Giải pháp xây dựng nền tảng ứng dụng AI trong doanh nghiệp

“

Tóm tắt:
- Các doanh nghiệp (DN) cần phải sắp xếp lại các đơn vị trong mô hình kinh doanh để củng cố vị trí cạnh tranh trong bối cảnh trí tuệ nhân tạo (AI) đang ngày càng phổ biến.
- Các yếu tố quan trọng bao gồm việc chuẩn hóa nguồn nhân lực, tối ưu hóa tổ chức, và đổi mới nhờ AI.
- Xu hướng ứng dụng AI trong DN, từ đơn giản hóa phần cứng, sử dụng phần mềm như một dịch vụ SaaS, và những thay đổi trong các ngành công nghiệp do AI mang lại.
- Những thách thức và cơ hội khi xây dựng nền tảng ứng dụng AI, bao gồm chi phí, hiệu ứng mạng lưới và quy mô DN.
- DN phải quyết định giữa việc tự xây dựng nền tảng hoặc sử dụng các mô hình nền tảng của bên thứ ba, với nhiều yếu tố cần cân nhắc như bảo mật, chi phí, và hiệu suất.
- Các doanh nghiệp (DN) cần phải sắp xếp lại các đơn vị trong mô hình kinh doanh để củng cố vị trí cạnh tranh trong bối cảnh trí tuệ nhân tạo (AI) đang ngày càng phổ biến.
- Các yếu tố quan trọng bao gồm việc chuẩn hóa nguồn nhân lực, tối ưu hóa tổ chức, và đổi mới nhờ AI.
- Xu hướng ứng dụng AI trong DN, từ đơn giản hóa phần cứng, sử dụng phần mềm như một dịch vụ SaaS, và những thay đổi trong các ngành công nghiệp do AI mang lại.
- Những thách thức và cơ hội khi xây dựng nền tảng ứng dụng AI, bao gồm chi phí, hiệu ứng mạng lưới và quy mô DN.
- DN phải quyết định giữa việc tự xây dựng nền tảng hoặc sử dụng các mô hình nền tảng của bên thứ ba, với nhiều yếu tố cần cân nhắc như bảo mật, chi phí, và hiệu suất.

Doanh nghiệp (DN) cần sử dụng các mô hình kinh doanh dựa trên nền tảng, cung cấp dịch vụ CNTT và viễn thông (VT) thông qua một giao diện thống nhất kết nối khách hàng, kết nối chuyên gia và nhà cung cấp dịch vụ thậm chí là các trung tâm chăm sóc dịch vụ hoặc các đơn vị đại lý cung cấp dịch vụ.

Giới thiệu

Làm thế nào để sắp xếp lại các bộ phận trong mô hình kinh doanh có thể củng cố vị trí cạnh tranh của DN trong khi rất nhiều DN lớn trên thế giới đã và đang xây dựng nền tảng ứng dụng trí tuệ nhân tạo (AI) thành công. Một trong những công cụ trực quan được DN sử dụng và trích dẫn nhiều nhất là doanh thu, chi phí, thiết kế mô hình tổ chức và các đề xuất giá trị tương tác với nhau để xác định mô hình kinh doanh của DN nhằm xây dựng và ứng dụng AI có hiêu quả.

Ba thành phần cơ bản trong khung RCOV đó là nguồn lực (R) và năng lực (C) kết hợp với tổ chức (O) của doanh nghiệp trong mạng lưới giá trị (V) được tổ chức đề xuất giá trị thông qua việc cung cấp sản phẩm và dịch vụ, xác định cơ cấu cũng như khối lượng chi phí và doanh thu của DN từ đó xác định được tỷ suất lợi nhuận của doanh nghiệp, và cuối cùng là tính bền vững của DN (Hình 1).

Khung RCOV tạo thành một cách tiếp cận năng động và tiết kiệm đối với DN nó cho thấy rằng các doanh nhân và nhà quản lý cùng nhau xem xét các vấn đề về nguồn lực tích lũy và kết hợp tổ chức và giá trị được cung cấp.

