Những thông tin về Generative AI (AI tạo sinh) mà CEO phải biết

Generative AI (AI tạo sinh) đang phát triển với tốc độ kỷ lục trong khi các CEO vẫn đang tìm hiểu về giá trị và rủi ro của công nghệ này. Trước sự hứng thú về AI tạo sinh kể từ khi ChatGPT, Bard, Claude, Mid Journey và các công cụ tạo nội dung khác được phát hành, các CEO có lẽ đang tự hỏi: Điều này có phải là sự hứng thú công nghệ tạm thời hay đây là một cơ hội mang tính quyết định? Và nếu là cơ hội thì giá trị mà doanh nghiệp của họ sẽ nhận lại là gì? Dưới đây TOS sẽ cung cấp những thông tin về Generative AI (AI tạo sinh) mà CEO phải biết.

Trước sự hứng thú về AI tạo sinh kể từ khi ChatGPT, Bard, Claude, Mid Journey và các công cụ tạo nội dung khác được phát hành, các CEO có lẽ đang tự hỏi: Điều này có phải là sự hứng thú công nghệ tạm thời hay đây là một cơ hội mang tính quyết định? Và nếu là cơ hội thì giá trị mà doanh nghiệp của họ sẽ nhận lại là gì?

ChatGPT đã nhanh chóng đạt đến con số 100 triệu người dùng chỉ trong vòng hai tháng ra mắt. Điều này không chỉ làm cho AI tạo sinh trở nên phổ biến, dễ tiếp cận hơn bao giờ hết mà còn biến ChatGPT trở thành ứng dụng phát triển nhanh nhất từ trước đến nay. Khả năng tiếp cận nhanh chóng của ứng dụng này làm cho Generative AI trở nên độc đáo so với tất cả các dạng AI trước đó. Người dùng không cần phải có bằng cấp hay kiến thức chuyên sâu về công nghệ để tương tác hoặc làm việc, gần như ai cũng có thể đặt câu hỏi và sử dụng. Tương tự như các công nghệ đột phá khác như máy tính cá nhân hay iPhone, nền tảng Generative AI có thể tạo ra nhiều ứng dụng phong phú, phục vụ mọi độ tuổi và trình độ giáo dục, ở bất kỳ địa điểm nào có kết nối internet.

Tất cả những điều này trở nên khả thi là nhờ vào trợ lý ảo (chatbot) Generative AI được cung cấp bởi các mô hình nền tảng (foundation models). Các mô hình này chứa đựng nhiều mạng lưới thần kinh mở rộng được tạo nên từ lượng lớn dữ liệu không cấu trúc và không nhãn ở nhiều định dạng khác nhau, như văn bản và âm thanh. Các mô hình nền tảng có thể được sử dụng cho một loạt nhiệm vụ khác nhau. Ngược lại, các thế hệ mô hình Generative AI trước đây thường chỉ cho phép thực hiện một nhiệm vụ nhất định, chẳng hạn như dự đoán tỷ lệ rời bỏ của khách hàng. Ví dụ: một mô hình nền tảng có thể tạo ra bản tóm tắt điều hành cho báo cáo kỹ thuật dài 20.000 từ về điện toán lượng tử; phác thảo chiến lược tiếp cận thị trường cho một doanh nghiệp cắt tỉa cây; cung cấp năm công thức khác nhau cho mười nguyên liệu trong tủ lạnh của bạn. Tuy nhiên, đến thời điểm hiện tại, nhược điểm của Generative AI là đôi khi có thể mang lại kết quả kém chính xác, khiến mọi người lo lắng về việc quản lý rủi ro trí tuệ nhân tạo.

Với các biện pháp an toàn được thiết lập khi dùng, AI tạo sinh không chỉ gợi ý mở rộng một số tình huống mới cho hoạt động kinh doanh mà còn có thể hỗ trợ tăng tốc, mở rộng hoặc cải thiện tình huống kinh doanh hiện tại. Ví dụ: bạn hãy tưởng tượng một cuộc gọi bán hàng cho khách hàng. Một mô hình AI truyền thống có thể đề xuất các cơ hội bán hàng gia tăng cho nhân viên bán hàng. Tuy nhiên, cho đến nay, những đề xuất đó thường chỉ dựa trên dữ liệu tĩnh của khách hàng được thu thập trước khi cuộc gọi bắt đầu như đặc điểm nhân khẩu học và mô hình mua hàng. Ngược lại, một công cụ AI tạo sinh có thể gợi ý những cơ hội bán hàng gia tăng cho nhân viên bán hàng ngay lập tức dựa trên nội dung thực tế của cuộc trò chuyện, sử dụng dữ liệu khách hàng, xu hướng thị trường bên ngoại và dữ liệu về người ảnh hưởng trên mạng xã hội. Đồng thời, AI tạo sinh cũng có thể cung cấp bản thảo đầu tiên về lời chào hàng để nhân viên bán hàng điều chỉnh và cá nhân hóa cho phù hợp với khách hàng.

Ví dụ trước đó minh họa những tác động của công nghệ trí tuệ nhân tạo mới này đối với một vai trò công việc cụ thể. Tuy nhiên, hầu hết mọi người lao động tri thức đều có thể hưởng lợi từ việc sử dụng AI tạo sinh. Trên thực tế, mặc dù AI tạo sinh đa số được sử dụng để tự động hóa một số tác vụ, nhưng phần lớn giá trị của nó xuất phát từ cách các nhà cung cấp phần mềm ứng dụng công nghệ này vào các công cụ hỗ trợ hàng ngày (ví dụ: email hoặc phần mềm xử lý văn bản) được sử dụng bởi những lao động tri thức. Các công cụ được nâng cấp như vậy có thể giúp tăng hiệu quả làm việc đáng kể.

Các CEO muốn biết liệu họ có nên hành động ngay bây giờ hay không và nếu có thì nên bắt đầu như thế nào? Một số CEO có thể nhìn thấy cơ hội để vượt qua đối thủ bằng cách tái thiết kế quy trình làm việc của nhân viên với sự hỗ trợ của AI tạo sinh. Những CEO khác có thể thận trọng hơn, họ tiến hành thử nghiệm và tìm hiểu thêm trước khi bắt đầu đầu tư chi phí vào AI tạo sinh. Các công ty cũng sẽ phải đánh giá xem liệu họ có đủ chuyên môn kỹ thuật, công nghệ, kiến ​​trúc dữ liệu, mô hình vận hành và quy trình quản lý rủi ro cần thiết đáp ứng các hoạt động triển khai AI mang tính biến đổi.

Bài viết nhằm mục đích giúp các CEO và đội ngũ của họ hiểu rõ về lợi ích của AI tạo sinh và cách áp dụng chúng vào doanh nghiệp. Trước hết, bài viết sẽ cung cấp kiến thức cơ bản về AI tạo sinh để giúp các nhà quản trị hiểu rõ hơn về sự phát triển nhanh chóng của lĩnh vực này. Phần tiếp theo xem xét cách các công ty có thể tham gia vào lĩnh vực AI tạo sinh như thế nào thông qua bốn ví dụ minh họa nhằm nâng cao hiệu suất tổ chức. Những trường hợp này phản ánh những gì mọi người đang thấy ở các doanh nghiệp áp dụng Generative AI đầu tiên và làm sáng tỏ hàng loạt lựa chọn về yêu cầu công nghệ, chi phí và mô hình vận hành. Cuối cùng, bài viết đề cập đến vai trò quan trọng của CEO trong việc định vị một tổ chức để đạt được thành công với trí tuệ nhân tạo – AI tạo sinh – Generative AI.

