AI và tương lai điện toán: 1 - Khi định luật Moore gặp AI

AI và Tương lai Điện toán:

1- Khi định luật Moore gặp AI

Nếu chúng ta muốn đạt tới AI thời gian thực, chúng ta sẽ phải tạo ra một nền công nghiệp iPhone khác. Lớn hơn 5 lần.

Được liên kết sản xuất với NewCo Shift

Tháng 10 năm 2016, Tesla ra thông báo về một thay đổi lớn trong gói Advanced Driver Assistance System. Đây là sự kết hợp giữa các sensor và sức mạnh của máy tính cho phép Tesla hoàn thành lời hứa hẹn của Elon Musk vào cuối năm 2017: “lái xe từ bãi đỗ xe ở California tới bãi đỗ xe ở New York mà không cần điều khiển trên toàn bộ hành trình”.

Trong số rất nhiều thay đổi của gói sensor, có một chuyển đổi trong bộ não hệ thống. Trước đây sử dụng bộ vi xử lý từ Mobileye (gần đây đã được Intel mua lại), hiện giờ gói này đang xài Nvidia Drive PX 2. Tại sao thế?

Họ chỉ ra rằng, để an toàn, các xe tự lái cần một lượng dữ liệu cực lớn từ các hệ thống sensor. Và nếu chỉ là để tìm hiểu tất cả những gì các sensor đang nói, chiếc xe cần một lượng xử lý chưa từng có. Một khi nó biết điều gì sắp xảy ra trong môi trường, cần phải có thêm xử lý cần thiết để giúp chiếc xe biết phải làm gì tiếp theo.

Chuyển đổi Tesla làm sẽ đưa ra đầu mối cho biết xử lý nhiều tới mức nào. Bộ vi xử lý Mobileye EyeQ3 là một con chip điển hình. Nó có diện tích 42mm² (bằng khoảng ¼ kích thước bộ vi xử lý Intel i7 hiện đại), đóng gói các transistor bằng một qui trình sản xuất các miếng transistor cách nhau 40nm.

Con chip thay thế từ Nvidia có kích cỡ 610mm² và sử dụng kỹ thuật sản xuất tiên tiến, các transistor đóng gói ở nốt 16nm. Nốt nhỏ hơn nghĩa là các transistor được đóng gói chặt hơn 2,5 lần các transistor trong bộ vi xử lý EyeQ3. Tóm lại, con chip Nvidia thay thế có hiệu năng được cải tiến gấp 90 lần so với con chip Mobileye.

Ngay cả theo tiêu chuẩn của Định luật Moore – phát biểu rằng việc đóng gói các transistor hoặc hiệu suất của transistor sẽ tăng trung bình 60% mỗi năm – đó cũng là một bước nhảy vọt đáng kể. Thực tế, việc chuyển đổi diễn ra tương đương với một thập kỷ xử lý theo định luật Moore.

AI lớn hơn định luật Moore

Tóm lại, sự thay đổi của Tesla tóm lược các loại ứng dụng giống như machine learning theo yêu cầu để làm chúng trong tình trạng sẵn sàng xử lý. Đó không phải là những phương tiên tự động. Đó là các thiết bị được kết nối của chúng ta, cài đặt hỗ trợ các giao diện cá nhân, tương tác giọng nói và tăng cường thực tế ảo.

Ngoài ra, các phương thức lập trình của chúng ta cũng đang thay đổi. Trong thế giới của machine learning, một lượng lớn “hàng nặng” được xử lý bằng bộ não của software developer. Các developer thông minh có nhiệm vụ đơn giản hóa và biểu diễn thế giới theo toán học (giống như code trong phần mềm), sau đó các nhiệm vụ này sẽ được thực hiện theo một cách xác định và im lặng.

Trong thế giới mới của machine learning, software developer không cần lo lắng nhiều về việc dịch những thứ trừu tượng từ thế giới bên ngoài vào code. Thay vào đó, họ xây dựng các mô hình xác suất cần những tập dữ liệu khổng lồ để đưa ra kết quả tốt nhất. Cái mà lập trình viên tiết kiệm được trong việc khám phá các trừu tượng toán học, đó là việc yêu cầu máy tính làm rất nhiều tính toán (thường tới hàng tỷ phép tính một lần).

Khi machine learing trườn vào mọi ngóc ngách doanh nghiệp, nhu cầu xử lý trong công ty sẽ tăng lên rõ rệt. Điều này có ảnh hưởng thế nào trong ngành công nghiệp IT, với các nhà cung cấp phần mềm và phần cứng? Việc thực hành sẽ thay đổi thế nào? Nó sẽ tạo ra những cơ hội nào?

Dưới đây là 3 thay đổi quan trọng:

1.      Lượng tính toán cần thiết tăng lên một cách khủng khiếp

2.      Điện toán đám mây sẽ tiếp tục phát triển, lĩnh vực bên rìa cũng nở rộ

3.      Nhiều loại chip mới sẽ xuất hiện

Yêu cầu tính toán khổng lồ

Hãy bắt đầu với những chiếc xe tự lái. Tại một sự kiện gần đây do hãng đầu tư mạo hiểm Open Ocean ở Luân Đôn tổ chức, người đứng đầu bộ phận sản phẩm của Five.AI – một startup về phương tiện tự lái, đã tóm tắt các yêu cầu tính toán cần thiết cho việc tự lái hoàn toàn.

Thách thức mấu chốt nhân lên 2 lần. Đầu tiên, chiếc xe phải vẽ bản đồ không gian actor – state (thực thể - trạng thái). Không gian actor – state biểu diễn môi trường bên ngoài xung quanh chiếc xe, gồm tất cả các đối tượng, phương tiện, con người …, và tình trạng hiện tại của chúng (đứng im, hướng, gia tốc, tốc độ, …)..

Thứ hai, chiếc xe cần tìm cách cư xử phù hợp. Hành động tốt nhất tiếp theo của nó là gì trong tình huống khách hàng đang cố gắng đi tới một nơi cho trước, các mối nguy hiểm xung quanh xe ngay bây giờ cũng đã biết?

Để làm điều này, mỗi chiếc xe cần một đống dữ liệu từ Lidar, cameras và các sensor. Lidar, viết tắt của “Light Detection and ranging” (phát hiện đèn và xếp hàng), là một sensor giống như radar, rất phổ biến trên nhiều xe tự lái (dù Tesla sử dụng công nghệ khác).

