Thoại Viết Hoàng
Writer
>> AI Chatbots: Mặt tốt, mặt xấu và mặt vô lại
>> Ủy ban EU bật đèn xanh cho Đạo luật AI
>> Chuyên gia AI: Trí tuệ nhân tạo sẽ thay thế 80% nhân lực trong vài năm nữa
Phỏng vấn Iurii Milovanov là giám đốc AI và khoa học dữ liệu tại SoftServe , một công ty công nghệ chuyên về dịch vụ tư vấn và phát triển phần mềm.
Bạn có thể cho chúng tôi biết một chút về SoftServe và những gì công ty làm không?
Chắc chắn. Chúng tôi là nhà cung cấp dịch vụ chuyên nghiệp và dịch vụ CNTT toàn cầu đã 30 năm tuổi. Chúng tôi chuyên sử dụng các công nghệ tiên tiến mới nổi, chẳng hạn như trí tuệ nhân tạo, dữ liệu lớn và chuỗi khối, để giải quyết các vấn đề kinh doanh thực tế. Chúng tôi rất quan tâm đến khách hàng của mình, về các vấn đề của họ – không phải về công nghệ – mặc dù chúng tôi là chuyên gia công nghệ. Nhưng chúng tôi luôn cố gắng tìm ra công nghệ tốt nhất có thể giúp khách hàng đạt được mục tiêu mà họ mong muốn.
Vì vậy, chúng tôi đã có mặt trên thị trường khá lâu, có nguồn gốc từ Ukraine. Nhưng bây giờ chúng tôi có văn phòng trên khắp thế giới – Hoa Kỳ, Châu Mỹ Latinh, Singapore, Trung Đông, khắp Châu Âu – và chúng tôi hoạt động trong nhiều ngành công nghiệp. Chúng tôi có một số lãnh đạo chuyên môn về các ngành cụ thể, chẳng hạn như bán lẻ, dịch vụ tài chính, chăm sóc sức khỏe, năng lượng, dầu khí và sản xuất. Chúng tôi cũng làm việc với nhiều nhà cung cấp phần mềm độc lập và kỹ thuật số bản địa, giúp họ áp dụng công nghệ này vào các sản phẩm của mình để họ có thể phục vụ khách hàng tốt hơn.
Các xu hướng chính mà bạn nhận thấy đang phát triển trong AI và học máy là gì?
Một trong những xu hướng lớn nhất là, trong khi mọi người từng đặt câu hỏi liệu AI, máy học và khoa học dữ liệu có phải là công nghệ của tương lai hay không; đó không còn là câu hỏi nữa. Công nghệ này đã có ở khắp mọi nơi. Và phần lớn sự đổi mới mà chúng ta thấy hiện nay sẽ không thể thực hiện được nếu không có những công nghệ này.
Một trong những lý do chính là công nghệ này cho phép chúng tôi giải quyết và giải quyết một số vấn đề mà chúng tôi từng cho là khó chữa. Hãy nghĩ về ngôn ngữ tự nhiên, nhận dạng hình ảnh hoặc tạo mã, những thứ không chỉ khó giải mà còn khó xác định. Và việc tiếp cận những loại vấn đề này với tư duy kỹ thuật truyền thống của chúng ta - nơi chúng ta chủ yếu sử dụng các ngôn ngữ lập trình - là điều không thể. Thay vào đó, chúng tôi tận dụng kiến thức được lưu trữ trong lượng dữ liệu khổng lồ mà chúng tôi thu thập và sử dụng nó để tìm giải pháp cho các vấn đề mà chúng tôi quan tâm. Cách tiếp cận này hiện được gọi là Học máy và là cách hiệu quả nhất để giải quyết các loại vấn đề đó hiện nay.
Nhưng với lượng dữ liệu mà chúng tôi hiện có thể thu thập, sức mạnh tính toán có sẵn trên đám mây, hiệu quả đào tạo và các thuật toán mà chúng tôi đã phát triển, chúng tôi có thể đạt đến giai đoạn mà chúng tôi có thể đạt được hiệu suất siêu phàm với nhiều tác vụ mà chúng tôi từng nghĩ chỉ có con người mới có thể thực hiện được. Chúng ta phải thừa nhận rằng trí thông minh của con người bị hạn chế về năng lực và khả năng xử lý thông tin. Và máy móc có thể nâng cao trí thông minh của chúng ta và giúp chúng ta giải quyết các vấn đề hiệu quả hơn mà bộ não của chúng ta không được thiết kế để giải quyết.
