Cloud Computing Cho Người Mới Làm Dữ Liệu: Khái Niệm, 5 Đặc Điểm, 3 Mô Hình Triển Khai Và IaaS/PaaS/SaaS

Cloud computing là gì và vì sao dân làm dữ liệu cần biết từ hôm nay

Bạn mở Google Drive lấy file, xem Netflix tối nay, lưu ảnh vào iCloud — tất cả những việc tưởng "bình thường" đó chính là bạn đang dùng cloud (điện toán đám mây) mỗi ngày. Cloud computing thực chất là cách bạn thuê máy tính, ổ cứng và phần mềm của ai đó qua Internet, thay vì tự mua để ở nhà [S1][S2]. Hình dung đơn giản: thay vì mua máy phát điện để dùng điện, bạn đi dây kéo điện từ công ty điện lực về — chỉ trả tiền theo số kWh mình dùng.

Với người mới bắt đầu học Data Science, cloud quan trọng vì ba lý do rất thực tế. Thứ nhất, dữ liệu ngày càng lớn — một chiếc laptop cấu hình vừa vặn không đủ chỗ chứa và không đủ sức chạy mô hình (model) phức tạp. Thứ hai, đa số công ty hiện nay không mua server đặt ở tầng hầm nữa; họ thuê server ảo trên cloud để chạy phân tích và huấn luyện mô hình AI. Thứ ba, nếu bạn hiểu cloud từ đầu, bạn sẽ không sợ mỗi khi nghe đồng nghiệp nhắc "AWS", "BigQuery" hay "deploy lên cloud" — vì bạn biết đó chỉ là tên gọi của những dịch vụ thuê máy/thuê phần mềm.

Cloud không phải Internet. Internet là đường truyền; cloud là cách bạn giao dịch dịch vụ (máy, ổ cứng, phần mềm) qua đường truyền đó.

Năm đặc điểm cốt lõi — cách nhận biết một dịch vụ có phải "cloud thật" không

Nhiều dịch vụ tự gắn mác "cloud" nhưng thực ra chỉ là phần mềm online thông thường. NIST (cơ quan chuẩn công nghệ Mỹ) đưa ra 5 đặc điểm để phân biệt. Mỗi đặc điểm mình sẽ gắn với một ví dụ quen thuộc để bạn không cần tra từ điển.

Tự lấy tài nguyên ngay khi cần (on-demand self-service)

Bạn muốn thêm 100 GB lưu trữ hay một con server mới để chạy thử model — bạn bấm nút trên web là có ngay, không cần gọi điện cho phòng IT, không cần chờ duyệt mua máy. Ví dụ dân làm dữ liệu: bạn train một mô hình dự báo bán hàng, cần thêm một GPU mạnh — bấm tạo máy ảo trên AWS, vài phút sau đã có máy để chạy.

Truy cập từ mọi thiết bị qua mạng (broad network access)

Điện thoại, laptop ở quán cà phê, máy bàn ở công ty — chỗ nào có mạng là vào được dữ liệu của bạn. Đây là lý do Google Sheets tiện hơn file Excel nằm trong USB: bạn không cần cắm USB mới xem được file.

Nhiều người dùng chung hạ tầng nên giá rẻ (resource pooling)

Một server vật lý có thể được chia nhỏ cho hàng nghìn khách hàng cùng dùng — giống như chung cư chia thành nhiều căn hộ. Nhờ vậy giá thuê rẻ hơn rất nhiều so với mua nguyên một chiếc server đặt tại công ty. Với người làm dữ liệu, đây là lý do bạn train model trên cloud rẻ hơn tự sắm máy trạm (workstation) vài trăm triệu.

Co giãn nhanh theo nhu cầu (rapid elasticity)

Đang chạy bình thường 2 máy, chiều thứ Sáu khách hàng đổ vào, bạn bật lên 20 máy trong vài phút, cuối tuần tắt bớt về lại 2 máy. Đây gọi là "elastic" — co giãn như dây thun. Ví dụ quen thuộc: Netflix mùa lễ tăng thêm server để phim không bị giật, hết mùa lại giảm.

Đo đếm và trả tiền theo dùng (measured service)

Cloud tính tiền theo giây, theo GB, theo số request — giống hóa đơn điện, điện thoại. Bạn dùng bao nhiêu trả bấy nhiêu. Đặc điểm này tiện nhưng cũng là nơi nhiều người mới "cháy ví" vì quên tắt máy sau khi chạy xong — mình sẽ nói kỹ ở phần lỗi hay gặp.

Ba mô hình triển khai — chọn cái nào cho hợp việc

"Cloud" không phải một kiểu duy nhất. Có ba cách bố trí hạ tầng, và mỗi cách phù hợp với một nhu cầu khác nhau.

