Tính phù hợp hơn quy mô: Xây dựng AI có thể chịu đựng thực tế

Tại sao các mô hình nhỏ hơn, chuyên biệt cho nhiệm vụ lại thiết yếu cho AI trong thực địa

Các đội ngũ hiện có thể chuyển từ việc đưa ra lời nhắc AI sang nguyên mẫu nhanh hơn bao giờ hết. Nhưng những nguyên mẫu này thường gặp sự cố trong các quy trình thực tế như dịch vụ hiện trường, sản xuất, hoặc quản lý cơ sở, khi độ chính xác, tính nhất quán và trách nhiệm là quan trọng nhất. Vấn đề là trong khi AI luôn có thể đưa ra câu trả lời, những gì bạn thực sự cần là câu trả lời đúng, trong ngữ cảnh phù hợp, mỗi lần.

Đây là nơi hầu hết các Mô hình Ngôn ngữ Lớn (LLM) mất giá trị. Với một LLM, việc đặt cùng một câu hỏi theo các cách khác nhau có thể tạo ra kết quả hoàn toàn khác nhau. Điều này là do nhiều LLM tập trung vào độ rộng, không phải độ sâu chuyên môn. Và trong khi tính linh hoạt có thể hữu ích trong công việc sáng tạo, kiến thức rộng rãi này lại là một rủi ro cho những ai cần độ chính xác.

Môi trường vận hành yêu cầu tính nhất quán. Tài sản đã được xác định, quy trình đã được ghi chép, và các giao thức an toàn cùng yêu cầu pháp lý quy định các tham số chấp nhận được. Bất kỳ sự biến đổi nào trong đầu ra dựa trên kiến thức chung trên internet đều có thể làm vấn đề trở nên tồi tệ hơn. Trong một lần sửa chữa HVAC, ví dụ, kỹ thuật viên cần các đầu ra dựa trên tài sản cụ thể – lịch sử bảo trì và các mẫu hỏng hóc đã biết.

Hãy tưởng tượng một kỹ thuật viên phản hồi một sự cố thiết bị trong áp lực thời gian. Nếu hệ thống đưa ra các câu trả lời không nhất quán tùy thuộc vào cách đặt câu hỏi, hoặc không thể liên kết các khuyến nghị của mình với dữ liệu đáng tin cậy, bạn sẽ gặp một vấn đề lớn. Thời gian phản hồi quan trọng đối với khách hàng và thành công kinh doanh.

Sự chuyển đổi từ Quy mô sang Tính phù hợp

Sự chuyển đổi đang diễn ra hiện nay là chuyển từ AI tổng quát sang AI có tính liên quan. Thay vì yêu cầu AI làm mọi thứ, ngày càng có nhiều tổ chức thu hẹp vai trò của nó vào các nhiệm vụ cụ thể, lặp lại. Các mô hình nhỏ, chuyên biệt cho nhiệm vụ và các hệ thống AI có phạm vi hẹp đang được ưa chuộng vì chúng có thể dựa trên dữ liệu vận hành trực tiếp, được ràng buộc bởi các quy tắc kinh doanh, và được nhúng trực tiếp vào các quy trình hiện có.

Các mô hình nhỏ hơn đã được chứng minh là tốt hơn trong việc:

• Khắc phục sự cố: Các mô hình nhỏ có thể biến các đầu vào tinh vi như hướng dẫn, kinh nghiệm trước đây và chia sẻ kiến thức không chính thức thành knowledge distillations, cho phép các thành viên trẻ hơn học nhanh hơn và hành động tự tin hơn. Các mô hình AI nhỏ cũng có thể bổ sung bằng cách tích hợp các lệnh công việc lịch sử, nhật ký sửa chữa và các mẫu hỏng hóc liên quan cụ thể để đề xuất các bước tiếp theo có khả năng xảy ra. Điều này giảm thời gian tìm kiếm qua các hệ thống.
• Chuyển giao công việc: Tài liệu không đầy đủ hoặc không nhất quán có thể khiến việc chuyển giao giữa các ca hoặc đội ngũ trở nên nguy hiểm. Nhưng các mô hình chuyên biệt cho nhiệm vụ được đào tạo trên dữ liệu dịch vụ có thể tóm tắt những gì đã được thực hiện, những bộ phận nào đã được thay thế, và những gì còn mở. Điều này cho phép kỹ thuật viên tiếp theo bắt đầu với một bức tranh rõ ràng thay vì phải ghép nối.
• Tuân thủ và an toàn: Trong môi trường được quy định, bỏ sót một bước gây ra real risk. Các mô hình ngôn ngữ nhỏ chuyên biệt cho nhiệm vụ có thể hướng dẫn quy trình kiểm tra tiêu chuẩn, xác nhận các bước cần thiết, và xác định hoặc đánh dấu các bất nhất trong thời gian thực.

