“Facebook: Những câu chuyện ẩn phía sau”, một cuốn sách mới xuất bản gần đây về gã khổng lồ trong ngành truyền thông mạng xã hội của Mỹ, đã vẽ lên một bức tranh sống động về tầm vóc của doanh nghiệp này, không phải về mặt doanh thu hay giá trị cổ phần mà là về số lượng khổng lồ các hoạt động tương tác của con người được lưu chuyển qua các máy chủ của nó.

1,73 tỷ người sử dụng Facebook mỗi ngày, viết các bình luận và tải lên các đoạn phim.

Khối lượng công việc để vận hành một hệ thống ở tầm cỡ như vậy là rất lớn, Levy, tác giả cuốn sách viết, “nó chỉ có thể được kiểm soát bởi các thuật toán hoặc một đội ngũ nhân viên hùng hậu”.

Thực tế, Facebook sử dụng cả hai cách đó.

Những nhân viên kiểm duyệt cùng với các thuật toán đã được thuần hóa sẽ làm công việc phát hiện những bài đăng vi phạm pháp luật của mỗi quốc gia hoặc những chính sách riêng của trang.

Nhưng các thuật toán thì lại có nhiều lợi thế hơn so với những đồng nghiệp là con người của chúng.

Chúng không ngủ, nghỉ phép, hay phàn nàn về các báo cáo đánh giá năng suất làm việc của chúng. Chúng rất nhanh, có thể rà soát hàng ngàn thông báo mỗi giây, và không hề mệt mỏi.

Và, đương nhiên, chúng không cầu phải được nhận bất cứ khoản thù lao nào. Và không chỉ có Facebook ứng dụng điều này.

Google sử dụng công nghệ học máy để lọc ra các kết quả tìm kiếm và quảng cáo phù hợp; Amazon và Netflix sử dụng nó để đưa ra các đề xuất về các sản phẩm hoặc chương trình truyền hình để người dùng có thể chọn lựa xem; Twitter và TikTok thì sử dụng để đưa ra các gợi ý về những trang mà người dùng mới có thể lựa chọn theo dõi.

Việc có khả năng cung cấp tất cả những dịch vụ hạn chế tối đa sự can thiệp của con người như vậy chính là một trong những lý do vì sao giá trị của các công ty công nghệ có thể tăng lên một cách chóng mặt chỉ với một đội ngũ nhân viên có số lượng rất nhỏ.

Các doanh nghiệp ở các lĩnh vực khác cũng rất mong muốn có được hiệu suất đó.

Mặc dù vậy, sự thần kỳ này lại đang được chứng minh là tương đối dễ nắm bắt.

Một khảo sát thực hiện bởi Boston Consulting Group và MIT trên phạm vi gần 2.500 chủ doanh nghiệp cho thấy 7/10 chủ doanh nghiệp nhận định rằng những dự án về AI của họ từ trước đến nay chỉ tạo ra những ảnh hưởng rất nhỏ, không đáng kể.

Hai phần năm trong số các công ty thực hiện những cuộc đầu tư lớn cho AI báo cáo rằng họ vẫn chưa thể nhận được bất cứ lợi ích nào từ khoản đầu tư này.

Có lẽ điều này dần dẫn đến kết quả là các chủ doanh nghiệp nói chung đang trở nên thờ ơ với ý tưởng này.

Một cuộc khảo sát khác, lần này là bởi PWC, chỉ ra rằng số lượng các chủ doanh nghiệp đang lên kế hoạch triển khai các dự án về AI cho công ty của mình chỉ chiếm vỏn vẹn 4% trong năm 2020, tụt xuống từ mức 20% của năm ngoái.

Số lượng các công ty nói rằng họ đã áp dụng được AI theo hướng đa lĩnh vực thì giảm từ mức 27% xuống chỉ còn 18%.

