Đỗ Đức Dũng
Tóm tắt
Kinh nghiệm của con người là nguồn tri thức quý nhất trong nhiều ngành nghề kỹ thuật, đặc biệt là tài nguyên nước, thủy lợi, quy hoạch, vận hành hồ chứa, dự báo lũ, quản lý hạn – mặn và phòng chống thiên tai. Tuy nhiên, kinh nghiệm nếu chỉ nằm trong trí nhớ cá nhân sẽ rất dễ mất đi khi chuyên gia nghỉ hưu, chuyển công tác hoặc không còn trực tiếp tham gia công việc. Trong thời đại AI, dữ liệu lớn, WebGIS, Digital Twin và hệ thống quản trị tri thức, một nhiệm vụ rất quan trọng của tổ chức là chuyển kinh nghiệm cá nhân thành tri thức số. Quá trình này không đơn giản là số hóa tài liệu hay lưu trữ báo cáo PDF, mà là nhận diện, ghi nhận, cấu trúc hóa, gắn bối cảnh, kiểm chứng, mã hóa, đưa vào kho tri thức và tích hợp trở lại quy trình làm việc. Bài viết phân tích bản chất của kinh nghiệm con người, con đường chuyển hóa kinh nghiệm thành tri thức số, vai trò của AI trong quá trình đó, những rủi ro khi số hóa tri thức sai cách và đề xuất một khung chuyển đổi phù hợp cho các tổ chức nghiên cứu, quản lý tài nguyên nước và thủy lợi ở Việt Nam. Luận điểm chính của bài viết là: AI chỉ thật sự có giá trị với tri thức chuyên gia khi nó không làm phẳng kinh nghiệm thành thông tin rời rạc, mà giúp giữ được bối cảnh, nguồn gốc, giới hạn, trách nhiệm và khả năng tái sử dụng của tri thức.
Từ khóa: kinh nghiệm, tri thức số, AI, tri thức chuyên gia, quản trị tri thức, tri thức ngầm, tài nguyên nước, thủy lợi, Digital Twin, WebGIS, tổ chức nghiên cứu.
1. Đặt vấn đề
Có những điều một chuyên gia biết rất rõ, nhưng khi hỏi “vì sao anh biết?”, họ không dễ trả lời ngay.
Một chuyên gia thủy văn nhìn đường quá trình mực nước và thấy có điều bất thường.
Một kỹ sư thủy lực nhìn kết quả mô hình ngập và thấy vùng ngập “không có hồn”.
Một người làm quy hoạch nhìn phương án công trình và biết địa phương sẽ không chấp nhận.
Một cán bộ vận hành hồ chứa nhìn dự báo mưa và mực nước hồ rồi cảm thấy cần thận trọng hơn so với kết quả tính toán.
Một người từng đi nhiều lần ở Đồng bằng sông Cửu Long có thể biết vùng nào trên bản đồ tưởng an toàn nhưng thực tế nước vẫn có đường vào.
Những hiểu biết ấy không đơn thuần là dữ liệu. Cũng không chỉ là kiến thức sách vở.
Đó là kinh nghiệm.
Kinh nghiệm là thứ được tạo ra qua va chạm với thực tế, qua làm đi làm lại, qua sai và sửa, qua quan sát lâu dài, qua chịu trách nhiệm và qua những tình huống không hoàn toàn giống sách giáo khoa.
Nhưng kinh nghiệm có một điểm yếu: nó thường nằm trong con người.
Khi con người rời khỏi tổ chức, kinh nghiệm có thể rời theo.
Trong thời đại AI, câu hỏi không chỉ là “làm thế nào để lưu tài liệu”, mà là:
Làm thế nào để chuyển kinh nghiệm của con người thành tri thức số mà tổ chức có thể giữ lại, tìm kiếm, kiểm chứng, học lại và phát triển tiếp?
Đây là câu hỏi rất quan trọng đối với các viện nghiên cứu, cơ quan quản lý, đơn vị tư vấn, trường đại học và những ngành có tính tích lũy tri thức lâu dài như tài nguyên nước và thủy lợi.
2. Kinh nghiệm khác gì với dữ liệu, thông tin và kiến thức?
Để hiểu “tri thức số”, trước hết cần phân biệt các tầng khác nhau.
Dữ liệu là các con số, ký hiệu, quan sát thô.
Ví dụ: mưa 120 mm, mực nước 3,8 m, lưu lượng 2.500 m³/s, độ mặn 4 g/l, cao trình đỉnh đê 3,2 m.
Thông tin là dữ liệu đã được đặt vào bối cảnh.
Ví dụ: mực nước 3,8 m tại Tân Châu đang cao hơn cùng kỳ trung bình nhiều năm; độ mặn 4 g/l đã vượt ngưỡng lấy nước cho một số cây trồng; cao trình đỉnh đê 3,2 m thấp hơn mực nước dự báo.
Kiến thức là hiểu được quan hệ và quy luật.
Ví dụ: mưa lớn trên lưu vực kết hợp với đất đã bão hòa làm dòng chảy đến hồ tăng nhanh; triều cường kết hợp lũ thượng nguồn làm mực nước hạ du tăng; đê bao cao làm giảm không gian trữ lũ và có thể làm thay đổi mực nước vùng lân cận.
Kinh nghiệm là khả năng sử dụng dữ liệu, thông tin và kiến thức trong tình huống cụ thể.
Ví dụ: dù mô hình dự báo chưa vượt ngưỡng, chuyên gia vẫn khuyến nghị kiểm tra thêm vì dạng mưa này từng gây lũ lên rất nhanh; dù bản đồ chưa thể hiện ngập, người có kinh nghiệm biết khu dân cư này thường bị chia cắt khi nước lên đến một mức nhất định.
