AWS Study Group

Dân chủ hóa GenAI thông qua Cổng Doanh nghiệp Toàn cầu (GEP)

Tác giả: David Sauerwein, Krithi Balasubramaniyan, và Volker Lang 

Ngày đăng: Ngày 9 tháng 5 năm 2025 

Danh mục: Automotive, Generative AI, Industries 

Trí tuệ nhân tạo tạo sinh (Generative Artificial Intelligence – GenAI) là một công nghệ đột phá có thể tạo ra nội dung mới và nguyên bản là một công nghệ đột phá có thể tạo ra nội dung mới và nguyên bản như văn bản, hình ảnh, âm thanh, video và mã phần mềm. Để tận dụng toàn bộ tiềm năng của công nghệ này, nhiều doanh nghiệp có thể dân chủ hóa GenAI thông qua một Cổng Doanh nghiệp Toàn cầu (Global Enterprise Portal – GEP) nhằm hỗ trợ các trường hợp sử dụng trên toàn bộ các đơn vị kinh doanh.

Các ứng dụng GenAI trải dài trên nhiều lĩnh vực trong đời sống cá nhân và công việc – từ tạo và chỉnh sửa nội dung, sáng tạo và giải trí, đến nghiên cứu, phân tích và ra quyết định [xem HBR, 2024].

Khi triển khai công nghệ này ở quy mô toàn cầu, các lãnh đạo doanh nghiệp và CNTT cần cân nhắc kỹ lưỡng giữa tập trung hóa và phân quyền [AWS Blog Post, 2021]. Sự đánh đổi này xác định những năng lực nào sẽ được cung cấp tập trung và những gì cần tùy chỉnh riêng theo từng trường hợp sử dụng.

Trong bài viết này, chúng tôi giới thiệu một khuôn khổ (framework) mới giúp dân chủ hóa và mở rộng GenAI thông qua GEP: 1 phương pháp cho phép tập trung hóa phần nền tảng, trong khi vẫn phân quyền đổi mới sáng tạo [AWS Blog Post, 2024]. Chúng tôi cũng trình bày hai ví dụ từ khách hàng để minh họa việc ứng dụng khuôn khổ GEP trong thực tế để mở rộng GenAI ở cấp độ toàn doanh nghiệp.

Hình 1: Những thách thức kinh doanh chính (hàng trên, màu xanh dương) mà các công ty hiện đang đối mặt liên quan đến dữ liệu và GenAI, cùng với các nguyên lý giải pháp (hàng dưới, màu xanh lá) được sử dụng để vượt qua chúng.

Khuôn khổ GEP

Khuôn khổ GEP được phát triển dựa trên phương pháp làm việc ngược (working backwards) [AWS Executive Insights, 2024] năm thách thức kinh doanh phổ biến liên quan đến dữ liệu và GenAI (như được mô tả trong Hình 1). Trước hết, doanh nghiệp đối mặt với các thách thức lớn về chất lượng dữ liệu vì dữ liệu sẵn có thường không có cấu trúc và không được quản lý cẩn thận [HBR Article , 2024]. Chất lượng dữ liệu kém khiến người dùng khó xây dựng các sản phẩm dữ liệu có giá trị, bao gồm cả tập dữ liệu huấn luyện đại diện cho các mô hình GenAI.

Thứ hai, các tài sản (như dữ liệu, mô hình, mã phần mềm, v.v.) thường bị phân tán trong toàn tổ chức hoặc bị cô lập trong các “kho dữ liệu biệt lập” (tức là các kho lưu trữ không thể truy cập bởi các phòng ban khác trong tổ chức).

Thứ ba, nhiều tổ chức gặp khó khăn đáng kể trong việc truy cập các tài sản kỹ thuật số giá trị. Nhiều tổ chức thiếu cấu trúc phân quyền rõ ràng cho các sản phẩm dữ liệu, giải pháp AI/ML, và mô hình GenAI, tạo ra rào cản khi các nhóm cố gắng tận dụng các tài nguyên này phục vụ mục tiêu kinh doanh riêng.