Một hệ thống con cần xử lý mối ghép sensor và các bước cảm biến trước khi các hệ thống con bổ sung lập kế hoạch hành động tiếp theo. Toàn bộ xử lý này xảy ra trên thiết bị (chiếc xe); ngay cả với mạng 5G, nguy cơ trễ khi khi dữ liệu theo tín hiệu dự báo cũng là quá lớn.

Khi đưa xe vào chế độ tự lái hoàn toàn và an toàn, toàn bộ việc xử lý cùng nhập liệu này ước tính mất khoảng 200 teraflop xử lý, tất cả về căn bản đều cần được thực hiện trong một giây hoặc khung thời gian nhỏ hơn.

200 teraflop là bao nhiêu? Ngày nay có quá nhiều tiêu chuẩn: nhiều chu trình khác xa định luật Moore. Để hoàn thành 200 nghìn tỷ phép tính dấu phẩy động trong khung thời gian một giây tính sơ sơ cần 10 chiếc iPhone theo mẫu hiện tại. Đặc biệt là với khả năng của thiết bị dùng Nvidia chạy trong các mẫu Tesla hiện tại. (Để công bằng, Ngài Musk có lẽ có thể đạt được mục tiêu của mình với các GPU Nvidia hiện tại nếu việc tối ưu hóa thuật toán cung cấp một bước thay đổi đáng kể trong hiệu suất tính toán.)

Lượng ô tô và xe tải sản xuất ra hằng năm khoảng 100 triệu xe trên toàn cầu. Điều này có nghĩa là để “thông minh”, toàn bộ sản lượng xe theo các giả định này sẽ yêu cầu tương đương với việc bổ sung khoảng 1 tỷ iPhone mỗi năm.

Sản lượng iPhone toàn cầu hiện nay đã đạt khoảng 200 triệu chiếc vào năm 2016. Vì thế để thông minh hóa số lượng ô tô trên, theo nghĩa thực, tương đương với việc tăng kích cỡ hiện tại của chip bán dẫn hỗ trợ trong ngành công nghiệp iPhone lên ít nhất 5 lần.

Mối quan tâm thứ hai là chi phí và sức tải của việc xử lý. Những chiếc xe tự lái cần có giá phải chăng. Và vì chúng hoạt động bằng điện, bộ não của nó sẽ phải được cấp nguồn hiệu quả. Một chiếc Tesla đốt khoảng 200 Watt giờ trên mỗi kilomet. Một chiếc GPU hiệu năng cao nhưng nguồn cấp cũng cao có lẽ cần thêm 1,2% điện năng tiêu thụ cho tải (Nvidia PX2 tiêu tốn 250W). Tăng công suất tải sẽ kéo theo giảm dải giá trị.

Chuyển dịch các bit đắt gần như chuyển dịch các nguyên tử

Xe tự lái có kết cục hấp dẫn hơn trong những yêu cầu tính toán tăng lên của chúng ta. Các phương pháp deep learning hiện đại cũng có những yêu cầu tính toán nhiều ý nghĩa. Một mạng neuron hiện đại có hàng tá các lớp liên kết và hàng tỷ biến số, đòi hỏi phải tăng thêm một bước trong công suất tính toán từ những gì chúng ta có hiện nay.

Như nhà phân tích AI Libby Kinsey phác thảo trong một bài luận gần đây, hầu hết các phương pháp đột phá trong deep learning đều sử dụng những lượng tính toán khổng lồ. Trong bất kỳ một hệ thống machine learning nào, dạy mô hình làm sao tiên đoán hiệu quả là bước tính toán đắt giá nhất. Bước thứ hai, áp dụng để sản xuất đầu ra hữu ích (còn gọi là tạo ra ý nghĩa), bước này rẻ hơn nhiều. Nhưng vẫn không phải là miễn phí.

Chỉ mới gần đây, vì lý do này, việc nhận dạng đối tượng đã bắt đầu dịch chuyển từ đám mây sang điện thoại di động. Tạo ra ý nghĩa một cách cục bộ sẽ cho phép machine learning ngay trên thiết bị - nghĩa là nó sẽ nhanh hơn và đáng tin cậy hơn khi các mạng dữ liệu chắp vá. Ví dụ hay cho điều này là khóa nhận dạng gương mặt theo sinh trắc học được sử dụng trên các mẫu điện thoại Samsung gần đây.

TensorFlow, một nền tảng phổ thông nhất để phát triển các mô hình deep learning, gần đây đã có trên các thiết bị Android. Tuy nhiên, nền tảng này hiện tại chỉ cho phép bước “tạo ra ý nghĩa” rẻ hơn kia. Đến cuối năm 2017, TensorFlow cũng không thể xây dựng xong các mô hình deep learning cho người học trên các thiết bị. Tất nhiên, chương trình đỉnh cao ở Silicon Valley đã đưa khả năng này vào thành một kiểu sử dụng cao cấp với ứng dụng “Not Hot Dog” (giờ rõ ràng đó đã là thật).

Chu trình tăng cường

Các thuật toán và xử lý chỉ là 2 khía cạnh của chu trình. Khía cạnh thứ 3 là dữ liệu. Khi sức mạnh xử lý tăng lên, chúng ta có thể sử dụng nhiều thuật toán yêu cầu hơn, nhờ đó có thể áp dụng cho nhiều dữ liệu hơn (vì thế yêu cầu đối với dữ liệu sensor dùng để đào tạo hoặc tạo ra ý nghĩa cũng sẽ tăng lên). Đến lượt nó sẽ làm tăng yêu cầu đối với xử lý hiệu quả, cho phép chúng ta tăng độ phức tạp của giải thuật.

Chu trình này gợi lại mối quan hệ giữa Microsoft và Intel trong quá trình thiết lập thế độc quyền song song Wintel. Với sự phát triển bộ vi xử lý của Intel, Microsoft có thể viết mã độc quyền và tạo những tính năng hấp thu toàn bộ khả năng của bộ xử lý. Tuy nhiên, với những tính năng mới của Microsoft, Intel bị hối thúc phải cải tiến. Khoảng trống trên đầu tạo ra từ các con chip mới gia tăng cho phép Microsoft (và hệ thống các nhà cung cấp phần mềm độc lập của họ) sử dụng khoảng trống này cho những thứ mới.

Những gì vòng lặp tăng cường này gợi ý cho thấy việc kết hợp sức mạnh xử lý ngày càng tăng và các thuật toán ra yêu cầu càng nhiều có thể điều khiển yêu cầu về dữ liệu rất lớn.

