Con đường xây dựng văn hóa AI

Học hỏi từ những năm 90

Khi xây dựng một trang web, nhà phát triển sẽ viết code. Code này sẽ được đưa cho các nhân viên điều hành để vận hành trang web và kiếm tiền từ đó. Họ bao gồm quản trị viên hệ thống, người quản lý trung tâm dữ liệu, quản trị viên của cơ sở dữ liệu. Các giao thức quản lý nghiêm ngặt được đưa ra. Bất cứ quá trình thử nghiệm và sửa chữa nào cũng sẽ mất rất nhiều thời gian để hoàn thành.

Hãy nhớ về Joel test (12 bước để mã nguồn tốt hơn). Vâng, đó là điều mà một kỹ sư cần biết tới.

1. Có dùng chương trình quản lí mã nguồn không?
2. Có chương trình build tự động không?
3. Có build tự động hàng ngày không?
4. Có ghi lại bug không?
5. Có sửa bug cũ trước khi viết code mới không?
6. Có thường xuyên cập nhật lịch cho đúng với tình hình thực tế không?
7. Có spec không?
8. Phòng cho lập trình viên có yên tĩnh không?
9. Có mua các công cụ giúp lập trình tiện lợi hơn không?
10. Có người chuyên test không?
11. Có bắt ứng viên viết code khi tuyển dụng không?
12. Có mời ngẫu nhiên ai đó dùng thử chương trình không?

Tất cả những điều này có một điểm chung – chúng làm chậm một đội ngũ kỹ thuật. Phần mềm sẽ tiếp cận người dùng chậm hơn. Phản hồi của người dùng đến chậm hơn. Đổi mới sản phẩm chậm hơn. Doanh nghiệp tạo ra giá trị khách hàng chậm hơn.

Một đối thủ cạnh tranh mang lại giá trị khách hàng nhanh hơn cuối cùng sẽ trở nên nổi bật hơn. Tất cả chỉ vì bạn không đầu tư vào một hệ thống nhanh chóng.

Ban đầu, đây chỉ là những rắc rối nhỏ. Nhưng theo thời gian, chúng có thể sẽ trở thành những vấn đề lớn khi mà tốc độ phát triển công nghệ ngày càng gia tăng. Nếu theo thời gian, việc phân phối phần mềm bị chậm theo cấp số nhân thì chúng ta có thể ước tính rằng tốc độ ấy sẽ chậm hơn rất nhiều trong tương lai với quan điểm tuyến tính này.

Đo lường tốc độ

Vì vậy, cộng đồng đã nhanh chóng đưa ra khái niệm về vận tốc. Đó là một số liệu chẩn đoán về tốc độ mà một đội ngũ có thể chuyển bộ mã phức tạp lên cơ sở của một bộ mã hiện có. Nếu vận tốc giảm xuống, đội ngũ sẽ hoàn thành công việc chậm hơn.

Vấn đề là – vận tốc phụ thuộc vào rất nhiều thứ. Thật khó để biết phải làm gì để tăng được tốc độ và vẫn đi đúng hướng. Chắc chắn sẽ không có bản sửa lỗi nhanh vì các bản sửa lỗi nhanh sẽ khó mà giải quyết được các vấn đề cốt lõi.

Và phải mất nhiều kỹ sư hơn để xây dựng một sản phẩm. Rất khó để nói rằng chúng ta đã đủ nhanh cũng như đảm bảo tất cả các khía cạnh của việc xây dựng một sản phẩm. Vận tốc không hoàn toàn nắm bắt được điều này.

Sau đó, Mô hình khởi nghiệp Lean Startup đã xuất hiện.

Về căn bản khởi nghiệp là chất xúc tác để chuyển ý tưởng thành sản phẩm. Mỗi khi khách hàng tương tác với sản phẩm họ sẽ tạo ra vòng phản hồi Xây dựng – Đo lường – Học hỏi. Vòng phản hồi này là cốt lõi của mô hình khởi nghiệp tinh gọn. Sản phẩm được tạo ra ở giai đoạn này được gọi là MVP ( Minumum Viable Product- một sản phẩm khả dụng tối thiểu) bởi mục đích của MVP là bắt đầu quá trình học hỏi và mục tiêu của nó là để kiểm tra các giả thiết trong kinh doanh.

Lặp lại vòng phản hồi bên trên với một tốc độ nhanh là rất quan trọng.

Lặp lại nhanh = thành công, đặc biệt là trong Machine Learning (ML)

Prashast, CTO của Google đã xây dựng một số công cụ cần thiết để khởi động thành công các hệ thống ML tại Google. Ông tin rằng bất kỳ thiết lập ML nào cũng cần cho phép quá trình lặp lại trên diễn ra nhanh chóng. Đây là cách ông giải thích nó:

“Bạn không thể chỉ ‘tạo ra ML’ và nó bỗng nhiên trở nên kỳ diệu. Trạng thái học và quên có nghĩa là mô hình của bạn sẽ trở nên lỗi thời rất nhanh. Thay đổi sản phẩm, thay đổi người dùng thì hành vi sẽ phải thay đổi. Trên thực tế, đó là một con đường dài của quá trình thử nghiệm và cải tiến liên tục. Bạn cần phải thử nghiệm những điều đơn giản trước tiên. Sau đó là các tính năng khác nhau trong mô hình của bạn. Bạn thử nghiệm trên các mô hình khác nhau để kiểm tra chúng. Mọi thứ luôn có sai sót. Phải mất hàng tháng chỉnh sửa liên tục để có được những điều đúng đắn”.