Xu hướng chung mà chúng ta thấy hiện nay là học máy và AI về cơ bản đang trở thành tiêu chuẩn công nghiệp để giải quyết các vấn đề phức tạp đòi hỏi kiến
thức, tính toán, nhận thức, lý luận và ra quyết định. Và chúng tôi thấy điều đó trong nhiều ngành, bao gồm chăm sóc sức khỏe, tài chính và bán lẻ.
Có một số xu hướng mới nổi cụ thể hơn. Chủ đề của bài phát biểu TechEx Bắc Mỹ của tôi sẽ là về AI tổng quát, thứ mà nhiều người có thể nghĩ là thứ gì đó vừa được phát minh gần đây, một thứ gì đó mới hoặc họ có thể nghĩ về nó chỉ là ChatGPT. Nhưng những công nghệ này đã được phát triển trong một thời gian. Và chúng tôi, với tư cách là những người thực hành trong ngành, đã làm việc với công nghệ này được một thời gian.
Điều đã thay đổi bây giờ là, dựa trên kiến thức và kinh nghiệm mà chúng tôi đã thu thập được, chúng tôi đã có thể đưa công nghệ này đến giai đoạn mà các mô hình GenAI trở nên hữu ích. Chúng ta có thể sử dụng nó để giải quyết một số vấn đề thực tế trong các ngành khác nhau, từ tóm tắt tài liệu ngắn gọn đến trải nghiệm người dùng nâng cao, lập luận logic và thậm chí tạo ra kiến thức độc đáo. Điều đó nói rằng, vẫn còn một số thách thức với độ tin cậy và hiểu được tiềm năng thực tế của các công nghệ này.
Trí tuệ nhân tạo và học máy quan trọng như thế nào đối với đổi mới sản phẩm?
AI và Machine Learning về cơ bản cho phép chúng ta giải quyết một loạt vấn đề mà chúng ta không thể giải quyết bằng công nghệ truyền thống. Nếu bạn muốn đổi mới, nếu bạn muốn tận dụng tối đa công nghệ, bạn phải sử dụng chúng. Không có lựa chọn nào khác. Đó là một công cụ mạnh mẽ để phát triển sản phẩm, để giới thiệu các tính năng mới, để cải thiện trải nghiệm người dùng của khách hàng, để rút ra một số hiểu biết thực sự sâu sắc có thể hành động từ dữ liệu.
Nhưng, đồng thời, nó là một công nghệ khá phức tạp. Có khá nhiều chuyên gia liên quan đến việc áp dụng công nghệ này, đào tạo các loại mô hình này, đánh giá chúng, quyết định sử dụng kiến trúc mô hình nào, v.v. Và hơn nữa, chúng hướng đến thử nghiệm cao, nghĩa là trong phát triển phần mềm truyền thống chúng ta thường biết trước những gì để đạt được. Vì vậy, chúng tôi đặt ra một số yêu cầu cụ thể và sau đó chúng tôi viết mã nguồn để đáp ứng các yêu cầu đó.
Và điều đó chủ yếu là do, trong kỹ thuật truyền thống, mã nguồn xác định hành vi của hệ thống của chúng tôi. Với máy học và trí tuệ nhân tạo, hành vi được xác định bởi dữ liệu, điều đó có nghĩa là chúng ta hầu như không bao giờ biết trước chất lượng dữ liệu của mình là gì. Sức mạnh dự đoán của dữ liệu của chúng tôi là gì? Chúng ta cần sử dụng loại dữ liệu nào? Dữ liệu mà chúng tôi thu thập đã đủ chưa hay liệu chúng tôi có cần thu thập thêm dữ liệu hay không. Đó là lý do tại sao chúng ta luôn cần thử nghiệm trước.
Nhưng tôi nghĩ, theo một cách nào đó, chúng ta đã quen với sự không chắc chắn trong quy trình và kết quả của các sáng kiến AI. Ngành công nghiệp AI đã từ bỏ ý tưởng rằng học máy sẽ có thể dự đoán được vào một lúc nào đó. Thay vào đó, chúng tôi đã học cách thử nghiệm hiệu quả, biến ý tưởng của mình thành giả thuyết mà chúng tôi có thể nhanh chóng xác thực thông qua thử nghiệm và tạo nguyên mẫu nhanh, đồng thời phát triển các thử nghiệm thành công nhất thành sản phẩm chính thức. Về cơ bản, đó là vòng đời hiện đại của các sản phẩm AI/ML.
