Bài viết này ban đầu được xuất bản tại Liên doanhBeat và đã được sao chép với sự cho phép.
Dan Wright vừa trở thành CEO của DataRobot, công ty được định giá hơn $2.7 tỷ USD hứa hẹn sẽ tự động hóa việc xây dựng, triển khai và quản lý các mô hình AI theo cách giúp mọi tổ chức có thể tiếp cận AI.
Sau khi phát hành phiên bản 7.0 của nền tảng DataRobotWright nói với VentureBeat rằng ngành này đòi hỏi một kỷ nguyên mới về dân chủ hóa AI nhằm loại bỏ sự phụ thuộc vào các nhóm khoa học dữ liệu. Ông giải thích rằng các quy trình vận hành máy học thủ công (MLOps) đơn giản là không thể theo kịp các điều kiện kinh doanh đang thay đổi.
Cuộc phỏng vấn này đã được chỉnh sửa để ngắn gọn và rõ ràng.
VentureBeat: Bây giờ bạn là Giám đốc điều hành, nhiệm vụ chính là gì?
Dan Wright: Điều tôi đang cố gắng thúc đẩy là dân chủ hóa AI. Trong quá khứ, AI là một loại từ thông dụng. Nó chủ yếu là thử nghiệm. Bạn có các nhà khoa học dữ liệu đang làm việc trong các dự án khoa học dữ liệu khác nhau. Nhưng rất nhiều mẫu mà họ đang nghiên cứu chưa bao giờ thực sự được đưa vào sản xuất hoặc mang lại bất kỳ giá trị nào. Những gì chúng tôi đang làm hiện tại là cho phép những người không phải là nhà khoa học dữ liệu cũng như nhà khoa học dữ liệu sử dụng nền tảng của chúng tôi để tạo ra những hiểu biết sâu sắc về doanh nghiệp và liên tục đưa ra quyết định tốt hơn. Cơ hội đó hiện tại là vô hạn nên chúng tôi thực sự tập trung vào việc đó.
VentureBeat: DataRobot vừa phát hành phiên bản 7.0 cập nhật lên nền tảng. Điểm nổi bật là gì?
Dan Wright: Chúng tôi có những cải tiến cho từng sản phẩm của mình trong nền tảng này. Chúng tôi có thể giám sát và quản lý tất cả các mô hình của bạn, bất kể chúng sống ở đâu. Họ có thể hoàn toàn ở bên ngoài DataRobot và vẫn đưa ra cảnh báo nếu có bất kỳ loại độ chính xác hoặc sai lệch mô hình nào. Một điều nữa là phát hiện sự bất thường. Một điều đã từng xảy ra trong quá khứ là một mô hình sẽ bị loại bỏ khi có một loại dữ liệu bất thường nào đó. Bây giờ chúng tôi thực sự có thể cho bạn biết đây là một điều bất thường và hỏi xem liệu nó có nên được bỏ qua hay không. Bằng cách đó bạn không vứt bỏ mô hình của mình.
Một điều khác mà chúng tôi đã làm là tạo ra cái mà chúng tôi gọi là trình tạo ứng dụng, giúp chúng tôi xây dựng các ứng dụng trên nền tảng dễ dàng hơn nhiều cho các trường hợp sử dụng khác nhau. Chúng tôi sẽ tạo ra một hệ sinh thái gồm các ứng dụng hỗ trợ AI này. Sau đó, có một số tính năng bổ sung xung quanh việc phát hiện sai lệch và công bằng. Triết lý của chúng tôi là chúng tôi cần thông báo cho bạn nếu có bất kỳ vấn đề thiên vị hoặc công bằng nào đối với mô hình của bạn, sau đó cho phép bạn định cấu hình mô hình mà bạn cho là phù hợp dựa trên đạo đức và giá trị của riêng bạn.