Một khi bạn bắt đầu, bạn cần phải nghĩ về nó giống như bất kỳ dự án phần mềm nào khác. Nó cần được xây dựng, thử nghiệm, triển khai, lặp lại. Mỗi chu kỳ lặp lại làm cho mọi thứ trở nên tốt hơn một chút. Bạn càng lặp lại nhiều lần, thiết lập ML của bạn càng được cải thiện.

Để xác nhận điều này, chúng tôi đã nói chuyện với đội ngũ các nhà khoa học dữ liệu về cách họ sử dụng ML: từ những người cực kỳ chuyên sâu phải xử lý hàng petabyte dữ liệu và hàng tỷ dự đoán mỗi ngày cho đến những người chỉ mới bắt đầu với mô hình đầu tiên của họ.

Chắc chắn, những đội ngũ chuyên gia sẽ có các thiết lập để quá trình lặp lại diễn ra nhanh chóng. Nền tảng ML nội bộ của Uber là một ví dụ như vậy.

Nhưng không phải họ đã có được ngay điều này từ lúc bắt đầu. Họ đã phải trải qua một quá trình học hỏi lâu dài.

Lý do mà hầu hết các đội ngũ phải đi qua ‘đường cong giác ngộ’ này là vì xây dựng văn hóa AI là một quá trình. Các đội ngũ phải bắt đầu với thứ gì đó đơn giản mà họ có thể phân phối nhanh chóng, tạo ra các giá trị và sau đó xây dựng trên nền tảng đó.

Những người cố gắng để cắt ngắn quy trình và ‘nhảy thẳng’ vào giữa đường cong được minh họa bên trên thường sẽ không thành công. Không có gì ngạc nhiên khi các các công ty này sẽ thất bại nhanh chóng.

Bạn muốn xây dựng một nền văn hóa AI? Hãy thực hiện từng bước một và cho phép sự lặp lại diễn ra nhanh hơn.

Một số cách mà đội ngũ xây dựng AI cho phép quá trình lặp lại diễn ra nhanh hơn là:

1. Dữ liệu nhất quán, được đánh dấu rõ ràng
2. Triển khai và phát triển mô hình one-click
3. Giảm các phụ thuộc kỹ thuật để lặp lại trên mô hình như thử nghiệm các tính năng mới, xây dựng các mô hình mới và tự động tối ưu hóa siêu tham số
4. Các hệ thống có thể mở rộng, thực hiện việc truy cập dữ liệu, thao tác dữ liệu, đào tạo mô hình phân cụm, triển khai mô hình và thử nghiệm, truy vấn các dự đoán trực tuyến.
5. Các nhà khoa học phát triển dữ liệu được ưu tiên trong không gian sử dụng chính những phát triển của họ.
6. Môi trường của nhà phát triển ML tương đồng với môi trường ‘sản xuất ML’

Chúng ta có một nền văn hóa được định hướng bởi dữ liệu. AI đến từ dữ liệu. Vì vậy, chúng tôi có một nền văn hóa AI!

Không, chúng ta không có

Việc bị dữ liệu định hướng đang loại bỏ những sự thiên vị ​​của con người trong việc đưa ra quyết định. Mô hình mới này có tốt hơn mô hình cũ không? Hãy xem xét dữ liệu và quyết định!

Văn hóa AI là một nền văn hóa được định hướng bởi thuật toán. Con người chế tạo máy móc để chúng đưa ra quyết định trong một sản phẩm. Các thuật toán được triển khai để đạt được mục tiêu do con người tạo ra (cải thiện tỉ lệ nhấp chuột vào quảng cáo, mức độ tương tác).

Văn hóa AI là một trạng thái thử nghiệm và lặp lại liên tục. Mọi thứ khác trong một tổ chức cần hỗ trợ điều đó.

Con người rất phức tạp. Chúng ta mong đợi hành vi xác định từ máy móc khi bản thân chúng ta lại là những người đưa ra quyết định ngẫu nhiên với sự thiên vị về nhận thức. Điều này có thể cản trở rất nhiều khi cố gắng xây dựng một nền văn hóa AI.

Và bây giờ, tôi đang tự hỏi rằng con người (và cấu trúc xã hội nhân tạo như các công ty) sẽ hành xử như thế nào với các cỗ máy siêu thông minh trong tương lai!

Nếu bạn thích bài viết này, vui lòng cho chúng tôi biết bằng những bình luận phía bên dưới!

Theo: TapChiBitcoin.vn/hackernoon

Xem thêm:

• Blockchain và AI sẽ thúc đẩy mở rộng IoT như thế nào?
• Phát Minh Cuối Cùng – Trí tuệ nhân tạo và sự cáo chung của kỷ nguyên con người (Phần 4)