5 câu hỏi nhà quản lý cần trả lời trước khi ứng dụng Gen AI ?
AI phát triển nhanh chóng, nhưng các tổ chức thay đổi chậm hơn rất nhiều. Những gì hiệu quả trong phòng thí nghiệm có thể không phù hợp với công ty của bạn ngay bây giờ. Nếu bạn biết những câu hỏi đúng để đặt ra, bạn có thể đưa ra những quyết định tốt hơn, bất kể công nghệ thay đổi nhanh đến đâu. Bạn có thể làm việc cùng các chuyên gia kỹ thuật của mình để sử dụng công cụ phù hợp cho công việc phù hợp. Khi đó, mỗi giải pháp ngày nay sẽ trở thành nền tảng để xây dựng những đổi mới sâu rộng hơn trong tương lai.
Dưới đây là 5 câu hỏi mà nhà quản lý nên trả lời trước khi tìm kiếm hỗ trợ của Gen AI:
1. Chi phí khi sai là bao nhiêu? What is the cost of being wrong?
Generative AI tốt cho bản thảo đầu tiên và câu trả lời "đủ gần". Ví dụ, một ngân hàng toàn cầu sử dụng AI để đánh giá vị trí chiến lược của mình ngay sau khi mỗi đối thủ cạnh tranh công bố kết quả kinh doanh. Các công ty khác sử dụng AI để xác định các tình huống tiềm ẩn vấn đề trong chuỗi cung ứng hoặc phát hiện các hợp đồng với nhà cung cấp thiếu các biện pháp bảo vệ cụ thể. Những ứng dụng này cải thiện các quy trình tập trung vào con người mà không đòi hỏi chi phí đáng kể cho những sai sót thỉnh thoảng. Nhưng "gần đủ" không phải là đủ tốt để kê đơn thuốc, kiểm soát giao thông hàng không hoặc lái xe trong giao thông đô thị. Liệu vấn đề của bạn có chấp nhận được độ chính xác kém hay không? Hoặc liệu chi phí khi sai lệch có đòi hỏi một cách tiếp cận khác không? Hoặc bạn có thể sử dụng cách tiếp cận kết hợp, nơi máy tính xác định các chẩn đoán y tế hoặc mục tiêu quân sự tiềm năng, nhưng con người đưa ra quyết định cuối cùng?
2. Bạn có cần giải thích các quyết định mà mô hình của bạn đưa ra không? Do you need to explain the decisions your model makes?
Khi cấp khoản vay ngân hàng hoặc chọn ứng viên việc làm, bạn cần sự rõ ràng về những gì thúc đẩy các quyết định. Các bối cảnh khác, chẳng hạn như tối ưu hóa tốc độ dây chuyền sản xuất, xác định sản phẩm lỗi trên dây chuyền sản xuất hoặc gửi quảng cáo, có thể hoạt động tốt mà không cần giải thích. Tính giải thích rõ ràng vẫn có thể hữu ích ngay cả khi khách hàng hoặc cơ quan quản lý không yêu cầu. Ví dụ, việc hiểu đặc điểm cụ thể nào của hình ảnh trong các đăng tin trên Airbnb hoặc cụm từ nào trong mô tả sản phẩm ảnh hưởng đến hành vi mua hàng của người mua có thể giúp các công ty tăng doanh số bán hàng.
Các thuật toán máy học, đặc biệt là những thuật toán dựa trên học sâu, có thể đưa ra câu trả lời chính xác, nhưng các mô hình của chúng lại cung cấp rất ít hiểu biết về lý do tại sao. Trong khi đó, các mô hình kinh tế lượng có thể hiển thị mức độ ảnh hưởng của các biến đến quyết định nhưng có thể thiếu độ chính xác đến từ các mô hình lớn hơn. Bạn có cần biết tại sao một mô hình hoạt động như vậy không? Hay chỉ cần một câu trả lời tốt là đủ?
