ÔNG ALBERT ANTONIE: TRIỂN KHAI ỨNG DỤNG TRÍ TUỆ NHÂN TẠO VÀ DỮ LIỆU, CHUẨN BỊ CÀNG SỚM CƠ HỘI CÀNG NHIỀU
Ông Albert Antoine là Giám đốc Điều hành và Đồng sáng lập AVAIGA (Singapore), đơn vị đồng hành về Chuyển đổi kỹ thuật số (DX) và AI cho nhiều công ty lớn trên thế giới. Ông hiện là thành viên Ban cố vấn Khoa Kỹ thuật và Công nghệ Đại học Huế – HUET. Ông đã trình bày chuyên đề “Công nghiệp Trí tuệ Nhân tạo, xu thế của Thế giới và Việt Nam” tại Hội thảo “Tiềm năng và Thách thức của Công nghiệp Trí tuệ Nhân tạo ở Việt Nam”, do Khoa Kỹ thuật và Công nghệ Đại học Huế – HUET tổ chức vào ngày 24/03/2023 (số 1 Điện Biên Phủ, Tp. Huế).
5V để hiểu về Big Data (Dữ liệu lớn)
Phát biểu đề dẫn hội thảo, TS. Nguyễn Quang Lịch, Khoa trưởng Khoa Kỹ thuật và Công nghệ, Đại học Huế cho hay: “Sự ra đời của ChatGPT là bài toán mà các đơn vị đào tạo và doanh nghiệp đều đang nỗ lực tìm cách thích ứng và giải quyết. Một thống kê gần đây cho biết, Việt Nam hiện chỉ có 330 chuyên gia Trí tuệ Nhân tạo (AI) trên toàn quốc. Trong khi đó, nhiều hãng công nghệ như Google đã chuyển đổi từ tuyển dụng nhân lực thông thường sang nhân lực trong ngành AI. Vậy nên HUET tổ chức hội thảo này trước tiên nhằm cập nhật hiểu biết, kiến thức chuyên ngành cho các em sinh viên. Điều quan trọng hơn cả là những chia sẻ của diễn giả sẽ giúp tham mưu cho Khoa HUET về phương hướng đào tạo nhắm đến mục tiêu đáp ứng đủ nguồn nhân lực AI cho Huế và Miền Trung trong tương lai gần”.
Trước khi trình bày chuyên đề của mình, Ông Albert Antoine chia sẻ với cử tọa rằng tuy tên của ông không thuần Việt nhưng gốc gác gia đình đều là người Huế. Và vì là người gốc Việt nên ông luôn trăn trở về việc đóng góp cho Huế và Việt Nam.
Ông Albert Antoine từng đồng thành lập và vận hành công ty ILOG(S) PTE LTD – áp dụng trí tuệ nhân tạo, cung cấp dịch vụ tư vấn tối ưu hoá kinh doanh. Sau đó, iLOG được IBM mua lại toàn bộ cổ phiếu niêm yết trên sàn NASDAQ với giá 340 triệu USD vào năm 2009 (theo IBM). Ông từng khởi nghiệp hơn 20 doanh nghiệp. Albert và nhóm của ông gần đây đã đào tạo/thực hiện các dự án DX cho các khách hàng như Viettel, FPT, VinGroup, Vietcombank, Amazon, DHL, Zara, Nike và nhiều thương hiệu toàn cầu khác. Với ông, vì khởi nghiệp từ thời sinh viên nên tinh thần khởi nghiệp đã “nằm trong máu” và rất thấu hiểu giá trị của sự thành công.
Bàn về AI, ông Albert Antoine cho biết: “Thực chất AI không phải là điều gì đó mới mẻ bởi vì Bộ Quốc phòng nhiều quốc gia trên thế giới đã triển khai nghiên cứu và ứng dụng từ 40 năm trước. Cá nhân tôi cũng đã làm AI từ thập niên 80. Thời đó, AI được lập trình bởi hai ngôn ngữ Lisp và Prolog (đã từng phát triển rất mạnh tại Pháp và Mỹ). Lisp là ngôn ngữ lập trình mạnh, phần lớn được sử dụng trong Máy học (Machine learning)/ILP sub-field bởi vì khả năng tạo mẫu (prototyping) tuyệt vời và sự hỗ trợ đối với biểu thức ký hiệu (symbolic expression). Prolog lại cực kỳ hữu ích trong lập trình AI như: đối sánh mẫu (pattern matching), quay lui tự động (automatic backtracking), các cơ chế cấu trúc dữ liệu dạng cây (tree-based data structuring mechanisms)… và sự kết hợp các cơ chế này sẽ tạo ra những khung (framework) linh hoạt trong quá trình làm việc. Dự án đầu tay của tôi lúc đang còn sinh viên là lập trình cài đặt cho tàu ngầm khi nhận được tín hiệu từ mặt nước có thể phân tích đó là tàu chở dầu, tàu hàng hay tàu quân sự. Được giao trọng trách thực hiện dự án này cho Quốc phòng Pháp, tôi rất run nhưng đã học hỏi được khá nhiều”.
