Tôi đã làm việc trong lĩnh vực big data và AI với một số tổ chức và nhận thấy một xu hướng rõ ràng về lý do tại sao các nỗ lực AI lại thất bại sau sự khởi đầu đầy nhiệt huyết.

Đây là những tổ chức lớn đã rất thành công trong việc thu hút sự hỗ trợ từ hội đồng quản trị, C-suite, các bên liên quan và cả khách hàng để bắt tay vào hành trình chuyển đổi dựa trên AI.

Họ rất có thể đã thiết lập một số dạng Trung tâm Xuất sắc (CoE) cho AI với những nhân viên chủ chốt trong vai trò lãnh đạo và kỹ thuật và đã chứng minh được những hứa hẹn của AI bằng cách sử dụng một số dự án học máy ở một quy mô hạn chế.

Sau đó, họ mở rộng quy mô từ dự án sang sản xuất, và họ đi vào bế tắc.

Lý do tại sao việc mở rộng quy mô AI lại gặp nhiều thách thức dường như nằm ở bốn vấn đề: sự tùy chỉnh, dữ liệu, nhân tài và niềm tin. 

Sự tùy chỉnh

Giải quyết các vấn đề với học máy (ML) để thúc đẩy kết quả kinh doanh đòi hỏi sự tuỳ chỉnh. Hầu hết các mô hình giải quyết vấn đề AI – ví dụ như ML, học sâu (DL) và xử lý ngôn ngữ tự nhiên (NLP) – đều là nguồn mở hoặc có sẵn miễn phí.

Bản thân những mô hình này không phải là yếu tố quan trọng trong việc giải quyết các vấn đề ở cấp độ sản xuất.

Nhóm của bạn sẽ cần tùy chỉnh và đào tạo từng mô hình để phù hợp với vấn đề, dữ liệu và miền cụ thể. Sau đó, bạn cần tối ưu hoá các tham số của mô hình để chúng phù hợp với mục tiêu về kết quả và KPIs của doanh nghiệp bạn.

Tiếp theo, để triển khai mô hình của bạn, bạn cần tích hợp chúng vào kiến trúc CNTT hiện có của mình. Do đó, việc xây dựng hệ thống AI từ đầu cho mọi vấn đề và miền đòi hỏi rất nhiều công việc tùy chỉnh.

null Hoặc thay vào đó, nếu bạn chọn mua các giải pháp có sẵn không được tối ưu hóa cho nhu cầu cụ thể của bạn, bạn sẽ chấp nhận rằng hiệu suất và kết quả thấp hơn mong đợi.


Cả hai con đường đều có ưu điểm và nhược điểm, nhưng điều quan trọng là phải nhận ra rằng AI đòi hỏi sự tuỳ chỉnh cho mọi dự án, mọi vấn đề của doanh nghiệp, và một phần quan trọng của việc vận hành AI là làm cho quá trình tùy chỉnh hiệu quả nhất có thể.

Dữ liệu

Tôi là thấy một số tổ chức thất bại với AI vì họ đánh giá thấp nỗ lực cần thiết để khai thác, chuẩn bị và truy cập dữ liệu để thúc đẩy các dự án ở quy mô sản xuất, và nó trở thành một lỗ hổng.

Trong hầu hết các trường hợp như vậy, họ nhận ra rằng họ không có định nghĩa dữ liệu chuẩn hoá hoặc sự quản lý dữ liệu hợp lý, hoặc họ gặp khó khăn với nguồn dữ liệu phân tán. Điều này mở đầu cho một hành trình chuyển đổi nhiều năm.

null Các kỹ thuật học máy nâng cao để làm việc với các tập dữ liệu nhỏ và dữ liệu thừa trong sản xuất cũng cần thiết để loại bỏ sự tắc nghẽn này để đưa thử nghiệm AI vào sản xuất.


Mặc dù rất nhiều dự án dữ liệu lớn tồn tại để xử lý việc truy cập, tổ chức và quản lý các tập dữ liệu khác nhau này, nhưng chúng không đủ để cung cấp một giải pháp có thể mở rộng cho vấn đề này.

