Đây là một nghiên cứu với hơn 400 tình huống ứng dụng AI ở hơn 19 ngành và 09 bộ phận khác nhau – một nghiên cứu thể hiện tiềm lực ứng dụng lớn và rộng của công nghệ AI hiện đại.
Trí thông minh nhân tạo – Artificial intelligence (AI) có thể được hiểu là một công nghệ thúc đẩy bước chuyển của thời đại, bước chuyển của thời kì kĩ thuật số hiện nay; trong bối cảnh các tiềm lực ứng dụng của AI không ngừng được khai phá và lớn mạnh. Để biết thêm về điều này, bạn có thể đọc thêm Một số ghi chú khi đón đầu AI: những điều rút ra từ bên trong hàng trăm tình huống ứng dụng, ở bài viết ấy, chúng tôi chỉ rõ các công cụ phân tích truyền thống và công cụ “học sâu” (deep learning) với các vấn đề chúng có thể giải quyết trong hơn 400 tình huống ở nhiều doanh nghiệp/tổ chức. Dựa vào các nghiên cứu của McKinsey Global Institute và nhiều kinh nghiệm khai thác AI tại McKinsey Analytics, chúng tôi nhận định AI có tiềm năng lớn trong nhiều ngành nghề và nhiều lĩnh vực khác nhau. Bên cạnh việc chỉ ra tiềm lực ứng dụng trong nhiều tình huống cụ thể, ở bài viết này, chúng tôi còn muốn giúp bạn nhận diện được các hạn chế và rào cản khai thác AI nhằm mục tiêu hoàn thiện hơn công nghệ này. Hơn hết, giá trị của AI không chỉ ở mô hình của chúng, mà còn ở năng lực khai thác công nghệ của doanh nghiệp.
Ta cũng cần lưu ý rằng, thậm chí khi tiềm năng của AI là đã quá rõ ràng, các vấn đề về an ninh dữ liệu, quyền riêng tư/cá nhân, và sự sai lệch trong quá trình truyền dữ liệu nên được cân nhắc.
Ở chủ đề này, chúng ta sẽ đi qua bốn điểm, hai điểm đầu được trình bày trong phần này 01, hai điểm còn lại sẽ được trình bày trong phần 02.
- Bức tranh năng lực của AI: loại AI nào phù hợp với việc giải quyết vấn đề nào
- Đi sâu vào một số tình huống thực tiễn ứng dụng công nghệ AI
- Đo lường giá trị tiềm năng của AI
- Lộ trình tác động và nâng cao giá trị
Bức tranh năng lực của AI: loại AI nào phù hợp với việc giải quyết vấn đề nào
Trí thông minh nhân tạo ngày càng được hoàn thiện, do vậy hiểu biết về trí thông minh nhân tạo cũng ngày càng rõ ràng hơn. Để tiện cho độc giả, chúng tôi sẽ sử dụng thuật ngữ AI để trỏ công nghệ học sâu nhờ vào mạng lưới nơ rôn nhân tạo. Chúng tôi cũng dành thời gian để “mổ xẻ” các công cụ Máy học và phân tích truyền thống.
Mạng nơ rôn là tên gọi một nhóm công nghệ machine learning, mà chúng tôi tạm dịch là máy học. Cốt yếu, chúng đều là công nghệ AI được xây dựng dựa trên việc mô phòng sự liên kết giữa các tế bào nơ rôn và sự tương tác giữa các tế bào nơ rôn trong não bộ con người. Mô hình máy tính đã lấy ý tưởng từ sự kết nối giữa các nơ rôn bắt đầu từ các nghiên cứu ở những năm 1940s, và được đề cao áp dụng trong công nghệ xử lý của máy tính sau đó. Cùng với các bộ dữ liệu lớn, công nghệ xử lý sớm đã phân tích thành công nhiều nguồn dữ liệu đầu vào như hình ảnh, video, và giọng nói. Nhiều doanh nghiệp thích gọi công nghệ này là “học sâu”, vì họ cho rằng, mạng lưới nơ rôn có nhiều lớp (“sâu”) do các siêu liên kết giữa các nơ rôn.