Nhiều DN cung cấp dịch vụ đặc biệt về CNTT-VT rất cần tạo ra sự đổi mới mang tính chuyển đổi hoặc các phương thức quản lý mới. Trên thực tế, một số lượng lớn DN đã và đang áp dụng các hoạt động “đổi mới” nhờ xây dựng nền tảng ứng dụng AI và đã chứng tỏ họ thành công. Để hiểu rõ hơn về tác động của việc lựa chọn mô hình kinh doanh cụ thể đối với các biến số có liên quan chẳng hạn như đổi mới.

Rất nhiều đối tác và các nhà quản lý DN đã đặt câu hỏi về vị trí mà sự đổi mới khi xây đựng nền tảng ứng dụng AI mà tổ chức của họ cần là ở vị trí nào. Tổ chức có thời gian, có các biện pháp khuyến khích, có các nguồn lực và có các hoạt động khuyến khích đổi mới và quan trọng là có những quy trình được đặt ra để thực sự phát triển khả năng đổi mới nhờ ứng dụng AI. Mô hình kinh doanh hoạt động nhờ đổi mới từ bên trong sẽ giúp các tổ chức DN gắn kết các mô hình kính doanh với đổi mới DN khi xây đựng nền tảng mạng AI và ứng dụng AI (tham khảo Hình 2).

Để thực hiện đổi mới đầu tiên DN cần chuẩn hóa nguồn nhân lực có hiểu biết về AI đặc biệt là nhân tài về AI. Từ đó xây đựng tổ chức theo nhiệm vụ và chức năng theo mô hình kim tự tháp nhằm đảm bảo đúng vị trí và có tính mở rộng ở từng vị trí để có thể đem lại giá trị. Thực hiên công việc kiểm trả hàng ngày về chất lượng nguồn đảm nhiệm của từng vị trí hàng ngày. Tính đa dạng trong năng lực đáp ứng công việc cùng khả năng xử lý công việc trong thời gian cho phép và thái độ làm việc của các vị trí sẽ quyết định tỷ lệ luân chuyển cán bộ trong tổ chức DN.

Xu hướng ứng dụng AI trong DN

Xu hướng ứng dụng AI đã và đang làm thay đổi cơ bản sự phát triển của doanh nghiệp. Những xu hướng này bao gồm: xu hướng đơn giản hóa phần cứng, xu hướng chuyển sang đám mây và xu hướng gia tăng dữ liệu đang thúc đẩy DN chuyển đổi số. Thêm vào đó là sự gia tăng sử dụng phần mềm như một dịch vụ (SaaS). Một DN có khoảng 100 - 500 nhân viên có thể có hơn 100 ứng dụng CNTT chạy tại chỗ và trên đám mây.

Trên thực tế, chi phí SaaS cho mỗi nhân viên cao hơn chi phí của một PC phần cứng có cấu hình bình thường. Nhưng có một xu hướng khác đó là xu hướng trỗi dậy của ứng dụng AI ngày càng trở nên phổ biến gia tăng các yếu tố khác biệt và gia tăng sự cạnh tranh. Hình 3 cho thấy sự khác biệt giữa mô hình nền tảng số truyền thống và mô hình nền tảng số sau khi đổi mới có ứng dụng AI.

Ở mô hình nền tảng số truyền thống các khả năng phát triển phần mềm và vận hành ứng dụng được phân phối theo một cấu trúc có sẵn. Trong đó nền tảng ưu tiên các chức năng trong phần mềm và sự tuân thủ và có sự định hướng theo kiến trúc và theo chủ trương của lãnh đạo. Còn ở mô hình nền tảng số khi đổi mới có ứng dụng AI thì kỷ luật tạo ra sự tự phục vụ, thân thiện với người dùng trên các hệ thống, quy trình có độ phức tạp cao và cho phép phát triển phần mềm và vận hành ứng dụng. Trong đó, ưu tiên kinh nghiệm phát triển, năng suất và khả năng dự đoán và được quản lý bởi nhóm sản phẩm đáp ứng nhu cầu và cách sử dụng của người dùng làm thế nào để DN hỗ trợ một cách nhanh nhất.

