Ali Ansari, Nhà sáng lập kiêm CEO của micro1 – Loạt bài phỏng vấn

Ali Ansari là Nhà sáng lập kiêm CEO của micro1, nơi ông tập trung chuyển hóa chuyên môn của con người thành dữ liệu huấn luyện và các phương pháp đánh giá dành cho những hệ thống AI tiên tiến. Kinh nghiệm khởi nghiệp của ông bao gồm việc xây dựng một công ty phát triển phần mềm và thành lập peerlinc trước khi ra mắt micro1 vào năm 2022. Ông học khoa học máy tính tại UC Berkeley và Stanford, tập trung vào học tăng cường, và hiện làm việc về các hệ thống cần thiết để tìm kiếm, đánh giá và điều phối đóng góp của chuyên gia cho sự phát triển AI.

micro1 là một phòng thí nghiệm dữ liệu hỗ trợ huấn luyện các mô hình AI tiên phong và đánh giá các tác nhân AI bằng ý kiến đóng góp của chuyên gia cùng môi trường làm việc thực tế. Nền tảng này kết hợp hoạt động tuyển dụng chuyên gia, sản xuất dữ liệu, rà soát chất lượng và đánh giá mô hình trong các lĩnh vực như luật, y tế, tài chính, kỹ thuật và khoa học. Trong cuộc phỏng vấn này, Ansari bàn về lý do nhu cầu đối với chuyên môn của con người ngày càng tăng, cách dữ liệu vận hành hỗ trợ học tăng cường và những cơ hội nghề nghiệp đang mở ra trong lĩnh vực huấn luyện và đánh giá AI.

Anh thành lập micro1 vào năm 2022 sau khi xây dựng và bán peerlinc. Ban đầu, anh muốn giải quyết vấn đề gì, và micro1 đã phát triển thành một công ty tập trung huấn luyện và đánh giá các mô hình AI tiên phong như thế nào?

Ban đầu, đó là vấn đề tôi gặp phải trong chính doanh nghiệp của mình. Tôi điều hành một công ty phát triển phần mềm, và mỗi dự án mới đều đồng nghĩa với việc phải tìm kiếm, phỏng vấn thêm kỹ sư. Tôi dành quá nhiều thời gian cho việc đó. Vì vậy, chúng tôi xây dựng một công cụ phỏng vấn bằng AI, Zara, để hỗ trợ; rồi công cụ đó dần trở thành micro1.

Ban đầu, chúng tôi bán phần mềm tuyển dụng và xây dựng một thị trường nhân tài đã qua thẩm định. Sau đó, một khách hàng tìm đến chúng tôi vì cần hàng trăm kỹ sư để huấn luyện các mô hình AI. Chúng tôi bắt đầu tìm hiểu lý do họ cần nhiều người đến vậy và nhận ra nhu cầu rất lớn về chuyên môn của con người trong quá trình phát triển mô hình.

Trước đó, chúng tôi đã dành nhiều năm xây dựng năng lực tìm kiếm và thẩm định nhân sự trên quy mô lớn. Dữ liệu do con người tạo ra là một ứng dụng rất hiệu quả của cơ sở hạ tầng đó. Vì vậy, chúng tôi dốc toàn lực, sử dụng công cụ tuyển dụng AI của mình để tìm kiếm và thẩm định nhân tài chuyên môn, đồng thời xây dựng các nền tảng dữ liệu và hệ thống chất lượng khác xung quanh đó. Ngày nay, chúng tôi giúp các phòng thí nghiệm chuyển hóa chuyên môn ấy thành những năng lực mô hình tốt hơn.

Anh từng cho rằng khi các mô hình AI ngày càng mạnh hơn, nhu cầu về chuyên môn của con người thực ra lại tăng lên chứ không biến mất. Điều gì thúc đẩy mối quan hệ này?

Có một vài yếu tố đang diễn ra. Thứ nhất, khi mô hình tốt hơn, chúng ta giao cho chúng những việc khó hơn. Một mô hình có thể trả lời câu hỏi thì hữu ích. Một mô hình có thể đảm nhận toàn bộ quy trình công việc thì hữu ích hơn nhiều, nhưng để đạt được điều đó cần có thêm rất nhiều đóng góp từ chuyên gia.