Ông Albert Antoine nhấn mạnh: “Nói về AI không thể phớt lờ về dữ liệu (data). Data rất quan trọng, là nguyên liệu như xăng xe. Dữ liệu ở mọi nơi và đang bùng nổ. Tuy nhiên, dù mỗi ngày data tăng lên rất nhiều nhưng giá trị có thể rút ra được lại rất ít. Và đó cũng là mục đích của AI, chính là tăng giá trị và sự hiểu biết về data của mình. Vậy data là mối đe dọa hay là cơ hội? Tôi sẽ bắt đầu nói từ Zero data để mọi người có cùng ngôn ngữ chung.
Theo định nghĩa thu thập từ Google search về Big Data (Dữ liệu lớn), 5V bao gồm: Velocity (Vận tốc) – Variety (Đa dạng) – Value (Giá trị) – Veracity (Tính xác thực) – Volume (Dung lượng). Ta có thể liên tưởng tới trung tâm dữ liệu của các hãng xe đua thu thập thông tin hiện trường từng giây trong quá trình xe vận hành trên đường. Các dữ liệu như trời sắp mưa, độ ẩm, tình trạng mặt đường… được xử lý tức thời để đưa ra các quyết định như thay bánh xe, điều chỉnh tốc độ… Hoặc các máy bay Boeing 747 mỗi giây lại gửi data về trung tâm xử lý, phân tích thời gian thực (realtime) để biết chắc chắn tình trạng sức khỏe của máy bay, từ đó ra quyết định thay thế phụ tùng phù hợp, kịp thời”.
“Chúng tôi chưa muốn bắt đầu dự án AI vì chưa có data hoặc chưa sẵn sàng về data” là câu nói quen thuộc mà ông Albert Antoine thường nghe khi làm việc với nhiều khách hàng quốc tế và Việt Nam. Ông cho biết, thực chất, một dự án AI chỉ mất khoảng 20% thời gian cho lập trình trong khi hoạt động thu thập và làm sạch dữ liệu lại chiếm đến 80% thời gian. Lý do, độ chính xác của data rất quan trọng vì nếu “đầu vào rác, đầu ra cũng sẽ là rác”. Ngoài ra, trước khi triển khai cần hiểu rõ dự án mang lại giá trị gì cho công ty/tổ chức. Nếu chỉ có các đầu bài hào nhoáng, thú vị mà không mang lại giá trị gì thì không nên làm”.
Vậy làm sao để có data?
Ông Albert Antoine đề xuất 3 chiến lược thu thập data gồm:
- Chiến lược con ve và con kiến (phỏng theo truyện ngụ ngôn của La Fontaine): nếu không có data thì phải đi xin hoặc đi mua.
- Chiến lược con nhện: giăng lưới để thu thập data, hoặc đánh đổi một dịch vụ để lấy data.
- Chiến lược con cáo: Không có data thì gõ cửa những người có rất nhiều data. Ví dụ làm AI về y tế thì có thể tìm đến Bệnh viện Trung ương Huế. Bạn có khả năng công nghệ, bệnh viện có data, bạn có thể đến xin dữ liệu và đổi lại bằng công nghệ hỗ trợ Bệnh viện Trung ương Huế tối ưu quá trình chẩn đoán bệnh lý. Sau khi làm cho Bệnh viện Trung ương Huế thành công rồi, bạn dùng thuật toán và kinh nghiệm đó để tiếp cận các bệnh viện khác và xin thêm data theo cách đưa ra các phương án phù hợp cho họ.
Theo ông Albert Antoine, một số công ty bán hàng thường sử dụng đồng thời chiến lược con nhện và con cáo, thu thập dữ liệu và bán ra cho các công ty về tiếp thị (marketing). Đôi khi trong quá trình tìm kiếm thông tin trên internet, bạn sẽ gặp những trang web mà cuộn mãi không hết. Lý do, doanh nghiệp đó muốn lưu người dùng lại trên trang lâu nhất có thể để thu thập tư liệu về thói quen của bạn.