Các yếu tố để DN đổi mới nhờ ứng dụng AI

Yếu tố kinh tế học khi ứng dụng AI

Thứ nhất, Sự khác biệt về năng suất của 5% DN được cấp bằng sáng chế AI đó là gấp khoảng hai đến ba lần so với các công nghệ trước đây. Theo như nhiều nghiên cứu của các chuyên gia trong lĩnh vực AI gần đây cho thấy sự gia tăng hiệu suất nhờ AI đặc biệt thuận lợi đối với các DN nhỏ và vừa.

Thứ hai, chi phí hiệu suất của AI đã tăng lên đáng kể trong những năm gần đây. Ví dụ như về nhận dạng hình ảnh, sử dụng ImageNet làm nghiên cứu, khả năng phát hiện hình ảnh với độ chính xác 80% vào năm 2015 lên tới 99% tại thời điểm hiện nay. Đó là sự phát triển gần như hoàn hảo và ít nhất là gia tăng sự đánh giá và quan sát sản phẩm và dịch vụ.

Yếu tố về công nghệ GPT

GPT là công nghệ đã ảnh hưởng đến tất cả các ngành. Gần đây, phần lớn các DN ứng dụng AI thành công đều tập trung ở một số lĩnh vực, chẳng hạn như dịch vụ công nghệ cao, tài chính, ngân hàng và y tế.

Hai năm qua chúng ta đã thấy rõ sức mạnh GPT AI. Ví dụ, đã có những đột phá đáng kể trong lĩnh vực chăm sóc sức khỏe và dược phẩm, nơi nhiều DN trong lĩnh vực này đã có tác động mạnh mẽ đến cơ cấu nền kinh tế. Trong lĩnh vực chăm sóc sức khỏe, chẩn đoán và tự động hóa thông minh có khả năng ngăn chặn lạm phát trong nền kinh tế của chúng ta mà không hạn chế khả năng tiếp cận các dịch vụ y tế. Trên thực tế trong lĩnh vực dược phẩm, nó đã được chứng minh là có tác động lớn đến việc đổi mới thuốc, chưa nói đến thời gian tiếp thị vắc xin. AI cũng đang được nhiều DN ứng dụng thành công trong sản xuất.

Yếu tố về cơ hội ứng dụng AI trên thế giới

Hiện tại, nguồn cung về ứng dụng AI tập trung vào các DN Mỹ và DN Trung Quốc, mỗi nước chiếm khoảng 30% DN AI trên toàn thế giới. AI vẫn đang lan rộng. Ví dụ châu Âu có nhiều tài sản trong sản xuất và nhiều DN B2B có giá trị gia tăng cao. Châu Âu cũng có lợi thế về robot và tự động hóa (24% bằng sáng chế và công ty) bằng sáng chế dịch vụ AI (22%).

Đội ngũ nhân tài AI của châu Âu không chỉ đang phát triển mạnh mẽ mà còn được coi là có lợi thế trong mắt những gã khổng lồ công nghệ AI như Google, Microsoft hay IBM, những tập đoàn này đã đầu tư các phòng thí nghiệm dựa trên AI của họ ở châu Âu. Hiện tại, các tập đoàn lớn của Mỹ phát triển các ứng dụng dựa trên AI ở châu Âu chiếm 20% nhưng ở Mỹ chỉ khoảng bằng 1/3.

Yếu tố về thành công cuả các kỳ lân dựa trên ứng dụng AI

Các DN công nghệ lớn thực sự đang nắm giữ một lượng lớn tài nguyên AI và nguồn tài trợ cho các dự án khởi nghiệp AI tiếp tục mở rộng. Năm ngoái, 20-25% kỳ lân là các DN khởi nghiệp dựa trên AI. Đây là một con số đáng kể so với tỷ lệ các DN khởi nghiệp được tạo ra, trong khi các DN hoạt động trong lĩnh vực công nghệ AI chỉ đạt được bước đột phá lớn từ 3 đến 5 năm, hoặc ít hơn thời gian trung bình để một DN trở thành kỳ lân.

