Categories
Dev's Corner

DAO Hollywood: Tiền ảo và các nhân vật được sở hữu bởi cộng đồng

Mỗi ngày chúng ta đều tiêu thụ các sản phẩm giải trí xoay quanh các nhân vật. Nhiều nhân vật được sử dụng để thương mại hoá như Star Wars, Marvel, Harry Potter,… có thể kéo dài hàng thập kỷ và được kết hợp với các sản phẩm thành công trên khắp các nền tảng hoặc phương tiện truyền thông. 

Nhưng ngày nay, những nhân vật thành công nhất tồn tại dưới hình thức sở hữu trí tuệ (IP – intellectual properties) được sở hữu bởi một công ty duy nhất.

Điều này nghĩa là người hâm mộ không có quyền quản lý, cũng như quyền sở hữu trực tiếp đối với những nhân vật này, họ chỉ là người tiêu dùng thụ động đối với các sản phẩm, câu chuyện và bộ phim mà công ty quyết định tạo ra.

Ngay cả khi người hâm mộ là cổ đông trong các công ty đó bằng cách mua cổ phiếu thì việc thể hiện sự ủng hộ hoặc liên kết và tham gia trong quá trình phát triển, định hướng nhân vật cũng rất khó xảy ra.

Việc để người hâm mộ và nhà đầu tư chọn diễn viên nào sẽ đóng vai nhân vật yêu thích của mình trong tập tiếp theo của loạt phim hoặc giúp đưa ra những quyết định có tính tác động như vậy cũng sẽ không đời nào diễn ra.

Nghe hơi điên khi nói rằng hiện nay người hâm mộ cuồng nhiệt các nhận vật đã và đang thành lập cộng đồng trực tuyến, tổ chức các chiến dịch và thậm chí xuất bản fan-fiction (tiểu thuyết do fan viết).

Thay vì loại bỏ các cộng đồng này, bên sở hữu IP nhân vật có thể mang chúng vào quá trình sáng tạo, dành chỗ để thử nghiệm và nhân rộng ý tưởng, tuy nhiên cách này vẫn có những hạn chế về mặt quản lý ở quy mô lớn với công cụ và công nghệ hiện tại.

Ngày nay, các công nghệ tiền điện tử như DAO (tổ chức tự trị phi tập trung) và NFT (token không thể thay thế) giúp mở ra mô hình phát triển và sở hữu nhân vật mới không chỉ tách khỏi các truyền thông sáng tạo mà còn giảm rào cản gia nhập cộng đồng trực tuyến và mang các nhân vật mới ra thế giới.

Việc này có thể đưa tới sự xuất hiện của những nhân vật đại điện đầy đủ hơn cho những cộng đồng ủng hộ họ.

Xé tan vòng lặp “quản trị nhân vật”

Đã có một sự thay đổi văn hóa rộng khắp trong các công ty, chỉ cần nhìn vào sự gia tăng của hoạt động đầu tư về môi trường, xã hội và quản trị doanh nghiệp hay đầu tư hoạt động xã hội, hoặc các cộng đồng fan hâm mộ cho mọi loại người sáng tạo.

Điểm chung của nhiều kiểu tham gia khác nhau này là các bên liên quan hoặc cộng đồng tìm kiếm cách thức mới để tổ chức và đầu tư thời gian lẫn tiền bạc vào việc ủng hộ những người và nguyên do hấp dẫn với họ.

Chúng ta đang trong tình trạng y chang thứ xảy ra với tài sản trí tuệ quanh các nhân vật văn hóa.

Trong những năm tháng làm việc ở Trial Pay (được VISA mua lại), một nền tảng quảng cáo và thanh toán thương mại điện tử, tôi có cơ hội làm việc với một số nhà phát triển trò chơi free-to-play thành công nhất để giúp họ phát triển và kiếm tiền từ ý tưởng của mình.

Một trong những trò chơi có khả năng mang lại cho người chơi cảm giác điều khiển một nhân vật nổi tiếng từ điện thoại di động của họ.

Đó là Kim Kardashian: một người mẫu nổi tiếng Hollywood (do Glu Mobile ra mắt vào năm 2014), một trò chơi theo phong cách phiêu lưu đơn giản do bạn tự chọn nơi mà người chơi đóng vai họ là Kardashian và đưa ra quyết định về trang phục mình mặc, cảnh quay phim hư cấu và diện mạo khi xuất hiện của người chơi dưới danh nghĩa là Kardashian.

Kim Kardashian game
Kim Kardashian game

Khi trò chơi trở thành xu hướng và số lượng người chơi ngày càng nhiều, thì đồng tiền của trò chơi – và mọi kết quả từ vô số các lựa chọn và quyết định fan đưa ra – đều  bị giới hạn một phần nào đó trong một thế giới khép kín.

Trải nghiệm chơi game trước đây đã chứng minh lời hứa của chính quyền mô phỏng thông qua một “nhân vật” nổi tiếng mà mỗi người có thể tận hưởng, tuy nhiên họ chưa từng đem lại cơ hội nào để cùng làm việc với cộng đồng.

Thay vào đó, điều gì sẽ xảy ra nếu người hâm mộ có thể giới thiệu một nhân vật mới vào thế giới thực, với bất kỳ ai cũng có cơ hội tham gia vào niềm vui từ sự thành công của nó, cả về mặt tài chính?

DAOs và đòn bẩy kinh tế token

Hãy nói về DAO.

Các tổ chức tự trị phi tập trung này cung cấp cho những người sáng tạo trên khắp thế giới một cơ chế để thành lập cộng đồng và các nhân vật mới, bằng tiền thật – giống như các môn thể thao giả tưởng hấp dẫn khao khát sở hữu đội hình của fan thể thao (và có khả năng thu được lợi nhuận tài chính).

DAO
DAO

Có một thị trường cho phiên bản phi tập trung của “Hollywood ảo” – chỉ là nó chưa hiện thực hoá.

Các DAOs làm điều này bằng cách nào?

Nói một cách đơn giản, DAOs là các mạng lưới được vận hành bởi các hợp đồng thông minh hoặc mã tự thực thi trên một blockchain, có thể đưa ra các cam kết về các quyền và trách nhiệm nhất định nếu bạn là thành viên của tổ chức phi tập trung đó mà không có hoặc có rất ít sự giám sát bởi một nhân vật trung tâm.

Bất kỳ ai trên thế giới có điện thoại di động và kết nối internet đều có thể trở thành người tham gia vào mạng lưới như vậy và mạng lưới có thể phát hành tokens cho người tham gia dựa theo đóng góp của họ (hoặc dựa trên bất kỳ yếu tố nào khác mà người tạo ra giao thức quyết định).

Các token này có thể trao quyền biểu quyết hoặc quyền quản trị nhất định và các token có thể tăng giá trị (không chỉ tiền tệ) nếu ngày càng có nhiều người muốn tham gia vào mạng lưới.

Do đòn bẩy kinh tế của token, người tham gia quan tâm hơn vào việc tối đa tiện ích của mạng lưới, bao gồm việc sử dụng “cổ phần” của họ để đưa ra các quyết định tập thể về hoạt động đang diễn ra.

Chu kì đầu tiên của các DAO thành công phần lớn đã được hình thành xung quanh các giao thức tài chính, chẳng hạn như cho phép cộng đồng những người nắm giữ token quản lý việc vay và cho vay phi tập trung bằng cách đề xuất và bầu chọn về những thay đổi cụ thể đối với một giao thức.