Tuy nhiên, nó cũng đòi hỏi các nhóm sản phẩm phải áp dụng một tư duy khác về ý tưởng và thử nghiệm liên tục. Nó bắt đầu bằng việc chọn những ý tưởng và trường hợp sử dụng có tiềm năng cao nhất, khả thi nhất có thể có tác động lớn nhất đến doanh nghiệp và sản phẩm. Từ đó, nhóm có thể lên ý tưởng về các giải pháp tiềm năng, nhanh chóng tạo mẫu và chọn những giải pháp thành công nhất. Điều đó đòi hỏi kinh nghiệm trong việc xác định các vấn đề có thể hưởng lợi nhiều nhất từ AI/ML cũng như các quy trình lặp đi lặp lại, nhanh chóng để xác thực và nhân rộng các ý tưởng.
Làm thế nào các doanh nghiệp có thể sử dụng loại công nghệ đó để cải thiện việc cá nhân hóa?
Đó là một câu hỏi hay bởi vì, một lần nữa, có một số vấn đề thực sự khó xác định. Cá nhân hóa là một trong số đó. Điều gì khiến tôi hoặc bạn trở thành một con người? Điều gì góp phần vào điều đó? Cho dù đó là sở thích của chúng tôi. Làm thế nào để chúng tôi xác định sở thích của chúng tôi? Chúng có thể là ngẫu nhiên, chúng có thể là theo ngữ cảnh. Đó là một vấn đề rất đa chiều.
Và, mặc dù bạn có thể cố gắng tiếp cận nó bằng một công nghệ truyền thống hơn, bạn vẫn sẽ bị hạn chế về khả năng đó – mức độ cá nhân hóa sâu mà bạn có thể nhận được. Cách hiệu quả nhất là tìm hiểu các tín hiệu cá nhân, sở thích đó từ dữ liệu và sử dụng những thông tin chi tiết đó để mang lại trải nghiệm được cá nhân hóa, hoạt động tiếp thị được cá nhân hóa, v.v.
Về cơ bản, AI/ML hoạt động như một loại hộp đen giữa tín hiệu và người dùng cũng như các tùy chọn cụ thể, nội dung cụ thể sẽ cộng hưởng với người dùng cụ thể đó. Tính đến thời điểm hiện tại, đó là cách hiệu quả nhất để đạt được sự cá nhân hóa.
Một lợi ích khác của AI/ML hiện đại là bạn có thể sử dụng nhiều loại dữ liệu khác nhau. Bạn có thể kết hợp dữ liệu luồng nhấp chuột từ trang web của mình, thu thập thông tin về hành vi của người dùng trên trang web của bạn. Bạn có thể thu thập dữ liệu văn bản từ Twitter hoặc bất kỳ nguồn nào khác. Bạn có thể thu thập dữ liệu hình ảnh và bạn có thể sử dụng tất cả thông tin đó để rút ra thông tin chi tiết mà bạn quan tâm. Vì vậy, khả năng phân tích tập hợp dữ liệu không đồng nhất đó là một lợi ích khác mà AI/ML mang lại cho trò chơi này.
Bài viết gốc tại đây
>> Ủy ban EU bật đèn xanh cho Đạo luật AI
>> Chuyên gia AI: Trí tuệ nhân tạo sẽ thay thế 80% nhân lực trong vài năm nữa
Phỏng vấn Iurii Milovanov là giám đốc AI và khoa học dữ liệu tại SoftServe , một công ty công nghệ chuyên về dịch vụ tư vấn và phát triển phần mềm.
Bạn có thể cho chúng tôi biết một chút về SoftServe và những gì công ty làm không?
Vì vậy, chúng tôi đã có mặt trên thị trường khá lâu, có nguồn gốc từ Ukraine. Nhưng bây giờ chúng tôi có văn phòng trên khắp thế giới – Hoa Kỳ, Châu Mỹ Latinh, Singapore, Trung Đông, khắp Châu Âu – và chúng tôi hoạt động trong nhiều ngành công nghiệp. Chúng tôi có một số lãnh đạo chuyên môn về các ngành cụ thể, chẳng hạn như bán lẻ, dịch vụ tài chính, chăm sóc sức khỏe, năng lượng, dầu khí và sản xuất. Chúng tôi cũng làm việc với nhiều nhà cung cấp phần mềm độc lập và kỹ thuật số bản địa, giúp họ áp dụng công nghệ này vào các sản phẩm của mình để họ có thể phục vụ khách hàng tốt hơn.
