Làm thế nào để nâng cấp công việc của bạn trong nền kinh tế AI mới nổi lên #AIrevolution #thuctapAI #suhoithaoAI
Trí tuệ nhân tạo (AI) – như các công nghệ đám mây cách đây vài năm – đang làm đảo lộn nền kinh tế của công nghệ thông tin. Ở nhiều khía cạnh, AI có khả năng làm cho công nghệ trở nên hiệu quả hơn nhiều. Thách thức, tuy nhiên, là giúp mọi người và tổ chức chuyển sang trình độ tiếp theo và thích nghi với hiện thực mới của AI.
Tôi đã có cơ hội thảo luận với Tiến sĩ Susan Athey, người vừa được bổ nhiệm làm cố vấn khoa học chính cho Keystone Strategy. Athey cũng là giáo sư Kinh tế tại Đại học Stanford và cựu giám đốc kinh tế của Microsoft.
“Khó để chụp đầy đủ một cách định lượng các lợi ích từ việc linh hoạt hơn và có khả năng thêm nhiều tính năng, làm nhiều dự án nghiên cứu và sáng tạo mà có thể bạn sẽ không làm nếu không có công nghệ” – Athey nói. Cô thấy cơ hội phía trước nếu mọi người và tổ chức được chuẩn bị đúng cách.
“Tạo ra và triển khai các hệ thống dựa trên AI là việc khó và tốn kém, nhưng kết quả cuối cùng là cơ sở hạ tầng công nghệ và ứng dụng hoạt động hiệu quả và nhanh chóng hơn. Vận hành các hệ thống này có thể dễ dàng hơn sau khi chúng hoạt động,” cô nói. “So với việc học máy mà tôi đã làm trong 16 đến 17 năm qua trong ngành công nghiệp, vòng làm mới này dễ bảo trì hơn và yêu cầu việc viết mã ít phức tạp hơn.”
Nói chung, cô tiếp tục: “Tôi cảm thấy như chúng ta đang thấy sự hội tụ và cuối cùng là cơ hội trả về từ nhiều khoản đầu tư mà chúng ta đã làm cùng nhau trong ngành qua thời gian. Mọi người đã học cách tạo mã modul. Họ đã học nhiều kỹ thuật tối ưu, từ trước đây rất mỏng manh nhưng giờ đây là một kỹ thuật tối ưu chung cao cấp. Thuật toán mới nhất có thể kết nối trực tiếp vào các kỹ thuật tối ưu đó.”
Do sự biến đổi này, Athey nói rằng các chuyên gia công nghệ cần phải suy nghĩ lại vai trò và sự nghiệp của họ. “Tôi nghĩ rằng việc viết mã trở nên dễ hơn. Sinh viên của tôi tại Stanford có thể viết 80% mã của họ bằng Copilot,” cô nói. “Nó tốt trong việc tìm lỗi cú pháp và viết mã chán ngắt. Biết một ngôn ngữ cụ thể ít quan trọng hơn. Tôi đã viết mã trên 10 ngôn ngữ khác nhau kể từ khi bắt đầu sự nghiệp của mình.”
Tuy nhiên, trong khi các công nghệ này hỗ trợ trong quá trình viết mã đơn giản hơn, Athey cho biết kỹ năng kiến trúc cấp cao hơn – “cấu trúc và cách thức làm việc” – cần thiết cho các dự án công nghệ. Ngoài ra, nền kinh tế AI cũng sẽ đòi hỏi khả năng đánh giá và tư duy logic.
“Sinh viên Khoa học máy tính và kỹ sư của Stanford hàng năm ra trường hàng nghìn. Họ rất giỏi trong việc tải một bộ dữ liệu từ web và xử lý nó. Huấn luyện, tối ưu, dự đoán, phân loại, so sánh mô hình A với mô hình B, và so sánh hiệu suất của họ. Tuy nhiên, họ có ít huấn luyện trong việc hỏi, ‘Điều đó có nghĩa là gì? Làm sao để biết khi nào hoặc tại sao nó hoạt động tốt? Điểm yếu là gì? Dữ liệu nào sẽ giúp cải thiện nó?'”được Athey chia sẻ.
Thách thức với các mô hình AI là “chúng sẽ đưa ra câu trả lời sai một cách đáng kể,” Athey nói. “Chúng ta chưa có khoa học để biết khi nào nó đưa ra câu trả lời sai và khi nào đúng. Có thể bạn không có đủ người trẻ trong bộ dữ liệu của mình. Bạn cố gắng tưởng tượng thêm nhiều người trẻ hơn. Nhưng đó có thể hoặc không hoạt động thực sự giúp bạn hiểu rõ hơn về người trẻ. Tôi cần đánh giá xem tôi không chỉ tưởng tượng những đặc điểm của người trẻ. Và mô hình không biết – nó sẽ không nói bạn. Mô hình không có cách biết trực tiếp đó.”