Và chúng ta đang nhìn thấy điều đó. Một ví dụ rõ ràng nhất là tầm nhìn của các cỗ máy, hiện tại chúng tương đối tốt khi được dùng là một nguồn dữ liệu chính cho phần mềm (thay vì chỉ là dữ liệu nhật ký, các mục nhập cơ sở dữ liệu hay đầu vào của người dùng). Những chiếc xe tự lái là ví dụ tuyệt vời cho việc này, nhưng các hệ thống sử dụng sinh trắc học hay cửa hàng Amazon Go cũng phụ thuộc nặng nề vào tầm nhìn của máy móc khi dùng nó làm đầu vào chính.

Nếu bạn muốn xem toàn bộ những thứ này hoạt động, hãy nhìn vào ngành công nghiệp camera sensor (cảm biến cho máy ảnh). Từ năm 2009 tới năm 2019, số lượng sensor CMOS bán được dự kiến tăng 3 lần.

Các cảm biến xuất đi trong năm 2008/9 có công việc chính là chụp ảnh mắt người để xử lý. Nhưng ngày càng có nhiều sensor chụp các loại hình ảnh để cho các thuật toán nhận dạng của máy móc xử lý. Nhiều bức ảnh con người sẽ không bao giờ có thể thấy được. Các pixel giờ đây được lập trình chỉ để phần mềm truy cập.

Giả sử tuổi thọ của một sensor CMOS cụ thể là 5 năm, chúng ta có thể mong đợi tới năm 2019 có khoảng 45 nghìn tỷ sensor của các camera số đang hoạt động. Sức mạnh phân giải của các sensor này cũng tăng lên. Định luật Hendy mô tả quan hệ tương tự định luật Moore, nhưng với mật độ pixel, tốc độ tăng trung bình hằng năm là 59%. Điều đó có nghĩa là một sensor xuất ra năm 2019 có lượng pixel gấp 100 lần của sensor xuất năm 2009. Và với khối lượng sensor xuất ra tăng cao không ngừng, chúng ta cũng sẽ thấy độ tăng lượng xuất ra trên mỗi đơn vị từ 2009 tới 2019 là 100%.

Tất cả các sensor này đều có khả năng tạo ra một lượng khổng lồ dữ liệu. Một số sensor, giống như camera thứ ba trên chiếc iPhone 7 Plus, sẽ không được dùng quá thường xuyên. Những sensor khác, như của CCTV hay IoT, sẽ sử dụng 24/7 để streaming các hình ảnh cần xử lý. Đội xe tự lái cho biết một chiếc xe tự lái sẽ cần có những chiếc sensor cho camera với độ phân giải 120-150 megapixel để streaming mọi lúc mọi nơi để đánh giá môi trường. (Để so sánh, một camera của iPhone 7 có sensor 50 megapixel. Một megapixel là đơn vị phân giải đồ họa tương đương 1.048.576 pixel).

Lidar sẽ tăng độ phân giải lên rất đáng kể. Như CEO của Intel, Brian Krzanich cho biết trong một bài báo gần đây:

“Trong một chiếc xe hơi tự điều khiển, chúng ta phải tính toán các loại camera, radar, sonar, GPS và LIDAR – các thành phần cơ bản của cách lái mới này như các piston, vòng xoay, các khối động cơ. Các camera sẽ sinh ra 20-60 MB/s, radar khoảng trên 10kB/s, sonar 10-100 kB/s, GPS chạy ở 50kB/s, và LIDAR trong dài 10-70 MB/s. Với những con số này, mỗi phương tiện tự lái sẽ sinh ra khoảng 4.000 GB – hay 4 terabyte – dữ liệu một ngày.”

Để so sánh, những người dùng internet trên di động lớn nhất thế giới, người Phần Lan, sử dụng trung bình 2,9 Gb dữ liệu mỗi tháng vào năm 2015. (Nói cách khác, nhu cầu dữ liệu hàng ngày của một chiếc xe tự lái tương đương với khoảng 40.000 người Phần Lan đang say sưa lướt Internet.)

Người ta dự đoán có khoảng 20-30 tỷ thiết bị IoT sử dụng trực tuyến vào năm 2020, dữ liệu streaming sẽ giúp xây dựng các đối tượng thông minh hơn, nhà thông minh, thông tin về phong cách sống của người tiêu dùng, đảm bảo kiểm soát an ninh và tiêu thụ năng lượng.

Đó chỉ là một số ít các ứng dụng mới đi vào trực tuyến. Còn có ít nhất 4 loại thiết bị khác sẽ tạo ra những đòi hỏi nặng nề, mà chúng ta không có chỗ để tìm hiểu sâu hơn ở bài viết này:

-          Thực tế ảo (Virtual Reality -VR) và thực tế ảo tăng cường (Augmented Reality – AR). AR và VR dựa gần như hoàn toàn vào khung nhìn của máy móc và việc mô hình hóa 3D cùng mô phỏng sẽ tạo ra những yêu cầu xử lý đáng kinh ngạc. (Một ví dụ về cách không gian AR/VR hình thành nên một keiretsu rộng lớn hơn, đó là việc Softbank đã đầu tư vào kẻ tiên phong trong lĩnh vực thế giới ảo, Improbable; bị ARM – một công ty bán dẫn - mua lại, và chiếm một phần đáng kể trong Nvidia.)

-          Ngành thông tin sinh học (Bioinformatics) phụ thuộc vào các tính toán khối lượng lớn, với hàng tỷ phần dữ liệu cần xử lý, phân tích và lưu trữ. Theo bài báo của 4 nhà khoa học máy tính người Đức năm 2009, kích thước cơ sở dữ liệu của chuỗi AND tăng gấp đôi mỗi năm, một tỷ lệ tăng tốc độ khiến hiệu suất các máy tính hiện nay khó mà theo kịp.

-          Ngành sinh học tính toán (Computational Biology) nơi các mô phỏng tính toán và mô hình hóa được sử dụng để nghiên cứu các hệ thống sinh học, cũng sẽ làm tăng yêu cầu đối với các chu trình.

-          Tiền ảo (hay tiền kỹ thuật số - cryptocurrency) có các yêu cầu tính toán riêng ở mức độ mining (mining – thường dịch trong tiếng Việt là ‘khai phá’, ‘khai thác’ – là việc ứng dụng các thuật toán để tìm kiếm một số mẫu trong tập dữ liệu khổng lồ).