VentureBeat: Hầu hết các mô hình AI đều yêu cầu nhiều nỗ lực thủ công để xây dựng và bảo trì. Có phải chúng ta đang trên đà tiến xa hơn điều đó? Có phải chúng ta đang nhìn vào quá trình công nghiệp hóa AI?
Wright: Tôi nghĩ đó là điều đúng đắn. Chúng tôi đã thấy rất nhiều thứ mà tôi gọi là AI thử nghiệm, nơi mọi người đang sử dụng các giải pháp điểm rời rạc và các công cụ nguồn mở. Đó là một chút của một hộp đen. Những ngày đó đã qua rồi. Bây giờ là về quá trình công nghiệp hóa AI bằng cách sử dụng hệ thống đầu cuối, từ chuẩn bị dữ liệu đến giám sát và quản lý tất cả các mô hình của bạn trong sản xuất. Đó là thông tin quyết định xung quanh các trường hợp sử dụng cụ thể. Tôi nghĩ chúng ta sẽ thực sự thấy AI cất cánh và trở thành hiện thực, ngay cả đối với những người có thể đã thất bại trong quá khứ.
VentureBeat: Cuối cùng sẽ cần bao nhiêu chuyên môn về khoa học dữ liệu? Các tổ chức có cần một nhà khoa học dữ liệu không?
Wright: Toàn bộ ý tưởng của DataRobot là tự động hóa rất nhiều công việc mà các nhà khoa học dữ liệu trước đây đã thực hiện thủ công. Bạn không cần phải là nhà khoa học dữ liệu có tay nghề cao mới có thể tạo ra giá trị bằng AI nhằm nâng cao hiểu biết. Một nhà phân tích kinh doanh, kỹ sư và giám đốc điều hành đều có thể đưa mô hình vào sản xuất, sau đó giám sát và quản lý tất cả các mô hình đó. Điều thực sự quan trọng là bạn phải xây dựng các phương pháp hay nhất về khoa học dữ liệu vào nền tảng và mọi thứ đều hoàn toàn có thể giải thích được bằng sự tin cậy và khả năng quản lý. Đó là dân chủ hóa AI, nhưng có các rào chắn để đảm bảo mọi người không gặp rắc rối.
VentureBeat: Suy thoái kinh tế do đại dịch COVID-19 gây ra có tác động gì đến việc áp dụng AI?
Wright: Tôi nghĩ có một vài cách. Một là vì có quá nhiều biến động mà con người không thể tiếp nhận được tất cả dữ liệu này khi nó thay đổi nhanh chóng như vậy. Bạn cần AI để thực sự hiểu những gì đang xảy ra trong tương lai. Nếu bạn là một nhà bán lẻ lớn đang cố gắng xác định xem cần bao nhiêu lọ bơ đậu phộng trong một cửa hàng cụ thể, thì điều đó cực kỳ phức tạp khi bạn tham gia vào đại dịch và đột nhiên bạn có các cửa hàng mở cửa rồi đóng cửa.
Một điều khác mà chúng tôi thực sự thấy về đại dịch là đã có các mô hình AI đang được sử dụng trong sản xuất. Mọi người thức dậy và nhận ra rằng họ không biết chuyện gì đang xảy ra với những mô hình đó. Họ không có khả năng nhìn thấy chúng. Tất cả những gì họ biết là rất có thể chúng không chính xác vì tất cả dữ liệu đã thay đổi hoàn toàn. Chúng tôi đã thấy việc áp dụng thực sự rộng rãi các hoạt động học máy (MLOps), một phần trong nền tảng của chúng tôi cho phép bạn giám sát và quản lý tất cả các mô hình khác nhau của mình, bao gồm cả mô hình được tạo thủ công bằng Python hoặc bất kỳ loại nguồn mở nào dụng cụ. Nếu có bất kỳ kiểu drift nào, bạn thực sự có thể chạy các mô hình thách thức ở chế độ nền. Sẽ không thể chấp nhận được nếu chỉ nói rằng tôi sẽ đưa một mô hình vào sản xuất và quay lại sau sáu tháng nữa để xem liệu nó có còn chính xác hay không. Bạn cần quản lý nó theo thời gian thực và cập nhật nó khi dữ liệu thay đổi.