Public cloud là cloud của các ông lớn như AWS, Google Cloud, Microsoft Azure — ai cũng thuê chung hạ tầng. Google Drive, iCloud bạn đang dùng thuộc nhóm này. Ưu điểm: rẻ, triển khai nhanh, không cần đội ngũ IT quản lý. Nhược điểm: dữ liệu nằm chung với người khác nên doanh nghiệp lớn hay lo ngại bảo mật.

Private cloud là hạ tầng riêng của một công ty, đặt tại công ty hoặc thuê riêng một khu vực trên cloud công cộng. Ví dụ: ngân hàng lớn không thể để dữ liệu khách hàng trên public cloud, nên họ dựng server riêng hoặc thuê "vùng riêng" trên AWS. Ưu điểm: kiểm soát cao, bảo mật chặt. Nhược điểm: đắt, cần người vận hành.

Hybrid cloud là kết hợp cả hai: dữ liệu nhạy cảm giữ ở private, dữ liệu bình thường hoặc tác vụ chạy model đưa lên public. Đây là lựa chọn phổ biến nhất hiện nay cho SME vừa muốn tiết kiệm vừa muốn an toàn.

Mô hình	Ai quản lý hạ tầng	Dữ liệu ở đâu	Phù hợp với
Public	Nhà cung cấp (Google, AWS…)	Chung với nhiều khách	Sinh viên, startup, tác vụ không quá nhạy cảm
Private	Doanh nghiệp tự vận hành	Riêng công ty	Ngân hàng, y tế, cơ quan nhà nước
Hybrid	Kết hợp cả hai	Một phần riêng, một phần chung	SME muốn cân bằng chi phí và bảo mật

IaaS, PaaS, SaaS khác nhau ở đâu — hình dung ngôi nhà ba tầng

Người mới hay bị rối ở ba chữ IaaS, PaaS, SaaS. Mình sẽ giải thích bằng hình ngôi nhà ba tầng, mỗi tầng là một lớp "stack" (lớp công nghệ chồng lên nhau).

Tầng dưới cùng là hạ tầng (infrastructure): máy chủ, ổ cứng, mạng. Tầng giữa là nền tảng (platform): hệ điều hành, môi trường chạy code, công cụ sẵn để bạn build app/ML. Tầng trên cùng là ứng dụng (application): phần mềm bạn mở lên dùng trực tiếp.

Tương ứng với ba tầng đó, có ba mô hình dịch vụ:

• IaaS (Infrastructure as a Service) — bạn thuê đất và vật liệu xây nhà, tự thiết kế từng phòng. Trên cloud, đây là khi bạn thuê một "máy chủ ảo" (virtual machine) như AWS EC2 rồi tự cài hệ điều hành, tự cài thư viện Python. Phù hợp người biết kỹ thuật, cần tùy biến sâu.
• PaaS (Platform as a Service) — bạn thuê căn hộ có sẵn nội thất, chỉ việc dọn đồ vào ở. Trên cloud, đây là Google Colab, Vertex AI, Heroku — bạn chỉ viết code và chạy, mọi thứ bên dưới nhà cung cấp lo.
• SaaS (Software as a Service) — bạn vào khách sạn, phòng đã dọn sẵn, khăn gối đầy đủ, ở đúng ngày rồi đi. Trên cloud, đây là Gmail, Power BI online, Google Sheets, Notion — bạn mở lên dùng, không cài đặt gì cả.

Mô hình	Bạn tự làm gì	Nhà cung cấp lo gì	Ví dụ quen thuộc
IaaS	Cài OS, cài thư viện, dựng môi trường	Server vật lý, mạng, điện	AWS EC2, Google Compute Engine
PaaS	Viết code, train model	Hệ điều hành, runtime, bảo mật	Google Colab, Vertex AI, Heroku
SaaS	Mở lên dùng	Mọi thứ từ hạ tầng đến phần mềm	Gmail, Google Sheets, Power BI Online

Một cách dễ nhớ: "stack" càng cao (tầng trên cùng), bạn càng ít phải lo kỹ thuật, nhưng càng ít quyền tùy chỉnh. Ngược lại, stack càng thấp, bạn càng tự do nhưng càng phải biết nhiều.

Ví dụ cho người làm dữ liệu — chọn cái nào khi nào

Để khái niệm không bị treo lơ lửng, mình ghép từng mô hình dịch vụ với một tình huống bạn sẽ gặp khi làm dữ liệu thực tế.

Bạn mới vào làm Data Analyst, công việc chính là kéo báo cáo, làm dashboard (bảng thông tin trực quan), gửi cho sếp mỗi tuần. Bạn không cần cài server, không cần train model — bạn cần phần mềm mở lên là chạy. Đây là lúc SaaS phát huy tác dụng: Google Sheets cộng tác với đồng nghiệp, Power BI Online kết nối nguồn dữ liệu, Looker Studio (miễn phí) dựng dashboard. Tất cả chạy trên trình duyệt, không cài gì lên máy.