Tri thức số không phải chỉ là đưa dữ liệu vào máy tính.
Tri thức số là khi dữ liệu, thông tin, kiến thức, kinh nghiệm và bối cảnh được tổ chức lại trong hệ thống số để con người và AI có thể sử dụng.
3. Kinh nghiệm con người có những đặc điểm gì?
Kinh nghiệm của chuyên gia có ít nhất sáu đặc điểm.
3.1. Kinh nghiệm gắn với bối cảnh
Một kinh nghiệm chỉ có ý nghĩa trong một bối cảnh nhất định.
Một nhận xét đúng với lưu vực miền Trung chưa chắc đúng với Đồng bằng sông Cửu Long.
Một bộ tham số mô hình dùng tốt trong giai đoạn chưa đô thị hóa có thể không còn phù hợp khi sử dụng đất thay đổi.
Một quy tắc vận hành hồ chứa trong điều kiện hạ du thưa dân có thể cần xem lại khi hạ du đã đô thị hóa.
Vì vậy, nếu số hóa kinh nghiệm mà không giữ bối cảnh, tri thức có thể bị dùng sai.
3.2. Kinh nghiệm thường nằm trong câu chuyện
Chuyên gia thường không truyền kinh nghiệm bằng định nghĩa khô khan. Họ kể chuyện.
“Trận lũ năm đó nước lên rất lạ.”
“Lúc ấy mô hình cho kết quả đẹp nhưng ra hiện trường thấy không đúng.”
“Vùng này trước đây tưởng tiêu thoát tốt nhưng khi triều lên thì nước không ra được.”
“Cống này trên hồ sơ vận hành tốt, nhưng thực tế thường bị kẹt rác.”
Trong những câu chuyện ấy có dữ liệu, bối cảnh, phán đoán, bài học và cảm xúc nghề nghiệp.
Nếu tổ chức chỉ lưu báo cáo cuối cùng mà không lưu câu chuyện, rất nhiều kinh nghiệm bị mất.
3.3. Kinh nghiệm có phần nói được và phần khó nói
Có kinh nghiệm có thể chuyển thành quy tắc.
Ví dụ: khi kiểm định mô hình lũ phải dùng nhiều trận lũ, không chỉ một trận; khi đánh giá vùng ngập cần kiểm tra hệ cao độ DEM; khi dự báo mặn phải xem đồng thời dòng chảy thượng nguồn và triều.
Nhưng có kinh nghiệm khó nói thành quy tắc hoàn chỉnh.
Ví dụ: cảm giác một kết quả mô hình “quá trơn”; trực giác rằng một phương án “thiếu thực tế”; khả năng nhận ra một số liệu “đẹp bất thường”.
Đây là phần tri thức ngầm. Mô hình SECI của Nonaka xem tạo lập tri thức tổ chức là quá trình chuyển hóa qua lại giữa tri thức ngầm và tri thức hiển minh, qua các bước như xã hội hóa, ngoại hiện, kết hợp và nội hóa. Các nghiên cứu về SECI nhấn mạnh rằng tri thức tổ chức không chỉ sinh ra từ tài liệu, mà từ tương tác, thực hành và chuyển hóa kinh nghiệm trong tổ chức.
3.4. Kinh nghiệm có giá trị kiểm chứng
Một kinh nghiệm quý không phải vì nó là ý kiến cá nhân, mà vì nó đã được thử thách bởi thực tế.
Người đã trải qua nhiều trận lũ sẽ biết cảnh báo nào đáng tin.
Người đã hiệu chỉnh nhiều mô hình sẽ biết sai số nào nguy hiểm.
Người đã làm nhiều quy hoạch sẽ biết phương án nào hay trên giấy nhưng khó thực hiện.
Kinh nghiệm có giá trị khi nó giúp tránh sai lầm, phát hiện rủi ro và ra quyết định tốt hơn.
3.5. Kinh nghiệm dễ bị mất
Nếu không được ghi lại, kinh nghiệm có thể mất theo trí nhớ.
Nếu chỉ nằm trong người nghỉ hưu, kinh nghiệm có thể ra khỏi tổ chức.
Nếu chỉ truyền miệng, kinh nghiệm có thể bị méo.
Nếu không được kiểm chứng, kinh nghiệm có thể trở thành định kiến.
Đây là lý do cần chuyển kinh nghiệm thành tri thức số.
3.6. Kinh nghiệm cần được cập nhật
Kinh nghiệm không phải chân lý vĩnh viễn.
Một kinh nghiệm đúng trong quá khứ có thể cần điều chỉnh khi khí hậu, công trình, sử dụng đất, dữ liệu và công nghệ thay đổi.
Vì vậy, tri thức số không phải là kho lưu trữ chết. Nó phải là hệ thống sống, có kiểm chứng và cập nhật.
4. Tri thức số là gì?
Tri thức số không đơn giản là tài liệu được scan thành PDF.
Cũng không phải chỉ là cơ sở dữ liệu.
Tri thức số là tri thức được tổ chức trong môi trường số theo cách có thể tìm kiếm, hiểu được bối cảnh, kiểm chứng nguồn, liên kết với dữ liệu, tái sử dụng trong công việc và cập nhật theo thời gian.
Một tri thức số tốt cần có:
- nội dung;
- nguồn gốc;
- tác giả hoặc người cung cấp;
- thời gian tạo ra;
- bối cảnh áp dụng;
- độ tin cậy;
- giới hạn sử dụng;
- liên kết với dữ liệu, bản đồ, mô hình hoặc sự kiện;
- người kiểm chứng;
- quyền truy cập;
- cách sử dụng trong quy trình công việc.