Sáu xu hướng phát triển AI trên thế giới
Ông Albert Antoine cho hay, hiện thế giới có 6 xu hướng phát triển về AI gồm:
[1] Bot và Nhân viên kỹ thuật số: Kết nối giữa con người với hệ thống IT qua chatbot hoặc kỹ thuật số.
[2] BI/AI-ML: BI – Business Intelligence (Trí tuệ doanh nghiệp) là dạng công nghệ giúp doanh nghiệp hiểu biết về quá khứ. Dữ liệu được hiển thị lên bảng điều khiển (dashboard), từ đó giúp lãnh đạo doanh nghiệp/đơn vị chỉnh sửa và cải thiện quyết định, hành động. AI – Aritifical Intelligient (Trí tuệ nhân tạo) hay ML – Machine learning (Máy học) là một thuật toán dựa trên dữ liệu quá khứ để dự đoán tương lai. Một lĩnh vực khác của AI ít được biết đến là “Vận Trù học”, thuật toán sử dụng toán học để tối ưu hóa quy trình, ví dụ như kiểm kê nhà kho và dùng nhiều trong lĩnh vực vận tải và hậu cần (transport & logistic).
[3] Nền tảng đám mây lai: Tại nhiều quốc gia, đưa dữ liệu lưu trữ lên đám mây (cloud) là xu hướng thịnh hành. Ngay cả dữ liệu ngân hàng (vốn có độ nhạy cảm thứ nhì sau dữ liệu quốc phòng) vẫn được đưa hết lên đám mây. Việc phân vân lựa chọn phương án lưu trữ dữ liệu trên đám mây hoặc máy chủ riêng chủ yếu nặng nhiều về tâm lý. Để bước qua ngưỡng này, một số doanh nghiệp chọn đưa khoảng 80% dữ liệu lên đám mây trước, chỉ giữ 20% còn lại làm dự phòng. Và việc đưa dữ liệu lên đám mây giúp tiết kiệm chi phí rất lớn.
[4] Giải pháp gốc trên đám mây: Sự thật là giải pháp đám mây không chỉ dành riêng cho việc lưu trữ dữ liệu (theo mô hình kiến trúc nguyên khối) mà còn rất hữu ích đối với việc phát triển các kiến trúc vi dịch vụ như những dự án công nghệ thông tin ngắn hạn với thời gian triển khai từ 6 tháng – 01 năm, cần nhiều người tham gia xử lý các vấn đề của dự án, hoặc thuê ngoài theo từng module nhỏ (micro services) nhằm vừa triển khai vừa bảo trì… sẽ nhanh và hiệu quả hơn.
[5] DATAOPS phân tích/dữ liệu: Các nhà khoa học dữ liệu (Data Scientist) làm về AI phải học Toán rất nhiều để nghiên cứu các dữ liệu đã được tổ chức và phân tích kỹ lưỡng nhằm trích xuất thông tin bằng cách sử dụng nhiều phương pháp thống kê khác nhau. Sau đó sử dụng thuật toán Machine learning để dự đoán các sự kiện sẽ xảy ra và đưa ra quyết định dựa trên các data đó. Vấn đề đặt ra càng phức tạp chừng nào thì họ càng thích thú chừng đó vì được thách thức về trí tuệ. Từ góc nhìn của doanh nghiệp, những giải pháp đưa ra bởi nhà khoa học dữ liệu phải được tự động hoá trong việc chỉnh sửa, cải thiện để có những phương án tốt nhất trong một thời gian ngắn nhất có thể.
[6] Dân chủ hóa dữ liệu:
Khi đơn vị, tổ chức ứng dụng AI (và giả thiết là toàn bộ 1.000 nhân viên của doanh nghiệp đó đều chạm vào AI) thì tất cả các bộ phận cần có cùng định hướng triển khai thu thập data nhằm đạt được mục tiêu ‘tạo ra trải nghiệm khách hàng thú vị hơn’.
Ví dụ, khách hàng cần mua giày bước vào một gian hàng, đặt đôi giày họ đang mang lên màn hình máy tính, sau đó tự thiết kế giày cho bản thân từ các thông số mà hệ thống có sẵn.
