Lãnh đạo tư tưởng
Lập kế hoạch, PoC và triển khai vận hành thành công giải pháp AI cho doanh nghiệp

Điểm chínhChỉ 15 phần trăm các giải pháp AI doanh nghiệp sẽ thành công vào năm 2022 do kỳ vọng…
Xem thêm
- Chỉ 15 phần trăm các giải pháp AI doanh nghiệp sẽ thành công vào năm 2022 do kỳ vọng không được căn chỉnh đúng.
- Việc lập kế hoạch phải nhắm vào các lĩnh vực có tác động cao, rủi ro thấp với dữ liệu tăng trưởng liên tục như xử lý khoản vay.
- Mở rộng quy mô từ PoC sang sản xuất đòi hỏi thiết kế mô-đun và quản lý các mô hình bị thổi phồng như GPT3.
Các doanh nghiệp đang tăng tốc các sáng kiến trí tuệ nhân tạo (AI) của họ với tốc độ nhanh chóng. Một nghiên cứu của Algorithmia cho thấy 76 phần trăm các CIO đang ưu tiên và tăng ngân sách CNTT của họ để tập trung nhiều hơn vào các giải pháp AI và học máy (ML). Các tổ chức cũng đang nhận ra tầm quan trọng của dữ liệu và hầu hết đều chấp nhận rằng 80 phần trăm dữ liệu doanh nghiệp là không có cấu trúc.
Dữ liệu không có cấu trúc đang được sản xuất và tăng trưởng với tốc độ báo động trong một ngăn xếp doanh nghiệp. Đơn vị đo lường đã chuyển từ terabyte sang petabyte. Kết quả là, các chuyên gia CNTT, CDO và CIO phải đối mặt với một số thách thức mới để đáp ứng nhu cầu ngày càng tăng về dữ liệu có thể sử dụng và thông tin có thể hành động. Mặc dù AI có tiềm năng khổng lồ để chuyển đổi bất kỳ ngành nào, chỉ có 15 phần trăm các giải pháp AI được triển khai vào cuối năm 2022 sẽ thành công, và ít hơn những giải pháp đó sẽ tạo ra ROI tích cực.
Vấn đề lớn nhất là hầu hết các giải pháp AI doanh nghiệp không thấy ánh sáng của ngày do không phù hợp với kỳ vọng. Các quan niệm sai lầm xung quanh khả năng của AI vẫn tiếp tục và các dự án vẫn được hình thành dựa trên các mô hình được thúc đẩy bởi sự cường điệu. Hầu hết các sản phẩm hoặc mô hình đều rất khác so với thực tế hàng ngày của hoạt động doanh nghiệp. Các yếu tố thúc đẩy khác của tỷ lệ thành công thấp hơn bao gồm: chi phí vượt quá, thiếu Trung tâm xuất sắc AI (CoE), nhân viên thiếu kinh nghiệm, không có sẵn dữ liệu và chính sách lỗi thời, chỉ kể một vài ví dụ.
Lập kế hoạch Mở đường cho Thành công của Doanh nghiệp AI
Dữ liệu không có cấu trúc là dữ liệu thiếu mô hình dữ liệu được định nghĩa trước và bao gồm mọi thứ từ tài liệu nặng về văn bản và trang web đến hình ảnh, tệp video, chatbot, luồng âm thanh và bài đăng trên mạng xã hội. Với số lượng ngày càng tăng của dữ liệu không có cấu trúc trong kiến trúc doanh nghiệp, điều quan trọng là phải có một kế hoạch hiệu quả và tăng dần phù hợp với các mục tiêu của tất cả các bên liên quan doanh nghiệp. Các mục tiêu điển hình tại cấp tổ chức có thể bao gồm: tự động hóa quy trình, phát hiện gian lận, cải thiện trải nghiệm khách hàng, cải thiện an toàn, tăng doanh thu, v.v. Trong khi một số mục tiêu này có thể được đạt được khá hiệu quả, do bản chất có cấu trúc của dữ liệu, việc lập kế hoạch xung quanh dữ liệu không có cấu trúc có thể là một thách thức.
