ĐÀI BẮC, ĐÀI LOAN – Media OutReach – Ngày 22 tháng 2 năm 2021 – Appier, một công ty trí tuệ nhân tạo (AI) hàng đầu, vừa công bố quan điểm của mình về những thách thức và cơ hội khi áp dụng Học máy (Machine Learning) như một dịch vụ trong thế giới thực. Học máy là một công nghệ quan trọng đối với các công ty đang tìm kiếm lợi thế cạnh tranh, vì nó có thể xử lý khối lượng lớn dữ liệu một cách nhanh chóng, nhằm giúp các doanh nghiệp vượt qua những thách thức như đưa ra các đề xuất cho khách hàng hiệu quả hơn, kiện toàn quy trình sản xuất hoặc dự đoán những thay đổi đối với thị trường.

Học máy như một dịch vụ (Machine Learning as a Service – MLaaS) được định nghĩa trong bối cảnh kinh doanh khi các công ty thiết kế và triển khai các mô hình Học máy để cung cấp dịch vụ liên tục và nhất quán cho khách hàng.

Các doanh nghiệp hiện đang phải xử lý lượng dữ liệu khổng lồ và khối lượng đang tăng nhanh hơn bao giờ hết. Đồng thời, bối cảnh cạnh tranh đang thay đổi nhanh chóng và điều quan trọng là các tổ chức thương mại phải đưa ra quyết định nhanh chóng. Thành công trong kinh doanh đến từ việc đưa ra quyết định một cách nhanh chóng, chính xác bằng cách sử dụng thông tin tốt nhất có thể. Điều này rất quan trọng trong các lĩnh vực mà nhu cầu và hành vi của khách hàng luôn thay đổi một cách nhanh chóng.

Ví dụ, trong năm 2020, mọi người phải thay đổi cách họ mua sắm, làm việc và giao tiếp xã hội do hậu quả trực tiếp của đại dịch COVID-19 và các doanh nghiệp phải thay đổi cách phục vụ khách hàng để đáp ứng nhu cầu của họ. Điều này có nghĩa là công nghệ mà họ đang sử dụng để thu thập và xử lý dữ liệu cũng cần phải linh hoạt và thích ứng với các đầu vào dữ liệu mới, cho phép các doanh nghiệp di chuyển nhanh và đưa ra quyết định tốt nhất.

Appier nhận thấy rằng, một thách thức hiện tại khi đưa các mô hình Học máy sang Học máy như một dịch vụ (MLaaS) liên quan đến cách công ty hiện đang xây dựng các mô hình Học máy và cách công ty dạy các tài năng Học máy trong tương lai làm điều đó. Hầu hết các nghiên cứu và phát triển các mô hình Học máy tập trung vào việc xây dựng các mô hình riêng lẻ sử dụng tập hợp dữ liệu đào tạo (với các tính năng và nhãn được gán trước) để mang lại hiệu suất tốt nhất trong việc dự đoán nhãn của một tập dữ liệu khác (thông thường Appier gọi đó là dữ liệu thử nghiệm).

Tuy nhiên, nếu xem xét các doanh nghiệp trong thế giới thực đang cố gắng đáp ứng nhu cầu ngày càng phát triển của khách hàng trong đời thực, thì ranh giới giữa dữ liệu đào tạo và kiểm tra trở nên ít rõ ràng hơn. Dữ liệu thử nghiệm hoặc dự đoán cho ngày hôm nay có thể được khai thác làm dữ liệu đào tạo để tạo ra một mô hình tốt hơn trong tương lai.

Dựa trên nhiều năm kinh nghiệm thực tế của Appier, dữ liệu được sử dụng để đào tạo một mô hình chắc chắn sẽ không hoàn hảo vì một số lý do. Bên cạnh thực tế là các nguồn dữ liệu trong thế giới thực có thể không đầy đủ hoặc không có cấu trúc (chẳng hạn như bảng câu hỏi khách hàng trả lời mang tính mở), chúng có thể đến từ quá trình thu thập ít nhiều mang tính thành kiến, thiên kiến. Ví dụ, dữ liệu được sử dụng để đào tạo mô hình khuyến nghị thường được thu thập từ phản hồi của một hệ thống khuyến nghị khác hiện đang phục vụ trực tuyến. Do đó, dữ liệu được thu thập bị sai lệch bởi mô hình phục vụ trực tuyến.

