Đào tạo ngành khoa học máy tính tại trường Đại học Công nghệ, ĐHQGHN. Nguồn: ĐHQGHN.

Vài năm gần đây phương pháp học sâu (Deep Learning) dựa trên các mạng thần kinh nhân tạo, được sự hỗ trợ bởi lượng dữ liệu lớn để “đào tạo” cho các chương trình và khả năng tính toán mạnh mẽ của các hệ thống máy tính đã tạo ra các bước đột phá về khả năng của AI trong các lĩnh vực nhận dạng hình ảnh, giọng nói và xử lý ngôn ngữ tự nhiên.

Tuy nhiên, chưa cần phải nói đến các phương pháp mới như Deep Learning, AI đã có thể được sử dụng để giải quyết khá nhiều bài toán cơ bản trong doanh nghiệp. Một ví dụ tìm giải pháp tối ưu dựa trên một tập các ràng buộc (constraint satisfaction) là một vấn đề của AI phát triển từ những năm 1970 vẫn có thể áp dụng trong việc lập lịch, lập danh mục thương mại điện tử (e-commerce catalog), ứng dụng du lịch khi mọi người muốn tối ưu một chuyến đi có rất nhiều ràng buộc như thời gian, phương tiện, nơi ở... Máy tính có thể tìm phương án tối ưu hóa chuyến đi cho mỗi khách hàng dựa trên các giải thuật tìm kiếm phương án.

Các hệ chuyên gia sử dụng tập tri thức từ các chuyên gia và máy suy diễn (inference engine) vẫn có thể ứng dụng trong các lĩnh vực như y học, tài chính, pháp luật, giáo dục vì nó giải quyết suy diễn logic cơ bản của con người là “nếu X thì Y”. Khi tập luật này quá lớn dĩ nhiên máy tính sẽ hiệu quả và không bị sai sót như con người. Ngày nay các tập tri thức này dễ xây dựng và quản lý hơn vì có nhiều khuôn dạng chuẩn trao đổi dữ liệu và có thể thu thập từ các nguồn dữ liệu mở và sự chia sẻ thông tin ngày càng sẵn và dễ tìm trên internet.  

Các phương pháp xử lý ngôn ngữ tự nhiên sử dụng để bóc tách, thu thập thông tin từ nhiều nguồn dữ liệu phi cấu trúc càng dễ được ứng dụng vì sự phát triển của mạng xã hội và sự số hóa các văn bản tài liệu.

Phương pháp Học máy (machine learning) phân nhóm Naive Bayes sử dụng mô hình xác suất dựa trên định lý Bayes với giả định có sự độc lập giữa các thành phần dữ liệu, ngoài ứng dụng kinh điển là phân loại thư rác, có thể sử dụng trong rất nhiều ứng dụng như tự động phân công phản hồi của khách hàng cho phòng ban, nhân viên có trách nhiệm xử lý, phân loại công việc dựa vào hồ sơ nhân viên, phân loại mặt hàng trong các ứng dụng thương mại điện tử, phân loại khách hàng tiềm năng để người bán hàng tiếp cận...

Không thể phủ nhận vai trò của dữ liệu lớn (Big Data) trong việc mang lại những cách tiếp cận mới trong việc giải quyết vấn đề của doanh nghiệp trong CMCN4.0. Ví dụ khi phân tích dữ liệu từ hàng tỉ điểm dữ liệu thu thập từ mạng điện thoại di động, công ty Swisscom Thụy Sĩ có thể phát hiện ra các xu hướng chuyển động của người dân để tối ưu hơn việc xây dựng cơ sở hạ tầng. Một dự án xây dựng một đường hầm ở thành phố Montreux đã được dừng lại qua việc phân tích dữ liệu này và đã tiết kiệm cho Chính phủ Thụy Sĩ 150 triệu Franc Thụy Sĩ. Trung Quốc cũng có các dự án phân tích dữ liệu mobile để tối ưu hóa việc xây dựng cơ sở hạ tầng hay các dịch vụ công cộng cho người dân, ví dụ nên đặt trạm đỗ xe bus ở vị trí nào, phân làn đường đã tối ưu chưa.    

Một lưu ý là ứng dụng AI không nhất thiết phải dựa trên dữ liệu lớn (Big Data), một lầm tưởng khiến các doanh nghiệp còn ngần ngại khi ứng dụng AI để giải quyết các vấn đề của mình vì cho là lượng dữ liệu chưa đủ lớn hay chưa có các công cụ xử lý dữ liệu lớn. Một máy tính cá nhân hiện tại đã đủ mạnh và đủ lớn để có thể lưu trữ và xử lý hàng trăm triệu bản ghi trong vài giờ thậm chí vài chục phút nếu chương trình xử lý được viết tối ưu. Nhưng chắc chắn một doanh nghiệp sẽ không thể ứng dụng các phương pháp AI nếu không có sự thu thập dữ liệu, làm sạch dữ liệu và khiến dữ liệu này có thể dễ dàng truy cập xử lý bởi các thành phần cài đặt các thuật toán AI xử lý.