Thứ tư, việc thiếu cấu trúc phân quyền rõ ràng thường cản trở sự hợp tác hiệu quả và chia sẻ tài sản trong tổ chức.

Thứ năm, việc thúc đẩy các tiêu chuẩn AI có trách nhiệm, bảo mật và quyền riêng tư [AWS, 2025] rất tốn thời gian và phức tạp đối với khách hàng nếu không có GEP để dân chủ hóa sản phẩm dữ liệu [HBR, 2022] và năng lực GenAI.

Để vượt qua các thách thức này, Amazon Web Services, Inc. (AWS) đã xây dựng các nguyên lý giải pháp [AWS Blog Post, 2023] để hướng dẫn triển khai GEP. Cụ thể, các nguyên lý giải pháp trong GEP của AWS bao gồm:

  1. Năng lực quản lý tài sản doanh nghiệp cho phép tạo và quản lý tài sản ở quy mô lớn;
  2. Danh mục và kho lưu trữ tài sản [xem Atlan, 2024] để khám phá sản phẩm dữ liệu, tập dữ liệu huấn luyện, mẫu prompt, giao diện lập trình ứng dụng (API), mô hình AI/ML/GenAI và sự kiện, hỗ trợ xây dựng các quy trình tự động;
  3. Cổng thông tin doanh nghiệp hợp nhất cung cấp giao diện người dùng/trải nghiệm người dùng (UI/UX) liền mạch;
  4. Thiết kế đa tài khoản và đa vùng phù hợp với quy mô toàn cầu của tổ chức; và
  5. Năng lực quản trị đầu-cuối dựa trên các nguyên tắc AI có trách nhiệm của AWS [xem AWS Website, 2024], giúp khách hàng tạo chính sách, quy trình và hướng dẫn liên quan đến việc phát triển, triển khai và sử dụng mô hình AI/ML trong tổ chức.

Hình 2: Bậc Thang Tiếp Nhận GenAI mô tả lộ trình tạo ra giá trị kinh doanh theo thời gian.

Việc triển khai một GEP toàn diện thường tuân theo cách tiếp cận bốn giai đoạn tiến triển, được minh họa trong Bậc thang Tiếp nhận GenAI (GenAI Adoption Staircase) được thể hiện trong Hình 2. Cách tiếp cận này ghi nhận mối quan hệ nền tảng giữa dữ liệu, khả năng AI/ML truyền thống và công nghệ GenAI mới hơn. Trong khi giai đoạn đầu tiên liên quan đến việc xây dựng cơ sở hạ tầng gốc đám mây bao gồm AWS Landing Zone [AWS Prescriptive Guidance, 2024], giai đoạn thứ hai liên quan đến việc xây dựng các năng lực dữ liệu khác nhau, chẳng hạn như tạo sản phẩm dữ liệu và lập danh mục. Trong giai đoạn này, giá trị kinh doanh được tạo ra từ việc cho phép các trường hợp sử dụng liên quan đến chia sẻ và/hoặc thương mại hóa các sản phẩm dữ liệu [HBR Article, 2022]. Giai đoạn thứ ba nâng cao cơ sở hạ tầng hiện có bằng cách bổ sung các khả năng AI/ML, chẳng hạn như truy cập vào các mô hình AI/ML, đào tạo, suy luận và playgrounds để cho phép áp dụng AI/ML trên toàn tổ chức khách hàng. Giai đoạn cuối cùng tạo ra giá trị kinh doanh bằng cách cung cấp toàn cầu một tập hợp đa dạng các năng lực GenAI và cung cấp quyền truy cập vào cơ sở dữ liệu vector, mô hình nhúng và các mô hình ngôn ngữ lớn (LLMs) tiên tiến nhất có thể được sử dụng để triển khai các trường hợp sử dụng GenAI khác nhau [McKinsey Digital, 2024].