Chiếc bánh xe của công nghệ tính toán đang sinh ra nhiều ứng dụng mới, sinh ra nhiều giải pháp với thuật toán mới, sinh ra nhiều đòi hỏi về mặt dữ liệu hơn, sinh ra nhiều đòi hỏi về mặt tính toán hơn, và nó sẽ không dừng lại. Nó sẽ tăng tốc và khiến chúng ta phải so sánh các chu trình tính toán trước đây và các ranh giới phần mềm đang có.

Nhu cầu của xe tự lái là một cơ hội để chúng ta hướng dần tới ngành công nghiệp lớn gấp 5 lần iPhone mỗi năm. Nhiều ứng dụng mới khác trong lĩnh vực machine learning cũng sẽ gia tăng nhu cầu tính toán hơn nữa và khiến ngành công nghiệp bán dẫn tăng theo cho phù hợp.

Azeem

Dịch từ Medium

Bắt đầu một ngày bằng Internet sẽ làm hại bộ não bạn

Bắt đầu một ngày bằng Internet sẽ làm hại bộ não bạn

Tôi đã từng nói trước đây: chỉ cần nhìn 3 giờ đầu tiên trong ngày có thể đọc ra được cuộc đời bạn sẽ thế nào. Và điều đó thường bắt đầu với thứ đầu tiên bạn quyết định đưa vào bộ não mình. Bạn có thể bắt đầu một ngày của mình bằng đồ ăn vặt cho bộ não (như internet, các ứng dụng làm phiền,…) hoặc bạn có thể bắt đầu bằng những món ăn lành mạnh cho não (như đọc sách, ngồi thiền, ghi chép, tập thể dục,…). Khi bạn bắt đầu một ngày bằng những món ăn vặt như vừa kể, bạn đã tự đặt mình vào trạng thái bất lợi do chính bản thân bạn tự lạm dụng, nó ngăn cản khả năng bạn hòa nhập và đẩy bạn tránh khỏi phải làm những công việc có tính sâu sắc. Khi bắt đầu một ngày bằng thức ăn lành mạnh, tốt cho bộ não, điều ngược lại sẽ xảy ra.

Bất cứ lúc nào tôi bắt đầu một ngày của mình bằng đồ ăn vặt cho não, chất lượng của ngày đó sẽ đi xuống. Tôi ít vui vẻ, ít tập trung và hiệu suất thấp hơn. Tôi dùng cả tấn thời gian trên internet và chẳng thực sự làm được việc gì ra hồn. Nhưng nếu tôi bắt đầu ngày của mình bằng thức ăn lành mạnh cho não, tôi thấy tâm trạng tốt hơn, hạnh phúc hơn, tập trung hơn và hiệu suất cao hơn.

Tại sao đồ ăn vặt cho não lại độc hại?

Nếu bạn thức dậy vào buổi sáng, hút thuốc lá, ăn 2 cái donut, tráng miệng với 2 tách cà phê, không có gì ngạc nhiên nếu hiệu suất cơ thể của bạn dưới trung bình. Bạn có lẽ sẽ chẳng thể ra ngoài chạy 2 dặm hoặc thắng một giải đấu nào đó sau bữa sáng kiểu đó.

Nhưng khi nói đến bộ não, chúng ta gần như không có ý thức về việc phải xử lý thông tin đưa vào não giống như với thức ăn chúng ta ăn.

“Khi bạn thức dậy, bạn ở trong trạng thái theta alpha, bạn được đánh giá cao. Mỗi cái like, comment hay share, bạn đều nhận được bản vá dopamine và nó lại lên dây cho não bạn. Bạn ở cùng cái thứ đang kết nối lại với bộ não khiến bạn phân tâm, đó là thứ mà thiết bị thông minh đang làm, đặc biệt nếu đó là thứ đầu tiên bạn chộp lấy khi thức dậy và khiến bạn ở trong trạng thái theta alpha này.” – Jim Kwik

Nếu ngày nào chúng ta cũng bắt đầu bằng việc kiểm tra email hay internet, chúng ta đang tăng cường hành vi phân tâm của mình cho đến khi nó trở thành thói quen mới. Một số nhà khoa học hành vi thông minh nhất thế giới và các nhà thiết kế đã cùng nhau làm việc thực sự vất vả để đảm bảo rằng sản phẩm của họ phải gây nghiện, tạo thành thói quen, và chỉ cung cấp cho bạn cảm giác hoàn hảo tạm thời vì thế bạn luôn phải lo lắng cho bản vá kế tiếp. Giống như Mark Manson đã nói rất hay rằng, điện thoại di động là thuốc lá kiểu mới, và một lượng đáng kể những thứ trên internet chẳng là gì ngoài món đồ ăn rác cho bộ não.

Tại sao thực phẩm lành mạnh cho não lại tốt đến vậy?

Nếu bạn tỉnh dậy vào buổi sáng và có bữa ăn thật sự lành mạnh, nó sẽ làm bạn tươi vui, có năng lượng, bạn như thể vừa tập gym hoặc chạy thể dục với mong muốn đạt tới đỉnh cao. Điều tương tự cũng xảy ra với bộ não.

Khi chúng ta bắt đầu một ngày bằng đồ ăn tốt cho não, thay vì bị khuyết tật do tự lạm dụng, ta đã cho bản thân một lợi thế cạnh tranh lớn. Có thời, khi tôi theo đuổi lịch trình 8 bước hằng ngày một cách sùng tín, nó đã giúp tôi viết được rất nhiều sách và 100 bài báo, hiệu suất của tôi cao vượt nóc nhà, dòng cảm hứng tuôn ra dễ dàng và tôi làm được nhiều việc có chiều sâu. Ý tưởng về bài viết này thực sự là kết quả của việc tôi cho bộ não mình những thức ăn lành mạnh để bắt đầu một ngày.

-          Tôi đã ngồi thiền 20 phút

-          Tôi đã đọc sách gần 1 giờ

-          Tôi viết nhật ký 30 phút

Khi tôi bật máy tính, tôi đã chặn những phân tán phiền nhiều lại và chỉ bắt đầu viết.

Khi bạn bắt đầu một ngày với thức ăn lành mạnh cho não, bạn sẽ không bị can kiệt ý chí, và kết quả là bạn sẽ làm được nhiều hơn với ít thời gian hơn.

Vậy thì bạn bắt đầu ngày mới chính xác với thức ăn tốt cho não như thế nào? Để tách bản thân khỏi thức ăn rác cho não, chúng ta phải thực sự thay thế chúng bằng một cái gì đó khác.

