu (Data Science)	A00; A01; D01; D07	26	,	,
14	Đại Học Kinh Tế TPHCM	Công nghệ nghệ thuật (Arttech)	A00; A01; D01; D07	24.9	26.23	,
15	Trường Đại Học Tài Chính Marketing	Khoa học dữ liệu	C01; C02; C03; C04; X01; D01; A00; A03; A04; X05; A01; A05; A06; X09; D07; A07; X17; D09; X21; D10; X25	24.01	,	,
16	Trường Đại Học Hải Phòng	Trí tuệ nhân tạo và Khoa học dữ liệu	A00; A01; C01; C02; D01	20	,	,
17	Trường Đại Học Công Đoàn	Khoa học dữ liệu	A00; A01; A03; C01; D01; X06	21.5	,	,
18	Trường Đại Học Quy Nhơn	Khoa học dữ liệu	A00; A01; D01; D07; X26	17.1	15	15
19	Trường Đại Học Kinh Tế – Đại Học Đà Nẵng	Khoa học dữ liệu (S – Tiêu chuẩn): Chuyên ngành Khoa học dữ liệu và phân tích kinh doanh	A00; A01; D01; D07; X25; X26	21	,	,
20	Trường Đại Học Ngân Hàng TPHCM	Khoa học dữ liệu	A00; A01; D01; D07; X26	20.5	,	,
21	Trường Đại học Kỹ Thuật Công Nghệ Cần Thơ	Khoa học dữ liệu	A00; A01; C01; D01; X01; X05; X06; X25	21.24	21.95	15
22	Trường Đại Học Khoa Học Và Công Nghệ Hà Nội	Khoa học dữ liệu	A00; A01; A02	20	22.05	24.51
22	Trường Đại Học Khoa Học Và Công Nghệ Hà Nội	Khoa học dữ liệu	X06; X07; X10; X11; X14; X15; X26; X27; X56	,	,	,
23	Trường Đại Học Xây Dựng Hà Nội	Khoa học dữ liệu	A00; A01; C01; D01; D07; X06; X26	25	,	,

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