Việc triển khai Generative AI có thể giống như một câu hỏi hóc búa về con gà và quả trứng. Trong một thời gian gần đây Viện giá trị doanh nghiệp IBM khảo sát, 64% CEO cho biết họ cần hiện đại hóa ứng dụng trước họ có thể sử dụng AI tổng hợp. Nhưng đồng thời, trí tuệ nhân tạo có khả năng biến đổi quá trình hiện đại hóa ứng dụng thông qua kỹ thuật đảo ngược mã, tạo mã, chuyển đổi mã từ ngôn ngữ này sang ngôn ngữ khác, xác định quy trình hiện đại hóa và các quy trình tự động khác. Đây là cách CTO và CIO có thể đánh giá tài sản công nghệ và dữ liệu của họ, đánh giá cơ hội và vạch ra con đường phía trước.
CIO và CTO cần:
- Đánh giá mức độ tổ chức của họ làm chủ đám mây lai như một chiến lược nền tảng để triển khai hiệu quả AI tạo ra
- Đánh giá trở ngại tổ chức và chi phí thực hiện và duy trì hiện trạng
- Cân chi phí và lợi ích của việc sử dụng các mô hình lớn có mục đích chung so với việc điều chỉnh các mô hình nhỏ hơn
- Đánh giá các yếu tố và chi phí liên quan đến tính sẵn có của dữ liệu, quản trị, bảo mật và tính bền vững
- Làm việc với bộ phận nhân sự để đặt con người vào trung tâm của chiến lược AI tổng quát của bạn
Đám mây lai tăng tốc việc áp dụng AI sáng tạo
Trong thập kỷ qua, IBM đã ủng hộ chiến lược đám mây lai để củng cố sự đổi mới, năng suất và hiệu quả dựa trên AI có thể mở rộng. Theo quan điểm của chúng tôi, cuộc tranh luận về kiến trúc đã kết thúc. Các tổ chức đã làm chủ được đám mây lai có vị thế tốt để triển khai trí tuệ nhân tạo trên toàn tổ chức. Đám mây lai cho phép họ tận dụng các mô hình ngôn ngữ lớn (LLM) nguồn mở mạnh mẽ, sử dụng dữ liệu công cộng và tài nguyên máy tính để đào tạo các mô hình của riêng họ và tinh chỉnh mô hình một cách an toàn trong khi vẫn giữ kín thông tin chi tiết độc quyền của họ. Cùng với việc tăng thêm giá trị to lớn cho trải nghiệm của khách hàng và nhân viên, các chức năng nhân sự và dịch vụ khách hàng, AI tổng hợp trên đám mây lai mang đến cho CIO và CTO sự linh hoạt đặc biệt để tự động hóa các hoạt động CNTT và hiện đại hóa ứng dụng, có khả năng loại bỏ nợ kỹ thuật và cho phép hiện đại hóa thực sự liên tục.
Bối cảnh kinh doanh
Ngay cả đối với các CIO và CTO đã cam kết sử dụng đám mây lai, trở ngại tổ chức cho hiện đại hóa duy trì. Đầu tiên, các nhà lãnh đạo công nghệ cần ước tính toàn bộ tác động tài chính của hiện đại hóa (so với chi phí không hiện đại hóa) trong toàn tổ chức. Họ cần coi hiện đại hóa là một sáng kiến kinh doanh chứ không phải một dự án CNTT. Các nhà lãnh đạo cũng phải giải quyết khoảng cách về chuyên môn bằng cách ưu tiên phát triển nhân tài và tiếp thu văn hóa đối với hiện đại hóa như một khoản đầu tư kinh doanh chiến lược, ổn định trong tương lai chứ không phải là một trò chơi công nghệ vận hành.