Đừng sử dụng các thiết bị vào buổi sáng

Smartphone làm chúng ta phân tâm, dù chúng bật, tắt, trong túi hay trên bàn, chúng chỉ huy sự chú ý của chúng ta ngay cả khi chúng không phải là của chúng ta. Giải pháp tốt nhất ngăn chặn sự phân tâm của smartphone là loại chúng hoàn toàn khỏi bức tranh – Steve Magness

Nếu tủ lạnh hoặc phòng ăn đầy đồ ăn vặt, bạn sẽ có xu hướng ăn nhiều hơn. Điều tương tự cũng xảy ra với các thiết bị của bạn. Nếu đó là thứ bạn dùng đầu tiên trong buổi sáng, bạn sẽ có xu hướng dựa vào các nguồn gây mất tập trung này nhiều hơn vì chúng luôn ở trạng thái có thể truy cập. Thứ duy nhất tôi dùng với cái điện thoại của mình trong buổi sáng là ngồi thiền 20 phút với ứng dụng Calm. Sau đó tôi cho nó ra khỏi phòng làm việc.

Dành 20 phút ngồi thiền

Thực tại mà chúng ta biết xảy ra trong không gian giữa kích thích và phản ứng. Một sự kiện xảy ra và chúng ta làm cho nó có ý nghĩa nào đó. Nhưng nó thường xảy ra nhanh đến mức chúng ta không kịp đặt câu hỏi về tính hợp lệ trong ý nghĩa mà ta vừa gán cho sự kiện, tình huống hay hoàn cảnh. Cách kiểm soát ý nghĩa đó là làm chậm quá trình lại, và cách làm chậm quá trình đó là dùng thiền định.

Tôi có khuynh hướng tự nhiên phản ứng quá mức hoặc làm cho tình hình căng thẳng hơn bản chất thực sự của chúng. Nhưng khi thực hành thiền đủ sâu, tôi nhận thấy một sự thay đổi năng lượng mạnh mẽ. Nhiều thứ trước đây từng làm tôi thất kinh giờ thì không. Mỗi sáng tôi ngồi thiền 20 phút, tôi có khả năng tập trung dễ dàng hơn, và tôi không thèm muốn những nguồn gây phân tâm nhiều nữa.

Những người thành công nhất tôi từng phỏng vấn về sức sáng tạo, những quyển sách về năng suất đỉnh cao tôi từng đọc, những lời dạy tâm linh, và nhiều tỷ phú đề cập đến vai trò quan trọng của việc ngồi thiền hằng ngày trong đời họ. Điều đó đủ bằng chứng thuyết phục tôi biến nó thành một thói quen hằng ngày.

Hãy đọc sách, đừng đọc internet

Khi chúng ta đọc trên Internet, ta có xu hướng đọc lướt nhiều hơn đọc kỹ. Bạn có thường ngồi cùng mọi người trong bữa tối thảo luận về một bài viết hay bạn vừa đọc trên internet không? Hầu hết mọi ý tưởng về những gì tôi muốn viết đều đến từ những cuốn sách. Chẳng có cái nào đến từ các bài báo trên Internet. Thậm chí tôi còn tìm thấy nhiều tình huống của chính mình khi đọc một cuốn sách giấy, dù trước đó tôi đã đọc nó trên Kindle. Tôi có lẽ nhận được nhiều giá trị hơn khi đọc sách giấy.

Nhiều năm trước, khi tôi phỏng vấn Julien Smith, ông nói “Tôi không đọc blog. Tôi đọc sách.” Và ông sở hữu một trong những blog nổi tiếng và nhiều người đọc nhất trên internet. Tôi đã dừng việc đọc blog, bắt đầu đọc sách, kết quả là, tôi thành nhà văn phong phú hơn. Sau khi xem sự nghiệp đa dạng mà Ryan Holiday đã xây dựng nên, quan sát thói quen đọc sách của ông, tôi quyết định đi theo con đường của ông. Hãy tin tôi, thật mỉa mai khi bạn đang đọc điều này trên internet, nhưng điều đó không hề mất đi với tôi.

Một giờ làm việc gì đó có chiều sâu

Một giờ làm việc gì đó có chiều sâu là một hình thức chăm sóc bản thân. Nó có ý nghĩa không thể tin nổi. Đó là lời khẳng định với chính bản thân bạn và toàn vũ trụ rằng bạn đánh giá cao bản thân bạn và thời gian của bạn. Bạn có thể hoàn thành những điều phi thường chỉ trong một giờ tập trung trong ngày với thời gian sáng tạo không giới hạn. Bằng công việc có chiều sâu, bạn sẽ nhận được kết quả không hề tỷ lệ với nỗ lực. Đó là qui tắc 80-20 trong công việc. 80% đầu ra chỉ đến từ 20% nỗ lực.

Chỉ cần một số thực phẩm cho tư duy. Khi tôi bắt đầu viết bài này, tôi chặn các nguồn làm phân tâm trong vòng 45 phút. Khi tôi viết tới câu này, tôi quyết định kiểm tra bộ đếm từ và thấy mình đã viết trên 1200 từ trong khoảng 35 phút. Đó là những gì xảy ra khi bạn kết hợp được dòng suy nghĩ và công việc có chiều sâu với nhau.

Điều cuối cùng để xem xét. Bạn thực sự nhận được gì từ việc kiểm tra Facebook, Instagram, hay bất cứ cái gì tương tự trên điện thoại khi bạn thức dậy buổi sáng? Nó có làm bạn vui vẻ hơn hay thành công hơn theo một cách nào đó không? Nếu bạn cộng tất cả thời gian bạn đã lãng phí cho nó trong một năm, có lẽ bạn giờ bạn đã viết được một quyển sách, xây dựng được một vụ kinh doanh, hay học được một công cụ, những thứ sẽ giúp chất lượng cuộc sống của bạn đi xa hơn bản vá dopamine tạm bợ mà chiếc điện thoại của bạn cung cấp.

Srinivas Rao

Dịch từ Medium

Thiết kế hệ thống giáo dục trong kỷ nguyên Trí tuệ nhân tạo

Thiết kế hệ thống giáo dục trong kỷ nguyên Trí tuệ nhân tạo

Cách chúng ta thu nhận kiến thức và kỹ năng sắp sửa phải thay đổi một cách căn bản vì có sự ra đời của những công nghệ mới hỗ trợ các mô hình học tập linh hoạt và cá nhân hóa hơn. Trí tuệ nhân tạo và machine learning đang đóng vai trò là yếu tố biến đổi trong thế giới giáo dục cũng như nhiều lĩnh vực công nghiệp khác. Lựa chọn của chúng hứa hẹn mang lại hiệu quả cho việc dạy học một – một với qui mô chưa từng thấy và trong bối cảnh kinh nghiệm học tập cởi mở, hợp tác, và kéo dài suốt đời.

