Tại sao AI hoạt động tốt trong phòng thí nghiệm lại thất bại trong môi trường sản xuất thực tế?

Tại sao AI hoạt động tốt trong phòng thí nghiệm lại thất bại trong môi trường sản xuất thực tế?

Các doanh nghiệp hiện nay không gặp khó khăn trong việc thử nghiệm AI, mà là trong việc đưa nó hoạt động hiệu quả trong thế giới thực. Bài viết này phân tích cách thu hẹp khoảng cách giữa nghiên cứu và ứng dụng, cùng quy trình đánh giá nghiêm ngặt để biến tham vọng AI thành hệ thống sản xuất đáng tin cậy.

Thu hẹp khoảng cách giữa nghiên cứu cơ bản và ứng dụng thực tiễn

Để triển khai AI có tác động thực sự, cần thu hẹp khoảng cách giữa các nghiên cứu tiên tiến và các trường hợp sử dụng thực tế. Khi nghiên cứu chỉ tồn tại trong môi trường học thuật tách biệt, các mô hình có thể hoạt động tốt trong môi trường offline thường sẽ thất bại khi đối mặt với yêu cầu về độ trễ (latency) và sự phức tạp của dữ liệu trực tiếp trong môi trường sản xuất. Nếu không có vòng phản hồi chặt chẽ, rất dễ mất đi những yếu tố thực sự tạo ra giá trị cho người dùng cuối.

Tại Capital One, các đội ngũ AI được thiết kế để bao trùm toàn bộ phổ từ nghiên cứu cơ bản đến giải quyết vấn đề ứng dụng cao. Mô hình tích hợp này đưa nghiên cứu và ứng dụng lại gần nhau, tạo không gian để khám phá công nghệ nền tảng trong khi vẫn bám sát nhu cầu kinh doanh thực tế. Khi nghiên cứu cơ bản và phát triển ứng dụng được kết nối với nhau, tổ chức có thể tăng tốc độ học hỏi, tránh những ngõ cụt và tính toán các ràng buộc thực tế ngay từ đầu.

Cách tiếp cận này đã giúp chúng tôi giải quyết các thách thức cốt lõi trong dịch vụ tài chính, bao gồm cải thiện phát hiện gian lận, nâng cao trải nghiệm người dùng số và cải thiện các công nghệ ưu tiên khách hàng sử dụng các giải pháp AI độc quyền.

Ví dụ, nghiên cứu của chúng tôi về việc kết hợp kiến trúc đa tác nhân (multi-agent architectures) không chỉ dừng lại ở lý thuyết, mà nhằm mục đích cho phép các tác nhân AI chuyên biệt phối hợp trên các nhiệm vụ khác nhau như nghiên cứu bối cảnh khách hàng và chuẩn bị tài liệu đồng thời. Nghiên cứu này đã hỗ trợ ra mắt giải pháp mua sắm ô tô Chat Concierge, mô phỏng lập luận của con người để thực hiện hành động thay mặt khách hàng dựa trên yêu cầu của họ. Bằng cách giữ cho nghiên cứu gắn liền với trường hợp sử dụng, chúng tôi có thể thúc đẩy những đột phá thực tế có khả năng mở rộng quy mô trong thế giới thực.

Đưa AI từ khái niệm đến môi trường sản xuất

Không phải ý tưởng AI nào cũng nên đưa ngay vào sản xuất. Việc đánh giá nghiêm ngặt từ khái niệm chứng minh (Proof of Concept - PoC) đến thí điểm (Pilot) và cuối cùng là sản xuất là rất quan trọng để xác định điều gì thực sự đáng để mở rộng quy mô.

Một khái niệm chứng minh (PoC) phải có tính năng, không chỉ là lý thuyết. Nó không nên chỉ là một bộ slide trình bày "những gì chúng ta có thể làm". Nó phải là một cỗ máy thực sự thực hiện một việc gì đó có thể đo lường được. Ngay cả ở giai đoạn này, bạn cần một tín hiệu khách quan rằng công việc này đáng để tiếp tục.