Tiếp theo, các nhà lãnh đạo cần hiểu giá trị kinh doanh mà AI tạo ra có thể mang lại cho quá trình hiện đại hóa để hiểu họ nên đầu tư vào đâu. Theo kinh nghiệm của các nhóm Tư vấn IBM của chúng tôi, các tổ chức mới bắt đầu hành trình hiện đại hóa của mình cần có góc nhìn về “nghệ thuật khả thi” khi hiểu được lợi ích và giá trị của tự động hóa do AI điều khiển. Các tổ chức tiến bộ hơn trên hành trình của mình đang tìm kiếm sự rõ ràng về các trường hợp sử dụng trong ngành của họ và sự hỗ trợ để xử lý các cơ hội đặc biệt.
Ưu tiên các trường hợp sử dụng AI tổng quát
Trong hoạt động CNTT, các trường hợp sử dụng AI tổng quát bao gồm tự động phân loại hệ thống để tuân thủ các mục tiêu cấp dịch vụ; quản lý, liên lạc, hỗ trợ và giải quyết các thắc mắc và yêu cầu; và phát hiện và quản lý sự kiện và bất thường. Nó có thể cải thiện khả năng tự động hóa CNTT bằng cách xây dựng và thực thi sổ tay quản lý cũng như giúp người dùng chuyển đổi sang phần mềm và cơ sở kiến thức mới. Nó cũng có thể hỗ trợ kỹ thuật nền tảng, chẳng hạn như bằng cách tạo quy trình DevOps và tập lệnh tự động hóa phần mềm trung gian.
Có thể nói nhiều hơn nữa về hoạt động CNTT như một nền tảng của hiện đại hóa. Ở đây, chúng tôi sẽ ưu tiên thảo luận về bốn quy trình công việc mà AI tổng hợp có thể được áp dụng.
- Quy hoạch chuyển đổi: AI sáng tạo có thể giúp xác định quy trình hiện đại hóa của bạn thông qua tóm tắt, tạo kế hoạch và tạo kiến trúc tham chiếu, chẳng hạn như Terraform.
- Mã kỹ thuật đảo ngược: AI tạo tạo điều kiện cho kỹ thuật đảo ngược bằng cách phân tích mã để trích xuất các quy tắc kinh doanh và mô hình miền, tạo ra các đề xuất để chuyển ứng dụng từ kiến trúc nguyên khối sang vi dịch vụ, đồng thời xác định các cơ hội tái cấu trúc và đóng gói cũng như tạo mã được tái cấu trúc.
- Tạo mã: Việc tạo mã giúp các nhà lãnh đạo CNTT vượt qua các thách thức liên quan đến băng thông của nhà phát triển và tối ưu hóa các kỹ năng của đội ngũ nhân tài hạn chế. Các tác vụ thủ công và có tính lặp lại cao có thể được xử lý bằng cách tạo mã gốc trên nền tảng đám mây, từ các đoạn mã ngắn đến các chức năng đầy đủ. Mã có thể được tạo để thiết kế giao diện người dùng, cơ sở hạ tầng, cấu hình nền tảng vùng chứa (chẳng hạn như Mũ Đỏ® OpenShift®) và các khung công tác không có máy chủ (chẳng hạn như knative).
- Chuyển đổi mã: Chuyển đổi mã là điều cần thiết để giữ lại và cập nhật các ứng dụng kế thừa quan trọng. AI sáng tạo cho phép tự động hóa quá trình này, ví dụ từ COBOL sang Java, SOAP đến REST cũng như các ngôn ngữ và môi trường khác.
CTO/CIO nên xem xét những lợi ích nhanh chóng của việc sử dụng AI tổng hợp trong các chức năng này. Tìm kiếm các cơ hội tương đối riêng biệt và ít rủi ro để khám phá việc triển khai bằng chứng khái niệm. Bắt đầu nhỏ, thử nghiệm và mở rộng quy mô.
Đánh giá mô hình nền tảng
Việc chọn trước các mô hình nền tảng phù hợp có thể giúp bạn mang lại kết quả chính xác và hiệu quả hơn cho doanh nghiệp của mình.