Nhân tài

Hầu hết các tổ chức không mở rộng quy mô dự án AI thành công mà tôi thấy thuê các kỹ sư và nhà khoa học dữ liệu rồi nhận ra rằng không thể tìm được người có cả kỹ năng thống kê (ML), kỹ năng chuyên môn (cả về kinh doanh và quy trình) và kinh nghiệm phát triển phần mềm.

Vì vậy, sử dụng thiết kế tổ chức cổ điển, họ cố gắng giải quyết vấn đề đó.

Mặc dù cuối cùng bạn sẽ hình thành một khả năng nội bộ đáng gờm nếu bạn có thể giữ được và phát triển những nhân tài hấp dẫn này, nhưng nhu cầu phát triển một đội ngũ làm chậm việc tạo ra giá trị cho doanh nghiệp với AI.

Điều này ảnh hưởng đến khả năng đổi mới nhanh của bạn. Tôi gọi đây là “thông lượng AI”, số lượng các dự án AI có thể được đưa vào sản xuất. Phải mất nhiều năm để các đội này bắt đầu tạo ra kết quả thực sự.

Các tổ chức thành công hơn đã mang đến một phương pháp hệ sinh thái toàn diện để phát triển nhân tài bằng cách tăng cường các nhóm AI nội bộ với các đối tác bên ngoài để thiết kế một lộ trình thí điểm sản xuất nhanh hơn và cải thiện thông lượng AI. 

Niềm tin

Mọi người trên thế giới có các cảm xúc lẫn lộn đối với AI và lo sợ rằng nó có thể khiến công việc của họ trở nên lỗi thời hoặc không còn phù hợp. Vì vậy, thiết kế các hệ thống AI nhấn mạnh sự hợp tác giữa người và máy là nền tảng để mở rộng quy mô AI trong các tổ chức này.

Mặc dù tự động hoá hoàn toàn thông qua AI có thể là giải pháp cho nhiều thách thức kinh doanh, nhưng các quy trình có tác động lớn nhất và có chỉ số alpha cao vẫn là những quy trình mà con người thực hiện.

null Để áp dụng AI quy mô lớn trong một tổ chức, bạn cần mua, hỗ trợ và tích hợp trên nhiều quy trình kinh doanh, hệ thống IT và quy trình làm việc của các bên liên quan.


Việc triển khai AI vào các quy trình kinh doanh cũng dẫn đến nhiều rủi ro.

Một là rủi ro đối với hiệu quả kinh doanh trong trường hợp tác động đến việc kinh doanh của hệ thống AI không rõ ràng, gây tốn kém thời gian, nguồn lực và chi phí cơ hội của tổ chức.

Một rủi ro khác là duy trì việc tuân thủ các yêu cầu kiểm toán nội bộ và quy định, một lĩnh vực phần lớn đang phát triển nhanh.

Loại rủi ro thứ ba là uy tín với lo ngại rằng các quyết định thiên vị hoặc các quyết định được thực hiện bởi các thuật toán trong thầm lặng có thể ảnh hưởng tiêu cực đến trải nghiệm của các bên liên quan.

Đây là một trở ngại quan trọng mà ngay cả những nhóm tiên tiến nhất cũng sẽ gặp phải khi cố gắng mở rộng quy mô AI trong tổ chức của họ.

Việc vượt qua những thách thức mà tôi đã nêu ở đây đòi hỏi nhiều thứ hơn là chỉ công nghệ và bộ công cụ.

Nó liên quan đến sự kết hợp của các quy trình tổ chức có thể kết hợp các nhóm khác nhau và cộng tác tích cực với một hệ sinh thái được tuyển chọn gồm các đối tác bên trong và bên ngoài.

Cơ hội trị giá 15,7 nghìn tỷ đô la với AI đang ở phía trước chúng ta, nhưng nó đòi hỏi chúng ta phải hợp tác với nhau như một ngành công nghiệp để giải quyết những thách thức quan trọng này. 

Theo Tech Insight