Thông thường, việc lập kế hoạch bắt đầu bằng việc xác định các lĩnh vực cơ hội trong một tổ chức. Trong khi có thể có một tầm nhìn AI lớn tại cấp quản lý điều hành, điều quan trọng là phải xác định một lĩnh vực có tác động cao, rủi ro thấp và tăng trưởng liên tục trong dữ liệu. Một ví dụ tốt về trường hợp sử dụng như vậy sẽ là chức năng xử lý khoản vay trong ngành ngân hàng và tài chính. Quy trình từ khởi tạo đến quản lý khoản vay đầy rẫy các quy trình thủ công mà thông tin được nhập vào hệ thống một cách lặp đi lặp lại. Kiểm tra tính hợp lệ của khoản vay liên quan đến việc nộp một lượng lớn tài liệu, điều này tạo ra nhiều rủi ro. Tuy nhiên, AI có thể được áp dụng trong một số lĩnh vực của quy trình làm việc, bao gồm xử lý tài liệu và phát hiện gian lận. Đây cũng là một lĩnh vực mà có sự tăng trưởng liên tục hàng năm về dữ liệu.
Các bước quan trọng khác cần xem xét trong giai đoạn lập kế hoạch này bao gồm định nghĩa tiêu chí thành công có thể đo lường, xây dựng chiến lược dữ liệu gắn kết, đào tạo và phản hồi liên tục, cũng như đánh giá trải nghiệm người dùng, khả năng mở rộng và cơ sở hạ tầng.
Định nghĩa Tiêu chí Thành công Có thể Đo lường (và Tránh Đặt Xe Trước Ngựa!)
Thành công ban đầu của Google thường được cho là nhờ công ty áp dụng Mục tiêu và Kết quả then chốt (OKR). Cách tiếp cận này có thể áp dụng cho mọi khía cạnh của kinh doanh hoặc mục tiêu cá nhân; áp dụng nó cho chiến lược AI có thể mang lại kết quả hứa hẹn. Tuy nhiên, dữ liệu phi cấu trúc là một vấn đề đang phát triển mà toàn ngành cố gắng giải quyết. Trước những thách thức đó, lãnh đạo doanh nghiệp nên đặt các câu hỏi để xác định «cái gì» và «tại sao». Ví dụ, nếu mục tiêu chính là tăng năng suất, có thể hỏi:
- Tôi nên lên kế hoạch tăng thông lượng xử lý bằng tự động hóa không? Hay
- Tôi nên lên kế hoạch giải quyết 80 phần trăm vấn đề cho 100 phần trăm số trường hợp được gửi đến?
Hai câu trả lời này dẫn đến hai lộ trình triển khai khác nhau, và cần quyết định lộ trình nào phù hợp với doanh nghiệp.
Với dữ liệu phi cấu trúc, một khía cạnh đo lường còn mơ hồ là độ chính xác. Trong ví dụ xử lý khoản vay, tài liệu khách hàng nộp rất đa dạng, nên lãnh đạo kinh doanh và kỹ thuật cần thống nhất cách đo độ chính xác của giải pháp AI. Nếu tăng năng suất là một mục tiêu, cần xác định cả các yếu tố khác ảnh hưởng đến năng suất. Có thể làm điều này bằng cách xem xét kỹ quy trình hiện tại rồi hình dung lại quy trình với tự động hóa bằng AI. Tự động hóa mới thường tạo thêm các bước như xử lý ngoại lệ thủ công, gán nhãn và huấn luyện. Khi xác định được các bước này, việc quyết định cách đo độ chính xác sẽ dễ hơn.
Dữ liệu là Huyết mạch của Mọi Doanh nghiệp
Dữ liệu phi cấu trúc có độ biến thiên cao về cách thông tin được tổ chức và trình bày. Doanh nghiệp có rất nhiều thông tin trong các tài liệu vốn mang cấu trúc phức tạp gồm đoạn văn, câu và quan trọng hơn là bảng nhiều chiều. Ngoài tài liệu, các tổ chức ngày càng đầu tư vào chatbot, theo dõi dữ liệu mạng xã hội và các dạng dữ liệu phi cấu trúc khác như tin tức, hình ảnh và video.
Nhiều tổ chức thường đánh giá thấp số lượng dữ liệu có sẵn và có thể tiếp cận. Thách thức thường chỉ đơn giản là vượt qua các hạn chế về tuân thủ và chia sẻ dữ liệu trong tổ chức. Tuy nhiên, việc có dữ liệu sạch và có sự biến thiên cao cho phép đánh giá vấn đề và thiết kế giải pháp tối ưu tốt hơn.