ISO 30401:2018 xác định các yêu cầu và hướng dẫn để thiết lập, triển khai, duy trì, rà soát và cải tiến hệ thống quản lý tri thức trong tổ chức. Điều này cho thấy quản trị tri thức không nên được xem là hoạt động lưu trữ tự phát, mà là một hệ thống quản lý có mục tiêu, quy trình và cải tiến liên tục.
Trong ngành tài nguyên nước, một tri thức số có thể là:
- một bài học từ trận lũ lịch sử;
- một ghi chú chuyên gia về sai số trạm đo;
- một bộ tham số mô hình kèm điều kiện áp dụng;
- một bản đồ vùng ngập kèm nhận xét hiện trường;
- một quy tắc vận hành hồ chứa trong tình huống mưa lớn;
- một checklist kiểm tra báo cáo quy hoạch;
- một video chuyên gia giải thích đặc điểm lưu vực;
- một kho hỏi – đáp có nguồn trích dẫn nội bộ;
- một lớp WebGIS gắn với tri thức hiện trường;
- một mô hình AI trả lời dựa trên kho tài liệu đã kiểm chứng.
Tri thức số là khi kinh nghiệm không còn chỉ nằm trong đầu người, mà trở thành một phần của trí nhớ tổ chức.
5. Con đường từ kinh nghiệm đến tri thức số
Kinh nghiệm không tự động biến thành tri thức số. Nó phải đi qua một chuỗi chuyển hóa.
Tôi đề xuất chuỗi gồm chín bước.
Bước 1: Nhận diện kinh nghiệm có giá trị
Không phải kinh nghiệm nào cũng cần số hóa như nhau.
Cần ưu tiên những kinh nghiệm có giá trị chiến lược, khó thay thế, liên quan đến rủi ro cao, gắn với dữ liệu đặc thù, mô hình quan trọng, công trình trọng yếu, lưu vực phức tạp hoặc bài học thất bại lớn.
Ví dụ, kinh nghiệm vận hành một hồ chứa có hạ du đông dân cư quan trọng hơn một nhận xét thông thường.
Bước 2: Gợi mở và thu thập
Nhiều chuyên gia không tự nhiên kể hết kinh nghiệm nếu chỉ yêu cầu “viết lại những gì anh biết”.
Cần phỏng vấn sâu, đối thoại, tọa đàm, seminar, đi thực địa cùng nhau, xem lại báo cáo cũ, mở lại mô hình cũ, đặt câu hỏi theo tình huống.
AI có thể hỗ trợ chuẩn bị câu hỏi, nhưng người phỏng vấn phải hiểu nghề.
Bước 3: Ghi nhận dưới nhiều dạng
Kinh nghiệm có thể được ghi bằng văn bản, âm thanh, video, ảnh hiện trường, bản đồ, ghi chú trên WebGIS, nhật ký vận hành, sơ đồ tư duy, tình huống đào tạo.
Không nên chỉ dựa vào văn bản. Có những tri thức cần hình ảnh, giọng nói, bản đồ và bối cảnh hiện trường.
Bước 4: Chuyển đổi thành dữ liệu số
Âm thanh chuyển thành văn bản.
Video được cắt theo chủ đề.
Ảnh hiện trường được gắn tọa độ.
Bản đồ được số hóa.
Ghi chú được gắn thẻ.
Báo cáo được OCR hoặc chuyển về định dạng tìm kiếm được.
Dữ liệu được chuẩn hóa.
Đây là bước kỹ thuật nhưng rất quan trọng.
Bước 5: Cấu trúc hóa
Tri thức cần được tổ chức theo chủ đề, lưu vực, công trình, loại rủi ro, mô hình, dự án, chuyên gia, thời gian, địa điểm.
Nếu không cấu trúc hóa, kho tri thức sẽ trở thành kho tài liệu lộn xộn.
Bước 6: Gắn bối cảnh
Mỗi mẩu tri thức cần trả lời: ai nói, nói khi nào, nói về vùng nào, trong điều kiện nào, dựa trên dữ liệu nào, có còn phù hợp không, cần kiểm tra gì trước khi dùng lại.
Đây là bước phân biệt tri thức số với thông tin rời rạc.
Bước 7: Kiểm chứng
Tri thức chuyên gia cần được đối chiếu với dữ liệu, báo cáo, mô hình, hiện trường hoặc chuyên gia khác.
Không phải mọi kinh nghiệm đều đúng mãi. Có kinh nghiệm quý, nhưng cũng có kinh nghiệm đã lạc hậu.
Bước 8: Đưa vào kho tri thức
Sau khi được xử lý, tri thức cần được đưa vào hệ thống có thể tìm kiếm, phân quyền, trích nguồn, cập nhật và truy xuất.
NASA nhấn mạnh quản trị tri thức xoay quanh “critical knowledge”, tức tri thức thiết yếu để cơ quan thực hiện sứ mệnh và ra quyết định đúng; loại tri thức này thường hình thành từ kinh nghiệm cá nhân hoặc tổ chức, không dễ thay thế và cần được duy trì.
Bước 9: Đưa trở lại quy trình làm việc
Tri thức số chỉ có giá trị khi được sử dụng lại.
Nó phải xuất hiện trong kiểm tra dữ liệu, hiệu chỉnh mô hình, thẩm định quy hoạch, vận hành hồ chứa, cảnh báo hạ du, đào tạo kỹ sư trẻ, viết báo cáo, phản biện đề tài, xây dựng Digital Twin.