VentureBeat; Liệu MLOps cuối cùng có trở thành một phần của hoạt động CNTT hiện tại không?
Wright: Những gì chúng tôi thực sự bắt đầu thấy là một hệ thống đầu cuối. Tôi không nghĩ nó sẽ chỉ tập trung nhiều vào MLOps trong tương lai, tôi nghĩ nó sẽ tập trung vào việc giám sát toàn bộ vòng đời của một mô hình và liên tục cập nhật nó khi dữ liệu thay đổi. Điều khiến những gì chúng tôi làm thực sự có sức mạnh là chúng tôi không chỉ có MLOps. Chúng tôi có MLOps cho tất cả mô hình của bạn nhưng quan trọng nhất là chúng tôi kết hợp điều đó với công nghệ học máy tự động. Chúng tôi liên tục chạy các mô hình thách thức ở chế độ nền và cập nhật các mô hình khi dữ liệu thay đổi để thực hiện việc học hỏi liên tục. Đó là những gì bạn sẽ thấy trong tương lai. Sẽ không phải là làm việc trong sáu tháng để đưa một mô hình vào sản xuất.
VentureBeat: Có vẻ như MLOps mượn các khái niệm ban đầu được các học viên DevOps tiên phong. Mối quan hệ sẽ ra sao?
Wright: Tôi nghĩ nó tương tự nhưng mạnh mẽ hơn. Nền tảng này tự động hóa nhiều công việc trước đây được thực hiện thủ công.
VentureBeat: Hầu hết các mô hình AI đều phụ thuộc vào chất lượng dữ liệu, tuy nhiên chất lượng dữ liệu trong doanh nghiệp thường bị nghi ngờ. Có cách nào để giải quyết vấn đề cơ bản đó không?
Wright: Bạn cần có khả năng tự động hóa quy trình gắn thẻ và làm sạch dữ liệu của mình để áp dụng học máy ngay từ đầu. Chúng tôi đã mua lại Paxata vào tháng 12 năm 2019, một công ty tập trung vào việc chuẩn bị dữ liệu. Hiện chúng tôi đã tích hợp tính năng đó vào nền tảng của mình. Một điều thực sự quan trọng khác là có thể lấy dữ liệu từ bất cứ nơi nào nó cư trú. Một điều mà chúng tôi thực sự tập trung vào là khả năng kết nối với bất kỳ nguồn dữ liệu nào, cho dù nó được lưu cục bộ hay trên bất kỳ đám mây nào. Chúng tôi có mối quan hệ hợp tác tuyệt vời với Snowflake, công ty đã thực hiện khoản đầu tư chiến lược đầu tiên vào DataRobot. Đó là một điểm đau lớn đối với nhiều công ty. Rất nhiều công ty trước đây đã thử dùng AI nhưng họ chưa bao giờ vượt qua được bước Chuẩn bị dữ liệu. Chúng tôi thực sự đang giải quyết vấn đề đó bằng cách tự động hóa nhiều quy trình liên quan đến Chuẩn bị dữ liệu.
VentureBeat: Hầu hết hoạt động đào tạo AI ngày nay đều diễn ra trên đám mây. Liệu việc đào tạo các mô hình AI sẽ sớm chuyển sang các nền tảng điện toán biên?
