Love AI
New member
Giữa làn sóng hứng khởi về AI, nhiều doanh nghiệp vẫn mắc kẹt ở giai đoạn thử nghiệm và không đạt kết quả thực tế. Vấn đề cốt lõi chính là dữ liệu — nếu không giải quyết tốt, AI sẽ chỉ là lời nói suông.
AI đang được tung hô khắp nơi, nhưng thực tế nhiều tổ chức vẫn dậm chân tại chỗ trong giai đoạn thí điểm. Nghiên cứu của sáng kiến NANDA thuộc MIT cho thấy 95% chương trình thí điểm AI thất bại và ít mang lại tác động đáng kể.
Cốt lõi của thách thức này là dữ liệu: khối lượng khổng lồ, độ phức tạp và tính nhạy cảm của dữ liệu khiến việc truy cập, quản lý và bảo vệ trở nên khó khăn. Nhiều biện pháp hiện có cảm thấy chưa đủ để đảm bảo độ bền và an toàn trong môi trường hướng tới AI.
Đầu tư vào việc tạo tầm nhìn rõ ràng và độ bền dữ liệu ngay từ đầu là cách duy nhất để tiến bước với sự tự tin. Nếu không, tổ chức sẽ chỉ “nói” về AI thay vì thực sự triển khai và đo được giá trị.
AI — từ GenAI đến các mô hình ngôn ngữ lớn hay mô hình dự đoán — đều dựa trên dữ liệu. Năm nay thế giới tạo, sao chép và tiêu thụ khoảng 181 zettabyte dữ liệu, gấp ba lần so với cách đây 5 năm, khiến nhiều tổ chức không còn đủ khả năng xử lý toàn bộ khối lượng này.
AI cũng thay đổi khả năng khai thác dữ liệu: Gartner ước tính 80% dữ liệu doanh nghiệp là phi cấu trúc, trước đây hầu như không dùng được. Giờ đây AI có thể trích xuất giá trị từ nguồn dữ liệu này, nhưng điều đó cũng đòi hỏi phải có quy trình phân loại và quản lý chặt chẽ.
Khi các chương trình thí điểm thất bại, nhân viên thường tự thử nghiệm các công cụ AI chưa được phép, gây ra vấn đề shadow IT và rủi ro bảo mật. Tình trạng này sẽ tiếp tục nếu tổ chức không thoát khỏi “hố sụt” dữ liệu và không xây dựng nền tảng vững chắc.
Những việc căn bản vẫn là then chốt: đánh giá tác động dữ liệu, tiêu chuẩn hóa, xác thực dữ liệu và đánh giá liên tục. Dòng chảy dữ liệu không ngừng, nên các quy trình này phải được duy trì liên tục chứ không thể làm một lần.
May mắn là AI có thể hỗ trợ công việc nền tảng này: dùng AI để phân loại dữ liệu, cải thiện truy xuất nguồn gốc dữ liệu (data lineage) và củng cố khả năng phục hồi. Tuy nhiên, điều quan trọng là xây dựng trên nền tảng quản trị và bảo vệ dữ liệu hiện có thay vì bỏ qua chúng.
Tóm lại, để đi từ lời nói sang hành động với AI, các tổ chức cần ưu tiên vệ sinh dữ liệu và tầm nhìn dữ liệu trước. Khi nền tảng dữ liệu đủ mạnh, AI mới thực sự đem lại giá trị đo lường được — đã đến lúc chúng ta “hành động” thay vì chỉ nói.
Nguồn: Techradar
AI đang được tung hô khắp nơi, nhưng thực tế nhiều tổ chức vẫn dậm chân tại chỗ trong giai đoạn thí điểm. Nghiên cứu của sáng kiến NANDA thuộc MIT cho thấy 95% chương trình thí điểm AI thất bại và ít mang lại tác động đáng kể.
Cốt lõi của thách thức này là dữ liệu: khối lượng khổng lồ, độ phức tạp và tính nhạy cảm của dữ liệu khiến việc truy cập, quản lý và bảo vệ trở nên khó khăn. Nhiều biện pháp hiện có cảm thấy chưa đủ để đảm bảo độ bền và an toàn trong môi trường hướng tới AI.
Đầu tư vào việc tạo tầm nhìn rõ ràng và độ bền dữ liệu ngay từ đầu là cách duy nhất để tiến bước với sự tự tin. Nếu không, tổ chức sẽ chỉ “nói” về AI thay vì thực sự triển khai và đo được giá trị.
AI — từ GenAI đến các mô hình ngôn ngữ lớn hay mô hình dự đoán — đều dựa trên dữ liệu. Năm nay thế giới tạo, sao chép và tiêu thụ khoảng 181 zettabyte dữ liệu, gấp ba lần so với cách đây 5 năm, khiến nhiều tổ chức không còn đủ khả năng xử lý toàn bộ khối lượng này.
AI cũng thay đổi khả năng khai thác dữ liệu: Gartner ước tính 80% dữ liệu doanh nghiệp là phi cấu trúc, trước đây hầu như không dùng được. Giờ đây AI có thể trích xuất giá trị từ nguồn dữ liệu này, nhưng điều đó cũng đòi hỏi phải có quy trình phân loại và quản lý chặt chẽ.
Khi các chương trình thí điểm thất bại, nhân viên thường tự thử nghiệm các công cụ AI chưa được phép, gây ra vấn đề shadow IT và rủi ro bảo mật. Tình trạng này sẽ tiếp tục nếu tổ chức không thoát khỏi “hố sụt” dữ liệu và không xây dựng nền tảng vững chắc.
Những việc căn bản vẫn là then chốt: đánh giá tác động dữ liệu, tiêu chuẩn hóa, xác thực dữ liệu và đánh giá liên tục. Dòng chảy dữ liệu không ngừng, nên các quy trình này phải được duy trì liên tục chứ không thể làm một lần.
May mắn là AI có thể hỗ trợ công việc nền tảng này: dùng AI để phân loại dữ liệu, cải thiện truy xuất nguồn gốc dữ liệu (data lineage) và củng cố khả năng phục hồi. Tuy nhiên, điều quan trọng là xây dựng trên nền tảng quản trị và bảo vệ dữ liệu hiện có thay vì bỏ qua chúng.
Tóm lại, để đi từ lời nói sang hành động với AI, các tổ chức cần ưu tiên vệ sinh dữ liệu và tầm nhìn dữ liệu trước. Khi nền tảng dữ liệu đủ mạnh, AI mới thực sự đem lại giá trị đo lường được — đã đến lúc chúng ta “hành động” thay vì chỉ nói.
Nguồn: Techradar
Bài viết liên quan
