Khoảng cách giữa những hứa hẹn của Trí tuệ nhân tạo (AI) và việc triển khai trong thực tế chưa bao giờ lớn như trong năm 2020.

Chúng ta có thể thấy rõ một số thành tựu AI quan trọng trong năm vừa rồi. Ví dụ như AlphaFold của Google DeepMind đã cho thấy dự đoán chính xác về mô hình 3D của các cấu trúc protein, mở đường cho các nghiên cứu đột phá trong mọi lĩnh vực sinh học. Hay trong tháng Sáu, khi một phiên bản beta của GTP3 được ra mắt chính thức bởi Microsoft – một mô hình vô cùng tinh vi có khả năng thực hiện gần như bất kỳ tác vụ ngôn ngữ nào, bao gồm cả viết theo phong cách Chaucer và thậm chí là viết code cơ bản. Tuy nhiên, ngoài những gã khổng lồ công nghệ này, việc ứng dụng AI vẫn còn ở giai đoạn khám phá đối với phần lớn doanh nghiệp và còn lâu nữa mới có thể trở thành một phần không thể thiếu của hoạt động kinh doanh hàng ngày. 

Ở giai đoạn này của ứng dụng AI, nhiều doanh nghiệp không thể giữ vững vị trí của mình một khi họ không nhìn ra được tiềm năng to lớn khi sử dụng học máy cho sản phẩm và quy trình kinh doanh. Để giữ được khả năng cạnh tranh, các doanh nghiệp phải nhận ra giá trị không thể nghi ngờ mà AI mang lại. Tuy nhiên, bất chấp nhu cầu cấp thiết này, hầu hết các dự án AI hiện tại vẫn thất bại: khoảng 80% chưa từng triển khai và những dự án làm được điều đó thì chỉ mang lại lợi nhuận trong 60% thời gian. Báo cáo gần đây của Appen, State of the AI and Machine Learning 2020, tìm ra rằng gần một nửa doanh nghiệp được khảo sát cảm thấy công ty của họ đang đi sau trên hành trình AI. Điều này đặt ra các câu hỏi: Vấn đề gì đang kìm hãm họ? Điều gì đang ngăn cản AI được xuất hiện trong mọi ứng dụng, mọi doanh nghiệp?

Ngành AI vẫn đang ở giai đoạn “thủ công” trong quá trình phát triển với các chuyên gia khoa học dữ liệu và kỹ sư phần mềm tự thiết kế các hệ thống chỉ dùng cho một vài ứng dụng cụ thể của tổ chức. AI vẫn chưa được phát triển thành một hệ sinh thái hay chuỗi cung ứng sâu sắc và linh hoạt cần thiết cho bất kỳ đổi mới nền tảng nào để mở rộng quy mô. Điều này đòi hỏi những nhà cung cấp đáng tin cậy có đầy đủ các công cụ chuyên dụng để xây dựng và phát triển quy mô các hệ thống AI, đồng thời cung cấp các quy chuẩn tương tác để đảm bảo các công cụ này làm việc cùng nhau một các liền mạch.

Tuy nhiên, chuỗi cung ứng AI đang phát triển nhanh chóng và năm 2021 có thể là thời điểm chuyển mình khi phần lớn các dự án AI cuối cùng cũng bắt đầu thành công. Ví dụ, các nền tảng như Amazon SageMaker có thể được sử dụng để xây dựng, đào tạo và triển khai các mô hình học máy cho hầu hết các mục đích sử dụng. Các nền tảng khác, như The Microsoft Azure Machine Learning, kết hợp các trải nghiệm no-code và code first trong một nền tảng khoa học dữ liệu toàn diện. Đây đều là những nỗ lực để hoàn thiện chuỗi cung ứng AI từ các nhà cung cấp đám mây – với điều kiện doanh nghiệp sẵn sàng di chuyển dữ liệu của họ sang đám mây (điều mà gần đây đã được thực hiện dễ dàng hơn nhờ Snowflake giúp tổ chức các chuyển đổi mượt mà).

Các công ty khởi nghiệp đổi mới cũng đang lấp đầy khoảng trống này, thường có chức năng tiên tiến hơn và ít khiến khách hàng bị phụ thuộc hơn các nhà cung cấp đám mây. Nhiều người trong số đó giải quyết các vấn đề chính của chuỗi cung ứng, chẳng hạn như truy cập liền mạch vào dữ liệu. Đây từng là một điểm tắc nghẽn đáng chú ý, nhưng giờ đây chúng ta đang thấy mọi loại dữ liệu đã có thể sử dụng – cho dù có cấu trúc hay không – cho các mô hình đào tạo và sản xuất. Để cải thiện việc này hơn nữa, đặc biệt cần có sự thu thập và quản lý tốt hơn với các dữ liệu chưa được cấu trúc – những dữ liệu đã bị bỏ qua trong các hệ thống truyền thống. 

Các những cách khác để đảm bảo một chuỗi cung ứng mạnh mẽ và thúc đẩy mở rộng quy mô – ví dụ, cải thiện việc chia sẻ và cấp phép cho các doanh nghiệp như Synthesized sử dụng các công nghệ mới giống như phòng sạch dữ liệu. Các ví dụ khác, như Tecton.ai và hopsworks.ai cung cấp các công cụ và dịch vụ như pipeline khai thác tính năng, cửa hàng tính năng và chia sẻ tính năng. Các startup cũng đang giải quyết nhiều vấn đề khác, dù đó là quản lý dữ liệu, xây dựng mô hình, hồ dữ liệu, hay việc “chưng cất” của các mô hình đào tạo. 

Trong tương lai, bản thân các nhà khoa học dữ liệu sẽ cần có đủ khả năng trong những công việc chuyên môn hoá hơn này. Có rất nhiều kỹ năng mà những nhà khoa học dữ liệu ngày nay cần có, từ tạo ra các pipeline quy trình dữ liệu đến xây dựng, kiểm tra, tối ưu hoá và triển khai mô hình ML để ngày càng mở rộng các khả năng kỹ thuật. Cũng giống như những ngày đầu của máy tính, khi “nhà lập trình máy tính” là một bản mô tả công việc phổ biến, khi phần mềm phát triển thì các công việc chuyên về phần mềm cũng vậy: kiến trúc sư, chuyên gia UI/UX, tester (đơn vị/hệ thống), lập trình viên front-end/back-end và kỹ sư – điều này cũng đúng với các chuyên ngành trong khoa học dữ liệu. 

Đỉnh điểm của tất cả những yếu tố này có thể thấy năm 2021 trở thành năm AI được ứng dụng hàng loạt, cuối cùng bắt đầu mở ra giá trị và sự tăng năng suất to lớn mà nó hứa hẹn sẽ mang lại cho nền kinh tế, đồng thời giúp chúng ta vượt qua một số những thách thức lớn nhất của xã hội. 

Theo Forbes

Tin liên quan: