Theo một khảo sát gần đây được thực hiện bởi Forrester, các khoản đầu tư vào machine learning đã tăng 300% trong năm nay so với năm ngoái. Machine learning hiện đã đánh dấu được vị thế của mình trong một số lĩnh vực như xe hơi tự lái, cá nhân hóa nội dung gợi ý hay thậm chí bộ lọc nhận diện khuôn mặt.

Rõ ràng rằng machine learning có thể làm được nhiều hơn là chỉ gợi ý nội dung và lái xe ô tô. Nhưng bài viết này sẽ tập trung xoay quanh một loại hình con của machine learning, có tên gọi “deep learning”, hứa hẹn sẽ thay đổi hoàn toàn cách chúng ta quảng bá, sản xuất và bán sản phẩm.

Không giống như các mô hình khác yêu cầu phải có những quy tắc cụ thể và bộ tính năng để có thể trích xuất ý nghĩa từ dữ liệu, mô hình deep learning tự động đưa ra kết luận và tạo ra các quy tắc phân loại của riêng mình từ dữ liệu phi cấu trúc.

Dữ liệu phi cấu trúc (unstructured data) chính là mấu chốt vấn đề. Trái ngược với dữ liệu cấu trúc (structured data) - vốn dĩ là những bảng thống kê hay biểu đồ với số liệu rõ ràng - dữ liệu phi cấu trúc bao gồm thông tin “hằng ngày” của người dùng như âm thanh hoặc hình ảnh và loại dữ liệu này, đối với máy tính, khó phân tích hơn rất nhiều. Việc trí thông minh nhân tạo, có thể tấn công vào dạng thông tin phi cấu trúc này đã là cả một bước đột phá.

Tìm hiểu sâu hơn về deep learning

Để hiểu rõ hơn về vấn đề này, hãy tưởng tượng bạn dạy cùng lúc một em bé và một máy tính cách nhận biết loài mèo trong các bức ảnh.

Với machine learning truyền thống, máy tính cần được dạy về những đặc điểm nhận dạng của mèo - chẳng hạn ria, móng vuốt hay đuôi mèo - để bắt đầu tìm kiếm trong những bức hình trước khi đưa ra dự đoán dựa trên những đặc điểm nhận dạng được học. Nếu một bức hình không tuân theo những quy tắc được dạy, máy tính sẽ không thích nghi được: Chẳng hạn, nếu đuôi của chú mèo nằm ngoài khung hình, máy tính có thể sẽ không nhận ra nổi con vật.

Trái lại, một em bé không cần những dạng chỉ dẫn như vậy. Sau khi được cho xem đủ hình ảnh, em bé sẽ xây dựng lên trong đầu một bộ khung nhận thức để phân biệt đâu là mèo và đâu không phải mèo. Tương tự, bằng cách thu nhận các dữ liệu đầu vào mà không cần chỉ dẫn và tự mình xác định, cùng lúc xem xét các giá trị điểm ảnh, deep learning có thể lọc ra những bức ảnh chứa hình mèo trong một xấp ảnh. Nếu được đầu tư đủ thời gian và dữ liệu nền, các mô hình deep learning có thể hiểu được gần như bất kỳ bộ dữ liệu phi cấu trúc nào.

Giờ đây, với khoảng 2,5 tỷ tỷ bytes dung lượng thông tin được tạo ra mỗi ngày - một phần lớn trong số đó có thể truy cập công khai qua Google và YouTube - cùng với những tiến bộ vượt bậc của công nghệ điện toán đám mây, deep learning không chỉ "đáng giá” nữa, mà trở thành một lựa chọn không thể thiếu, một lựa chọn sinh lời.

3 cách tận dụng deep learning để kinh doanh hiệu quả

1. Tìm và tiếp cận khách hàng mới

Khách hàng không thể mua một sản phẩm mà họ không biết đến cho dù họ có cần nó đến đâu đi chăng nữa. Chẳng hạn, một công ty bảo hiểm hẳn sẽ không bán được bao nhiêu hợp đồng khi họ chọn tiếp thị tới sinh viên thay vì những người lớn tuổi - đối tượng khách hàng rõ ràng có nhu cầu cũng như khả năng chi trả cho bảo hiểm cao hơn sinh viên.

Deep learning có thể giúp các nhà kinh doanh tiếp cận đúng thị trường. Facebook, Google lẫn Twitter đều đã sử dụng những nền tảng quảng cáo tích hợp sẵn deep learning dùng để ngoại suy ra những nhóm người dùng tương đồng (look-alike audiences) có giá trị từ những người dùng gốc (seed audiences). Thực tế cho thấy, giao dịch giữa các công ty chi tiêu vào quảng cáo trên mạng xã hội tăng tới 130% trong 2 năm trở lại đây.

Điều này giải thích tại sao khi bạn vừa mua một chiếc điện thoại mới, sau mọi công đoạn thiết lập tại cửa hàng, bạn về nhà và bất ngờ khi trên Facebook của mình có hàng loạt quảng cáo những phụ kiện cho đích thị smartphone bạn vừa mua.

2. Sắp xếp dữ liệu và lấp đầy khoảng trống

Thiếu sót dữ liệu là một vấn đề lớn với hầu hết các ngành nghề kinh doanh. Một nghiên cứu gần đây của Openprise tìm ra rằng 41% những nhà tiếp thị giữa các công ty cho rằng thiếu sót thông tin là yếu điểm lớn nhất của dữ liệu. 39% khác tin rằng thiếu sót trị số trường là vấn đề đau đầu nhất.

Với deep learning, khi đã được nạp đủ dữ liệu, mô hình trí thông minh nhân tạo này có thể trở nên thông minh hơn, nhận biết được những dữ liệu nào đã có và dữ liệu nào còn thiếu, giúp người dùng có thể tự lần ra sau khi xác định rõ các trường dữ liệu thiếu sót.

3. Thực hiện phân tích chất lượng và kiểm soát

Tất cả mọi lĩnh vực từ sản xuất tới xây dựng hay đồ điện gia dụng đều có thể hưởng lợi từ Phân tích sản phẩm lỗi tự động. Loại bỏ công đoạn kiểm tra thủ công đối với tất cả sản phẩm sẽ tiết kiệm được một số tiền khổng lồ cho mọi dây chuyển sản xuất.

Tại Skycatch, người ta đã tạo ra một mô hình deep learning có khả năng chỉ dẫn drone bay lên và kiểm tra các cột thu phát sóng di động. Khi tìm thấy lỗi, nó lập tức thông báo lại cho người chịu trách nhiệm. Dữ liệu thu được sau đó sẽ được phần mềm lưu lại trong bộ nhớ, giúp tự cải thiện kinh nghiệm và trí thông minh của mình cho những lần bảo trì sau này. Nhờ có deep learning, chúng ta có thể tự động xác định được những thay đổi xảy ra ngay tại nơi làm việc, theo dõi những máy móc hạng nặng và cập nhật năng suất của từng công nhân và máy móc tại chỗ.

Điều khiến machine learning trở nên ưu việt hơn cả, là tính ứng dụng cao. Giống như máy tính hay động cơ đốt trong, machine learning có thể được áp dụng trong rất nhiều lĩnh vực, hỗ trợ giải quyết đủ loại vấn đề. Tuy vậy, các doanh nhân cần trang bị cho mình những kiến thức cơ bản ngay hôm nay để có thể bắt đầu biến machine learning thành công cụ kiếm tiền cho mình.