Tác giả: David Kang
Ngày 8 tháng 11 năm 2023
Thực hành tốt nhất để học máy ứng dụng hiệu quả vào doanh nghiệp.
Học máy (ML) hiện nay đã trở thành yếu tố quan trọng trong mọi ngành. Các nhà lãnh đạo kinh doanh đang thúc đẩy đội ngũ kỹ thuật của họ tăng tốc triển khai ML trên toàn doanh nghiệp để thúc đẩy sự đổi mới và tăng trưởng dài hạn. Tuy nhiên, có một sự không tương ứng giữa kỳ vọng của nhà lãnh đạo kinh doanh về triển khai ML quy mô lớn và hiện thực về những gì các kỹ sư và nhà khoa học dữ liệu thực sự có thể xây dựng và triển khai đúng hẹn và quy mô.
Trong một nghiên cứu của Forrester được công bố hôm nay và do Capital One tài trợ, đa số các nhà lãnh đạo kinh doanh đã tỏ ra phấn khích khi triển khai học máy trên quy mô toàn doanh nghiệp, nhưng các kỹ sư dữ liệu cho biết họ vẫn chưa có đủ các công cụ cần thiết để phát triển các giải pháp học máy quy mô lớn. Những nhà lãnh đạo kinh doanh mong muốn sử dụng học máy như một dạng “cắm và chạy”: “chỉ cần đưa dữ liệu vào một hộp đen và các kết quả có giá trị sẽ ngay lập tức xuất hiện.” Song, các kỹ sư xử lý dữ liệu của công ty biết rằng để xây dựng các mô hình học máy trên thực tế phức tạp hơn nhiều. Dữ liệu có thể không có cấu trúc hoặc chất lượng kém, và bên cạnh đó có hàng loạt yêu cầu về tuân thủ, quy định và an ninh dữ liệu cần đáp ứng.
Không có giải pháp nhanh chóng để giảm thiểu khoảng cách giữa kỳ vọng và hiện thực này, nhưng bước đầu tiên là tạo điều kiện cho một cuộc đối thoại trung thực giữa các bộ phận. Sau đó, những nhà lãnh đạo kinh doanh có thể bắt đầu phổ cập hóa học máy trên toàn tổ chức. Phổ cập hóa có nghĩa là cả các đội kỹ thuật và không kỹ thuật đều có quyền truy cập vào các công cụ học máy mạnh mẽ và được hỗ trợ với quá trình học và đào tạo liên tục. Các bộ phận nghiệp vụ cần có các công cụ trực quan hóa dữ liệu dễ sử dụng để cải thiện quyết định kinh doanh của họ, trong khi những nhà khoa học dữ liệu có quyền truy cập vào các nền tảng phát triển mạnh mẽ và cơ sở hạ tầng đám mây mà họ cần để xây dựng ứng dụng học máy hiệu quả. Tại Capital One, chúng tôi đã sử dụng những chiến lược phổ cập hóa này để mở rộng học máy trên toàn bộ công ty có hơn 50,000 nhân viên.
Khi mọi người đều có lợi ích trong việc sử dụng học máy để giúp công ty thành công, sự không tương ứng giữa doanh nghiệp và các đội kỹ thuật sẽ giảm đi. Vậy nên, các công ty có thể làm gì để bắt đầu phổ cập hóa học máy? Dưới đây là một số thực hành tốt để mang lại sức mạnh của học máy cho mọi người trong tổ chức.
Tạo điều kiện cho những người sáng tạo của bạn
Những kỹ sư xuất sắc ngày nay không chỉ là những chuyên gia kỹ thuật, mà còn là những người tư duy sáng tạo và đối tác quan trọng của các chuyên gia sản phẩm và nhà thiết kế. Để khuyến khích sự hợp tác lớn hơn, các công ty nên tạo cơ hội cho các bộ phận công nghệ, sản phẩm và thiết kế để cùng nhau làm việc về các mục tiêu chung. Theo nghiên cứu của Forrester, vì việc sử dụng ML có thể bị phân chia, việc tập trung vào sự hợp tác có thể là một yếu tố văn hóa quan trọng để đạt được thành công. Điều này cũng đảm bảo rằng các sản phẩm được xây dựng từ góc độ kinh doanh, con người và kỹ thuật.
Những nhà lãnh đạo cũng nên hỏi ý kiến của các kỹ sư và nhà khoa học dữ liệu về những công cụ họ cần để thành công và gia tăng tốc độ triển khai các giải pháp học máy cho doanh nghiệp. Theo Forrester, 67% người tham gia nghiên cứu đồng ý rằng thiếu công cụ dễ sử dụng sẽ làm chậm quá trình triển khai ML qua các bộ phận trong doanh nghiệp. Các công cụ này nên tương thích với cơ sở hạ tầng công nghệ cơ bản hỗ trợ kỹ thuật ML. Đừng làm cho việc triển khai thử nghiệm các ứng dụng ML phải chờ đợi ở khâu triển khai rộng rãi do thiếu điều kiện hạ tầng đáp ứng yêu cầu. Vai trò của một hạ tầng đám mây nền tảng với nhiều người dùng hỗ trợ môi trường đào tạo ML là cực kỳ quan trọng đối với công việc triển khai ứng dụng.