Các mô hình nhỏ này có thể được đào tạo và giới hạn dựa trên dữ liệu đã biết, quy trình làm việc được phê duyệt và các hành động đã định. Thay vì hoạt động như một công cụ riêng biệt, chúng nằm trong các hệ thống hiện có, nơi chúng có thể truy xuất dữ liệu trực tiếp, cập nhật hồ sơ và gợi ý các bước tiếp theo.  

Xây dựng AI mà các đội ngũ vận hành có thể tin tưởng

Để AI thành công trong môi trường dịch vụ hiện trường và sản xuất, nó phải dựa trên thực tế cách công việc được thực hiện: các hệ thống kết nối, dữ liệu vận hành có cấu trúc, và quy trình làm việc mà các đội ngũ đã tin tưởng. Và nó cần phải đáng tin cậy.

Niềm tin bắt đầu từ nền tảng dữ liệu nhất quán, có cấu trúc để các mô hình diễn giải tài sản, lệnh công việc và các chỉ số theo cùng một cách mỗi lần. Các đầu ra cũng cần có các rào cản và quản trị để hướng dẫn luôn nằm trong quy trình được phê duyệt, nguồn dữ liệu đã xác thực, và không khuyến khích công nhân hành động vượt quá vai trò hoặc kỹ năng của họ. Nếu một khuyến nghị không thể truy ngược về dữ liệu đã biết, AI không nên đề xuất nó.

AI cũng cần được tích hợp – nhúng vào các hệ thống mà các đội ngũ đã sử dụng khi đưa ra quyết định; nếu không, nó sẽ ít hữu ích hơn hoặc thậm chí bị bỏ qua. Và giám sát con người vẫn là yếu tố thiết yếu. Mục tiêu không phải, và không bao giờ nên, thay thế người vận hành – mà là làm việc cùng họ. Điều đó có nghĩa là con người luôn phải là người phê duyệt các hành động quan trọng, ghi đè các khuyến nghị, thực hiện các hành động quan trọng, và nâng cấp khi có điều gì đó nằm ngoài các mẫu dự kiến.

Niềm tin vào AI được tạo ra theo cùng cách như bất kỳ hệ thống vận hành nào: với hiệu suất nhất quán và phù hợp với cách công việc được thực hiện. Bạn luôn có thể nhận được câu trả lời từ AI, nhưng việc nhận được câu trả lời đáng tin cậy, chính xác và nhất quán mới thực sự quan trọng. Các môi trường vận hành nơi AI có thể tạo ra giá trị lớn nhất cũng là những nơi mà có thể có ít hoặc không có sự mơ hồ.

Hiệu quả của AI Quy mô Phù hợp

Cũng có một lợi thế thực tiễn cho các mô hình nhỏ. Chúng nhẹ hơn, nhanh hơn và dễ quản lý hơn. Chúng cũng yêu cầu ít tài nguyên tính toán hơn, tạo ra kết quả với độ trễ thấp hơn, và có thể được cập nhật khi quy trình thay đổi.

Và có thể kết hợp hai cách tiếp cận AI. Một số công ty sử dụng các mô hình lớn hơn, tổng quát hơn để nắm bắt các mẫu và lập luận rộng, sau đó tinh luyện kiến thức đó vào các mô hình nhỏ được điều chỉnh cho các nhiệm vụ cụ thể. Điều này cho phép các tổ chức giữ được lợi thế của việc đào tạo quy mô lớn đồng thời vẫn cung cấp các hệ thống hoạt động đáng tin cậy hơn trong thực địa.

Hiệu quả được thể hiện rõ nhất trong các quy trình có khối lượng lớn như quản lý lệnh công việc hoặc giám sát sản xuất, nơi cải thiện hiệu suất có thể đo lường bằng các chỉ số vận hành, như thời gian giải quyết nhanh hơn và thời gian ngừng hoạt động giảm.

Định nghĩa lại Thành công

Niềm tin là cốt lõi của giai đoạn tiếp theo của AI. Các hệ thống sẽ thành công khi chúng hoạt động trong các điều kiện thực tế, chứ không phải chỉ dựa vào mức độ thông minh của chúng như một nguyên mẫu. AI đạt được hiệu quả tối đa khi nó có thể thực sự làm cho các quy trình an toàn hơn, giảm chuyển giao, hoặc làm cho trách nhiệm rõ ràng hơn. AI đáng tin cậy khi nó nhất quán. Việc mở rộng trí tuệ một cách vô tội vạ chỉ vì muốn có quy mô không tạo ra lợi thế vận hành nào. Một hệ thống được thiết kế để bạn có thể dựa vào nó hoạt động trong thực địa khi và như bạn cần chính là chìa khóa cho tiến bộ thực sự.