Cùng với sự nổi lên của tự động hóa tiên tiến, kéo theo những thay đổi kinh tế xã hội cấp tiến, sư phạm sẽ chủ yếu tập trung vào các kỹ năng nhận thức, sáng tạo và xã hội không thể thiếu trong nơi làm việc thế kỷ 21. Gần đây, Diễn đàn Kinh tế Thế giới đã ước tính 65% trẻ em vào tiểu học hôm nay sau này sẽ làm những việc mà hiện giờ chưa tồn tại. Chúng ta có thể giả thiết rằng những công việc đó đòi hỏi nhiều về mặt nhận thức và yêu cầu những kỹ năng bậc cao như khả năng hiểu ngữ cảnh chứ không chỉ nội dung, cũng như xác định vấn đề một cách sáng tạo chứ không chỉ giải quyết chúng theo phản xạ. Trong một xã hội kết nối nơi bản chất công việc ngày càng mang tính cộng tác nhiều hơn, các khả năng xã hội và khả năng tranh luận sẽ càng quan trọng hơn.

Cải cách hệ thống giáo dục, thiết kế các ứng dụng AI có khả năng mở rộng và không bị cô lập trong lĩnh vực giáo dục, cũng sự tăng trưởng của tư duy kinh doanh đối với học tập suốt đời chỉ là một số thách thức gắn liền với nhau nhưng chưa được giải quyết trọn vẹn. Mặc dù các nghiên cứu hàn lâm đã và đang tham dò các kịch bản và khả năng từ nhiều thập kỷ qua, nhưng không có nhiều thay đổi đáng kể, kể cả với các công cụ và tài nguyên sẵn có cho người dạy và người học, dù việc số hóa đã tăng lên.

Có một sự khác biệt quan trọng giữa số hóa các mô hình học tập truyền thống và sự chuyển đổi thực tế của chúng bằng các công nghệ số.

Chẳng hạn, sự có sẵn rộng rãi của các khóa học trực tuyến do các giảng viên hàng đầu từ các cơ sở giáo dục tốt nhất đứng lớp đã cung cấp nội dung giảng dạy có chất lượng cao nhưng vẫn thiếu khả năng mang lại trải nghiệm học tập có tác động sâu, cá nhân hóa và thích nghi cao. Các doanh nghiệp startup trong lĩnh vực giáo dục đang tăng trưởng theo cấp số nhân trên khắp thế giới và khai thác các hệ thống học tập mới (chẳng hạn như AltSchool), trong khi bổn phận là phải thức tỉnh trước thực tế phải tư duy lại việc kinh doanh để nhanh chóng lập kế hoạch cho những bước chuyển biến phức tạp và to lớn.

Giáo dục được cá nhân hóa là một thách thức cho thiết kế hệ thống

Hệ thống giáo dục hiện hành được thiết kế đáp ứng cho nhu cầu của kỷ nguyên công nghiệp và đang nhanh chóng mất đi lợi thế khi chúng ta chuyển sang kỷ nguyên thông tin. Những tiết lộ về công việc đang đi tiên phong ở DARPA, sự thẳng thắn của các startup trong lĩnh vực giáo dục như Kidaptive, và gần đây hơn là việc hợp tác của Method với Pearson, đều là cơ hội để khám phá những ý nghĩa về mặt thiết kế của các xu hướng học tập mới.

Thu hút kiến thức thực tế trong một hệ thống cứng nhắc đã thành lỗi thời. Quả thật, các phương pháp cá nhân hóa thúc đẩy việc hiểu biết các khái niệm then chốt và các nền tảng căn bản cũng tốt như cách chúng có thể được áp dụng tốt nhất.

Do đó, chúng ta cần thiết kế một thế hệ công cụ mới có khả năng hỗ trợ thành công các trải nghiệm học tập phi tuyến tính, thích nghi cao và hấp dẫn. Hiệu quả của chúng sẽ phụ thuộc vào “trí tuệ” của hệ thống học tập để tiếp tục thích ứng theo ít nhất 5 loại nhận thức:

1.      Nhận thức về trạng thái thể chất và cảm xúc của một cá nhân nào đó (vì nó ảnh hưởng đến khả năng học tập của người đó).

2.      Hiểu mục đích và bối cảnh học tập (ví dụ, lý do họ thu nạp kỹ năng mới, môi trường học, thực tế và ảo, văn hóa, thị trường, luồng dữ liệu theo ngữ cảnh từ IoT và các thiết bị đeo cùng)

3.      Nhận thức về cá nhân người học (ví dụ, các thành tích trước đây, mức độ tham gia, trình độ bậc thầy,…)

4.      Kiến thức về chủ đề hay lĩnh vực (ví dụ như di truyền học, tư duy phê phán, nhận thức về văn hóa,…)

5.      Phương pháp sư phạm (ví dụ học khái niệm, mô hình đánh giá, hướng dẫn chủ động, thất bại về mặt hiệu quả, …)

Hệ thống học tập sẽ cần phải kết hợp thông tin tổng hợp luôn không ngừng thay đổi với các thuật toán được thiết kế để xử lý nó.

Trong một hệ thống giáo dục có ý thức hơn, vai trò chính yếu và có giá trị nhất của AI là xác định trình tự và phương thức tương tác giữa công cụ học và người học. Kết quả là, trải nghiệm người dùng chủ yếu là sản phẩm của thiết kế nhân tạo, hướng theo dữ liệu, theo thời gian thực. Yếu tố căn bản là phải xác định trách nhiệm rõ ràng đối với các quyết định ảnh hưởng tới trải nghiệm người dùng – thứ không thể tiên đoán được và có lẽ không mong muốn hoặc thiếu sót. Ai phải chịu trách nhiệm? Làm sao chúng ta giảm thiểu rủi ro? Các loại công nghệ thông minh này cuối cùng định hình vai trò của giáo viên như thế nào so với các cách khác? Các vấn đề tương tự cũng đã xuất hiện trong những thảo luận về AI ở nhiều ngành công nghiệp, từ ô tô đến sức khỏe.