Xem thêm: Bật mí 5 cách chặn quảng cáo trên Facebook hiệu quả

Giới thiệu về AI tạo sinh (Generative AI)

AI tạo sinh (Generative AI) đang phát triển nhanh chóng (Nguồn: Internet)

Công nghệ AI tạo sinh đang phát triển nhanh chóng. Chu kỳ phát hành, số lượng các công ty tham gia vào lĩnh vực này và sự tích hợp vào các ứng dụng phần mềm hiện tại rất đáng chú ý. Trong phần này, bài viết sẽ thảo luận về sự đa dạng của AI tạo sinh và đưa ra giải thích ngắn gọn về công nghệ này, bao gồm cả sự khác biệt của nó so với AI truyền thống.

Dưới đây là các sự kiện quan trọng trong quá trình phát triển của các mô hình ngôn ngữ lớn (LLM) trong vài tháng qua sau khi ChatGPT được ra mắt.

Quy trình phát triển của các mô hình ngôn ngữ lớn (LLM) trong vài tháng qua sau khi ra mắt ChatGPT

Xem thêm: 10 cách sử dụng ChatGPT – công cụ chat OpenAI độc đáo

AI tạo sinh có vai trò hơn cả một trợ lý trò chuyện

AI tạo sinh có thể được sử dụng để tự động hóa và tăng tốc quá trình hoàn thành công việc. Bài viết này sẽ tập trung vào cách AI tạo sinh có thể nâng cao hiệu suất công việc hơn là cách nó có thể thay thế vai trò của con người.

Trong khi các trợ lý trò chuyện bằng văn bản như ChatGPT nhận được sự chú ý lớn, AI tạo sinh có thể kích hoạt các khả năng trên nhiều loại nội dung, bao gồm hình ảnh, video, âm thanh và mã máy tính. Nó có thể thực hiện nhiều chức năng trong tổ chức, bao gồm phân loại, chỉnh sửa, tóm tắt, trả lời câu hỏi và soạn thảo nội dung mới. Mỗi hành động này đều có khả năng tạo ra giá trị bằng cách hỗ trợ quá trình hoàn thành công việc giữa các chức năng kinh doanh và quy trình làm việc của doanh nghiệp. Dưới đây là một số ví dụ.

Hỗ trợ phân loại

• Nhà phân tích phát hiện gian lận có thể nhập mô tả giao dịch, tài liệu khách hàng vào công cụ AI tạo sinh và yêu cầu công cụ này xác định các giao dịch gian lận.
• Người quản lý chăm sóc khách hàng có thể sử dụng AI tạo sinh để phân loại các tệp âm thanh cuộc gọi của khách hàng dựa trên mức độ hài lòng của người gọi.

Biên tập

• Người viết quảng cáo có thể sử dụng AI để sửa ngữ pháp và chuyển đổi bài viết cho phù hợp với tiếng nói thương hiệu của khách hàng.
• Nhà thiết kế đồ họa có thể xóa logo lỗi thời khỏi hình ảnh.

Tóm tắt

• Trợ lý sản xuất có thể tạo video nổi bật dựa trên số giờ quay sự kiện.
• Nhà phân tích kinh doanh có thể tạo sơ đồ Venn tóm tắt các điểm chính từ bài thuyết trình của giám đốc điều hành.

Trả lời câu hỏi

• Nhân viên của một công ty sản xuất có thể đặt câu hỏi kỹ thuật về các quy trình vận hành cho một “chuyên gia ảo” của AI tạo sinh.
• Người tiêu dùng có thể đặt câu hỏi cho trợ lý ảo về cách lắp ráp một món đồ nội thất mới.

Soạn dự thảo

• Nhà phát triển phần mềm có thể nhắc AI tạo toàn bộ dòng mã hoặc đề xuất các cách để hoàn thành một phần dòng mã hiện có.
• Người quản lý tiếp thị có thể sử dụng AI để soạn thảo các phiên bản khác nhau của thông điệp chiến dịch.

Khi công nghệ phát triển, các loại trí tuệ nhân tạo tạo sinh này có thể được tích hợp ngày càng nhiều vào quy trình làm việc của doanh nghiệp để tự động hóa các nhiệm vụ và thực hiện hành động cụ thể (ví dụ: tự động gửi ghi chú tóm tắt vào cuối cuộc họp). Hiện nay có rất nhiều công cụ hỗ trợ đang nổi lên trong lĩnh vực này.

Xem thêm: Google Bard vs ChatGPT: So sánh phiên bản beta của robot Google với OpenAI

AI tạo sinh khác với các loại AI khác như thế nào?

Điểm cơ bản mà AI tạo sinh khác với các dạng AI khác là nó có thể tạo ra nội dung mới một cách hiệu quả, thường ở dạng “không có cấu trúc” (ví dụ: văn bản hoặc hình ảnh) và không được thể hiện trong các bảng có hàng và cột.

Mô hình cơ bản cho phép AI tạo ra hoạt động được gọi là mô hình nền tảng (foundation model). Mô hình học máy (transformers) là thành phần chính của mô hình nền tảng. Chẳng hạn, GPT là viết tắt của generative pre-trained transformer – mô hình học máy đã được đào tạo trước. Mô hình học máy là một loại mạng nơ-ron nhân tạo được tạo nên từ mô hình học sâu (deep learning), một thuật ngữ chỉ đến số lớp (sâu) nhiều trong các mạng nơ-ron. Mô hình học sâu (deep learning) đã đóng góp vào nhiều tiến bộ gần đây trong lĩnh vực AI.

Tuy nhiên, một số đặc điểm làm cho các mô hình nền tảng khác biệt so với thế hệ các mô hình học sâu trước đây. Đầu tiên, chúng được tạo dựa trên các bộ dữ liệu phi cấu trúc vô cùng lớn và đa dạng. Ví dụ: một loại mô hình nền tảng được gọi là mô hình ngôn ngữ lớn có thể được tạo nên từ lượng lớn văn bản có sẵn công khai trên internet và bao gồm nhiều chủ đề khác nhau. Còn đối với các mô hình học sâu khác, chúng có thể hoạt động trên một lượng lớn dữ liệu phi cấu trúc, nhưng chúng thường được đào tạo trên một tập dữ liệu cụ thể hơn. Ví dụ: một mô hình có thể được tạo trên một bộ hình ảnh cụ thể để có thể nhận diện các đối tượng nhất định trong các bức ảnh.

Trên thực tế, các mô hình học sâu khác thường chỉ có thể thực hiện một công việc như vậy. Chẳng hạn, chúng có thể phân loại đối tượng trong một bức ảnh hoặc thực hiện một chức năng khác như đưa ra dự đoán. Ngược lại, một mô hình nền tảng có thể thực hiện cả hai chức năng này và tạo ra nội dung. Các mô hình nền tảng tích lũy những khả năng này bằng cách học các mẫu và mối quan hệ từ dữ liệu đào tạo rộng lớn mà chúng tiếp thu, ví dụ: dữ liệu này cho phép chúng dự đoán từ tiếp theo trong câu. Đó là cách ChatGPT có thể trả lời các câu hỏi về các chủ đề khác nhau và cách DALL·E 2 và Stable Diffusion có thể tạo ra hình ảnh dựa trên mô tả.

Với tính linh hoạt của mô hình nền tảng, các công ty có thể sử dụng cùng một mô hình để triển khai nhiều trường hợp khác nhau sử dụng trong kinh doanh, điều hiếm khi đạt được nếu sử dụng các mô hình học sâu trước đó. Một mô hình nền tảng đã tích hợp thông tin về sản phẩm của công ty có thể được sử dụng để trả lời câu hỏi của khách hàng và hỗ trợ kỹ sư phát triển các phiên bản cập nhật của sản phẩm. Do đó, các công ty có thể triển khai ứng dụng và nhận ra lợi ích của chúng nhanh hơn.

