Tác giả: Roger Wang, Frank Huang, Melanie Li, Saurabh Gupta, và Todd Colby
Ngày phát hành: 27 JAN 2026
Chuyên mục: Amazon Bedrock, Amazon Bedrock Prompt Management, Amazon Machine Learning, Customer Solutions

Bài viết này được đồng tác giả bởi Saurabh Gupta và Todd Colby từ Pushpay.

Pushpay là một nền tảng quyên góp và tương tác kỹ thuật số hàng đầu thị trường, được thiết kế để giúp các nhà thờ và tổ chức tôn giáo thúc đẩy sự gắn kết cộng đồng, quản lý các khoản quyên góp và tăng cường hiệu quả quy trình gây quỹ từ thiện. Hệ thống quản lý nhà thờ của Pushpay cung cấp cho các quản trị viên nhà thờ và lãnh đạo mục vụ các báo cáo dựa trên thông tin chi tiết, bảng điều khiển phát triển nhà tài trợ và tự động hóa các quy trình tài chính.

Sử dụng sức mạnh của AI tạo sinh (generative AI), Pushpay đã phát triển một tính năng tìm kiếm AI agentic sáng tạo được xây dựng cho các nhu cầu đặc thù của các mục vụ. Phương pháp này sử dụng xử lý ngôn ngữ tự nhiên để nhân viên mục vụ có thể đặt câu hỏi bằng tiếng Anh thông thường và tạo ra các thông tin chi tiết có thể hành động theo thời gian thực từ dữ liệu cộng đồng của họ. Tính năng tìm kiếm AI giải quyết một thách thức quan trọng mà các lãnh đạo mục vụ phải đối mặt: nhu cầu truy cập nhanh vào thông tin chi tiết cộng đồng mà không yêu cầu chuyên môn kỹ thuật. Ví dụ, các lãnh đạo mục vụ có thể nhập “hiển thị cho tôi những người là thành viên trong một nhóm, nhưng chưa quyên góp trong năm nay” hoặc “hiển thị cho tôi những người không tham gia vào nhà thờ của tôi”, và sử dụng kết quả để thực hiện các hành động có ý nghĩa nhằm hỗ trợ tốt hơn các cá nhân trong cộng đồng của họ. Hầu hết các lãnh đạo cộng đồng đều bị hạn chế về thời gian và thiếu nền tảng kỹ thuật; họ có thể sử dụng giải pháp này để thu thập dữ liệu có ý nghĩa về giáo đoàn của mình trong vài giây bằng cách sử dụng các truy vấn ngôn ngữ tự nhiên.

Bằng cách trao quyền cho nhân viên mục vụ truy cập nhanh hơn vào thông tin chi tiết cộng đồng, tính năng tìm kiếm AI hỗ trợ sứ mệnh của Pushpay nhằm khuyến khích sự hào phóng và kết nối giữa các nhà thờ và thành viên cộng đồng của họ. Người dùng sớm áp dụng báo cáo rằng giải pháp này đã rút ngắn thời gian thu thập thông tin chi tiết từ vài phút xuống còn vài giây. Để đạt được kết quả này, nhóm Pushpay đã xây dựng tính năng này bằng cách sử dụng các khả năng AI agentic trên Amazon Web Services (AWS) đồng thời triển khai các biện pháp đảm bảo chất lượng mạnh mẽ và thiết lập một vòng lặp phản hồi lặp lại nhanh chóng để cải tiến liên tục.

Trong bài viết này, chúng tôi sẽ hướng dẫn bạn qua hành trình của Pushpay trong việc xây dựng giải pháp này và khám phá cách Pushpay sử dụng Amazon Bedrock để tạo ra một framework đánh giá AI tạo sinh tùy chỉnh nhằm đảm bảo chất lượng liên tục và thiết lập các vòng lặp phản hồi lặp lại nhanh chóng trên AWS.

Tổng quan giải pháp: Kiến trúc tìm kiếm được hỗ trợ bởi AI

Giải pháp bao gồm một số thành phần chính hoạt động cùng nhau để mang lại trải nghiệm tìm kiếm nâng cao. Hình sau đây cho thấy sơ đồ kiến trúc giải pháp và quy trình làm việc tổng thể.