Cần thận trọng với những cạm bẫy

Những công nghệ mới hứa hẹn mang đến những chuyển đổi mới cho doanh nghiệp, tuy vậy mỗi doanh nghiệp phải tỉnh táo trước những cạm bẫy công nghệ có thể gặp phải.

Công nghệ bị thổi phồng

Được nhắc đến trong các phương tiện truyền thông gần đây khiến một số công nghệ như AI, Blockchain đã bị thổi phồng quá mức. Không ít các doanh nghiệp đã ước lượng quá thấp thời gian, kiến thức và nhân lực cài đặt các giải pháp AI. Một làn sóng không nhỏ các startup, người chào bán sản phẩm dịch vụ cũng tận dụng trào lưu này trên để tiếp thị cho các sản phẩm không có nhiều tính đột phá hoặc chưa chứng minh được hiệu quả nhưng mượn truyền thông khoác lên những mỹ từ khi mô tả sản phẩm.

Chính vì thế các doanh nghiệp, tổ chức nên thận trọng hơn với những người chào bán các giải pháp, sản phẩm AI. Một trong các cách để doanh nghiệp có thể tránh lãng phí hay thất bại khi mua các hệ thống là định nghĩa rõ hơn những gì mình muốn đạt được từ giải pháp, cân nhắc xem mình đã có dữ liệu đầu vào, đầu ra để đánh giá giải pháp đó chưa. Thậm chí doanh nghiệp cũng có thể tự xây dựng một số tính năng dựa trên các thư viện mã nguồn mở hay API sẵn có để hình dung rõ hơn về ứng dụng mình cần, đồng thời tạo ra lực lượng nhân viên có kinh nghiệm có thể đánh giá tính năng các hệ thống định mua và tùy chỉnh hiệu quả hơn cho doanh nghiệp. Với mỗi sản phẩm, giải pháp định triển khai luôn yêu cầu các bước proof-of-concept để kiểm nghiệm tính hiệu quả của nó. Cần đòi hỏi cao về tính tương thích và khả năng kết nối với các thành phần công nghệ thông tin doanh nghiệp đang có trước khi bỏ tiền mua giải pháp trọn gói.

Thiếu nhân lực để giải quyết bài toán AI một cách hiệu quả

Một trong các yếu tố ảnh hưởng không nhỏ đến việc ứng dụng AI vào trong các doanh nghiệp là thiếu các kỹ sư, chuyên gia có kỹ năng quản lý xây dựng và quản lý các hệ thống AI mang lại giá trị cho công ty.

Mặc dù chúng ta khá lo ngại vì thiếu đội ngũ kỹ sư chuyên gia làm AI, nhưng có thể khẳng định chúng ta có một lực lượng tiềm năng cho nguồn nhân lực ấy. Cái cần thay đổi ở đây là phương thức đào tạo và tận dụng con người. Việt Nam có một lượng lớn các sinh viên có kỹ năng lập trình, cấu trúc dữ liệu và giải thuật khá tốt, thành tích trong các cuộc thi Tin học trên thế giới đã chứng minh điều đó. Học sinh và sinh viên Việt Nam được đào tạo và luyện nhiều về toán học trong giai đoạn phổ thông và các năm đầu đại học. Các kiến thức về toán giải tích, đại số tuyến tính, xác suất thống kê không thể thiếu trong ngành Trí tuệ nhân tạo. Với việc phát triển ngày càng nhiều các ứng dụng mã nguồn mở, nền tảng miễn phí cho AI, các tài liệu online, một sinh viên ngành Công nghệ thông tin chưa cần tốt nghiệp nếu chịu khó tìm tòi đã có một lượng kiến thức tương đối để có thể tham gia xây dựng một phần mềm giải quyết được một vấn đề ứng dụng AI.

Có điều doanh nghiệp có định nghĩa ra vấn đề AI trong thực tế đấy được hay chưa? Đã thu thập được dữ liệu hay chưa? Có sẵn sàng nhận sinh viên vào thực tập để truy cập các nguồn dữ liệu của doanh nghiệp hay không? Các hành lang pháp lý bảo vệ dữ liệu và sở hữu trí tuệ được thực hiện thế nào? Trường đại học và viện nghiên cứu cũng cần khuyến khích sinh viên ngành khoa học máy tính sự khao khát giải quyết các bài toán ngoài thực tế khi làm đồ án môn học thay vì các ví dụ kinh điển AI như chơi cờ, trò chơi. Cách thức duy nhất để tạo ra được những kỹ sư có chất lượng chính là sự cọ xát và niềm đam mê giải quyết các vấn đề có ảnh hưởng thực tế chứ không chỉ dựa vào các cuộc thi.