Những câu hỏi này sẽ tồn tại ngay từ đào tạo tiểu học, vì chúng ta phải tương tác thường xuyên với một thị trường giáo dục phong phú. Quan trọng là tìm ra những cách hiệu quả để thông tin các quyết định về những khả năng phù hợp nhất cần đạt được. Giáo dục suốt đời có lẽ giống như tư duy kinh doanh, có tính chiến lược và phát triển khi xử lý tri thức. Hướng đi như thế nên được giảng dạy thế nào? Liệu có phải là một sản phẩm đặc biệt trong số các cố vấn hay người đào tạo nhân tạo hoặc bằng xương bằng thịt, độc lập với các nền tảng học tập cụ thể không?

Cuối cùng, một khía cạnh quan trọng khác trong thách thức thiết kế hệ thống giáo dục, nó liên quan tới việc tạo ra các môi trường ảo để việc thực hành có thể cải thiện kiến thức trong bối cảnh nhân tạo mà lại thực tế, với sự hỗ trợ của các bạn đồng hành thật hoặc ảo hoặc hỗn hợp.

Trái: 1910 – Sinh viên thế kỷ 21 có thể nhận được giáo dục thông qua tai nghe gắn với con chip được chuyển đổi chứa các nội dung từ sách vở. Nguồn từ Thư viện quốc gia Pháp.

Phải: 2015 – môi trường cộng tác ảo. Nguồn từ Microsoft HoloLens

Thiết kế phải mở rộng sang các lĩnh vực mới, chẳng hạn như thiết kế về mặt sư phạm, thiết kế các thuật toán… và cũng cần mang tới hướng tiếp cận rộng lớn hơn trong việc tạo ra các sản phẩm và dịch vụ. Chất lượng giáo dục phải dự đoán được dựa trên chất lượng của toàn hệ sinh thái của nó. Tính chiến lược của thiết kế là kết nối những hiểu biết về con người và văn hóa với những đổi mới kinh doanh và công nghệ. Khả năng này sẽ đóng vai trò cực kỳ quan trọng trong việc phát triển các công cụ mới như AI để nâng cao trải nghiệm học tập một cách có ý nghĩa.

Roberto Veronese

Dịch từ Medium

Trí tuệ nhân tạo (AI) sẽ ảnh hưởng thế nào tới tương lai Thương mại điện tử (eCommerce)?

Trí tuệ nhân tạo (AI) sẽ ảnh hưởng thế nào tới tương lai eCommerce (Thương mại điện tử)?

Chưa đầy một thập kỷ trước, cả thế giới còn hoài nghi khi eCommerce xuất hiện, người ta vẫn cảm thấy mệt mỏi với ý tưởng rút thẻ tín dụng và mua hàng trực tuyến. Nhưng ngày nay, eCommerce đã vượt quá 22 nghìn tỷ đô la doanh số bán hàng trên toàn cầu và dự kiến chiếm 11% tổng doanh thu bán lẻ vào năm 2018, hoàn toàn có cơ sở để nói ngành công nghiệp này đang tăng trưởng với tốc độ chóng mặt.

Trong con số khổng lồ ấy, Châu Á Thái Bình Dương sẽ vẫn duy trì là thị trường thương mại điện tử lớn nhất thế giới, đạt 1 nghìn tỷ đô la vào năm 2016 và dự kiến tăng gấp đôi trong vòng vài năm tới.

Cả châu Âu và Bắc Mỹ cũng cách không quá xa chiếc xe tốc độ. Người Mỹ không chỉ mở cửa cho ý tưởng mua bán trực tuyến, họ cũng đang ôm chặt lấy nó – hiện tại người Mỹ đang chi 51 tỷ đô cho quần áo, 26 tỷ đô cho đồ điện tử, 16 tỷ đô cho hàng tạp hóa và 4 tỷ đô cho thú cưng và các sản phẩm cho trẻ em thông qua thương mại điện tử.

Ai có thể nghĩ tới ngày tất cả chúng ta đều mua tã và hàng tạp hóa … trực tuyến?

Ngày nay, không chỉ văn hóa Mỹ mà văn hóa toàn cầu đều bị buộc phải đối mặt với một thay đổi lớn khác, thứ thay đổi mang tới cảm xúc hỗn loạn giữa hoài nghi và hưng phấn (không phải không giống như thuở eCommerce mới chào sân nhiều năm trước): đó là Trí tuệ nhân tạo (Artificial Intelligence – AI).

Trong khi AI đã trở thành chủ đề của các cuộc thăm dò và phát triển nhiều năm qua, nó có màn khởi đầu nổi tiếng nhất khi Apple bắt đầu hẹn hò một cô gái bằng cái tên Siri, và trước khi chúng ta biết điều đó, những người yêu iPhone trên toàn thế giới đã đang ngồi ra yêu cầu với các thiết bị của họ, kiểu như “Này Siri, hãy gọi cho [điền vào ô trống]”.

Kể từ lúc bắt đầu, AI đã tăng trưởng rất nhẹ nhàng qua nhiều năm. Vì thế, tới năm 2020, người ta dự đoán 85% tương tác với khách hàng sẽ được quản lý bởi những đối tượng “không phải con người”.

Người sao Hỏa à? Không, AI.

Sự tiến bộ nhanh chóng của AI, cùng với việc chấp nhận ngày càng rộng rãi thương mại điện tử, đã dẫn đến một sự giao thoa văn hóa – điều này sẽ hoàn toàn làm biến đổi cách chúng ta mua bán hàng hóa, mua bán thế nào và mua bán ở đâu. Trong tương lai gần, AI sẽ có thể:

Giảm tỷ lệ bỏ trang (bounce rate) và tăng cường giao tiếp với khách hàng bằng cách tạo ra các cuộc hội thoại tại chỗ (onsite)

Bạn hẳn sẽ nhận thấy ngày càng nhiều trang web thương mại điện tử đang bắt đầu sử dụng chatbot với hy vọng khách hàng sẽ cảm thấy mình không phải giống như một con số trong đám đông mà giống khách hàng duy nhất trong cửa hàng.

Dù điều này đã cải thiện trải nghiệm mua sắm của khách hàng lên một mức độ nào đó, nhưng một số có lẽ sẽ cho rằng các chatbot chỉ là một mảng bong ra từ công nghệ … robot.

Vì chatbot không phải AI. Chúng không thực sự hiểu mỗi cá nhân chúng đang giao tiếp. Phần lớn các chatbot sẽ tìm kiếm các từ phù hợp trong một cơ sở dữ liệu các câu trả lời đã được cài đặt từ trước, chứ chưa tạo ra được các câu trả lời của riêng nó.