Ngoài ra, đôi khi kết quả mà chúng ta quan tâm nhất lại khó đánh giá nhất. Hãy lấy tiếp thị kỹ thuật số cho thương mại điện tử làm ví dụ. Hành trình đơn giản nhất của khách hàng sẽ là “nhấp vào mặt hàng, xem mặt hàng, thêm mặt hàng vào giỏ hàng, mua mặt hàng”. Tuy nhiên, quá trình này hiếm khi đơn giản như vậy – mọi người có thể xem một mặt hàng nhiều lần trên các thiết bị khác nhau và họ có thể xóa nó khỏi giỏ hàng, trước khi đặt lại hoặc từ bỏ hoàn toàn việc mua hàng.

Thông thường, các hành động trong kênh sâu hơn (tức là mua hàng) khó thực hiện hơn nhiều so với các hành động ở kênh trên. Ví dụ: Nếu người tiêu dùng không hoàn tất việc mua hàng trên nền tảng của bạn, bạn sẽ không bao giờ biết liệu họ có mất hứng thú với sản phẩm hay không, hay có lý do nào khác khiến họ không mua mặt hàng đó. Nếu một mô hình Học máy như một dịch vụ (MLaSS) chỉ dựa vào các số liệu đơn giản nhất (tức là số lần nhấp và lượt xem), thì đề xuất của nó (ví dụ: thời điểm gửi thông điệp tiếp thị) sẽ không phù hợp với mục tiêu kinh doanh cuối cùng.

Cuối cùng, đối với một công ty AI hoạt động theo mô hình doanh nghiệp với doanh nghiệp (B2B) cung cấp dịch vụ học máy, họ thường cần phục vụ hàng nghìn hoặc thậm chí nhiều khách hàng từ các miền khác nhau. Điều này có nghĩa là sẽ luôn có ít nhất hàng nghìn mô hình phục vụ trực tuyến. Hơn nữa, để những mô hình đó luôn hoạt động nhằm đáp ứng các mục tiêu kinh doanh đang diễn ra và liên tục thay đổi, chúng cần được đào tạo lại hoặc cập nhật hàng ngày để theo kịp các tình huống phát triển trong thế giới thực. Để đạt được những mục tiêu đó, cần phải thiết kế không chỉ một đường dẫn đào tạo tự động, mà còn phải đảm bảo rằng các mô hình sẽ có xác suất gần bằng 0 để hội tụ về một điểm tối ưu cục bộ xấu.

Trong nhiều trường hợp, khi một kết quả không mong muốn được phân phối bởi mô hình Học máy, thì đó không phải là việc học máy đã bị hỏng, mà là so một số phần khác của chuỗi. Ví dụ: một công cụ đề xuất có thể đã cung cấp một sản phẩm cho khách hàng, nhưng kết nối giữa hệ thống bán hàng và đề xuất có thể bị đứt và cần có thời gian để tìm ra lỗi. Trong trường hợp này, thật khó để nói liệu mô hình có thành công hay không. Việc khắc phục các vấn đề như thế này có thể khá tốn công sức và đó là khả năng mà các công ty áp dụng Học máy như một dịch vụ (MLaaS) cần phải có.

Việc đảm bảo sự ổn định và mạnh mẽ tổng thể của các mô hình Học máy như một dịch vụ (MLaaS) là ​​rất quan trọng. Nó đòi hỏi sự đầu tư, nghiên cứu và thử nghiệm liên tục đáng kể, nhưng phần thưởng cho các doanh nghiệp có thể rất lớn, cho phép họ nhanh chóng thích nghi và xoay chuyển với môi trường kinh doanh đang thay đổi và cho phép họ dẫn đầu cuộc chơi. Để biết thêm thông tin về trí tuệ nhân tạo và máy học, hãy tham khảo Appier blog.

Thông tin về Appier

Appier giúp các doanh nghiệp giải quyết các vấn đề khó khăn nhất của họ bằng trí tuệ nhân tạo. Appier là đối tác của một số thương hiệu hàng đầu thế giới, cung cấp một bộ sản phẩm cấp doanh nghiệp để hỗ trợ các quyết định dựa trên dữ liệu và thúc đẩy tăng trưởng kinh doanh. Được thành lập vào năm 2012 bởi một đội ngũ kỹ sư và nhà khoa học máy tính đầy nhiệt huyết, Appier hiện có hơn 450 nhân viên làm việc tại 15 văn phòng ở châu Á – Thái Bình Dương và châu Âu, đồng thời được Tạp chí Fortune công nhận là công ty AI hàng đầu. Appier đã huy động được 162 triệu USD vốn tài trợ từ các công ty đầu tư bao gồm Sequoia, Softbank và Line. Có thể tìm hiểu thêm tại www.appier.com.

Giang Tran