Vượt qua sự cường điệu: Operational hóa AI và ML cho kết quả kinh doanh

By: Krishnan Venkata, Chief Client Officer tại công ty phân tích kỹ thuật số LatentView Analytics.

Trong hơn một thập kỷ, các doanh nghiệp từ nhỏ đến lớn đã nói về tiềm năng của trí tuệ nhân tạo (AI) và học máy (ML). Theo những lời tiên tri này, AI và ML sẽ biến đổi công việc hiện đại, tự động hóa các quy trình hàng ngày và cho phép nhân viên tập trung vào các nhiệm vụ cấp cao hơn.

Mười năm sau, đối với nhiều doanh nghiệp, tiềm năng của AI đã trở thành chỉ là một lời hứa, và không có gì khác. Mặc dù nhiều tổ chức đã thực hiện các bước để tăng tốc chuyển đổi số, nhưng một số điểm yếu chung thường khiến giấc mơ AI/ML không thành hiện thực.

Những yếu tố nào đã cản trở tiềm năng biến đổi của AI và ML?

• Thiếu tổ chức: Bước đầu tiên để có một chiến lược AI thành công là thu thập dữ liệu. Nhưng cũng quan trọng không kém là lập kế hoạch cho việc tổ chức dữ liệu đó; các doanh nghiệp thu thập một kho tàng dữ liệu mà không có kế hoạch về cách tổ chức, phân tích và sử dụng nó sẽ bị bỏ lại với một nguồn lực chưa được tinh chế, gần như không thể sử dụng. Giá trị của việc khám phá dầu mỏ là gì nếu bạn không có cách nào để lấy nó ra khỏi mặt đất hoặc tinh chế nó để sử dụng?
• Sự áp dụng từng phần: Mặc dù chuyển đổi số hứa hẹn sẽ tiết kiệm chi phí trong dài hạn, nhưng giá ban đầu để áp dụng công nghệ mới có thể rất cao. Điều này dẫn đến một số doanh nghiệp áp dụng AI từng phần, mà không xem xét cách giải pháp đó sẽ phù hợp với một bản đồ đường dài.
• Thiếu quy trình/kỷ luật: Các giải pháp AI và ML sẽ tự nhiên được các nhà lãnh đạo cụ thể trong công ty đề xuất và giới thiệu, nhưng thành công của chúng phụ thuộc vào sự chấp thuận của toàn bộ tổ chức. Những người áp dụng sớm cần phải chuẩn bị cho sự áp dụng rộng rãi hơn, thiết lập kỷ luật và thói quen cần thiết để tích hợp các công cụ mới một cách mượt mà.

Năm qua đã chứng minh rằng không có thời gian để lãng phí trong việc chuyển đổi số và tự động hóa quy trình thông qua AI và ML. Theo Fortune Business Insights, thị trường trí tuệ nhân tạo toàn cầu dự kiến sẽ đạt 267 tỷ USD vào năm 2027, đại diện cho sự tăng trưởng gần mười lần so với giá trị 27 tỷ USD vào năm 2019. Sự chuyển đổi lâu dài sang làm việc từ xa do đại dịch COVID-19 gây ra đã đẩy các doanh nghiệp áp dụng các giải pháp mới; Báo cáo tương tác kỹ thuật số COVID-19 của Twilio cho thấy 97% các giám đốc điều hành cho biết đại dịch đã đẩy nhanh nỗ lực chuyển đổi số của họ.

Vậy điều gì sẽ giúp chúng ta vượt qua sự cường điệu của AI và ML và thực sự vận hành những công cụ này? Một số công nghệ và chiến lược có thể tạo ra sự khác biệt giữa thành công và thất bại:

1. AIOps, MLOps, DataOps

Đính kèm -Ops vào một công nghệ hoặc ứng dụng là một công thức chắc chắn cho một từ khóa mới, nhưng không phải tất cả các giải pháp mới nổi này đều là vaporware. Trên thực tế, các chiến lược như AIOps, MLOps và DataOps có thể cung cấp giải pháp cho thách thức tổ chức tất cả dữ liệu được thu thập trong một doanh nghiệp. Những công cụ này áp dụng các nguyên tắc quản lý Agile cho AI, học máy và quản lý dữ liệu, tương ứng, đơn giản hóa đáng kể kiến thức và nỗ lực cần thiết để khai thác giá trị từ các giải pháp mới. Đối với các doanh nghiệp đang thực hiện bước đầu tiên vào AI/ML và muốn bắt kịp, những chiến lược này là điều cần thiết.

2. Low Code/No Code

Các mô hình học máy phức tạp và tinh vi nhất sẽ luôn yêu cầu các nhà phát triển và nhà khoa học dữ liệu chuyên dụng để đảm bảo thành công. Tuy nhiên, các thách thức mà nhiều doanh nghiệp phải đối mặt không phức tạp như vậy và có thể được giải quyết bằng các giải pháp AI đơn giản, phù hợp với mọi người. Các nền tảng low-code và no-code giảm thiểu rào cản gia nhập cho nhân viên có ít hoặc không có nền tảng về phát triển phần mềm. Các công cụ no-code cho phép bất kỳ nhân viên nào xây dựng các giải pháp như động cơ đề xuất thông qua các nền tảng kéo và thả trực quan, trong khi các nền tảng low-code có thể thực hiện các nhiệm vụ phức tạp với chỉ một vài dòng mã.

3. AutoAI và AutoML

Nếu trí tuệ nhân tạo và học máy tự động hóa các quy trình kinh doanh, thì tại sao chúng lại cần được tự động hóa? Một khía cạnh quan trọng của thành công AI và ML là ý tưởng về tinh chỉnh: khi những công cụ này học hỏi trong quá trình làm việc và tích hợp thêm dữ liệu, chúng có thể liên tục cải thiện hiệu suất và cung cấp kết quả tốt hơn. AutoAI và AutoML thực hiện quá trình tinh chỉnh này mà không cần bất kỳ đầu vào của con người, tạo ra một chu kỳ ưu việt không ngừng. Con người có thể kiểm tra hiệu suất của mô hình để ngăn chặn sự thiên vị và xác nhận rằng công cụ đang phục vụ nhu cầu của doanh nghiệp, nhưng AutoML cho phép nhân viên tập trung vào các thách thức khác trong quá trình làm việc hàng ngày.

Khi các nhà sản xuất chip và công ty phần mềm phá vỡ các rào cản mới với xử lý ngôn ngữ tự nhiên, lĩnh vực AI/ML đang đến một điểm chuyển đổi sẽ chứng kiến sự bùng nổ của các trường hợp sử dụng mới. Các doanh nghiệp phải sẵn sàng phản ứng với những công nghệ mới nổi này; những doanh nghiệp không có nhà cửa của họ theo thứ tự bây giờ sẽ bị bỏ lại phía sau bởi những đối thủ cạnh tranh có.