by Mark Schwartz | on 08 MAY 2024 | in Best Practices, Thought Leadership | Permalink |  Comments |  Share

Khi đối mặt với một công nghệ thay đổi cuộc chơi như AI tạo sinh, thử nghiệm là một cách tuyệt vời để tìm hiểu nó có thể làm gì và cách sử dụng nó. Thực tế, chúng tôi tại AWS thấy rất nhiều công ty đang làm chính xác điều đó, trở nên tinh vi hơn và có thể đặt ra những câu hỏi thông minh hơn về hướng đi của công nghệ và ý nghĩa của nó đối với họ. Tuy nhiên, chúng tôi cũng thấy nhiều công ty bị mắc kẹt trong giai đoạn chứng minh khái niệm, không bao giờ thực sự đưa vào sản xuất mặc dù các chứng minh khái niệm của họ dường như đã thành công.

Có thể là vì họ cảm thấy rủi ro. Điều đó không đáng ngạc nhiên; truyền thông đầy những câu chuyện về sự ảo tưởng của AI, ngôn từ độc hại, thiên kiến và sự thiếu chính xác. Triển khai công nghệ mới luôn mang theo rủi ro, các nhà lãnh đạo phải quản lý những rủi ro này ở mức chấp nhận được. Thậm chí việc tuyển dụng và triển khai một con người cũng mang theo một số rủi ro này – họ cũng có thể thể hiện thiên kiến hoặc cung cấp thông tin không chính xác. Như với bất cứ điều gì mà doanh nghiệp làm, triển khai các ứng dụng AI sinh mẫu là vấn đề giảm thiểu rủi ro cho đến khi lợi ích của các khả năng mới vượt trội hơn. Có những cách để quản lý rủi ro AI và chắc chắn sẽ còn nhiều cách hơn nữa trong tương lai.

Một số nhà lãnh đạo cũng đủ khôn ngoan để lo lắng về chi phí trong tương lai khi các ứng dụng AI sinh mẫu của họ được sử dụng trên quy mô lớn. Nhưng một trong những mục tiêu của chứng minh khái niệm (POC) nên là có được cảm nhận về các chi phí có thể xảy ra. Và những chi phí này có lẽ sẽ giảm theo thời gian khi các mô hình nền tảng tiến hóa, khi các nhà cung cấp cạnh tranh, và khi các doanh nghiệp được cung cấp các lựa chọn mô hình có các đặc điểm về giá cả/hiệu suất khác nhau.

Nhưng tôi tự hỏi liệu đây có thực sự là vấn đề về rủi ro hay không. Có lẽ vấn đề thực sự là nhiều công ty không thực sự cam kết triển khai các ứng dụng chứng minh khái niệm (POC) vào sản xuất. Không cần quá chú trọng vào thuật ngữ (ví dụ, thí nghiệm, chứng minh khái niệm, thử nghiệm, v.v.), điều quan trọng là phải lưu ý rằng chứng minh khái niệm nhằm giảm thiểu rủi ro và tìm hiểu về một ứng dụng mà doanh nghiệp dự định triển khai. Các doanh nghiệp thường xác định một mục tiêu kinh doanh, lập kế hoạch sử dụng công nghệ để đạt được nó, ghi nhận các rủi ro hoặc thách thức liên quan, và sau đó thiết kế một chứng minh khái niệm để giảm thiểu các rủi ro và thách thức trước khi cam kết đầu tư toàn diện. Có một định nghĩa rõ ràng về thành công: giảm thiểu những rủi ro bạn lo sợ, tìm hiểu những gì sẽ liên quan đến việc triển khai, hoặc đạt được bất cứ điều gì mà chứng minh khái niệm dự định đạt được. Chứng minh khái niệm là một bước tiến đến việc triển khai công nghệ để đáp ứng một mục tiêu kinh doanh có giá trị. Đúng là, việc triển khai có thể bị hủy bỏ nếu chứng minh khái niệm cho thấy nó không khả thi hoặc quá rủi ro. Nhưng quá trình bắt đầu với ý định sử dụng công nghệ vì mục tiêu kinh doanh đó được coi là đáng để giải quyết.

Hãy đối chiếu điều đó với nhiều thí nghiệm AI tạo sinh hiện nay. Một công ty xác định 100 trường hợp sử dụng có thể có và thử một mô hình nền tảng để xem nó có thể đáp ứng từng trường hợp như thế nào. Đây là một cách tiếp cận tuyệt vời ban đầu để tìm hiểu công nghệ và lấy cảm hứng cho cách sử dụng nó. Các công ty nên thử nghiệm. Nhưng đó không phải lúc nào cũng là con đường tốt để đưa vào sản xuất.

Trước hết, phương pháp này chỉ kiểm tra mô hình nền tảng, trạng thái hiện tại của nó và các lời nhắc cũng như tích hợp. Nó không kiểm tra trường hợp kinh doanh. Thứ hai, không có định nghĩa rõ ràng về thành công, vì công ty không bắt đầu với ý định triển khai và không xác định những rủi ro cụ thể cần giảm thiểu để đạt được điều đó, kết quả của chứng minh khái niệm chỉ có thể là “Điều đó thật tuyệt!”. Thứ ba, chứng minh khái niệm không giảm thiểu một cách có hệ thống các rủi ro sẽ được nêu ra khi đến lúc triển khai. Và thứ tư, các nguồn lực không sẵn sàng để đưa nó vào sản xuất: một trường hợp kinh doanh sẽ cần được lập sau đó để có được các nguồn lực đó. Tốt nhất, nguyên mẫu đã cho thấy rằng một ứng dụng có thể làm điều gì đó liên quan trong một trường hợp sử dụng; nhưng điều đó còn xa mới có thể chứng minh một trường hợp kinh doanh.