Kiến trúc của máy biến áp thích kích thước: mô hình lớn hơn mang lại kết quả tốt hơn. Vì vậy, đang có một cuộc chạy đua về AI tạo ra để xây dựng các mô hình nền tảng ngày càng lớn hơn cho các ứng dụng ngày càng rộng hơn. Nhưng trong khi các mô hình lớn nhất rất mạnh mẽ thì một mô hình nhiều tỷ tham số có thể không phải lúc nào cũng là lựa chọn tốt nhất cho doanh nghiệp. Một mô hình nhỏ hơn đã được tinh chỉnh cho một nhiệm vụ thường có thể hoạt động tốt hơn một mô hình lớn chưa được tinh chỉnh cho nhiệm vụ đó. Các mô hình này có thể chạy trên các LLM có mục đích chung với một chút điều chỉnh nếu nền tảng cơ bản phù hợp cho mục đích sử dụng của doanh nghiệp. Ví dụ tham số 13 tỷ của IBM Granite các mô hình nền tảng, có sẵn trong phiên bản sắp tới của watsonx.ai, nhỏ hơn nhiều so với LLM lớn nhất (chứa hàng trăm tỷ tham số), nhưng thực hiện tốt các nhiệm vụ dành riêng cho doanh nghiệp như tóm tắt, trả lời câu hỏi và phân loại trong khi hiệu quả hơn nhiều.
Các mô hình nền tảng phù hợp với mục đích cũng cho phép các tổ chức tự động hóa và đẩy nhanh quá trình hiện đại hóa bằng cách tạo đoạn mã và các thành phần ứng dụng, cùng với việc tự động hóa việc kiểm tra ứng dụng. Dựa trên các mô hình mã được tích hợp trong watsonx.ai, Trợ lý mã IBM watsonx cũng có thể được sử dụng để chuyển đổi mã, ví dụ từ COBOL sang Java. Trong Watsonx Code Assistant, các nhà phát triển thuộc mọi cấp độ kinh nghiệm có thể diễn đạt các yêu cầu bằng ngôn ngữ đơn giản và nhận các đề xuất do AI tạo hoặc tạo mã dựa trên mã nguồn hiện có. watsonx.ai cũng bao gồm quyền truy cập vào StarCoder LLM, được đào tạo dựa trên dữ liệu được cấp phép mở từ GitHub. Các nhà phát triển có thể tận dụng StarCoder để tăng tốc quá trình tạo mã và tăng năng suất cho quá trình hiện đại hóa ứng dụng và hiện đại hóa CNTT.
Ngoài kích thước, khi lựa chọn mô hình nền tảng, CTO cũng nên xem xét các ngôn ngữ tự nhiên và ngôn ngữ lập trình mà mô hình hỗ trợ cũng như mức độ tinh chỉnh mà mô hình cần.
Tạo khung ROI tùy chỉnh
Trong AI tổng quát, các phương pháp tính toán ROI chưa hoàn thiện hoặc chưa được tiêu chuẩn hóa cũng như không thường có sẵn các điểm chuẩn so sánh. Đối với các ứng dụng doanh nghiệp, việc tinh chỉnh, kỹ thuật nhanh chóng và chạy khối lượng công việc tính toán chuyên sâu đòi hỏi phải đầu tư đáng kể.
Có bốn yếu tố chính cần cân nhắc khi lựa chọn và triển khai một mô hình. Mô hình này sẽ thay đổi tùy theo miền, ngành và trường hợp sử dụng. Yếu tố chi phí đầu tiên là phương pháp định giá hoặc cấp phép. Điều này được đánh giá bằng cách sử dụng API trên các đám mây công cộng và được quản lý cũng như bằng cách lưu trữ và tính toán chi phí trên các đám mây lai và riêng tư. Yếu tố chi phí thứ hai là nỗ lực phát triển, chi phí này cao hơn đối với các đám mây lai và đám mây riêng và liên kết chặt chẽ với yếu tố thứ ba, bảo mật dữ liệu doanh nghiệp. Cuối cùng, hãy xem xét các tác động tiềm ẩn của rủi ro bảo mật và sở hữu trí tuệ, cả hai đều giảm bớt đối với phạm vi kết hợp và riêng tư.