Chúng tôi sẽ phân tích tính ứng dụng và giá trị của 03 loại kĩ thuật mạng lưới nơ rôn bên dưới:
- Mạng nơ rôn nhân tạo truyền thống (Feed forward neural networks): đây là mô hình mạng lưới nơ rôn nhân tạo đơn giản nhất. Trong cấu trúc này, thông tin di chuyển theo một hướng duy nhất, từ lớp đầu vào, thông qua một số lớp “ẩn”, và đến lớp đầu ra. Không một vòng lặp nào tồn tại trong mạng nơ rôn nhân tạo truyền thống. Mạng lưới này được đề xướng đầu tiên năm 1958 bởi Frank Rosenblatt – một nhà tiên phong trong công nghệ AI. Cấu trúc này phù hợp nhất khi xử lý những vấn đề lặp lại, không có bất kì một điều gì mới. Dựa vào công nghệ điện toán, thuật toán huấn luyện, và dữ liệu sẵn có, mô hình có thể nâng cao chất lượng kết quả đầu ra.
- Mạng nơ rôn hồi quy (Recurrent neural networks – RNNs): là một dạng mạng lưới nơ rôn nhân tạo có nhiều vòng lặp trong liên kết giữa các nơ rôn, mô hình này rất phù hợp để xử lý một chuỗi nhiều đầu vào. Tháng 11.2016, các nhà nghiên cứu đại học Oxford công bố hệ thống trên nền tảng mạng lưới nơ rôn hồi quy đã đạt được 95% độ chính xác khi mô phỏng tiếng nói dựa trên khẩu hình miệng, và kết quả này cao hơn hẳn các chuyên gia đọc khẩu hình miệng (chỉ chính xác khoảng 52%)
- Mạng nơ rôn tích chập (Convolutional neural networks – CNNs): là một mạng nơ rôn nhân tạo mà ở đó các lớp nơ rôn được xây dựng trên ý tưởng phương thức tổ chức/xử lý của vỏ não thị giác động vật, một phần não bộ chuyên xử lý hình ảnh, cũng rất phù hợp để giải quyết các bài toán trừu tượng.
Trong nghiên cứu về tính ứng AI này, chúng tôi cũng cân nhấn đến 02 kĩ thuật khác: (01) mạng lưới sinh mẫu – generative adversarial networks (GANs) và (02) học tăng cường – reinforcement learning, nhưng vẫn chưa đánh giá tiềm năng của 02 công nghệ này:
Mạng lưới sinh mẫu (Generative adversarial networks – GANs): gồm 02 mạng lưới nơ rôn thi nhau giải quyết vấn đề dựa trên mô hình trò chơi Tổng Bằng Không (Zero-sum game framework), GANs có thể học cách bắt chước nguồn dữ liệu đa dạng đầu vào (như chuỗi kí tự, kí âm, hay hình ảnh) và từ đó, GANs tạo ra các bộ dữ liệu khả dĩ hiện vẫn chưa tồn tại trong thực tế.
Học tăng cường (Reinforcement learning) là một bộ phận nhỏ của máy học, mà ở đó, hệ thống được đào tạo/huấn luyện bằng các phần thưởng hay hình phạt ảo, cốt lõi của mô hình này là học bằng phương pháp thử sai. Google DeepMind đã áp dụng công nghệ học tăng cường để phát triển hệ thống có thể chơi trò chơi, cả trò chơi điện tử và cờ (như cờ vây), và thậm chí còn giỏi hơn cả quán quân cờ vây của chúng ta.
