87% dự án khoa học dữ liệu không bao giờ đi vào sản xuất. Một số thất bại vì thiếu sự ủng hộ từ quản lý, số khác do thiếu dữ liệu chất lượng và hạ tầng phù hợp. Các tổ chức muốn khai thác giá trị từ AI và machine learning cần nhận biết những cạm bẫy thường gặp khi xác định phạm vi và quản lý các dự án AI. Tuy nhiên, nói thì dễ hơn làm. Ngay cả những người quen với việc triển khai dự án phần mềm truyền thống vẫn có thể gặp khó khăn khi triển khai dự án AI do tính chất đặc thù của chúng.
Điều gì khiến dự án AI khác đáng kể so với dự án phần mềm truyền thống?
Trong một dự án phần mềm truyền thống, lập trình viên mã hóa tường minh logic của chương trình, chương trình nhận đầu vào để tạo ra đầu ra. Ví dụ là một phần mềm ngân hàng trừ điểm tín dụng của người vay (đầu ra) khi họ đăng ký một khoản vay lớn (đầu vào).
Mặt khác, các dự án AI tận dụng machine learning không cần logic được mã hóa tường minh. Thuật toán machine learning học có hệ thống mẫu hình giữa đầu vào và đầu ra trước khi dự đoán đầu ra dựa trên đầu vào. Ví dụ là dự đoán rủi ro vỡ nợ của người vay dựa trên điểm tín dụng và tổng số khoản vay đã lấy.
Điều này có thể tạo ra lực ì đáng kể khi một tổ chức lần đầu triển khai và quản lý dự án AI. Vì vậy, bài viết này nhằm cung cấp một số hướng dẫn cho dự án AI có thể triển khai và mang lại lợi nhuận tiếp theo của bạn.
Ba đặc điểm cho các dự án AI ban đầu
Ba đặc điểm này đặt nền tảng cho thành công của những dự án AI đầu tiên của công ty. Lý do như sau.
Các dự án AI cần khả thi
Trước khi bắt đầu dự án AI mới, tổ chức nên đo lường mức độ trưởng thành dữ liệu của chính mình trước khi cam kết nguồn lực có thể bị dùng cho các dự án không khả thi. Trụ cột của mức độ trưởng thành dữ liệu bao gồm hạ tầng, con người, công cụ, tổ chức và quy trình. Những câu hỏi hữu ích xoay quanh các trụ cột này có thể giúp tổ chức ưu tiên tốt hơn dự án nào khả thi nhất:
- Công ty có khả năng thu thập dữ liệu một cách đáng tin cậy không?
- Công ty có hạ tầng để lưu trữ và làm sạch dữ liệu không?
- Đội ngũ có kỹ năng tiên quyết để cung cấp kết quả mô hình đáng tin cậy, chính xác không?
- Công ty có quy trình, công cụ và kỹ năng để giám sát các mô hình trong môi trường sản xuất không?
Các dự án AI nên đơn giản
Một dự án đơn giản về mặt kỹ thuật sẽ dễ quản lý hơn đối với tổ chức có mức độ trưởng thành dữ liệu tương đối thấp. Một dự án đơn giản, triển khai nhanh giúp tạo ra những chiến thắng nhanh, tích lũy kinh nghiệm cho đội ngũ. Điều này tạo đà cho các dự án AI tiếp theo, thúc đẩy một vòng lặp tích cực xây dựng hứng khởi trong công ty và tạo đồng thuận cho các dự án AI tiên tiến hơn về mặt kỹ thuật. Khi công ty tiến bộ trong mức độ trưởng thành về AI, họ có thể chuyển từ những mục tiêu dễ đạt sang các dự án phức tạp hơn.
Các dự án AI cần có giá trị
Harvard Business Review cho rằng một trong những đặc điểm của dự án AI mạnh là giá trị nó tạo ra. Điều này có thể đến từ ba dạng - AI có thể giúp ra quyết định tốt hơn, giảm chi phí bằng cách tự động hóa các tác vụ thủ công lặp đi lặp lại, hoặc được dùng trong các sản phẩm mới. Giá trị thu được từ các dự án AI thành công có thể giúp thuyết phục các bên liên quan đầu tư vào năng lực AI của công ty.
Tìm kiếm một dự án vừa đơn giản, vừa có giá trị, lại vừa khả thi không hề đơn giản. Để tìm các dự án đáp ứng tiêu chí, Veljko Krunic, tác giả cuốn Succeeding with AI, đề xuất các bước sau.
- Xác định các vấn đề kinh doanh.
- Động não các giải pháp AI cho vấn đề kinh doanh.