Nếu tri thức chỉ nằm trong kho mà không đi vào quyết định, nó chưa sống.
6. Vai trò của AI trong quá trình chuyển hóa
AI có thể hỗ trợ gần như toàn bộ quá trình từ kinh nghiệm đến tri thức số.
6.1. AI giúp hỏi đúng hơn
AI có thể tạo bộ câu hỏi phỏng vấn chuyên gia theo từng lĩnh vực.
Ví dụ, với chuyên gia mô hình thủy lực, AI có thể gợi ý hỏi về điều kiện biên, hệ số nhám, mặt cắt, hiệu chỉnh, sai số thường gặp, dữ liệu khó tin, trận lũ kiểm định.
Với chuyên gia quy hoạch, AI có thể hỏi về phương án từng bị loại, xung đột lợi ích, phản ứng địa phương, bài học từ quy hoạch cũ.
6.2. AI giúp chuyển lời nói thành tài liệu
Các buổi trao đổi chuyên môn có thể được ghi âm, chuyển thành văn bản, tóm tắt, gắn chủ đề, tách ý chính và lưu vào kho tri thức.
Đây là việc trước đây rất tốn công, nhưng AI làm cho khả thi hơn nhiều.
6.3. AI giúp trích xuất tri thức từ tài liệu cũ
Nhiều báo cáo cũ có giá trị nhưng khó đọc lại. AI có thể giúp tóm tắt, trích bảng, tìm địa danh, nhận diện công trình, phân loại nội dung, tìm các nhận xét kỹ thuật quan trọng.
NASA duy trì các hệ thống lessons learned để chia sẻ kinh nghiệm từ các chương trình và dự án, phục vụ cải thiện đào tạo, thực hành tốt, chính sách và thủ tục. Đây là một ví dụ cho thấy kinh nghiệm tổ chức cần được chuyển thành tài nguyên có thể truy cập và học lại.
6.4. AI giúp liên kết tri thức rời rạc
Một bài học về ngập có thể nằm trong báo cáo quy hoạch.
Một nhận xét về cùng vùng có thể nằm trong biên bản họp.
Một dữ liệu về trận lũ có thể nằm trong file Excel.
Một ảnh hiện trường có thể nằm trong thư mục khảo sát.
AI có thể giúp nối những mảnh rời rạc này thành một cụm tri thức.
6.5. AI giúp truy vấn tri thức
Người dùng có thể hỏi:
“Lưu vực này từng có vấn đề gì khi hiệu chỉnh mô hình?”
“Vùng này đã từng bị ngập trong trận nào?”
“Chuyên gia nào từng nhận xét về ô bao này?”
“Hồ này có bài học vận hành nào trong lũ lớn?”
“Nên kiểm tra gì trước khi dùng dữ liệu trạm này?”
Nếu kho tri thức có cấu trúc và nguồn rõ, AI có thể trả lời rất hữu ích.
6.6. AI giúp tạo sản phẩm đào tạo
Từ tri thức chuyên gia, AI có thể tạo bài học, câu hỏi, tình huống, checklist, sơ đồ, bài kiểm tra, hướng dẫn thực hành, kịch bản mô phỏng cho người trẻ.
6.7. AI giúp phát hiện khoảng trống tri thức
AI có thể giúp tổ chức nhận ra lĩnh vực nào có nhiều tài liệu, lĩnh vực nào thiếu, chuyên gia nào sắp nghỉ nhưng chưa được phỏng vấn, mô hình nào chưa có tài liệu hướng dẫn, dữ liệu nào không có metadata.
Đây là bản đồ rủi ro tri thức.
7. Từ kinh nghiệm cá nhân đến trí nhớ tổ chức
Một trong những chuyển đổi quan trọng nhất là từ “tôi biết” sang “tổ chức biết”.
Nếu chỉ một cá nhân biết, đó là kinh nghiệm cá nhân.
Nếu nhóm cùng biết, đó là kinh nghiệm nhóm.
Nếu được ghi lại, kiểm chứng, tổ chức, chia sẻ và dùng lại, đó là trí nhớ tổ chức.
Trí nhớ tổ chức không chỉ là kho tài liệu. Nó là khả năng của tổ chức nhớ lại điều đã học trong lúc cần quyết định.
Ví dụ, khi lập quy hoạch cho một vùng từng bị ngập nặng, hệ thống tự nhắc các báo cáo cũ, ảnh ngập, bài học hiện trường, ý kiến chuyên gia và mô hình liên quan.
Khi vận hành hồ chứa, hệ thống tự nhắc các sự kiện lịch sử tương tự, sai số dự báo, vùng hạ du nhạy cảm và quy trình cảnh báo.
Khi một kỹ sư trẻ dùng dữ liệu trạm, hệ thống cảnh báo rằng trạm này từng có giai đoạn sai do thay đổi vị trí hoặc ảnh hưởng triều.
Đó là trí nhớ tổ chức đang hoạt động.
AI làm cho trí nhớ tổ chức có thể truy cập nhanh hơn, nhưng tổ chức phải xây nội dung cho trí nhớ ấy.
8. Kinh nghiệm hiện trường cần được số hóa như thế nào?
Trong ngành tài nguyên nước, kinh nghiệm hiện trường rất quan trọng.
Nhưng số hóa kinh nghiệm hiện trường không đơn giản là viết báo cáo khảo sát.
Cần một cách làm mới.
Khi đi thực địa, mỗi điểm khảo sát nên có:
- tọa độ;
- ảnh;
- video nếu cần;
- mô tả hiện trạng;
- nhận xét chuyên gia;
- lời kể địa phương;
- dữ liệu đo nhanh;
- liên hệ với bản đồ;
- liên hệ với mô hình;
- mức độ tin cậy;
- đề xuất kiểm tra tiếp.