Dùng AI trả lời mọi vấn đề của doanh nghiệp

Cần nhớ AI không phải là điều thần kỳ mang lại mọi lời giải cho doanh nghiệp nếu vấn đề đó chưa được định nghĩa rõ, thu thập dữ liệu cẩn thận để xác định ra được giới hạn mà ứng dụng AI có thể “phá vỡ” được nó. Lấy ví dụ hệ thống AI sử dụng mạng Neural, bản chất của thuật toán không thay đổi nhiều, phạm vi ứng dụng của nó cũng không thay đổi nhiều, nhưng nhờ sức mạnh của máy tính và nguồn dữ liệu lớn để tạo ra bước đột phá về kết quả gần đây.

AI nên được cân nhắc ở những ứng dụng mang lại thêm giá trị cho doanh nghiệp, ví dụ cắt giảm chi phí, tự động hoá  một số quy trình (vì các yếu tố này đã rất rõ ràng với kinh nghiệm của doanh nghiệp) thay vì để nó tự tìm ra thị trường, sản phẩm, tính năng mới vì đây là các khía cạnh cần sự nhạy bén của con người, sẽ thiếu nguồn tri thức, dữ liệu và quy tắc chung để máy móc có thể xử lý.

Có thể tạm định nghĩa ra các mức độ của dữ liệu là (1) Có dữ liệu (2) Có dữ liệu tốt (wealthy data: sạch sẽ, chính xác, kịp thời) (3) Có thật nhiều dữ liệu (big data). Nếu nguồn dữ liệu mới chỉ ở mức độ 1 thì chưa nên áp dụng ngay các kỹ thuật AI và cũng không nhất thiết phải đợi đến mức 3 mới ứng dụng nó.

Cố gắng theo đuổi những “gã khổng lồ”

Các công ty công nghệ lớn thường dễ tạo ra các bài học thành công về AI vì họ có lượng dữ liệu rất dồi dào, lượng người dùng và hành vi sử dụng phong phú, cơ sở hạ tầng cho nghiên cứu phát triển mạnh. Tuy nhiên nếu mỗi doanh nghiệp rập khuôn áp dụng công nghệ A vì công ty B rất lớn đã thành công rất dễ bị cạn kiệt tài nguyên, nhân lực.

Khi mới tham gia một nhóm phát triển ứng dụng công nghệ AI ở một công ty tại Zurich, tôi thấy một kỹ sư trong nhóm đang xây dựng một hệ thống khá phức tạp dựa trên một số bài báo khoa học của một công ty công nghệ lớn. Tuy nhiên hơn 2 tháng phát triển, hệ thống vẫn chưa xong mặc dù các bộ phận khác của công ty khá sốt ruột. Khi tham gia vào nhóm, tôi bỏ ra một vài ngày để hoàn thành module tương tự như vậy dựa trên một hệ thống mã nguồn mở. Việc thực hiện diễn ra khá nhanh vì dựa trên nguồn dữ liệu và chỉ tận dụng nền tảng phần mềm công ty đã có. Module này nhận được phản hồi tích cực của bộ phận làm kinh doanh vì khá tương đồng với những gì họ mong đợi, và bộ phận phát triển giao diện với người dùng đang phụ thuộc vào module này có thể tiến hành ngay các cài đặt của họ, không bị ngừng trệ tiến độ nữa, hệ thống được trình bày cho khách hàng để thu thập phản hồi, tiếp tục cải tiến tiếp dựa trên các kỹ thuật tân tiến hơn.

Đây chỉ là một ví dụ nhỏ trong cách tiếp cận xây dựng MVP (minimum viable product) khá thông dụng ngày nay nhưng chưa nhiều nhân viên và doanh nghiệp sử dụng hiệu quả nó vì bị “hào quang” và giải pháp của các công ty lớn che phủ cách tận dụng tài nguyên của doanh nghiệp mình.  
*** 
Có thể nói khi quá trình số hóa đi đến đâu thì tiềm năng áp dụng các thành tựu của CMCN4.0 sẽ theo đến đấy. Vì thế nhanh chóng giải quyết nốt những tồn đọng của doanh nghiệp từ CMCN lần thứ 3 (ứng dụng công nghệ thông tin, internet, mạng xã hội), tích cực chuyển đổi số, tận dụng công nghệ một cách hợp lý, đổi mới cách làm việc của mỗi con người để giảm chi phí, tăng lợi nhuận cho doanh nghiệp, đó là những bước không thể thiếu để doanh nghiệp, tổ chức có thể tự tin tiếp cận với cuộc CMCN lần thứ 4.

Khi nghe và nói đến CMCN4.0 quá nhiều, thay vì nghi ngờ hãy bắt tay vào thử nghiệm nó từng bước nhỏ để mang lại giá trị nhất định cho doanh nghiệp. Amazon, công ty nhận danh hiệu sáng tạo hàng đầu thế giới năm 2017, đã từng cho biết: Một trong các bí quyết của sự đổi mới và sáng tạo trong công ty mình là thực nghiệm, thực nghiệm và thực nghiệm.