3. Các mô hình của bạn có cần tạo ra cùng một câu trả lời mỗi lần không? Do your models need to generate the same answers every time?
Generative AI , theo thiết kế, tạo ra các câu trả lời khác nhau mỗi lần. Các mô hình kinh tế lượng và mô hình dựa trên quy tắc đưa ra cùng một câu trả lời cho cùng đầu vào nhưng có thể lạc hậu khi điều kiện thay đổi. Hầu hết các mô hình máy học sẽ đưa ra câu trả lời có thể lặp lại, nhưng nếu chúng liên tục cập nhật dữ liệu đào tạo, những câu trả lời đó có thể thay đổi theo thời gian. Trong các tổ chức tài chính, nơi các cuộc trò chuyện với khách hàng có ý nghĩa về tài chính và mọi tuyên bố đều là lời khuyên tài chính, tính lặp đi lặp lại trở nên rất quan trọng. Trong khi đó, việc chọn cùng một ứng viên việc làm mỗi lần có thể không quan trọng bằng miễn là quá trình đó không có định kiến hệ thống chống lại một nhóm ứng viên cụ thể.
Tuy nhiên, điều quan trọng là phải không ngừng kiểm tra xem các thuật toán có thể lặp lại có vẫn chính xác khi điều kiện thay đổi hay không. Ví dụ, các công ty sử dụng các thuật toán có thể lặp lại cho giao dịch đầu tư phải luôn theo dõi xem khi nào điều kiện thị trường thay đổi đủ để thay thế mô hình và không chỉ đào tạo lại bằng dữ liệu mới.
Tham khảo thêm những thông tin mới nhất tại các kênh chính thức của AIE Creative:
Theo dõi Fanpage của AIE Creative
Gia nhập cộng đồng Facebook “AI for Vietnam Education”
Tham gia nhóm zalo "AI For English Teacher"
Tham gia nhóm zalo "AI Trainers-LnD-Edtech"
Đăng ký kênh Youtube của AIE Creative
4. Dữ liệu của bạn có nguồn sự thật không?/ Does your data have a source of truth?
Nhiều thuật toán học máy được giám sát, ví dụ, nhằm phân biệt các loại đối tượng. Để huấn luyện chúng, bạn cần dữ liệu được gán nhãn một cách chính xác. Hình ảnh này chứa (hoặc không chứa) một biển stop. Người này có rủi ro tín dụng hợp lý hay không hợp lý. Phản hồi này đối với một yêu cầu từ khách hàng có ích trong khi cái kia lại không. Nếu không có một nguồn dữ liệu chính xác, một mạng nơ-ron sâu đa tầng phức tạp có thể không tốt hơn là tung đồng xu. Bạn có đủ dữ liệu được gán nhãn tốt không? Nếu không, liệu bạn có các nguồn dữ liệu chính xác hơn cho các phân loại ít cụ thể hơn (nhận dạng một "động vật giống ngựa" so với phân biệt giữa ngựa, lừa, và lạc đà)? Con người có thể cải thiện những dự đoán này, giúp các hệ thống trở nên thông minh hơn và thông minh hơn thông qua phản hồi củng cố. Nhưng nếu không có một điểm khởi đầu đủ, con người có thể nhanh chóng mệt mỏi khi giúp các bot AI mới mẻ mà họ nên được giúp đỡ thay vì."
5. Dữ liệu đào tạo của bạn có phản ánh các điều kiện bạn sẽ hoạt động không? Does your training data reflect the conditions under which you’ll operate?