Hình 1: Kiến trúc giải pháp tìm kiếm AI

• Lớp giao diện người dùng: Giải pháp bắt đầu với việc người dùng Pushpay gửi các truy vấn ngôn ngữ tự nhiên thông qua giao diện ứng dụng Pushpay hiện có. Bằng cách sử dụng các truy vấn ngôn ngữ tự nhiên, nhân viên mục vụ nhà thờ có thể thu thập thông tin chi tiết dữ liệu bằng khả năng AI mà không cần học các công cụ hoặc giao diện mới.
• Agent tìm kiếm AI: Trọng tâm của hệ thống là AI search agent, bao gồm hai thành phần chính:
  • System prompt: Chứa các định nghĩa vai trò của mô hình ngôn ngữ lớn (LLM), hướng dẫn và mô tả ứng dụng để hướng dẫn hành vi của agent.
  • Dynamic prompt constructor (DPC): Tự động xây dựng các system prompt tùy chỉnh bổ sung dựa trên thông tin cụ thể của người dùng, chẳng hạn như ngữ cảnh nhà thờ, các truy vấn mẫu và kho bộ lọc ứng dụng. Chúng cũng sử dụng tìm kiếm ngữ nghĩa để chọn chỉ các bộ lọc liên quan trong số hàng trăm bộ lọc ứng dụng có sẵn. DPC cải thiện độ chính xác phản hồi và trải nghiệm người dùng.
• Tính năng nâng cao của Amazon Bedrock: Giải pháp sử dụng các dịch vụ được quản lý của Amazon Bedrock sau:
  • Prompt caching: Giảm độ trễ và chi phí bằng cách lưu vào bộ nhớ đệm các system prompt thường xuyên được sử dụng.
  • LLM processing: Sử dụng Claude Sonnet 4.5 để xử lý các lời nhắc và tạo đầu ra JSON cần thiết cho ứng dụng để hiển thị kết quả truy vấn mong muốn dưới dạng thông tin chi tiết cho người dùng.
• Hệ thống đánh giá: Hệ thống đánh giá triển khai một giải pháp cải tiến vòng kín, nơi các tương tác của người dùng được đo lường, thu thập và đánh giá ngoại tuyến. Kết quả đánh giá được đưa vào một bảng điều khiển để các nhóm sản phẩm và kỹ thuật phân tích và thúc đẩy các cải tiến lặp lại cho AI search agent. Trong quá trình này, nhóm khoa học dữ liệu thu thập một bộ dữ liệu vàng và liên tục quản lý bộ dữ liệu này dựa trên các truy vấn người dùng thực tế cùng với các phản hồi đã được xác thực.

Những thách thức của giải pháp ban đầu không có đánh giá

Để tạo tính năng tìm kiếm AI, Pushpay đã phát triển phiên bản đầu tiên của AI search agent. Giải pháp này triển khai một agent duy nhất được cấu hình với một system prompt được tinh chỉnh cẩn thận, bao gồm vai trò hệ thống, hướng dẫn và cách giao diện người dùng hoạt động với giải thích chi tiết về từng công cụ lọc và các cài đặt phụ của chúng. System prompt được lưu vào bộ nhớ đệm bằng Amazon Bedrock prompt caching để giảm chi phí token và độ trễ. Agent sử dụng system prompt để gọi một LLM của Amazon Bedrock, tạo ra tài liệu JSON mà ứng dụng của Pushpay sử dụng để áp dụng các bộ lọc và hiển thị kết quả truy vấn cho người dùng.

Tuy nhiên, phiên bản đầu tiên này nhanh chóng bộc lộ một số hạn chế. Mặc dù nó cho thấy tỷ lệ thành công 60-70% với các truy vấn kinh doanh cơ bản, nhóm đã đạt đến một mức độ chính xác ổn định. Việc đánh giá agent là một quy trình thủ công và tẻ nhạt. Việc tinh chỉnh system prompt vượt quá ngưỡng chính xác này tỏ ra thách thức do sự đa dạng của các truy vấn người dùng và phạm vi bao phủ của ứng dụng với hơn 100 bộ lọc có thể cấu hình khác nhau. Những điều này đã tạo ra các rào cản quan trọng cho con đường đưa sản phẩm vào sản xuất của nhóm.

Hình 2: Giải pháp tìm kiếm AI đầu tiên

Cải thiện giải pháp bằng cách thêm framework đánh giá AI tạo sinh tùy chỉnh

Để giải quyết những thách thức trong việc đo lường và cải thiện độ chính xác của agent, nhóm đã triển khai một framework đánh giá AI tạo sinh được tích hợp vào kiến trúc hiện có, như thể hiện trong hình sau. Framework này bao gồm bốn thành phần chính hoạt động cùng nhau để cung cấp thông tin chi tiết về hiệu suất toàn diện và cho phép cải tiến dựa trên dữ liệu.

