TỔNG QUAN CÁC XU HƯỚNG CÔNG NGHỆ NĂM 2023 (PHẦN 1)
Sau một năm 2022 đầy biến động về đầu tư công nghệ và nhân lực giỏi, nửa đầu năm 2023, công chúng cũng như giới chuyên môn lại đổ dồn mối quan tâm về những công nghệ có tiềm năng thúc đẩy tiến bộ trong doanh nghiệp và xã hội. Nhằm giúp giám đốc điều hành doanh nghiệp cũng như công chúng bắt nhịp với những bước phát triển mới nhất, Hội đồng Công nghệ McKinsey mới đây đã công bố bản báo cáo xác định, đồng thời, giải thích các xu hướng công nghệ quan trọng nhất đang hé lộ cho tới ngày hôm nay.
Báo cáo của McKinsey đưa ra những cân nhắc cho tất cả 15 xu hướng công nghệ. Những xu hướng này được nhóm thành 5 loại rộng hơn gồm: Cuộc cách mạng trí tuệ nhân tạo, xây dựng tương lai kỹ thuật số, kỹ thuật tân tiến nhất, các biên giới tính toán và kết nối; và một thế giới bền vững.
CUỘC CÁCH MẠNG TRÍ TUỆ NHÂN TẠO (AI)
Xu hướng 1. Trí tuệ nhân tạo ứng dụng
Xu hướng - và tại sao nó lại quan trọng
Với những năng lực của AI, chẳng hạn như máy học (ML), thị giác máy tính và xử lý ngôn ngữ tự nhiên (NLP), các công ty trong tất cả các ngành có thể sử dụng dữ liệu và rút ra thông tin chi tiết để tự động hóa các quy trình, bổ sung hoặc nâng cao năng lực cũng như đưa ra quyết định tốt hơn. Nghiên cứu của McKinsey ước tính giá trị kinh tế tiềm năng từ AI ứng dụng là 17 nghìn tỷ USD đến 26 nghìn tỷ USD và tỷ lệ các công ty theo đuổi giá trị đó đang tăng lên.
Khảo sát toàn cầu hằng năm của McKinsey về tình trạng của AI cho thấy tỷ lệ các tổ chức áp dụng AI đã tăng hơn gấp đôi từ 20% năm 2017 lên 50% vào năm 2022. Cuộc khảo sát năm 2022 cũng chỉ ra rằng việc áp dụng AI có thể mang lại lợi ích tài chính đáng kể: 25% người được hỏi đã quy 5% hoặc nhiều hơn EBIT của công ty họ cho AI. Tuy nhiên, các vấn đề về tổ chức, kỹ thuật, đạo đức và quy định cần được giải quyết trước khi các doanh nghiệp có thể nhận ra tiềm năng đầy đủ của công nghệ.
Thị trường nhân lực giỏi
Trí tuệ nhân tạo ứng dụng đã có mức tăng mạnh về nhu cầu về nhân lực giỏi, với số lượng đăng tuyển tăng hơn gấp ba lần kể từ năm 2018. Nhu cầu về các nhà khoa học dữ liệu và kỹ sư phần mềm tăng đáng kể vào năm 2021 và tăng trưởng vừa phải vào năm 2022.
Kỹ năng sẵn có
Nhu cầu về những người thực hành học máy, khoa học dữ liệu, NLP và một số công cụ liên quan là rất cao so với nguồn cung.
Những tiến bộ mới nhất
Sau đây là một số tiến bộ gần đây liên quan đến AI ứng dụng:
- Đầu tư góp phần thúc đẩy năng lực AI tiến bộ. Mặc dù các khoản đầu tư vào AI đã giảm xuống còn 104 tỷ USD vào năm 2022 từ mức cao là 146,8 tỷ USD vào năm 2021, nhưng những khoản đầu tư này tiếp tục cao hơn các mức của giai đoạn 2018-2020,
vốn có mức trung bình là 73,5 tỷ USD. Với các khoản đầu tư đang được rót vào, AI tiếp tục cho ra các kết quả tiên tiến nhất với những cải tiến liên tục trong các lĩnh vực như độ chính xác của mô hình. Ví dụ: chi phí đào tạo các hệ thống phân loại hình ảnh đã giảm 63,6% và thời gian đào tạo đã được cải thiện 94,4% kể từ năm 2018. Tuy nhiên, có thể khai thác tiềm năng làm tăng các AI ứng dụng bằng cách kết hợp nó với công nghệ AI mới nổi. Ví dụ: các mô hình nền tảng làm nền tảng cho AI tạo sinh có thể xử lý một lượng lớn dữ liệu sản xuất phi cấu trúc, chẳng hạn như ghi chú và nhật ký, để làm phong phú thêm các giải pháp AI hiện tại giúp tối ưu hóa hiệu suất.