Mặc dù cấu trúc này thúc đẩy sự phát triển và vận hành các giao thức mới trong hệ sinh thái tài chính phi tập trung hay DeFi, nhưng hầu hết người tiêu dùng phổ thông không có kiến ​​thức hoặc mối quan tâm tài chính cần thiết để cân nhắc các quyết định quản trị cụ thể, chẳng hạn như khả năng trả nợ.

Tuy nhiên, khái niệm DAO ngày một hữu ích hơn và cũng có thể được áp dụng cho các tình huống khác khi có một mạng lưới những người có chung động cơ và lợi ích.

Chu kì tiếp theo của DAO đang nổi lên quanh các cộng đồng sáng tạo, mở ra sự phối hợp và sáng tạo dựa trên nguồn lực từ cộng đồng (hay còn gọi là “creator DAO”).

Nhưng các cộng đồng có thể thành lập quanh nhân vật, chứ không chỉ người sáng tạo và những cộng đồng đó có thể cộng tác và đưa những nhân vật này hướng tới khán giả đại chúng.

Xây dựng cộng đồng xung quanh các nhân vật

Hiện nay, có ít nhất 2 cách để các cộng đồng có thể hình thành quanh các nhân vật, đổi mới trên IP của họ, thiết lập định danh kỹ thuật số và nhận về lợi ích tài chính từ sự thành công của nhân vật.

Chắc chắn sẽ có nhiều cách khác xuất hiện trong những năm tới, sau đây là những ví dụ hiện tại để minh họa cho từng mô hình.

CryptoPunks

CryptoPunks thể hiện cách thức mà các nhà phát triển như Larva Labs tạo ra tác phẩm nghệ thuật cho 10.000 nhân vật mà mỗi nhân vật tồn tại dưới dạng NFT với các thuộc tính độc đáo.

CryptoPunks
CryptoPunks

Một cộng đồng phi tập trung các nhà sưu tập được phát triển xung quanh CryptoPunk NFT, với các chuẩn mực và hành vi văn hóa của mình, chẳng hạn như sử dụng punk làm ảnh đại diện trên các nền tảng truyền thông xã hội.

Mặc dù hồi đầu CryptoPunks được phát hành miễn phí, nhưng cộng đồng đã kéo về cho dự án hơn 680 triệu đô la doanh thu trọn đời (có những punk hiếm bán được với giá hơn 7 triệu đô).

Tuy nhiên, thay vì chỉ nắm giữ một cách thụ động, các nhà sưu tập đã bắt đầu hợp tác với nhau để tạo ra những câu chuyện lấy cảm hứng từ nghệ thuật nhân vật CryptoPunk và mang punk của mình vào ‘đời thật’.

Nhân vật NFT hoạt động như một khối LEGO kỹ thuật số hoặc một dạng tế bào sáng tạo, cung cấp cơ sở cho trí tưởng tượng phát triển theo mọi hướng và cách thức.

Ví dụ: một nhóm các nhà sưu tập đã tạo ra một PUNKS Comic gồm 16 punk, hoàn chỉnh với cốt truyện chính và các phần truyện phụ giúp tạo ra nhân vật hoàn chỉnh cho những punk này.

Tuy nhiên, các sáng kiến ​​cộng đồng như vậy hoàn toàn khác với dự định ban đầu của các nhà phát triển đứng sau CryptoPunks.

Cộng đồng tạo ra những nhân vật hoàn toàn mới bằng cách sử dụng những punk nguyên thủy làm nguồn cảm hứng khi mở rộng sang các hình thức mới ngoài tầm kiểm soát và giám sát sáng tạo của Larva Labs.

Bản thân những câu chuyện lấy cảm hứng từ punk mới này có thể trở thành NFT mới mà các thành viên cộng đồng có thể kiếm tiền và bán dưới dạng fan art (tác phẩm của người hâm mộ) mà không cần thỏa thuận cấp phép.

Khi nói đến fan fiction cho các nhân vật truyền thống thuộc sở hữu của công ty, sự sáng tạo của người hâm mộ có thể làm tăng giá trị và độ phủ cho những nhân vật này, nhưng nó không cho phép người hâm mộ tham gia vào quá trình ngược lại.

Tuy nhiên, với PUNKS Comic, fan giờ đã có quyền sở hữu trong các NFT CryptoPunk lõi.

Do đó, sự thành công của các nhân vật và câu chuyện dựa theo punk của họ thúc đẩy nhận thức và nhu cầu nhiều hơn đối với các punk nguyên thủy – mang lại lợi ích cho những người sáng tạo PUNKS Comic, các nhà phát triển ban đầu và cộng đồng punk rộng lớn.

Aku

Một cách khác là bắt đầu bằng một nhân vật cụ thể đã đi kèm một câu chuyện và ngoại hình truyền cảm hứng để tạo NFT, nhưng sau đó cho phép cộng đồng các nhà sưu tập tham gia vào quá trình phát triển của nó.

Aku NFT
Aku NFT

Ví dụ điển hình này là Aku, một nhân vật phi hành gia trẻ tuổi, da đen được tạo ra bởi cựu cầu thủ bóng chày Micah Johnson.

Johnson tình cờ nghe được cháu trai hỏi mẹ rằng liệu các phi hành gia có thể là người Da đen hay không.

Điều này đã thôi thúc anh bắt đầu vẽ cháu trai của mình trong một chiếc mũ phi hành gia – vốn dĩ đã không có các hình mẫu và nhân vật như thế này – để động viên và xây dựng niềm tin rằng cháu trai của anh có thể đạt được ước mơ này.

Johnson sau đó đã tạo ra nhân vật mới dựa trên NFT của một cậu bé Da đen đội mũ phi hành gia.

Khi tôi xem tác phẩm của Johnson và tương tác với cộng đồng quanh nó, tôi đã bị ấn tượng bởi tiềm năng mà hàng trăm triệu người dùng internet – thay vì các tổ chức – có thể xác định giá trị của một tác phẩm nghệ thuật và cũng dễ dàng sở hữu một token đại diện cho nó.

Hơn nữa, họ có thể sử dụng token này, đại diện cho tư cách thành viên của mình trong cộng đồng này, để xây dựng định danh văn hóa kỹ thuật số (digital cultural identity).

Điều này rất có ý nghĩa đối với các nghệ sĩ như Johnson và tất cả các nghệ sĩ đang xây dựng cộng đồng hoặc những ai có người hâm mộ.

Văn hóa da màu và các hình thức thể hiện sáng tạo trong âm nhạc, văn học và nghệ thuật thị giác đã phát triển mạnh và dẫn đến nền văn hóa toàn cầu trong nhiều thế hệ, nhưng về mặt thời gian, rất khó để các nghệ sĩ và nhà sáng tạo da màu nắm giữ, chứ chưa nói đến việc sở hữu, thậm chí là một phần giá trị họ tạo ra thông qua đó.

Nhìn thấy sức mạnh của một nghệ sĩ Da đen tài năng bán một NFT đại diện cho một nhân vật Da đen đầy cảm hứng từ những tác phẩm chủ yếu từ bộ sưu tập của người Da đen, tôi cảm thấy giống như giai đoạn đầu của một phong trào mới, thời kỳ phục hưng kỹ thuật số của người da màu.