Những ghi nhận này nên được đưa vào WebGIS, không chỉ nằm trong phụ lục báo cáo.
Ví dụ, tại một điểm ngập thường xuyên, chuyên gia có thể ghi chú: “Vùng này ngập không chỉ do mực nước sông, mà do cống thoát ra kênh chính thường bị đóng khi triều lên. Mô hình nếu không mô phỏng trạng thái cống sẽ đánh giá thiếu ngập.”
Một ghi chú như vậy rất quý. Nếu được gắn vào bản đồ, sau này người làm mô hình, người lập quy hoạch, người thẩm định đều có thể thấy.
Đó là cách kinh nghiệm hiện trường trở thành tri thức số.
9. Kinh nghiệm mô hình cần được số hóa như thế nào?
Nhiều tổ chức có rất nhiều mô hình, nhưng ít tổ chức có “tri thức mô hình” được quản lý tốt.
Một file mô hình không đủ.
Cần lưu:
- mục tiêu mô hình;
- phạm vi mô hình;
- dữ liệu đầu vào;
- nguồn dữ liệu;
- điều kiện biên;
- tham số quan trọng;
- quá trình hiệu chỉnh;
- trận kiểm định;
- sai số;
- giới hạn áp dụng;
- người xây dựng;
- phiên bản;
- bài học;
- khuyến cáo sử dụng lại.
Ví dụ, một mô hình thủy lực vùng hạ du cần ghi rõ: mặt cắt dùng năm nào, DEM nguồn nào, hệ cao độ nào, cống nào được mô phỏng, cống nào bỏ qua, triều biên nào dùng, trận lũ nào kiểm định, sai số lớn nhất ở đâu.
Nếu chỉ lưu file mô hình mà không lưu những điều này, người sau có thể dùng sai.
AI có thể giúp tìm lại tài liệu mô hình, nhưng AI không thể tự biết những giả định chưa được ghi.
Vì vậy, chuyển kinh nghiệm mô hình thành tri thức số là một nhiệm vụ rất cần làm.
10. Kinh nghiệm quy hoạch cần được số hóa như thế nào?
Quy hoạch là nơi kinh nghiệm rất dễ mất.
Báo cáo quy hoạch thường trình bày phương án cuối cùng, nhưng ít khi lưu đầy đủ quá trình tranh luận.
Trong khi đó, giá trị lớn nằm ở quá trình:
- phương án nào từng được đề xuất;
- vì sao bị loại;
- dữ liệu nào gây tranh cãi;
- địa phương phản hồi gì;
- chuyên gia lo ngại điều gì;
- mô hình cho thấy rủi ro nào;
- phương án cuối cùng đã đánh đổi điều gì;
- điều kiện nào cần theo dõi sau quy hoạch.
Nếu các thông tin này được số hóa, quy hoạch sau này sẽ tốt hơn.
Ví dụ, khi làm lại quy hoạch cho một vùng, hệ thống có thể nhắc: “Phương án nâng đê bao toàn vùng từng bị phản biện vì làm giảm không gian trữ lũ và có nguy cơ tăng mực nước hạ du. Cần kiểm tra lại bằng mô hình cập nhật.”
Đó là tri thức quy hoạch số.
Không có lớp này, tổ chức rất dễ lặp lại tranh luận cũ mà không biết rằng thế hệ trước đã từng trả lời.
11. Kinh nghiệm vận hành hồ chứa cần được số hóa như thế nào?
Vận hành hồ chứa là lĩnh vực không thể chỉ dựa vào quy trình trên giấy.
Cần lưu lại nhật ký vận hành số:
- mưa dự báo;
- mưa thực đo;
- mực nước hồ;
- dòng chảy đến;
- lưu lượng xả;
- lệnh vận hành;
- thời điểm quyết định;
- dữ liệu hạ du;
- cảnh báo đã phát;
- phản hồi địa phương;
- kết quả thực tế;
- sai số dự báo;
- bài học sau sự kiện.
- Sau mỗi mùa lũ, cần có phần “học lại”:
- dự báo nào tốt;
- dự báo nào sai;
- kịch bản nào chưa tính;
- quy trình nào khó áp dụng;
- hạ du nào phản ứng mạnh;
- cảnh báo có kịp không;
- cần cập nhật mô hình gì.
Nếu được lưu và cấu trúc hóa, những bài học này sẽ trở thành tri thức vận hành số.
Digital Twin hồ chứa trong tương lai phải học từ chính các nhật ký như vậy.
12. Từ tri thức số đến AI chuyên ngành
Khi kinh nghiệm được chuyển thành tri thức số, tổ chức có thể xây AI chuyên ngành.
AI chuyên ngành khác AI chung ở chỗ nó không trả lời dựa trên tri thức phổ thông, mà dựa trên kho dữ liệu, báo cáo, mô hình, bản đồ, kinh nghiệm và quy trình của tổ chức.
Ví dụ, một AI chuyên ngành của viện quy hoạch thủy lợi có thể trả lời:
Trong lưu vực này đã có những quy hoạch nào?
Các trạm mực nước chính là gì?
Mô hình nào từng được dùng?
Dữ liệu nào cần kiểm tra?
Vùng nào từng được cảnh báo rủi ro?
Phương án công trình nào từng bị loại?
Có bài học nào từ mùa lũ lịch sử?
Điều kiện nào cần lưu ý khi mô phỏng mặn?
Nhưng để AI trả lời đúng, tri thức số phải có nguồn, có bối cảnh và có kiểm chứng.