- Các nhà hoạch định chính sách đẩy nhanh các hành động pháp lý để hạn chế việc lạm dụng AI. Khi công nghệ AI tiến bộ, thì nó cũng có khả năng bị lạm dụng: Kho lưu trữ AIAAIC, nơi theo dõi các sự cố liên quan đến việc lạm dụng đạo đức AI, thuật toán và tự động hóa, chỉ ra rằng số lượng tranh cãi liên quan đến AI đã tăng 26 lần kể từ năm 2012. Sự công bằng, thiên vị và lạm dụng do thuật toán đã trở thành mối quan tâm chính. Một phân tích về hồ sơ pháp lý ở 127 quốc gia cho thấy số lượng luật được thông qua có chứa từ “trí tuệ nhân tạo” đã tăng từ một vào năm 2016 lên 37 vào năm 2022. Thúc đẩy bởi sự phát triển nhanh chóng của AI từ các công ty tư nhân, Đạo luật AI của Liên minh Châu Âu - được ban hành để điều chỉnh các mô hình AI cơ bản - sắp trở thành luật chính thức sau khi được ủy ban quốc hội phê duyệt. Trong khi đó, Khảo sát toàn cầu của McKinsey về tình trạng của AI chỉ ra rằng không có mức tăng đáng kể nào ở các báo cáo giảm thiểu rủi ro liên quan đến AI của các tổ chức so với mức tăng của việc sử dụng AI.
- Trạng thái áp dụng AI trên toàn cầu hiện tại. Mặc dù việc áp dụng AI trên toàn cầu tăng hơn gấp đôi so với năm 2017, nhưng tỷ lệ các tổ chức sử dụng AI đã chững lại ở mức khoảng 50% đến 60% trong những năm gần đây. Tuy nhiên, các công ty áp dụng AI đã tăng gần gấp đôi số lượng năng lực họ sử dụng, chẳng hạn như tạo ngôn ngữ tự nhiên hoặc thị giác máy tính, từ 1,9 vào năm 2018 lên 3,8 vào năm 2022.
Trong đời thực
Các ví dụ trong thế giới thực liên quan đến sử dụng AI ứng dụng bao gồm:
- Nhóm Emirates của New Zealand đã đẩy mạnh thiết kế và thử nghiệm tàu cánh ngầm bằng cách sử dụng AI để huấn luyện một “bản sao kỹ thuật số” - bản sao kỹ thuật số của một thủy thủ- để thử nghiệm các thiết kế trong môi trường mô phỏng. Bằng cách sử dụng “thủy thủ” AI để loại bỏ các điểm nghẽn của các thủy thủ là con người thực hiện các thử nghiệm, nhóm đã giảm 95% chi phí và có thể thử nghiệm số lượng thiết kế nhiều gấp mười lần.
- Freeport-McMoRan đã triển khai một mô hình AI tùy chỉnh được tải với dữ liệu vận hành có giá trị trong ba năm để tối ưu hóa quy trình sản xuất và tổng sản lượng tại một nhà máy đồng. Làm như vậy đã giúp tăng sản lượng lên 10% trong khi giảm chi phí vốn cho việc mở rộng theo kế hoạch.
- Telkomsel đã xây dựng một nền tảng phân tích dữ liệu mới được bổ sung bởi các công cụ do AI điều khiển để hiểu rõ hơn về khách hàng trên hàng nghìn phân đoạn nhỏ. Sử dụng 9.000 điểm dữ liệu cho mỗi khách hàng trên hơn 50 mô hình, công ty thúc đẩy quá trình cá nhân hóa bằng cách xác định cách phù hợp để tương tác với khách hàng và cung cấp các sản phẩm và dịch vụ phù hợp nhất.