Đi sâu vào một số tình huống thực tiễn ứng dụng công nghệ AI
Chúng tôi đã thu thập và phân tích hơn 400 tình huống ứng của AI trong 19 lĩnh vực và 09 bộ phận kinh doanh. Các tình huống này cho thấy tiềm năng AI trong những quy phạm xác định, điều đáng trân trọng ở đây chính là việc chúng tôi cũng dành thời gian để so sánh AI với các công cụ phân tích truyền thống (hình 2), ở mức quy định về mặt dữ liệu – độ lớn, độ đa dạng, và độ linh hoạt – phù hợp để nhận định tiềm năng. Các tình huống khai thác AI của chúng tôi tuy đa dạng nhưng vẫn chưa phải là toàn diện, và do đó đôi khi, chúng tôi có thể đánh giá quá cao hay quá thấp tiềm năng của AI trong một số ngành. Chúng tôi không ngừng thu thập, chọn lựa và thêm vào “thư viện nghiên cứu ứng dụng AI” của mình để nâng cao tính khách quan khi đánh giá.
Một vài ví dụ ứng dụng AI để nâng cao hiện quả vận hành:
- Bảo trì tiên phòng: một công cụ hữu hiệu để phát hiện các bất thường. Học sâu có thể phân tích một lượng lớn dữ liệu đa chiều và có thể thay thế hệ thống bảo trì phòng ngừa hiện nay, nâng nó lên một tầm mới. Phân lớp dữ liệu, như dữ liệu âm thanh hay dữ liệu hình ảnh từ các cảm biến – có thể chỉ là các cảm biến rẻ tiền như microphones hay camera. Nhờ vậy mạng lưới nơ rôn có thể nâng cao được hệ thống bảo trì phòng ngừa cũ hay thậm chí là thay thế nó. AI có khả năng dự báo sai hỏng và tính toán hoạch định công tác bảo trì phù hợp để tối ưu hóa thời gian dừng máy, chi phí vận hành và cải thiện hiệu suất sản xuất. Như AI có thể nâng cao tuổi thọ của một máy bay chở hàng, điều mà các công cụ phân tích truyền thống vẫn không làm tốt. AI kết hợp nhiều dữ liệu về mô hình máy bay, lịch sử bảo trì, cảm biến IoT để phát hiện các bất thường từ dữ liệu độ rung của động cớ, hình ảnh và video động cơ vận hành.
- Công nghệ tối ưu hóa logistics trên nền tảng AI giúp giảm chi phí nhờ vào các dự báo thời gian thực và huấn luyện hành vi. AI có thể được sử dụng để ước tính liên tục chi phí logistics ở các bên liên quan; nó cũng có thể tối ưu hóa định tuyến phù hợp với tình trạng giao thông, từ đó cải thiện hiệu quả sử dụng nhiên liệu và thời gian giao hàng. Một doanh nghiệp vận tải ở Châu Âu đã giảm được 15% chi phí nhiên liệu bằng việc sử dụng các cảm biến theo dõi hiệu suất hoạt động của phương tiện vận tải và hành vi tài xế, tài xế nhận được các hướng dẫn thời gian thực về khi nào cần phải tăng tốc, khi nào cần phải giảm tốc. Nhờ vậy, họ tối ưu hóa được lượng nhiên liệu sử dụng và giảm được chi phí bảo trì thiết bị.
- AI là một công cụ hữu ích để quản lý việc chăm sóc khách hàng và sẵn sàng cho thách thức “tùy biến sản phẩm”. Nhờ vào việc cải thiện năng lực nhận diện giọng nói và điều tiết cuộc gọi, AI đã mang lại cho khách hàng một dịch vụ hoàn hảo – và hiệu quả hơn bao giờ hết. Khó có từ ngữ nào có thể đặc tả được năng lực của AI trong các trung tâm chăm sóc khách hàng qua điện thoại. Công nghệ học sâu giúp phân tích âm thanh giọng nói của khách hàng để nhận biết cảm xúc hiện tại của họ, nếu khách hàng phản hồi một cách thiếu thiện cảm với hệ thống, thì ngay lập tức, hệ thống điều tiết sẽ chuyển cuộc gọi này đến với nhân viên chăm sóc khách hàng. Trong marketing và bán hàng, công nghệ AI cũng có những tác động lớn. Việc kết hợp đặc tính nhân chủng học của khách hàng, các giao dịch cũ, và dữ liệu mạng xã hội giúp thiết kế sản phẩm phù hợp hơn với nhu cầu khách hàng, từng khách hàng một. Công nghê dự báo “sản phẩm khách hàng sẽ mua kế tiếp” giúp xác định phân khúc khách hàng – các công ty như Amazon hay Netflix đã áp dụng thành công – có thể giúp doanh thu của doanh nghiệp tăng lên đến 2 lần.