Thứ hai, con người liên tục tạo ra những công việc mới. Nếu một luật sư có thể dùng AI cho nhiều việc chiếm phần lớn thời gian trong ngày, họ sẽ có thêm thời gian để giải quyết những vấn đề phức tạp hơn hoặc phát triển dịch vụ mới cho khách hàng. Những chức năng hoàn toàn mới đó cũng trở thành những năng lực mà chúng ta muốn chắt lọc và đưa vào mô hình. Đó là điều chúng tôi muốn nói khi dùng cụm từ “không có chặng cuối”. Công việc không ngừng phát triển.

Dữ liệu tổng hợp khiến điều này càng đáng chú ý. Có thể dùng dữ liệu đó để mở rộng các nhiệm vụ và phản hồi do chuyên gia tạo ra, qua đó làm cho đóng góp ban đầu của con người trở nên hữu ích hơn. Tôi cho rằng sự kết hợp này lý giải vì sao nhu cầu về chuyên môn của con người tiếp tục tăng cùng với năng lực của mô hình.

micro1 hợp tác với các chuyên gia trong nhiều lĩnh vực như luật, y tế, tài chính, kỹ thuật và khoa học. Những chuyên gia này có thể đóng góp điều gì cho các hệ thống AI mà các hệ thống đó không thể chỉ học được từ dữ liệu trực tuyến hiện có?

Phần lớn yếu tố làm nên một bác sĩ, luật sư hay kỹ sư giỏi là khả năng phán đoán được tích lũy qua quá trình làm việc. Một phần kinh nghiệm ấy được ghi chép lại, nhưng phần lớn thể hiện qua cách họ xử lý một trường hợp bất thường, nhận ra thông tin còn thiếu hoặc quyết định chi tiết nào thực sự quan trọng.

Điều đó vô cùng giá trị trong việc huấn luyện mô hình. Chuyên gia có thể tạo ra một nhiệm vụ khó, giải thích một kết quả tốt cần có những đặc điểm nào và chỉ ra chính xác điểm yếu của mô hình. Một câu trả lời có thể nghe rất thuyết phục nhưng vẫn bỏ sót điều quan trọng nhất đối với người làm nghề đó.

Chúng ta cần chuyên gia giúp phân biệt những điều đó. Đồng thời, chúng ta cần nhiều góc nhìn khác nhau và một quy trình rà soát chặt chẽ, bởi phán đoán của một người không thể bao quát mọi trường hợp. Mục tiêu là chuyển hóa kinh nghiệm đó thành tín hiệu để mô hình có thể học hỏi. Mỗi lĩnh vực cũng có vô vàn sắc thái. Chẳng hạn, chuyên môn pháp lý không chỉ có một dạng: nó khác nhau tùy theo lĩnh vực hành nghề, từng tiểu bang hoặc khu vực tài phán, cũng như hệ thống pháp luật của mỗi quốc gia. Mỗi tầng lớp đều đòi hỏi kiến thức và khả năng phán đoán chuyên sâu hơn. Mức độ chuyên sâu tương tự cũng tồn tại trong mọi lĩnh vực và các phân ngành đa dạng của chúng; vì vậy, chúng ta cần những chuyên gia hiểu rõ ý nghĩa thực tiễn của các khác biệt ấy.

Khi ngành này ngày càng chú trọng đến giai đoạn hậu huấn luyện, học tăng cường và đánh giá, theo anh, đâu là những nút thắt lớn nhất hiện nay trong việc cải thiện các mô hình AI tiên phong?

Tôi cho rằng khả năng tiếp cận dữ liệu thực tế là một trong những nút thắt lớn nhất. Các công ty đã dành nhiều năm giải quyết vấn đề, đưa ra quyết định và xử lý những tình huống ngoại lệ; kinh nghiệm đó được lưu lại trong tài liệu, hệ thống và quy trình làm việc của họ. Nguồn dữ liệu này vô cùng giá trị nếu muốn mô hình học cách thực hiện công việc thực tế.

Đó là lý do chúng tôi xây dựng chương trình Company Data Partnerships, hay CDP. Chúng tôi trả tiền cho các công ty để được cấp phép sử dụng dữ liệu vận hành của họ. Dữ liệu đó có thể bao gồm tài liệu nội bộ, lịch sử dự án, hồ sơ CRM và quy trình mà nhân viên thực hiện để hoàn thành công việc. Với những bộ dữ liệu doanh nghiệp có giá trị, chúng tôi trả hơn 2 triệu đô la; mức phí tùy thuộc vào dữ liệu và thỏa thuận hợp tác.

