Tầm nhìn của DataRobot về việc phổ cập hóa máy học với công nghệ AI không cần mã

Bài viết này là một phần của loạt bài khám phá về kinh doanh trí tuệ nhân tạo.

Sự số hóa ngày càng tăng của gần như mọi khía cạnh trong thế giới và cuộc sống của chúng ta đã tạo ra những cơ hội to lớn cho việc ứng dụng có hiệu quả của máy học và khoa học dữ liệu. Tất cả các tổ chức và cơ sở đều cảm thấy nhu cầu đổi mới và tái tạo bản thân bằng cách sử dụng trí tuệ nhân tạo và tận dụng dữ liệu của họ. Theo nhiều cuộc khảo sát, khoa học dữ liệu là một trong những kỹ năng đang tăng nhanh nhất và đang được đòi hỏi ở nhiều lĩnh vực khác nhau.

Tuy nhiên, nhu cầu ngày càng cao về trí tuệ nhân tạo bị hạn chế bởi nguồn cung rất thấp về các chuyên gia khoa học dữ liệu và chuyên gia máy học. Trong số những nỗ lực để giải quyết khoảng trống về tài năng này là lĩnh vực phát triển nhanh chóng của no-code AI, những công cụ làm cho việc tạo và triển khai mô hình ML trở nên dễ tiếp cận với các tổ chức không có đủ chuyên gia khoa học dữ liệu và kỹ sư máy học có kỹ năng cao.

Trong một cuộc phỏng vấn với TechTalks, Nenshad Bardoliwalla, giám đốc sản phẩm chính tại DataRobot, thảo luận về những thách thức của việc đáp ứng nhu cầu về máy học và khoa học dữ liệu trong các lĩnh vực khác nhau và cách các nền tảng no-code đang giúp phổ cập hóa trí tuệ nhân tạo.

Không đủ chuyên gia khoa học dữ liệu

“Lý do khiến nhu cầu về AI tăng đột biến là do lượng khí thải kỹ thuật số được doanh nghiệp tạo ra và số cách họ có thể sáng tạo sử dụng khí thải kỹ thuật số đó để giải quyết các vấn đề kinh doanh thực sự đang tăng,” Bardoliwalla nói.

Trong khi đó, trên thế giới không có đủ chuyên gia khoa học dữ liệu có khả năng thực sự khai thác dữ liệu đó.

“Chúng tôi biết mười năm trước, khi DataRobot bắt đầu, rằng không có cách nào số lượng chuyên gia khoa học dữ liệu — những người có tiến sĩ về thống kê, tiến sĩ về học máy — rằng thế giới sẽ có đủ những người đó để có thể đáp ứng nhu cầu về kết quả kinh doanh dựa trên AI,” Bardoliwalla nói.

Và qua các năm, Bardoliwalla đã thấy nhu cầu về máy học và khoa học dữ liệu tăng trên nhiều lĩnh vực khác nhau khi ngày càng nhiều tổ chức nhận ra giá trị kinh doanh của máy học, cho dù là dự đoán sự chuyển đổi của khách hàng, số lượt nhấp vào quảng cáo, khả năng hỏng động cơ, kết quả y tế, hoặc cái gì khác.

“Chúng tôi đang thấy ngày càng nhiều công ty nhận ra rằng đối thủ của họ có thể khai thác AI và ML một cách thú vị và họ đang tìm cách bắt kịp,” Bardoliwalla nói.

Đồng thời, nhu cầu ngày càng tăng về kỹ năng khoa học dữ liệu đã làm nảy mình khoảng trống tài năng AI tiếp tục. Và không phải ai cũng được phục vụ một cách bình đẳng.

Các ngành không được phục vụ đầy đủ

Sự thiếu hụt chuyên gia đã tạo ra sự cạnh tranh gay gắt cho tài năng khoa học dữ liệu và máy học. Ngành tài chính đang dẫn đầu, tuyển dụng mạnh mẽ tài năng AI và đưa các mô hình máy học vào sử dụng.

“Nếu bạn nhìn vào dịch vụ tài chính, bạn sẽ thấy rõ rằng số lượng mô hình máy học đang được triển khai vào sản xuất cao nhất so với bất kỳ đoạn còn lại,” Bardoliwalla nói.

Đồng thời, các công ty công nghệ lớn có túi tiền sâu cũng đang tuyển dụng các chuyên gia hàng đầu về khoa học dữ liệu và kỹ sư máy học—hoặc thậm chí mua lại các phòng lab AI với tất cả các kỹ sư và nhà khoa học của họ—để củng cố thêm đế chế thương mại dựa trên dữ liệu của họ. Trong khi đó, các công ty nhỏ và các lĩnh vực không có nhiều tiền đã bị bỏ lại ngoài cơ hội do tiến bộ trong trí tuệ nhân tạo vì họ không thể tuyển đủ chuyên gia khoa học dữ liệu và kỹ sư máy học.