Nâng cao năng lực nhân viên của bạn
Đưa sức mạnh của học máy vào tay mỗi nhân viên, cho dù họ là một nhân viên marketing hay phân tích kinh doanh, có thể biến bất kỳ công ty nào thành một tổ chức dựa trên dữ liệu. Công ty có thể bắt đầu bằng cách cấp quyền truy cập được quản lý đối với dữ liệu cho nhân viên. Sau đó, cung cấp cho các nhóm công cụ low-code/no-code để phân tích dữ liệu cho quyết định kinh doanh. Đương nhiên, những công cụ này nên được phát triển với thiết kế tập trung vào con người, để chúng dễ sử dụng. Lý tưởng nhất, một nhà phân tích kinh doanh có thể tải lên một bộ dữ liệu, áp dụng chức năng ML thông qua giao diện có thể nhấp chuột, và nhanh chóng tạo ra kết quả có thể thực hiện được.
Nhiều nhân viên háo hức học thêm về công nghệ. Nhà lãnh đạo nên cung cấp các cách cho toàn bộ doanh nghiệp để học kỹ năng mới. Tại Capital One, chúng tôi đã đạt được thành công với nhiều chương trình nâng cao kỹ năng kỹ thuật, bao gồm Tech College của chúng tôi cung cấp các khóa học trong bảy lĩnh vực công nghệ phù hợp với những yêu cầu kinh doanh của chúng tôi; Chương trình Kỹ thuật Máy học của chúng tôi giảng dạy các kỹ năng cần thiết để bắt đầu sự nghiệp trong lĩnh vực học máy và trí tuệ nhân tạo; và Học viện Phát triển của Capital One dành cho những người mới tốt nghiệp có bằng chưa phải là ngành khoa học máy chuẩn bị cho sự nghiệp trong lĩnh vực kỹ sư phần mềm. Trong nghiên cứu của Forrester, 64% người tham gia đồng ý rằng thiếu đào tạo làm chậm quá trình áp dụng ML trong tổ chức của họ. May mắn thay, việc nâng cao kỹ năng là điều mà mọi công ty đều có thể cung cấp bằng cách khuyến khích các nhân viên có kinh nghiệm hướng dẫn các tài năng trẻ.
Đo lường và tôn vinh thành công
Phổ cập hóa học máy là một cách mạnh mẽ để lan truyền quyết định dựa trên dữ liệu trong toàn bộ tổ chức. Nhưng đừng quên đo lường thành công của các sáng kiến phổ cập hóa và liên tục cải tiến các lĩnh vực cần làm việc. Để định lượng thành công của việc phổ cập hóa học máy, nhà lãnh đạo có thể phân tích quyết định dựa trên dữ liệu được thực hiện qua các nền tảng đã mang lại kết quả kinh doanh đo lường được, như khách hàng mới hoặc doanh thu bổ sung. Ví dụ, tại Capital One, chúng tôi đã đo lường số tiền mà khách hàng đã tiết kiệm được với hệ thống phòng thủ gian lận thẻ được kích hoạt bởi các đổi mới ML của chúng tôi về phát hiện sự bất thường và thay đổi điểm.
Thành công của bất kỳ chương trình phổ cập hóa học máy nào dựa trên sự hợp tác và sự chịu trách nhiệm có thể đo lường được. Người dùng kinh doanh của các công cụ học máy có thể đưa ra phản hồi cho các nhóm kỹ thuật về những chức năng nào sẽ giúp họ làm công việc tốt hơn. Các nhóm kỹ thuật có thể chia sẻ những thách thức họ đối mặt trong việc xây dựng các phiên bản sản phẩm trong tương lai và yêu cầu đào tạo và công cụ để hỗ trợ họ thành công.
Khi nhà lãnh đạo kinh doanh và đội ngũ kỹ thuật hòa mình quanh một tầm nhìn chung tập trung vào con người về học máy, điều đó cuối cùng sẽ mang lại lợi ích cho khách hàng cuối cùng. Một công ty có thể dịch chuyển những học nhanh dựa trên dữ liệu thành các sản phẩm và dịch vụ tốt hơn, làm hài lòng khách hàng của họ. Triển khai một số thực hành tốt để phổ cập hóa học máy trên toàn doanh nghiệp sẽ là một bước quan trọng để xây dựng một tổ chức hướng tương lai, đổi mới với cái nhìn sâu sắc từ dữ liệu mạnh mẽ.
forrester-report_capital-one_democratize-ml-to-become-an-insights-driven-business