Xu hướng thay máu nhân sự trong ngành AI
Kinhtedothi - Việc các công ty công nghệ tuyển chuyên gia thay thế lao động giá rẻ bắt nguồn từ yêu cầu mới của AI hiện đại, khi dữ liệu không chỉ cần số lượng lớn mà còn phải sâu, chính xác và phản ánh tư duy logic.
Trong bước chuyển quan trọng về chiến lược phát triển, nhiều công ty AI đang dần từ bỏ mô hình phụ thuộc vào lao động giá rẻ tại các quốc gia như Kenya hay Philippines để tập trung tuyển dụng đội ngũ chuyên gia có chuyên môn sâu trong các lĩnh vực như sinh học, tài chính và lập trình.
Mục tiêu là tạo ra dữ liệu huấn luyện chất lượng cao, phù hợp với yêu cầu ngày càng phức tạp của các mô hình AI hiện đại.
Ba cái tên tiêu biểu trong làn sóng này gồm Scale AI (Mỹ), Toloka (Hà Lan) và Turing AI (Mỹ). Các doanh nghiệp này đang tuyển dụng các chuyên gia để tạo ra tập dữ liệu huấn luyện phức tạp, phục vụ cho những mô hình AI có khả năng lý luận như o3 của OpenAI hay Gemini 2.5 của Google.
Theo bà Olga Megorskaya, Giám đốc điều hành kiêm đồng sáng lập Toloka, ngành AI từ lâu chỉ tập trung vào khả năng tính toán, trong khi dữ liệu thường bị xem nhẹ. Tuy nhiên, hiện nay dữ liệu được công nhận là yếu tố sống còn, ảnh hưởng trực tiếp đến chất lượng mô hình.
Trước đây, hàng nghìn lao động tại các quốc gia đang phát triển đảm nhận những công việc đơn giản như xác định vật thể trong hình ảnh, lựa chọn câu trả lời phù hợp hoặc loại bỏ nội dung không mong muốn khỏi dữ liệu huấn luyện. Mức thù lao họ nhận được thường chưa đến 2 USD/giờ, trong khi phải hoàn thành hàng trăm nhiệm vụ mỗi ngày.
Tuy nhiên, xu hướng sử dụng mô hình có khả năng suy nghĩ đa bước khiến nhiều công việc này có thể được tự động hóa. Megorskaya cho biết nhu cầu về các nhiệm vụ đơn giản đã giảm rõ rệt.
Dù vậy, theo ông Joan Kinyua, Chủ tịch Hiệp hội Người dán nhãn Dữ liệu tại Kenya, nhiều người vẫn đang được giao những nhiệm vụ đòi hỏi hiểu biết sâu về ngôn ngữ bản địa và kiểm tra chất lượng cuối cùng của nội dung do AI tạo ra.
Trong các mô hình hiện đại, chuyên gia không chỉ cung cấp đáp án mà còn trình bày cách tiếp cận vấn đề theo từng bước cụ thể. Để xây dựng và kiểm chứng một lý thuyết vật lý, chẳng hạn, cần sự phối hợp giữa nhà vật lý để đề xuất mô hình, kỹ sư phần mềm để viết mã mô phỏng và nhà khoa học dữ liệu để phân tích kết quả.
Ông Jonathan Siddharth, Giám đốc điều hành kiêm đồng sáng lập Turing AI (Mỹ), nhận định mô hình AI hiện nay không chỉ có khả năng vượt qua một nhà vật lý riêng lẻ, mà còn có thể vượt trội so với sự kết hợp của những chuyên gia hàng đầu trong ba lĩnh vực, gồm: vật lý, khoa học máy tính và khoa học dữ liệu.
Để thu hút các chuyên gia từ nhiều lĩnh vực, Turing AI sẵn sàng trả lương cao hơn 20 đến 30% so với công việc hiện tại của họ. Theo ông Jonathan Siddharth, dù chi phí dành cho dữ liệu chỉ chiếm khoảng 10% đến 15% trong tổng ngân sách hàng trăm tỷ USD mà ngành AI đầu tư vào máy móc và hạ tầng, thì số tiền bỏ ra cho dữ liệu vẫn rất lớn.
Làn sóng đầu tư đổ vào công ty dữ liệu
Việc chú trọng đến chất lượng dữ liệu đã kéo theo làn sóng đầu tư mạnh vào các công ty chuyên cung cấp và gắn nhãn dữ liệu. Tháng 6 vừa qua, Meta đầu tư 15 tỷ USD vào Scale AI, công ty có trụ sở tại San Francisco chuyên xử lý dữ liệu huấn luyện cho nhiều mô hình lớn, nâng định giá của doanh nghiệp này lên 29 tỷ USD.
Đọc thêm: Đức tăng viện trợ Ukraine, Nga cứng rắn chấm dứt hợp tác quốc phòng
Trước đó, Turing AI, công ty có trụ sở tại California, chuyên cung cấp đội ngũ kỹ sư và nhà khoa học cho các dự án AI, đã huy động 111 triệu USD trong vòng gọi vốn tháng 3, đạt định giá 2,2 tỷ USD. Vào tháng 5, Toloka nhận được khoản đầu tư 72 triệu USD do Bezos Expeditions, quỹ đầu tư cá nhân của tỷ phú Jeff Bezos, dẫn đầu.
Theo Megorskaya, những tiến bộ như tính năng “chuỗi suy nghĩ” (chain-of-thought), cho phép mô hình giải quyết vấn đề theo từng bước logic, chỉ có thể phát triển nếu có sự tham gia trực tiếp của chuyên gia con người. Ví dụ, kỹ sư phần mềm có thể được yêu cầu tạo ra bài toán thực tế liên quan đến chuyên môn, sau đó viết mã, gỡ lỗi và kiểm tra hệ thống.
Không chỉ cần người lập trình, AI hiện còn đòi hỏi sự cộng tác của nhiều ngành để nâng cao độ chính xác và tính ứng dụng trong thực tế.
“Trước đây, AI chỉ học từ các câu trả lời mẫu. Giờ đây, nó học cách con người suy nghĩ và giải quyết vấn đề” - bà Olga Megorskaya nhấn mạnh.