Tuy nhiên, cách thức hoạt động của các mô hình nền tảng hiện tại không tự nhiên với tất cả các ứng dụng. Ví dụ: các mô hình ngôn ngữ lớn có thể dễ bị “ảo giác”, có nghĩa là chúng đưa ra các phản hồi sai, không đúng sự thật. Ngoài ra, nguồn tham khảo của các phản hồi từ AI tạo sinh không phải lúc nào cũng được cung cấp. Do đó, các công ty nên cẩn thận khi tích hợp AI tạo sinh với các ứng dụng mà không có sự giám sát của con người. AI tạo sinh hiện cũng không phù hợp để phân tích trực tiếp lượng lớn dữ liệu dạng bảng hoặc giải quyết các vấn đề tối ưu hóa số phức tạp. Các nhà nghiên cứu đang nỗ lực giải quyết những hạn chế này.

Xem thêm: 15 công cụ AI dành cho kiến trúc sư hàng đầu

Sử dụng AI tạo sinh một cách cẩn thận và có trách nhiệm

AI tạo sinh tạo ra nhiều rủi ro khác nhau. Các CEO sẽ muốn thiết kế quy trình để giảm thiểu những rủi ro đó ngay từ đầu, không chỉ đáp ứng các yêu cầu pháp lý ngày càng phức tạp mà còn bảo vệ doanh nghiệp và giành được lòng tin của người tiêu dùng.

Tính công bằng: Các mô hình có thể tạo ra sai lệch thuật toán (cung cấp những phản hồi khác nhau) do dữ liệu không hoàn hảo hoặc do các kỹ sư phát triển mô hình gây nên.

Sở hữu trí tuệ (IP): Dữ liệu đào tạo và kết quả đầu ra của mô hình có thể tạo ra rủi ro đáng kể về sở hữu trí tuệ, bao gồm cả việc vi phạm các tài liệu có bản quyền, nhãn hiệu, bằng sáng chế hoặc tài liệu được bảo vệ hợp pháp. Ngay cả khi sử dụng công cụ AI tạo sinh của nhà cung cấp, các tổ chức cần hiểu dữ liệu nào được đưa vào đào tạo và cách dữ liệu đó được sử dụng trong đầu ra của công cụ.

Quyền riêng tư: Những lo ngại về quyền riêng tư có thể nảy sinh nếu người dùng nhập thông tin mà sau đó xuất hiện trong kết quả đầu ra của mô hình ở dạng mà các cá nhân có thể nhận biết được. AI tạo sinh cũng có thể được sử dụng để tạo nội dung độc hại, thông tin sai lệch, nội dung giả mạo và lời lẽ kích động.

Bảo mật: AI tạo sinh có thể bị kẻ xấu sử dụng để tăng mức độ phức tạp và tốc độ của các cuộc tấn công mạng. Nó cũng có thể bị thao túng để cung cấp các kết quả đầu ra độc hại. Ví dụ: thông qua một kỹ thuật được gọi là “chìm lệnh” hoặc “tiêm lệnh” (prompt injection), một bên thứ ba có thể cung cấp cho mô hình các hướng dẫn mới để đánh lừa mô hình phản hồi các kết quả đầu ra ngoài ý muốn của nhà sản xuất và người dùng.

Khả năng giải thích: AI tạo sinh dựa vào mạng lưới thần kinh với hàng tỷ tham số, thách thức khả năng của con người trong việc giải thích cách tạo ra bất kỳ câu trả lời nhất định nào.

Độ tin cậy: Các mô hình có thể tạo ra các câu trả lời khác nhau cho cùng một yêu cầu, cản trở khả năng đánh giá độ chính xác và độ tin cậy của kết quả đầu ra của người dùng.

Tác động đến tổ chức: AI tạo sinh có thể ảnh hưởng đáng kể đến lực lượng lao động và tác động tiêu cực, không công bằng đến những nhóm người cụ thể.

Tác động xã hội và môi trường: Việc phát triển, đào tạo các mô hình nền tảng có thể dẫn đến những hậu quả bất lợi về mặt xã hội và môi trường, bao gồm cả việc tăng lượng khí thải carbon (ví dụ: đào tạo một mô hình ngôn ngữ lớn có thể thải ra khoảng 315 tấn carbon dioxide).

Xem thêm: Copilot github là gì? Lý do nên sử dụng công cụ hỗ trợ lập trình này của GitHub

Hệ sinh thái AI tạo sinh đang nổi lên hiện nay

Trong khi các mô hình nền tảng đóng vai trò là “bộ não” của AI tạo sinh, toàn bộ chuỗi giá trị đang nổi lên để hỗ trợ quá trình đào tạo và sử dụng công nghệ này. Phần cứng chuyên biệt cung cấp sức mạnh tính toán cần thiết để tạo và mở rộng các mô hình. Các nền tảng đám mây cung cấp khả năng khai thác phần cứng này. MLOps và các trung tâm mô hình cung cấp các công cụ, công nghệ, phương pháp thực hành mà tổ chức cần để điều chỉnh mô hình nền tảng và triển khai nó trong các ứng dụng của người dùng. Nhiều công ty đang gia nhập thị trường để cung cấp các ứng dụng được xây dựng dựa trên các mô hình nền tảng cho phép họ thực hiện một nhiệm vụ cụ thể, chẳng hạn như hỗ trợ khách hàng của công ty về các vấn đề dịch vụ.

Chuỗi giá trị hỗ trợ các hệ thống AI tổng hợp đang phát triển nhanh chóng

Các mô hình nền tảng đầu tiên đòi hỏi mức đầu tư cao để phát triển, do cần có nguồn lực đáng kể và nỗ lực của con người. Do đó, những mô hình này chủ yếu được phát triển bởi một số công ty công nghệ lớn, các công ty khởi nghiệp có nguồn đầu tư mạnh và một số tổ chức nghiên cứu mã nguồn mở (ví dụ: BigScience). Tuy nhiên, các công việc đang được tiến hành trên cả các mô hình nhỏ hơn có thể mang lại kết quả tốt cho một số nhiệm vụ và quá trình đào tạo hiệu quả. Điều này có thể mở cửa thị trường cho nhiều đối thủ hơn trong tương lai. Một số công ty khởi nghiệp đã thành công trong việc phát triển các mô hình của riêng họ – ví dụ như Cohere, Anthropic và AI21 Labs xây dựng và đào tạo các mô hình ngôn ngữ lớn của riêng họ.

Xem thêm: 15 công cụ AI dành cho kiến trúc sư hàng đầu

Đưa AI tạo sinh vào hoạt động

Các CEO nên xem việc khám phá về trí tuệ nhân tạo tạo sinh là bắt buộc. AI tạo sinh có thể tạo ra giá trị trong nhiều trường hợp sử dụng khác nhau. Nếu không sử dụng AI tạo sinh, doanh nghiệp có thể sẽ thụt lùi so với các đối thủ cạnh tranh. Mỗi CEO nên cùng với đội ngũ quản lý đánh giá và tìm hiểu cách thức tham gia vào lĩnh vực này.

Một số CEO có thể quyết định rằng AI tạo sinh mang lại cơ hội biến đổi cho doanh nghiệp của họ, mở ra cơ hội để tái thiết kế tất cả quy trình, từ nghiên cứu, phát triển đến tiếp thị đến bán hàng và hoạt động dành cho khách hàng. Những người khác có thể chọn bắt đầu nhỏ và mở rộng quy mô sau. Sau khi quyết định đưa AI tạo sinh vào hoạt động, sẽ có những lộ trình kỹ thuật mà các chuyên gia trí tuệ nhân tạo có thể tuân theo để thực hiện chiến lược, tùy thuộc vào trường hợp sử dụng cụ thể.