Chúng tôi sử dụng tài liệu đó để xây dựng các môi trường huấn luyện và đánh giá thực tế. Hãy hình dung việc giải quyết một vấn đề của khách hàng: bạn có thể cần xem lịch sử tài khoản, tìm chính sách liên quan và xác định cần thực hiện hành động nào. Một môi trường được xây dựng xoay quanh quy trình đó sẽ tạo điều kiện để mô hình thực hành các bước ấy. Các chuyên gia xác định nhiệm vụ và cách đánh giá xem nhiệm vụ đã được hoàn thành thành công hay chưa. Chính phản hồi đó giúp môi trường trở nên hữu ích cho việc học tăng cường.

Các công ty vẫn giữ quyền sở hữu dữ liệu gốc của mình. Chúng tôi thống nhất phạm vi và các yêu cầu về xử lý dữ liệu, bao gồm biện pháp bảo vệ quyền riêng tư, rồi chuẩn bị dữ liệu cho mục đích sử dụng đã định.

Giá trị nằm ở kinh nghiệm được ghi lại trong những hồ sơ đó. CDP giúp các công ty tạo doanh thu từ kinh nghiệm này, đồng thời hỗ trợ mô hình học cách vận hành trong những môi trường thực tế hơn nhiều.

Theo ông, những khía cạnh nào trong khả năng phán đoán hoặc chuyên môn của con người sẽ vẫn đặc biệt khó để các hệ thống AI mô phỏng, ngay cả khi các mô hình trở nên vượt trội hơn đáng kể?

Tôi cho rằng thị hiếu và óc sáng tạo của con người là những lĩnh vực mà các mô hình sẽ gặp nhiều khó khăn. Lý do nằm ở cách chúng ta tạo dữ liệu huấn luyện.

Với nhiều nhiệm vụ, chúng ta có thể tập hợp các chuyên gia và thống nhất với nhau về thế nào là một kết quả tốt. Điều đó tạo ra tín hiệu hữu ích để huấn luyện mô hình. Nhưng nếu hỏi mọi người điều gì làm nên một bức ảnh xuất sắc, một bộ phim tuyệt vời hay một thiết kế hấp dẫn, thì càng thảo luận, ý kiến của họ càng có thể khác biệt. Không phải lúc nào cũng có một đáp án duy nhất để đi đến thống nhất.

AI vẫn có thể trở nên rất hữu ích trong những lĩnh vực đó. Nhưng việc quyết định bạn muốn sáng tạo điều gì, dành cho ai và liệu sản phẩm đó có thực sự tạo được sự đồng cảm hay không đòi hỏi rất nhiều phán đoán của con người. Tôi cho rằng khả năng phán đoán ấy càng trở nên quan trọng khi các công cụ giúp việc tạo ra sản phẩm trở nên dễ dàng hơn.

Ông nhận thấy ngày càng nhiều chuyên gia xem việc huấn luyện và đánh giá AI là công việc chuyên môn nghiêm túc, thay vì nghề tay trái. Liệu lĩnh vực này có thể phát triển thành một ngành nghề hoàn toàn mới không, và những công việc đó có thể sẽ như thế nào?

Chắc chắn rồi. Đây đã là một lĩnh vực công việc mới trị giá nhiều tỷ đô la. Các chuyên gia đang vận dụng kiến thức tích lũy qua nhiều năm làm việc để hỗ trợ huấn luyện và đánh giá AI. Với một số người, công việc này đang trở thành một phần đáng kể trong sự nghiệp của họ.

Bản thân công việc có thể đòi hỏi chuyên môn rất sâu. Một luật sư có thể xây dựng một tình huống phức tạp và xác định cách đánh giá phản hồi của mô hình. Một kỹ sư có thể tạo ra một nhiệm vụ dẫn dắt tác nhân AI thực hiện trọn vẹn quy trình phần mềm. Ngoài ra còn có những người rà soát dữ liệu, cải thiện tiêu chí đánh giá và dẫn dắt các nhóm chuyên gia. Công việc này cũng có thể giúp mọi người có thêm thời gian tập trung vào lý do ban đầu khiến họ chọn lĩnh vực của mình. Trong hầu hết các công việc, nhiều thời gian được dành cho các tác vụ hành chính và nghĩa vụ không thuộc phần việc mà mọi người thấy ý nghĩa nhất. Huấn luyện AI trong lĩnh vực chuyên môn của họ có thể đưa chuyên môn ấy vào vị trí trung tâm trong công việc: giải quyết các vấn đề khó, vận dụng khả năng phán đoán và chia sẻ những bài học rút ra từ kinh nghiệm. Đây là cơ hội để họ dành nhiều thời gian hơn cho những điều mình quan tâm và làm tốt nhất, đồng thời góp phần định hình cách AI tiếp cận công việc đó.