Wright: Chúng ta đã thấy điều đó và nó đang mở ra những khả năng mới. Một điều khác mà chúng ta đang thấy là AI hiện đang được sử dụng trên các loại nguồn dữ liệu khác nhau mà trước đây chưa từng có. Giờ đây, chúng tôi có khả năng lấy không chỉ dữ liệu văn bản mà còn cả dữ liệu hình ảnh, dữ liệu không gian địa lý và nhiều loại dữ liệu khác. Bạn có thể kết hợp tất cả chúng thành một mô hình và tạo ra các dự đoán cũng như thông tin quyết định. Con người có tất cả những giác quan khác nhau này. Bây giờ AI sẽ có tất cả các giác quan khác nhau đó và ranh giới chắc chắn là hướng mà công nghệ này đang phát triển.
VentureBeat: Liệu các thuật toán có đủ thông minh để cho chúng ta biết không phải câu trả lời cho một câu hỏi mà còn là những câu hỏi phù hợp để hỏi không?
Wright: Cách chúng tôi nhìn nhận là bạn muốn AI trở nên thông minh nhất có thể. Điều đó đòi hỏi bạn phải có càng nhiều dữ liệu càng tốt và bạn phải liên tục cải tiến thuật toán của mình. Nhưng nó sẽ không chỉ nói về AI hay trí thông minh của máy móc. Đó là sự kết hợp giữa trí thông minh của con người và trí thông minh của máy móc. Đó chính là điều sẽ tạo ra những cơ hội tuyệt vời trong mọi ngành trong tương lai. Luôn luôn có một con người trong vòng lặp. Tôi không nghĩ AI có thể quá thông minh miễn là bạn có con người đó tham gia.
VentureBeat: Liệu một ngày nào đó các mô hình AI được tạo ra cho các mục đích xung đột nhau cuối cùng sẽ vô hiệu hóa lẫn nhau?
Wright: Tôi sẽ trả lời câu hỏi đó theo một vài cách. Chúng tôi đang chứng kiến sự vội vàng áp dụng công nghệ này. Nhiều người gọi đây là cuộc cách mạng công nghiệp lần thứ tư, nhưng luôn có lợi thế của người đi đầu. Với AI, điều đó thậm chí còn tuyệt vời hơn nhờ vòng phản hồi bạn nhận được với các thuật toán ngày càng tốt hơn. Những người dẫn đầu về AI sẽ là những người chiến thắng lớn trong thập kỷ tới, và những kẻ thua cuộc thực sự có thể không bao giờ bắt kịp. Có một cảm giác rất cấp bách là phải áp dụng công nghệ này. Nhưng khó có khả năng mọi người sẽ áp dụng nó với tỷ lệ như nhau, nhưng hãy cứ cho là họ làm vậy để tranh luận. Cuối cùng, bạn sẽ có được một thị trường hiệu quả hơn nhiều.
VentureBeat: Lời khuyên AI tốt nhất của bạn dành cho các tổ chức hiện nay là gì?
Wright: Có quá ít công ty thực sự đặt ra câu hỏi hiển nhiên. Giá trị nào thực sự được phân phối từ AI của tôi? Rất nhiều người có ngân sách lớn và đã chi hàng chục triệu đô la trong nhiều năm với một số nhà cung cấp truyền thống trong lĩnh vực này. Họ không nhận được bất kỳ giá trị nào và họ thậm chí không thực sự tìm kiếm xem liệu họ có nhận được bất kỳ giá trị nào không. Điều đó không thể chấp nhận được nữa. Bạn cần biết trong thời gian thực giá trị mà bạn nhận được từ tất cả các mô hình đang được sản xuất là gì và đâu là cơ hội để tăng thêm giá trị? Đây là một cuộc đua và ai có thể đạt được giá trị nhanh nhất sẽ có khả năng giành chiến thắng trên thị trường. Một điều khác ít được chú ý là ý tưởng về sự tin tưởng. Chỉ sử dụng các công cụ nguồn mở hoặc một loạt các giải pháp rời rạc để thử nghiệm AI là chưa đủ. Bạn thực sự cần một hệ thống có niềm tin được xây dựng từ nền tảng để nó không phải là hộp đen.
