Bối cảnh thị trường và tiềm năng của Generative AI

Theo chia sẻ của ông Đặng Trần Thái, Trưởng phòng Xử lý ngôn ngữ tự nhiên VinBigdata, tại sự kiện Vietnam Web Summit 2024 diễn ra ngày 13/12, mức đầu tư vào Generative AI đã đạt 25 tỷ USD năm 2023, gấp 9 lần so với năm 2022. Đáng chú ý, Statista dự đoán giá trị thị trường GenAI dự kiến đạt 356 tỷ USD vào năm 2030 với tốc độ tăng trưởng kép (CAGR) đạt khoảng 46%.

Ông Đặng Trần Thái cho biết công nghệ GenAI đang được ứng dụng trong nhiều lĩnh vực như marketing và sales (34%), phát triển sản phẩm và dịch vụ (23%), công nghệ thông tin (17%), và các lĩnh vực khác (26%). Không chỉ là một công nghệ tiềm năng, GenAI còn mang tính cách mạng khi được ứng dụng rộng rãi trong các lĩnh vực như nghệ thuật, giáo dục, giải trí, chăm sóc sức khỏe và hành chính công.

“Từ việc tạo nội dung sáng tạo đến tối ưu hóa quy trình hoạt động, GenAI đang góp phần định hình lại cách các doanh nghiệp (DN) và tổ chức vận hành trong kỷ nguyên số”, ông Đặng Trần Thái nói và cho biết GenAI đang mang đến những giá trị to lớn, giúp DN tối ưu hóa vận hành và tiết kiệm chi phí.

Đại diện VinBigdata đã đơn cử các trường hợp như Morgan Stanley, một ví dụ tiêu biểu khi triển khai trợ lý ảo cho 15.000 nhân viên, giúp tiết kiệm đến 500.000 giờ làm việc mỗi năm. Hai công ty Microsoft và Epic cũng đã hợp tác để tích hợp GenAI vào hệ thống hồ sơ bệnh án điện tử (Electronic Health Records - EHR), qua đó giảm thời gian xử lý đến 40%.

Tại Volvo, việc ứng dụng GenAI trong quy trình sản xuất đã giúp giảm chi phí vận hành và hạ giá thành sản phẩm. Tương tự, L’Oréal đã tối ưu hóa các chiến dịch quảng cáo bằng cách sử dụng GenAI để sáng tạo nội dung nhanh chóng, nâng cao hiệu quả tiếp cận khách hàng.

Những thách thức và rào cản khi ứng dụng GenAI

Mặc dù GenAI mang lại nhiều giá trị, việc ứng dụng công nghệ này vẫn phải đối mặt với một số thách thức lớn. Theo đó, ông Đặng Trần Thái cho biết, thách thức đầu tiên là tính chính xác của GenAI thường không đảm bảo, do bản chất xác suất thống kê của mô hình.

“Hiện tượng "ảo giác" (hallucination) xảy ra khi GenAI tạo ra thông tin sai lệch, điều này có thể dẫn đến các quyết định kinh doanh không đúng đắn”, ông Thái nói. “Bên cạnh đó, độ phức tạp trong tùy chỉnh và vận hành cũng là một rào cản”.

Vì thế, để GenAI thực hiện đúng các nhiệm vụ đặc thù, DN cần đầu tư vào thiết kế lệnh (prompt engineering) hoặc tinh chỉnh mô hình (fine-tuning). Nhiều mô hình AI hiện tại được huấn luyện trên dữ liệu phổ quát, do đó khó đáp ứng các yêu cầu đặc thù nếu không được tùy chỉnh thêm.

Bên cạnh đó, vấn đề bảo mật dữ liệu cũng đặt ra thách thức không nhỏ. Phần lớn DN sử dụng GenAI thông qua các API (Application Programming Interface) của bên thứ ba như OpenAI hoặc Google, điều này dẫn đến lo ngại về việc bảo vệ dữ liệu, đặc biệt trong các ngành tài chính, ngân hàng và bảo hiểm.

Một số DN lựa chọn triển khai GenAI nội bộ (on-premise) để đảm bảo an toàn dữ liệu, nhưng cách tiếp cận này đòi hỏi chi phí hạ tầng rất lớn, khiến việc áp dụng rộng rãi trở nên khó khăn hơn. Theo ông Thái, để ứng dụng GenAI một cách hiệu quả, DN cần kết hợp công nghệ này với các công cụ truy xuất thông tin.

“Bằng cách sử dụng các mô hình ngôn ngữ lớn (LLM) cùng với hệ thống truy xuất thông tin, DN có thể đảm bảo rằng các câu trả lời được đưa ra dựa trên tài liệu chính thống, từ đó giảm thiểu rủi ro liên quan đến hiện tượng "ảo giác" và gia tăng tính chính xác, đặc thù cho các vấn đề cần giải quyết”, ông Đặng Trần Thái nói.