Phần lớn việc sử dụng AI tạo sinh trong một tổ chức sẽ đến từ những người lao động sử dụng các tính năng được tích hợp sẵn trong phần mềm mà họ đang sử dụng. Hệ thống email sẽ cung cấp tùy chọn để viết bản nháp đầu tiên của tin nhắn. Các ứng dụng sẽ tạo bản thảo đầu tiên của bài thuyết trình dựa trên mô tả. Phần mềm tài chính sẽ tạo ra một mô tả văn bản về các đặc điểm đáng chú ý trong một báo cáo tài chính. Hệ thống quản lý quan hệ khách hàng sẽ gợi ý cách thức tương tác với khách hàng. Những tính năng này có thể đẩy nhanh năng suất của nhân viên.

Nhưng AI tạo sinh cũng có thể biến đổi nhiều hơn trong một số trường hợp sử dụng nhất định. Sau đây, cùng xem xét bốn ví dụ về cách công ty trong các ngành khác nhau đang sử dụng AI tạo sinh để định hình lại cách làm công việc trong tổ chức của họ. Các ví dụ bao gồm từ những công việc đòi hỏi nguồn lực tối thiểu cho đến những công việc đòi hỏi nhiều tài nguyên. 

Bảng: Các yêu cầu về mặt tổ chức đối với AI tạo sinh dao động từ thấp đến cao, tùy vào trường hợp sử dụng

Trường hợp sử dụng	Lộ trình kỹ thuật	Chi phí	Công nghệ	Dữ liệu độc quyền	Điều chỉnh quy trình
Thay đổi công việc trong lĩnh vực kỹ thuật phần mềm	Sử dụng công cụ phần mềm dưới dạng dịch vụ (SaaS)	Nhiều công cụ SaaS cung cấp các gói đăng ký cố định từ 10 đến 30 đô la với mỗi người dùng mỗi tháng; một số sản phẩm có giá dựa trên việc sử dụng	Không cần nhiều kỹ thuật, có thể cần cho việc lựa chọn giải pháp phù hợp và công việc tích hợp nhẹ	Vì mô hình được sử dụng nguyên trạng nên không cần dữ liệu độc quyền	Các quy trình phần lớn vẫn giữ nguyên, nhưng người lao động nên kiểm tra một cách có hệ thống các kết quả của mô hình để đảm bảo tính chính xác và phù hợp
Giúp người quản lý quan hệ theo kịp tốc độ của thông tin và các dữ liệu công khai	Xây dựng các lớp phần mềm trên mô hình API	Cần đầu tư trước để phát triển giao diện người dùng, tích hợp giải pháp và xây dựng các lớp xử lý hậu kỳChi phí hoạt động cho việc sử dụng API và bảo trì phần mềm	Cần có khả năng phát triển phần mềm, quản lý sản phẩm và tích hợp cơ sở dữ liệu, đòi hỏi ít nhất 1 nhà khoa học dữ liệu, kỹ sư máy học, kỹ sư dữ liệu, nhà thiết kế và nhà phát triển front-end	Vì mô hình được sử dụng nguyên trạng nên không cần dữ liệu độc quyền	Có thể cần có các quy trình để cho phép lưu trữ lời nhắc và kết quả, đồng thời có thể cần có các biện pháp bảo vệ để hạn chế việc sử dụng vì lý do rủi ro hoặc chi phí
Tối ưu hóa thời gian của đại diện hỗ trợ khách hàng để thực hiện các hoạt động có giá trị cao hơn.	Tinh chỉnh mô hình mã nguồn mở trong nội bộ	Chi phí ban đầu ~2 lần so với việc xây dựng trên API do yêu cầu chi phí nhân sự tăng cao cho việc làm sạch và gán nhãn dữ liệu và điều chỉnh mô hình.Chi phí vận hành cao hơn cho việc bảo trì mô hình và máy chủ điện toán đám mây.	Đội ngũ khoa học dữ liệu và kỹ thuật có kinh nghiệm với kiến thức MLOps và tài nguyên để kiểm tra hoặc tạo dữ liệu được gắn nhãn cần thiết.	Cần có một tập dữ liệu được gắn nhãn độc quyền để tinh chỉnh mô hình, mặc dù trong một số trường hợp, nó có thể tương đối nhỏ.	Cần có các quy trình phân loại và báo cáo vấn đề cho con người cũng như đánh giá định kỳ về độ an toàn của mô hình
Tăng tốc quá trình mà các nhà nghiên cứu có thể xác định các đặc điểm tế bào liên quan để nghiên cứu thuốc.	Tạo mô hình nền tảng từ đầu	Chi phí ban đầu ~10–20 lần so với việc xây dựng trên API do chi phí vốn và cơ sở hạ tầng kỹ thuật ban đầuChi phí vận hành cho bảo trì mô hình và máy chủ đám mây tương tự như trên	Yêu cầu một đội ngũ lớn về khoa học dữ liệu và kỹ thuật với kiến thức ở cấp độ tiến sĩ về chủ đề, MLOps theo các phương thức tốt nhất, và kỹ năng quản lý dữ liệu và cơ sở hạ tầng	Các mô hình nền tảng có thể được đào tạo trên dữ liệu lớn có sẵn công khai, tuy nhiên, sự phân biệt hóa lâu dài đến từ việc thêm dữ liệu sở hữu có nhãn hoặc không có nhãn (dễ thu thập hơn)	Bao gồm cả những điều trên, khi đào tạo về dữ liệu bên ngoài, cần phải xem xét kỹ lưỡng về mặt pháp lý để ngăn chặn các vấn đề về quyền sở hữu trí tuệ

Xem thêm: Hướng Dẫn Tận Dụng Google Sheets API Python

AI tạo sinh thay đổi công việc của kỹ sư phần mềm

Phần lớn nhất trong công việc của một kỹ sư phần mềm là viết mã. Đó là một quá trình tốn nhiều công sức, đòi hỏi nhiều thử nghiệm, sai sót. Tại công ty này, tình trạng thiếu kỹ sư phần mềm lành nghề đã dẫn đến tồn đọng lượng lớn công việc.

Để cải thiện năng suất của các kỹ sư, công ty đang triển khai một sản phẩm hoàn thiện mã nguồn dựa trên trí tuệ nhân tạo, tích hợp với phần mềm mà các kỹ sư sử dụng để viết mã. Điều này cho phép kỹ sư viết mô tả về mã bằng ngôn ngữ tự nhiên, trong khi trí tuệ nhân tạo đề xuất một số biến thể của khối mã sẽ đáp ứng mô tả đó. Kỹ sư có thể chọn một trong những đề xuất của trí tuệ nhân tạo, thực hiện các điều chỉnh cần thiết và nhấp vào nó để chèn mã.

Nghiên cứu của chúng tôi đã chỉ ra rằng những công cụ như vậy có thể tăng tốc độ tạo mã của nhà phát triển lên tới 50%. Nó cũng có thể hỗ trợ quá trình gỡ lỗi, cải thiện chất lượng của sản phẩm được phát triển. Tuy nhiên, AI tạo sinh không thể thay thế những kỹ sư phần mềm có kỹ năng. Trên thực tế, các kỹ sư giàu kinh nghiệm dường như thu được nhiều lợi ích từ ​​các công cụ này, góp phần gia tăng hiệu suất làm việc. Ngược lại, các nhà phát triển thiếu kinh nghiệm đưa ra những kết quả kém ấn tượng hơn và đôi khi là tiêu cực. Một rủi ro đáng quan ngại là mã do AI tạo ra có thể chứa lỗ hổng hoặc lỗi khác, vì vậy, các kỹ sư phần mềm phải tham gia để đảm bảo chất lượng và tính bảo mật của mã (xem phần cuối cùng trong bài viết này để biết cách giảm thiểu rủi ro).

Chi phí của công cụ mã hóa AI có sẵn này tương đối thấp và thời gian đưa ra thị trường ngắn do sản phẩm đã sẵn có và không đòi hỏi nhiều phát triển nội bộ đáng kể. Chi phí thay đổi tùy theo nhà cung cấp phần mềm và phí đăng ký cố định dao động từ $10 đến $30 cho mỗi người dùng mỗi tháng. Khi chọn một công cụ, điều quan trọng là phải thảo luận các vấn đề về cấp phép và sở hữu trí tuệ với nhà cung cấp để đảm bảo mã được tạo không dẫn đến vi phạm.

Hỗ trợ công cụ mới này là một nhóm nhỏ đa chức năng tập trung vào việc lựa chọn nhà cung cấp phần mềm và theo dõi hiệu suất, bao gồm việc kiểm tra các vấn đề về sở hữu trí tuệ và bảo mật. Việc triển khai chỉ yêu cầu thay đổi quy trình làm việc và chính sách. Bởi vì công cụ này hoàn toàn là phần mềm có sẵn dưới dạng dịch vụ (SaaS) nên chi phí tính toán và lưu trữ bổ sung là tối thiểu hoặc không tồn tại.

Xem thêm: 11 cách dùng ChatGPT hiệu quả trong Digital Marketing

AI tạo sinh hỗ trợ CEO bắt kịp xu hướng thị trường

Các công ty có thể quyết định xây dựng ứng dụng trí tuệ nhân tạo tạo sinh riêng của mình, tận dụng các mô hình nền tảng thông qua API hoặc mô hình mở, thay vì sử dụng một công cụ có sẵn. Quyết định này đòi hỏi một bước tiến về đầu tư so với ví dụ trước đó nhưng mang lại một cách tiếp cận phù hợp hơn để đáp ứng bối cảnh cảnh và nhu cầu cụ thể của công ty.

Trong ví dụ này, một ngân hàng lớn muốn sử dụng AI tổng quát để cải thiện năng suất của các nhà quản lý quan hệ (RM). RM thường dành thời gian đáng kể để xem xét các tài liệu lớn, chẳng hạn như báo cáo hàng năm và bản ghi cuộc họp đối thoại về doanh thu để cập nhật thông tin về tình hình và ưu tiên của khách hàng. Điều này giúp RMs cung cấp dịch vụ phù hợp với nhu cầu cụ thể của khách hàng.

Ngân hàng quyết định xây dựng giải pháp truy cập mô hình nền tảng thông qua API. Giải pháp quét tài liệu và có thể nhanh chóng đưa ra câu trả lời tổng hợp cho các câu hỏi do RM đặt ra. Các hỗ trợ bổ sung xung quanh mô hình nền tảng được xây dựng để hợp lý hóa trải nghiệm người dùng, tích hợp công cụ này với hệ thống của công ty và áp dụng các biện pháp kiểm soát rủi ro. Đặc biệt, kết quả đầu ra của mô hình phải được xác minh, giống như một tổ chức sẽ kiểm tra kết quả đầu ra của một nhà phân tích cấp dưới, bởi vì một số mô hình ngôn ngữ lớn đã được biết là gây ảo giác. RM cũng được đào tạo để đặt câu hỏi theo phương thức mang lại câu trả lời chính xác nhất và các quy trình được đưa ra để hợp lý hóa việc xác thực các nguồn thông tin và đầu ra của công cụ.

Trong trường hợp này, AI tổng hợp có thể tăng tốc quá trình phân tích của RM (từ vài ngày đến vài giờ), cải thiện sự hài lòng trong công việc và có khả năng nắm bắt những hiểu biết sâu sắc mà RM có thể đã bỏ qua.

Chi phí phát triển chủ yếu đến từ việc xây dựng và tích hợp giao diện người dùng, đòi hỏi thời gian của nhà khoa học dữ liệu, kỹ sư máy học hoặc kỹ sư dữ liệu, nhà thiết kế và nhà phát triển giao diện người dùng. Chi phí bao gồm bảo trì phần mềm và chi phí sử dụng API. Chi phí phụ thuộc vào việc lựa chọn mô hình và phí nhà cung cấp bên thứ ba, quy mô đội nhóm và thời gian để tạo ra sản phẩm khả thi tối thiểu.

Xem thêm: Chatbot Zalo là gì? Định nghĩa và cách thức hoạt động

AI tạo sinh hỗ trợ tối ưu hóa thời gian

Mức độ phức tạp tiếp theo là tinh chỉnh mô hình nền tảng. Trong ví dụ này, một công ty sử dụng một mô hình nền tảng được tối ưu hóa cho các cuộc trò chuyện và tinh chỉnh nó dựa trên các cuộc trò chuyện chất lượng cao, các câu hỏi và câu trả lời thuộc chuyên ngành của công ty (ví dụ: pháp luật, y học, bất động sản và tài chính). Dịch vụ khách hàng nhanh là một điểm khác biệt mang tính cạnh tranh.

Nhân viên hỗ trợ của công ty này xử lý hàng trăm câu hỏi gửi đến mỗi ngày. Thời gian phản hồi đôi khi quá lâu, khiến người dùng không hài lòng. Công ty quyết định triển khai một trợ lý dịch vụ khách hàng bằng trí tuệ nhân tạo để xử lý hầu hết các yêu cầu của khách hàng. Mục tiêu là có một phản hồi nhanh chóng với phong cách phù hợp với thương hiệu công ty và sở thích của khách hàng. Một phần của quá trình tinh chỉnh và thử nghiệm mô hình nền tảng bao gồm việc đảm bảo rằng các phản hồi được điều chỉnh phù hợp với thuật ngữ chuyên ngành, cam kết thương hiệu và phong cách đã đặt ra cho công ty; cần phải giám sát liên tục để xác minh hiệu suất của hệ thống trên nhiều khía cạnh, bao gồm cả sự hài lòng của khách hàng.

Công ty đã tạo một lộ trình sản phẩm bao gồm nhiều đợt để giảm thiểu sai số tiềm ẩn của mô hình. Trong đợt đầu tiên, trợ lý ảo được thử nghiệm nội bộ. Nhân viên có thể đưa ra câu trả lời “thích” hoặc “không thích” đối với những đề xuất của mô hình, và mô hình có thể học từ những thông tin đầu vào này. Bước tiếp theo, mô hình “lắng nghe” các cuộc trò chuyện hỗ trợ khách hàng và đề xuất ý kiến. Sau khi công nghệ đã được thử nghiệm đầy đủ, đợt thứ hai bắt đầu và mô hình được chuyển sang các trường hợp sử dụng tương tác với khách hàng với sự tham gia của con người. Cuối cùng, khi các nhà lãnh đạo hoàn toàn tin tưởng vào công nghệ, nó có thể được tự động hóa đáng kể.

Trong trường hợp này, AI tạo sinh tối ưu hóa thời gian của đại diện hỗ trợ khách hàng để tập trung vào các yêu cầu của khách hàng có giá trị cao và phức tạp hơn, tăng hiệu suất và sự hài lòng trong công việc của đại diện, nâng cao tiêu chuẩn dịch vụ và sự hài lòng của khách hàng. Trợ lý ảo có quyền truy cập vào tất cả dữ liệu nội bộ về khách hàng và có thể “nhớ” những cuộc trò chuyện trước đó (bao gồm cả cuộc gọi điện thoại), thể hiện một bước đổi mới so với các trợ lý trò chuyện hiện tại.

Để thu được những lợi ích này, trường hợp sử dụng này đòi hỏi đầu tư về phần mềm, cơ sở hạ tầng đám mây và nhân sự kỹ thuật, cũng như mức độ phối hợp nội bộ cao hơn về rủi ro và hoạt động. Nói chung, việc tinh chỉnh mô hình nền tảng tốn kém gấp hai đến ba lần so với việc xây dựng một hoặc nhiều lớp phần mềm trên cơ sở API. Chi phí nhân sự và chi phí của bên thứ ba cho điện toán đám mây (nếu tinh chỉnh một mô hình tự lưu trữ) hoặc cho API (nếu tinh chỉnh thông qua một API của bên thứ ba) là nguyên nhân dẫn đến chi phí gia tăng. Để triển khai giải pháp, công ty cần sự hỗ trợ từ các chuyên gia DataOps và MLOps cũng như ý kiến ​​đóng góp từ các bộ phận chức năng khác như chuyên gia quản lý sản phẩm, thiết kế, pháp lý và dịch vụ khách hàng.

Xem thêm: Cách sử dụng ChatGPT trên Microsoft Bing (GPT-4) miễn phí

AI tạo sinh thúc đẩy quá trình nghiên cứu thuốc

Các trường hợp sử dụng AI tạo sinh phức tạp và tùy chỉnh nhất xuất hiện khi không có sẵn mô hình nền tảng phù hợp và công ty cần phải xây dựng một mô hình từ đầu. Tình huống này có thể phát sinh trong các lĩnh vực chuyên biệt hoặc khi làm việc với các tập dữ liệu độc quyền khác biệt đáng kể so với dữ liệu được sử dụng để huấn luyện các mô hình nền tảng hiện tại, ví dụ thông tin dữ liệu về ngành dược phẩm. Việc đào tạo một mô hình nền tảng từ đầu đặt ra những thách thức đáng kể về kỹ thuật và nguồn lực. Lợi tức đầu tư bổ sung từ việc sử dụng mô hình hiệu suất cao hơn sẽ lớn hơn chi phí về vốn và nhân lực.

Trong ví dụ này, các nhà khoa học nghiên cứu thuốc tại một công ty dược phẩm phải quyết định chạy thử nghiệm nào tiếp theo dựa trên hình ảnh thu được từ kính hiển vi. Họ có một bộ dữ liệu gồm hàng triệu hình ảnh về các đặc điểm tế bào liên quan đến các loại thuốc mà chúng có thể khó hiểu đối với con người. Những hình ảnh này được sử dụng để đánh giá, phân loại và nghiên cứu loại thuốc tiềm năng.

Công ty đã quyết định tạo ra một công cụ giúp các nhà khoa học hiểu được mối quan hệ giữa thành phần hóa học của thuốc và kết quả ghi lại được qua kính hiển vi nhằm đẩy nhanh nỗ lực nghiên cứu và phát triển (R&D). Vì các mô hình đa phương thức như vậy vẫn còn ở giai đoạn sơ khai nên công ty đã quyết định tạo một mô hình của riêng mình. Để xây dựng mô hình, các thành viên nhóm đã đào tạo các mô hình nền tảng dựa trên bộ dữ liệu lớn những hình ảnh thực tế thu được từ kính hiển vi nội bộ của họ.

Mô hình được đào tạo đã gia tăng giá trị bằng cách dự đoán loại thuốc nào có thể dẫn đến các kết quả thuận lợi và cải thiện khả năng nhận diện đúng các đặc điểm tế bào liên quan đến nghiên cứu thuốc. Điều này có thể dẫn đến các quy trình nghiên thuốc hiệu quả hơn, không chỉ cải thiện giá trị kết quả, tiết kiệm thời gian mà còn giảm số lượng phân tích không chính xác, lạc hậu hoặc thất bại.

Nhìn chung, việc đào tạo một mô hình từ đầu tốn kém hơn từ 10 đến 20 lần so với việc xây dựng phần mềm dựa trên mô hình API. Các nhóm lớn hơn (ví dụ: bao gồm các chuyên gia kỹ sư máy móc có trình độ tiến sĩ), chi phí tính toán và lưu trữ cao hơn làm gia tăng chi phí. Chi phí dự kiến ​​cho việc đào tạo một mô hình nền tảng biến động nhiều dựa trên mức hiệu suất mô hình mong muốn và độ phức tạp mô hình hóa. Những yếu tố như kích thước bộ dữ liệu cần thiết, đội ngũ kỹ thuật và chi phí lưu trữ đám mây liên tục chiếm phần lớn chi phí. 

Công ty nhận thấy rằng cần có các bản cập nhật lớn cho cơ sở hạ tầng và quy trình công nghệ, bao gồm quyền truy cập vào nhiều phiên bản GPU để đào tạo mô hình, các công cụ để phân phối chương trình đào tạo trên nhiều hệ thống và MLOps tốt nhất để hạn chế chi phí và thời gian dự án. Ngoài ra, việc xử lý dữ liệu cũng được thực hiện để thu thập, tích hợp (đảm bảo tệp từ các bộ dữ liệu khác nhau có cùng định dạng và độ phân giải) và dọn dẹp (lọc dữ liệu chất lượng thấp, loại bỏ trùng lặp và đảm bảo phân phối phù hợp với mục đích đã định). Vì mô hình nền tảng đã được tạo từ đầu nên cần phải kiểm tra kỹ càng mô hình cuối cùng để đảm bảo rằng đầu ra chính xác và an toàn khi sử dụng.

Xem thêm: Cách dùng ChatGPT tại Việt Nam chi tiết nhất

Bài học mà CEO có thể rút ra từ những ví dụ này

Các trường hợp sử dụng được đưa vào bài viết mang lại những bước tiến mạnh mẽ cho doanh nghiệp khi các CEO bắt đầu sử dụng AI tạo sinh:

• Các trường hợp sử dụng mang tính chuyển đổi mang lại lợi ích thiết thực cho công việc và doanh nghiệp. Các công ty thuộc nhiều lĩnh vực, từ dược phẩm, ngân hàng đến bán lẻ, đang triển khai một loạt các trường hợp sử dụng khác nhau để nắm bắt tiềm năng. Các tổ chức có thể bắt đầu với quy mô nhỏ hoặc lớn, tùy thuộc vào nguyện vọng của họ.
• Chi phí theo đuổi AI tạo sinh biến động từ thấp đến cao, tùy thuộc vào mỗi trường hợp sử dụng và dữ liệu cần thiết cho phần mềm, cơ sở hạ tầng đám mây, chuyên môn kỹ thuật và giảm thiểu rủi ro. Các công ty phải tính đến các vấn đề rủi ro, bất kể trường hợp sử dụng nào và một số trường hợp sẽ yêu cầu nhiều nguồn lực hơn.
• Mặc dù việc bắt đầu nhanh chóng là có lợi, nhưng việc xây dựng một kế hoạch kinh doanh cơ bản trước tiên sẽ giúp các công ty định hướng tốt hơn hành trình phát triển AI của mình.

Xem thêm: Bing AI là gì? Cách tải và đăng ký sử dụng chatbot mới của Microsoft

Những điều cần xem xét khi bắt đầu sử dụng AI tạo sinh

Giám đốc điều hành có vai trò quan trọng trong việc thúc đẩy sự tập trung của công ty vào AI tạo sinh. Trong phần kết luận này, chúng ta thảo luận về các chiến lược mà CEO nên lưu ý khi bắt đầu hành trình của mình. Đa số những chiến lược này phản ánh phản ứng tích cực của các điều hành cấp cao đối với các làn sóng công nghệ mới trước đây. Tuy nhiên, AI tạo sinh đặt ra những thách thức riêng, bao gồm việc quản lý một công nghệ phát triển với tốc độ chưa từng thấy .

Tổ chức để triển khai AI tạo sinh

Nhiều tổ chức bắt đầu khám phá các khả năng của AI tạo sinh thông qua các thử nghiệm riêng lẻ. AI tạo sinh đòi hỏi một cách tiếp cận có chủ ý và phối hợp hơn dựa trên những cân nhắc về rủi ro và khả năng của các mô hình nền để hỗ trợ nhiều trường hợp sử dụng khác nhau trong tổ chức. Ví dụ: một mô hình được tinh chỉnh bằng cách sử dụng tài liệu độc quyền để phản ánh nhận diện thương hiệu của doanh nghiệp có thể được triển khai trong một số trường hợp sử dụng (ví dụ: tạo các chiến dịch tiếp thị được cá nhân hóa và mô tả sản phẩm) và các chức năng kinh doanh khác nhau, chẳng hạn như tiếp thị và phát triển sản phẩm.

Vì mục đích đó, các CEO nên triệu tập một nhóm đa chức năng gồm các quản lý công ty (ví dụ: đại diện cho khoa học dữ liệu, kỹ thuật, pháp lý, an ninh mạng, tiếp thị, thiết kế và các chức năng kinh doanh khác). Điều này không chỉ có thể giúp xác định và ưu tiên các trường hợp sử dụng có giá trị cao nhất mà còn cho phép triển khai phối hợp và an toàn trong toàn tổ chức.

Thiết kế quy trình cung ứng End-to-end

AI tạo sinh là một công cụ có thể biến đổi cách các tổ chức hoạt động, tác động cụ thể đến một số lĩnh vực kinh doanh nhất định trong chuỗi giá trị (ví dụ: tiếp thị cho nhà bán lẻ hoặc hoạt động cho nhà sản xuất). Sự dễ dàng trong việc triển khai AI có thể kích thích các tổ chức áp dụng nó vào các trường hợp sử dụng lẻ tẻ trên toàn doanh nghiệp. Tuy nhiên, doanh nghiệp cần có cái nhìn tổng quan về các trường hợp sử dụng theo lĩnh vực mà có tiềm năng biến đổi lớn nhất. Các tổ chức cần điều chỉnh quan điểm về mục tiêu, quy trình làm việc, tích hợp hoạt động của AI tạo sinh với các ứng dụng AI truyền thống khác, đồng thời áp dụng những phương pháp làm việc mới mẻ mà trước đây có thể chưa được triển khai.

Xây dựng hệ thống công nghệ được trang bị đầy đủ

Kho dữ liệu và công nghệ hiện đại là chìa khóa cho mọi cách tiếp cận thành công đối với AI tạo sinh. CEO nên nhờ ý kiến của giám đốc công nghệ để xác định xem công ty có những khả năng kỹ thuật cần thiết không, bao gồm tài nguyên máy tính, hệ thống dữ liệu, công cụ và quyền truy cập vào các mô hình (mã nguồn mở thông qua các trung tâm mô hình hoặc thương mại thông qua các giao diện lập trình ứng dụng).

Ví dụ: huyết mạch của AI tạo sinh là khả năng truy cập linh hoạt vào dữ liệu có ích cho bối cảnh hoặc vấn đề kinh doanh cụ thể. Các công ty chưa tìm cách tích hợp và cung cấp quyền truy cập thuận tiện đến dữ liệu có sẵn của họ. Điều này khiến cho họ không thể tinh chỉnh AI tạo sinh để mở ra nhiều ứng dụng có tiềm năng biến đổi hơn. Đồng thời, điều quan trọng không kém là thiết kế một kiến trúc dữ liệu có khả năng mở rộng bao gồm các quy trình bảo mật và quản trị dữ liệu. Tùy thuộc vào trường hợp sử dụng, cơ sở hạ tầng công cụ và điện toán hiện có (có thể được cung cấp thông qua một nhà cung cấp đám mây hoặc thiết lập nội bộ) cũng cần nâng cấp. Một chiến lược cơ sở hạ tầng và dữ liệu rõ ràng dựa trên giá trị kinh doanh và lợi thế cạnh tranh có được từ AI tạo sinh sẽ rất quan trọng.

Tiên phong ứng dụng AI tạo sinh

CEO nên tránh rơi vào tình trạng mắc kẹt ở giai đoạn lập kế hoạch. Các mô hình và ứng dụng mới đang được phát triển và ra mắt một cách nhanh chóng. Ví dụ: sau khi phát hành GPT-3 vào năm 2020 và ChatGPT (GPT-3.5) vào tháng 11 năm 2022, GPT-4 được phát hành vào tháng 3 năm 2023. Trong giới kinh doanh, thời gian là quan trọng, đồng thời tính chất nhanh chóng của công nghệ AI tạo sinh đòi hỏi các công ty nắm bắt nhanh chóng để tận dụng nó. Có một số cách mà các nhà quản trị có thể duy trì tốc độ ổn định.

Mặc dù AI tạo sinh vẫn còn ở giai đoạn sơ khai, nhưng nó vẫn có thể ảnh hưởng nhiều đến mô hình hoạt động của công ty. Điều quan trọng là tìm được hướng tiếp cận đối với doanh nghiệp của mình, có thể thông qua cách tiếp cận “ngọn hải đăng”. Ví dụ: một hướng đi phía trước là xây dựng một “chuyên gia ảo” cho phép nhân viên tuyến đầu khai thác các nguồn kiến ​​thức độc quyền và cung cấp nội dung phù hợp nhất cho khách hàng. Điều này có khả năng tăng năng suất, tạo ra sự nhiệt tình và cho phép tổ chức thử nghiệm AI trong nội bộ trước khi mở rộng quy mô sang các ứng dụng hướng tới khách hàng.

Cũng như các làn sóng đổi mới công nghệ khác, sẽ mệt mỏi khi phải chứng minh khả năng thành công và những ví dụ về các công ty bị mắc kẹt trong “thử nghiệm công nghệ” gây ảnh hưởng nhiều đến quyết định CEO. Tuy nhiên, việc thử nghiệm mô phỏng vẫn là cách tốt nhất để nhanh chóng kiểm tra và hiệu chỉnh một trường hợp kinh doanh có giá trị trước khi mở rộng ra các trường hợp sử dụng liền kề. Bằng cách tập trung vào những lợi ích AI tạo sinh mang lại kết quả có ý nghĩa cho doanh nghiệp, các công ty có thể tạo đà và sau đó mở rộng quy mô, tận dụng tính chất đa năng của AI tạo sinh. Cách tiếp cận này có thể cho phép các công ty thúc đẩy việc áp dụng AI rộng rãi hơn và tạo ra văn hóa đổi mới cần thiết để duy trì lợi thế cạnh tranh. Như đã nêu ở trên, đội ngũ lãnh đạo đa chức năng sẽ muốn đảm bảo rằng những chứng minh khả năng thành công đó được thực hiện có chủ ý và phối hợp.

Cân bằng những rủi ro có thể gặp phải và giá trị tạo ra

Như bốn trường hợp sử dụng chi tiết mà chúng tôi đã minh họa, các nhà lãnh đạo doanh nghiệp phải cân bằng các cơ hội tạo ra giá trị với những rủi ro liên quan đến AI tạo sinh. Theo khảo sát AI toàn cầu gần đây, hầu hết các tổ chức không giảm thiểu tối đa các rủi ro liên quan đến AI, mặc dù hơn một nửa số tổ chức đã áp dụng công nghệ này. AI tạo sinh mang lại sự chú ý mới cùng với nhiều rủi ro tương tự, chẳng hạn như việc cung cấp thông tin sai lệch từ dữ liệu đào tạo, đồng thời đưa ra những rủi ro mới, chẳng hạn như xu hướng gây “ảo giác” thông tin.

Do đó, nhóm lãnh đạo đa chức năng sẽ không chỉ muốn thiết lập các nguyên tắc đạo đức và hướng dẫn tổng thể cho việc sử dụng AI tạo sinh mà còn phát triển sự hiểu biết toàn diện về các rủi ro mà tiềm ẩn trong từng trường hợp sử dụng. Điều quan trọng là việc tìm kiếm các trường hợp sử dụng ban đầu để áp dụng vào doanh nghiệp không chỉ phù hợp với ngưỡng chịu đựng rủi ro tổng thể của tổ chức mà còn có cơ cấu để giảm thiểu rủi ro hậu quả. Ví dụ: một tổ chức bán lẻ có thể ưu tiên một trường hợp sử dụng có giá trị thấp hơn một chút nhưng cũng có rủi ro thấp hơn, chẳng hạn như tạo bản thảo ban đầu về nội dung tiếp thị và các nhiệm vụ khác giúp nhân viên luôn cập nhật thông tin. Đồng thời, công ty có thể dành ra một trường hợp sử dụng có giá trị cao hơn, rủi ro cao hơn, chẳng hạn như một công cụ tự động soạn thảo và gửi email tiếp thị siêu cá nhân hóa. Các hoạt động chuyển tiếp rủi ro như vậy có thể cho phép các tổ chức thiết lập các biện pháp kiểm soát cần thiết để quản lý AI tạo sinh một cách hợp lý và duy trì sự tuân thủ.

CEO và đội ngũ của họ cũng sẽ muốn cập nhật thông tin mới nhất trong quy định của AI tạo sinh, bao gồm các quy tắc liên quan đến bảo vệ dữ liệu người tiêu dùng và quyền sở hữu trí tuệ. Điều này nhằm mục đích bảo vệ công ty khỏi các vấn đề trách nhiệm pháp lý. Các quốc gia có thể áp dụng các phương thức quy định khác nhau, như họ thường làm với AI và dữ liệu. Các tổ chức có thể cần điều chỉnh phương pháp làm việc của mình để hiệu chỉnh quản lý quy trình, văn hóa và quản lý nhân tài một cách phù hợp để đảm bảo rằng họ có thể xử lý môi trường pháp lý đang phát triển nhanh chóng và các rủi ro của AI tạo ra trên quy mô lớn.

Xây dựng hệ sinh thái kinh doanh để mở rộng quan hệ đối tác

Các nhà lãnh đạo doanh nghiệp nên tập trung vào việc xây dựng và duy trì một tập hợp các liên minh cân bằng. Chiến lược mua lại và liên minh của một công ty nên tiếp tục tập trung vào việc xây dựng một hệ sinh thái gồm các đối tác phù hợp với các bối cảnh khác nhau và giải quyết những gì AI tạo sinh đòi hỏi ở mọi cấp độ công nghệ, đồng thời cẩn thận để ngăn chặn sự ràng buộc của nhà cung cấp.

Hợp tác với các công ty phù hợp có thể giúp đẩy nhanh quá trình thực hiện. Các tổ chức không phải tự mình xây dựng tất cả các ứng dụng hoặc mô hình nền tảng. Thay vào đó, họ có thể hợp tác với các nhà cung cấp và chuyên gia AI tạo sinh để phát triển nhanh hơn. Ví dụ: họ có thể hợp tác với các nhà cung cấp mô hình để tùy chỉnh mô hình cho một lĩnh vực cụ thể hoặc hợp tác với các nhà cung cấp cơ sở hạ tầng cung cấp các khả năng hỗ trợ như điện toán đám mây có thể mở rộng.

Các công ty có thể sử dụng kiến ​​thức chuyên môn của người khác và nhanh chóng tận dụng công nghệ AI tiên tiến nhất. Nhưng các mô hình AI tạo sinh chỉ là phần nhỏ, chúng đòi hỏi cần có nhiều yếu tố bổ sung để tạo ra giá trị.

Tập trung vào nhân sự và kỹ năng cần thiết

Để ứng dụng AI tạo sinh một cách hiệu quả để tạo ra giá trị kinh doanh, các công ty cần xây dựng năng lực kỹ thuật cần thiết và nâng cao kỹ năng cho đội ngũ lao động hiện tại. Điều này đòi hỏi những nỗ lực phối hợp của lãnh đạo để xác định các khả năng cần thiết dựa trên những trường hợp sử dụng của công ty. Ngoài ra, doanh nghiệp có thể mở rộng ra ngoài các vai trò kỹ thuật để bao gồm một sự kết hợp các nhân tài trong các lĩnh vực như kỹ thuật, dữ liệu, thiết kế, rủi ro, sản phẩm và các chức năng kinh doanh khác.

Như đã trình bày trong các trường hợp sử dụng AI tạo sinh được minh họa ở trên, nhu cầu về kỹ thuật và nhân tài rất khác nhau tùy thuộc vào bản chất của việc triển khai nhất định, từ việc sử dụng các giải pháp sẵn có đến xây dựng mô hình nền tảng từ đầu. Ví dụ, để xây dựng một mô hình tạo sinh, một công ty có thể cần các chuyên gia kỹ sư máy móc có trình độ tiến sĩ. Mặt khác, để phát triển các công cụ AI tạo sinh bằng cách sử dụng các mô hình hiện có và các dịch vụ SaaS, một kỹ sư dữ liệu và kỹ sư phần mềm đã có thể dẫn dắt công việc này. 

Ngoài việc tuyển dụng nhân sự phù hợp, các công ty sẽ muốn đào tạo và giáo dục lực lượng lao động hiện có. Giao diện người dùng tương tác theo yêu cầu có thể khiến các ứng dụng trí tuệ nhân tạo tạo sinh trở nên dễ sử dụng. Tuy nhiên, người dùng vẫn cần tối ưu hóa các yêu cầu, đào tạo người dùng hiểu rõ giới hạn của công nghệ đồng thời nắm bắt thông tin về việc tích hợp ứng dụng vào quy trình làm việc của mình ở đâu và khi nào ở mức chấp nhận được. Lãnh đạo nên hướng dẫn chi tiết cách sử dụng các công cụ AI tổng hợp và đào tạo nhân viên thường xuyên.

Xem thêm: 10 công cụ AI tốt nhất để ghi chú cuộc họp (2023)

Xem thêm: SEO agency, SEO lazada, SEO traffic, SEO từ khóa google, SEO web wordpress, công ty SEO chuyên nghiệp, SEO tiktok, TOS, SEO từ khóa, dịch vụ SEO traffic, AI cho SEO, dịch vụ Entity SEO, dịch vụ SEO hiệu quả, dịch vụ SEO, dịch vụ SEO tổng thể website, thuê SEO tổng thể,, SEO shopee, AI cho chat gpt, dịch vụ SEO từ khóa Top Google, GPT cho SEO

---

Các doanh nghiệp đã theo đuổi những hoài bão về Trí tuệ Nhân tạo (AI) từ nhiều năm qua, và nhiều công ty đã nhận ra những dòng doanh thu mới, cải tiến sản phẩm và hiệu quả hoạt động. Phần lớn thành công trong các lĩnh vực này đều bắt nguồn từ công nghệ AI, vốn vẫn là công cụ tốt nhất cho một công việc cụ thể và các doanh nghiệp nên tiếp tục nhân rộng những nỗ lực như vậy. Tuy nhiên, AI tạo sinh đại diện cho một bước tiến tiềm năng và một thế giới mới đầy hy vọng. Mặc dù cơ sở  vận hành và rủi ro của công nghệ này vẫn đang được nghiên cứu, nhưng các nhà lãnh đạo kinh doanh biết rằng họ nên bắt đầu hành trình của mình trong lĩnh vực này. Nhưng họ nên bắt đầu ở đâu và như thế nào? Câu trả lời sẽ khác nhau tùy theo từng công ty cũng như trong mỗi tổ chức. Phương pháp tốt nhất sẽ phụ thuộc vào nguyện vọng và mức độ chấp nhận rủi ro của công ty. Dù mong muốn của bạn là gì, điều quan trọng là phải bắt đầu và học hỏi từ việc thực hiện.

Nguồn tham khảo: https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/what-every-ceo-should-know-about-generative-ai