Một yếu tố quan trọng khác cần xem xét là kết quả bạn mong đợi từ dữ liệu không có cấu trúc này. Điều này sẽ đảm bảo lượng dữ liệu chuẩn đối chiếu, dữ liệu huấn luyện và dữ liệu kiểm thử phù hợp. Quay lại ví dụ về xử lý khoản vay, nếu kết quả của giải pháp AI này là xác định số dư hàng ngày trung bình của người nộp đơn, dữ liệu chuẩn đối chiếu và dữ liệu huấn luyện có thể tập trung vào bảng sao kê ngân hàng. Tuy nhiên, nếu trọng tâm là xác định người nộp đơn gian lận thông qua bảng sao kê được gửi, bạn sẽ phải truy cập vào một loạt các tài liệu để có được dữ liệu chuẩn đối chiếu và dữ liệu huấn luyện cần thiết.
Mở rộng từ PoC đến Vận hành Thực tế
Bắt đầu một Proof of Concept (PoC) có thể đo lường đảm bảo rằng tất cả các bên liên quan hiểu rõ thách thức, kết quả và giá trị của giải pháp AI. Tuy nhiên, một PoC không phải là một giải pháp sẵn sàng cho sản xuất. Một PoC cho phép một tổ chức xác định các khoảng trống, kích thích tư duy thiết kế cho một giải pháp sản xuất và hợp lý hóa các mục tiêu và kết quả then chốt cần đạt được. Để chuyển từ PoC sang một giải pháp có thể mở rộng, các tổ chức nên lập kế hoạch cho các kịch bản dữ liệu phức tạp bao gồm thay đổi dữ liệu liên tục, không có sẵn dữ liệu được gắn nhãn và độ biến thiên cao về hình thức và định dạng.
Ngoài ra, việc tái tưởng tượng quy trình làm việc, đào tạo lại lực lượng lao động và xác định cơ sở hạ tầng, chi phí, hiệu suất, kiến trúc dữ liệu, bảo mật thông tin và thỏa thuận mức dịch vụ (SLA) là rất quan trọng.
Nó tuyệt đối quan trọng để đánh giá toàn bộ quy trình làm việc và quy trình kinh doanh để đạt được kết quả tốt nhất từ bất kỳ giải pháp AI nào. Lấy cảm hứng từ kinh tế học hành vi, điều quan trọng là phải so sánh kết quả với một điểm tham chiếu hiện có (còn được gọi là “sự phụ thuộc tham chiếu”), tại đó, các hiệu quả tốt hơn có thể được dự đoán trước khi sản xuất thông qua tư duy thiết kế và lập bản đồ quy trình lại.
Giả định này cho rằng cả lãnh đạo kinh doanh và lãnh đạo kỹ thuật đã đồng ý về một phương pháp MI hoặc học sâu dựa trên PoC. Một số tuyên bố vấn đề có thể có tính xác định và một phương pháp thống kê có thể được thực hiện để giải quyết vấn đề, trong khi các thách thức khác có thể yêu cầu sự kết hợp của các phương pháp MI và dựa trên mạng nơ-ron để đạt được kết quả mong muốn.
Một số giải pháp AI yêu cầu tích hợp Xử lý Ngôn ngữ Tự nhiên (NLP). Mặc dù các mô hình ngôn ngữ chung phục vụ như một bước cơ bản, nhưng hầu hết các mô hình đều không được thiết kế để đáp ứng nhu cầu duy nhất của mỗi tuyên bố vấn đề doanh nghiệp và sẽ yêu cầu tinh chỉnh. Đồng thời, hầu hết các giám đốc điều hành có khả năng sẽ hào hứng với các mô hình lớn như GPT3, đòi hỏi sức mạnh tính toán đáng kể và có thể ảnh hưởng trực tiếp đến ROI của công ty. Những mô hình này nhiều khả năng không phù hợp với công ty của bạn.