Bây giờ khi tất cả chúng ta đã có cơ hội thử nghiệm với AI tạo sinh và tiến hành các thí nghiệm để tìm hiểu thêm, đã đến lúc tập trung vào việc thu được giá trị từ nó. Giống như với các công nghệ khác mà chúng ta đã triển khai trước đây, điều này liên quan đến việc tìm kiếm các mục tiêu kinh doanh quan trọng có thể được đáp ứng với công nghệ này, phác thảo một trường hợp kinh doanh, quản lý rủi ro, đảm bảo nguồn lực và đưa vào sản xuất. Đây không phải là vấn đề thử nghiệm với các trường hợp sử dụng; mà là thiết kế một giải pháp cho một vấn đề kinh doanh quan trọng và tiến tới giải quyết nó. Mô hình tư duy này dẫn đến việc đưa vào sản xuất một cách tự nhiên.

Trên con đường này, bạn sẽ nhận ra rằng các ứng dụng AI tạo sinh đạt chuẩn sản xuất cần có bảo mật đạt chuẩn sản xuất, bảo vệ quyền riêng tư, tuân thủ quy định, tính linh hoạt, quản lý chi phí, hỗ trợ vận hành và khả năng phục hồi. Hầu hết các ứng dụng AI sinh mẫu cần được tích hợp với các ứng dụng doanh nghiệp khác, kết nối với các nguồn dữ liệu của doanh nghiệp và được kiểm soát bởi các biện pháp bảo vệ của doanh nghiệp.

Một chứng minh khái niệm thực sự (không phải là một thí nghiệm học tập) bao gồm một con đường triển khai với tất cả các tính năng doanh nghiệp. Bạn sẽ muốn bổ sung vào chứng minh khái niệm, kiểm tra nó trong các tình huống thực tế, áp dụng mô hình bảo mật của doanh nghiệp của bạn và thực hiện tất cả các hoạt động khác mà chúng ta thường làm trong lĩnh vực Công nghệ thông tin doanh nghiệp.

Điều này phù hợp với tầm nhìn của AWS đối với AI tạo sinh (và học máy cổ điển cũng như các công nghệ tương lai). Điều quan trọng là công nghệ có thể giúp khách hàng của AWS đạt được mục tiêu kinh doanh, sứ mệnh hay xã hội như thế nào—không phải chính công nghệ đó. Chúng tôi thiết kế và xây dựng các công cụ AI của mình từ đầu để đáp ứng các tiêu chuẩn khắt khe về bảo mật và độ tin cậy của chúng tôi và để phù hợp với các khung doanh nghiệp hiện có cho tuân thủ, rào cản, khả năng vận hành và quản lý dữ liệu. Chúng được thiết kế để linh hoạt: ví dụ, Amazon Bedrock cung cấp quyền truy cập vào nhiều mô hình nền tảng thông qua một API duy nhất, làm cho việc tận dụng các mô hình mới trở nên dễ dàng khi chúng phát triển. Claude 3 của Anthropic, mô hình thành công nhất hiện nay theo các tiêu chuẩn của ngành, cũng có sẵn qua API đó, cũng như các mô hình khác cung cấp các sự lựa chọn khác nhau về giá cả, tốc độ và độ chính xác. AWS luôn hình dung AI tạo sinh sẽ chiếm một vị trí trong bộ sưu tập công nghệ rộng lớn hơn của doanh nghiệp.

Nếu bạn đang nghiêm túc về việc sử dụng AI tạo sinh để đạt được một mục tiêu kinh doanh đã biết và quan trọng, hãy coi nó như một tính năng đang trên con đường đến sản xuất và tạo ra giá trị. Chứng minh khái niệm là một cách quan trọng để quản lý rủi ro và xác nhận trường hợp kinh doanh của bạn—không phải là trường hợp cho công nghệ mà là cho chức năng kinh doanh mà bạn tạo ra với nó.

Bạn sẽ không bao giờ giảm thiểu rủi ro của mình xuống bằng không vì luôn có rủi ro khi triển khai thứ gì đó mới (ngay cả, như tôi đã nói trước đó, là nhân viên). Nhưng bạn có thể làm việc để giảm thiểu những rủi ro này xuống một mức chấp nhận được và hoạt động trong khuôn khổ của AI có trách nhiệm. AWS đã làm phần việc nặng nhọc để giúp bạn giảm thiểu rủi ro: nó được thiết kế để trở thành cơ sở hạ tầng an toàn và đáng tin cậy nhất thế giới. Khung quản lý rủi ro mà bạn sử dụng cho các hệ thống IT khác của mình được áp dụng cho các ứng dụng AI sinh mẫu mới mà bạn triển khai. Con đường đến với sản xuất đã mở ra.

TAGS: AI, Business Value, Machine Learning