Ngoài ra, các kỹ thuật như Chain-of-Thought và Few-shot Learning đóng vai trò quan trọng trong việc hướng dẫn mô hình hoạt động hiệu quả. Chain-of-Thought giúp chia nhỏ các bài toán phức tạp thành từng bước đơn giản, nâng cao khả năng xử lý của GenAI, trong khi Few-shot Learning cho phép mô hình học và áp dụng từ một số ví dụ minh hoạ cụ thể, đặc biệt hữu ích khi đối mặt với các yêu cầu đặc thù mà không cần huấn luyện lại toàn bộ mô hình.

Cụ thể, Chain-of-Thought (Chuỗi tư duy) là một kỹ thuật huấn luyện hoặc vận hành các mô hình ngôn ngữ lớn (LLM), trong đó vấn đề phức tạp được chia nhỏ thành các bước tư duy logic, rõ ràng và có tuần tự. Mục tiêu của kỹ thuật này là cải thiện khả năng suy luận của mô hình bằng cách cung cấp một “chuỗi suy nghĩ” (cách giải quyết) cho bài toán.

Trong khi đó, Few-shot Learning (Học từ ít ví dụ) là khả năng của mô hình AI học và áp dụng một nhiệm vụ mới chỉ từ một số ít ví dụ minh họa, thay vì cần một lượng lớn dữ liệu huấn luyện như các phương pháp truyền thống.

Chain-of-Thought và Few-shot Learning thường được sử dụng cùng nhau để cải thiện hiệu suất của mô hình. Chẳng hạn, Few-shot Learning cung cấp các ví dụ hướng dẫn cụ thể cho mô hình. Còn Chain-of-Thought đảm bảo mô hình xử lý vấn đề theo từng bước logic, đặc biệt với các bài toán phức tạp. Kết hợp cả hai kỹ thuật giúp GenAI trở nên mạnh mẽ và hiệu quả hơn trong việc giải quyết các nhiệm vụ khó, đòi hỏi logic hoặc kiến thức chuyên sâu.

Một giải pháp khác là áp dụng công nghệ Function Calling, giúp GenAI kết nối và tương tác với các hệ thống bên ngoài như cơ sở dữ liệu, API hoặc thực hiện các phép tính phức tạp mà bản thân mô hình không thể tự xử lý.

Đối với những DN cần đảm bảo an toàn dữ liệu, triển khai GenAI nội bộ (on-premise) cũng là một lựa chọn khả thi, mặc dù cần cân nhắc kỹ lưỡng giữa lợi ích và chi phí để đảm bảo hiệu quả và an toàn dữ liệu mà không làm ảnh hưởng đến lợi nhuận. Theo chuyên gia, với những giải pháp này, DN không chỉ khai thác tối đa tiềm năng của GenAI mà còn vượt qua các rào cản, từ đó tạo ra những giá trị bền vững trong hoạt động và chiến lược phát triển.

Chỉ có con người mới có thể làm cho mọi thứ trở nên khả thi và thành công

Theo ông Nicolae Strospa, một lãnh đạo của Endava, công ty công nghệ chuyên về chuyển đổi số, kỹ thuật phần mềm và tư vấn CNTT, cho rằng AI có thể được hiểu đơn giản là một công cụ sử dụng dữ liệu để tạo ra giá trị. Tuy nhiên, đằng sau AI không chỉ là "hộp thần kỳ" mà là một hệ thống phức tạp với một lượng lớn dữ liệu và khoa học dữ liệu.

Ông Nicolae Strospa cho rằng để triển khai AI trong tổ chức, các công ty cần xác định rõ vấn đề mình muốn giải quyết và mục tiêu cần đạt được. AI không chỉ là công nghệ mà còn là một quá trình, bao gồm thu thập và xử lý dữ liệu, lựa chọn mô hình, huấn luyện và tinh chỉnh mô hình AI. Sau khi triển khai, công ty cần theo dõi và cải thiện mô hình AI liên tục.

Ngoài yếu tố khoa học và kỹ thuật, các công ty cũng phải đối mặt với các yếu tố pháp lý, đạo đức và bảo mật khi triển khai AI. Điều quan trọng là AI cần được áp dụng vào các hệ thống cốt lõi của doanh nghiệp.

“Trong khi chuyển đổi số trước đây chủ yếu tập trung vào các hệ thống kế thừa, thì giờ đây, với sự phát triển của AI, các công ty cần hiện đại hóa các hệ thống cốt lõi để tối ưu hóa hiệu quả và khả năng cạnh tranh. Chỉ khi đó, dữ liệu mới có thể được khai thác tối đa và mang lại trải nghiệm người dùng tốt hơn”, ông Nicolae Strospa nói.

“Cuối cùng, tôi muốn nhấn mạnh rằng, mặc dù AI có thể hỗ trợ rất nhiều, nhưng chỉ có con người mới có thể thực sự làm cho mọi thứ trở nên khả thi và thành công”./.

Anh Minh