Chỉ vài tháng trước, Johnson thông báo rằng anh ấy sẽ đăng tải câu chuyện của Aku mỗi lần một chương bằng cách tạo ra mười chương video hoạt hình, dạng ngắn của NFT phiên bản giới hạn có hình ảnh Aku tương tác với những người và địa điểm khác nhau.

Aku NFTs không chỉ đạt được hơn 2 triệu đô doanh thu qua hai chương đầu tiên, NFTs còn có một cộng đồng những người ủng hộ nhiệt tình, những người muốn thấy Aku thành công như một đại diện tích cực cho trẻ em Da đen và biểu tượng của sự trao quyền lực kinh tế cho người Da đen.

Thông qua việc sở hữu các NFT này, những người sưu tập Aku ban đầu được lợi ích tài chính từ sự thành công của Aku, từ đó có thể làm tăng nhu cầu và giá trị của các quà lưu niệm kỹ thuật số Aku.

Tiềm năng đối với IP nhân vật do cộng đồng sở hữu và điều hành cũng có tiếng vang trên các phương tiện truyền thống: Johnson không chỉ làm việc với một nhà điêu khắc 3D để tạo ra phiên bản chân thực của Aku, mà nó còn là NFT đầu tiên được lựa chọn cho phim và truyền hình.

“Skin in The Character”: Tình huống IP nhân vật do cộng đồng sở hữu

Trong cả hai cách nêu trên – cho dù bằng cách tạo hoặc mở rộng các câu chuyện về nhân vật – NFT đóng vai trò như một công cụ mạnh mẽ để một nghệ sĩ kiểm tra nhu cầu thị trường đối với những thể hiện ban đầu của nhân vật.

Skin in the character
Skin in the character

Nó có thể là một buổi ra mắt, một MVP, một tiền-“character market fit” đối với tầm nhìn sáng tạo của họ – trong đó những người sưu tập NFT ban đầu là những dấu hiệu cho thấy phong cách, thuộc tính và thông điệp của nhân vật có thu hút được một đối tượng rộng hơn hay không.

Tuy nhiên, không giống như các nhóm tập trung truyền thống, nơi không cho đả động gì vào, mô hình này mang lại tín hiệu mạnh mẽ và khả quan hơn cho nghệ sĩ và các nhà sưu tập.

Nếu có đủ nhu cầu thị trường cho nhân vật đó – đủ để các cá nhân sẵn sàng chi hàng trăm đến hàng nghìn đô la thu thập các NFT đó – thì người sáng tạo biết rằng “tác động lên nhân vật” (skin in the character), không khác gì tác động được lên cuộc chơi vậy.

Khi NFT có thể duy trì một cộng đồng gồm những người đam mê sưu tập, những người tác động được lên nhân vật, thì thách thức sau đó là làm thế nào để phát triển cộng đồng đó, cải tiến nhân vật và phân phối nó đến một lượng lớn khán giả trên các nền tảng truyền thông chính thống.

Trên thực tế, mô hình này cũng có thể mang lại lợi ích cho các công ty lớn, vì theo hệ thống hiện tại, rất khó để phối hợp và thực hiện các hoạt động hợp tác sáng tạo giữa nhiều nhân vật thuộc sở hữu của các công ty luôn coi nhau là đối thủ cạnh tranh trực tiếp.

Ngay cả khi có sự trùng lặp đáng kể giữa 2 nhóm fan của hai nhân vật thuộc sở hữu của hai công ty riêng biệt, thì việc cấu trúc những sự hợp tác này là thực sự thách thức, thậm chí bất khả.

NFT và DAO mở ra lối đi mới cho vấn đề này.

Nhưng trước tiên, những khác biệt với cách làm sáng tạo mới này là gì?

Khi trò chuyện với các nghệ sĩ như Micah, mô hình kể chuyện phi tập trung (decentralized storytelling) của anh ấy tạo ra phương pháp “hãy chọn cuộc phiêu lưu của riêng bạn”, nơi các thành viên cộng đồng có thể gợi ý nhiều câu chuyện hoặc trải nghiệm khác nhau cho nhân vật của họ.

Nhưng nó sẽ hoạt động như thế nào?

Các cộng đồng có thể phân phối token quản trị (tokens) cho những người nắm giữ NFT nhân vật, cái mà sau đó được sử dụng để bỏ phiếu cho các quyết định sáng tạo quan trọng cho nhân vật đó.

Mối quan hệ hợp tác như vậy giữa người sáng tạo và cộng đồng đã và sẽ chỉ tăng lên khi những người tham gia khám phá các khả năng, kể cả về mặt sáng tạo lẫn tài chính.

Ơ, thế thì đó không phải là một phiên bản khác của crowdsourcing – cách tệ hại nhất để tạo ra IP nhân vật chất lượng – và không phải nó sẽ phá vỡ tầm nhìn của người sáng tạo hay sao?

Không hề, bởi chính sự nhấn mạnh lên phần thưởng mạng liên kết (aligned network incentive) mới tạo nên sự khác biệt: Nó thực sự tạo ra một lĩnh vực rộng lớn các mô hình mới, trong đó người sáng tạo trở thành nhà lãnh đạo của một cộng đồng fan phi tập trung.

Chúng ta có thể sớm thấy các thành viên cộng đồng cùng nhau yêu cầu đề xuất công khai (RFP) từ các nghệ sĩ và agency cho những loại nội dung kỹ thuật số cụ thể (giống như việc người ta đã làm khi phát triển phần mềm trong các dự án mã nguồn mở).

Sự trỗi dậy của các “DAO nhân vật”

Nhưng công nghệ cũng ở đây để cho phép điều đó xảy ra. Dưới đây là một mô hình, hoàn toàn có thể thực hiện được với công nghệ hiện tại:

  1. Một thành viên trong cộng đồng soạn thảo bản brief cho một bộ phim ngắn hoặc loạt phim hoạt hình. Những người nắm giữ token – các thành viên cộng đồng đã có được NFT hoặc token có thể bầu chọn thông qua bản brief và phân bổ ngân sách cho nó.
  2. Các công ty sản xuất có thể đáp ứng điều đó, tạo ra video giới thiệu (trailer) cho bản brief đó. Cộng đồng xem xét tất cả các trailer đã gửi và bỏ phiếu bằng token của họ, cũng chính là nguồn vốn để thực hiện.
  3. Nghệ sĩ sáng lập có chức năng như giám đốc sáng tạo làm việc cho những người nắm giữ tokens để giúp quản lý quy trình RFP, sau đó hợp tác chặt chẽ với công ty giành chiến thắng để tiến hành sản xuất series đó.
  4. Nguồn vốn mà những người sưu tập sử dụng để mua NFT ban đầu cũng như các khoản giảm giá đang diễn ra có thể được tái đầu tư vào quỹ cộng đồng, sau đó có thể được sử dụng để kêu gọi đóng góp nội dung để phát triển nhân vật NFT đó, nhằm tăng nhận thức thương hiệu và phát triển cộng đồng xung quanh.

Điều này nghe có vẻ xa vời, nhưng không đâu. Hãy xem những nghệ sĩ họ khao khát khám phá NFT và những cách thức tương tác với cộng đồng fan ra sao. Tính tương tác của tiền điện tử sẽ cho phép xây dựng nhanh chóng những đổi mới và ý tưởng dựa trên một cái khác.

