Trí tuệ nhân tạo (AI) đã cho thấy tiềm năng to lớn và hướng đi đầy hứa hẹn trong vài năm qua. Nhưng năm 2020, một năm đầy biến động, đã thúc đẩy quá trình chuyển đổi số nhanh chóng chỉ trong vài tháng, trong đó có AI. Các chuyên gia trong lĩnh vực AI dự báo rằng lĩnh vực này sẽ được mở rộng và phát triển với những ứng dụng quan trọng, đầy ý nghĩa vào năm 2021 và xa hơn.

Trong khi năm 2020 chứng kiến sự triển khai nhanh chóng của nhiều nền tảng, nghiên cứu và công cụ độc đáo tận dụng AI ở mức độ lớn, thì năm 2021 được kỳ vọng sẽ cung cấp nhiều hơn thế, với sự ra mắt của nhiều ứng dụng, mang lại dữ liệu sâu, hiệu quả và tiết kiệm chi phí. Mặc dù AI sẽ tiếp tục xâm nhập vào mọi khía cạnh của cuộc sống, nhưng dưới đây là những lĩnh vực mà AI được dự đoán sẽ có tác động lớn nhất năm 2021.

Xu hướng Hyperautomation

Ý tưởng của Hyperautomation (tạm dịch là Siêu tự động) là bất cứ thứ gì có thể tự động hóa trong một tổ chức đều phải được tự động hóa. Các doanh nghiệp sẽ hướng tới việc tự động hóa nhiều quy trình kinh doanh và công nghệ thông tin (CNTT) nhất có thể, dựa trên AI. Nó chủ yếu được thúc đẩy bởi các quy trình kinh doanh cũ không được sắp xếp hợp lý và gây tốn kém. Đại dịch đã đẩy nhanh hyperautomation, còn được gọi là “tự động hóa quy trình kỹ thuật số”.

Các giải pháp được hỗ trợ bởi AI giúp xác định các chiến lược xử lý và hoạt động kinh doanh cung cấp các bản cập nhật thời gian thực. Các công nghệ nội dung thông minh, cùng với các quy trình được hỗ trợ bởi AI, sẽ cung cấp cho lực lượng lao động kỹ thuật số những khả năng đặc biệt.

Xu hướng này nổi lên khi nhu cầu kinh doanh số về hiệu quả, tốc độ và dân chủ hóa ngày càng tăng. Các tổ chức không tập trung vào hiệu quả, hiệu suất và sự nhanh nhạy trong kinh doanh sẽ bị bỏ lại phía sau.

Kỹ thuật AI và AIOps (AI for IT Operations)

Một nghiên cứu của Gartner cho thấy chỉ có 53% dự án AI thành công từ nguyên mẫu đến sản xuất. Các nhà lãnh đạo CNTT và CIO đang gặp khó khăn trong việc triển khai các hệ thống AI mới vì họ thiếu các công cụ để tạo và quản lý các hệ thống AI ở mức sản phẩm và không thể quản lý được khả năng bảo trì, mở rộng và quản trị hệ thống. Đây là lí do tại sao các sáng kiến AI bị lãng quên và không tạo ra lợi tức đầu tư.

Theo Gartner, việc sản xuất AI thành công hơn khi chuyển sang mô hình kỹ thuật AI và AIOps, mô hình tập trung và quản trị, quản lý vòng đời của một loạt các mô hình quyết định và AI được vận hành, chẳng hạn như học máy hoặc đồ thị tri thức. Các công ty bắt đầu hiểu rằng, một chiến lược kỹ thuật AI mạnh mẽ là chìa khóa để tạo điều kiện thuận lợi cho hiệu suất, khả năng mở rộng, khả năng biên dịch và độ tin cậy của các mô hình AI đồng thời mang lại toàn bộ giá trị của các khoản đầu tư vào AI.  Kỹ thuật AI – AIOps dựa trên ba trụ cột chính – DataOps, ModelsOps và DevOps. Bắt kịp với bối cảnh vận hành hệ thống IT có nhịp độ nhanh, nơi AI đang đi đầu, AIOps nhằm mục đích tăng năng suất bằng cách tăng tính tự động hóa vào quy trình làm việc để con người có thể tập trung giải quyết các vấn đề không thể tự động hóa.

Sự hội tụ của AI và IoT thành AIoT

Trước đây IoT có thể giám sát và thu thập dữ liệu từ các thiết bị thông minh. Việc bổ sung AI vào cho phép các hệ thống AIoT thực hiện hành động, hoàn thành nhiệm vụ và học hỏi dựa trên dữ liệu mà không cần sự tham gia của con người. Chẳng hạn như việc khóa cửa, chuyển hướng giao thông, giảm nhiệt độ không khí trong nhà, tắt đèn,…

Xu hướng này đã bắt đầu thống trị ngành công nghệ và có thể tìm thấy trong nhiều trường hợp sử dụng có giá trị. Nghiên cứu cho thấy, 28% số ngôi nhà ở Mỹ có thể trở thành nhà thông minh vào năm 2021. Tuy nhiên, AIoT còn được ứng dụng rộng rãi hơn trong các tòa nhà, thành phố và môi trường bán lẻ thông minh, nơi dữ liệu cần đảm bảo tính bảo mật cao hơn, cải thiện các phương pháp bền vững, cải thiện trải nghiệm của khách hàng, tối ưu hóa dịch vụ thời than thực,…

 AIoT cũng sẽ định nghĩa lại tương lai của tự động hóa công nghiệp, và được thiết lập để dẫn đầu Cuộc cách mạng công nghiệp 4.0. Theo báo cáo của Forbes, nó chắc chắn sẽ tác động đến hầu hết mọi ngành dọc, bao gồm ô tô, hàng không, tài chính, chăm sóc sức khỏe, sản xuất và chuỗi cung ứng.