2/3 số tình huống nghiên cứu áp dụng AI là vì họ muốn cải thiện hiệu quả công cụ phân tích hiện tại
69% các tình huống mà chúng tôi nghiên cứu, mạng lưới nơ rôn sâu được sử dụng nhằm nâng cao hiệu quả của các công cụ phân tích cũ. Những tình huống đầu tư mới cho AI hiện chỉ chiếm 16% tổng số tình huống. Và ở 15% số tình huống còn lại, AI vẫn chưa chứng minh được sự ưu việt của nó so với các công cụ phân tích hiện nay, sự hạn chế của dữ liệu là một trong số những nguyên nhân giải thích cho điều này.
Quản trị dịch vụ khách hàng là một ngành thu hút được nhiều đầu tư mới cho AI, như một số ngành khác, ngành này có nhiều dữ liệu giá trị và sát với phản ứng theo thời gian thực của con người. Ngoài ra, ngành y tế (chăm sóc sức khỏe) cũng nhận được nhiều đầu tư mới cho AI. Các công nghệ chẩn đoán bệnh hay cải thiện sức khỏe nhờ vào sự phong phú của thông tin hữu ích từ hình ảnh, âm thanh, MRIs đã hỗ trợ sự phát triển của AI trong ngành.
Các tình huống của chúng tôi chỉ ra AI có tiềm năng lớn để mang lại nhiều giá trị cho doanh nghiệp hơn so với các công phụ phân tích truyền thông từ 30 đến 128%, tùy ngành.
Tuy nhiên, trong một vài tình huống nghiên cứu, cả AI và công cụ phân tích truyền thống đều đang đóng góp giá trị cho doanh nghiệp, như bảo hiểm, dược phẩm, truyền thông. Thật sự, AI vẫn chưa khẳng định được tiềm năng của mình một cách rõ ràng trong những ngành này. Nguyên nhân có thể giải thích cho điều này là phương pháp sử dụng dữ liệu trong ngành và rào cản quy định của nhà nước.
Các yêu cầu về mặt dữ liệu giúp học sâu có thể phát triển bền vững để chiếm được ưu thế hơn so với các công cụ phân tích truyền thống.
Để các hệ thống mạng lưới nơ rôn phát triển hiệu quả đòi hỏi ta phải đưa vào một lượng lớn dữ liệu song song với việc truy cập kết để xây dựng cơ sở hạ tầng điện toán phù hợp. Hơn nữa, các công cụ học sâu cần phải đủ mạnh để hiểu được các mô hình, các vấn đề từ nhiều loại dữ liệu phức tạp, đa chiều như hình ảnh, video, hay âm thanh.
AI cần một lượng rất lớn dữ liệu phù hợp. Andrew Ng, sáng lập viên Coursera, nhận định khi giải thích phương thức các công ty AI lấy, tổ chức, và sử dụng dữ liệu lớn để tạo nên giá trị.
Học sâu cần hàng nghìn quan sát để xây dựng mô hình, và từ đó phân loại các nhiệm vụ tương đối tốt. Trong một số tình huống, học sâu cần đến hàng triệu mẫu để có thể vận hành như con người. Với một ước tính trước đây của chúng tôi, một thuật toán học sâu nhìn chung sẽ vận hành đạt mức chấp nhận được khi được “học” khoảng 5000 mẫu dữ liệu phù hợp, nếu muốn mô hình vận hành hiệu quả như con người hay thậm chí vượt mặt con người, thì số mẫu dữ liệu phù hợp tối thiểu là 10 triệu. Ở một số tình huống các doanh nghiệp hiện đang áp dụng các công cụ phân tích bậc cao, dữ liệu đã sẵn có – vài triệu hay thậm chí vài tỷ – cho AI sử dụng, đây là phương thức “đào tạo”AI thích hợp nhất. Tuy nhiên, nếu ta không đáp ứng được lượng mẫu tối thiểu, AI sẽ không mang lại giá trị gì hơn so với các công cụ phân tích truyền thống.
