Trong thập kỷ qua, ứng dụng công nghệ trí tuệ nhân tạo AI (Artificial Intelligence) đã và đang phát triển mạnh. Đặc biệt là ứng dụng AI trong điện toán đám mây (ĐTĐM) (Cloud computing) được các doanh nghiệp (DN) trên thế giới sử dụng để chuyển đổi số (CĐS) rất thành công. Ứng dụng AI trong nhiều lĩnh vực đạt được thành công nhất có thể kể đến như: bán lẻ, tài chính, sản xuất, nông nghiệp, giáo dục, ô tô, bán hàng B2B, ngân hàng, thương mại, bảo hiểm, khoa học đời sống và các dịch vụ tiện ích. AI đã giúp nhiều DN hoạt động trong lĩnh vực này thực hiện chuyển đổi số thành công với chi phí thấp, hiệu quả, sản xuất tự động nhiều hơn. Song song với các cơ hội mà AI mang lại thì AI cũng đem lại những thách thức không nhỏ đối với nhà quản lý DN.
Ứng dụng AI trong hầu hết mọi lĩnh vực
Cuộc cách mạng 4.0 hiện nay đã cho thấy công nghệ nhanh chóng trở nên thông minh hơn và mạnh hơn, nhỏ hơn, nhẹ hơn và rẻ hơn. Các công nghệ này bao gồm phần cứng của các thiết bị: robot vật lý, máy bay không người lái và phương tiện tự trị và các thành phần của chúng (ví dụ: bộ xử lý, cảm biến, camera, chip). Công nghệ có thể là mã hoặc phần mềm như: phần mềm Analytics, phần mềm xử lý giọng nói, phần mềm sinh trắc học, thực tế ảo, thực tế tăng cường, công nghệ đám mây, công nghệ di động, gắn thẻ địa lý, nền tảng mã thấp, tự động hóa quá trình robot (RPA) và học máy. AI làm thay đổi tất cả các ngành trong tất cả các lĩnh vực dịch vụ và tự động hóa như:
Trong quản lý nhân sự: AI kiểm soát quá trình lao động tại nơi làm việc, cho phép tối đa hóa năng suất và hiệu quả của con người tại nơi làm việc. Theo một báo cáo gần đây, hầu hết các tổ chức lớn đã xây dựng khả năng của AI, 70% giám đốc điều hành xem ứng dụng AI ưu tiên hàng đầu.
Trong DN: Theo Alibaba, Chatbot AI đã giúp họ giảm tới 90% truy vấn đối với khách hàng và phục vụ hơn 3,5 triệu người dùng mỗi ngày. Trong một nghiên cứu gần đây liên quan đến 1.500 công ty trong 12 ngành công nghiệp, đã cho thấy các tổ chức có thể đạt được những cải tiến hiệu suất đáng kể nhất khi con người và máy móc làm việc cùng nhau.
Trong y tế: Liên quan đến phát hiện ung thư, trong hình ảnh của các tế bào hạch bạch huyết, Wang et al. (2016) phát hiện ra rằng một cách tiếp cận con người kết hợp với AI sẽ vượt trội hơn so với các quyết định chỉ có con người duy nhất. Tỷ lệ lỗi 0,5% khi kết hợp AI và con người trong việc ra quyết định, giảm tỷ lệ lỗi ít nhất ở mức 85% so với các phương pháp tiếp cận chỉ có con người và chỉ có AI.
Trong các ngành dịch vụ và tự động hóa: Robot dịch vụ có thể phân tích khối lượng dữ liệu lớn, tích hợp thông tin nội bộ và bên ngoài, nhận dạng các mẫu liên quan đến các hồ sơ khách hàng. Trong vài phút, các robot này có thể đề xuất các giải pháp phù hợp nhất và đưa ra khuyến nghị. Các đội người-robot ngày càng mang lại các nhiệm vụ đòi hỏi kỹ năng nhận thức và cảm xúc cao.
Trong ngành thương mại và du lịch: Trí thông minh nhân tạo đang thay đổi cách mà những người kinh doanh làm việc, giúp khả năng thương mại hiệu quả, ít tốn kém và cạnh tranh. Mục tiêu thương mại chủ yếu là sự tuân thủ và kiểm soát cẩn thận, như cách xử lý ngôn ngữ tự nhiên để tạo ra hồ sơ toàn diện của cá nhân hay DN tham gia giao dịch, dựa trên các khả năng tìm kiếm trên mạng Internet. Các ứng dụng tìm kiếm bất thường được ứng dụng AI.
Cơ hội và thách thức khi ứng dụng AI
Cơ hội
Rất nhiều CEO đều công nhận rằng AI có tiềm năng thay đổi hoàn toàn cách thức hoạt động của tổ chức. Để nắm bắt được cơ hội mà AI mang lại các DN cần hình dung lại mô hình kinh doanh của mình và phương thức hoạt động. DN không thể cứ ứng dụng AI vào một quy trình hiện tại để tự động hóa nó hoặc thêm thông tin chi tiết. Cách tiếp cận sử dụng AI qua các chức năng có trong danh sách ứng dụng cụ thể sẽ không đem lại thay đổi bởi vì nó phụ thuộc vào quy trình hoạt động DN.
Và cách tiếp cận đó cũng làm cho việc ứng dụng AI mở rộng quy mô, tăng thêm module lập trình liên quan đến dữ liệu đầu vào, dữ liệu đào tạo, dữ liệu thay đổi, dữ liệu quản lý đối tác và dữ liệu công nghệ. Điều đó không có nghĩa là DN nên thay đổi toàn bộ tổ chức khi ứng dụng AI cùng một lúc. Một sự thay đổi hoàn toàn là một quá trình cực kỳ phức tạp liên quan đến quá nhiều nhiều bộ phận và các bên liên quan. Thay đổi trong toàn bộ quy trình hoặc chức năng cốt lõi được gọi là miền quản lý sẽ dẫn đến cải tiến lớn về hiệu suất.
Không những thế, tập hợp một nhóm nhân tài phù hợp với các trường hợp cần giải quyết ba sự cân bằng lý tưởng để nắm bắt cơ hội AI và bắt đầu các nỗ lực AI. Những nhân sự trong ba hình tròn sẽ tạo thành bộ ba bổ sung về AI, CNTT và chuyên môn về miền quản lý. Nhưng trong mỗi lĩnh vực chuyên môn, các nhân sự có kỹ năng sẽ là trung tâm để giải quyết các trường hợp được đề xuất
Nó cũng sẽ cho phép mỗi sáng kiến AI sử dụng lại dữ liệu hoặc cải tiến khả năng của các loại dữ liệu liên quan. Cách tiếp cận này kích hoạt một chu kỳ thay đổi hữu cơ trong nhiều lĩnh vực và cuối cùng là xây dựng động lực cho việc sử dụng AI trong toàn bộ DN. Hơn nữa, cách tiếp cận này thúc đẩy tư duy về cải tiến liên tục trong lực lượng lao động, điều này rất quan trọng vì công nghệ AI đang phát triển nhanh chóng, yêu cầu các tổ chức nghĩ về chuyển đổi AI liên tục thay vì nỗ lực chuyển đổi một lần. Không những thế, khi mô tả các trường hợp sử dụng AI càng rõ ràng càng tốt, đặc biệt khi nói đến các kỹ thuật AI, các đề xuất giá trị cần phải được trình bày rõ ràng nhất có thể.
Cuối cùng, DN nào không thể tận dụng hết khả năng và cơ hội do AI mang lại sẽ bị gạt sang một bên, ví dụ như nhiều DN sản xuất ô tô và DN dịch vụ tài chính. Tin tốt là nhiều DN có số liệu phân tích hạn chế khả năng đã bắt đầu phát triển các kỹ năng cần thiết để nắm bắt các cơ hội AI, vì cuộc khủng hoảng COVID-19 đã buộc họ thay đổi cách họ kinh doanh gần như chỉ sau một đêm.
Thách thức
Thách thức ở đây là việc tự động hóa các quy trình làm việc bằng phương tiện AI đã làm tỷ lệ thất nghiệp tăng lên. Bởi vì AI giúp tự động hóa và xử lý các vấn để phức tạp và sáng tạo trong công việc nhờ áp dụng các thuật toán ML đã được tối ưu. AI sẽ dần thay thế công việc của con người ở những công việc có tính phức tạp và sáng tạo. Không những thế, chuyện gì xảy ra khi ML và các chương trình máy tính cập nhật thông tin mới và sau đó thay đổi cách chúng đưa ra quyết định, dẫn đến có sự thiên vị trong các khoản đầu tư, trong các khoản cho thuê hoặc cho vay hay trong tai nạn ô tô?
Thuật toán trong AI không phải lúc nào cũng hoạt động trơn tru và không phải lúc nào AI cũng đưa ra được lựa chọn có đạo đức và chính xác. Có ba lý do cơ bản là:
Thứ nhất, các thuật toán ML thường dựa vào xác suất. Nên khi các thuật toán trong AI đưa ra rất nhiều dự đoán thì có thể một trong số dự đoán đó sẽ sai. Khả năng xảy ra lỗi phụ thuộc vào rất nhiều yếu tố, bao gồm số lượng và chất lượng của dữ liệu được sử dụng để đào tạo các thuật toán ML, phương pháp ML được chọn (ví dụ: học sâu, sử dụng các mô hình toán học phức tạp, cây phân loại dựa trên các quy tắc quyết định) và hệ thống sử dụng các thuật toán. Khả năng xảy ra lỗi có thể không cho phép tối ưu hóa độ chính xác.
Thứ hai, môi trường mà ML hoạt động tự nó có thể phát triển hoặc phát triển các thuật toán khác. Mặc dù các khả năng này có thể xảy ra thì một trong số đó thường gặp nhất là bị mất khái niệm và dịch chuyển đồng biến. Theo thời gian, mối quan hệ giữa các đầu vào mà hệ thống sử dụng không ổn định hoặc không xác định. Ví dụ khi xem xét một thuật toán ML sử dụng trong giao dịch chứng khoán.
Nếu ML đã được đào tạo chỉ sử dụng dữ liệu trong thời kỳ thị trường ít biến động và tăng trưởng kinh tế cao, thuật toán ML có thể không hoạt động tốt khi nền kinh tế bước vào suy thoái hoặc khủng hoảng ví dụ như trong cuộc khủng hoảng từ đại dịch COVID-19. Khi thị trường thay đổi, mối quan hệ giữa các yếu tố đầu vào và đầu ra (ví dụ như giữa đòn bẩy lâu năm của một DN và lợi nhuận cổ phiếu của DN đó) cũng có thể thay đổi. Sự sai lệch tương tự có thể xảy ra ở mô hình tính điểm tín dụng tại các thời điểm khác nhau trong chu kỳ kinh doanh.
Trong y học, khi một hệ thống chẩn đoán dựa trên ML sử dụng hình ảnh màu da làm đầu vào trong việc phát hiện ung thư da có thể chẩn đoán không chính xác là bởi vì mối quan hệ giữa màu sắc của da có thể thay đổi theo chủng tộc hoặc tiếp xúc với ánh nắng mặt trời. Quyết định chẩn đoán sai này là do thông tin để các thuật toán ML tự học là không chính xác và không đầy đủ. Thông tin như vậy thậm chí không có sẵn trong hồ sơ sức khỏe điện tử được sử dụng để đào tạo mô hình ML, trong quá trình sử dụng khác với dữ liệu mà AI được đào tạo.
Thứ ba, là các quyết định của ML làm tăng tính phức tạp của hệ thống. Khi xem xét một thiết bị dùng để chẩn đoán bệnh qua hình ảnh. Chất lượng thiết bị phụ thuộc vào: thứ nhất là độ nét của hình ảnh, thứ hai là thuật toán ML được thiết bị sử dụng, thứ ba là dữ liệu mà thuật toán đó đào tạo cho ML. Với rất nhiều thông số, rất khó để đánh giá liệu và tại sao một thiết bị như vậy có thể phạm sai lầm. Các quyết định thiếu chính xác không phải là rủi ro duy nhất mà AI có thể tạo ra.