Các công nghệ nền tảng
AI bao gồm một số công nghệ thực hiện các nhiệm vụ giống như nhận thức. Chúng gồm những công nghệ sau:
- Máy học (ML). Thuật ngữ này đề cập đến các mô hình đưa ra dự đoán sau khi được đào tạo với dữ liệu thay vì tuân theo các quy tắc được lập trình.
- Thị giác máy tính. Loại ML này hoạt động với dữ liệu trực quan, chẳng hạn như hình ảnh, video và các tín hiệu 3-D.
- Xử lý ngôn ngữ tự nhiên (NLP). Loại ML này phân tích và tạo dữ liệu dựa trên ngôn ngữ, chẳng hạn như văn bản và lời nói.
- Học tăng cường sâu. Loại ML này sử dụng các mạng thần kinh nhân tạo và đào tạo thông qua thử và sai để đưa ra dự đoán.
Những bất ổn chính
Những bất ổn chính ảnh hưởng đến AI ứng dụng như sau:
- Thiếu nguồn lực sẵn có, chẳng hạn như tài năng và kinh phí, có thể ảnh hưởng đến quá trình phát triển các ứng dụng AI, bất chấp những tiến bộ kỹ thuật ở các giải pháp công nghiệp hóa máy học và cơ sở hạ tầng công nghệ thông tin.
- Các mối lo ngại về quyền riêng tư và an ninh mạng, đặc biệt là về rủi ro và lỗ hổng dữ liệu, rất phổ biến. 51% số người tham gia khảo sát cho rằng an ninh mạng là rủi ro hàng đầu vào năm 2022.
- Quy định và tuân thủ có thể ảnh hưởng đến nghiên cứu và ứng dụng AI.
- Các cân nhắc về đạo đức: bao gồm quản trị dữ liệu, tính liêm chính, công bằng và “khả năng giải thích” - xung quanh việc sử dụng AI một cách có trách nhiệm và đáng tin cậy.
Những câu hỏi lớn về tương lai
Các công ty và nhà lãnh đạo có thể tham khảo một số câu hỏi sau nếu muốn hướng tới tương lai với AI ứng dụng:
- Làm thế nào để các công ty có thể xác định tốt ứng dụng AI nào mang lại lợi ích cho họ và các bên liên quan nhiều nhất?
- Các tính năng nào khiến cho AI trở nên đáng tin cậy và có trách nhiệm và chúng nên được tích hợp vào các ứng dụng như thế nào?
- Các công ty nên thực hiện những biện pháp kiểm tra nào để bảo vệ chống lại những rủi ro từ AI liên quan đến quyền riêng tư và bảo mật dữ liệu, tính liêm chính, công bằng và tuân thủ?
- Các công ty sẽ sử dụng AI tạo sinh kết hợp với AI ứng dụng như thế nào để tối đa hóa sức mạnh tổng hợp tiềm năng hoặc khi sử dụng riêng rẽ phương pháp này thay vì phương pháp khác là hợp lý?
Xu hướng 2. Công nghiệp hóa Máy học
Xu hướng - và tại sao nó lại quan trọng
Công nghiệp hóa Máy học (ML), thường được gọi là vận hành ML hay MLOps, đề cập đến các phương thức kỹ thuật cần thiết để mở rộng quy mô và duy trì các ứng dụng ML trong một doanh nghiệp. Các phương pháp này được kích hoạt và hỗ trợ bởi một hệ sinh thái các công cụ kỹ thuật đang được cải thiện nhanh chóng, cả về chức năng lẫn khả năng tương tác.