- Ước lượng tính khả thi kỹ thuật và độ phức tạp của dự án.
- Xác định các chỉ số kinh doanh để đo lường giá trị của dự án AI.
- Ước lượng giá trị kinh doanh dựa trên các chỉ số kinh doanh.
Thực hiện các bước này thì đơn giản trên lý thuyết nhưng tinh tế trong thực hành. Đặc biệt, lựa chọn chỉ số kinh doanh có thể không hiển nhiên ngay. Phần tiếp theo nêu cách lựa chọn các chỉ số kinh doanh.
Đo lường dự án AI bằng các chỉ số kinh doanh
Giá trị kinh doanh của một dự án AI có thể đo bằng các chỉ số kinh doanh phù hợp. Tuy vậy, việc đo lường hiệu suất của hệ thống AI bằng chỉ số kinh doanh có thể đi ngược trực giác với nhiều người làm AI.
Các mô hình machine learning thường được đo bằng các thước đo đánh giá hiệu suất kỹ thuật trên một tập dữ liệu, chứ không phải chỉ số kinh doanh định lượng giá trị của nó đối với doanh nghiệp. Đây là thực hành phổ biến trong học thuật, nơi tiến bộ của thuật toán machine learning được gắn với các chuẩn mực kỹ thuật khách quan, có thể định lượng. Tuy nhiên, các hệ thống AI trong thế giới thực gắn với kết quả hữu hình vượt ra ngoài độ chính xác, như doanh thu, chi phí và sự hài lòng của khách hàng.
Do đó, cần kết nối hiệu suất kỹ thuật của hệ thống AI với các chỉ số kinh doanh. Thường thì mối liên hệ này không rõ ràng ngay. Theo Andrew Ng, đồng sáng lập Google Brain, các lãnh đạo kinh doanh và chuyên gia AI nên hợp tác và thống nhất về một chỉ số kinh doanh có thể dùng để đo lường và tối ưu hóa hiệu suất của hệ thống AI.
Trong quá trình này, sử dụng đường cong lợi nhuận (profit curve) có thể giúp thiết lập định lượng mối quan hệ giữa chỉ số kinh doanh và kỹ thuật, như được đề xuất trong cuốn Data Science for Business. Cách này chuyển đổi tiến bộ kỹ thuật sang ngôn ngữ kinh doanh, cho phép lãnh đạo trả lời các câu hỏi như ‘thêm bao nhiêu doanh thu với mức tăng 1% về độ chính xác?’
Hình 1: Minh họa một đường cong lợi nhuận liên kết độ chính xác của hệ thống AI với lợi nhuận thu được
Cách truyền đạt giá trị của một dự án AI
Giao tiếp giữa những người làm machine learning thường xoay quanh thuật ngữ kỹ thuật về mô hình, điều đó là hợp lý. Tuy nhiên, điều này không có ý nghĩa với đối tượng không chuyên, những người quan tâm nhiều hơn đến tác động kinh doanh của mô hình hơn là mức cải thiện 1% về độ chính xác.
Một người làm AI có thể tránh cái bẫy này bằng cách luôn ghi nhớ đối tượng mục tiêu khi thảo luận cập nhật về dự án AI. Đặc biệt, họ nên lưu ý rằng cải thiện chỉ số kinh doanh có mức ưu tiên cao hơn chỉ số kỹ thuật đối với các bên liên quan trong doanh nghiệp. Họ cũng có thể tận dụng kỹ thuật kể chuyện bằng dữ liệu để truyền tải cách các dự án AI có thể giúp cải thiện chỉ số kinh doanh — dù là nâng cao trải nghiệm khách hàng, tăng tỷ lệ giữ chân, hay giảm chi phí.
Triển khai hệ thống AI và pipeline machine learning luôn song hành
Chúng ta đã thấy hệ thống AI khác hệ thống phần mềm truyền thống như thế nào. Cụ thể, hệ thống AI không cần lập trình viên mã hóa tường minh logic vì nó có thể học mẫu hình từ dữ liệu. Để điều này xảy ra, trước hết cần xây dựng pipeline tiếp nhận dữ liệu cần thiết, biến đổi và cung cấp cho hệ thống AI.
Vì vậy, hệ thống AI không chỉ gồm thuật toán machine learning mà còn có pipeline machine learning (ML). Pipeline này mô tả luồng dữ liệu từ đầu đến cuối, bao gồm cách dữ liệu được thu thập, biến đổi, sử dụng, trình bày và giám sát.