Sau đây là lợi ích của một số mô hình nêu trên:

Chu kì sáng tạo nhanh hơn

Bằng cách sở hữu các nhân vật – nhưng thuê ngoài việc thực thi sáng tạo loạt phim, hoặc trò chơi điện tử có nhân vật đó – các cộng đồng có thể tạo ra các thương hiệu toàn cầu mới và làm chúng trở nên phổ biến một cách nhanh chóng.

Thay vì thực hiện quảng bá vào từng thị trường riêng lẻ ở một thời điểm nhất định, thì một “DAO nhân vật” có thể tài trợ cho nhiều chương trình, phim, trò chơi điện tử và hàng hóa (cả vật lý và kỹ thuật số) được thực hiện bởi các nhóm độc lập hướng vào các thị trường khác nhau – và được thực hiện cùng một lúc.

Vì vậy các nhân vật hay nói cách khác các sản phẩm có thể được thử nghiệm được trên nhiều thị trường hơn.

Cộng tác mạch lạc  

Khi nhiều DAO độc lập, sáng tạo xuất hiện xung quanh các nhân vật khác nhau, sẽ có sự chồng chéo về quyền sở hữu giữa chúng.

Nhưng đó không phải là lỗi, mà là tính năng: Sự trùng lặp như vậy tạo cơ hội cộng tác giữa các nhân vật trên các DAO, chẳng hạn như bằng cách tạo nội dung kỹ thuật số kết hợp cả hai nhân vật, cho phép họ kiểm soát việc phân phối trên các cộng đồng khác nhau và tạo ra một đối tượng khán giả chung (và các đại sứ thương hiệu) mà không bận tâm về việc cạnh tranh.

Lợi ích liên kết giữa các DAO

Các thành viên cộng đồng sẽ được tặng thưởng để ủng hộ sự cộng tác với tư cách khách hàng và quảng bá nó với tư cách đại sứ.

Sau đó, mỗi lần kích hoạt thành côsng trên phương tiện truyền thông sẽ chuyển đổi khán giả mới thành thành viên cộng đồng, những người muốn tham gia, sở hữu và quản lý nhân vật mà họ vừa xem trong bộ phim mà mình yêu thích.

Hình tượng văn hóa tốt hơn 

Ngoài việc tạo ra các nhân vật đại diện tích cực cho các nền văn hóa riêng biệt (ví dụ: dân tộc thiểu số và tôn giáo), các mô hình như vậy cũng dân chủ hóa các loại câu chuyện được kể.

Thay vì cố gắng tìm các nhân vật hiện có, các bậc cha mẹ có chung giá trị giờ đã có thể thực sự hợp tác và tập hợp các nguồn lực tài chính và sáng tạo để tạo ra các nhân vật của riêng họ, phù hợp với giá trị của họ dành cho con cái.

Nắm bắt giá trị và tăng trưởng doanh thu

Đây không phải là cái gì đó mơ hồ, mà thực sự có tiềm năng mở ra thị trường thực sự.

Khi cộng đồng và khán giả toàn cầu phát triển, và nhu cầu đối với các token quản trị và NFT tăng lên, nó có thể mang về doanh thu dùng để tài trợ cho nhiều câu chuyện và phương tiện truyền thông xoay quanh nhân vật.

Các câu hỏi về vấn đề quản trị

Tất nhiên, không phải mọi thứ đều vui vẻ, hoan hỉ, vì DAO không chỉ là một khái niệm tiền điện tử trừu tượng, mà là các hệ thống có con người trong đó.

Và mặc dù chúng tạo ra các mô hình mới cho sự liên kết với con người quanh các nguyên tắc hay mục tiêu chung, chúng cũng mang lại những thách thức mới đối với việc quản trị hiệu quả, và mở rộng quy mô.

Một số câu hỏi sau thường gặp để làm rõ vấn đề:

DAO sẽ được tối ưu quanh những loại quyết định nào? 

Nếu cộng đồng cần bỏ phiếu cho từng chi tiết nhỏ của một nhân vật, trải nghiệm sẽ kém thú vị hơn, kém hiệu quả hơn và có khả năng sẽ có tỷ lệ tham gia thấp hơn.

Tuy nhiên, nếu các quyết định được biểu quyết ở cấp quá cao, các thành viên cộng đồng có thể không cảm thấy như họ có đủ quyền kiểm soát và quyền sở hữu.

Ai sẽ quản lý các chức năng quản lý cộng đồng hàng ngày?

Các DAOs sẽ hoạt động hiệu quả hơn với tư cách là “hội đồng sáng tạo”, bỏ phiếu cho các quyết định và vai trò chiến lược cấp cao quan trọng trong khi việc thuê ngoài quản lý sản phẩm và phát triển sáng tạo sẽ đẩy cho các bên thứ ba thông qua RFP.

Các DAO duy trì kiểm soát chất lượng quanh IP như thế nào? 

Các nhượng quyền nhân vật lớn có các quy tắc nghiêm ngặt về những gì các nhân vật có thể và không thể làm, để thiết lập tính nhất quán, chất lượng,… của nhân vật.

Các cộng đồng sẽ cần thiết lập các hướng dẫn hoặc nguyên tắc riêng cho nhân vật của họ mà các thành viên có thể sử dụng để đánh giá các đề xuất mới.

Cuối cùng, nếu các cộng đồng theo đuổi nhiều hoạt động khác nhau của nhân vật trên các hình thức truyền thông khác nhau cùng một lúc, một vài trong số đó sẽ thành công hơn và trải nghiệm tốt hơn cái khác.

Cốt lõi ở đây là những thử nghiệm này có thể xảy ra theo cái cách họ không thể làm gì nếu ở trong các công ty.

Các DAO sẽ chuyển đổi doanh thu tạo ra từ IP nhân vật ngoài chuỗi vào lại chuỗi như thế nào? 

Doanh thu NFT cho phép dễ dàng tài trợ cho quỹ trên chuỗi được quản lý bởi những người nắm giữ token (tokens holder).

Nhưng các DAO có thể cần quản trị viên bên thứ ba có thể cung cấp các dịch vụ thanh toán và hợp đồng theo chỉ đạo của DAO để làm cầu nối giữa doanh thu, chi phí và ngân quỹ ngoài chuỗi (ví dụ: thế giới thực) với trên chuỗi.

Chi phí và rào cản của việc mang nhân vật mới ra thế giới, thử nghiệm để xem có thu hút được một đối tượng cụ thể hay không và khai thác nhiều hình thức truyền thông và câu chuyện xoay quanh nhân vật đang giảm đáng kể – nhờ vào tiền điện tử, những công cụ mới như NFT và DAO nổi lên.

Không chỉ các nghệ sĩ có cơ hội lớn để tạo dựng cộng đồng quanh mình, người tiêu thụ nội dung sẽ có thể chuyển từ người tham gia bị động sang chủ động – những người kể chuyện cùng những nghệ sĩ mà họ ủng hộ – và những người liên quan đã bỏ đi trước đó, những ông bố bà mẹ, những người sáng tạo / người tiêu thụ nội dung và những người khác có thể tìm thấy đường đi và tiếng nói.