Giải pháp PoC AI của bạn chỉ là bước đầu tiên của một quá trình dài, vì vậy hãy lưu ý những điều sau:
- Đừng chọn một vấn đề phức tạp để giải quyết tại giai đoạn PoC
- Áp dụng tư duy thiết kế và xem xét toàn bộ quy trình của bạn từ đầu đến cuối; dự đoán và quản lý rủi ro sớm
- Độ chính xác không phải là thước đo duy nhất; thiết kế và lập kế hoạch để xây dựng một giải pháp mang lại giá trị thay vì đạt được độ chính xác 100 phần trăm
- Đánh giá cách tiếp cận AI của bạn; đừng lập kế hoạch dựa trên các mô hình được thúc đẩy bởi sự cường điệu, mà hãy chọn cách tiếp cận tối ưu nhất có tính mô-đun
- Quản lý kỳ vọng trên tất cả các bên liên quan để đảm bảo kết quả thành công nhất
- Thiết kế giải pháp và kiến trúc của bạn để mở rộng với sự tăng trưởng của dữ liệu của bạn để có ROI tối ưu nhất
Thực tiễn Tốt nhất cho Giải pháp Ứng dụng Trí tuệ Nhân tạo
Hôm nay, hầu hết các doanh nghiệp đang thực hiện một hoặc nhiều dự án AI. Mặc dù có ý định tốt và làm việc chăm chỉ, nhưng nhiều chương trình AI doanh nghiệp không đạt được kỳ vọng, không mở rộng quy mô và không tạo ra ROI mong muốn. Sẽ mất thời gian để tích hợp trí tuệ nhân tạo như một thành phần kinh doanh cốt lõi, tuy nhiên một số thực tiễn tốt nhất được các tổ chức thành công tuân theo bao gồm:
- Bắt đầu với AI CoE: Nhiều tập đoàn lớn, thậm chí không phải công nghệ, đã thiết lập Trung tâm xuất sắc AI (AI CoE) để tối đa hóa cơ hội thành công của họ. Một AI CoE tập hợp chuyên môn, tài nguyên và người cần thiết để cho phép các sáng kiến chuyển đổi dựa trên AI. Lợi ích chính bao gồm:
- Tập hợp học tập AI, tài nguyên và tài năng vào một nơi
- Phát triển tầm nhìn AI thống nhất và chiến lược kinh doanh
- Tiêu chuẩn hóa các phương pháp AI, nền tảng và quy trình
- Xác định các cơ hội doanh thu mới cho AI và đổi mới
- Mở rộng nỗ lực khoa học dữ liệu bằng cách làm cho AI có sẵn cho tất cả các chức năng kinh doanh
- Sự đồng ý của Giám đốc điều hành: Một chiến lược AI thành công nhất thông qua một cách tiếp cận từ trên xuống. Mở rộng các thí điểm trên toàn tổ chức một cách thành công đòi hỏi sự đồng ý của lãnh đạo, kỹ năng và dữ liệu cần thiết, cũng như thiết lập một cấu trúc tổ chức đảm bảo các mô hình vẫn chính xác theo thời gian.
- Sự sẵn có của Dữ liệu: Hầu hết các tổ chức đều có dữ liệu bị cô lập vì các lý do tuân thủ khác nhau. Tuy nhiên, dữ liệu là máu sống của bất kỳ giải pháp AI nào và việc cung cấp dữ liệu này là rất quan trọng. Ngoài việc cung cấp, phân loại và làm sạch dữ liệu cũng là điều cần thiết. Việc xây dựng dữ liệu chuẩn đối chiếu và dữ liệu huấn luyện chính xác có thể quyết định thành công hay thất bại của giải pháp AI.
- Kiến trúc: Sử dụng AI là một sự thay đổi mô hình cho bất kỳ tổ chức nào, đòi hỏi những cách suy nghĩ và lập kế hoạch mới. Thiết kế một kiến trúc kỹ thuật và hoạt động tối ưu tăng cơ hội thành công của bạn. Điều này bao gồm việc có các chức năng mới như ML ops, data ops, đào tạo lặp lại và chú thích, v.v.
- Tính mô-đun và Linh hoạt: Các giải pháp ứng dụng AI vẫn còn trong giai đoạn sơ khai, đặc biệt là khi các tổ chức đang xử lý khối lượng lớn dữ liệu không có cấu trúc. Điều quan trọng là phải thiết kế và xây dựng một giải pháp mô-đun và linh hoạt có thể mở rộng với doanh nghiệp và các thách thức ngày càng tăng của nó.
Thiết lập và thực hiện một chiến lược AI có tiềm năng lớn cho hầu hết các tổ chức, và các trường hợp sử dụng là vô tận. Các giải pháp học máy và học sâu chạm vào mọi khía cạnh của một tổ chức, từ bán hàng và tiếp thị đến hoạt động hàng ngày. Tuy nhiên, giống như xây dựng một tên lửa hoặc phát minh một thiết bị mới, thành công sẽ không được đạt được ngay lập tức. Các giải pháp ứng dụng AI nên được tiếp cận theo từng giai đoạn và xây dựng trên các chiến thắng nhỏ theo thời gian.