Tôi nghĩ chúng ta sẽ chứng kiến những lộ trình nghề nghiệp thực sự hình thành quanh tất cả những công việc đó. Bạn có thể trở nên rất thành thạo trong việc chuyển hóa chuyên môn lĩnh vực của mình thành dữ liệu huấn luyện, hoặc vận hành quy trình dữ liệu và xác định những điểm mà mô hình cần hỗ trợ. Đó là những kỹ năng có giá trị, và chúng ta vẫn đang ở giai đoạn rất sớm trong việc tìm hiểu tất cả những vai trò này sẽ ra sao.

Khi các công ty tuyển bác sĩ, luật sư, kỹ sư, nhà khoa học và những chuyên gia khác để cải thiện mô hình AI, ông xác minh chuyên môn của họ và bảo đảm dữ liệu huấn luyện tạo ra chính xác, nhất quán bằng cách nào?

Chúng tôi đã xây dựng cả một hệ thống cho việc này. Quy trình bắt đầu với Zara, công cụ tuyển dụng AI giúp chúng tôi tìm kiếm và thẩm định chuyên gia theo những kỹ năng mà dự án yêu cầu. Sau đó, công cụ Merit giúp chúng tôi theo dõi chất lượng, tốc độ và độ tin cậy trong những đóng góp của họ theo thời gian. Chúng tôi cần hiểu cả chuyên môn của một người lẫn cách chuyên môn đó được thể hiện trong dữ liệu họ tạo ra.

Nền tảng flow kết hợp công việc của chuyên gia với các mô hình chúng tôi xây dựng để hỗ trợ tạo và rà soát dữ liệu. Các chuyên gia xác định nhiệm vụ và tiêu chí của một kết quả tốt. Sau đó, flow gen mở rộng điểm khởi đầu đó thành các ví dụ và biến thể mới. flow qc kiểm tra dữ liệu để phát hiện những vấn đề như thiếu bằng chứng hoặc tiêu chí chấm điểm không khớp với nhiệm vụ. Còn flow grader đánh giá hiệu suất của mô hình dựa trên các tiêu chí đó.

Điều quan trọng là những gì diễn ra khi chuyên gia phát hiện lỗi. Việc sửa lỗi đó có thể cải thiện dữ liệu huấn luyện, đồng thời giúp chúng tôi cải thiện chính các công cụ tạo dữ liệu và kiểm tra chất lượng. Chúng tôi có thể biến những lỗi lặp đi lặp lại thành các bài kiểm tra cho phiên bản tiếp theo.

Đó là vòng tuần hoàn dữ liệu tổng hợp mà chúng tôi đang xây dựng. Chuyên môn của con người cung cấp điểm khởi đầu và khả năng đánh giá. Các công cụ của chúng tôi giúp mở rộng quy mô, còn phản hồi từ chuyên gia giúp cải thiện chu kỳ tiếp theo. Sau đó, chúng tôi kiểm tra xem những thay đổi đó có thực sự giúp mô hình hoạt động tốt hơn hay không. Chính điều đó làm cho vòng lặp này có giá trị.

Các tác nhân AI ngày càng cần thực hiện những nhiệm vụ phức tạp gồm nhiều bước, thay vì chỉ đơn giản tạo câu trả lời. Việc huấn luyện và đánh giá các hệ thống này khác gì so với công việc cần làm để cải thiện các mô hình ngôn ngữ lớn truyền thống?

Khác biệt lớn nhất nằm ở độ dài của nhiệm vụ. Một tác nhân có thể cần thực hiện nhiều thao tác trên các công cụ khác nhau mới đạt được kết quả hữu ích. Nó có thể làm tốt vài bước đầu nhưng vẫn thất bại trong toàn bộ công việc vì các lỗi chồng chất lên nhau.

Vì vậy, chúng ta cần những môi trường để mô hình thực hành toàn bộ quy trình làm việc, cùng các bài đánh giá cho biết mô hình gặp trục trặc ở đâu. Mô hình có tìm được thông tin phù hợp không? Có sử dụng công cụ đúng cách không? Có thực sự đạt được kết quả mong muốn không?