Các pipeline machine learning là một phần của hệ thống phần mềm lớn hơn. Quy trình phát triển pipeline machine learning và một hệ thống phần mềm điển hình phần lớn tương đồng. Trong số những điều khác, nhu cầu về kỹ sư dữ liệu giỏi, sử dụng quy trình phát triển phần mềm tương tự DevOps, và tầm quan trọng của bảo mật là những chủ đề chung khi phát triển cả dự án AI và phần mềm.
Dưới đây là ví dụ về một pipeline ML của hệ thống thị giác máy tính phát hiện bất thường trong quy trình sản xuất điện thoại. Pipeline ML giản lược này phát hiện lỗi điện thoại bằng ảnh và hỗ trợ công việc của đội kiểm soát chất lượng.
Hình 2: Pipeline ML giản lược của một nhà sản xuất điện thoại
Từ ví dụ này, ta thấy thiết kế pipeline machine learning phụ thuộc rất lớn vào dữ liệu, thuật toán và bài toán kinh doanh. Hiếm khi tồn tại một pipeline machine learning phù hợp với mọi trường hợp.
Một pipeline hoàn chỉnh còn bao gồm thu thập dữ liệu, trích xuất đặc trưng, kiểm chứng dữ liệu, giám sát kết quả, v.v., khiến nó rộng và rất phức tạp, theo bài báo có ảnh hưởng lớn của Google. Đây là lý do tại sao thường có một đội Kỹ sư Machine Learning chuyên trách xây dựng và vận hành pipeline.
Xây dựng hệ thống ML vững chắc ngay từ đầu để giảm thay đổi tốn kém
Việc triển khai hệ thống machine learning có thể không như kỳ vọng, có thể do thay đổi dữ liệu, điểm yếu của mô hình hoặc lỗi trong pipeline. Khi điều này xảy ra, những người muốn cải thiện hệ thống có thể đề xuất thay đổi lớn với pipeline hiện có, nhưng rồi thất vọng nhận ra pipeline machine learning nhanh chóng trở nên khó thay đổi khi đã được triển khai.
Veljko Krunic gọi quá trình này là “sự hóa cứng của pipeline ML.” Lực ì thay đổi đến từ thách thức khi sửa đổi mã nguồn của một dự án kỹ thuật phức tạp như vậy. Các nhóm kinh doanh, những người lường trước hiệu ứng lan tỏa của thay đổi pipeline đến vận hành, cũng có thể phản đối. Trong ví dụ ở Hình 2 phía trên, nếu khả năng thuật toán tự động gắn cờ điện thoại bất thường giảm mạnh, việc tuyển bổ sung nhân sự để kiểm tra thủ công có thể mất hàng tuần.
Thực hiện thay đổi lớn đối với các dự án AI đã hóa cứng rất tốn kém. Việc đại tu có thể cần thiết khi một pipeline machine learning bằng chứng khái niệm, không thể mở rộng, được đưa vào sản xuất. Dù vậy, sự hóa cứng của pipeline ML thường khó tránh.
Vì thế, các công ty muốn quản lý dự án AI nên hướng tới triển khai đúng pipeline ngay từ đầu. Quản trị vận hành mô hình machine learning (MLOps) là lĩnh vực đang phát triển giúp tổ chức đạt mục tiêu này. Các công cụ và thực hành MLOps cung cấp quy trình phát triển machine learning đầu-cuối để thiết kế, xây dựng và quản lý phần mềm vận hành bằng ML có thể tái lập, kiểm thử và lặp lại. Điều này cho phép đội dữ liệu triển khai tích hợp liên tục và phân phối liên tục cho pipeline machine learning, giám sát trôi dạt dữ liệu và duy trì khả năng giải thích của pipeline.
Xây dựng năng lực của đội ngũ để quản lý hiệu quả các dự án AI
Quản lý một dự án AI không hề dễ. Một tổ chức cần nhiều hơn là chỉ nhân sự kỹ thuật giỏi để xây dựng dự án AI. Họ cũng cần văn hóa dữ liệu lan tỏa và năng lực hiểu biết dữ liệu mạnh để xúc tác cho việc ứng dụng AI. Tương tự như việc triển khai dự án AI cần thời gian, các chương trình giáo dục năng lực dữ liệu cũng là quá trình dài hơi.
Đó là lúc DataCamp for Business có thể giúp bằng cách cung cấp nền tảng học tập tương tác cho các công ty cần nâng cấp và đào tạo lại kỹ năng dữ liệu cho nhân sự. Với các chủ đề từ kỹ thuật dữ liệu đến machine learning, hơn 1.600 công ty tin dùng DataCamp for Business để nâng tầm đội ngũ.
Chưa rõ năng lực dữ liệu của đội bạn? Hãy làm đánh giá mức độ trưởng thành dữ liệu của chúng tôi.
