Sử dụng trí tuệ nhân tạo để giúp nhân viên làm việc hiệu quả hơn

Các hệ thống này, gần giống với trí thông minh của con người, đang chứng tỏ sự mạnh mẽ hơn các hệ thống điều khiển dữ liệu lớn xuất hiện trước chúng. Và chúng có thể ảnh hưởng sâu sắc đến 48% lực lượng lao động tri thức tại Mỹ và hơn 230 triệu lao động tri thức trên toàn cầu. Nhưng để tận dụng tối đa khả năng thông minh của trí tuệ nhân tạo, các doanh nghiệp sẽ cần thiết kế lại các quy trình và công việc.

Trong số hơn 150 chuyên gia tham gia một cuộc khảo sát toàn cầu về trí tuệ nhân tạo trong doanh nghiệp, gần 60% cho biết rằng các mô tả công việc cũ của họ đang nhanh chóng trở nên lỗi thời trong sự hợp tác mới với trí tuệ nhân tạo. 70% cho biết rằng họ sẽ cần được đào tạo và đào tạo lại (và học tại chỗ) do các yêu cầu mới để làm việc với trí tuệ nhân tạo. Và 85% đồng ý rằng các giám đốc điều hành phải tham gia vào nỗ lực chung của việc thiết kế lại vai trò và quy trình của các công việc tri thức. Khi các giám đốc điều hành bắt tay vào công việc tái hiện cách thức tận dụng kiến ​​thức tốt hơn thông qua trí tuệ nhân tạo, đây là một số nguyên tắc họ có thể áp dụng:

Hãy để các chuyên gia nói với trí tuệ nhân tạo: Việc sử dụng Trí tuệ nhân tạo trong chẩn đoán y tế có khả năng trở nên phổ biến. Thông thường, khi trí tuệ nhân tạo đưa ra chẩn đoán, các thuật toán lý luận thường không rõ ràng đối với bác sĩ - người cuối cùng phải đưa ra lời giải thích cho bệnh nhân. Nhưng bây giờ, Google Brain đã phát triển một hệ thống mở hộp đen và cung cấp trình biên dịch cho con người. Chẳng hạn, một bác sĩ đang xem xét chẩn đoán ung thư bằng trí tuệ nhân tạo có thể muốn biết mức độ mà mô hình đã xem xét các yếu tố khác nhau mà bác sỹ cho là quan trọng, như độ tuổi của bệnh nhân, hay liệu bệnh nhân trước đó đã thực hiện hóa trị liệu hay chưa.

Công cụ Google cũng cho phép các chuyên gia y tế nhập các dữ liệu trong hệ thống mà họ cho là quan trọng và kiểm tra các giả thuyết của riêng họ. Chuyên gia có thể muốn cân nhắc liệu yếu tố nào mà hệ thống trước đây chưa xem xét, ví dụ như tình trạng của một số tế bào nhất định, đã làm thay đổi chẩn đoán.

Làm cho mô hình tuân theo các ý nghĩa thông thường. Khi mối lo ngại về an ninh mạng ngày càng gia tăng, các tổ chức đã tăng cường sử dụng các công cụ để thu thập dữ liệu tại các điểm khác nhau trong mạng của họ, để phân tích các mối đe dọa. Tuy nhiên, nhiều trong số các kỹ thuật điều khiển dữ liệu này không tích hợp dữ liệu từ nhiều nguồn. Chúng cũng không kết hợp những kiến ​​thức thông thường của các chuyên gia an ninh mạng, những người biết phạm vi và động cơ đa dạng của những kẻ tấn công, hiểu các mối đe dọa bên trong và bên ngoài điển hình và mức độ rủi ro cho doanh nghiệp.

Các nhà nghiên cứu tại Viện Alan Turing - Viện nghiên cứu khoa học dữ liệu và trí tuệ nhân tạo của Anh, đang cố gắng thay đổi điều đó. Cách tiếp cận của họ sử dụng mô hình Bayesian, một phương pháp phân tích xác suất, nắm bắt sự phụ thuộc lẫn nhau phức tạp giữa các yếu tố rủi ro và kết hợp dữ liệu với phán đoán. Trong an ninh mạng cho các mạng doanh nghiệp, các yếu tố phức tạp đó bao gồm một số lượng lớn các loại thiết bị trên mạng và kiến ​​thức của các chuyên gia bảo mật của tổ chức chuyên gia về các kẻ tấn công, rủi ro và nhiều thứ khác. Trong khi nhiều hệ thống an ninh mạng dựa trên trí tuệ nhân tạo kết hợp với việc ra quyết định của con người vào phút cuối, các nhà nghiên cứu của Viện nghiên cứu đang tìm cách để đại diện và kết hợp kiến ​​thức chuyên môn trong toàn hệ thống. Ví dụ, các chuyên gia phân tích bảo mật, hiểu biết về các động cơ và hành vi của một vụ tấn công trộm cắp IP và điểm khác biệt giữa chúng với một cuộc tấn công từ chối dịch vụ đã được lập trình rõ ràng vào hệ thống ngay từ đầu. Trong tương lai, kiến ​​thức của con người kết hợp với nguồn dữ liệu từ máy móc và mạng sẽ được sử dụng để huấn luyện các biện pháp bảo vệ an ninh mạng một cách hiệu quả hơn.