Nguồn: A16Z

Categories
Dev's Corner

Cách thành công với nghề Data Science

Có thể nói rằng lĩnh vực Khoa học Dữ liệu (Data Science) luôn được coi là công việc số 1 và là một trong số các công việc được trả lương cao nhất trên thế giới. Nhiều công ty đang chi hàng nghìn đô để thuê và nâng cao kỹ năng cho các data scientist tiềm năng.

Vì vậy, nhiều người cũng đang tìm hiểu và nâng trình trong lĩnh vực này. Nếu bạn là một người đam mê Data Science, đây là thời điểm thích hợp.

Tuy nhiên, bắt đầu sự nghiệp trong lĩnh vực này không đơn giản như những vai trò truyền thống khác vì nó còn khá mới mẻ. Nhiều người mắc sai lầm đáng tiếc do đi sai đường hoặc hiểu sai vì không có sự hướng dẫn.

Trong bài này, các nhà khoa học dữ liệu từ các công ty hàng đầu như IBM, American Express, Fractal Analytics, Myntra, Forbes sẽ chia sẻ và hướng dẫn bạn, một “tấm chiếu mới”, muốn bắt đầu sự nghiệp hoặc trở thành chuyên gia trong ngành khoa học dữ liệu.

1. Tại sao chọn Data Science?

Có rất nhiều nghề nghiệp với mức lương hấp dẫn ngoài thị trường việc làm và bạn có thể chọn để trở thành chuyên gia trong bất kỳ ngành nghề nào trong số đó, vậy tại sao lại chọn nghiên về ngành Khoa học dữ liệu?

Tại sao chọn theo nghề Khoa học dữ liệu?
Tại sao chọn theo nghề Khoa học dữ liệu?

1/ Tiến sĩ Chiranjiv Roy

Một trong 10 nhà khoa học dữ liệu hàng đầu của Ấn Độ | Phó chủ tịch cấp cao về Data Science của Forbes, Nissan Motors và Mercedes.

Đúng rằng có rất nhiều nghề nghiệp thú vị ngoài kia. Tuy nhiên lúc tôi mới bắt đầu thì “Data Science” có sự khác biệt rất lớn.

Tôi tốt nghiệp năm 2001 với chuyên ngành Xác suất Thống kê và Toán, hai chuyên ngành này là môn phụ của tôi và tôi đã làm trong lĩnh vực này trong 21 năm qua.

Trong thời gian đó, các lập trình viên Java là những người nhận được mức lương cao nhất và nếu bạn không phải là một lập trình viên Java thì mọi thứ trở nên khó khăn đối với bạn.

Hầu hết mọi người, bao gồm cả tôi, bị giới hạn trong Quản lý rủi ro vào thời điểm đó. Không có gì được gọi là Khoa học Dữ liệu hay Phân tích (mặc dù chúng tôi làm điều đó một cách vô tình).

Sau đó, với những tiến bộ công nghệ, các công cụ và định nghĩa của Data Science đã phát triển. Những người có kiến ​​thức về Xác suất Thống kê và Toán dễ dàng thích nghi với việc làm việc trong các dự án liên quan đến phân tích dữ liệu và cuối cùng chúng tôi phát hiện ra sức mạnh của những công cụ này và bắt đầu chú ý đến các tài liệu nghiên cứu khác.

Deep Learning và tất cả những thuật ngữ mà bạn nghe thấy ngày nay không phổ biến và thực sự hấp dẫn cho lắm vào thời điểm đó và bên cạnh đó hầu hết các công ty đều nghi ngờ về việc triển khai nó.

Tuy nhiên, phân tích dữ liệu vẫn bùng nổ do những kết quả trực tiếp và tức thì mà chúng ta có thể đạt được.

Vì vậy, tôi bắt đầu làm việc tại HSBC với tư cách là Chuyên viên Quản trị Rủi ro. Sau đó, tôi nghiên cứu thêm và 5 năm sau đó tôi tham gia nhóm Analytics tại Nissan Motors – nơi mà tôi bắt đầu tìm hiểu và làm khoa học dữ liệu chuyên nghiệp.

Nền tảng kiến thức mà tôi có trước đây đã giúp tôi phát triển niềm yêu thích trong lĩnh vực này và đó là lý do tại sao tôi có thể ở lại lĩnh vực này cho đến bây giờ.

2/ Saniya Jaswani –  Kỹ sư Machine Learning tại IBM

Tôi bắt đầu sự nghiệp của mình với tư cách là một .NET Developer. Đó là khỏi đầu cho việc theo đuổi nghề nghiệp tốt nhưng theo thời gian thì khoa học dữ liệu bắt đầu trở nên thông dụng và tôi quyết định tìm hiểu về nó.

Tôi thấy hứng thú hơn khi bắt tay vào thực hiện một hoặc hai dự án và thấy kết quả của tôi có tác động trực tiếp và tức thì như thế nào thông qua cái được gọi là khoa học dữ liệu.

Nó giống như khi bạn cố gắng đào sâu hơn vào dữ liệu, dữ liệu tự nó nói lên những ý nghĩa của các con số và điều đó làm tôi kinh ngạc.

Một lý do khác là ngành khoa học dữ liệu này khá rộng lớn và tôi có thể khám phá bất kỳ ngách nào tùy thích.

3/ Suraj Shukla – Data Scientist tại CIMB Lab

Thật không đơn giản để nói rằng tôi muốn trở thành một kỹ sư phần mềm (software engineer) hay một cái gì đó khác vì nó khá nhàm chán.

Tôi đã học kỹ sư phần mềm trong thời gian tốt nghiệp đại học, mặc dù tôi muốn làm một cái gì đó liên quan đến động vật vì tôi thích giao tiếp và tìm hiểu về động vật nhưng bố tôi phản đối niềm yêu thích của tôi, vì vậy tôi nghe lời ông và làm kỹ thuật.

Sau khi tốt nghiệp cử nhân, tôi may mắn được đầu quân cho một số công ty ở Nam Á.

Ban đầu, hầu hết công việc tôi tham gia là công việc mà chúng tôi thường gọi là “tìm hiểu nguyên nhân dẫn đến hậu quả”: về cơ bản là tìm kiếm những gì đã xảy ra trước đó.

Nhưng sau đó, tôi đã làm việc với các khách hàng từ Vương quốc Anh và hầu hết công việc là phân tích dự đoán, lập mô hình và lập bảng điều khiển.

Sau đó, tôi muốn tập trung và làm cái mình giỏi nhất nhưng mặc khác tôi cũng không muốn nghỉ việc.

Vì vậy, tôi bắt đầu với việc học một chương trình Executive dài 1 năm rưỡi và sau đó tôi tham gia CIMB Lab với vai trò Nhà khoa học dữ liệu.

Tôi gia nhập một công ty ở Malaysia, cách xa Ấn Độ và đó là một cơ hội lớn hơn cho tôi. Tôi trở lại Ấn Độ sau một vài năm và tham gia cùng 25 nhà khoa học dữ liệu khác ở Bangalore để thành lập một phòng thí nghiệm trí tuệ nhân tạo (A.I).

Kể từ đó, tôi đã làm việc với vai trò Nhà khoa học dữ liệu cho đến nay. Vì vậy, đó là cách tôi nhận ra rằng mình thật sự phù hợp trong lĩnh vực này.

4/ Kanav Anand – Data Scientist tại American Express

Lúc đầu, tôi rất phân vân trong việc lựa chọn giữa Khoa học dữ liệu và Kỹ thuật phần mềm vì khoa của tôi ở trường đại học được định hướng theo cả 2 hướng kỹ thuật phần mềm và khoa học dữ liệu.