NIST AI Risk Management Framework nhấn mạnh việc đưa các yếu tố đáng tin cậy vào quá trình thiết kế, phát triển, sử dụng và đánh giá hệ thống AI. Với AI chuyên ngành, điều này có nghĩa là phải quản lý nguồn dữ liệu, độ tin cậy, quyền truy cập, khả năng giải thích và trách nhiệm sử dụng.
AI chuyên ngành không thể xây trên kho tri thức lộn xộn.
13. Tri thức số không được làm mất “hồn” của kinh nghiệm
Một rủi ro lớn khi số hóa là làm phẳng kinh nghiệm.
Một câu chuyện nghề nghiệp sống động có thể bị cắt thành vài dòng gạch đầu dòng.
Một bài học phức tạp có thể bị biến thành quy tắc đơn giản quá mức.
Một tình huống có nhiều bất định có thể bị mô tả như thể đã có đáp án rõ ràng.
Một kinh nghiệm có điều kiện áp dụng có thể bị trình bày như chân lý chung.
Đó là nguy hiểm.
Tri thức số tốt phải giữ được ba thứ:
- bối cảnh;
- bất định;
- giới hạn.
Ví dụ, không nên viết: “Khi mưa lớn thì xả hồ sớm.”
Phải viết: “Trong một số trận mưa lớn có dự báo tin cậy cao, khi hồ đang gần mực nước giới hạn và hạ du còn khả năng tiếp nhận, có thể cần xem xét phương án xả sớm theo quy trình; tuy nhiên phải kiểm tra dự báo mưa, dung tích phòng lũ, trạng thái hạ du, lệnh điều hành và rủi ro nếu dự báo sai.”
Tri thức kỹ thuật phải giữ độ phức tạp cần thiết.
AI có thể giúp tóm tắt, nhưng con người phải giữ chiều sâu.
14. Tri thức số cần gắn với bản đồ và thời gian
Trong ngành nước, tri thức không thể tách khỏi không gian và thời gian.
Một kinh nghiệm cần biết nó xảy ra ở đâu.
Một bài học cần biết nó xảy ra khi nào.
Một lưu vực thay đổi theo năm.
Một vùng ngập thay đổi theo công trình.
Một trạm đo thay đổi theo vị trí và thiết bị.
Một mô hình thay đổi theo phiên bản dữ liệu.
Vì vậy, tri thức số trong ngành nước nên gắn với:
- bản đồ;
- tọa độ;
- lưu vực;
- trạm;
- công trình;
- thời gian;
- sự kiện;
- phiên bản dữ liệu;
- phiên bản mô hình.
Đây là lý do WebGIS và Digital Twin rất quan trọng.
Một ghi chú chuyên gia không nên chỉ nằm trong file Word. Nó nên được gắn vào đúng vị trí trên bản đồ.
Một bài học vận hành hồ nên gắn với đúng sự kiện mưa lũ, mực nước, dòng chảy, quyết định xả và hạ du.
Một nhận xét về sai số mô hình nên gắn với đúng mô hình, đúng phiên bản và đúng trận kiểm định.
Khi đó, tri thức số không chỉ là văn bản. Nó trở thành một lớp của hệ thống số.
15. Tri thức số phải có vòng đời
Tri thức số cũng có vòng đời.
Nó được tạo ra.
Được kiểm chứng.
Được sử dụng.
Được cập nhật.
Được thay thế.
Được lưu trữ.
Có thể bị loại bỏ nếu không còn phù hợp.
Nếu không quản lý vòng đời, kho tri thức sẽ ngày càng rối.
Một tri thức đã lỗi thời nhưng vẫn xuất hiện trong câu trả lời AI có thể gây hại.
Một quy trình cũ đã hết hiệu lực nhưng không được đánh dấu có thể làm người dùng nhầm.
Một mô hình cũ chưa cập nhật công trình mới có thể không còn phù hợp.
Vì vậy, mỗi tri thức số cần có trạng thái:
- đang hiệu lực;
- cần kiểm tra;
- đã thay thế;
- chỉ dùng tham khảo lịch sử;
- không dùng cho quyết định.
Đây là yêu cầu rất quan trọng nếu muốn AI dùng kho tri thức một cách an toàn.
16. Tổ chức cần văn hóa chia sẻ kinh nghiệm
Công nghệ chỉ là một phần.
Nếu chuyên gia không muốn chia sẻ, AI không có gì để lưu.
Nếu người trẻ không muốn học, kho tri thức không có người dùng.
Nếu lãnh đạo không coi tri thức là tài sản, hệ thống sẽ không được duy trì.
Nếu tổ chức chỉ coi báo cáo cuối cùng là sản phẩm, kinh nghiệm quá trình sẽ bị bỏ qua.
OECD khi bàn về chuyển giao tri thức giữa các thế hệ nhấn mạnh vai trò của chính sách tổ chức, đào tạo, mentoring, coaching và môi trường làm việc đa thế hệ trong việc chuyển giao cả tri thức hiển minh lẫn tri thức ngầm.
Điều này rất đúng với các viện nghiên cứu và cơ quan kỹ thuật.
Chuyển kinh nghiệm thành tri thức số không chỉ là dự án công nghệ. Nó là thay đổi văn hóa tổ chức.
Cần tôn trọng người có kinh nghiệm.
Cần khuyến khích họ kể lại.
Cần coi bài học thất bại là tài sản, không phải điều phải che giấu.
Cần để người trẻ hỏi và tranh luận.
Cần đưa tri thức vào quy trình chính thức.
Cần ghi nhận đóng góp tri thức như một thành tích.