Sử dụng trí tuệ nhân tạo để giúp biến người mới thành chuyên gia được công nhận. Trí tuệ nhân tạo có thể nhanh chóng biến người mới bắt đầu thành những chuyên gia. Hewlett Packard đã chứng minh điều đó khi họ sử dụng nền tảng điện toán nhận thức AI lab của mình để phân tích dữ liệu có giá trị từ các cuộc gọi trong vòng hai năm cho một trung tâm cuộc gọi của khách hàng. Trung tâm cuộc gọi đã sử dụng một hệ thống cũ để định tuyến các cuộc gọi của khách hàng, dẫn đến thời gian chờ đợi lâu và việc hỗ trợ khách hàng kém chất lượng. Nền tảng điện toán nhận thức đã có thể xác định từng kỹ năng vi mô riêng của các điện thoại viên. Những hiểu biết về các điện thoại viên đã được nắm bắt từ các cuộc gọi trước đó.  Những kỹ năng vi mô này hiện được sử dụng để khớp các cuộc gọi đến với các điện thoại viên đã xử lý thành công các yêu cầu tương tự. Trung tâm hỗ trợ khách hàng đã nhận thấy sự cải thiện 40% trong tốc độ giải quyết trong lần liên hệ đầu tiên và giảm 50% tỷ lệ các cuộc gọi được chuyển tiếp.

Khi các đại lý dịch vụ khách hàng học các kỹ năng mới, phần mềm trí tuệ nhân tạo sẽ tự động cập nhật chuyên môn của họ, loại bỏ việc cập nhật hồ sơ kỹ năng một cách thủ công trong hồ sơ nhân sự của họ. Hơn nữa, khi một nhân viên trở nên hiểu biết hơn, phần mềm sẽ định tuyến các vấn đề phức tạp hơn cho nhân viên đó. Trong khi đó, phần mềm liên tục củng cố kiến ​​thức chuyên môn của nhân viên, giảm việc phải điều hướng hỗ trợ các kỹ năng vi mô cũng làm tăng hiệu quả khi chuyên gia đào tạo phần mềm. Điều đáng nói là có một số công ty khác đang thực hiện thử thách đào tạo lại này; ví dụ, ASAPP, một công ty khởi nghiệp đang được đánh giá cao, đang cung cấp các đề xuất theo thời gian thực cho đại diện dịch vụ khách hàng.

Sử dụng các kỹ thuật trí tuệ nhân tạo về dữ liệu để lập bản đồ quy trình làm việc của các chuyên gia. Bởi vì sự thiếu hụt chuyên gia trong một số lĩnh vực, họ không thể tạo ra một lượng lớn dữ liệu. Nhưng học sâu (deep learning) và học máy (machine learning) – những nền tảng cho sự phát triển của trí tuệ nhân tạo, cần hàng núi dữ liệu để đào tạo và xây dựng hệ thống từ đầu. Trong tương lai, con người sẽ thấy nhiều hệ thống từ trên xuống hơn đòi hỏi ít dữ liệu hơn cho việc xây dựng và đào tạo của chúng, cho phép chúng nắm bắt và thể hiện những kiến ​​thức chuyên môn của người lao động.

Hãy xem xét một cuộc thi gần đây được tổ chức bởi Phòng thí nghiệm xử lý hình ảnh y tế tại Bệnh viện Đại học Brest, Khoa Y và Viễn thông Bretagne ở Brittany, Pháp. Các đối thủ cạnh tranh muốn xem hệ thống hình ảnh y tế của ai có thể nhận ra chính xác nhất công cụ mà bác sĩ phẫu thuật đang sử dụng tại mỗi thời điểm trong một cuộc phẫu thuật đục thủy tinh thể xâm lấn tối thiểu. Người chiến thắng là một hệ thống thị giác trí tuệ nhân tạo được đào tạo trong vòng sáu tuần, chỉ với 50 video phẫu thuật đục thủy tinh thể trong 48 cuộc phẫu thuật. Các cuộc phẫu thuật này do một bác sĩ phẫu thuật nổi tiếng, một bác sĩ phẫu thuật có một năm kinh nghiệm và một bác sĩ thực tập. Hệ thống nhận dạng công cụ chính xác cho phép nhân viên y tế phân tích chặt chẽ các quy trình phẫu thuật và tìm cách cải thiện chúng. Các hệ thống như vậy có các ứng dụng tiềm năng trong việc tạo báo cáo, đào tạo phẫu thuật và thậm chí hỗ trợ quyết định theo thời gian thực cho các bác sĩ phẫu thuật trong phòng phẫu thuật trong tương lai.

Như những ví dụ này cho thấy, các kỹ sư và những nhà tiên phong trong các ngành công nghiệp đang thiết kế trí tuệ nhân tạo, để các chuyên gia dễ dàng đào tạo và đánh giá hơn, và có thể kết hợp kiến ​​thức cực kỳ quý giá và thường khan hiếm của họ. Để bắt đầu tận dụng những khả năng mới này, các tổ chức sẽ phải phân bổ chi tiêu cho trí tuệ nhân tạo của họ một cách phù hợp. Và để có được giá trị lớn nhất từ ​​cả hệ thống và nhân viên tri thức của mình, họ sẽ cần phải mô phỏng lại cách các chuyên gia và máy móc tương tác với nhau. Cũng giống như ngày nay, các hệ thống máy học tăng cường khả năng của những người lao động bình thường, các hệ thống của ngày mai sẽ nâng cao hiệu suất của những người lao động tri thức lên mức độ mới, cao hơn so với trước đây.