Khi tôi bắt đầu làm việc với các dự án, tôi càng có xu hướng nghiêng về A.I (trí tuệ nhân tạo) và công việc đầu tiên của tôi là về Xử lý ngôn ngữ tự nhiên (NLP) và sau đó, tôi cũng thực hiện một vài dự án về thị giác máy tính (computer vision) giúp tôi có rất nhiều kiến thức.

Sau đó, tôi bắt đầu tìm hiểu thêm các khóa học trực tuyến về Trí tuệ nhân tạo (AI). Tôi cũng phát hiện ra rằng nó được liên kết với số liệu thống kê mà tôi rất thích làm và tôi có thể dễ dàng hiểu chúng thông qua những kiến thức tôi đã học trước đó.

Do đó, tôi nhận công việc thực tập trong lĩnh vực Data Science và mọi thứ bắt đầu mở ra từ đó, tôi quyết định gắn bó với lĩnh vực này cho đến bây giờ.

5/ Ranjeet Dhumal – Data Scientist tại Fractal Analytics

Mối quan tâm của tôi là về công nghệ và sau khi tốt nghiệp cử nhân, tôi bắt đầu xây dựng trang web. Tôi học Vật lý và chủ yếu là Cơ học lượng tử, là sự kết hợp giữa Toán và Vật lý.

Hầu hết những điều tôi đang làm trong Cơ học lượng tử tương tự như những gì chúng ta gọi là Machine Learning ngày nay nhưng vào thời điểm đó, chúng ta không gọi nó là Machine Learning.

Trong Cơ học lượng tử, chúng ta thường cố gắng tìm các giải pháp gần đúng cho một vấn đề và đó cũng là điều được thực hiện trong Machine Learning, cố gắng tìm ra con đường tối ưu nhất và giải pháp gần đúng cho các vấn đề trong thế giới thực.

Đó là điều hấp dẫn đối với tôi trong lĩnh vực Data Science và nền tảng thúc đẩy tôi tiếp tục trong lĩnh vực này hơn.

6/ Sajan Kedia – Data Scientist tại IBM, Myntra

Khi tôi hoàn thành khóa học thạc sĩ về khoa học máy tính vào năm 2013, không có gì giống như Khoa học dữ liệu, Máy học (Machine Learning) hoặc Trí tuệ nhân tạo.

Tuy nhiên, tôi may mắn được tham gia nhóm Thông tin Dữ liệu tại Phòng thí nghiệm Nghiên cứu của IBM, nơi tôi đã làm việc trong các dự án Khai thác Dữ liệu. Chúng tôi đã từng khai thác dữ liệu từ Twitter để tìm ra ai và ở đâu có khả năng xảy ra một cuộc biểu tình và bình luận có khả năng gây ra bất ổn xã hội.

Tôi phải nói rằng đó là một dự án rất thú vị. Tôi đã tham gia dự án này trong 2 năm và sau đó tôi bắt đầu khởi nghiệp với dự án riêng của mình.

Tôi khởi nghiệp trong lĩnh vực Adtech (quảng cáo – công nghệ). Ở đây, tôi và nhóm của tôi đã từng làm việc trên 20 terabyte dữ liệu mỗi ngày. Tôi đã học mọi thứ từ A-Z về Data Science.

Chúng tôi không có nhiều nguồn lực để thuê từ bên ngoài nên tôi phải làm hầu hết mọi việc một mình và đôi khi có sự giúp đỡ của đồng nghiệp. Chúng tôi đã từng xây dựng các mô hình để dự đoán liệu khách hàng có nhấp vào một quảng cáo cụ thể hay không.

Tôi đã làm điều đó trong khoảng 3 năm và sau đó tôi tham gia Myntra, một phần của nhóm Walmart và Flipkart với tư cách là Nhà khoa học dữ liệu. Tại Myntra, tôi hiện đang làm việc về tối ưu giá.

Vì vậy, đây là cách tôi tìm thấy chính mình trong Data Scienece và tôi yêu thích nó.

2. Kỹ năng nào có giá trị nhất đối với một nhà khoa học dữ liệu (data scientist)?

Nếu một người muốn bắt đầu sự nghiệp với tư cách là Nhà khoa học dữ liệu, người đó nên tập trung vào những kỹ năng nào nhất?

Các kỹ năng của nhà khoa học dữ liệu là gì?
Các kỹ năng của nhà khoa học dữ liệu là gì?

1/ Benjamin Skrainka – Nhà khoa học dữ liệu tại Galvanize

Các nhà khoa học dữ liệu cần có chuyên môn trong nhiều lĩnh vực.

Bạn cần phải giỏi về cơ sở dữ liệu. Bạn cần một ít kiến ​​thức về kỹ thuật phần mềm. Bạn cần biết một chút về học máy (Machine Learning). Và bạn cần biết một chút về thống kê.

“Đồng thời, tôi nghĩ rằng sự tò mò là rất quan trọng. Các nhà khoa học dữ liệu rất tò mò. Họ liên tục khám phá, đặt câu hỏi, thực hiện các phân tích điều gì-xảy ra (what-if analysis) cho các giả định và quy trình hiện có.”

Họ sẽ luôn học hỏi và suy nghĩ về những công nghệ mới sẽ giúp họ hoạt động hiệu quả và giúp doanh nghiệp thành công. Mặc dù có rất nhiều công cụ tuyệt vời có sẵn, nhưng không có gì thay thế được tư duy.

2/ Cliff Click – Giám đốc công nghệ tải Neurecular

Các nhà khoa học dữ liệu cần có sự kết hợp tốt giữa kiến ​​thức chuyên môn và hiểu biết về kinh doanh. Họ cần phải cực kỳ ham học hỏi và không ngừng tìm ra cách giải quyết một vấn đề cụ thể.

Điều đó có nghĩa là đào sâu vào các cách tiếp cận và lựa chọn thay thế khác nhau – không chỉ xây dựng mô hình và chạy các thuật toán, mà còn giải thích kết quả để thúc đẩy các cơ hội kinh doanh mới.

3/ Jorge Castañón – Data Scientist tại IBM

Sáng tạo là yếu tố then chốt của khoa học dữ liệu. Bạn cần phải có nền tảng kỹ thuật, nhưng bạn cũng cần đủ tò mò để khám phá ở mức độ sâu hơn.

Một nhà khoa học dữ liệu lành nghề khám phá và kiểm tra dữ liệu từ nhiều nguồn khác nhau.

Họ không đơn giản thu thập và báo cáo về dữ liệu, mà còn xem xét nó từ nhiều góc độ, xác định ý nghĩa của nó và sau đó đề xuất các cách áp dụng các phát hiện.

4/Jonathan Dinu – Phó Chủ tịch của Academic Excellence tại Galvanize

Một trong những thuộc tính chính giúp phân biệt nhà khoa học dữ liệu ngày nay là sự nhạy bén trong kinh doanh cùng với khả năng truyền đạt những phát hiện từ dữ liệu cho cả doanh nghiệp và các nhà lãnh đạo CNTT theo cách có thể ảnh hưởng đến cách một tổ chức tiếp cận một thách thức kinh doanh.

Các nhà khoa học dữ liệu thường trở thành người liên lạc giữa IT và giám đốc cấp C (C-level).