Ngoài ra, vì không phải tất cả các DN đều có khả năng xây dựng và quản lý các nhà máy AI. Nên sẽ có một thị trường đang được xây dựng dựa trên việc cung cấp các giải pháp AI tự động. Thị trường này có thể phụ thuộc vào các thư viện mã nguồn mở phổ biến như TensorFlow do Google cung cấp. Thị trường cũng đang được phục vụ bởi một loạt các DN khởi nghiệp thành công, như DataBricks, Snorkel hoặc H20.ai.

Yếu tố về phần mềm 2.0

Nếu AI thực sự có sức lan tỏa và gây đột phá thì liệu phần mềm ứng dụng AI cũng có thể lan tỏa và phát triển đột phá để khiến phần lớn các DN phần mềm chưa ứng dụng AI trở nên lỗi thời? Dữ liệu và mô hình học máy dựa trên kiến trúc mạng thần kinh sẽ thay thế mã nguồn của con người? Nhưng ngay cả khi xu hướng này xuất hiện thì hầu hết các dự án Phần mềm 2.0 vẫn chưa thể hiện được sự thành công. Điều này phù hợp với tuyên bố rằng kinh tế học dựa trên AI không thể thay thế kinh tế truyền thống mà là bổ sung kể cả trong việc tạo phần mềm. AI có thể sẽ hoạt động nhiều hơn như một bộ công cụ giúp phần mềm phát triển tốt hơn. Ví dụ như tự động tạo mã cho một số mô-đun phần mềm hoặc tự động gỡ lỗi và kiểm tra thông minh.

Yếu tố về các nghề hot mới nổi

Kết hợp những thay đổi phần mềm dựa trên AI sẽ trở thành xu hướng chủ đạo, với tỷ lệ chi phí/hiệu suất dẫn đến tăng năng suất đáng kể. Nền kinh tế của chúng ta sẽ xuất hiện một thế giới của sự cạnh tranh mới và các tổ chức mới. Số hóa đã thúc đẩy thế giới khởi nghiệp. Số hóa đã dẫn đến những gián đoạn lớn. Tác động của AI có khả năng đẩy nhanh sự thay đổi này bởi vì AI đang mở rộng quy mô trên tất cả các nghành ví dụ như lĩnh vực ô tô. Số hóa đã tạo ra các loại công việc mới (nghề SEO giúp từ khóa tìm trên Google lên top đầu), hay các mô hình kinh doanh mới (dựa trên nền tảng để phân phối sản phẩm). Cùng với AI, nhu cầu về an ninh mạng gia tăng mạnh, sự phát triển của nơi làm việc tự động và một loạt các DN mới về AI.

Giải pháp xây dựng nền tảng ứng dụng AI trong DN

Những DN nào sẽ thu được nhiều giá trị nhất từ những khoản đầu tư này? Hàng chục ứng dụng đã được ra mắt trong vài tháng qua, nhiều ứng dụng trong số đó có thể mang lại hiệu suất tương đương với các ứng dụng phổ biến hiện nay.

Tuy nhiên, thị trường dành cho các ứng dụng mô hình nền tảng rất có thể bị hợp nhất hoặc bị chuyển giao tới một số ít DN lớn giống như cách mà hầu hết thị phần (và giá trị) cho các dịch vụ đám mây đã bị những DN như Amazon, Google và Microsoft chiếm giữ. Có ba lý do khiến hầu hết các DN khởi nghiệp trong lĩnh vực cơ sở hạ tầng đám mây đều thất bại (hoặc bị các đối thủ lớn hơn mua lại) và những lý do đó cũng áp dụng cho xây dựng nền tảng ứng dụng AI trong CNTT-VT và trong sản xuất.

Thứ nhất là chi phí và năng lực cần thiết đe tạo ra và duy trì, cải thiện cơ sở hạ tầng kỹ thuật chất lượng cao. Điều này còn phức tạp hơn khi ứng dụng LLM, vì chi phí dữ liệu và tài nguyên tính toán cần thiết để đào tạo các mô hình này là rất cao. Bao gồm chi phí GPU, nguồn cung thấp so với nhu cầu của chúng. Chi phí tính toán cho lần đào tạo cuối cùng của riêng mô hình PaLM là 540 tỷ tham số còn của Google là khoảng từ 9 triệu đến 23 triệu USD, dựa trên ước tính bên ngoài (và tổng chi phí đào tạo có thể gấp vài lần số đó). Tương tự, khoản đầu tư của Meta vào GPU vào năm 2023 và 2024 ước tính là hơn 9 tỷ USD.