Các công cụ MLOps có thể giúp các công ty chuyển đổi từ các dự án thí điểm sang sản phẩm kinh doanh khả thi, làm tăng tốc độ mở rộng quy mô các giải pháp phân tích, xác định và giải quyết các vấn đề trong sản xuất, và cải thiện năng suất của nhóm. Kinh nghiệm cho thấy các tổ chức công nghiệp hóa ML thành công sẽ có thể rút ngắn khung thời gian sản xuất cho các ứng dụng ML (từ bằng chứng về khái niệm thành sản phẩm) khoảng tám đến mười lần và giảm nguồn lực phát triển lên đến 40%. Công nghiệp hóa ML được tiên phong bởi một số ít công ty hàng đầu, nhưng việc áp dụng hiện đang lan rộng khi ngày càng nhiều công ty sử dụng AI cho các ứng dụng rộng hơn
Những tiến bộ mới nhất
Dưới dây là một số phát triển gần đây liên quan đến công nghiệp hóa ML:
- Các công ty ngày càng cam kết công nghiệp hóa ML. Đầu tư vào các công ty hoạt động trong ngành công nghiệp ML đạt mức cao 4,7 tỷ USD vào năm 2021 và vẫn mạnh trong suốt năm 2022 với mức tích lũy 3,4 tỷ USD. Với các khoản đầu tư sắp tới, các nhà quản lý ML cũng đã nhân đôi cam kết của họ: 85% số người trả lời khảo sát ClearML chỉ ra rằng họ có ngân sách MLOps riêng trong năm 2022. IDC dự báo 60% doanh nghiệp sẽ đã triển khai MLOps vào năm 2024. Các khoản đầu tư như vậy
có thể chứng tỏ là khôn ngoan, như nghiên cứu của McKinsey cho thấy các công ty nhận được lợi nhuận cao hơn từ AI sẽ có khả năng tham gia vào công nghiệp hóa ML nhiều hơn.
- Hệ sinh thái phát triển nhanh chóng thông qua việc mua lại và các bước phát triển mới. Năm 2022 được đánh dấu bằng sự kiện hợp nhất quan trọng, hợp tác và phát hành mới. Altair mua lại RapidMiner, Snowflake mua lại Myst AI, McKinsey mua lại Iguazio và Tập đoàn Hewlett Packard mua lại Pachyderm. Databricks công bố MLflow 2.0, phiên bản kế thừa của khung MLOps mã nguồn mở rất phổ biến của công ty. Ngoài ra, Gantry cũng phát hành một loại dịch vụ MLOps mới - một nền tảng sẽ xác định hiệu suất sản xuất mô hình ML thời gian thực và làm thế nào để tối ưu hóa nó.
Thị trường nhân lực giỏi
Thu hút nhân tài trên quy mô lớn là yếu tố chính để phát triển và triển khai ML và AI trên quy mô rộng. Do việc áp dụng AI tăng lên, nên những bài tuyển dụng các công việc liên quan cũng tăng lên, tăng gần gấp bốn lần kể từ năm 2018 và 23,4% từ năm 2021 đến năm 2022. Các công việc chính cần thiết để phát triển và triển khai công nghiệp hóa công nghệ bao gồm: nhà khoa học dữ liệu, kỹ sư phần mềm, kỹ sư dữ liệu và kỹ sư ML.
Kỹ năng sẵn có
Những công ty mở rộng các sáng kiến ML của họ sẽ cần các chuyên gia có nhiều kỹ năng kỹ thuật vốn thường rất khó tìm trên thị trường việc làm, chẳng hạn như Kafka và Hive. Hơn nữa, những chuyên gia đó hiện giờ cần thêm những kỹ năng kỹ thuật phần mềm (SWE) hơn so với trước đây (ví dụ: các nhà khoa học dữ liệu phải có kỹ năng SWE mạnh hơn cho MLOps hơn cần thiết để thực hiện các thí nghiệm nghiên cứu).
Trong đời thực
Những ví dụ trong thế giới thực liên quan đến công nghiệp hóa ML bao gồm:
- Để chuyển đổi toàn bộ tổ chức của mình bằng AI, một công ty dược toàn cầu đã triển khai một năng lực công nghiệp hóa ML toàn công ty để làm tăng năng suất, tốc độ và độ tin cậy; giảm rủi ro; cũng như đảm bảo tuân thủ quy định và tin cậy trên quy mô lớn.