Bardoliwalla đặc biệt nhiệt tình với những gì AI có thể làm cho ngành giáo dục.

“Bao nhiêu công sức đang được đầu tư vào việc tối ưu hóa kết quả học tập của sinh viên bằng cách sử dụng AI và ML? Ngành giáo dục và hệ thống trường học có bao nhiêu nguồn lực để đầu tư vào công nghệ đó? Tôi nghĩ rằng ngành giáo dục nhìn chung có khả năng sẽ là một ngành chậm tiến trong lĩnh vực này,” ông nói.

Các lĩnh vực khác còn một đoạn đường dài trước khi họ có thể tirnhd đối với những tiến bộ trong lĩnh vực AI là giao thông vận tải, tiện ích và máy móc nặng. Và phần giải pháp có thể là tạo ra các công cụ ML không yêu cầu bằng cấp khoa học dữ liệu.

Tầm nhìn no-code AI

“Đối với mỗi chuyên gia khoa học dữ liệu của bạn, bạn có mười người kinh doanh thông minh phân tích có khả năng đặt vấn đề một cách đúng đắn và thêm các phép tính cụ thể liên quan đến kinh doanh dựa trên kiến thức lĩnh vực của những người đó,” Bardoliwalla nói.

Vì máy học đòi hỏi kiến thức về ngôn ngữ lập trình như Python và R và các thư viện phức tạp như NumPy, Scikit-learn và TensorFlow, hầu hết những người kinh doanh không thể tạo và kiểm thử các mô hình mà không cần sự giúp đỡ của chuyên gia khoa học dữ liệu. Đây là lĩnh vực mà các nền tảng no-code AI đang giải quyết.

DataRobot và các nhà cung cấp khác của các nền tảng no-code AI đang tạo ra các công cụ giúp những chuyên gia lĩnh vực và những người thông minh về kinh doanh có thể tạo và triển khai các mô hình máy học mà không cần viết mã.

Với DataRobot, người dùng có thể tải lên bộ dữ liệu của họ lên nền tảng, thực hiện các bước tiền xử lý cần thiết, chọn và trích xuất các đặc trưng, tạo và so sánh nhiều mô hình máy học khác nhau, tất cả thông qua giao diện người dùng đồ họa dễ sử dụng.

“Toàn bộ khái niệm về dân chủ hóa là để cho phép các công ty và những người trong những công ty đó, người ta nếu không có thể sử dụng AI và ML, họ có thể làm được,” Bardoliwalla nói.

No-code AI không phải là sự thay thế cho chuyên gia khoa học dữ liệu. Nhưng nó tăng năng suất ML trên toàn bộ tổ chức, trao quyền cho nhiều người tạo ra các mô hình. Điều này giảm gánh nặng từ đôi vai quá tải của các chuyên gia dữ liệu và cho phép họ sử dụng kỹ năng của mình một cách hiệu quả hơn.

“Một người trong phương trình đó, chuyên gia khoa học dữ liệu, có khả năng xác nhận và quản lý và đảm bảo rằng những mô hình được tạo ra bởi những người kinh doanh thông minh phân tích dữ liệu là khá chính xác và hợp lý từ quan điểm có thể giải thích được—rằng chúng đáng tin cậy,” Bardoliwalla nói.

Sự phát triển của các công cụ máy học này tương tự như làm thế nào ngành công nghiệp thông tin doanh nghiệp đã thay đổi. Một thập kỷ trước, khả năng truy vấn dữ liệu và tạo báo cáo tại các tổ chức giới hạn cho một số người có kỹ năng mã hóa đặc biệt cần thiết để quản lý cơ sở dữ liệu và kho dữ liệu. Nhưng ngày nay, các công cụ đã phát triển đến mức người không biết lập trình và ít chuyên môn có thể thực hiện hầu hết các nhiệm vụ truy vấn dữ liệu của họ thông qua các công cụ đồ họa dễ sử dụng mà không cần sự giúp đỡ của các chuyên gia phân tích dữ liệu. Bardoliwalla tin rằng sự biến đổi tương tự đang diễn ra trong ngành công nghiệp AI nhờ vào các nền tảng no-code AI.

“Trong khi ngành công nghiệp thông tin doanh nghiệp lịch sử đã tập trung vào điều gì đã xảy ra—và đó là hữu ích—AI và ML sẽ mang lại khả năng dự đoán cho mỗi người trong doanh nghiệp,” Bardoliwalla nói. “Chúng tôi tin rằng chúng tôi có thể đưa AI và ML vào tay hàng triệu người trong tổ chức vì chúng tôi đã đơn giản hóa quá trình đến mức nhiều người kinh doanh thông minh phân tích dữ liệu—và có hàng triệu người như vậy—hợp tác với vài triệu chuyên gia dữ liệu có thể đưa ra các kết quả cụ thể về AI và ML.”