Euan Cameron của PWC nhận định rằng những cuộc thử nghiệm ồ ạt có thể đã không còn được thực hiện hoặc có thể đang được định hướng lại, và những lời lẽ khoa trương thiếu hợp lý từng thống trị các cuộc họp hội đồng quản trị trong những năm vừa qua cũng đang dần biến mất.

Có một vài nguyên nhân cho sự chững lại trên thực tế này.

Một là sự thiếu sáng tạo, cải tiến: các doanh nghiệp, đặc biệt là những công ty lớn, thường cảm thấy việc phải thay đổi là rất khó khăn.

Trường hợp tương tự đã từng xảy ra với quá trình điện hóa của các nhà máy.

Điện năng có những lợi thế hơn hẳn so với năng lượng hơi nước cả về mặt hiệu suất lẫn sự thuận tiện.

Phần lớn các phát minh mang tính nền tảng đều được ra đời vào cuối thế kỷ 19.

Thế nhưng, mặc dù vậy, các quốc gia trong nhóm công nghiệp phát triển cũng phải mất hơn 30 năm để thực sự ứng dụng một cách phổ biến năng lượng điện.

Những lý do cho vấn đề trên cũng hoàn toàn tương tự với trường hợp của công nghệ AI.

Các doanh nghiệp có thể đã bị mê muội bởi thành công của những gã khổng lồ trong lĩnh vực internet, những nơi được đánh giá là môi trường hoàn hảo để ứng dụng công nghệ mới.

Họ đã có sẵn một lực lượng đông đảo các lập trình viên cũng như khối lượng lớn dữ liệu người dùng.

Việc họ sử dụng dụng công nghệ AI, ít nhất là trong cải thiện kết quả tìm kiếm, hiển thị quảng cáo, đề xuất các sản phẩm mới và những thứ như vậy, trông tương đối đơn giản và dễ dàng để ước lượng.

Nhưng không phải ai cũng may mắn như vậy.

Tìm kiếm nhân viên có thể là một vấn đề khá phức tạp đối với nhiều doanh nghiệp.

Chuyên gia về công nghệ AI rất hiếm và thường đòi hỏi mức đãi ngộ rất cao.

“Chỉ có những gã khổng lồ công nghệ hoặc các quỹ tài chính phòng hộ mới có đủ điều kiện tài chính để có thể thuê những nhân viên kiểu như vậy,” một quản lý cấp cao không thuộc hai loại tổ chức trên bức xúc.

Các trường đại học, học viện đang là nơi có tiềm năng khai thác màu mỡ cho các nhà tuyển dụng.

Một vấn đề có phần còn có phần tế nhị hơn đó là việc quyết định xem công nghệ AI sẽ được ứng dụng vào vấn đề gì.

Trí tuệ của máy móc rõ ràng là khác rất nhiều so với trí tuệ sinh học.

Điều này có nghĩa là việc đo lường mức độ khó khăn mà máy móc sẽ cảm nhận về một nhiệm vụ có thể là hơi khác thường.

Các nhà nghiên cứu về lĩnh vực AI gọi vấn đề này là nghịch lý Moravec, sau khi Hans Moravec, một nhà robot học người Canada nhận thấy rằng mặc dù máy móc có thể xử lý các con số phức tạp và các phép logic hình thức một cách tương đối dễ dàng, chúng lại thường gặp khó khăn khi phải giải quyết các công việc về các thay đổi phức hợp hay sự vận động, điều mà con người luôn coi là sự hiển nhiên.

Ví dụ, bất kỳ người nào cũng có thể trở thành nhân viên tổng đài chăm sóc khách hàng. Thế nhưng rất ít người có thể chơi Go ở đẳng cấp cao.

Paul Henninger, một chuyên gia về AI tại công ty kế toán KPMG, cho rằng xây dựng một máy chủ tự động cho việc chăm sóc khách hàng có thể sẽ khó hơn cả việc tạo ra một siêu cỗ máy dùng cho việc chơi Go.

Go chỉ có thể có hai kết quả - thắng hoặc thua – và cả hai đều có thể được định dạng một cách rõ ràng.