- Một nhà sản xuất kim loại toàn cầu đã nhanh chóng mở rộng quy mô các trường hợp sử dụng phân tích trong toàn bộ hoạt động kinh doanh của mình để có thể thu được hàng chục triệu USD từ tác động tỷ lệ vận hành mỗi năm. Các phương thức thực hành MLOps rất cần để tạo điều kiện cho tốc độ và tính bền vững của sự chuyển đổi này.
- Một công ty dầu khí toàn cầu đã tích hợp MLOps vào trung tâm các năng lực AI/ML của công ty, giảm thời gian xây dựng và triển khai các giải pháp ML tới hơn 50% và thu hơn 250 triệu USD hằng năm từ việc tối ưu hóa hoạt động dựa trên AI.
- Vistra hợp tác với McKinsey để phát triển hơn 400 mô hình AI và sử dụng MLOps để chuẩn hóa triển khai và bảo trì chúng. Việc này đã khiến cho công ty tối ưu hóa hiệu suất nhiệt trên 26 nhà máy của mình, tạo ra hơn 20 triệu USD tiền tiết kiệm năng lượng, và giảm khoảng 1,6 triệu tấn các-bon mỗi năm.
Các công nghệ nền tảng
Các giải pháp phần mềm hỗ trợ các giai đoạn khác nhau của quy trình hoạt động ML, cụ thể như sau:
- Quản lý dữ liệu. Phần mềm quản lý dữ liệu tự động cải thiện chất lượng dữ liệu, tính khả dụng và kiểm soát đầu vào cho hệ thống ML.
- Phát triển mô hình. Công cụ được sử dụng để xây dựng và tối ưu hóa các mô hình ML, tính năng kỹ thuật và chuẩn hóa các quy trình.
- Triển khai mô hình. Cung cấp các bài kiểm tra dụng cụ và xác thực các mô hình ML, đưa chúng vào sản xuất và chuẩn hóa các quy trình.
- Vận hành mô hình trực tiếp. Phần mềm duy trì hoặc cải thiện hiệu suất của các mô hình trong sản xuất.
- Các công cụ và công nghệ phần cứng bổ sung. Các công cụ và công nghệ khác, chẳng hạn như điện toán đám mây và kiến trúc miền cụ thể, cải thiện khả năng truy cập vào tính toán dung lượng cao cho quy trình hoạt động ML.
Những điểm bất ổn chính
Các công ty và các nhà lãnh đạo có thể cần xem xét một vài câu hỏi khi hướng tới công nghiệp hóa ML:
- Đầu tư ban đầu và các nguồn lực sẽ cần để thiết lập ML công nghiệp hóa trong các tổ chức.
- Các quy trình và trách nhiệm giả i trình sẽ rất quan trọng để duy trì các giải pháp ML ở quy mô công nghiệp.
- Một thị trường phát triển nhanh sẽ yêu cầu các tổ chức phải tránh hạn chế nhà cung cấp để họ có thể nhận ra giá trị từ các dịch vụ mới hơn được cung cấp bởi những doanh nghiệp nằm bên ngoài hệ sinh thái nhà cung cấp hiện có.
- Cần tránh nguy cơ tiềm tàng các năng lực bị sai lệch bằng cách đảm bảo rằng các tổ chức đang đầu tư ở đúng cấp độ và ở các giải pháp phù hợp với nhu cầu cụ thể của họ.
Câu hỏi lớn về tương lai
Các công ty và nhà lãnh đạo có thể muốn xem xét một vài các câu hỏi dưới đây khi tiến tới công nghiệp hóa ML:
- Với sự phổ biến của các công nghệ mới trong ML, các tổ chức có nên chọn những công nghệ dọc theo quy trình hoạt động ML phù hợp nhất với nhu cầu của họ?
- ML công nghiệp hóa sẽ thay đổi các tổ chức như thế nào, mô hình hoạt động, và vai trò kỹ thuật của họ?
- Làm thế nào để các tổ chức có thể xác định vai trò trách nhiệm để đảm bảo việc sử dụng AI/ML đáng tin cậy và có trách nhiệm khi công nghiệp hóa ML ngày càng phát triển?
- Với sự xuất hiện và phát triển của AI tạo sinh, các phương thức MLOps và hệ sinh thái công nghệ sẽ phát triển như thế nào?
(Còn tiếp)