Kết quả thí điểm (Pilot) tiêu cực không phải là thất bại. Nếu các dự án thí điểm luôn "thành công" theo định nghĩa, thì chúng không đóng vai trò là điểm ra quyết định — chúng chỉ là sự cam kết sản xuất theo tốc độ chậm. Một dự án thí điểm nên mở rộng phạm vi và tính thực tế, cung cấp dữ liệu giá trị về việc liệu giải pháp có thực sự giúp con người làm việc thực hay không.

Môi trường sản xuất là một môn thể thao đồng đội. Giải quyết vấn đề mô hình cốt lõi hoặc thuật toán chỉ là một phần của công việc. Chuyển sang sản xuất đòi hỏi thực tế đa chức năng bao gồm kỹ thuật phần mềm, khoa học dữ liệu, sản phẩm, thiết kế, quản lý chương trình kỹ thuật và vận hành. Sự đột phá về kỹ thuật là cần thiết, nhưng đó không phải là kết thúc của công việc.

Trong suốt hành trình này, việc đo lường là một đầu vào quan trọng. Tại Capital One, ROI cuối cùng là một khách hàng hài lòng, vì vậy chúng tôi tập trung vào các chỉ số hiệu suất chính của AI như độ chính xác, độ trễ và hơn thế nữa để đảm bảo đáp ứng nhu cầu của khách hàng. Nếu bạn không thể biết liệu mình có đang cải thiện hay không, thì bạn sẽ không thể cải thiện. Ưu tiên độ chính xác hơn là hình thức là điều cho phép cải tiến và tiến bộ liên tục.

Khuyến khích học tập liên tục và đổi mới có trách nhiệm

Đổi mới AI bền vững phụ thuộc vào văn hóa tổ chức nhiều như là công nghệ. Vì nghiên cứu liên quan đến việc khám phá những điều chưa biết, sự không chắc chắn là bình thường. Một văn hóa lành mạnh thừa nhận thực tế đó và tạo không gian cho việc chấp nhận rủi ro có tính toán, đi kèm với trách nhiệm giải trình.

Các tổ chức phải khuyến khích việc điều chỉnh hướng đi. Nếu việc thừa nhận "cách này không hiệu quả" được coi là thảm họa, các nhóm sẽ học cách che giấu vấn đề thay vì giải quyết chúng. Nhưng nếu các nhóm được khuyến khích đánh giá một cách trung thực, xoay chuyển hướng khi cần thiết và học hỏi từ những khởi đầu sai lầm, thì tổ chức có thể di chuyển nhanh hơn và an toàn hơn cùng một lúc. Điều đó có nghĩa là coi các dự án thí điểm là những điểm ra quyết định thực sự — dừng lại, định hình lại hoặc thu hẹp nỗ lực dựa trên dữ liệu, thay vì đẩy chúng về phía trước theo mặc định.

Tại Capital One, chúng tôi cho phép các nhóm thử những điều tham vọng, học hỏi nhanh chóng và xây dựng một hệ sinh thái đảm bảo AI hữu ích, đáng tin cậy và an toàn.

Lời kết

Xây dựng AI có tác động không phải là việc đuổi theo mọi đột phá mới. Đó là việc hướng dẫn các ý tưởng từ nghiên cứu đến thực tế thông qua đánh giá, hợp tác và một văn hóa đón nhận việc học hỏi.

Khi AI tiếp tục phát triển, các nhà lãnh đạo nên đầu tư không chỉ vào công cụ, mà còn vào các quy trình R&D và nền tảng văn hóa cho phép đổi mới mở rộng quy mô một cách có trách nhiệm. Khi bạn thu hẹp khoảng cách giữa nghiên cứu và ứng dụng, ưu tiên đánh giá và đo lường liên tục, và nuôi dưỡng môi trường nơi các nhóm có thể học hỏi và thích nghi, bạn sẽ tạo ra cơ hội tốt nhất để AI mang lại tác động lâu dài, ở quy mô doanh nghiệp, trong thế giới thực.

Liz Boschee là Phó Chủ tịch, AI Foundations tại Capital One.