Hình 3: Giới thiệu Framework đánh giá GenAI

1. Bộ dữ liệu vàng: Một bộ dữ liệu vàng được quản lý chứa hơn 300 truy vấn đại diện, mỗi truy vấn được ghép nối với đầu ra dự kiến tương ứng, tạo thành nền tảng của đánh giá tự động. Các nhóm sản phẩm và khoa học dữ liệu đã cẩn thận phát triển và xác thực bộ dữ liệu này để đạt được phạm vi bao phủ toàn diện các trường hợp sử dụng và trường hợp biên trong thế giới thực. Ngoài ra, có một quy trình quản lý liên tục bổ sung các truy vấn người dùng thực tế đại diện với kết quả đã được xác thực.
2. Trình đánh giá: Thành phần trình đánh giá xử lý các truy vấn đầu vào của người dùng và so sánh đầu ra do agent tạo ra với bộ dữ liệu vàng bằng cách sử dụng mô hình LLM as a judge. Cách tiếp cận này tạo ra các chỉ số độ chính xác cốt lõi đồng thời thu thập các nhật ký chi tiết và dữ liệu hiệu suất, chẳng hạn như độ trễ, để phân tích và gỡ lỗi thêm.
3. Danh mục miền: Các danh mục miền được phát triển bằng cách kết hợp tóm tắt miền AI tạo sinh và các biểu thức chính quy do con người định nghĩa để phân loại hiệu quả các truy vấn của người dùng. Trình đánh giá xác định danh mục miền cho mỗi truy vấn, cho phép đánh giá sắc thái, dựa trên danh mục như một chiều bổ sung của các chỉ số đánh giá.
4. Bảng điều khiển đánh giá AI tạo sinh: Bảng điều khiển đóng vai trò là trung tâm điều khiển cho các nhóm sản phẩm và kỹ thuật của Pushpay, hiển thị các chỉ số cấp danh mục miền để đánh giá hiệu suất và độ trễ cũng như hướng dẫn các quyết định. Nó chuyển nhóm từ các điểm tổng hợp đơn lẻ sang thông tin chi tiết hiệu suất dựa trên miền, có sắc thái.

Bảng điều khiển độ chính xác: Xác định điểm yếu theo miền

Vì các truy vấn của người dùng được phân loại thành các danh mục miền, bảng điều khiển tích hợp trực quan hóa độ tin cậy thống kê bằng cách sử dụng khoảng tin cậy Wilson score 95% để hiển thị các chỉ số độ chính xác và khối lượng truy vấn ở mỗi cấp độ miền. Bằng cách sử dụng các danh mục, nhóm có thể xác định điểm yếu của AI agent theo miền. Trong ví dụ sau, miền “activity” cho thấy độ chính xác thấp hơn đáng kể so với các danh mục khác.

Hình 4: Xác định điểm yếu của Agent theo miền

Ngoài ra, một bảng điều khiển hiệu suất, được hiển thị trong hình sau, trực quan hóa các chỉ số độ trễ ở cấp độ danh mục miền, bao gồm phân phối độ trễ từ phân vị p50 đến p90. Trong ví dụ sau, miền activity cho thấy độ trễ cao hơn đáng kể so với các miền khác.

Hình 5: Xác định các nút thắt cổ chai về độ trễ theo miền

Triển khai chiến lược thông qua thông tin chi tiết cấp miền

Các chỉ số dựa trên miền đã tiết lộ các mức hiệu suất khác nhau trên các miền ngữ nghĩa, cung cấp thông tin chi tiết quan trọng về hiệu quả của agent. Pushpay đã sử dụng khả năng hiển thị chi tiết này để đưa ra các quyết định triển khai tính năng chiến lược. Bằng cách tạm thời chặn các danh mục hoạt động kém – chẳng hạn như các truy vấn activity – trong khi tối ưu hóa, hệ thống đã đạt được độ chính xác tổng thể 95%. Bằng cách sử dụng phương pháp này, người dùng chỉ trải nghiệm các tính năng hoạt động tốt nhất trong khi nhóm tinh chỉnh các tính năng khác theo tiêu chuẩn sản xuất.