Mặc dù các thuật toán AI hiện đại có thể khám phá các mẫu trong dữ liệu mà các kỹ thuật cũ hơn có thể bỏ qua, nhưng mẫu đó phải là mẫu, không phải nhiễu. Và nó phải đến từ toàn bộ bối cảnh mà bạn hoạt động. Bạn có dữ liệu đầu tư từ thời kỳ thuận lợi và khó khăn? Dữ liệu y tế từ nam giới và phụ nữ, và các dân tộc khác nhau? Amazon, ví dụ, đã loại bỏ các thuật toán sàng lọc hồ sơ dựa trên AI mà học cách ưu tiên các động từ được sử dụng nhiều hơn bởi nam giới hơn phụ nữ hoặc phân biệt đối xử với các trường đại học dành riêng cho nữ sinh. Một tập dữ liệu đào tạo do nam giới chiếm đa số, dựa trên lực lượng lao động có xu hướng nam giới trước đây của công ty, khiến máy học ra các quyết định thiên vị.
Mặc dù bạn cần cẩn thận về chất lượng dữ liệu bạn đang sử dụng, nhưng nó không cần phải hoàn hảo. Tùy thuộc vào rủi ro và các ràng buộc của vấn đề bạn chọn, bạn có thể cải thiện mô hình thông qua phản hồi tăng cường. Một cách tiếp cận là ban đầu hạn chế mô hình và từ từ mở rộng phạm vi và mức độ phức tạp. Ví dụ, xe tự lái là tình huống mà tính lặp đi lặp lại là quan trọng, khả năng giải thích có thể kém quan trọng hơn, nhưng độ chính xác thì rất quan trọng. Dữ liệu đào tạo có gắn nhãn từ bản đồ kỹ thuật số và các nguồn khác không phản ánh đầy đủ các điều kiện đường phố mà xe có thể gặp phải.
Phản hồi từ việc sử dụng thực tế có thể giúp các mô hình học sâu của xe cải thiện theo thời gian và có thể làm cho các thuật toán phức tạp hơn trở nên khả thi. Tuy nhiên, vì chi phí của sự không chính xác là lớn, các nhà sản xuất ô tô đang áp dụng cách tiếp cận từng bước để quản lý phạm vi và rủi ro. Ví dụ, Tesla, tự hào đưa ra các thuật toán lái xe tiên tiến nhanh hơn đối thủ cạnh tranh, đã ra mắt đầu tiên cho điều kiện đường cao tốc, ít phức tạp và dễ dự đoán hơn các đường phố đô thị. Chỉ sau khi thu thập được hàng triệu dặm video đường phố đô thị từ các chiếc xe của mình, Tesla mới thử nghiệm các thuật toán của mình tại các thành phố.
Một số quyết định lái xe không đòi hỏi phải có dữ liệu nhãn chính xác. Đủ khi phanh khi bất kỳ vật thể nào ở ngay phía trước mà không cần nhận dạng hoàn hảo vật thể đó. Các hành động của người lái cũng có thể cung cấp phản hồi tăng cường để giúp. Ban đầu, Tesla ra mắt các thuật toán để xác định đèn đỏ và biển báo dừng trước khi dạy xe dừng lại và sau đó sau này mới dạy xe dừng và đi. Mỗi hành động mà người lái thực hiện trở thành phản hồi để cho phép các thuật toán mới. Tuy nhiên, dữ liệu đào tạo không chứa tất cả các tình huống hiếm gặp và người lái xe Tesla phải luôn sẵn sàng kiểm soát nếu cần.
Việc sử dụng AI không khó khăn như vài năm trước. Các mô hình mạnh mẽ ngày càng dễ triển khai hơn. Bất kể Generative AI học cách làm gì, nó chỉ là một trong nhiều công cụ.
Hãy bắt đầu với vấn đề bạn muốn giải quyết. Mọi công ty đều có nhiều vấn đề cần cân nhắc trước khi xây dụng chiến lược, kế hoạch phù hợp cho AI.
Các bài viết liên quan:
THANG BẬC HỌC TẬP QUAN TRỌNG CỦA FINK (FINK'S TAXONOMY OF SIGNIFICANT LEARNING)
5 câu hỏi nhà quản lý cần trả lời trước khi ứng dụng Gen AI ?
[Automation với AI] - Hướng dẫn cài đặt Anaconda và Jupyter Notebook