Ông Albert Antoine cho biết: “Thách thức của các dự án AI không phải về vấn đề thuật toán mà là sự thông hiểu giữa nhân sự của bộ phận Công nghệ Thông tin (IT) và người cần làm AI (như bộ phận marketing). Xu hướng mà tôi từng đi nói chuyện ở nhiều công ty tại Hà Nội, Tp. Hồ Chí Minh thường là, khi triển khai một dự án AI, lãnh đạo sẽ giao việc cho bộ phận IT. Đây là một hiểu nhầm lớn vì IT chỉ hiểu về công nghệ chứ không rành về hoạt động kinh doanh do đó không thể là người ra đề bài. Khi doanh nghiệp muốn triển khai Chuyển đổi số (DX) hoặc ứng dụng AI, người có khả năng đặt vấn đề nên là CMO (Chief Marketing Officer) – Giám đốc Marketing, hoặc CRO (Chief Revenue Officer) – Giám đốc Bán hàng. Họ sẽ đề xuất đề bài như “mục tiêu trong năm tới tôi muốn mở rộng thêm 1% thị phần”, và IT sẽ từ đề bài này để tìm ra các công cụ hiện thực hóa mục tiêu bán hàng. Tại các doanh nghiệp nước ngoài, CDO (Chief Data Officer) – Giám đốc Dữ liệu là nhân vật có khả năng làm trung gian giữa hai vị trí CMO (Giám đốc Marketing) và CIO (Giám đốc Công nghệ). Nhân sự của bộ phận Dữ liệu tập hợp từ nhóm AI, IT và kinh doanh. Nếu doanh nghiệp có một CDO sẽ hiểu dự án và triển khai tốt hơn. Hơn 2 năm trước, một vài công ty lớn nhờ tôi tuyển giúp CDO, tôi trả lời rằng tìm người như vậy không khó nhưng trước tiên cần phải làm rõ doanh nghiệp cần gì thì mới có đề bài để họ làm việc. Nhiều doanh nghiệp Việt Nam tưởng CDO là người có ‘cây đũa thần’ và thông qua họ thì dự án nào cũng sẽ thành công”.
Theo ông Albert Antoine, một ví dụ khác về “dân chủ hóa dữ liệu” là quan sát cách thức quản trị vận hành thành phố thông minh (Smart City). Dấu hiệu đầu tiên để nhận biết một thành phố thông minh là hệ thống camera gắn ở mọi ngóc ngách để thu thập dữ liệu. Tuy nhiên, nếu có ứng dụng AI sẽ cho khả năng khai thác dữ liệu ở mức độ cao hơn. Đơn cử như, tại thành phố Barcelona (Tây Ban Nha), Paris (Pháp) … có các hệ thống xe đạp công cộng cho người dân thuê để đi lại, đó là một trong số những dự án của thành phố thông minh và phía sau là hệ thống AI rất kinh khủng. Căn cứ hành vi của người thuê xe đạp có thể hiểu được lộ trình của khách du lịch trong thành phố, từ đó ra quyết định những vị trí nào cần để nhiều xe đạp hơn giúp tối thiểu hóa chi phí và tối ưu hóa quá trình vận hành điều phối. Hoặc hệ thống cảm biến điện đường nhận biết được những khoảng thời gian (như nửa đêm) ít người đi lại hơn và điều chỉnh hệ thống đèn đường mờ đi một chút. Sự giảm sáng này có thể không quá khác biệt trong mắt người thường nhưng đã giúp các thành phố tiết kiệm được hơn 100 triệu euro/năm.
[7] Thách thức trong dự án Dữ liệu: Lầm lẫn giữa Doanh nghiệp và CNTT
Lầm lẫn giữa mục tiêu phát triển tổ chức/doanh nghiệp và xây dựng hệ thống CNTT là một thách thức để bắt đầu dự án dữ liệu bất kỳ. Ông Albert Antoine nhấn mạnh: “Chuyển đổi số chú trọng về sự thay đổi của con người nhiều hơn là về công nghệ nên cần làm mới tư duy của lãnh đạo trước khi tiếp cận công nghệ mới. Một vài lãnh đạo doanh nghiệp nghĩ rằng chỉ cần mua một phần mềm như ERP (phần mềm quản lý doanh nghiệp tổng thể) là đã chuyển đổi số. Sự thật thì Chuyển đổi số cần đi xa hơn thế bởi vì công nghệ chỉ là công cụ, không phải là chiến lược.
Một vài bạn từng phàn nàn riêng với tôi rằng, họ đã đề xuất những dự án này nọ nhưng sếp không đồng thuận triển khai. Tôi chia sẻ với họ rằng, họ đã tập trung vào tính năng sử dụng (use case) hơn là phục vụ cho hoạt động kinh doanh (bussiness case). Ví dụ, họ muốn phát triển Deep Learning (Học sâu) về chẩn đoán ung thư phổi từ nhiều nguồn dữ liệu hình ảnh bệnh phổi khác nhau nhưng vì họ không cung cấp cho lãnh đạo các hình dung cụ thể (thông qua một POC) nên rất khó được đồng ý triển khai. Nên bổ sung thêm tư duy kinh doanh, đối tượng tiếp cận, kế hoạch thu lại lợi nhuận… thì dự án sẽ dễ phê duyệt hơn”.