Những trò chơi mang tính cá nhân có thể được chơi theo hàng nghìn tỷ cách khác nhau, nhưng luật chơi cơ bản thì có rất ít và thường là cụ thể một cách rõ ràng.

Những vấn đề có thể định dạng rõ ràng như vậy rất phù hợp với AI.

Ngược lại, Henninger chỉ ra rằng “việc một khách hàng liên hệ với hãng bay sau khi chuyến bay bị hoãn có thể diễn biến theo rất nhiều cách khác nhau.”

Vậy điều cần làm là gì?

Một trong số những lời khuyên, theo James Gralton, giám đốc kỹ thuật máy tại Ocado, một công ty của Anh chuyên về lĩnh vực tự động hóa hệ thống kho bãi và vận chuyển đồ ăn, đó là hãy bắt đầu ở phạm vi nhỏ, và lựa chọn các dự án có thể nhanh chóng đem lại những lợi ích rõ ràng.

Các nhà kho của Ocado chứa hàng nghìn robot trông giống như những tủ hồ sơ được đặt trên những bánh xe.

Từng nhóm của những chiếc tủ hồ sơ này kéo nhau đi theo một mạng lưới đường ray, lựa chọn những phần thức ăn theo các đơn đặt hàng trực tuyến.

Các kỹ sư của Ocado sử dụng các dữ liệu đơn giản được lấy từ các robot, như tổng lượng điện tiêu thụ hoặc những báo cáo về mô men xoắn từ những động cơ bánh xe, để dạy cho một cỗ máy có hình mẫu tương tự như một học máy, từ đó chúng có thể dự đoán được khi nào một robot hỏng hóc hoặc mòn cũ đến mức không thể hoạt động trong dây chuyền được nữa.

Do là các robot bị hỏng hóc làm cản trở sự hoạt động của dây chuyền, nên việc thay thế và sửa chữa chúng kịp thời là một biện pháp tiết kiệm tương đối thời gian và tiền bạc

Và vận hành hệ thống này cũng là một việc tương đối dễ dàng.

Robot, nhà kho và khối dữ liệu đều đã có sẵn.

Và kết quả nhận được cũng rất rõ ràng, điều này từ đó cũng giúp cho vấn đề đánh giá mức độ thành công của việc áp dụng hình mẫu AI trở nên ít khó khăn hơn: Hoặc hệ thống được coi là thành công khi nó có thể giảm thiểu được những thiệt hại và tiết kiệm chi phí, hoặc ngược lại.

Một dạng “bảo trì tiên đoán” như vậy, song song với việc tự động hóa hệ thống hành chính và dịch vụ hỗ trợ, là một ví dụ tiêu biểu cho một thuật ngữ mà PWC cũng phải đồng tình thừa nhận: “hệ thống AI tẻ nhạt” (mặc dù Gralton chắc chắn có thể sẽ phản đối tên gọi này). 

Có nhiều mục đích để hướng tới khi xây dựng hệ thống AI hơn là chỉ ứng dụng sự chính xác đến vô vị của công nghệ này.

Nó cũng cần phải được sử dụng để làm những công việc mà có thể trở thành một phần trong sự vận hành của một công ty.

Trong những năm cuối thập niên 90 của thế kỷ trước, Henninger đã nghiên cứu và phát triển “Falcon” cho công ty Fair Isaac, một hệ thống phát hiện những hành vi gian lận thẻ tín dụng nhắm vào các ngân hàng và công ty cung cấp thẻ tín dụng mà, theo ông, là một trong những ứng dụng đầu tiên của học máy.

Cũng giống như bảo trì tiên đoán, phát hiện hành vi gian lận cũng là một ứng dụng tương đối phù hợp: Dữ liệu (dưới dạng thức là những báo cáo giao dịch của các thẻ tín dụng) đã được thanh lọc và có sẵn, không chỉ vậy các quyết định cần được đưa ra trên thực tế cũng chỉ ở dạng nhị phân (có hay không hành vi gian lận trong một giao dịch).