AI biên (Edge AI)

Như đã đề cập ở trên, sự hội tụ của AI và IoT đang chứng tỏ hiệu quả trong các lĩnh vực khác nhau. Tuy nhiên, cần phải đẩy nhanh hơn nữa quá trình ra quyết định phân tích dữ liệu một cách an toàn, tránh độ trễ không kiểm soát được và kiểm soát các kết nối mạng. Để giải quyết những thách thức này, AI đang tiến dần đến biên, nghĩa là AI biên đang gia tăng – kết hợp với Điện toán biên (Edge Computing) và AI thành một hệ thống.

Edge AI cho phép xử lý dữ liệu được tạo ra bởi một thiết bị thông minh cục bộ, hoặc trên máy chủ gần thiết bị sử dụng các thuật toán AI và điện toán biên. Các thiết bị Edge AI ứng dụng cho loa thông minh, điện thoại thông minh, máy tính xách tay, robot, ô tô tự lái, máy bay không người lái, camera giám sát sử dụng phân tích video,… Ưu điểm là các thiết bị này không cần kết nối với Internet để xử lý dữ liệu đó và đưa ra các quyết định quan trọng để thực hiện nhiệm vụ trong thời gian thực, chỉ trong vài phần nghìn giây.

Học liên kết

Lĩnh vực học máy đã có những bước phát triển bùng nổ trong vài năm qua. Một ví dụ về điều này là sự lặp lại của học máy, gọi là “Học liên kết” (federated learning) được googole giới thiệu vào năm 2017. Học liên kết cho phép các thiết bị biên sử dụng học máy mà không cần tập trung vào dữ liệu và quyền riêng tư. Dữ liệu được tạo ra từ hàng tỷ điện thoại và thiết bị IoT có thể được khai thác để tạo ra các sản phẩm tốt hơn và mô hình thông minh hơn.

Các mô hình được huấn luyện cục bộ này sau đó được gửi từ các thiết bị trở lại máy chủ trung tâm, nơi chúng được tổng hợp (các trọng số trung bình). Và sau đó, một mô hình global cải tiến và hợp nhất sẽ được gửi lại cho các thiết bị.

Các chuyên gia dự đoán vào năm 2021 chúng ta sẽ chứng kiến sự phát triển mạnh mẽ của Học liên kết với quyền riêng tư khác biệt (Differentiated Privacy) như một giải pháp cho phép AI mở rộng quy mô, đặc biệt là trong các dịch vụ y tế, bảo hiểm và ngân hàng.

Giảm thiểu dữ liệu được chú thích học không giám sát

Một bước đột phá khác trong học máy là tập trung vào việc giảm thiểu lượng dữ liệu được chú thích trong quá trình học không có giám sát. Điều này loại bỏ nhu cầu về hàng nghìn hoặc hoặc triệu điểm dữ liệu để cải tiến mô hình.

Một phương pháp để giảm chi phí chú thích dữ liệu là Học chủ động (active learning), trong đó thuật toán sẽ đề xuất các mẫu nào cần chú thích và người dùng chỉ chú thích những mẫu đã chọn. Điều này sẽ giúp các công ty xử lý dữ liệu nhanh hơn và đỡ tốn kém hơn. Bước đột phá này sẽ cho phép sử dụng rộng rãi hơn các kỹ thuật NLP vào năm 2021.

Mô hình AI as a service

Khi nhu cầu sử dụng năng lực AI ngày càng tăng lên, thì càng có nhiều nhà khoa học dữ liệu quyết định mở các công ty cung cấp mô hình AI as a service (AI như một dịch vụ).

AI as a Service kết hợp mô hình kinh doanh SaaS và các dịch vụ AI, giúp đưa AI tới số đông người sử dụng mà không cần đầu tư quá nhiều chi phí. Sự gia tăng của mô hình này là do nhu cầu về AI đang tăng lên, hệ sinh thái để tối ưu hóa AI đang phát triển, các công ty đang bắt kịp nhanh chóng và các doanh nghiệp vừa và nhỏ cần cơ sở hạ tầng tiên tiến với chi phí tối thiểu để cạnh tranh với các gã khổng lồ công nghệ.

Lợi thế đáng chú ý nhất của AI as a Service là nó cho phép các công ty sử dụng sức mạnh của AI mà không đòi hỏi về nguồn nhân lực hay chuyên gia trong lĩnh vực AI và tạo sự cạnh tranh ngày càng gia tăng trên thị trường.

Vân Anh (Tổng hợp từ https://towardsdatascience.com/)