POC – Proof of Concept (Bằng chứng về khái niệm) mà ông Albert Antoine đề cập là thuật ngữ đang được rất nhiều doanh nghiệp sử dụng. POC là hình thức tiến hành thử nghiệm một phương pháp hoặc một ý tưởng nào đó, để chứng minh chúng thực sự khả thi và hoàn toàn có khả năng ứng dụng vào cuộc sống. Về cơ bản, quy mô triển khai của POC thường nhỏ và có thể được hoàn thành hoặc không cần hoàn thành. Nguyên nhân bởi POC chỉ là một thử nghiệm để khẳng định tính khả thi của dự án và có thể dừng lại nếu thất bại.
Ông Albert Antoine khuyến nghị: “POC có vai trò thúc đẩy, mở đường cho dự án AI và Chuyển đổi số. Tương tự như người lính trước khi ra trận phải tập dượt trước trên các hình mẫu. Đây là sự chuẩn bị của doanh nghiệp từ những việc nhỏ và đơn giản trước khi triển khai một dự án lớn hơn. Điều quan trọng nhất khi làm POC là có định hướng và KPI (Key Performance Indicator) – Chỉ số đánh giá hiệu quả công việc rõ ràng. Nếu triển khai một POC hoàn chỉnh đúng quy trình, quy tắc thì từ POC qua dự án thật sẽ dễ dàng hơn nhiều. Ngoài ra, dự án AI là giúp tổ chức/doanh nghiệp tăng lợi thế cạnh tranh nên cần hiểu rõ mục đích, mục tiêu của tổ chức/doanh nghiệp mình là gì, biết mình có lợi thế gì và nên bổ sung thêm những gì để đạt được mục tiêu cạnh tranh tốt hơn. Cuối cùng, điểm đến của một dự án AI phải là chỉ số ROI (Return on Investment) – Lợi tức đầu tư hay tỷ lệ lợi nhuận ròng trên tổng chi phí đầu tư”.
Cơ hội nào cho Việt Nam trong ngành Trí tuệ Nhân tạo?
Ông Albert Antoine nhận xét: “Khi tham dự các hội thảo về công nghệ tại Việt Nam, tôi thường nghe nhắc nhiều đến câu “đi tắt đón đầu”, “đứng trên vai ông khổng lồ”…Tôi lại nghĩ, muốn làm được phải đánh đổi cái gì đó bởi vì các ông khổng lồ không chỉ có cơ bắp mà còn rất thông minh. Muốn họ cho mình đứng trên vai thì họ phải nhận được cái gì tương xứng”.
Theo ông, để ngành công nghiệp Trí tuệ nhân tạo và Dữ liệu tại Việt Nam (AI/Data) phát triển cần: [1] Xác định lại vai trò của CDO (hiện thời chưa được rõ ràng); [2] Hoàn thiện hệ thống thanh toán (Fintech); [3] Xây dựng thành phố thông minh (không chỉ Camera giám sát); [4] Mạnh dạn thực thi các POC (trước khi triển khai cuối cùng); [5] Tập trung Chuyển đổi số (ứng dụng AI); Phát triển Học sâu – Deep Learning trong hoạt động chẩn đoán bệnh; [7] Các ứng dụng vào đời sống mà không nhất thiết phục vụ hoạt động kinh doanh…
Ông Albert Antoine cho rằng: “Việt Nam là quốc gia có tiềm năng lớn để phát triển ngành Công nghiệp Trí tuệ nhân tạo và Dữ liệu vì có nguồn nhân lực trẻ, học hỏi nhanh và tư duy Toán học tốt. Họ cần thêm sự dìu dắt của người có kinh nghiệm để đi cho đúng đường. Tại Huế nói riêng và Việt Nam nói chung, đầu tư nhiều vào nguồn nhân lực không đơn thuần chỉ là dạy các em điều gì tốt hơn mà quan trọng là tạo cho các em cơ hội thực hành thông qua dự án cụ thể, từ đó các em có thêm cơ hội học hỏi và trau dồi kinh nghiệm. Vậy nên, để phát triển nhanh hơn trong lĩnh vực AI/Data cần đồng hành cùng các ông lớn công nghệ của thế giới và trong nước (như tập đoàn FPT). Cuối cùng, nhắc đến AI là nhắc đến Data, điều khiến cho nhiều doanh nghiệp chùn bước nhưng nếu chúng ta chuẩn bị càng sớm thì cơ hội của chúng ta sẽ càng nhiều”.
Diễm Châu biên soạn