Bài toán khó buộc phải tìm ra lời giải

Thế nhưng, mặc dù Falcon thể hiện tốt hơn rất nhiều so với các hệ thống hiện hành của các ngân hàng trong việc phát hiện những giao dịch gian lận tinh vi, nó vẫn chưa được đánh giá là một sản phẩm thành công khi chưa thể giúp các ngân hàng làm được điều gì đó với các thông tin mà mô hình mẫu đó tạo ra.

“Falcon cũng gặp phải những giới hạn tương tự như những gì đang làm cản trở các dự án AI: khoảng cách để đi từ một mô hình mẫu đến một hệ thống có thể ứng dụng thực tế”

Cuối cùng, Henninger nói rằng, sẽ còn có nhiều nhiệm vụ nhàm chán hơn nữa cần phải giải quyết để tạo ra một hệ thống có khả năng quản lý các hồ sơ cụ thể - đưa ra những dấu hiệu cảnh báo về hành vi lừa đảo đến các nhân viên ngân hàng, rồi tiếp theo cho phép họ có thể chặn các giao dịch đó, cho phép hoặc liên lạc với các khách hàng để kiểm tra lại lần hai - đó mới là thứ có thể thuyết phục các ngân hàng rằng hệ thống này đáng giá và đáng để mua như thế nào.

Gralton cho rằng bởi vì chúng phức tạp và có tính mở như vậy, rất ít các vấn đề trong đời sống thực tiễn có thể ứng dụng hoàn toàn AI để giải quyết.

Các nhà quản lý vì vậy nên dự đoán được rằng hệ thống của họ sẽ thất bại trong việc giải quyết các vấn đề như thế nào.

Thông thường điều đó sẽ có nghĩa là chuyển lại những trường hợp khó giải quyết cho những nhân viên là con người đánh giá và quyết định.

Từ đó có thể dẫn tới việc giới hạn các khoản cắt giảm chi phí như mong đợi, đặc biệt là trong trường hợp hình mẫu đó không được điều chỉnh tốt và thường xuyên đưa ra các quyết định sai lầm.

Những gì mà những gã khổng lồ công nghệ trải qua trong đại dịch covid-19, khoảng thời gian mà đi kèm với sự xuất hiện tràn ngập của các thuyết âm mưu vô lý và bị bóp méo trên mạng internet, đã chứng minh lợi ích của việc luôn giữ con người ở vị thế cốt cán.

Bởi vì các nhân viên kiểm duyệt thường phải xem những thông tin riêng tư, nhạy cảm, họ cũng sẽ thường làm việc trong những văn phòng với các chính sách an ninh chặt chẽ (ví dụ mang điện thoại thông minh đi làm thường bị cấm trong nhiều trường hợp).

Đầu tháng ba này, vì sự lan rộng của dịch bệnh, các công ty công nghệ phải gửi những nhân viên kiểm duyệt thông tin kiểm duyệt của họ về nhà, nơi mà những biện pháp đảm bảo an ninh như trên rất khó để thực thi.

Điều này đồng nghĩa với sự lệ thuộc vào các thuật toán sẽ tăng lên. Các công ty cũng thành thật thừa nhận sự ảnh hưởng từ tác động này.

Số lượng các đoạn phim bị xóa sẽ tăng lên, Youtube cho hay, “bao gồm cả những đoạn phim mà thậm chí còn không thực sự vi phạm chính sách của chúng tôi”.

Facebook thì thừa nhận rằng ít sự can thiệp của con người hơn sẽ có khả năng đồng nghĩa với việc “thời gian phản hồi sẽ lâu hơn và số lượng sai sót cũng sẽ nhiều hơn”.

AI có thể làm được rất nhiều thứ. Nhưng nó chỉ có thể làm việc tốt nhất khi con người ở đó và kiểm soát nó.