Hình 6: Đạt được độ chính xác 95% với việc triển khai tính năng cấp miền

Ưu tiên chiến lược: Tập trung vào các miền có tác động cao

Để ưu tiên cải tiến một cách có hệ thống, Pushpay đã sử dụng một framework ma trận 2×2 để vẽ biểu đồ các chủ đề theo hai chiều (hiển thị trong hình sau): Mức độ ưu tiên kinh doanh (trục dọc) và hiệu suất hiện tại hoặc tính khả thi (trục ngang). Hình ảnh này đặt các chủ đề có cả giá trị kinh doanh cao và hiệu suất hiện có mạnh mẽ vào góc phần tư trên cùng bên phải. Sau đó, nhóm tập trung vào các lĩnh vực này vì chúng yêu cầu ít nỗ lực hơn để đạt được cải thiện độ chính xác hơn nữa từ mức độ đã tốt lên mức độ chính xác 95% đặc biệt cho các chủ đề tập trung vào kinh doanh.

Việc triển khai theo một chu trình lặp đi lặp lại: sau mỗi vòng cải tiến, họ phân tích lại kết quả để xác định tập hợp các chủ đề tiềm năng cao tiếp theo. Phương pháp tiếp cận có hệ thống, theo chu kỳ này cho phép tối ưu hóa liên tục trong khi vẫn duy trì sự tập trung vào các lĩnh vực quan trọng đối với kinh doanh.

Hình 7: Framework ưu tiên chiến lược để tối ưu hóa danh mục miền

Xây dựng lời nhắc động

Những thông tin chi tiết thu được từ framework đánh giá đã dẫn đến một cải tiến kiến trúc: sự ra đời của một trình xây dựng lời nhắc động (dynamic prompt constructor). Thành phần này cho phép cải tiến lặp lại nhanh chóng bằng cách cho phép kiểm soát chi tiết các danh mục miền mà agent có thể xử lý. Kho lưu trữ trường có cấu trúc – trước đây được nhúng trong system prompt – đã được chuyển đổi thành một yếu tố động, sử dụng tìm kiếm ngữ nghĩa để xây dựng các lời nhắc phù hợp theo ngữ cảnh cho mỗi truy vấn người dùng. Phương pháp này điều chỉnh kho lưu trữ bộ lọc lời nhắc dựa trên ba chiều ngữ cảnh chính: nội dung truy vấn, persona người dùng và các yêu cầu cụ thể của tenant. Kết quả là một hệ thống chính xác và hiệu quả hơn, tạo ra các phản hồi rất phù hợp trong khi vẫn duy trì sự linh hoạt cần thiết cho việc tối ưu hóa liên tục.

Tác động kinh doanh

Framework đánh giá AI tạo sinh đã trở thành nền tảng cho việc phát triển tính năng AI của Pushpay, mang lại giá trị có thể đo lường được trên ba khía cạnh:

• Trải nghiệm người dùng: Tính năng tìm kiếm AI đã giảm thời gian thu thập thông tin chi tiết từ khoảng 120 giây (người dùng có kinh nghiệm điều hướng UX phức tạp theo cách thủ công) xuống dưới 4 giây – một sự tăng tốc gấp 15 lần giúp trực tiếp nâng cao năng suất và tốc độ ra quyết định của các lãnh đạo mục vụ. Tính năng này đã dân chủ hóa thông tin chi tiết dữ liệu, để người dùng ở các cấp độ kỹ thuật khác nhau có thể truy cập thông tin có ý nghĩa mà không yêu cầu chuyên môn đặc biệt.
• Tốc độ phát triển: Cách tiếp cận đánh giá khoa học đã biến đổi các chu trình tối ưu hóa. Thay vì tranh luận về các sửa đổi lời nhắc, nhóm hiện xác thực các thay đổi và đo lường tác động cụ thể theo miền trong vài phút, thay thế các cuộc thảo luận kéo dài bằng sự lặp lại dựa trên dữ liệu.
• Sẵn sàng sản xuất: Các cải tiến từ độ chính xác 60–70% lên hơn 95% bằng cách sử dụng các miền hiệu suất cao đã cung cấp sự tự tin định lượng cần thiết cho việc triển khai hướng tới khách hàng, trong khi kiến trúc của framework cho phép tinh chỉnh liên tục trên các danh mục miền khác.