Các yếu tố quản trị và tính sẵn có của dữ liệu cũng được cân nhắc khi đánh giá ROI. Thông qua nền tảng watsonx, IBM đang có những bước tiến đáng kể trong việc cung cấp các mô hình nền tảng hướng tới nhu cầu của người dùng doanh nghiệp: kho lưu trữ dữ liệu phù hợp với mục đích được cung cấp trong watsonx.data, được xây dựng trên kiến trúc lakehouse mở, cho phép doanh nghiệp cá nhân hóa mô hình của mình ở bất kỳ nơi nào có khối lượng công việc. Các công cụ trong watsonx.governance cũng sẽ giúp các tổ chức thúc đẩy hiệu quả các quy trình làm việc có trách nhiệm, minh bạch và có thể giải thích được trong toàn doanh nghiệp.
Khi khả năng và cách sử dụng AI tổng hợp tăng tốc, việc đưa các con số vào khía cạnh lợi ích của phương trình ROI có thể là một thách thức. Nhưng điều hợp lý là các CIO và CTO phải kiểm tra nhiều cách mà các tổ chức đã tạo ra giá trị kinh doanh từ AI truyền thống làm điểm khởi đầu và để ngoại suy giá trị tiềm năng từ các trường hợp thử nghiệm AI tổng quát và các chiến thắng nhanh chóng của họ.
Xem xét các mục tiêu bền vững
Dù là một phần của chương trình ESG chính thức hay sứ mệnh của công ty, tính bền vững không chỉ dừng lại ở đạo đức tốt—nó ngày càng được công nhận là hoạt động kinh doanh tốt hơn. Các công ty có những nỗ lực bền vững được cam kết và hiệu quả có thể nâng cao giá trị doanh nghiệp nhờ cải thiện lợi nhuận cho cổ đông, tăng trưởng doanh thu và lợi nhuận. Do đó, thật khôn ngoan khi các CTO đưa yếu tố bền vững vào phép tính áp dụng AI tổng quát của họ.
Đào tạo, điều chỉnh và chạy các mô hình AI có thể để lại lượng khí thải carbon khổng lồ. Đó là lý do tại sao IBM giúp AI sáng tạo thợ may dành cho doanh nghiệp với các mô hình nền tảng đáng tin cậy, di động và tiết kiệm năng lượng. Tạo ra các mô hình nhỏ hơn và sử dụng tài nguyên máy tính hiệu quả hơn có thể giảm đáng kể chi phí và lượng khí thải carbon. IBM Research cũng đang phát triển các công nghệ đào tạo mô hình hiệu quả hơn, chẳng hạn như Thuật toán LiGo tái chế các mô hình nhỏ và xây dựng chúng thành các mô hình lớn hơn, tiết kiệm tới 70% thời gian, chi phí và lượng carbon thải ra.
Dẫn đầu bằng nguồn nhân lực
Cuối cùng, việc triển khai Generative AI một cách hiệu quả phụ thuộc vào những người có kỹ năng và nhiệt tình. Vì vậy, bộ phận nhân sự phải là trung tâm trong chiến lược của tổ chức bạn. Bắt đầu bằng cách đào tạo lại kỹ năng cho chính các chuyên gia nhân sự, những người có thể đã sử dụng các công cụ tuyển dụng do AI điều khiển. Tiếp theo, phát triển một sáng kiến quản lý chính thức để giao tiếp ở nơi đang tiến hành thử nghiệm và áp dụng AI tổng quát và đưa ra phản hồi.
Xem thêm từ Chuyển đổi doanh nghiệp
Bản tin IBM
Nhận các bản tin và cập nhật chủ đề của chúng tôi nhằm cung cấp thông tin chi tiết và lãnh đạo tư tưởng mới nhất về các xu hướng mới nổi.
Đăng ký ngay Thêm bản tin
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
- PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
- Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
- PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
- nguồn: https://www.ibm.com/blog/what-cios-and-ctos-should-consider-before-adopting-generative-ai-for-application-modernization/