Trí tuệ nhân tạo (AI) trong doanh nghiệp đang “đi lên” như thế nào? Những ngành trọng điểm như giao thông vận tải, bán lẻ và y tế đang tự chuyển mình bằng cách sử dụng AI ra sao? Thời đại AI mang tới câu chuyện của ba “ông lớn” Lyft, Walmart và Philips, qua đó giới thiệu một số trường hợp sử dụng nói chung.

Ví dụ ở đây là trường hợp phát hiện gian lận thu hút một số lượng lớn các ngành dọc nơi có các giao dịch tài chính và/hoặc giám sát hành vi người dùng, bao gồm các môi trường thương mại điện tử, tài chính và bán lẻ. Chức năng back-office là một phần không thể tách rời của bất kỳ tổ chức doanh nghiệp nào, và các tổ chức doanh nghiệp hàng đầu thế giới sẽ là những người hưởng lợi chính.

Lyft

Lyft, một công ty vận tải đô thị, đã nhanh chóng bắt kịp Uber về mặt thương hiệu cũng như thị phần. Gil Arditi, người đứng đầu bộ phận Sản phẩm, Học máy tại Lyft đã trình bày những hiểu biết thú vị tại một hội nghị gần đây về cách công ty Lyft sử dụng Trí tuệ nhân tạo/Học máy.

Nhóm nghiên cứu học máy tại Lyft được giao nhiệm vụ giải quyết một loạt các vấn đề cho hoạt động chủ chốt cũng như hoạt động kinh doanh tự quản bao gồm xác định giá giao ngay, lập kế hoạch chạy xe, và các hoạt động của đội xe, và tránh chướng ngại vật. Để giải quyết những vấn đề này, nhóm nghiên cứu học máy sử dụng nhiều mô hình bao gồm cây quyết định, mạng nơ-ron, ARIMA, mô hình multi-arm bandit, hồi quy vector hỗ trợ và và lập trình bậc hai. Sự lựa chọn về một mô hình phụ thuộc vào vấn đề có trong tay và việc mô hình đó giải quyết vấn đề trên quy mô lớn hiệu quả như thế nào.

Gil đã thảo luận về một trong những vấn đề cơ bản của việc phát hiện gian lận và hành trình mà nhóm của mình đã trải qua để giải quyết vấn đề. Hãy bắt đầu với định nghĩa vấn đề.

Định nghĩa vấn đề phát hiện gian lận rất đơn giản: Cách Lyft xác định một người dùng đặt hàng chuyến đi là kẻ lừa đảo như thế nào?

Tại sao việc phát hiện gian lận lại quan trọng?

Mục đích gian lận có thể đa dạng từ việc thanh toán trái phép (sử dụng thẻ tín dụng bị đánh cắp hoặc tương tự) để chèn yếu tố thiên vị vào cung/cầu bằng cách tạo ra các yêu cầu đi xe tạm thời. Nếu kẻ lừa đảo không bị phát hiện, điều đó có thể dẫn đến việc công ty đạt doanh thu thấp hơn hoặc khách hàng phải chờ đợi lâu hơn.

Giải pháp ban đầu

Để giải quyết vấn đề này, Lyft bắt đầu cung cấp các hành động người dùng và thông tin người dùng theo ngữ cảnh vào cây quyết định Gradient Boosted Decision Trees. Các yếu tố đầu vào bao gồm thông tin từ vị trí, địa chỉ IP nguồn, loại hình thanh toán, quãng đường di chuyển đến các mô hình tiêu thụ hành trình trước đây của người dùng. Nhờ có số lượng lớn thông tin đầu vào, mô hình này rất phù hợp để vận hành ở chế độ hàng loạt.

Thách thức và phát triển

Nhóm nghiên cứu đã phải đối mặt với ba thách thức với giải pháp tổng thể.