Khuôn khổ GEP của AWS, được hiển thị trong Hình 3, dựa trên mô hình nhà sản xuất – người tiêu dùng [AWS Blog Post, 2024]. Nó cho phép các nhà sản xuất tải lên tài sản—cụ thể là sản phẩm dữ liệu, mô hình, tập dữ liệu huấn luyện để tinh chỉnh mô hình và sự kiện—và cho phép người tiêu dùng truy cập các tài sản đó để triển khai trường hợp sử dụng của họ. Quyền truy cập vào GEP được cung cấp thông qua một giao diện tự phục vụ thống nhất tích hợp liền mạch với tất cả các tính năng của cổng thông tin thông qua các micro-frontend theo từng trường hợp sử dụng. GEP bao gồm ba loại năng lực, cụ thể là:

  1. Năng lực tập trung (Centralized Capabilities): Các năng lực có thể sử dụng lại được cung cấp cho tất cả người dùng, chẳng hạn như danh mục tài sản và theo dõi chi phí và bảo mật;
  2. Năng lực phân tán (Decentralized Capabilities): Các năng lực theo từng trường hợp sử dụng, chẳng hạn như công cụ tóm tắt văn bản hoặc dịch vụ dự báo nhu cầu, không được chia sẻ giữa nhiều trường hợp sử dụng;
  3. Năng lực lõi (Core Capabilities): Các năng lực được yêu cầu cho mọi môi trường đám mây. Điều này bao gồm AWS Landing Zone và các khả năng tính toán và lưu trữ được quản lý hoàn toàn và cung cấp tự động.

Hình 3: Thiết kế cấp cao của AWS GEP .Bên sản xuất (producers), bên tiêu thụ (consumers) và nhóm quản trị cổng có thể đăng nhập thông qua một cổng doanh nghiệp hợp nhất với giao diện người dùng (UI/UX) dễ sử dụng và tích hợp liền mạch. Cổng thông tin cung cấp nhiều năng lực khác nhau bao gồm: năng lực tập trung (Centralized) (đường liền, màu xanh lá), năng lực phân tán (Decentralized) (đường liền, màu xanh dương), và năng lực lõi (Core) (đường đứt đoạn, màu trắng) được hiển thị như ví dụ để đáp ứng nhu cầu của người dùng trên toàn doanh nghiệp.

Tính năng của giải pháp GEP

Khi phát triển một nền tảng doanh nghiệp bằng cách sử dụng khuôn khổ GEP, các tổ chức nên thiết lập các khung quản trị dữ liệu toàn diện trong giai đoạn hai của Bậc thang Tiếp nhận GenAI (Hình 2) để tránh việc mỗi trường hợp sử dụng tự theo đuổi một giải pháp “shadow GenAI” không được phê duyệt [MIT Sloan, 2024]. Khung quản trị này tạo nền tảng và tiếp tục phát triển khi GEP trưởng thành qua từng giai đoạn. Ví dụ, trong khi tài sản trong giai đoạn dữ liệu bị giới hạn ở dữ liệu có cấu trúc và phi cấu trúc, chúng có thể được mở rộng thành cơ sở dữ liệu vector, mô hình nền (FMs) đã được tinh chỉnh và các tác nhân LLM trong giai đoạn GenAI.

Trong phần còn lại của bài viết này, chúng tôi sẽ tập trung vào giai đoạn GenAI và giới thiệu tất cả các tính năng giải pháp cần thiết để mở khóa giai đoạn GenAI, cụ thể là:
(1) giao diện API hợp nhất và tự phục vụ để đẩy nhanh phát triển trường hợp sử dụng;
(2) chợ GenAI thúc đẩy sự tiếp nhận trên toàn doanh nghiệp;
(3) trí tuệ vận hành;
(4) thiết kế đa vùng và đa tenant.

Giao diện API hợp nhất và tự phục vụ để đẩy nhanh phát triển trường hợp sử dụng

GEP cung cấp quyền truy cập vào các mô hình nền đã được phê duyệt, chẳng hạn như LLMs và mô hình tạo hình ảnh, thông qua một lớp API tiêu chuẩn hóa giúp giải quyết sự phức tạp trong việc truy cập các mô hình khác nhau, bao gồm Amazon Bedrock, bên thứ ba và các giải pháp tự triển khai. Lớp API này cho phép nhà phát triển dễ dàng chuyển đổi giữa các mô hình mà không cần viết lại mã để phù hợp với API của nhà cung cấp mới hoặc trải qua quy trình phê duyệt kéo dài. Thay vào đó, nhà phát triển có thể tập trung vào công việc cụ thể cho trường hợp sử dụng của họ.