Những bài học chính cho hành trình AI agent của bạn

Dưới đây là những bài học chính từ kinh nghiệm của Pushpay mà bạn có thể áp dụng trong hành trình AI agent của riêng mình.

1/ Xây dựng với tư duy sản xuất ngay từ ngày đầu tiên

Xây dựng các hệ thống AI agentic khá đơn giản, nhưng mở rộng chúng ra sản xuất lại là một thách thức. Các nhà phát triển nên áp dụng tư duy mở rộng quy mô ngay trong giai đoạn proof-of-concept, chứ không phải sau đó. Việc triển khai các framework theo dõi và đánh giá mạnh mẽ từ sớm sẽ cung cấp một lộ trình rõ ràng từ thử nghiệm đến sản xuất. Bằng cách sử dụng phương pháp này, các nhóm có thể xác định và giải quyết các vấn đề về độ chính xác một cách có hệ thống trước khi chúng trở thành rào cản.

2/ Tận dụng các tính năng nâng cao của Amazon Bedrock

Amazon Bedrock prompt caching giảm đáng kể chi phí token và độ trễ bằng cách lưu vào bộ nhớ đệm các system prompt thường xuyên được sử dụng. Đối với các agent có system prompt lớn, ổn định, tính năng này là cần thiết cho hiệu suất cấp sản xuất.

3/ Suy nghĩ vượt ra ngoài các chỉ số tổng hợp

Điểm số độ chính xác tổng hợp đôi khi có thể che giấu những biến động hiệu suất quan trọng. Bằng cách đánh giá hiệu suất của agent ở cấp độ danh mục miền, Pushpay đã phát hiện ra những điểm yếu vượt ra ngoài những gì một chỉ số độ chính xác duy nhất có thể nắm bắt. Phương pháp tiếp cận chi tiết này cho phép tối ưu hóa có mục tiêu và các quyết định triển khai có thông tin, đảm bảo người dùng chỉ trải nghiệm các tính năng hoạt động tốt nhất trong khi các tính năng khác được tinh chỉnh.

4/ Bảo mật dữ liệu và AI có trách nhiệm

Khi phát triển các hệ thống AI agentic, hãy xem xét các yếu tố bảo vệ thông tin và bảo mật LLM ngay từ đầu, tuân thủ Mô hình trách nhiệm chung của AWS, vì các yêu cầu bảo mật ảnh hưởng cơ bản đến thiết kế kiến trúc. Khách hàng của Pushpay là các nhà thờ và tổ chức tôn giáo, những người quản lý thông tin nhạy cảm – bao gồm các cuộc trò chuyện chăm sóc mục vụ, các mẫu quyên góp tài chính, các vấn đề gia đình, yêu cầu cầu nguyện và hơn thế nữa. Trong ví dụ triển khai này, Pushpay đã thiết lập một cách tiếp cận rõ ràng để tích hợp AI một cách đạo đức trong hệ sinh thái sản phẩm của mình, duy trì các tiêu chuẩn bảo mật nghiêm ngặt để đảm bảo dữ liệu nhà thờ và thông tin nhận dạng cá nhân (PII) vẫn nằm trong hệ sinh thái đối tác an toàn của họ. Dữ liệu chỉ được chia sẻ với các biện pháp bảo vệ dữ liệu an toàn và phù hợp được áp dụng và không bao giờ được sử dụng để đào tạo các mô hình bên ngoài. Để tìm hiểu thêm về các tiêu chuẩn của Pushpay trong việc tích hợp AI vào sản phẩm của họ, hãy truy cập Trung tâm kiến thức của Pushpay để xem xét chi tiết hơn về các tiêu chuẩn của công ty.

Kết luận: Con đường của bạn đến các AI Agent sẵn sàng sản xuất

Hành trình của Pushpay từ một nguyên mẫu có độ chính xác 60–70% đến một AI agent sẵn sàng sản xuất với độ chính xác 95% cho thấy rằng việc xây dựng các hệ thống AI agentic đáng tin cậy đòi hỏi nhiều hơn là chỉ các lời nhắc tinh vi – nó đòi hỏi một cách tiếp cận khoa học, dựa trên dữ liệu để đánh giá và tối ưu hóa. Bước đột phá quan trọng không nằm ở bản thân công nghệ AI, mà ở việc triển khai một framework đánh giá toàn diện được xây dựng trên nền tảng khả năng quan sát mạnh mẽ, cung cấp khả năng hiển thị chi tiết về hiệu suất của agent trên các miền khác nhau. Cách tiếp cận có hệ thống này đã cho phép lặp lại nhanh chóng, các quyết định triển khai chiến lược và cải tiến liên tục.

