Điều gì sai với Dữ liệu lớn, AI cổ điển có thể giải quyết những vấn đề này như thế nào và tại sao bây giờ điều đó lại có thể thực hiện được? Tôi đã có cơ hội ngồi lại và trao đổi chi tiết hơn về những vấn đề này với Andrew Gryaznov, CTO tại HyperC và chuyên gia về AI nhằm nâng cao hiệu quả kinh doanh.
Để bắt đầu, hãy đặt mình vào vị trí của chủ doanh nghiệp và đội ngũ quản lý. Tại sao tất cả Dữ liệu lớn và AI này lại khiến họ bận tâm?
Trong mọi hoạt động kinh doanh, nhiều quyết định ẩn giấu được đưa ra hàng ngày, được kiểm soát kém và có tác động tài chính không ai lường trước được. Hãy tưởng tượng một công ty có bộ phận bán hàng nơi các đại diện bán sản phẩm và một loạt các dịch vụ bổ sung mà họ quyết định cung cấp cho mọi trường hợp.
Rất thường xuyên, quá trình ra quyết định này không được chính thức hóa và phân tích. Công ty chỉ đưa ra dự báo doanh số bán hàng trong mô hình tài chính, nhưng việc thực hiện dựa trên các quyết định tiềm ẩn không được kiểm soát và lợi nhuận thực tế không được đo lường.
Máy móc có thể đưa ra nhiều quyết định hơn con người, thực hiện nhanh hơn và duy trì hiệu quả ở mức cao hơn. Hiện tại, rất có thể, bạn vẫn cần con người để điều khiển máy và đảm bảo rằng nó hoạt động chính xác. Mô hình này thúc đẩy sự thay đổi nhanh chóng và hiệu quả hơn trong công ty, giúp tăng ROI và hiệu quả tổng thể. Đây là nơi công nghệ có thể bước vào và trợ giúp.
Được rồi, Big Data có gì sai so với AI?
“Dữ liệu lớn” và các công cụ được cho là sẽ giải quyết bài toán nâng cao hiệu quả kinh doanh. Nhưng hóa ra kỳ vọng đó khác xa với thực tế. Cuối cùng, các doanh nghiệp đã thu thập hàng tấn dữ liệu lịch sử mà họ thực sự không thể sử dụng vì dữ liệu có chất lượng thấp trong khi các công cụ quá phức tạp và tốn kém.
Tôi tin rằng dữ liệu duy nhất có thể hữu ích lâu dài là cái mà tôi gọi là “dữ liệu đo từ xa” - dữ liệu này không bao giờ được người dùng nhập theo cách thủ công mà được hệ thống giám sát tạo ra trong thời gian thực. Bạn có thể nghĩ đến hệ thống tự động đăng ký cuộc gọi hoặc email nhưng không yêu cầu nhân viên bán hàng nhấp chuột hoặc nhập biểu mẫu.
Vì vậy, thực tế là tất cả “dữ liệu sạch” và “quy trình sạch” chỉ nằm trong đầu chúng ta và chúng ta có rất nhiều dữ liệu đo từ xa khác nhau và dữ liệu bẩn không thể sử dụng được. Đây là lúc chúng ta cần quay lại AI cổ điển để được trợ giúp.
Làm thế nào điều này có thể hoạt động trong cuộc sống thực?
Giả sử rằng chúng ta có nha khoa, là một mạng lưới gồm nhiều phòng khám. Nó thường được tổ chức như thế nào? Rất có thể, một công ty như vậy sẽ có một số hợp đồng thuê dài hạn, bác sĩ về bảng lương, quy trình tiếp thị và bán hàng để xây dựng kênh và đưa khách hàng đi qua kênh đó.
Đổi lại, cũng có những công ty khởi nghiệp trong lĩnh vực này và chúng tôi làm việc với một trong số họ. Công ty này sử dụng mô hình kinh doanh sáng tạo phụ thuộc nhiều vào việc ra quyết định dựa trên máy móc. Đầu tiên, họ không có nhân viên trong biên chế; mỗi bác sĩ là một nhà thầu. Thứ hai, họ không có phòng khám và hợp đồng thuê dài hạn. Thay vào đó, họ thuê văn phòng hàng tuần.
Họ kết nối các nha sĩ của nhà thầu với các văn phòng cho thuê bằng cách sử dụng mô hình dựa trên nhu cầu, lịch trình của nhà thầu và dữ liệu lịch sử để đạt được lợi nhuận cao nhất. Vấn đề trở nên phức tạp hơn khi bạn thêm nhiều bác sĩ, không gian văn phòng và các điểm quyết định như xếp hạng của bác sĩ hoặc khả năng đàm phán các điều khoản hợp đồng. Nói về mặt toán học, vấn đề là NP-hard (và vấn đề lập kế hoạch đi kèm là PSPACE-complete) mà nói một cách đơn giản thì con người không thể giải quyết được.
Kết quả là, mô hình kinh doanh tưởng chừng kỳ lạ và kém hiệu quả với các nhà thầu tốn kém và hợp đồng thuê ngắn hạn hóa ra lại hiệu quả hơn nhiều. Tuy nhiên, nó không thể hoạt động nếu không có AI tự động đưa ra các quyết định kinh doanh vô tận và giải quyết các vấn đề NP-khó bằng phương pháp phỏng đoán phổ quát và học máy.