Hơn nữa, lớp API cung cấp các năng lực cấp cao, sẵn sàng cho sản xuất, vốn thường yêu cầu đầu tư hạ tầng đáng kể. Điều này có thể bao gồm chức năng chatbot với khả năng quản lý trạng thái hội thoại tích hợp sẵn, hoặc các pipeline RAG (truy xuất kết hợp tạo sinh) đầu-cuối (RAG dưới dạng dịch vụ) xử lý việc nhập liệu tài liệu, nhúng và truy xuất. Vì GEP cung cấp RAG dưới dạng dịch vụ, việc xây dựng một chatbot mới sử dụng RAG chỉ cần gọi API, loại bỏ nhu cầu triển khai và quản lý thủ công các cơ sở dữ liệu vector phức tạp.

Tất cả người dùng có thể truy cập các API này thông qua quy trình phê duyệt tự động, cho phép họ tập trung vào triển khai trường hợp sử dụng thay vì quy trình phê duyệt và cấp phát cơ sở hạ tầng đám mây thủ công.

Chợ GenAI thúc đẩy việc tiếp nhận trên toàn doanh nghiệp

Để tăng tốc độ tiếp nhận GenAI trên quy mô toàn doanh nghiệp, GEP cung cấp giao diện GenAI playground giúp cả người dùng chuyên môn kỹ thuật và người dùng nghiệp vụ thử nghiệm với nhiều năng lực AI khác nhau, bao gồm cả RAG. Trong các workspace chuyên dụng, người dùng có thể tải lên và lập chỉ mục tài liệu bằng cơ sở dữ liệu vector, thử nghiệm với các mô hình nền (FMs) đã được phê duyệt thông qua giao diện thân thiện, và xây dựng cũng như kiểm thử các prompt tùy chỉnh cho các trường hợp sử dụng cụ thể của họ. Danh mục tài sản và kho lưu trữ của GEP cho phép người dùng công bố trực tiếp các ứng dụng chatbot của họ, khiến chúng có thể được sử dụng ngay bởi các người dùng khác trong tổ chức.

Cách tiếp cận tự phục vụ này loại bỏ các rào cản truyền thống trong việc tiếp nhận AI và cho phép khách hàng xác định và thực thi các nguyên tắc AI có trách nhiệm, các tiêu chuẩn bảo mật và tuân thủ trong toàn tổ chức của họ. Các ứng dụng đơn giản có thể được chia sẻ qua chợ, trong khi các trường hợp sử dụng phức tạp hơn được tạo trong playground có thể được phát triển thành các ứng dụng quy mô lớn sử dụng năng lực API hợp nhất của GEP.

Trí tuệ vận hành (Operational Intelligence)

Việc quản trị GenAI hiệu quả ở quy mô doanh nghiệp đòi hỏi khả năng quan sát toàn diện về việc sử dụng, tuân thủ, bảo mật và chi phí. GEP cung cấp năng lực giám sát tập trung bao gồm ba khía cạnh chính:

  1. Giám sát tập trung: GEP theo dõi tất cả các chức năng GenAI cốt lõi thông qua một bảng điều khiển thống nhất. Điều này bao gồm khả năng quan sát các cuộc gọi API và thực thi guardrail tự động. Bảng điều khiển giúp người vận hành đảm bảo chất lượng dịch vụ đồng thời duy trì tuân thủ với các chính sách doanh nghiệp;
  2. Khả năng truy vết đầu-cuối: GEP cung cấp khả năng truy vết dòng dữ liệu (lineage) hoàn chỉnh của mọi tương tác GenAI. Nó theo dõi dữ liệu nào được sử dụng để truy xuất, mô hình nào xử lý dữ liệu đó, và cách đầu ra được sử dụng. Tính minh bạch này là yếu tố then chốt để duy trì trách nhiệm và hỗ trợ yêu cầu kiểm toán trong các môi trường có quy định nghiêm ngặt;
  3. Giám sát chi phí: GEP cho phép giám sát chi phí chi tiết để giúp tổ chức hiểu và tối ưu hóa đầu tư GenAI của họ. Nó theo dõi chi phí sử dụng và phân bổ chúng đến các đơn vị kinh doanh liên quan. Góc nhìn chi tiết này không chỉ cung cấp tính minh bạch tài chính mà còn giúp xác định cơ hội tối ưu hóa, ví dụ như chuyển khối lượng công việc sang các mô hình có chi phí hiệu quả hơn hoặc tối ưu độ dài prompt để giảm tiêu thụ token.

Thiết kế đa vùng và đa tenant

GEP được xây dựng dựa trên kiến trúc đa tài khoản, cho phép mở rộng cổng thông tin dựa trên nhu cầu tài nguyên ngày càng tăng, đồng thời duy trì sự cô lập nghiêm ngặt giữa các nhóm và đơn vị kinh doanh khác nhau trong tổ chức. Tất cả yêu cầu truy cập tài sản sẽ đi qua một tài khoản chia sẻ đóng vai trò như cổng trung tâm, sau đó được định tuyến đến các tài khoản AWS chuyên biệt cho từng trường hợp sử dụng. Các tài khoản này lưu trữ tài nguyên tính toán phục vụ cho việc suy luận mô hình và lưu trữ cơ sở dữ liệu vector, như được minh họa trong Hình 4.

Hình 4: Quy trình truy cập cấp cao của người dùng vào GEP:

Người dùng truy cập GEP thông qua giao diện Playground & Marketplace (1), sau đó được chuyển hướng đến điểm cuối API khu vực gần nhất (2) trong tài khoản chia sẻ (đường liền nét, màu xanh lá), trong khi các ứng dụng theo trường hợp sử dụng có thể truy cập trực tiếp điểm cuối API khu vực mà họ chọn (3). Một hệ thống quản lý tenant không máy chủ đa vùng (4) xác định tenant tương ứng với yêu cầu và chuyển tiếp yêu cầu đó (5) đến tài khoản AWS chuyên biệt cho trường hợp sử dụng (đường chấm xanh dương) để xử lý thông qua backend không máy chủ. Việc xử lý này có thể là nhập dữ liệu vào cơ sở dữ liệu vector RAG từ dữ liệu được xuất bản thông qua GEP, hoặc gọi mô hình trực tiếp đến AWS Bedrock, AWS SageMaker tự triển khai, hoặc các mô hình của bên thứ ba (7).

Kiến trúc này mang lại nhiều lợi ích chiến lược, bao gồm việc cho phép người dùng:

