Nối Kết Khoảng Trống Sản Xuất Dữ Liệu... Với Trí Tuệ Nhân Tạo Sinh Sản năm 2025?

Đã gần chín tháng kể từ khi làn sóng đầu tiên của các công cụ trí tuệ nhân tạo sinh sản tiên tiến—được đặt tên là ChatGPT của OpenAI—làm mưa làm gió trên thế giới. Theo báo cáo gần đây về Trí Tuệ Nhân Tạo tại Nơi làm việc của BCG, tỷ lệ người trả lời rằng công ty họ sử dụng trí tuệ nhân tạo đã tăng từ 22% vào năm 2018 lên 50% vào năm 2023. Gần một nửa số người trả lời nói họ đã thử nghiệm với trí tuệ nhân tạo sinh sản và 27% nói họ sử dụng nó thường xuyên.

Giải thích vì sao ChatGPT trở nên hấp dẫn gần như qua đêm không phức tạp: Công nghệ cuối cùng đã làm cho trí tuệ nhân tạo trở nên cụ thể đối với đại chúng, theo lời của Tiến sĩ Arun Subramaniyan, người quản lý khả năng trí tuệ nhân tạo sinh sản của Intel với tư cách Phó Chủ tịch chiến lược và thực hiện đối với đám mây & trí tuệ nhân tạo. “Nó rất tận thị vì bạn có thể sử dụng nó, bạn có thể chạm vào nó—bạn có thể cảm nhận rằng nó hữu ích cho bạn cá nhân—lập kế hoạch cho kì nghỉ, soạn thảo email, thậm chí là phân tích nội dung phức tạp mà đối với người thông thường khó khăn. Đó thực sự là nơi có khoái cảm lớn nhất.”

Ngay sau khi ChatGPT ra mắt, các doanh nghiệp trên khắp thế giới đã cảm nhận áp lực để thương mại hóa một công cụ đột ngột sở hữu tâm trạng chung. Đối với Subramaniyan, vấn đề cụ thể đó—nâng cao một khái niệm công nghệ thành một thực hành thương mại tạo ra doanh thu—là một vấn đề quen thuộc. Anh đã dành nhiều năm nghiên cứu vì sao các tổ chức gặp khó khăn trong việc chuyển đổi một thập kỷ đầu tư vào dữ liệu và trí tuệ nhân tạo và máy học (AI/ML) thành lợi nhuận thực tế; doanh nghiệp đã lâu đối mặt với thách thức tổ chức lượng lớn và rời rạc của dữ liệu công ty một cách có ý nghĩa và dẫn đến các kết quả ý nghĩa.

Liệu trí tuệ nhân tạo sinh sản có thể giúp mở khóa câu trả lời? Đội ngũ của Subramaniyan tại Intel, cùng với Boston Consulting Group (BCG), đã quyết định tìm hiểu.

Điều đầu tiên cần làm: Tại sao lại khó khăn đến vậy khi dịch ROIN của các giải pháp dữ liệu và trí tuệ nhân tạo/máy học ban đầu?

Dữ liệu và trí tuệ nhân tạo/máy học truyền thống đã cách mạng hóa gần như mọi khía cạnh của doanh nghiệp—từ trải nghiệm mua sắm cá nhân và khuyến mãi có ge đến việc dự đoán các chiến lược quản lý rủi ro hiệu quả và cải thiện các sản phẩm. Các giải pháp này thu thập lượng lớn thông tin, tổng hợp dữ liệu và cung cấp thông tin quý báu về cách doanh nghiệp có thể tối ưu hóa hoặc cải thiện sản phẩm, ưu đãi hoặc hiệu suất dựa trên dữ liệu. Nhưng không dễ dàng và đòi hỏi một bộ kỹ năng kỹ thuật cụ thể rất đặc biệt (ví dụ: kỹ thuật kỹ thuật dữ liệu và khoa học dữ liệu) để xây dựng các hệ thống—và những kỹ năng đó vẫn là nguồn cung rất khan hiếm.