Ngoài ra còn có bối cảnh riêng của từng công ty. Một tác nhân làm việc trong một doanh nghiệp cần hiểu các quy trình và kỳ vọng của doanh nghiệp đó. Năng lực tổng quát chỉ giúp được đến một mức độ nhất định.

Đó là lúc các chuyên gia trong lĩnh vực trở nên đặc biệt quan trọng. Họ giúp chúng tôi chẩn đoán lỗi và tạo dữ liệu để cải thiện hệ thống. Chúng tôi đánh giá, tìm ra những thiếu sót, huấn luyện để khắc phục chúng rồi đánh giá lại. Quá trình đó tiếp diễn khi tác nhân đảm nhận thêm nhiều công việc.

Khi các mô hình tiên phong ngày càng có năng lực hơn, loại dữ liệu do con người tạo ra mà chúng cần đang thay đổi như thế nào? Trong vài năm tới, bạn dự đoán những hình thức chuyên môn hoặc đánh giá nào sẽ trở nên có giá trị hơn đáng kể?

Ngày càng có hai yếu tố quan trọng: nhiệm vụ kéo dài bao lâu và mức độ sát với thực tế. Khi mô hình được cải thiện, dữ liệu huấn luyện hữu ích sẽ chuyển dần sang các quy trình làm việc phức tạp, có nhiều quyết định hơn, nhiều bối cảnh hơn và nhiều khả năng xảy ra sai sót hơn.

Điều đó khiến kinh nghiệm vận hành trở nên rất có giá trị. Người đã làm một công việc trong nhiều năm sẽ hiểu những trường hợp ngoại lệ và mối phụ thuộc mà người thiết kế nhiệm vụ từ bên ngoài dễ bỏ sót. Họ cũng có thể cho bạn biết liệu kết quả của một tác nhân có thực sự dùng được trong doanh nghiệp hay không.

Tôi nghĩ thị trường đánh giá dành cho doanh nghiệp sẽ phát triển thành một thị trường khổng lồ theo thời gian, có thể đạt một nghìn tỷ đô la mỗi năm. Mọi công ty triển khai tác nhân đều cần hiểu chúng hoạt động tốt ở đâu, thất bại ở đâu và làm thế nào để cải thiện chúng. Những người có thể biến kiến thức của mình thành các bài đánh giá hữu ích sẽ giữ vai trò then chốt trong lĩnh vực này. Nhu cầu này sẽ tiếp diễn vì các công ty, mô hình và công việc đều không ngừng thay đổi.

Một số chuyên gia có thể đang góp phần huấn luyện các hệ thống AI thực hiện một phần công việc của chính họ. Bạn nhìn nhận mâu thuẫn đó như thế nào, và bạn cho rằng mối quan hệ giữa chuyên môn của con người với AI sẽ ra sao trong ba đến năm năm tới?

Tôi nghĩ chúng ta đánh giá thấp lượng công việc mới mà mọi người sẽ tạo ra khi có những công cụ này.

Hãy lấy lĩnh vực tuyển dụng làm ví dụ. Nếu một tác nhân có thể đảm nhận nhiều hơn khâu sàng lọc ban đầu, nhà tuyển dụng có thể dành thêm thời gian xây dựng mối quan hệ với ứng viên hoặc tìm cách thu hút những người mà trước đây công ty chưa thể tiếp cận. Vai trò của họ thay đổi, và họ có thể làm được nhiều việc hơn trong cùng một khoảng thời gian.

Tôi dự đoán điều tương tự sẽ xảy ra trong nhiều ngành nghề. Trong ba đến năm năm tới, các tác nhân sẽ ngày càng trở thành cộng sự mà mọi người giao việc, cung cấp bối cảnh và đánh giá. Khi điều đó diễn ra, mọi người sẽ đảm nhận những trách nhiệm mới.

Đó là lý do tôi lạc quan. Chúng ta đã chứng kiến những công việc mới xuất hiện trong lĩnh vực huấn luyện và đánh giá AI, và tôi nghĩ sẽ còn nhiều điều nữa khi mọi người khám phá ra những gì họ có thể xây dựng và đạt được với công nghệ này.

Cảm ơn bạn đã dành cho chúng tôi buổi phỏng vấn tuyệt vời. Độc giả muốn tìm hiểu thêm về dữ liệu huấn luyện do chuyên gia dẫn dắt, đánh giá AI và các cơ hội đóng góp kiến thức chuyên môn trong lĩnh vực của mình có thể truy cập micro1.