  1. Cây quyết định yêu cầu rất nhiều đầu vào và điều chỉnh. Kỹ thuật tính năng thể hiện các tương tác giữa các tính năng đầu vào trong cây quyết định đó cũng gây mất tín hiệu.
  2. Mô hình hành vi của kẻ lừa đảo điển hình là “lừa đảo và bỏ chạy”. Do đó, hoạt động gần đây có mức độ liên quan đến gian lận cao hơn so với hoạt động trước đây. Điều này đòi hỏi phải nắm bắt các tín hiệu đầu vào theo thời gian thực vì không có đủ thời gian để biên tập lại/đào tạo lại mô hình cây quyết định với các đầu vào mới.
  3. Lượng thời gian dành cho hoạt động lập mô hình/tư duy sáng tạo là tối thiểu khi so sánh với kỹ thuật dữ liệu. Nhóm vận hành và kỹ thuật phần mềm tập trung vào vấn đề góc, mở rộng quy mô, bảo trì, làm sạch trong khi nhóm Khoa học dữ liệu tập trung vào hoạt động cải thiện các mô hình nhỏ trong môi trường phòng thí nghiệm. Việc nhận được kết quả nhất quán trong quá trình sản xuất và thử nghiệm cộng với việc rút ngắn thời gian cần thiết để đưa một mô hình mới vào sản xuất là yếu tố quan trọng.

Những vấn đề này đòi hỏi mô hình khác nhau và một quá trình tại chỗ.

Cây quyết định đã được thay thế bằng các mô hình mạng nơ-ron hồi quy (RNN) học sâu cho vấn đề phát hiện kẻ lừa đảo.

Ra quyết định theo thời gian thực (với các tính năng như nhật ký người dùng) có nghĩa là kỹ thuật học tính năng (feature learning) truyền thống không thể mở rộng. Phát hiện hành vi người dùng với một chuỗi các đầu vào theo thời gian thực không khác biệt với vấn đề Xử lý ngôn ngữ tự nhiên (NLP). Khả năng diễn giải trong mọi mô hình học sâu đều kém hơn so với mô hình cây, nhưng về tổng thể, nó mang lại kết quả tốt hơn (độ chính xác và thu hồi cao hơn).

Theo như quy trình, Lyft hiện có một mô hình AIOps đầy đủ chức năng giúp sắp xếp tất cả các tác nhân cần thiết (Khoa học dữ liệu, Hoạt động, Kỹ thuật phần mềm), cuối cùng giúp khởi động nhanh hơn các mô hình AI mới/tinh tế.

Walmart

Yazdi Balgi, Phó Chủ tịch Tập đoàn, phụ trách bộ phận Dịch vụ kinh doanh toàn cầu và Công nghệ mới nổi tại Walmart đã nêu bật một loạt vấn đề mà họ đang giải quyết cho các ứng dụng chủ chốt (còn gọi là các dịch vụ chia sẻ) của Walmart mà ông đang đứng đầu. Theo truyền thống, Walmart đã sử dụng các khả năng tự động hóa như Tự động hóa Quy trình Robot (RPA) mà có thể trợ giúp với các tác vụ văn phòng hàng ngày như số hóa tài liệu. Các hệ thống RPA tận dụng quá trình tự động hóa dựa trên các quy tắc với các biểu đồ trực quan và có hệ thống để tự động hóa các quy trình dịch vụ phụ trợ.

Bộ phận hậu cần (back office) của Walmart xử lý hơn 200 triệu khoản phải thu và hơn 2,3 triệu bảng lương nhân viên.

Điều đương nhiên là chỉ cần một cải tiến quy trình nhỏ, công ty cũng có thể tiết kiệm được một khoản tiền khổng lồ với khối lượng công việc lớn cần xử lý này. Họ nhận thấy rằng các nút thắt thường nằm ở đầu vào và xử lý ngoại lệ. AI nâng RPA lên cấp độ tiếp theo để tự động hóa quá trình ra quyết định nhằm cải thiện các trường hợp xử lý ngoại lệ. Đối với Walmart, độ chính xác đạt xấp xỉ 85% trên các thuật toán AI đóng vai trò là điểm kích hoạt để đưa ra các quyết định tự động.