17. Một khung chuyển đổi cho tổ chức nghiên cứu thủy lợi
Đối với một viện nghiên cứu hoặc cơ quan quản lý tài nguyên nước, có thể bắt đầu bằng khung chuyển đổi mười bước.
Bước 1: Kiểm kê tài sản tri thức
Tổ chức đang có dữ liệu gì, mô hình gì, báo cáo gì, bản đồ gì, chuyên gia nào, bài học nào, lĩnh vực nào có nguy cơ mất tri thức.
Bước 2: Xác định tri thức ưu tiên
Ưu tiên lưu vực quan trọng, công trình trọng yếu, mô hình cốt lõi, dữ liệu lịch sử, chuyên gia sắp nghỉ hưu, bài học thiên tai lớn.
Bước 3: Tạo chương trình phỏng vấn chuyên gia
Phỏng vấn theo chủ đề, ghi âm, ghi hình, chuyển thành văn bản, gắn thẻ.
Bước 4: Số hóa tài liệu và mô hình cũ
Không chỉ scan, mà phải tạo metadata, phân loại, liên kết với bản đồ, dữ liệu và dự án.
Bước 5: Xây cơ sở dữ liệu tri thức
Có cấu trúc theo lưu vực, công trình, mô hình, dữ liệu, quy hoạch, vận hành, thiên tai, chuyên gia, thời gian.
Bước 6: Tích hợp WebGIS
Gắn tri thức với vị trí: trạm, hồ, cống, tuyến sông, vùng ngập, vùng mặn, ô bao, lưu vực.
Bước 7: Xây AI truy xuất có nguồn
AI trả lời dựa trên kho nội bộ, có trích nguồn, có phân quyền, có cảnh báo khi thiếu căn cứ.
Bước 8: Tạo sản phẩm sử dụng được
Checklist, case study, bài học, bản đồ tri thức, hướng dẫn mô hình, tài liệu đào tạo, trợ lý phản biện.
Bước 9: Đưa vào quy trình làm việc
Bắt buộc kiểm tra kho tri thức khi lập quy hoạch mới, hiệu chỉnh mô hình, thẩm định báo cáo, vận hành hồ, tổng kết thiên tai.
Bước 10: Cập nhật sau mỗi nhiệm vụ
Mỗi dự án, mỗi mùa lũ, mỗi mùa hạn, mỗi đợt vận hành phải bổ sung bài học mới vào kho tri thức.
Đây là cách kinh nghiệm không bị mất sau từng thế hệ.
18. Rủi ro khi chuyển kinh nghiệm thành tri thức số
18.1. Rủi ro số hóa hình thức
Scan tài liệu, lưu vào thư mục, nhưng không ai tìm được, không ai dùng được, không có metadata, không có kiểm chứng.
18.2. Rủi ro mất bối cảnh
Một kinh nghiệm bị tách khỏi thời gian, địa điểm, dữ liệu, điều kiện áp dụng sẽ dễ bị dùng sai.
18.3. Rủi ro thần thánh hóa kinh nghiệm cũ
Kinh nghiệm quý nhưng không bất biến. Cần kiểm chứng với dữ liệu mới.
18.4. Rủi ro AI suy diễn quá mức
AI có thể nối các mảnh tri thức lại và tạo kết luận nghe hợp lý nhưng chưa được chuyên gia xác nhận.
18.5. Rủi ro lộ dữ liệu nhạy cảm
Tri thức về hồ chứa, hạ du, công trình, quy hoạch, vùng rủi ro có thể cần phân quyền nghiêm ngặt.
18.6. Rủi ro thay truyền nghề bằng hỏi AI
Nếu người trẻ chỉ hỏi AI mà không làm việc cùng chuyên gia, không đi hiện trường, không đọc dữ liệu gốc, họ sẽ có tri thức mỏng.
18.7. Rủi ro kho tri thức chết
Nếu không cập nhật, kho tri thức sẽ dần lạc hậu và mất niềm tin.
19. Vai trò của người chuyên gia trong thời đại tri thức số
Khi có AI và tri thức số, vai trò của chuyên gia không giảm đi. Nó thay đổi.
Chuyên gia không chỉ làm việc trực tiếp.
Chuyên gia còn là người tạo tri thức số.
Người kể lại bối cảnh.
Người kiểm chứng dữ liệu.
Người chú giải mô hình.
Người phản biện kết quả AI.
Người xác nhận bài học.
Người đào tạo thế hệ sau.
Người để lại “dấu vết nghề nghiệp” cho tổ chức.
Một chuyên gia trong thời đại mới không chỉ để lại báo cáo. Họ cần để lại bộ dữ liệu đã giải thích, mô hình đã chú giải, bài học đã kể, checklist đã kiểm chứng, bản đồ đã ghi chú, video đã truyền nghề.
Đó là di sản chuyên môn kiểu mới.
20. Vai trò của người trẻ trong thời đại tri thức số
Người trẻ cũng không thể thụ động.
Có AI không có nghĩa là không cần học nghề.
Người trẻ cần học cách hỏi.
Hỏi chuyên gia.
Hỏi dữ liệu.
Hỏi mô hình.
Hỏi AI.
Hỏi hiện trường.
Nhưng quan trọng hơn là biết kiểm chứng câu trả lời.
Người trẻ cần biết đọc tài liệu gốc, xem bản đồ, kiểm tra số liệu, chạy lại mô hình, đi thực địa, so sánh với thực tế.
AI có thể giúp học nhanh hơn, nhưng không thay được quá trình trưởng thành nghề nghiệp.
Người trẻ trong thời đại tri thức số phải vừa biết dùng công nghệ, vừa biết kính trọng kinh nghiệm.