Ngoài ra, việc xây dựng mô hình nền tảng đòi hỏi quyền truy cập vào lượng dữ liệu khổng lồ cũng như thử nghiệm và dữ liệu chuyên môn đều rất tốn kém.

Thứ hai là hiệu ứng mạng lưới ở phía cầu. Khi hệ sinh thái xung quanh các cơ sở hạ tầng này phát triển thì các rào cản đối với những DN mới tham gia thị trường cũng tăng theo. Số lượng lời nhắc lớn nhất được cung cấp là dành cho ChatGPT và các trình tạo hình ảnh phổ biến Dall-E, Midjourney và Stable Diffusion. LLM mới có thể hấp dẫn từ quan điểm công nghệ, nhưng nếu người dùng có nhiều lời nhắc hoạt động tốt trong ChatGPT và không có lời nhắc nào được chứng minh cho LLM mới, người dùng có thể sẽ gắn bó với ChatGPT.

Mặc dù các kiến trúc cơ bản tương tự nhau giữa các LLM, nhưng chúng được thiết kế kỹ lưỡng và thúc đẩy các chiến lược hoạt động tốt với một LLM có thể không hoạt động tốt với các LLM khác. Trong khi đó, số lượng người dùng của ChatGPT lớn, thu hút các nhà phát triển xây dựng các plug-in trên đó. Hơn nữa, dữ liệu từ việc sử dụng LLM tạo ra một vòng phản hồi cho phép các mô hình được cải thiện. Nhìn chung, các LLM phổ biến sẽ cải thiện nhanh hơn các LLM nhỏ hơn vì chúng có nhiều dữ liệu người dùng hơn để làm việc và những cải tiến đó thậm chí còn mang lại nhiều người dùng hơn.

Thứ ba là tính kinh tế nhờ quy mô. Lợi ích từ phía nhà cung cấp tài nguyên tạo sinh và nhu cầu sẽ cho phép LLM có cơ sở khách hàng lớn có chi phí cho mỗi truy vấn thấp hơn so với LLM khởi nghiệp. Những lợi ích này bao gồm khả năng thương lượng mức giá tốt hơn từ các nhà cung cấp GPU và nhà cung cấp dịch vụ đám mây. Vì những lý do trên, mặc dù các mô hình nền tảng mới được phát hành thường xuyên thì kỳ vọng về thị trường mô hình nền tảng sẽ hợp nhất xung quanh một số DNlớn.

Xây dựng nền tảng ứng dụng LLM hay đi thuê?

Nhiều DN muốn thâm nhập vào thị trường dịch vụ AI tạo sinh sẽ phải quyết định xem có nên xây dựng ứng dụng dựa trên các mô hình nền tảng của bên thứ ba như GPT-4o, Genimi, Copilot, Adobe Firely.. hay xây dựng và lưu trữ LLM cho riêng DN của họ (xây dựng dựa trên các lựa chọn thay thế mã nguồn mở hoặc đào tạo chúng từ đầu).

Việc xây dựng dựa trên mô hình của bên thứ ba có thể gặp phải rủi ro về bảo mật, chẳng hạn như khả năng lộ dữ liệu độc quyền. Rủi ro này được giảm thiểu một phần vì cách sử dụng các nhà cung cấp LLM và đám mây đáng tin cậy có thể đảm bảo dữ liệu khách hàng được giữ bí mật và không được sử dụng để đào tạo và cải thiện mô hình của họ.