“Hầu hết mọi doanh nghiệp đều đầu tư đáng kể vào dữ liệu... nhưng ROI không diễn ra như mong đợi,” Subramaniyan nói. “Chỉ có từ 8 đến 10 phần trăm của những đầu tư đó thực sự diễn ra—không phải vì chúng không hiệu quả, mà vì các phi công không tiến triển thành sản xuất quy mô đầy đủ, chủ yếu là do thiếu kỹ năng chất lượng cao đủ¹.”

Xây dựng một giải pháp Trí tuệ Nhân tạo/Máy học cho tổ chức là khó khăn, theo Subramaniyan, đặc biệt là do thiếu hụt các nhà khoa học dữ liệu có thể viết và quản lý mã và mô hình cần thiết để mở rộng các giải pháp. Thiếu những bộ kỹ năng quan trọng này không chỉ làm cho quá trình chuyển từ phi công sang sản xuất quy mô lớn bị chậm trễ, mà còn làm suy giảm khả năng đo lường lợi nhuận.

Nhập môn trí tuệ nhân tạo sinh sản.

“Tiềm năng của trí tuệ nhân tạo sinh sản là mở khóa 90% công việc cần thiết để chuyển từ phi công sang sản xuất—mà không cần những nhà khoa học dữ liệu chuyên sâu cần thiết bên trong doanh nghiệp,” Subramaniyan nói. “Đơn giản là loại bỏ hầu hết công việc nặng nề của khoa học dữ liệu.”

Nói cách khác, một động cơ trí tuệ nhân tạo sinh sản được xây dựng đúng cách có thể nhanh chóng và hiệu quả chi phí sử dụng loại hệ thống lưu trữ dữ liệu mà doanh nghiệp đã chi tỷ đô xây dựng? Lý thuyết, điều này có vẻ có thể. Sử dụng BCG làm trường hợp thử nghiệm đầu tiên, đội ngũ Intel đã đưa lý thuyết của mình vào thử nghiệm và cuối cùng là vào thực tế.

Một công ty tư vấn có quy mô như BCG đầy dữ liệu để khai thác, và các lĩnh vực chuyên môn của nó hoàn toàn có thể áp dụng cho loại khách hàng doanh nghiệp mà Intel và BCG cuối cùng muốn nhắm đến. Vì vậy, cả hai tổ chức đã bắt tay vào công việc, đồng thời hoạt động như khách hàng và đối tác của nhau trong quá trình chung sản xuất sản phẩm và giải pháp trí tuệ nhân tạo sinh sản.

Intel cung cấp sản phẩm trí tuệ nhân tạo sinh sản tích hợp theo chiều dọc kết hợp cơ sở hạ tầng (phần cứng), xử lý dữ liệu, xây dựng và phục vụ mô hình, và dịch vụ liên quan đến tìm kiếm—về cơ bản, mọi thứ cần thiết để triển khai một động cơ trí tuệ nhân tạo sinh sản. Ngược lại, BCG cung cấp các bộ dữ liệu và triển khai ứng dụng người dùng cuối để kiểm thử giải pháp trong một bối cảnh sản xuất thực tế.

Phần cuối cùng đó—bộ dữ liệu cực kỳ mật của BCG—thêm một điểm đặc biệt thú vị cho thách thức: BCG yêu cầu đội ngũ của Intel không biết về bộ dữ liệu. Không ai trên phía Intel có thể “nhìn thấy” dữ liệu nguyên thô, và kết quả mô hình cũng không thể được “nhìn thấy” bởi Intel. Yêu cầu này có vẻ không thể vượt qua nhưng cuối cùng lại là một điều tốt: Nắm vững quy trình giải pháp đó có nghĩa là nó sau này sẽ rất áp dụng được cho các ngành công nghiệp bảo vệ dữ liệu như y tế và tài chính.