Ngoài ra, các tác vụ giờ đây trở nên đơn giản vì hiện có dữ liệu để chứng minh tính hiệu quả của quy trình. Yazdi đã đưa ra một ví dụ về cách hoàn thuế bán hàng và quá trình kiểm toán được cải thiện bằng cách sử dụng AI và Dữ liệu lớn. Trước đó, chỉ có một tập hợp mẫu các mục thuế được kiểm tra. Việc làm mẫu đó đến rất nhiều cuộc kiểm toán từ phía chính phủ.

AI đã giúp quét toàn bộ thông tin kiểm toán thay vì chỉ những kiểm toán được lấy mẫu.

Việc quét toàn bộ thông tin cho phép cho các nhân viên có liên quan tiếp cận các quyết định mang tính định lượng và định tính do máy định hướng để hỗ trợ cho các phán đoán của con người, hoặc trong nhiều trường hợp với độ chính xác hợp lý, mặc định cho các quyết định của máy móc. Đối với câu hỏi liệu Walmart có đang sử dụng Blockchain hay không, câu trả lời của Yazdi rất rõ ràng.

Học máy và AI hiện bị đánh giá rất thấp trong khi công nghệ Blockchain lại được đánh giá quá cao.

Philips

Roy Smythe, Giám đốc Y khoa Toàn cầu, Bộ phận Chiến lược và Quan hệ đối tác tại Philips đã chia sẻ chân tình về tình trạng chăm sóc sức khỏe hiện nay, và cách AI có thể là cứu cánh giúp việc chăm sóc sức khỏe trở nên nhân đạo hơn. Hình thức chữa bệnh truyền thống đã thay đổi từ việc sử dụng các liệu pháp thảo dược trên cơ sở tình thương tới đức tin và đạt tới trình độ cao sang thứ mà ông gọi là tổ hợp công nghiệp y tế. Tài trợ và tiến bộ công nghệ đã tạo ra một vòng luẩn quẩn, dẫn đến tình trạng kiệt sức của người thầy thuốc. Kết quả thu được là việc chăm sóc ban đầu trở nên vô nhân đạo. Mất tới 29 phút trong tổng số 36 phút được dành để ghi hồ sơ (các bệnh án và chi phí liên quan đến bảo hiểm).

Một bệnh nhân thường chỉ được thăm khám tử tế trong vòng khoảng 7 phút mỗi lần, và điều đó hầu như không giúp có đủ thời gian tiếp xúc cần thiết, trái với quy tắc chăm sóc ban đầu.

AI giúp giải quyết vấn đề này như thế nào? Roy nêu bật ba lĩnh vực sẽ tận dụng dữ liệu và phân tích nhằm cải thiện hiệu quả của người thầy thuốc và cuối cùng giải phóng họ để tập trung vào các khía cạnh chăm sóc ban đầu dành cho con người.

Nhận dạng hình ảnh/Tầm nhìn máy tính giúp quét hình ảnh X quang hoặc hình ảnh MRI và đo kích thước tổn thương, loại bỏ thao tác thủ công và dễ sai sót.

Khai thác dữ liệu để đối chiếu các hồ sơ bệnh nhân với cơ sở dữ liệu toàn cầu đối với các bệnh nhân mắc bệnh tương tự, có cùng tuổi và thậm chí có lẽ cùng mẫu gen.

Ứng dụng AI tự chăm sóc sức khỏe cung cấp các lời khuyên về sức khỏe (phòng ngừa hoặc chủ động) có thể giảm 50% số lần phải thăm khám, giải phóng áp lực thời gian cho người thầy thuốc, tránh gây ra các vấn đề sức khỏe nghiêm trọng.

Hoài Thu

Lược dịch theo Vimal Suba, AI Trends