Một trong những xu hướng lớn nhất là, trong khi mọi người từng đặt câu hỏi liệu AI, máy học và khoa học dữ liệu có phải là công nghệ của tương lai hay không; đó không còn là câu hỏi nữa. Công nghệ này đã có ở khắp mọi nơi. Và phần lớn sự đổi mới mà chúng ta thấy hiện nay sẽ không thể thực hiện được nếu không có những công nghệ này.
Một trong những lý do chính là công nghệ này cho phép chúng tôi giải quyết và giải quyết một số vấn đề mà chúng tôi từng cho là khó chữa. Hãy nghĩ về ngôn ngữ tự nhiên, nhận dạng hình ảnh hoặc tạo mã, những thứ không chỉ khó giải mà còn khó xác định. Và việc tiếp cận những loại vấn đề này với tư duy kỹ thuật truyền thống của chúng ta - nơi chúng ta chủ yếu sử dụng các ngôn ngữ lập trình - là điều không thể. Thay vào đó, chúng tôi tận dụng kiến thức được lưu trữ trong lượng dữ liệu khổng lồ mà chúng tôi thu thập và sử dụng nó để tìm giải pháp cho các vấn đề mà chúng tôi quan tâm. Cách tiếp cận này hiện được gọi là Học máy và là cách hiệu quả nhất để giải quyết các loại vấn đề đó hiện nay.
Nhưng với lượng dữ liệu mà chúng tôi hiện có thể thu thập, sức mạnh tính toán có sẵn trên đám mây, hiệu quả đào tạo và các thuật toán mà chúng tôi đã phát triển, chúng tôi có thể đạt đến giai đoạn mà chúng tôi có thể đạt được hiệu suất siêu phàm với nhiều tác vụ mà chúng tôi từng nghĩ chỉ có con người mới có thể thực hiện được. Chúng ta phải thừa nhận rằng trí thông minh của con người bị hạn chế về năng lực và khả năng xử lý thông tin. Và máy móc có thể nâng cao trí thông minh của chúng ta và giúp chúng ta giải quyết các vấn đề hiệu quả hơn mà bộ não của chúng ta không được thiết kế để giải quyết.
Xu hướng chung mà chúng ta thấy hiện nay là học máy và AI về cơ bản đang trở thành tiêu chuẩn công nghiệp để giải quyết các vấn đề phức tạp đòi hỏi kiến
thức, tính toán, nhận thức, lý luận và ra quyết định. Và chúng tôi thấy điều đó trong nhiều ngành, bao gồm chăm sóc sức khỏe, tài chính và bán lẻ.
Có một số xu hướng mới nổi cụ thể hơn. Chủ đề của bài phát biểu TechEx Bắc Mỹ của tôi sẽ là về AI tổng quát, thứ mà nhiều người có thể nghĩ là thứ gì đó vừa được phát minh gần đây, một thứ gì đó mới hoặc họ có thể nghĩ về nó chỉ là ChatGPT. Nhưng những công nghệ này đã được phát triển trong một thời gian. Và chúng tôi, với tư cách là những người thực hành trong ngành, đã làm việc với công nghệ này được một thời gian.
Điều đã thay đổi bây giờ là, dựa trên kiến thức và kinh nghiệm mà chúng tôi đã thu thập được, chúng tôi đã có thể đưa công nghệ này đến giai đoạn mà các mô hình GenAI trở nên hữu ích. Chúng ta có thể sử dụng nó để giải quyết một số vấn đề thực tế trong các ngành khác nhau, từ tóm tắt tài liệu ngắn gọn đến trải nghiệm người dùng nâng cao, lập luận logic và thậm chí tạo ra kiến thức độc đáo. Điều đó nói rằng, vẫn còn một số thách thức với độ tin cậy và hiểu được tiềm năng thực tế của các công nghệ này.
Trí tuệ nhân tạo và học máy quan trọng như thế nào đối với đổi mới sản phẩm?
Nhưng, đồng thời, nó là một công nghệ khá phức tạp. Có khá nhiều chuyên gia liên quan đến việc áp dụng công nghệ này, đào tạo các loại mô hình này, đánh giá chúng, quyết định sử dụng kiến trúc mô hình nào, v.v. Và hơn nữa, chúng hướng đến thử nghiệm cao, nghĩa là trong phát triển phần mềm truyền thống chúng ta thường biết trước những gì để đạt được. Vì vậy, chúng tôi đặt ra một số yêu cầu cụ thể và sau đó chúng tôi viết mã nguồn để đáp ứng các yêu cầu đó.