21. Từ kinh nghiệm đến tri thức số trong Digital Twin
Digital Twin là nơi tri thức số có thể phát huy rất mạnh.
Một Digital Twin lưu vực sông không chỉ cần dữ liệu và mô hình. Nó cần kinh nghiệm chuyên gia gắn vào hệ thống.
Ví dụ:
- một vùng thường ngập ngoài mô hình cần được đánh dấu;
- một trạm hay sai khi triều lên cần có cảnh báo;
- một hồ chứa có kinh nghiệm vận hành đặc biệt cần có ghi chú;
- một cống thường bị kẹt cần có lớp thông tin vận hành;
- một vùng xâm nhập mặn có đường nước nội đồng phức tạp cần có chú giải chuyên gia.
Khi đó, Digital Twin không chỉ là bản sao của dữ liệu. Nó là bản sao có trí nhớ nghề nghiệp.
AI trong Digital Twin có thể dùng tri thức đó để nhắc người dùng:
“Vùng này từng có bài học ngập năm trước.”
“Dữ liệu trạm này cần kiểm tra thêm.”
“Mô hình này chưa xét cống vận hành thủ công.”
“Kịch bản này tương tự sự kiện đã xảy ra năm nào đó.”
Đây là cách kinh nghiệm con người đi vào hệ thống số sống.
22. Kết luận
Từ kinh nghiệm của con người đến tri thức số là một quá trình chuyển hóa sâu sắc.
Nó không phải là scan tài liệu.
Không phải là lưu file.
Không phải là tạo một chatbot trả lời chung chung.
Nó là quá trình nhận diện kinh nghiệm có giá trị, gợi mở, ghi nhận, số hóa, cấu trúc hóa, gắn bối cảnh, kiểm chứng, đưa vào kho tri thức và tích hợp trở lại công việc.
AI có thể làm quá trình này mạnh hơn rất nhiều.
AI có thể giúp hỏi, ghi, tóm tắt, gắn thẻ, tìm kiếm, liên kết, truy xuất, đào tạo và hỗ trợ quyết định.
Nhưng AI không thay thế được con người trong việc tạo ra kinh nghiệm, chịu trách nhiệm với kinh nghiệm và truyền lại chiều sâu nghề nghiệp.
Đối với ngành tài nguyên nước và thủy lợi, nhiệm vụ này đặc biệt quan trọng. Bởi nhiều tri thức quý nhất đang nằm trong thế hệ chuyên gia đã trải qua hàng chục năm khảo sát, lập quy hoạch, xây mô hình, vận hành công trình, xử lý lũ, hạn, mặn và làm việc với địa phương.
Nếu không chuyển hóa, tri thức ấy sẽ mất dần.
Nếu chuyển hóa đúng cách, nó sẽ trở thành tài sản số của tổ chức.
Và khi đó, AI không chỉ là công cụ mới. AI trở thành cầu nối giữa kinh nghiệm của thế hệ đi trước và năng lực ra quyết định của thế hệ đi sau.
Một suy nghĩ bổ sung
Kinh nghiệm của con người giống như nước ngầm trong lòng đất.
Nó không phải lúc nào cũng lộ ra trên mặt.
Nhưng nó nuôi dưỡng rất nhiều quyết định, rất nhiều phán đoán, rất nhiều cách làm đúng mà đôi khi chính người có kinh nghiệm cũng không gọi tên đầy đủ.
Nếu không khai mở, nó vẫn nằm sâu trong từng cá nhân.
Nếu người ấy rời đi, dòng nước ấy có thể mất dấu.
Tri thức số là cách chúng ta khoan đúng chỗ, dẫn đúng dòng, lọc đúng cách và đưa nguồn nước kinh nghiệm ấy vào hệ thống chung của tổ chức.
AI có thể là chiếc máy bơm rất mạnh.
Nhưng máy bơm không tự tạo ra nước.
Nước vẫn phải đến từ đời sống nghề nghiệp của con người: từ những chuyến đi thực địa, những mùa lũ, những bản đồ, những mô hình, những sai số, những cuộc tranh luận và những trách nhiệm đã từng được gánh vác.
Vì vậy, điều quan trọng không phải là số hóa cho có.
Điều quan trọng là giữ được tinh thần của kinh nghiệm khi đưa nó vào máy tính.
Kinh nghiệm mất bối cảnh sẽ thành thông tin rời rạc.
Thông tin không kiểm chứng sẽ thành rủi ro.
Tri thức số không được sử dụng sẽ thành kho lưu trữ chết.
Nhưng nếu làm đúng, kinh nghiệm của một đời người có thể không dừng lại ở một đời người.
Nó có thể đi vào trí nhớ tổ chức, vào AI chuyên ngành, vào Digital Twin, vào WebGIS, vào bài học cho người trẻ, vào quy trình kiểm tra và vào những quyết định tốt hơn trong tương lai.
Đó là một cách rất đẹp để công nghệ phục vụ con người: không thay thế kinh nghiệm, mà giúp kinh nghiệm tiếp tục chảy.
Tài liệu tham khảo
- ISO. ISO 30401:2018 — Knowledge management systems: Requirements.
- NASA APPEL Knowledge Services. Knowledge Management và khái niệm “critical knowledge”.
- NASA APPEL Knowledge Services. Lessons Learned.
- Farnese, M. L. và cộng sự. Managing Knowledge in Organizations: A Nonaka’s SECI Model Operationalization.
- OECD. Facilitating knowledge transfer between generations.
- NIST. Artificial Intelligence Risk Management Framework.
- Uchihira, N. Tacit Knowledge Management with Generative AI: Proposal of the GenAI SECI Model, 2026.