  1. Bảo mật và quản trị tập trung: Triển khai các lớp quản trị và guardrail hợp nhất cho tất cả khối lượng công việc AI, cho phép quản lý tập trung quyền truy cập và chính sách sử dụng mô hình, đồng thời áp dụng các biện pháp kiểm soát bảo mật tiêu chuẩn trong khi vẫn duy trì sự tách biệt giữa các tenant;
  2. Cách ly tài nguyên: Tạo ranh giới bảo mật tự nhiên cho các khối lượng công việc và môi trường AI khác nhau, tăng cường khả năng phục hồi vận hành bằng cách hạn chế mức độ ảnh hưởng của sự cố bảo mật hoặc lỗi cấu hình, và cung cấp kiểm soát truy cập chi tiết cho các nhóm người dùng khác nhau;
  3. Quản lý tuân thủ: Hỗ trợ triển khai các biện pháp bảo mật riêng biệt cho từng môi trường, cho phép người dùng tạo và quản lý ranh giới dữ liệu riêng biệt cho thông tin nhạy cảm, và đơn giản hóa quy trình kiểm toán thông qua log CloudTrail riêng cho từng tài khoản;
  4. Quản lý khối lượng công việc: Thúc đẩy việc tiếp nhận AI thông qua quyền truy cập mô hình hợp nhất và khả năng tái sử dụng thành phần, cho phép các nhóm thử nghiệm và đổi mới độc lập mà không ảnh hưởng đến hệ thống sản xuất;
  5. Kiểm soát chi phí: Cho phép theo dõi và kiểm toán chi phí sử dụng mô hình một cách chính xác theo từng tenant hoặc bộ phận kinh doanh, đơn giản hóa việc phân bổ chi phí và quản lý ngân sách giữa các phòng ban, đồng thời cung cấp ranh giới thanh toán rõ ràng cho các sáng kiến AI khác nhau;
  6. Tích hợp với hệ thống doanh nghiệp: Cho phép truy cập dễ dàng thông qua cổng thống nhất tích hợp liền mạch với các hệ thống doanh nghiệp cũ;
  7. Khả năng mở rộng: Tránh tranh chấp tài nguyên vì mỗi tài khoản có chỉ tiêu dịch vụ riêng, hỗ trợ nhiều mô hình vận hành CNTT và cấu trúc tổ chức khác nhau, và tạo điều kiện dễ dàng cho việc tích hợp các nhóm hoặc phòng ban mới mà không làm gián đoạn khối lượng công việc hiện tại.

Triển khai đa vùng (multi-region) của GEP giải quyết các yêu cầu sau của doanh nghiệp: Nó cho phép khách hàng quản lý cấu hình lưu trữ dữ liệu theo các yêu cầu tuân thủ riêng của họ, giảm độ trễ cho các hoạt động toàn cầu và cải thiện khả năng phục hồi tổng thể của hệ thống thông qua phân bố địa lý. Các tổ chức có thể triển khai các tenant ở các khu vực cụ thể trong khi vẫn duy trì khả năng kiểm soát và giám sát tập trung thông qua tài khoản cổng chia sẻ.

Các Trường Hợp Sử Dụng Được Chọn và Kết Quả Kinh Doanh

Khuôn khổ GEP này có thể được các nhà sản xuất lớn sử dụng để đẩy nhanh việc triển khai an toàn các ứng dụng GenAI khác nhau, chẳng hạn như:
(1) chatbot hỗ trợ kỹ sư sửa chữa và bảo trì nhằm giảm thời gian ngừng hoạt động của dây chuyền sản xuất ô tô; và
(2) quy trình chuẩn hóa thông số kỹ thuật nhằm đồng nhất thông số sản phẩm giữa các phòng ban khác nhau.

Chatbot cho dịch vụ sửa chữa và bảo trì

Các lỗi trên dây chuyền sản xuất – ví dụ do sai lệch hiệu chuẩn trong robot lắp ráp – có thể khiến dây chuyền dừng hoạt động và gây tổn thất tài chính nghiêm trọng. Tuy nhiên, việc khắc phục sự cố hiệu quả thường đòi hỏi chuyên môn kỹ thuật tích lũy qua nhiều năm. Các kỹ sư chưa có kinh nghiệm gặp khó khăn trong việc tìm giải pháp từ tài liệu hướng dẫn khổng lồ, trong khi nhiều chuyên gia sắp nghỉ hưu.

Các nhà sản xuất có thể sử dụng GEP để xây dựng một công cụ tìm kiếm hội thoại dựa trên RAG. Công cụ này giúp kỹ sư nhanh chóng xác định hành động khắc phục lỗi và tìm tài liệu liên quan từ hơn 500.000 trang. Nhóm kỹ thuật có thể chuyển tài liệu lên Amazon S3 (được GEP quản lý) và xử lý trước để chuẩn hóa cho RAG. Ngoài ra, các nhóm có thể tận dụng dịch vụ GenAI RAG của GEP cùng các tính năng chatbot dựng sẵn, tập trung vào các hoạt động đặc thù như xây dựng prompt.

