Đối với một DN thiếu nguồn lực, quyết định về vấn đề này thường đi kèm với một loạt các cân nhắc, bao gồm mức độ sẵn sàng của AI, cơ sở hạ tầng hiện có và lượng giá trị thu được, so với nỗ lực cần thiết để hiện thực hóa chiến lược AI của họ. Rốt cuộc, rủi ro đối với các SMB thường lớn hơn.

Với chi phí quá cao cho sức mạnh tính toán và các chi phí khác cần thiết để triển khai các mô hình AI, nhiều DN không chỉ thiếu nguồn lực mà còn thường cần đến sự trợ giúp để xác định và thực hiện các mô hình ứng dụng tốt nhất.

Bất chấp sự ồn ào xung quanh GenAI, điều quan trọng là phải xác định được mô hình AI và cơ sở hạ tầng phù hợp với một DN cụ thể ngay từ đầu, thay vì tận dụng các công cụ AI hiện đang được quảng bá một cách thái quá.

Điều này cho phép các DN loại bỏ được các vấn đề liên quan đến việc chuẩn bị không đủ hoặc triển khai quá mức các nguồn lực của AI. Để chọn đúng mô hình AI, trước tiên nên xem xét cách AI có thể tạo thêm giá trị và thúc đẩy hiệu quả cho hoạt động của DN. Sau đó là tính sẵn sàng và quản trị dữ liệu. Với những rủi ro gia tăng khi tận dụng một công nghệ mới nổi như GenAI, việc duy trì chất lượng, bảo mật và quyền riêng tư của các tài sản dữ liệu phải là ưu tiên hàng đầu.

Tùy chỉnh hoặc đào tạo mô hình AI

Khi các DN bắt đầu hành trình GenAI, một số ví dụ về mô hình AI mà họ có thể triển khai là:

Mô hình được đào tạo trước: Được đào tạo trên các tập dữ liệu lớn, các mô hình được đào tạo trước cho phép người dùng đặt câu hỏi và nhận phản hồi, chẳng hạn như ChatGPT. Vì như vậy các nhà phát triển sẽ không cần phải xây dựng mô hình AI từ đầu, nên cách tiếp cận này sẽ có chi phí thấp nhất khi so sánh với các cách khác, nhưng kết quả lại là dành cho mục đích sử dụng chung, và không được tối ưu hóa cho bất kỳ ngành hoặc công ty cụ thể nào. Điều này có thể dẫn đến độ chính xác thấp hơn.

Tăng cường mô hình: Điều này cho phép các công ty nâng cấp mô hình GenAI của họ bằng cách thêm dữ liệu của riêng họ vào. Suy luận bằng AI, trong đó các mô hình AI có thể đưa ra dự đoán hoặc giải quyết các nhiệm vụ cụ thể, bao gồm các trường hợp sử dụng như thế hệ tăng cường truy xuất (RAG), cho phép mô hình AI truy xuất thông tin có liên quan từ các nhóm dữ liệu lớn như các tập dữ liệu dành riêng cho người dùng. Do đó, phản hồi không chỉ chính xác hơn mà còn cụ thể theo ngữ cảnh hơn.

Mô hình tinh chỉnh: Bằng cách điều chỉnh trọng số mô hình và kết hợp dữ liệu độc quyền, mô hình tinh chỉnh cho phép các DN tận dụng tối đa các mô hình của mình với phản hồi chất lượng cao hơn, với các mô hình được đào tạo để giải quyết các tác vụ cụ thể để có hiệu suất chính xác và chuyên biệt hơn. Tuy nhiên, điều này đòi hỏi nhiều nỗ lực hơn trong quá trình thiết lập so với các mô hình trước đó.

Đào tạo mô hình: Đây là quá trình xây dựng mô hình từ đầu và đào tạo mô hình bằng các tập dữ liệu được chọn lọc, đảm bảo đầu ra chính xác nhất. Tuy nhiên, quá trình này đòi hỏi một quá trình chuẩn bị dài và cần một lượng tài nguyên khổng lồ. Quá trình này thường được dành riêng để giải quyết các vấn đề cực kỳ phức tạp.

Lựa chọn sự kết hợp phù hợp giữa cơ sở hạ tầng được tối ưu hóa AI

Nhiều mô hình AI đòi hỏi có tính phí, công sức và kỹ năng mới, và điều này càng tệ hơn khi đây lại là những nguồn lực mà các DN SMB thường không có đủ.

Đó là lý do tại sao việc lựa chọn cơ sở hạ tầng phù hợp hỗ trợ đầu tư AI vẫn là thách thức cốt lõi đối với nhiều DN. Việc đầu tư vào cơ sở hạ tầng phù hợp nhất hỗ trợ triển khai như vậy phụ thuộc vào một số yếu tố: yêu cầu tính toán, cũng như loại mô hình, kích thước mô hình và số lượng người dùng. Đồng thời, việc có đủ dung lượng lưu trữ cho dữ liệu được sử dụng trong quá trình đào tạo và tinh chỉnh các mô hình AI là tối quan trọng.

Các mô hình nhỏ hơn cho hiệu quả cao hơn

Theo ông Juan Bernabe-Moreno, Giám đốc Nghiên cứu của IBM tại Anh và Ireland, "Tốt nhất là chọn các mô hình cụ thể cho các trường hợp sử dụng riêng của công ty, một cách tiếp cận tiết kiệm chi phí và năng lượng hơn. Ngoài ra, một mô hình phù hợp với tất cả đôi khi có thể gặp khó khăn về hiệu suất trên nhiều tác vụ, do đó các mô hình nhỏ hơn được tạo ra để phục vụ các nhu cầu cụ thể có thể hiệu quả hơn".

Những tiến bộ mới nhất đã chỉ ra rằng việc giảm kích thước của các mô hình AI được xây dựng theo mục đích của từng DN không gây nguy hiểm cho hiệu suất hoặc độ chính xác của chúng - một ví dụ là mô hình TinyTimeMixer (TTM) - một mô hình dự báo chuỗi thời gian được tạo ra để giúp các DN dự đoán tốt hơn những thay đổi theo thời gian trong một dự án, chứng khoán hoặc các biến kinh tế nhất định.

Với ít hơn 1 triệu tham số, TTM là mô hình nền tảng chuỗi thời gian được tải xuống nhiều nhất trên Hugging Face (công ty chuyên phát triển các công cụ tính toán để xây dựng các ứng dụng sử dụng máy học) trong cùng một cấu hình. Hugging Face cho biết, các mô hình nhỏ hơn, được xây dựng theo mục đích với một phần nhỏ số lượng tham số và tài nguyên đào tạo thường cung cấp các số liệu điểm chuẩn tương tự như các tùy chọn phù hợp với tất cả.

“

Tài liệu tham khảo:
1. https://www.dell.com/en-us/dt/solutions/artificial-intelligence/generative-ai.htm
2. https://www.silicon.co.uk/expert-advice/demystifying-ai-models-how-to-choose-the-right-ones
3. https://www.mckinsey.com/industries/financial-services/our-insights/scaling-gen-ai-in-banking-choosing-the-best-operating-model

Tuấn Trần