Athey cho biết rằng điểm quan trọng là chuyên gia công nghệ của ngày nay và ngày mai sẽ xử lý và đặt dữ liệu vào hệ thống là điểm cốt lõi của doanh nghiệp dựa trên AI. “Trong việc sử dụng các loại mới của AI, có một chút học hỏi về giá trị của dữ liệu của bạn. Giá trị của nguồn dữ liệu bên ngoài là gì? Các sáng kiến mà bạn đã thử trước đây, hoặc đã thất bại vì bạn không có đủ dữ liệu? Có các sáng kiến mà bạn có thể thử lại bây giờ không?” Cô nói rằng một phần của thách thức là các mô hình AI có thể cần tiêu thụ “dữ liệu lịch sử không cấu trúc và bẩn thỉu.”
Các quản lý và chuyên gia cần phải biết “về tầng phân tích tiếp theo đòi hỏi nhiều tư duy logic. Nó đòi hỏi hiểu biết về thống kê và kỳ vọng có điều kiện. Bạn cần khung toán học. Để hỏi, ‘Điều nghĩa là gì để cho điều này là đúng? Và để đưa ra câu trả lời chính xác nữa?’ Và hiện tại, mức độ tư duy phản biện đó, cùng với các công cụ hỗ trợ, vẫn còn thiếu hụt,” Athey chia sẻ.
Artificial intelligence (AI) — as with cloud computing a few years prior — is upending the economics of information technology. In many ways, AI has the power to make technology much more efficient. The challenge, however, is helping people and organizations move to the next level and adapt to the new AI reality.
I had the opportunity to discuss the evolving tech economy with Dr. Susan Athey, who was recently appointed chief scientific advisor to Keystone Strategy. Athey is also an economics professor at Stanford University and former chief economist for Microsoft.
Also: In a surprise twist, Meta is suddenly crushing Apple in the innovation battle
“It’s hard to fully capture quantitatively the benefits of being more nimble and being able to add more features and do more projects, and do experimentation and innovation that you might have not otherwise done,” said Athey. She sees opportunities ahead if people and organizations are properly prepared.
“It’s difficult and expensive to build and deploy AI-driven systems, but the net result is technology infrastructures and applications that deliver more quickly and efficiently. Operating these systems may be a little easier once they’re up and running,” she said. “Relative to machine learning that I’ve done the last 16 to 17 years in industry, this latest round is easier to maintain, and requires less complex coding.”
Overall, she continued: “I feel like we’re seeing the convergence and finally seeing the payoff of lots of investments that we’ve collectively made as an industry over time. People have learned how to make modular code. They’ve learned a lot of the optimization, which used to be very finicky and is now this very high-performing, general-purpose optimization routine. The newest algorithm can just plug into those optimization routines.”
As a result of this transformation, Athey said technology professionals need to rethink their roles and careers. “I think that coding has gotten easier. My students at Stanford are probably writing 80% of their code using Copilot,” she said. “It’s good at finding syntax errors and writing tedious code. Knowing a particular language is less important. I coded in like 10 different languages since I started my career.”
Also: 3 ways to help your staff use generative AI confidently and productively
But while these technologies help with more straightforward coding processes, Athey said higher-level architectural skills — “structure and how things should be done” — are required for technology projects. In addition, the AI economy will also demand evaluation and logical-thinking capabilities.
“We put out thousands of computer science and engineering students at Stanford every year. They all are very good at downloading a data set from the web and doing stuff with it. Training stuff, optimizing stuff, predicting stuff, classifying stuff, comparing model A to model B, and comparing their performance. However, they have very, very little training in asking, ‘What does it mean? How would you know when or why it is doing well? What are the weaknesses? What kind of data would help improve it?'”
The challenge with AI models is that “they are going to be giving you wrong answers a share of the time,” Athey said. “We don’t have the science to know when is it giving you wrong answers and when is it giving you right answers. Like maybe you don’t have enough young people in your data sets. You try to hallucinate more of them. But that may or may not actually help you learn more about young people. I need to assess that I’m not just hallucinating those features of young people. And that’s not built in. And the model doesn’t know — it won’t tell you. The model has no way to know that directly.”
Also: How your business can best exploit AI: Tell your board these 4 things
Athey said the bottom line is that today’s and tomorrow’s technology professionals will handle and pipe in the data that fuels AI-driven enterprises. “In using the new kinds of AI, there’s a bit of learning about the value of your data. What’s the value of external data sources? What initiatives have you tried before, or that didn’t work because you didn’t have enough data? Are there initiatives that you could try again now?” She said part of the challenge is that AI models may need to consume “historical unstructured messy data.”
Executives and professionals need to be versed “in the next layer of analysis that requires a lot of logical thinking. It requires understanding statistics and conditional expectations. You need mathematical framing. To ask, ‘What does it mean for this to be right? And to give an accurate answer too?'” And right now, that level of critical thinking, and the tools to support it, are still in short supply, said Athey.
[ad_2]
