# Lựa chọn trường đại học & chuyên ngành nào để tối ưu hóa con đường trở thành AI FDE?

title: # Lựa chọn trường đại học & chuyên ngành nào để tối ưu hóa con đường trở thành AI FDE?

Phần 1 — Tư duy & Lựa chọn cơ bản | Bài 2/15

Mở đầu: Ngôi trường không quyết định tất cả, nhưng chuyên ngành định hình nền móng

Một câu hỏi phổ biến của học sinh cuối cấp và sinh viên năm nhất là: "Em phải học đúng ngành AI thì mới làm được AI FDE đúng không?" Câu trả lời ngắn gọn là không. Vị trí AI FDE không đòi hỏi một tấm bằng "Trí tuệ nhân tạo" chính danh — nó đòi hỏi một nền tảng kỹ thuật phần mềm vững, cộng với khả năng tự bổ sung kiến thức AI-First mà phần lớn chương trình đại học hiện nay vẫn chưa bắt kịp.

Bài viết này sẽ giúp bạn nhìn rõ: nên chọn chuyên ngành nào, và quan trọng hơn — nếu chương trình học không dạy kịp, bạn cần tự bù đắp những gì.

1. Đánh giá các chuyên ngành phổ biến

Công nghệ thông tin (CNTT) / Khoa học máy tính (CS)

Đây là lựa chọn nền tảng phù hợp nhất. Bạn được trang bị tư duy thuật toán, cấu trúc dữ liệu, cơ sở dữ liệu, mạng máy tính — những viên gạch bắt buộc để hiểu cách một hệ thống phần mềm vận hành. Đây cũng là nền tảng cần thiết để sau này hiểu được LLM đang "nói chuyện" với hệ thống backend của bạn như thế nào.

Điểm mạnh: Nền tảng lập trình chắc, dễ tự học thêm AI.
Điểm cần bù: Chương trình thường thiên về lý thuyết hệ thống, ít đề cập đến ứng dụng LLM, prompt engineering hay kiến trúc RAG.

Kỹ thuật phần mềm (Software Engineering)

Gần giống CNTT nhưng thiên về quy trình phát triển sản phẩm (SDLC, kiểm thử, quản lý dự án). Đây là lợi thế lớn cho AI FDE, vì công việc của AI FDE về bản chất vẫn là đưa một giải pháp AI thành sản phẩm chạy ổn định trong thực tế — điều mà tư duy kỹ thuật phần mềm bài bản hỗ trợ rất tốt.

Điểm mạnh: Tư duy sản phẩm, quy trình làm việc chuyên nghiệp.
Điểm cần bù: Tương tự CNTT, cần tự học thêm về AI/LLM.

Khoa học dữ liệu / Trí tuệ nhân tạo (Data Science / AI)

Nghe có vẻ là lựa chọn "đúng chuyên ngành" nhất, nhưng thực tế các chương trình này thường thiên về thống kê, mô hình hóa, huấn luyện mô hình — tức là gần với hướng AI Research hơn là AI FDE. Sinh viên ngành này đôi khi lại yếu về kỹ năng dựng hệ thống, API, deployment — những thứ cốt lõi của một AI FDE.

Điểm mạnh: Hiểu sâu bản chất mô hình AI, lợi thế khi cần giải thích/tinh chỉnh hành vi AI.
Điểm cần bù: Cần chủ động học thêm kỹ năng lập trình hệ thống, xây dựng sản phẩm hoàn chỉnh.

Kết luận nhỏ: Không có chuyên ngành nào là "chuẩn 100%" cho AI FDE. CNTT và Kỹ thuật phần mềm cho nền tảng hệ thống tốt hơn; Data Science/AI cho nền tảng mô hình tốt hơn. Vấn đề không phải là chọn đúng ngành, mà là biết mình đang thiếu gì để chủ động bù đắp.

2. Trường đại học có quan trọng không?

Có, nhưng không theo cách nhiều người nghĩ. Trường đại học tốt thường mang lại ba giá trị:

Chất lượng giảng dạy nền tảng (thuật toán, cấu trúc dữ liệu, toán rời rạc) — những thứ khó tự học đúng bài bản nếu không có môi trường ép buộc.
Mạng lưới quan hệ — bạn học, giảng viên, cựu sinh viên đang làm trong ngành, cơ hội thực tập từ liên kết doanh nghiệp.
Uy tín hồ sơ — có lợi ở vòng lọc CV đầu tiên, nhưng gần như vô nghĩa nếu bạn không thể chứng minh năng lực qua portfolio và phỏng vấn thực tế.

Với vị trí AI FDE — một vị trí còn rất mới — gần như không trường đại học nào tại Việt Nam có chương trình đào tạo chính danh. Vì vậy, thay vì stress về việc "phải vào trường top", hãy tập trung vào việc trường đó có cho bạn nền tảng lập trình tốt và môi trường để tự học hay không.

3. Sinh viên năm 1-3 tự bù đắp kiến thức AI-First như thế nào?

Đây mới là phần quan trọng nhất, vì nhà trường sẽ luôn đi sau tốc độ phát triển của AI. Dưới đây là lộ trình tự học gợi ý, không phụ thuộc vào bạn đang học chuyên ngành gì:

Nắm chắc nền tảng lập trình trước — đừng nhảy vào AI khi cấu trúc dữ liệu, giải thuật, cơ sở dữ liệu còn yếu. AI FDE trước hết vẫn là một kỹ sư phần mềm.
Tự học cách gọi API của các mô hình LLM (OpenAI, Anthropic, Google) — hiểu về request/response, token, context window, chi phí vận hành.
Thực hành xây dựng các dự án nhỏ tích hợp AI — chatbot đơn giản, công cụ tóm tắt văn bản, trợ lý tra cứu tài liệu cá nhân.
Tìm hiểu về Prompt Engineering và RAG cơ bản — đây là hai kỹ năng lõi phân biệt một AI FDE với một lập trình viên thông thường.
Theo dõi tài liệu kỹ thuật chính thống thay vì chỉ đọc tin tức giật tít về AI — ưu tiên đọc từ chính các nhà cung cấp mô hình và cộng đồng kỹ thuật uy tín.

Không cần làm tất cả cùng lúc. Sinh viên năm 1-2 nên ưu tiên nền tảng; năm 3 trở đi mới đẩy mạnh phần tích hợp AI — điều này sẽ được nói kỹ hơn ở các bài trong Phần 2 của series.

Kết luận

Không có một "con đường chuẩn" duy nhất để trở thành AI FDE thông qua chọn trường hay chọn ngành. Điều quyết định thực sự là: bạn có nền tảng lập trình đủ chắc để hiểu hệ thống đang chạy, và bạn có đủ chủ động để tự lấp đầy khoảng trống mà chương trình đào tạo truyền thống chưa theo kịp AI hay không.

Chọn CNTT hay Kỹ thuật phần mềm sẽ cho bạn xuất phát điểm thuận lợi hơn về mặt hệ thống; chọn Data Science/AI sẽ cho bạn lợi thế về mặt hiểu mô hình. Nhưng dù ở ngành nào, người thắng cuộc là người tự học nhanh nhất, không phải người có tấm bằng đẹp nhất.

Bài tiếp theo: "Lựa chọn việc để làm: Khi nào nên làm Freelance, khi nào nên đi Thực tập (Intern) và khi nào nhận Full-time?"