Tài liệu thô và đã xử lý được quản lý qua cổng thông tin có thể trở thành tài sản giá trị cho các trường hợp sử dụng khác, đóng vai trò như dữ liệu tiêu dùng. Các bản thiết kế kiến trúc có thể tái sử dụng cho các chatbot tương tự trong ngành sản xuất và công nghiệp, từ đó thúc đẩy triển khai nhanh hơn các trường hợp sử dụng trong tương lai.

Quy trình chuẩn hóa thông số kỹ thuật

Trong một số trường hợp, nhà sản xuất muốn chuẩn hóa các thông số kỹ thuật của sản phẩm giữa các phòng ban để giảm sự không hiệu quả trong phát triển sản phẩm và rút ngắn thời gian ra thị trường. Tuy nhiên, việc chuẩn hóa này nếu làm thủ công có thể mất nhiều năm và cần chuyên gia.

Trong các trường hợp đó, nhà sản xuất có thể tận dụng khả năng GenAI của GEP để triển khai một quy trình chuẩn hóa dựa trên thông số kỹ thuật một cách thông minh. Giải pháp này cho phép người dùng gửi các tài liệu thông số kỹ thuật hiện có, sau đó được xử lý bằng một quy trình tác nhân (agentic workflow – tức quy trình được tự động hóa bằng GenAI). Quy trình này sẽ tự động trích xuất các yêu cầu liên quan, tổng hợp và định dạng lại chúng theo chuẩn nội bộ của doanh nghiệp, giúp giảm lãng phí và tăng tốc quá trình phát triển sản phẩm.

Kết Luận

Con đường dân chủ hóa GenAI trong một tổ chức toàn cầu đòi hỏi một cách tiếp cận cân bằng giữa kiểm soát tập trung và đổi mới phân quyền. Khuôn khổ AWS GEP mang lại chính xác sự cân bằng này, như đã được minh chứng qua hai trường hợp sử dụng do một nhà sản xuất ô tô lớn triển khai. Các tổ chức hành động quyết đoán trong việc triển khai các cổng như vậy có thể đạt được lợi thế cạnh tranh lâu dài nhờ đổi mới nhanh chóng và tăng cường hợp tác. Khuôn khổ GEP đã sẵn sàng! Hãy đánh giá vị trí hiện tại của bạn trên Bậc thang Tiếp nhận GenAI (Hình 2) và thực hiện bước đầu tiên hướng tới việc dân chủ hóa GenAI trên toàn doanh nghiệp ngay hôm nay!

David Sauerwein

David Sauerwein là Chuyên gia Tư vấn Triển khai Cao cấp tại AWS Professional Services, nơi ông hỗ trợ khách hàng trong hành trình AI/ML trên nền tảng đám mây AWS. David tập trung vào trí tuệ nhân tạo sinh (generative AI), dự báo (forecasting), bản sao số (digital twins) và tính toán lượng tử (quantum computation). Ông có bằng Tiến sĩ (PhD) về lý thuyết thông tin lượng tử.

Krithi Balasubramaniyan

Krithi Balasubramaniyan là Chuyên gia Tư vấn Triển khai Cấp cao (Principal Delivery Consultant) tại AWS. Ông hỗ trợ các khách hàng doanh nghiệp toàn cầu trong hành trình chuyển đổi số và giúp thiết kế các giải pháp gốc đám mây (cloud native).

Volker Lang

Volker Lang là Lãnh đạo Chương trình Chiến lược tại Amazon Web Services (AWS Professional Services). Với vai trò là một lãnh đạo “single threaded”, ông cùng đội ngũ triển khai và cộng tác hỗ trợ chuyển đổi số cho các khách hàng ngành ô tô lớn nhất và có tính chiến lược nhất trên toàn cầu. Trước khi gia nhập AWS, ông đã dẫn dắt nhiều chương trình chuyển đổi kinh doanh quy mô lớn với trọng tâm vào điện khí hóa và số hóa trong ngành công nghiệp ô tô Đức. Ông có bằng Tiến sĩ (DPhil) về Vật lý Lượng tử tại Đại học Oxford và là tác giả của cuốn sách “Digital Fluency”.

←
→

Leave a comment