Một giải pháp tận dụng LLM mã nguồn mở, chẳng hạn như Llama 2 và Falcon 40B, mà không cần dựa vào các nhà cung cấp bên thứ ba như OpenAI. Điểm hấp dẫn của các mô hình mã nguồn mở là chúng cung cấp cho các DNquyền truy cập đầy đủ và minh bạch vào mô hình, thường rẻ hơn và có thể được lưu trữ trên các đám mây riêng. Tuy nhiên, các mô hình mã nguồn mở hiện đang tụt hậu so với GPT-4o, GPT-5 về hiệu suất đối với các tác vụ phức tạp như tạo mã và suy luận toán học.

Hơn nữa, việc lưu trữ các mô hình như vậy đòi hỏi kiến thức và kỹ năng kỹ thuật trong khi việc sử dụng LLM do bên thứ ba cũng cấp. Lưu trữ có thể đơn giản như đăng ký dịch vụ và sử dụng API của nhà cung cấp để truy cập các chức năng. Các nhà cung cấp đám mây ngày càng bắt đầu lưu trữ các mô hình mã nguồn mở và cung cấp quyền truy cập vào chúng thông qua API để giải quyết mối lo ngại hoặc một bài toán phát sinh.

Giải pháp xây dựng mô hình riêng cho DN ngay từ đầu. Câu hỏi LLM riêng tư và công đồng xoay quanh việc liệu một DN có đủ nguồn lực để triển khai, quản lý, duy trì và liên tục cải tiến công nghệ đó hay không. Các nhà cung cấp đang phát triển để hỗ trợ các nhiệm vụ không hề đơn giản này, nhưng sự hấp dẫn của việc mua sắm một cửa tại các nhà cung cấp cơ sở hạ tầng đám mây lớn đang cung cấp các mô hình nền tảng sẵn sàng hoạt động trên nền tảng của họ. Các tổ chức có quyền truy cập vào nhiều dữ liệu chất lượng cao trong các lĩnh vực cụ thể có thể có lợi thế trong việc tạo ra các mô hình chuyên biệt.

Cơ hội theo tên miền cụ thể

Đây là những thành phần tạo nên các lớp giá trị trong ngành AI tổng hợp. Cơ hội theo tên miền cụ thể. Hiệu suất của LLM được xác định bởi kiến trúc của mạng lưới thần kinh, mô hình, cũng như số lượng và chất lượng của dữ liệu mà nó được đào tạo. Các mô hình này yêu cầu lượng về dữ liệu lớn, xử lý dữ liệu hiệu suất cao và tạo ra nội dung chính xác, phù hợp, mạch lạc, rõ ràng, không thiên vị và ít gây ảo giác hơn, hoạt động trên quy mô hơn một nghìn tỷ mã thông báo (đơn vị văn bản cơ bản cho LLM, thường là một từ hoặc tiểu mục) dữ liệu Internet và hàng tỷ tham số (các biến của mô hình học máy có thể được điều chỉnh thông qua đào tạo).

LLM lớn nhất có hiệu suất tốt nhất trong nhiều nhiệm vụ khác nhau. Nhưng chất lượng dữ liệu và tính khác biệt có thể quan trọng không kém đối với hiệu quả của LLM và các mô hình được đào tạo hoặc tinh chỉnh trên dữ liệu theo miền cụ thể có thể hoạt động tốt hơn các mô hình có mục đích chung lớn hơn về các nhiệm vụ chuyên biệt trong các lĩnh vực cụ thể.

Tầm quan trọng của giao diện người dùng trong việc xây dựng nền tảng ứng dụng AI.

Các DN xây dựng ứng dụng trên các mô hình nền tảng (thường được gọi là trình bảo vệ GPT) phải đối mặt với câu hỏi hóc búa là các đối thủ cạnh tranh có thể dễ dàng sao chép chức năng của ứng dụng của họ bằng cách xây dựng trên các mô hình nền tảng tương tự hoặc vượt trội hơn. Trong trường hợp không có sự khác biệt dựa trên mô hình hoặc dữ liệu, các DN sẽ cần phải tự phân biệt mình ở cuối quy trình, giao diện nơi trí tuệ máy móc kết nối người dùng. Lợi thế ở đây nằm ở các ứng dụng có lượng khách hàng ổn định.