Bạn đã sẵn sàng xây dựng AI agent sẵn sàng sản xuất của riêng mình chưa?

• Khám phá Amazon Bedrock: Bắt đầu xây dựng agent của bạn với Amazon Bedrock
• Triển khai LLM-as-a-judge: Tạo hệ thống đánh giá của riêng bạn bằng cách sử dụng các mô hình được mô tả trong bài viết này: LLM-as-a-judge trên Amazon Bedrock Model Evaluation
• Xây dựng bộ dữ liệu vàng của bạn: Bắt đầu quản lý các truy vấn đại diện và đầu ra dự kiến cho trường hợp sử dụng cụ thể của bạn

---

Về tác giả

Roger Wang là Kiến trúc sư Giải pháp Cấp cao tại AWS. Ông là một kiến trúc sư dày dặn kinh nghiệm với hơn 20 năm trong ngành phần mềm. Ông giúp các công ty phần mềm và SaaS ở New Zealand và toàn cầu sử dụng công nghệ tiên tiến tại AWS để giải quyết các thách thức kinh doanh phức tạp. Roger đam mê việc thu hẹp khoảng cách giữa các động lực kinh doanh và khả năng công nghệ, đồng thời phát triển mạnh mẽ trong việc tạo điều kiện cho các cuộc trò chuyện thúc đẩy kết quả có tác động.

Melanie Li, Tiến sĩ, là Kiến trúc sư Giải pháp Chuyên gia AI tạo sinh cấp cao tại AWS có trụ sở tại Sydney, Úc, nơi cô tập trung vào việc làm việc với khách hàng để xây dựng các giải pháp tận dụng các công cụ AI và máy học tiên tiến. Cô đã tích cực tham gia vào nhiều sáng kiến AI tạo sinh trên khắp APJ, khai thác sức mạnh của các Mô hình Ngôn ngữ Lớn (LLM). Trước khi gia nhập AWS, Tiến sĩ Li đã giữ các vai trò khoa học dữ liệu trong ngành tài chính và bán lẻ.

Frank Huang, Tiến sĩ, là Kiến trúc sư Giải pháp Chuyên gia Phân tích cấp cao tại AWS có trụ sở tại Auckland, New Zealand. Ông tập trung giúp khách hàng cung cấp các giải pháp phân tích nâng cao và AI/ML. Trong suốt sự nghiệp của mình, Frank đã làm việc trong nhiều ngành khác nhau như dịch vụ tài chính, Web3, khách sạn, truyền thông và giải trí, và viễn thông. Frank mong muốn sử dụng chuyên môn sâu của mình về kiến trúc đám mây, AIOps và phân phối giải pháp end-to-end để giúp khách hàng đạt được các kết quả kinh doanh hữu hình với sức mạnh của dữ liệu và AI.

Saurabh Gupta là chuyên gia khoa học dữ liệu và AI tại Pushpay có trụ sở tại Auckland, New Zealand, nơi ông tập trung vào việc triển khai các giải pháp AI thực tế và mô hình hóa thống kê. Ông có kinh nghiệm sâu rộng về máy học, khoa học dữ liệu và Python cho các ứng dụng khoa học dữ liệu, với kinh nghiệm chuyên biệt trong việc đào tạo các database agent và triển khai AI. Trước vai trò hiện tại, ông đã có kinh nghiệm trong các ngành viễn thông, bán lẻ và dịch vụ tài chính, phát triển chuyên môn về phân tích tiếp thị và các chương trình giữ chân khách hàng. Ông có bằng Thạc sĩ Thống kê từ Đại học Auckland và bằng Thạc sĩ Quản trị Kinh doanh từ Viện Quản lý Ấn Độ, Calcutta.

Todd Colby là Kỹ sư Phần mềm Cấp cao tại Pushpay có trụ sở tại Seattle. Chuyên môn của ông tập trung vào việc phát triển các ứng dụng kế thừa phức tạp bằng AI, và chuyển đổi nhu cầu người dùng thành các giải pháp có cấu trúc, độ chính xác cao. Ông tận dụng AI để tăng tốc độ phân phối và tạo ra các chỉ số và công cụ ra quyết định kinh doanh tiên tiến.