Thu thập hay xây dựng một lượng dữ liệu lớn có thể được xem là một khó khăn cho các doanh nghiệp trong nhiều tình huống nghiên cứu, và phân loại vẫn còn là một thách thức lớn. Hầu hết các mô hình AI hiện tại được đào tạo dưới dạng “học có giám sát”, đòi hỏi con người phải đặt tên và phân loại dữ liệu nguồn. Tuy vậy, các kĩ thuật mới hứa hẹn sẽ giải quyết được điểm thắt cổ chai này, như học tăng cường, mạng lưới sinh mẫu, học chuyển giao (transfer learning), và học một lần (one-shot learning). Các kĩ thuật mới này cho phép AI học từng chủ đề với số lượng dữ liệu mẫu nhỏ hơn, hay thậm chí, chỉ có một.
Nhiều tổ chức phải chọn và áp dụng chiến lực cho phép họ thu thập và tổng hợp dữ liệu ở quy mô lớn. Thậm chí với một lượng lớn dữ liệu, họ còn phải đảm bảo dữ liệu tránh bị “quá sát” (overfitting) – khi mô hình đi quá sát với các điểm nhiễu hay các yếu tố ngẫu nhiên của bộ dữ liệu, làm cho kết quả thiếu tin cậy, hay tránh việc “không theo sát” – khi mô hình không nhận biết được tất cả các đặc điểm liên quan. Kết nối dữ liệu từ nhiều nhóm khách hàng khác nhau, thay vì lưu trữ dữ liệu độc lập, vô cùng quan trọng để tạo nên giá trị.
Để nhận diện được toàn bộ tiềm năng của AI đòi hỏi nguồn dữ liệu đầu vào phải đa dạng, gồm hình ảnh, video, và âm thanh
Các kĩ thuật mạng lưới nơ rôn của AI rất giỏi phân tích dữ liệu hình ảnh, video, và âm thanh – những nguồn dữ liệu được nhận định là rất phức tạp và đa chiều. Mạng lưới nơ rôn rất giỏi giải quyết các vấn đề đa chiều, khi nhiều lớp trong mạng lưới có thể học để đại diện cho nhiều đặc tính của dữ liệu. Như, với công nghệ nhận diện gương mặt, lớp đầu tiên của mạng lưới sẽ tập trung vào những điểm ảnh lớn, lớp kế tiếp sẽ tập trung vào các đường thẳng và đường cong, lớp kế nữa tập trung vào các điểm nhận dạng riêng biệt, và lớp cuối cùng có thể xác định được gương mặt. Khác với các công nghệ AI tiền nhiệm – đòi hỏi chuyên gia phải phân tích đặc điểm nhận dạng nhân chủng học, kĩ thuật mạng lưới nơ rôn này có thể tự học được những điểm nhận diện trên nhờ vào các mô phỏng trên mạng lưới trong suốt quá trình đào tạo.
Cùng với các vất đề về lượng và độ đa dạng của dữ liệu, tốc độ cũng cần thiết: công nghệ AI đòi hỏi mô hình cần thiết được đào tạo để phù hợp với các điều kiện không ngừng thay đổi, do vậy, các dữ liệu học hỏi nhất thường phải được củng cố thường xuyên. Trong 1/3 số tình huống, các mô hình cần phải được củng cố lại ít nhất là hằng tháng. Và gần như 1/4 số tình huống dữ liệu cần thiết phải được củng cố mỗi ngày, đó là các tình huống trong ngành marketing, bán hàng, sản xuất, và quản lý chuỗi cung ứng.
[Còn phần 02]Nguồn: Mckinsey, 2018
Bài viết liên quan: