Tin tức AI đã gặp chủ tịch của Ikigai Labs, Kamal Ahluwalia, để thảo luận về mọi thứ thuộc thế hệ AI, bao gồm các mẹo hàng đầu về cách áp dụng và sử dụng công nghệ cũng như tầm quan trọng của việc đưa đạo đức vào thiết kế AI.
Bạn có thể cho chúng tôi biết một chút về Ikigai Labs và nó có thể giúp ích cho các công ty như thế nào không?
Ikigai đang giúp các tổ chức chuyển đổi dữ liệu doanh nghiệp thưa thớt, bị cô lập thành những hiểu biết sâu sắc có thể dự đoán và hành động với nền tảng AI tổng hợp được thiết kế đặc biệt cho dữ liệu dạng bảng, có cấu trúc.
Một phần đáng kể dữ liệu doanh nghiệp là dữ liệu dạng bảng có cấu trúc, nằm trong các hệ thống như SAP và Salesforce. Dữ liệu này thúc đẩy việc lập kế hoạch và dự báo cho toàn bộ doanh nghiệp. Mặc dù có rất nhiều hứng thú xung quanh Mô hình ngôn ngữ lớn (LLM), rất phù hợp cho dữ liệu phi cấu trúc như văn bản, nhưng Mô hình đồ họa lớn (LGM) đã được cấp bằng sáng chế của Ikigai, được phát triển từ MIT, lại tập trung vào giải quyết các vấn đề bằng cách sử dụng dữ liệu có cấu trúc.
Giải pháp của Ikigai đặc biệt tập trung vào các bộ dữ liệu chuỗi thời gian, khi các doanh nghiệp hoạt động dựa trên bốn chuỗi thời gian chính: doanh số, sản phẩm, nhân viên và vốn/tiền mặt. Hiểu cách các chuỗi thời gian này kết hợp với nhau trong những thời điểm quan trọng, chẳng hạn như tung ra sản phẩm mới hoặc thâm nhập vào một khu vực địa lý mới, là điều quan trọng để đưa ra quyết định tốt hơn nhằm mang lại kết quả tối ưu.
Bạn mô tả bối cảnh AI hiện tại như thế nào và bạn hình dung nó sẽ phát triển như thế nào trong tương lai?
Các công nghệ đã thu hút được trí tưởng tượng, chẳng hạn như LLM của OpenAI, Anthropic và các công nghệ khác, đều xuất phát từ nền tảng người tiêu dùng. Họ đã được đào tạo trên dữ liệu có quy mô internet và các tập dữ liệu đào tạo ngày càng lớn hơn, điều này đòi hỏi khả năng tính toán và lưu trữ đáng kể. Phải mất 100 triệu USD để đào tạo GPT4 và GP5 dự kiến sẽ tiêu tốn 2,5 tỷ USD.
Thực tế này hoạt động trong môi trường người tiêu dùng, nơi chi phí có thể được chia sẻ trên một nhóm người dùng rất lớn và một số lỗi chỉ là một phần của quá trình đào tạo. Nhưng trong doanh nghiệp, không thể dung thứ cho sai sót, ảo giác không phải là một lựa chọn và độ chính xác là điều tối quan trọng. Ngoài ra, chi phí đào tạo một mô hình về dữ liệu quy mô internet không phải chăng và các công ty tận dụng mô hình nền tảng có nguy cơ bị lộ IP và dữ liệu nhạy cảm khác của họ.
Trong khi một số công ty đã đi theo con đường xây dựng kho công nghệ của riêng mình để LLM có thể được sử dụng trong một môi trường an toàn, thì hầu hết các tổ chức đều thiếu nhân tài và nguồn lực để tự xây dựng nó.
Bất chấp những thách thức, các doanh nghiệp vẫn muốn có loại trải nghiệm mà LLM cung cấp. Nhưng kết quả cần phải chính xác – ngay cả khi dữ liệu thưa thớt – và phải có cách để loại bỏ dữ liệu bí mật khỏi mô hình cơ bản. Điều quan trọng nữa là tìm cách giảm tổng chi phí sở hữu, bao gồm chi phí đào tạo và nâng cấp mô hình, sự phụ thuộc vào GPU và các vấn đề khác liên quan đến quản trị và lưu giữ dữ liệu. Tất cả điều này dẫn đến một loạt giải pháp rất khác so với những gì chúng ta hiện có.
Làm thế nào các công ty có thể tạo ra một chiến lược để tối đa hóa lợi ích của AI thế hệ?
Mặc dù đã có nhiều bài viết về Mô hình ngôn ngữ lớn (LLM) và các ứng dụng tiềm năng của chúng, nhưng nhiều khách hàng vẫn hỏi “làm cách nào để xây dựng sự khác biệt?”
Với LLM, gần như tất cả mọi người sẽ có quyền truy cập vào các khả năng giống nhau, chẳng hạn như trải nghiệm chatbot hoặc tạo nội dung và email tiếp thị – nếu mọi người đều có use case giống nhau thì đó không phải là điểm khác biệt.
Điều quan trọng là chuyển trọng tâm từ các use case chung sang tìm kiếm các lĩnh vực tối ưu hóa và hiểu biết cụ thể cho doanh nghiệp và hoàn cảnh của bạn. Ví dụ: nếu bạn đang sản xuất và cần chuyển hoạt động ra khỏi Trung Quốc, bạn lập kế hoạch như thế nào khi có sự không chắc chắn về Logistics, lao động và các yếu tố khác? Hoặc, nếu bạn muốn tạo ra nhiều sản phẩm thân thiện với môi trường hơn, vật liệu, nhà cung cấp và cơ cấu chi phí sẽ thay đổi. Làm thế nào để bạn mô hình hóa điều này?
Những use case này là một số cách mà các công ty đang cố gắng sử dụng AI để điều hành hoạt động kinh doanh và lập kế hoạch của họ trong một thế giới không chắc chắn. Tìm kiếm tính đặc thù và điều chỉnh công nghệ theo nhu cầu riêng của bạn có lẽ là cách tốt nhất để sử dụng AI nhằm tìm ra lợi thế cạnh tranh thực sự.
Những thách thức chính mà các công ty gặp phải khi triển khai Generative AI là gì và làm cách nào để vượt qua những thách thức này?
Lắng nghe khách hàng, chúng tôi biết rằng mặc dù nhiều người đã thử nghiệm AI tổng hợp nhưng chỉ một phần nhỏ đưa mọi thứ vào sản xuất do chi phí quá cao và lo ngại về bảo mật. Nhưng điều gì sẽ xảy ra nếu các mô hình của bạn có thể được đào tạo chỉ dựa trên dữ liệu của riêng bạn, chạy trên CPU thay vì yêu cầu GPU, với kết quả chính xác và tính minh bạch về cách bạn nhận được những kết quả đó? Điều gì sẽ xảy ra nếu tất cả các vấn đề về quy định và tuân thủ được giải quyết mà không để lại câu hỏi nào về việc dữ liệu đến từ đâu hoặc lượng dữ liệu đang được đào tạo lại là bao nhiêu? Đây là những gì Ikigai đang mang đến với Mô hình đồ họa lớn.
Một thách thức mà chúng tôi đã giúp các doanh nghiệp giải quyết là vấn đề dữ liệu. Gần 100% các tổ chức đang làm việc với dữ liệu hạn chế hoặc không hoàn hảo và trong nhiều trường hợp, đây là rào cản đối với việc thực hiện bất kỳ điều gì với AI. Các công ty thường nói về việc dọn dẹp dữ liệu, nhưng trên thực tế, việc chờ đợi dữ liệu hoàn hảo có thể cản trở tiến độ. Các giải pháp AI có thể hoạt động với dữ liệu thưa thớt, hạn chế là rất cần thiết vì chúng cho phép các công ty học hỏi từ những gì họ có và tính đến việc quản lý thay đổi.
Thách thức khác là làm thế nào các nhóm nội bộ có thể hợp tác với công nghệ để đạt được kết quả tốt hơn. Đặc biệt trong các ngành được quản lý, sự giám sát của con người, xác nhận và học hỏi củng cố là cần thiết. Việc thêm một chuyên gia vào vòng lặp sẽ đảm bảo rằng AI không đưa ra quyết định một cách thiếu tự nhiên, vì vậy việc tìm ra các giải pháp kết hợp chuyên môn của con người là điều then chốt.
Bạn nghĩ việc áp dụng thành công AI tổng quát đòi hỏi sự thay đổi trong văn hóa và tư duy của công ty ở mức độ nào?
Việc áp dụng thành công AI tạo sinh đòi hỏi sự thay đổi đáng kể trong văn hóa và tư duy của công ty, với sự cam kết mạnh mẽ từ phía điều hành và đào tạo liên tục. Tôi đã tận mắt chứng kiến điều này tại Eightfold khi chúng tôi đưa nền tảng AI của mình đến với các công ty ở hơn 140 quốc gia. Tôi luôn khuyên các nhóm trước tiên nên giáo dục các giám đốc điều hành về những gì có thể, cách thực hiện và cách đạt được điều đó. Họ cần phải có cam kết để thực hiện được điều đó, bao gồm một số thử nghiệm và một số hành động đã cam kết. Họ cũng phải hiểu những kỳ vọng đặt vào đồng nghiệp để có thể chuẩn bị sẵn sàng cho việc AI trở thành một phần của cuộc sống hàng ngày.
Cam kết từ trên xuống và sự giao tiếp từ các giám đốc điều hành phải mất một chặng đường dài, vì có rất nhiều lo ngại cho rằng AI sẽ đảm nhận công việc và các giám đốc điều hành cần phải đưa ra quan điểm rằng, mặc dù AI sẽ không loại bỏ hoàn toàn công việc nhưng công việc của mọi người đều là sẽ thay đổi trong vài năm tới, không chỉ đối với những người ở cấp thấp nhất hoặc cấp trung, mà còn đối với tất cả mọi người. Đào tạo liên tục trong suốt quá trình triển khai là chìa khóa để các nhóm học cách tận dụng giá trị từ các công cụ và điều chỉnh cách họ làm việc để kết hợp các bộ kỹ năng mới.
Điều quan trọng nữa là áp dụng các công nghệ phù hợp với thực tế của doanh nghiệp. Ví dụ: bạn phải từ bỏ ý tưởng rằng bạn cần lấy tất cả dữ liệu của mình để thực hiện hành động. Trong dự báo chuỗi thời gian, vào thời điểm bạn mất 4/4 để dọn dẹp dữ liệu, sẽ có nhiều dữ liệu hơn và có thể đó là một mớ hỗn độn. Nếu bạn tiếp tục chờ đợi dữ liệu hoàn hảo, bạn sẽ không thể sử dụng dữ liệu của mình. Vì vậy, các giải pháp AI có thể hoạt động với dữ liệu thưa thớt, hạn chế là rất quan trọng vì bạn phải có khả năng học hỏi từ những gì mình có.
Một khía cạnh quan trọng khác là thêm một chuyên gia vào vòng lặp. Sẽ là sai lầm nếu cho rằng AI là ma thuật. Có rất nhiều quyết định, đặc biệt là trong các ngành được quản lý, nơi bạn không thể để AI đưa ra quyết định. Bạn cần giám sát, xác nhận và học hỏi củng cố – đây chính xác là lý do tại sao các giải pháp dành cho người tiêu dùng trở nên tốt đến vậy.
Bạn có thể chia sẻ với chúng tôi bất kỳ nghiên cứu điển hình nào về các công ty sử dụng thành công AI tạo thế hệ không?
Một ví dụ thú vị là một khách hàng trên Marketplace đang sử dụng chúng tôi để hợp lý hóa danh mục sản phẩm của họ. Họ đang tìm hiểu số lượng SKU tối ưu cần vận chuyển để có thể giảm chi phí vận chuyển hàng tồn kho trong khi vẫn đáp ứng nhu cầu của khách hàng. Một đối tác khác lập kế hoạch, dự báo và lập kế hoạch lực lượng lao động, sử dụng chúng tôi để cân bằng lao động trong bệnh viện, công ty bán lẻ và khách sạn. Trong trường hợp của họ, tất cả dữ liệu của họ nằm trong các hệ thống khác nhau và họ phải đưa dữ liệu đó vào một chế độ xem để có thể cân bằng giữa sức khỏe của nhân viên với hoạt động xuất sắc. Nhưng vì chúng tôi có thể hỗ trợ nhiều use case khác nhau nên chúng tôi làm việc với khách hàng để thực hiện mọi việc, từ dự báo mức sử dụng sản phẩm như một phần trong quá trình chuyển sang mô hình dựa trên mức tiêu dùng cho đến phát hiện gian lận.
Bạn gần đây đã ra mắt Hội đồng đạo đức AI. Hội đồng này gồm những người như thế nào và mục đích của nó là gì?
Hội đồng đạo đức AI của chúng tôi tập trung vào việc đảm bảo rằng công nghệ AI mà chúng tôi đang xây dựng dựa trên nền tảng đạo đức và thiết kế có trách nhiệm. Đó là một phần cốt lõi tạo nên con người của chúng tôi với tư cách là một công ty và tôi rất khiêm tốn và vinh dự khi được trở thành một phần của nó cùng với một nhóm cá nhân ấn tượng như vậy. Hội đồng của chúng tôi bao gồm những người nổi tiếng như Tiến sĩ Munther Dahleh, Giám đốc sáng lập của Viện Hệ thống Dữ liệu và Xã hội (IDSS) và Giáo sư tại MIT; Aram A. Gavoor, Phó Trưởng khoa tại Đại học George Washington và là học giả được công nhận về luật hành chính và an ninh quốc gia; Tiến sĩ Michael Kearns, Chủ tịch Trung tâm Khoa học Thông tin và Máy tính Quốc gia tại Đại học Pennsylvania; và Tiến sĩ Michael I. Jordan, Giáo sư xuất sắc tại UC Berkeley thuộc Khoa Kỹ thuật Điện, Khoa học Máy tính và Thống kê. Tôi cũng rất vinh dự được phục vụ trong hội đồng này cùng với những cá nhân đáng kính này.
Mục đích của Hội đồng Đạo đức AI của chúng tôi là giải quyết các vấn đề cấp bách về đạo đức và an ninh ảnh hưởng đến việc phát triển và sử dụng AI. Khi AI nhanh chóng trở thành trọng tâm đối với người tiêu dùng và doanh nghiệp trên hầu hết mọi ngành, chúng tôi tin rằng điều quan trọng là phải ưu tiên phát triển có trách nhiệm và không thể bỏ qua nhu cầu cân nhắc về mặt đạo đức. Hội đồng sẽ triệu tập hàng quý để thảo luận về các chủ đề quan trọng như quản trị AI, giảm thiểu dữ liệu, bảo mật, tính hợp pháp, độ chính xác và hơn thế nữa. Sau mỗi cuộc họp, hội đồng sẽ công bố các khuyến nghị về hành động và các bước tiếp theo mà các tổ chức nên cân nhắc để tiến tới. Là một phần trong cam kết của Ikigai Labs đối với việc triển khai và đổi mới AI có đạo đức, chúng tôi sẽ triển khai các mục hành động được hội đồng đề xuất.
Phòng thí nghiệm Ikigai đã huy động được 25 triệu USD tài trợ vào tháng 8 năm ngoái. Điều này sẽ giúp phát triển công ty, các dịch vụ của công ty và cuối cùng là khách hàng của bạn như thế nào?
Chúng tôi có nền tảng nghiên cứu và đổi mới vững chắc từ nhóm cốt lõi của chúng tôi với MIT, vì vậy nguồn tài trợ lần này tập trung vào việc làm cho giải pháp trở nên mạnh mẽ hơn cũng như xây dựng đội ngũ làm việc với khách hàng và đối tác.
Chúng tôi có thể giải quyết rất nhiều vấn đề nhưng chỉ tập trung giải quyết một số vấn đề có ý nghĩa thông qua các siêu ứng dụng theo chuỗi thời gian. Chúng tôi biết rằng mọi công ty đều hoạt động theo bốn chuỗi thời gian, vì vậy mục tiêu là đề cập đến những vấn đề này một cách chuyên sâu và nhanh chóng: những việc như dự báo doanh số bán hàng, dự báo mức tiêu thụ, dự báo giảm giá, cách ngừng sản phẩm, tối ưu hóa danh mục, v.v. Chúng tôi rất hào hứng và đang tìm kiếm mong muốn đưa GenAI cho dữ liệu dạng bảng đến tay càng nhiều khách hàng càng tốt.
Kamal sẽ tham gia vào một cuộc thảo luận có tiêu đề ‘Rào cản cần vượt qua: Con người, Quy trình và Công nghệ’ tại Triển lãm AI & Dữ liệu lớn ở Santa Clara vào ngày 5 tháng 6 năm 2024. Bạn có thể tìm thấy tất cả thông tin chi tiết tại đây.
Bạn muốn tìm hiểu thêm về AI và dữ liệu lớn từ các nhà lãnh đạo ngành? Hãy xem AI & Big Data Expo diễn ra ở Amsterdam, California và London. Sự kiện toàn diện này được tổ chức cùng với các sự kiện hàng đầu khác bao gồm BlockX, Tuần lễ Chuyển đổi số và An ninh mạng & Triển lãm đám mây.
Khám phá các sự kiện và hội thảo Online về công nghệ doanh nghiệp sắp tới khác do TechForge cung cấp tại đây.