Do đó, họ cần có khả năng truyền đạt cả hai và hiểu hệ thống phân cấp của dữ liệu; họ không thể chỉ là chuyên gia dữ liệu.

Tóm tắt các kỹ năng cần thành thạo từ các chuyên gia

  • Kiến thức cơ bản về Toán học và Thống kê
  • Kiến thức vững chắc về Python, SQL, Cơ sở dữ liệu và Excel
  • Mạnh về Trực quan hóa dữ liệu
  • Kiến thức chuyên sâu về thuật toán học máy
  • Chọn một lĩnh vực và chuyên môn hóa (Natural Language Processing, Computor Vision, Big Data…)
  • Làm chủ nghệ thuật Storytelling
  • Thành thạo Kỹ năng Giao tiếp và Thuyết trình
  • Làm chủ kỹ năng làm việc nhóm và cộng tác
  • Phát triển kiến ​​thức chuyên môn.

3. Nguồn lực nào đã giúp bạn trở thành một nhà khoa học dữ liệu?

Khi bạn bắt đầu tìm hiểu lĩnh vực Data Science, bạn sử dụng những tài nguyên nào. Bất kỳ sách, blog, bài báo, khóa học hoặc bất kỳ thứ gì khác mà bạn có thể chia sẻ?

Tài liệu học Data Science
Tài liệu học Data Science

1/ Kanav Anand – Data Scientist tại American Express

Tôi nghĩ điều quan trọng nhất cần làm khi bạn bắt đầu hoàn thiện dần các thống kê và lập trình.

Điều đó có nghĩa là đảm bảo bạn phát triển một nền tảng vững chắc về toán và thống kê cùng với kỹ năng  lập trình. Đối với tôi, tôi đã sử dụng các video Youtube ngẫu nhiên để học viết code bằng Python.

Tôi đã có những kiến ​​thức cơ bản về thống kê nên tôi không cần phải lo lắng nhiều về thống kê và toán học nhưng tôi vẫn đọc một vài cuốn sách thống kê như “Practical Statistics For Data Scientist” của Peter Bruce và Andrew Bruce.

Đối với Python, bạn có thể dễ dàng bắt đầu với các video trên Youtube hoặc các khóa học Udemy như Python Crash Course.

Đối với Học máy (Machine Learning), tôi đã sử dụng khóa của Andrew Ng trên Coursera, đây là một khóa tuyệt vời để bắt đầu với Học máy (Machine Learning).

2/ Ranjeet Dhumal – Nhà khoa học dữ liệu tại Fractal Analytics

Tôi nghĩ rằng nguồn tốt nhất là có được trải nghiệm thực tế ngay từ ngày đầu tiên.

Trong trường hợp của tôi, tôi đã học được từ những người cố vấn của mình, những người đang hoạt động trong lĩnh vực Data Science.

Tôi không có bất kỳ chứng chỉ nào và cho đến nay, tôi không có một chứng chỉ nào về Data Science. Tôi tập trung làm việc với các vấn đề trong thực tế hơn là chọn các tập dữ liệu giả định.

Tôi đã từng chọn một vấn đề cụ thể xung quanh của mình và cố gắng tự mình thu thập dữ liệu, sau đó chuẩn bị và xây dựng mô hình để đưa ra dự đoán số liệu.

Điều đó đã cho tôi cảm nhận và hiểu hơn về khoa học dữ liệu trong thực tế và điều này giúp tôi tham gia và theo đuổi lĩnh vực này dễ dàng hơn.

Tôi đã từng tham gia Hackathons, một số từ Hackerank, Kaggle,… Tôi cũng đã từng đọc blog rất nhiều từ Medium.

Tôi đảm bảo rằng tôi đã tìm kiếm trên Google càng nhiều càng tốt về một chủ đề cụ thể.

Ví dụ, nếu tôi chọn Logistics Regression, tôi sẽ google rất nhiều tài nguyên về chủ đề đó và tìm hiểu chi tiết, đặc biệt là về mặt toán học đằng sau nó.

Đối với Deep Learning, tôi đã sử dụng ebook về Deep Learning của Ian Goodfellow và Yoshua Bengio.

Tôi tham gia một công ty khởi nghiệp và bắt đầu làm việc với các dự án liên quan đến Deep Learning, đặc biệt là các dự án về Computor Vision.

Vì vậy, đó là cách tôi học để trở thành một nhà khoa học dữ liệu.

3/ Sajan Kedia – Nhà khoa học dữ liệu IBM tại Myntra

Tôi thích hackathons hơn nên tôi đã theo dõi Kaggle rất nhiều. Tôi cũng đã từng đọc rất nhiều blog từ Medium, Analyticsvidya và KDNuggets. Những nguồn tài liệu này đã giúp tôi hiểu một số khái niệm cơ bản, cũng như cách mọi người triển khai các khái niệm lạ lẫm đối với tôi.

Tôi đặc biệt không tham gia bất kỳ khóa học Khoa học Dữ liệu nào vì chúng không có sẵn vào thời điểm tôi bắt đầu học tức vào năm 2013. Nhưng như tôi đã đề cập trước đó, tôi may mắn được tham gia nhóm Thông tin Dữ liệu tại Phòng thí nghiệm Nghiên cứu của IBM.

4/ Suraj Shukla – Nhà khoa học dữ liệu tại CIMB Lab

Tôi đã có một nền tảng kiến thức về lập trình nên tôi không gặp khó khăn. Tuy nhiên, ở thời của tôi, chúng tôi không biết ngôn ngữ lập trình nào tốt nên tôi bắt đầu với Java, sau đó chuyển sang lập trình R rồi sau đó là Python.

Nhưng bây giờ rõ ràng Python là tốt nhất khi nói đến Khoa học dữ liệu. Vì vậy, tôi đã bắt đầu với Python, nó cũng dễ học hơn so với tất cả các ngôn ngữ lập trình khác cho đến nay.

Đối với Python, tôi khuyên bạn chỉ nên bắt đầu với tài liệu Python hoặc nếu bạn là người mới bắt đầu thì hãy tham gia một số khóa học Udemy hoặc Coursera.

Tôi cũng đã từng đọc rất nhiều về chi tiết của các thuật toán khác nhau, chẳng hạn như toán học đằng sau một thuật toán cụ thể là gì và tại sao một thuật toán này tốt hơn thuật toán kia và theo những cách cụ thể nào.

Tôi cũng có đủ hiểu biết về một số khái niệm thống kê và toán học chính như đại số tuyến tính và giải tích, điều này đặc biệt hữu ích khi bạn đang cố gắng giảm thiểu chi phí trong machine learning. Tôi nghĩ rằng thuật toán không phải là một vấn đề, nó cần đi kèm với kinh nghiệm, khi bạn làm nhiều dự án, bạn sẽ biết phải sử dụng thuật toán nào cho vấn đề nào.

5/ Saniya Jaswani – Kỹ sư học máy tại IBM

Tôi chủ yếu tham gia một số khóa học Khoa học dữ liệu từ Coursera và Udemy.

Để luyện tập, tôi sử dụng Kaggle. Tôi nghiên cứu những gì mọi người đang làm và bắt đầu làm  dự án riêng của tôi với một số bộ dữ liệu và các cuộc thi.