Lấy ví dụ về GitHub Copilot, một công cụ lập trình viết mã được hỗ trợ bởi AI. Nó chạy trên trình tạo mã Codex của OpenAI (và gần đây là GPT-4o) và được phân phối thông qua GitHub, một nền tảng phát triển phần mềm thuộc sở hữu của Microsoft.

100 triệu nhà phát triển lập trình sử dụng GitHub mang lại cho nó lợi thế phân phối lớn so với các DN khởi nghiệp đang phát triển các sản phẩm tạo mã tương tự. Phân tích từ cơ sở người dùng lớn như vậy cũng mang lại cho GitHub một lợi thế khác biệt trong việc cải thiện mô hình và tích hợp nó vào nền tảng phát triển phần mềm của họ. (Tuy nhiên, nhiều DN sẽ phải đối mặt với thách thức trong việc cân bằng giữa việc nâng cao mô hình AI với những lo ngại về quyền riêng tư của người dùng).

Giải pháp xây dựng nền tảng ứng dụng AI sáng tạo

Hình 4 cho thấy các lớp và những thành phần tạo nên các lớp giá trị ứng dụng AI tổng hợp.

Từ Hình 4 cho thấy hiệu suất của LLM được xác định bởi kiến trúc của mạng lưới thần kinh, mô hình, cũng như số lượng và chất lượng của dữ liệu mà nó được đào tạo. LLM lớn nhất có hiệu suất tốt nhất trong nhiều nhiệm vụ khác nhau. Nhưng chất lượng dữ liệu và tính khác biệt có thể quan trọng không kém đối với hiệu quả của LLM và các mô hình được đào tạo hoặc tinh chỉnh trên dữ liệu theo miền cụ thể có thể hoạt động tốt hơn các mô hình có mục đích chung lớn hơn về các nhiệm vụ chuyên biệt trong các lĩnh vực cụ thể.

Hình 5 cho thấy tổ chức có quyền truy cập vào khối lượng lớn dữ liệu chất lượng cao trong các lĩnh vực cụ thể có thể có lợi thế hơn những tổ chức khác trong việc tạo ra nền tảng ứng dụng AI của DN.

Vấn đề bản quyền trong việc xây dựng nền tảng ứng dụng AI. Nhiều người sáng tạo nội dung đã nêu lên mối lo ngại về bản quyền và quyền sở hữu trí tuệ được sử dụng để đào tạo LLM.

Đối với các DN cung cấp các sản phẩm và dịch vụ AI mang tính sáng tạo? DN đang tìm cách tạo ra một mô hình nền tảng mới có thể gặp khó khăn trong việc cạnh tranh về hiệu suất của mô hình với những DN hiện có. Cách để cạnh tranh là nâng cao hiệu suất của mô hình hệ sinh thái và các công cụ giúp nhà phát triển ứng dụng dễ dàng tinh chỉnh hoặc áp dụng tạo và tăng cường tạo truy xuất RAG trên mô hình nền tảng.

Nếu một tổ chức có dữ liệu dành riêng cho miền quy mô lớn, LLM dành riêng cho miền sẽ cho phép tổ chức đó phân biệt với các mô hình có mục đích chung. Các DN đang tìm cách thử nghiệm và tích hợp AI tạo sinh vào quy trình làm việc hoặc sản phẩm của họ cần nhanh chóng phát triển sự rõ ràng và minh bạch về các trường hợp sử dụng AI. Một số tiêu chí liên quan được dựa trên câu trả lời cho ba câu hỏi:

Trường hợp sử dụng có bị kiểm soát không? Các DN trong các ngành được quản lý chặt chẽ, chẳng hạn như dịch vụ chăm sóc sức khỏe và tài chính, có thể phải tuân thủ nghiêm ngặt và gánh nặng kiểm toán khiến họ không thể lập kế hoạch phát triển và ra mắt sản phẩm trong các chu kỳ ngắn. Với sự tiến bộ nhanh chóng và những thay đổi trong các thế hệ AI, điều quan trọng là phải lặp lại nhanh, vì vậy chu kỳ sản phẩm nhiều năm không phải là nền tảng thử nghiệm lý tưởng cho thế hệ AI ngày nay.