Và điều đó chủ yếu là do, trong kỹ thuật truyền thống, mã nguồn xác định hành vi của hệ thống của chúng tôi. Với máy học và trí tuệ nhân tạo, hành vi được xác định bởi dữ liệu, điều đó có nghĩa là chúng ta hầu như không bao giờ biết trước chất lượng dữ liệu của mình là gì. Sức mạnh dự đoán của dữ liệu của chúng tôi là gì? Chúng ta cần sử dụng loại dữ liệu nào? Dữ liệu mà chúng tôi thu thập đã đủ chưa hay liệu chúng tôi có cần thu thập thêm dữ liệu hay không. Đó là lý do tại sao chúng ta luôn cần thử nghiệm trước.
Nhưng tôi nghĩ, theo một cách nào đó, chúng ta đã quen với sự không chắc chắn trong quy trình và kết quả của các sáng kiến AI. Ngành công nghiệp AI đã từ bỏ ý tưởng rằng học máy sẽ có thể dự đoán được vào một lúc nào đó. Thay vào đó, chúng tôi đã học cách thử nghiệm hiệu quả, biến ý tưởng của mình thành giả thuyết mà chúng tôi có thể nhanh chóng xác thực thông qua thử nghiệm và tạo nguyên mẫu nhanh, đồng thời phát triển các thử nghiệm thành công nhất thành sản phẩm chính thức. Về cơ bản, đó là vòng đời hiện đại của các sản phẩm AI/ML.
Tuy nhiên, nó cũng đòi hỏi các nhóm sản phẩm phải áp dụng một tư duy khác về ý tưởng và thử nghiệm liên tục. Nó bắt đầu bằng việc chọn những ý tưởng và trường hợp sử dụng có tiềm năng cao nhất, khả thi nhất có thể có tác động lớn nhất đến doanh nghiệp và sản phẩm. Từ đó, nhóm có thể lên ý tưởng về các giải pháp tiềm năng, nhanh chóng tạo mẫu và chọn những giải pháp thành công nhất. Điều đó đòi hỏi kinh nghiệm trong việc xác định các vấn đề có thể hưởng lợi nhiều nhất từ AI/ML cũng như các quy trình lặp đi lặp lại, nhanh chóng để xác thực và nhân rộng các ý tưởng.
Làm thế nào các doanh nghiệp có thể sử dụng loại công nghệ đó để cải thiện việc cá nhân hóa?
Đó là một câu hỏi hay bởi vì, một lần nữa, có một số vấn đề thực sự khó xác định. Cá nhân hóa là một trong số đó. Điều gì khiến tôi hoặc bạn trở thành một con người? Điều gì góp phần vào điều đó? Cho dù đó là sở thích của chúng tôi. Làm thế nào để chúng tôi xác định sở thích của chúng tôi? Chúng có thể là ngẫu nhiên, chúng có thể là theo ngữ cảnh. Đó là một vấn đề rất đa chiều.
Và, mặc dù bạn có thể cố gắng tiếp cận nó bằng một công nghệ truyền thống hơn, bạn vẫn sẽ bị hạn chế về khả năng đó – mức độ cá nhân hóa sâu mà bạn có thể nhận được. Cách hiệu quả nhất là tìm hiểu các tín hiệu cá nhân, sở thích đó từ dữ liệu và sử dụng những thông tin chi tiết đó để mang lại trải nghiệm được cá nhân hóa, hoạt động tiếp thị được cá nhân hóa, v.v.
Về cơ bản, AI/ML hoạt động như một loại hộp đen giữa tín hiệu và người dùng cũng như các tùy chọn cụ thể, nội dung cụ thể sẽ cộng hưởng với người dùng cụ thể đó. Tính đến thời điểm hiện tại, đó là cách hiệu quả nhất để đạt được sự cá nhân hóa.
Một lợi ích khác của AI/ML hiện đại là bạn có thể sử dụng nhiều loại dữ liệu khác nhau. Bạn có thể kết hợp dữ liệu luồng nhấp chuột từ trang web của mình, thu thập thông tin về hành vi của người dùng trên trang web của bạn. Bạn có thể thu thập dữ liệu văn bản từ Twitter hoặc bất kỳ nguồn nào khác. Bạn có thể thu thập dữ liệu hình ảnh và bạn có thể sử dụng tất cả thông tin đó để rút ra thông tin chi tiết mà bạn quan tâm. Vì vậy, khả năng phân tích tập hợp dữ liệu không đồng nhất đó là một lợi ích khác mà AI/ML mang lại cho trò chơi này.
Bài viết gốc tại đây