Một ví dụ khác là kinh doanh sản xuất phần cứng. Trước thời hiện đại, các nhà cung cấp lên kế hoạch sản xuất chỉ dựa trên nhu cầu của người tiêu dùng. Thế là đủ cho đến thời kỳ thiếu hụt chip mà chúng ta đang phải đối mặt trong những năm gần đây. Ở đây, “thiếu hụt” không có nghĩa là không có chip nào cả mà có những chip ở nhiều mức giá khác nhau cao hơn trước. Vì vậy, ngày nay để tạo ra một mô hình tài chính sản xuất phần cứng thành công, bạn phải lập bản đồ nhu cầu của người tiêu dùng theo giá chip và bao gồm tất cả các chi tiết của quy trình sản xuất. Đây là một vấn đề NP-khó khác mà con người không thể giải quyết được, nhưng máy móc thì có thể.
Bạn có thể vui lòng mô tả cách AI giải quyết những vấn đề này bằng một số chi tiết kỹ thuật không?
Những vấn đề như tôi đã đề cập ở trên được mô hình hóa tốt nhất bằng cách sử dụng cơ sở dữ liệu đồ thị. AI có thể phân tích dữ liệu kinh doanh và quy trình được biểu thị dưới dạng biểu đồ, sử dụng máy học để tìm các mối phụ thuộc và lối tắt cũng như các tuyến đường tốt nhất từ điểm bắt đầu của quy trình kinh doanh đến mục tiêu, tức là tối ưu hóa các quy trình để đạt được tỷ suất lợi nhuận cao nhất.
Nói một cách ngắn gọn, việc tìm đường đi ngắn nhất trong biểu đồ của cơ sở dữ liệu như vậy sẽ là giải pháp tốt nhất có thể sau đó được dịch sang mô hình Excel để con người có thể kiểm tra kỹ và sửa đổi nếu cần.
Tại sao bây giờ điều này có thể thực hiện được mà trước đây lại không thể thực hiện được?
Đây thực sự là một chủ đề thú vị dẫn chúng ta đến khái niệm về Mùa đông AI. Vào đầu những năm 1970, có rất nhiều tin đồn xung quanh AI. Mọi người rất hào hứng với những chủ đề tương tự mà chúng tôi đề cập hôm nay. Họ muốn AI giúp họ đưa ra quyết định và nâng cao hiệu quả kinh doanh. Tuy nhiên, điều đó hóa ra là không thể với trình độ tiến bộ công nghệ vào thời điểm đó. Điều này dẫn đến sự thất vọng và giảm nguồn tài trợ cũng như sự quan tâm đến AI.
Tôi muốn so sánh nỗ lực cung cấp một mô hình AI có thể sử dụng được cho doanh nghiệp vào những năm 1970 giống như việc mọi người cố gắng chế tạo và hạ cánh một tên lửa trong Thời kỳ đồ đá. Điều đó là không thể được. Nói cách khác, điện thoại thông minh ngày nay có nhiều bộ nhớ hơn tất cả các mẫu máy Symbolics AI được sản xuất, cộng lại. Hiện nay, chúng tôi đã sẵn sàng thực sự triển khai AI đó và chúng tôi đang thực hiện việc đó ngay bây giờ.
Đường cong áp dụng công nghệ này hiện nay là gì?
Tôi có thể nói rằng chúng ta vẫn đang ở giai đoạn đầu của một kỷ nguyên mới.
Xét về mặt kỹ thuật, có ba loại công ty: các công ty mới chưa thiết lập các quy trình và công nghệ, các công ty có sẵn một số loại quy trình và tự động hóa, và các công ty nổi bật hơn đã thiết lập các quy trình để triển khai công nghệ mới.
Các công ty mới đấu tranh để đạt được hiệu quả và những người sáng lập cũng như đội ngũ quản lý của họ thường có tư tưởng cởi mở. Ý tưởng về việc ra quyết định tự động thành công có vẻ tự nhiên đối với họ. Các công ty lớn cũng có thể hiểu được lợi ích, nhưng giao thức của họ làm chậm quá trình đổi mới, mặc dù chúng vẫn có thể thực hiện được.
Nhóm lớn nhất bao gồm các công ty thuộc loại thứ hai. Họ chưa quá lớn để có thể đổi mới nhưng vẫn không chắc chắn về cách thực hiện chúng cho đúng. Thách thức chính đối với họ là thực hiện quy trình quản lý thay đổi như một trong những bước quan trọng để hướng tới sự trưởng thành.
Vì vậy, chúng tôi có một số công ty khởi nghiệp đang triển khai AI ngay bây giờ, nhiều công ty nổi bật hơn đang dần hướng tới nó và phần lớn sẽ tham gia trong những năm tới.
Tóm lại, kế hoạch hành động để triển khai AI trong một công ty cụ thể là gì?
Bước đầu tiên để triển khai AI thành công là viết ra tất cả các quyết định mà mọi người đưa ra trong doanh nghiệp. Điều này sẽ phát hiện ra một lượng lớn các quyết định ẩn giấu, không được kiểm soát, ảnh hưởng trực tiếp đến lợi nhuận của công ty.
Bạn cần hiểu rằng bạn chỉ kiểm soát một phần rất nhỏ hoạt động kinh doanh của mình và các công ty trẻ mới có tư duy cởi mở đang bắt đầu xây dựng quy trình của họ bằng cách sử dụng AI cải tiến. Sau khi thực hiện điều đó, bạn sẽ sẵn sàng tham gia nhóm AI để duy trì tính cạnh tranh trong những năm tới.
Tag
Tạo tài khoản miễn phí của bạn để mở khóa trải nghiệm đọc tùy chỉnh của bạn.
PlatoAi. Web3 được mô phỏng lại. Khuếch đại dữ liệu thông minh.