Tôi cũng đã đọc rất nhiều blog hay từ Medium để hiểu các chủ đề nhất định. Ngày nay, hầu hết các khái niệm đều có trên Google và tìm kiếm về một chủ đề cụ thể nào đó thì trở nên rất đơn giản.

4. Thách thức bạn phải đối mặt hàng ngày là gì?

Các thách thức đối với Data Science
Các thách thức đối với Data Science

1/ Michael Schmidt – Data Scientist / Founder, Nutonian

Một trong những thách thức lớn nhất với tư cách là nhà khoa học dữ liệu là áp dụng kiến ​​thức chuyên môn để giải quyết vấn đề.

Chúng tôi có rất nhiều thuật toán và kỹ thuật để thu được giá trị từ dữ liệu, nhưng chúng tôi cần các giải pháp áp dụng và mang tính ứng dụng nhiều nhất – để liên kết ý nghĩa của số liệu thống kê với cơ hội  kinh doanh.

“Giải quyết vấn đề và dự đoán kết quả bằng cách sử dụng các mô hình phức tạp đòi hỏi cả sự hiểu biết về các khả năng, công cụ và kỹ thuật khoa học dữ liệu cũng như khả năng đặt câu hỏi để cung cấp thông tin cho xử lý dữ liệu.

Giải thích vấn đề cũng vừa khoa học vừa nghệ thuật.

2/ Andy Gants – Nhà khoa học dữ liệu tại Spare5

Một trong những thách thức lớn hơn mà tôi phải đối mặt trong công việc hiện tại là các công cụ ước tính xác suất và thống kê mà tôi đã sử dụng trước đây trong nghiên cứu khoa học trái đất là những công cụ giống nhau, nhưng chúng không nhất thiết phải thực hiện theo cùng một cách đối với những vấn đề mới chẳng hạn ước lượng người dùng và đáp án, ước tính chất lượng trong các vấn đề crowdsourcing.

Vì vậy, các công cụ là giống nhau, nhưng ứng dụng của các công cụ đó khác nhau. Học cách thực hiện với bộ phận phát triển phần mềm là một thách thức khá lớn – nhưng rất thú vị.

3/ Roman Schindlauer – Giám đốc chương trình tại Dato

Một trong những trở ngại lớn nhất đối với năng suất phân tích là tinh chỉnh và định dạng dữ liệu cần thiết cho phân tích chất lượng cao.

Việc thiếu ngôn ngữ lập trình chuẩn hóa hoặc mang tính đại chúng dành riêng cho khoa học dữ liệu sẽ làm cho việc này trở nên khó khăn hơn.

Ngay cả với các công cụ tốt nhất hiện nay, cũng không có cách nào tốt để làm sạch dữ liệu theo cách thủ công.

Đó là một chu kỳ liên tục thu thập và làm sạch dữ liệu và cố gắng tìm hiểu xem liệu nó có mang lại những phát hiện nào đáng kể hay không.

Hay bạn sẽ cần quay lại và thay đổi các thông số hoặc dữ liệu nhiều hơn? Tôi nghĩ rằng chúng ta đang đi tới vị trí mà ở đó sự hỗ trợ bằng công cụ sẽ giúp có đất dụng võ, nhưng nó vẫn đòi hỏi rất nhiều thao tác thủ công.

5. Tuyệt chiêu để đậu phỏng vấn Data Science?

Làm sao để đậu cuộc phỏng vấn Khoa học Dữ liệu dường như là mối quan tâm của nhiều ‘tấm chiếu mới’. Một người nên tiếp cận buổi phỏng vấn Khoa học Dữ liệu như thế nào?

Làm sao chắc đậu phỏng vấn Data Science
Làm sao chắc đậu phỏng vấn Data Science

1/ Sajan Kedia – Data Scientist tại IBM, Myntra

Tôi nghĩ điều khiến các cuộc phỏng vấn Khoa học Dữ liệu trở nên khó đoán một chút là vì nó rất khác nhau giữa các công ty.

Không giống như Kỹ thuật phần mềm, nơi bạn có thể nói rằng bạn có khả năng được hỏi về Cấu trúc dữ liệu, thuật toán và kỹ năng lập trình, trong Khoa học dữ liệu, mọi công ty đều có yêu cầu và kỹ năng nhất định mà họ tìm kiếm ở một ứng viên và điều đó khiến nó rất khó xác định .

Trước tiên hãy dành thời gian nghiên cứu về công ty. Nếu công ty có quy mô lớn, họ có thể sẽ hỏi bạn về kinh nghiệm của bạn trong việc xử lý các tập dữ liệu lớn.

Nếu công ty tập trung nhiều hơn vào tư vấn và định hướng dịch vụ, có khả năng họ sẽ quan tâm đến các kỹ năng như SQL, Excel, một chút về lập trình. Nếu công ty có lĩnh vực đặc thù như chăm sóc sức khỏe và tài chính, thì ngoài kỹ năng lập trình, họ có thể hỏi về kiến ​​thức về lĩnh vực đó.

Nếu bạn dành thời gian để thực hiện nghiên cứu cơ bản này, bạn sẽ biết những gì sẽ được hỏi trong các vòng phỏng vấn và điều đó sẽ không làm bạn ngạc nhiên. Bạn cũng có thể tìm kiếm một số công ty khi bạn bắt đầu làm việc và phát triển các kỹ năng phù hợp. Bằng cách đó, bạn có thể dễ dàng đáp ứng yêu cầu công việc của họ và có khả năng được tuyển.

2/ Suraj Shukla – Data Scientist tại CIMB Lab

Bạn sẽ rất có lợi thế khi chia sẻ trong buổi phỏng vấn Khoa học Dữ liệu về việc bạn có một số dự án đã từng làm trước đây. Điều quan trọng là phải có một nơi lưu trữ trên Github về những dự án của bạn.

Nó sẽ giúp bạn kéo cuộc trò chuyện về vùng an toàn và nằm trong sự hiểu biết của bạn. Người phỏng vấn có thể có trải nghiệm khác với những gì bạn có và nếu bạn để họ dẫn dắt cuộc trò chuyện, họ sẽ hỏi bạn những điều mà bạn có thể không quen. 

3/ Kanav Anand – Data Scientist tại American Express

Trong các cuộc phỏng vấn Khoa học Dữ liệu, bạn có thể sẽ có một vòng kỹ thuật và một vòng CV / Sơ yếu lý lịch.

Trong vòng kỹ thuật, hãy nắm thật vững các thuật toán, tức là không chỉ cách nhập và sử dụng chúng để xây dựng mô hình mà logic toán học đằng sau chúng cũng rất quan trọng. Bạn sẽ cần giải thích lý do tại sao bạn sử dụng thuật toán này thay vì thuật toán kia.

Bạn đã xem xét tối ưu hóa siêu tham số nào. Cuối cùng, cách bạn giải thích kết quả đầu ra kết quả cũng rất quan trọng.

Đối với vòng CV / Resume, tất cả phụ thuộc vào dự án bạn đã làm và bạn có thể giải thích chúng ở mức độ như thế nào để người phỏng vấn tin rằng bạn đã tự làm và bạn thực sự hiểu những gì bạn đã làm.

Nếu bạn không có bất kỳ dự án nào trên GitHub hay portfolio thì kiểu gì thảm họa cũng ập tới. Người phỏng vấn sẽ dội bom bạn với những câu hỏi mà bạn có thể không biết.

Nguồn: MrBriit