Sự phát triển của no-code AI tại DataRobot

DataRobot ra mắt bộ công cụ no-code AI đầu tiên vào năm 2014. Kể từ đó, nền tảng đã mở rộng với tốc độ nhanh chóng của ngành công nghiệp máy học ứng dụng. DataRobot đã thống nhất các công cụ của mình vào AI Cloud vào năm 2021 và vào giữa tháng Ba, công ty phát hành AI Cloud 8.0, phiên bản mới nhất của nền tảng.

AI Cloud đã phát triển thành một nền tảng toàn diện no-code bao phủ toàn bộ vòng đời phát triển máy học.

“Chúng tôi nhận ra vào năm 2019 rằng chúng tôi phải mở rộng, và cách bạn có giá trị từ máy học là bằng cách triển khai mô hình vào sản xuất và thực sự cung cấp dự đoán trong các quy trình kinh doanh,” Bardoliwalla nói.

Ngoài việc tạo và kiểm thử mô hình, DataRobot còn hỗ trợ MLOps, các thực hành liên quan đến triển khai và bảo trì các mô hình ML. Nền tảng bao gồm một công cụ xây dựng ứng dụng No-Code AI App Builder đồ họa cho phép bạn tạo ra các ứng dụng đầy đủ trên cơ sở các mô hình của mình. Nền tảng cũng giám sát các mô hình ML đã triển khai về suy giảm, biến động dữ liệu và các yếu tố khác có thể ảnh hưởng đến hiệu suất. Gần đây hơn, công ty đã thêm vào các công cụ kỹ thuật dữ liệu để thu thập, phân đoạn, gắn nhãn, cập nhật và quản lý các bộ dữ liệu được sử dụng để đào tạo và xác thực các mô hình ML.

“Tầm nhìn của chúng tôi đã mở rộng rất lớn, và bằng chứng đầu tiên về nền tảng toàn diện đã đến vào năm 2019. Những gì chúng tôi đã làm kể từ đó là kết nối tất cả những điều đó lại với nhau—và đây là điều chúng tôi thông báo với bản phát hành 8.0 với Continuous AI,” Bardoliwalla nói.

Tương lai của no-code AI

Khi no-code AI trưởng thành, nó cũng trở nên quý giá đối với các chuyên gia dữ liệu và kỹ sư máy học có kinh nghiệm, muốn tự động hóa những phần nhàm chán trong công việc của họ. Trong toàn bộ chu kỳ phát triển máy học, người dùng nâng cao có thể tích hợp mã viết tay của mình với các công cụ tự động của DataRobot. Hoặc họ có thể trích xuất mã nguồn Python hoặc R cho các mô hình mà DataRobot tạo ra và tùy chỉnh thêm để tích hợp vào ứng dụng của họ.

Nhưng no-code AI vẫn còn nhiều điều để đóng góp. “Tương lai của no-code AI sẽ liên quan đến việc tăng cường mức độ tự động hóa mà các nền tảng có thể cung cấp. Mức độ tự động hóa càng cao, bạn sẽ phải viết ít mã hơn,” Bardoliwalla nói.

Một số ý tưởng mà Bardoliwalla đang giải trí là phát triển các công cụ có thể liên tục cập nhật và phân tích hồ sơ về dữ liệu được sử dụng trong các mô hình máy học. Cũng có cơ hội để tiếp tục tối ưu hóa quy trình ML tự động bằng cách theo dõi liên tục độ chính xác không chỉ của mô hình đang chạy, mà còn của các mô hình thách thức có thể thay thế mô hình ML chính khi ngữ cảnh và điều kiện thay đổi.

“Cách mà môi trường no-code sẽ thành công là cho phép ngày càng nhiều chức năng trước đây yêu cầu người viết mã, bây giờ có thể thể hiện chỉ trong vài cú nhấp chuột trong GUI,” Bardoliwalla nói.

Được xuất bản ban đầu bởi Ben Dickson trên TechTalks, một tờ báo nghiên cứu xu hướng công nghệ, cách chúng ảnh hưởng đến cách chúng ta sống và kinh doanh, cũng như những vấn đề mà chúng giải quyết. Nhưng chúng tôi cũng thảo luận về mặt xấu của công nghệ, những hậu quả tối tăm của công nghệ mới và những điều chúng ta cần phải cảnh báo. Bạn có thể đọc bài viết gốc tại đây.