2. Lỗi có thể quản lý được không? Kết quả đầu ra sai lệch là điều không thể tránh khỏi với AI tổng hợp. Có rất nhiều ví dụ về ảo giác LLM cũng như thành kiến trong văn bản và hình ảnh do AI tạo ra. Tương tự, có những ví dụ về các vấn đề bảo mật dữ liệu do doanh nghiệp sử dụng mô hình AI tạo sinh của bên thứ ba. Phát triển năng lực nội bộ trong việc phát hiện và khắc phục ảo giác AI cũng như đảm bảo bảo mật LLM và quyền riêng tư dữ liệu sẽ rất quan trọng.

DN có kiến thức về miền và dữ liệu duy nhất để kích hoạt và quản lý, tinh chỉnh, tạo và tăng cường truy xuất (RAG). Nếu một ứng dụng chỉ đơn thuần là một trình GPT thì chức năng này có thể dễ dàng sao chép và ứng dụng đó có thể không cung cấp bất kỳ lợi thế cạnh tranh nào cũng như không giải quyết được các thách thức riêng của ngành hoặc DN cụ thể. Việc tận dụng dữ liệu độc quyền của bên thứ nhất sẽ rất quan trọng để mang lại giá trị và xây dựng sự khác biệt.

Khi đã xác định được trường hợp sử dụng hấp dẫn, quyết định tiếp theo là tạo hoặc mua một mô hình và/hoặc các ứng dụng dựa trên nó có tính đến chiến lược của nhà cung cấp cũng như chiến lược và sự trưởng thành về công nghệ của chính tổ chức. Xây dựng một nhóm nội bộ có nhận thức về các công nghệ liên quan và các số liệu để đánh giá ROI là điều cần thiết để đưa ra quyết định sáng suốt. Do công nghệ này đang phát triển nhanh, quyết định xây dựng mô hình của riêng mình của DN phải tính đến khả năng không chỉ xây dựng mô hình mà còn tiếp tục phát triển mô hình đó để theo kịp thị trường.

Kết luận

Xây dựng nền tảng ứng dụng AI cho DN cần xem những nhiệm vụ phức tạp theo từng miền cụ thể nào có thể được giải quyết tốt horn bằng cách sử dụng dữ liệu độc quyền. Lợi thế độc quyền sẽ cho phép doanh nghiệp mang lại giá trị riêng cho khách hàng của mình. Khi chức năng của các dịch vụ và sản phẩm hỗ trợ AI của DN dễ dàng bị các đối thủ cạnh tranh sao chép, vì họ có dữ liệu tương tự hoặc vì LLM tổng quát có thể đạt được các khả năng tưong tự thì DN đó cần triển khai ngay các ứng dụng dựa trên lượng lớn dữ liệu khách hàng của chính DN, đây cũng chính là nguồn lợi thế cạnh tranh của DN.

“

Tài liệu tham khảo:
1. Innovation Insight: AI Networking Has the Potential to
Revolutionize Network Operations Published 15 May 2023 -
ID G00767496 By Analyst(s): Jonathan Forest, Andrew Lerner,
Tim Zimmerman.
2. Prompt Engineering for Generative AI by James Phoenix
and Mike Taylor Copyright c 2024 Saxifrage, LLC and Just
Understanding Data LTD. All rights reserved. Printed in the
United States of America. Published by O’Reilly Media, Inc.,
1005 Gravenstein Highway North, Sebastopol, CA 95472..
3. Principles of Data Science by Sinan Ozdemir Third edition:
Jan 2024 Production reference: 1120124 Published by
Packt Publishing Ltd. Grosvenor House 11 St Paul’s Square
Birmingham B3 1RB, UK ISBN 978-1-83763-630-3
4. Generative AI for Effective Software Development by Anh
Nguyen-Duc, Pekka, Abrahamsson, Foutse Khomh. © The
Editor(s) (if applicable) and The Author(s), under exclusive
license to Springer Nature Switzerland AG 2024
5. AI Magazine 3/2024

(Bài đăng ấn phẩm in Tạp chí TT&TT số 12 tháng 12/2024)