Bạn muốn train một mô hình machine learning (máy học) để dự đoán khách hàng rời bỏ dịch vụ. Bạn cần GPU, cần môi trường Python sẵn thư viện nhưng không muốn mất thời gian dựng từ đầu. Đây là PaaS: Google Colab (có bản miễn phí với GPU giới hạn), Vertex AI, SageMaker Studio của AWS. Bạn viết code, bấm chạy, có máy mạnh hỗ trợ — không lo bảo trì server.

Công ty bạn lớn dần, dữ liệu lên tới hàng terabyte (TB), cần kho lưu trữ chung cho cả đội truy cập. Đây là lúc IaaS phù hợp hơn: thuê bucket (kho chứa) trên Amazon S3, thuê dịch vụ data warehouse (kho dữ liệu lớn) như BigQuery, Snowflake. Bạn tự quyết cách tổ chức file, tự cấu hình quyền truy cập, tự chọn cách truy vấn.

Một bài viết trong chuỗi Data Science đã nói rõ hơn về cách xử lý dữ liệu lớn với Hadoop và Spark — bạn có thể đọc tiếp Big Data và Hadoop, Spark trên cloud để hiểu công cụ cụ thể. Còn định dạng file khi đẩy lên cloud (CSV, JSON, Parquet…) thì xem ở các định dạng file thường gặp khi làm dữ liệu.

"Pay-for-use" không có nghĩa miễn phí. Nếu quên tắt máy ảo sau khi train xong, sáng hôm sau bạn có thể nhận hóa đơn vài trăm nghìn đến vài triệu đồng.

Lỗi hay gặp và cách tránh khi mới dùng cloud

Có ba lỗi người mới rất hay dính, mình liệt kê để bạn tránh từ đầu.

Lỗi thứ nhất: nhầm cloud với Internet. Cloud chạy qua Internet, nhưng không phải Internet. Internet là đường dây; cloud là cách bạn mua dịch vụ qua đường dây đó. Một trang web thông thường có thể chạy trên cloud (như Google Search), nhưng bản thân Internet không phải cloud [S2][S6].

Lỗi thứ hai: mặc định public cloud rẻ hơn private trong mọi trường hợp. Đúng là public cloud rẻ cho hầu hết tác vụ thông thường, nhưng nếu bạn chạy workload ổn định 24/7 nhiều năm, riêng server riêng có khi rẻ hơn. Quy tắc đơn giản: thay đổi nhiều, thời gian ngắn → public; ổn định lâu dài, yêu cầu bảo mật cao → private hoặc hybrid.

Lỗi thứ ba: không ước lượng chi phí trước khi đưa workload lên. Mỗi hãng cloud đều có máy tính giá (pricing calculator) trên web chính hãng. Trước khi thuê máy thật, hãy thử dùng gói free tier (miễn phí giới hạn) để test, rồi mới quyết định scale. Giá và tính năng cloud thay đổi thường xuyên, đặc biệt giai đoạn 2025–2026, nên bạn nên kiểm tra trực tiếp trang AWS, Azure, Google Cloud khi cần con số chính xác — những bài viết kể cả bài này chỉ mang tính tham khảo thời điểm viết.

Lỗi hay gặp	Cách tránh
Nhầm cloud với Internet	Nhớ: Internet = đường truyền, cloud = dịch vụ qua đường truyền
Cho rằng public luôn rẻ hơn private	Tính tổng chi phí sở hữu (TCO) cho 1–3 năm trước khi chọn
Quên tắt máy ảo sau khi dùng	Đặt reminder tắt máy, dùng free tier khi học, bật cảnh báo ngân sách
Tin mọi dịch vụ "cloud" là cloud thật	Đối chiếu 5 đặc điểm NIST ở phần trên

Tóm lại và bước tiếp theo cho người mới

Cloud computing là cách bạn thuê máy tính, ổ cứng, phần mềm qua Internet thay vì tự mua. Nó có 5 đặc điểm cốt lõi để nhận biết, được triển khai theo ba mô hình (public, private, hybrid), và cung cấp theo ba dịch vụ (IaaS, PaaS, SaaS) xếp thành stack ba tầng. Người làm dữ liệu gặp cloud hằng ngày: từ Google Sheets mở trên trình duyệt (SaaS), tới Colab train model (PaaS), tới S3 lưu data lớn (IaaS).

Nếu bạn đang bắt đầu hành trình học Data Science, bài này là một trong những viên gạch nền — đọc tiếp lộ trình học Data Science cho người mới để hình dung các bước tiếp theo. Khi đã quen, bạn sẽ muốn biết thêm về cách xử lý dữ liệu lớn với Hadoop, Spark (bài c7) và các định dạng file nên dùng khi đẩy lên cloud (bài c12).

Một bước nhỏ bạn có thể làm ngay hôm nay: đăng ký một tài khoản free tier ở AWS, Google Cloud hoặc Azure, mở Google Colab và chạy thử một notebook Python đầu tiên. Chừng đó là đủ để bạn không còn sợ "cloud" khi đồng nghiệp nhắc tới.