Tất cả cùng một lúc, nỗ lực mất 12 tuần, với khoảng một nửa thời gian đó dành cho “thời gian tính toán” cần thiết để xây dựng các mô hình. Kết quả: một công cụ trí tuệ nhân tạo sinh sản bao gồm 12 mô hình trí tuệ nhân tạo khác nhau xử lý hàng triệu tài liệu của công ty và có thể trả lời hơn 100.000 câu hỏi ngôn ngữ tự nhiên mỗi ngày—tất cả đều cụ thể cho bể dữ liệu mật của BCG—trong khoảng 100 mili giây mỗi câu hỏi.

Khi ChatGPT tiếp tục giải mã thông tin thế giới cho hàng triệu hộ gia đình trên khắp thế giới, công việc của Intel cũng có thể giải mã dữ liệu của doanh nghiệp trên toàn thế giới. Và nó đã được xây dựng, kiểm tra, triển khai ở quy mô lớn và sẵn sàng để ra thị trường.

“Đây là những gì chúng tôi gọi là một 'phi công sản xuất,' không phải là một bằng chứng kiểu mẫu,” Subramaniyan nói. “Đây là tận cùng sẵn sàng cho sản xuất.”

Mặc dù giải pháp cuối cùng thực sự hình thành khá nhanh chóng, Intel đã chuẩn bị cho công việc này gần hai năm—siêu máy tính cần thiết để xây dựng các mô hình trí tuệ nhân tạo mất từ 12 đến 18 tháng để xây dựng. Các quyết định kinh doanh mà đội ngũ của Subramaniyan đưa ra về sản phẩm cũng phản ánh sự suy nghĩ cẩn thận. Ví dụ, trong khi nền tảng được tối ưu hóa cho Intel, nó là không phụ thuộc vào phần cứng, có nghĩa là nó có thể chạy trên bất cứ thứ gì. Và suốt quá trình, sản phẩm được phát triển với ý chí và thực hành trí tuệ nhân tạo chịu trách nhiệm.

Intel và BCG cũng đưa sản phẩm ra thị trường dưới dạng dịch vụ, không chỉ là một giải pháp đặc biệt; hãy nghĩ về trí tuệ nhân tạo sinh sản dưới dạng dịch vụ (GenAIaaS) được triển khai trực tiếp vào môi trường đám mây của doanh nghiệp. Sự phân biệt ở đây rất quan trọng. Bằng cách cung cấp sản phẩm dưới dạng mô hình đăng ký, Intel có thể cung cấp cho khách hàng hỗ trợ liên tục và cập nhật tuân thủ—một tính năng cần thiết, khi xem xét các quy định địa phương về trí tuệ nhân tạo sinh sản có thể sẽ biến động trong nhiều năm tới.

Tất nhiên, “dưới dạng dịch vụ” cũng có nghĩa là Intel có thể cải tiến giải pháp theo thời gian. Tiếp theo trên lộ trình là gì? Nâng cao đầu ra trí tuệ nhân tạo sinh sản từ hình ảnh trò chuyện và xác định tài nguyên đến nội dung đa chế độ, bao gồm các bộ dữ liệu cụ thể cho từng lĩnh vực.

“Đà của sự nổi tiếng về trí tuệ nhân tạo sinh sản là khổng lồ—mọi người hiểu rõ rằng điều này không chỉ là sự hứa hẹn, vì bạn có thể thử nghiệm nó cho chính mình. Tôi thấy thậm chí trong phòng họp, mọi người mở ChatGPT và nói, ‘Nhìn đây, tôi vừa làm điều này ở đây, nó hoạt động—tại sao chúng ta không thể làm điều này với bộ dữ liệu của tôi, bên trong một môi trường độc quyền?’” Subramaniyan nói. “Đó là lý do tại sao chúng tôi đã làm ngược lại từ tuyên bố vấn đề mà khách hàng nêu ra để xây dựng sản phẩm chính xác họ cần.”

Bài viết này được blog.mytour.vn Brand Lab sản xuất thay mặt cho Boston Consulting Group.

¹ - Trí tuệ nhân tạo Quantum Black của McKinsey