Tuy nhiên, các ứng dụng như Mona đang tìm kiếm cách đưa ý tưởng này xa hơn một bước thông qua việc tích hợp với trí tuệ nhân tạo. Mona đang mơ ước tạo ra một trợ lý bán lẻ di động cá nhân tốt nhất thế giới.

Mục tiêu là tạo ra một trải nghiệm mua bán trên di động giống như một cuộc trò chuyện trong cửa hàng giữa khách hàng và người bán hàng bằng xương bằng thịt. Ngày nay, Mona đơn giản hóa việc tìm kiếm trên di động, khám phá và mua bán; nhưng đặc biệt, ứng dụng này có khả năng xử lý việc trả hàng lẫn đặt hàng lại.

Trong tương lai của eCommerce, bạn sẽ nhìn thấy ngày càng nhiều sự xâm nhập của trí tuệ nhân tạo dưới hình thức các trợ lý cá nhân. Luôn có yếu tố cá nhân trong việc mua sắm trực tiếp trong thực tế giữa người với người mà eCommerce hiện giờ không cung cấp được. Trí tuệ nhân tạo sẽ giúp lấp đầy khoảng trống đó.

Cải thiện trải nghiệm mua sắm bằng cách thay đổi cách người tiêu dùng tìm kiếm sản phẩm

Trở lại năm 2015, Pinterest đã cho ra đời một phiên bản đi tiên phong của AI dưới dạng công cụ tìm kiếm trực quan – cho phép người tiêu dùng dễ dàng và thuận tiện tìm kiếm trên nền tảng của họ thông qua hình ảnh chứ không phải từ ngữ.

Người dùng giờ có thể click vào một hình ảnh trên Pinterest, phóng to một đối tượng trong ảnh rồi tìm kiếm đối tượng đó trên trang web.

Ví dụ, giả sử bạn đang nhìn vào một bức ảnh của nhà bếp, trong bức ảnh đó có một cái ghế màu đỏ rất đẹp thu hút ánh mắt bạn. Bạn đơn giản chỉ cần phóng to cái ghế đỏ đó và nhấn tìm kiếm. Pinterest sau đó sẽ tìm kiếm trên web các hình ảnh tương tự với cái ghế đã thu hút ánh mắt của bạn đó.

Vấn đề rất lớn của eCommerce ở thời điểm hiện tại là khách hàng rất khó khăn trong việc tìm kiếm thực sự những gì họ muốn. Trong khi người mua sắm online thường biết rõ họ đang cần tìm cái gì, thì họ lại gặp phải khó khăn trong việc tìm ra một thuật ngữ tìm kiếm phù hợp để tìm được đúng thứ họ đang muốn tìm.

AI vẫn chưa có khả năng thu hẹp một cách hiệu quả khoảng cách giữa tìm kiếm bằng từ khóa và ngôn ngữ tự nhiên, một phần vì trải nghiệm mua sắm rất trực quan với người tiêu dùng.

Do khoảng cách này mà các ứng dụng như CamFind đã thu được rất nhiều thành công – nó tận dụng công nghệ tìm kiếm trực quan trên di dộng để giúp người dùng tìm thấy những gì họ đang tìm kiếm bằng cách sử dụng hình ảnh chứ không phải từ ngữ.

Thu thập dữ liệu khách hàng và dự đoán chính xác họ sẽ làm gì trong tương lai

Amazon Go là một công nghệ mua sắm sáng tạo, cho phép người tiêu dùng mua sắm tại một cửa hàng trong thực tế mà không cần phải đối mặt với những rắc rối của việc xếp hàng đợi tính tiền dài lê thê – cung cấp thứ mà Amazon gọi là trải nghiệm mua sắm kiểu “Just Walk Out - Chỉ cần Bỏ đi”.

Đơn giản bằng cách tải về ứng dụng Amazon Go, khách hàng sẽ có thể đi vào một trong những cửa hàng thật sự của Amazon, lấy những thứ họ muốn trên kệ rồi đi ngay ra khỏi cửa hàng. Ngay sau khi rời khỏi, khách hàng sẽ nhận được một hóa đơn trực tuyến và sẽ bị tính phí trên chính tài khoản Amazon của họ.

Ngoài việc cung cấp trải nghiệm thanh toán kiểu mới này, công nghệ này còn cho phép Amazon theo dõi các thói quen mua sắm của các khách hàng cá nhân, và tới lượt mình, nó sẽ tiên đoán khách hàng sẽ đưa ra những quyết định mua sắm nào trong tương lai. Điều đó cũng cho phép Amazon cung cấp các sản phẩm một cách có mục đích vì họ biết khách hàng của mình đang quan tâm tới cái gì.

Ví dụ, nếu một khách hàng mua 25 gallon kem Blue Bell một năm, Amazon có thể quyết định tiếp thị cho khách hàng các sản phẩm như… muỗng xúc kem hoặc cái bát cách điện giữ kem luôn lạnh.

Nếu Amazon Go thành công, họ sẽ là những người đầu tiên thực sự thu hẹp được khoảng cách giữa mua sắm trong cửa hàng thực tế và mua sắm trực tuyến.

Ảnh hưởng đến cách chúng ta sống hằng ngày, chứ không chỉ đến cách chúng ta mua sắm trực tuyến

Trong thập kỷ tới, trong lúc nhìn thấy ảnh hưởng đầu tiên của AI đối với eCommerce, chúng ta cũng sẽ nhận thấy cả ảnh hưởng của nó tới các thói quen hằng ngày của chúng ta.

Ví dụ, những người tạo ra Siri hiện đang làm việc trên một dạng công nghệ trí tuệ nhân tạo mới mà họ gọi là Con trai của Siri (Son of Siri). Họ hy vọng nó sẽ là một trợ lý ảo có thể thực hiện hoàn hảo các giao dịch như gọi Uber, đặt bánh pizza hay đặt trước một chuyến bay.

Hiểu thói quen của con người và hành vi của người tiêu dùng là yếu tố sống còn trong cuộc chạy đua tiến hành kinh doanh thành công, dù là online hay offline. Khi sử dụng AI – nghĩa là chấp nhận thực tế rằng nó sẽ thay đổi cách con người chúng ta tương tác, làm việc, mua sắm và thậm chí sinh sống – điều đó sẽ đưa bạn và thương hiệu của bạn đi trước đối thủ cạnh tranh một bước.

Chúng ta không chỉ cần hiểu cách thức người tiêu dùng mua sắm, mà còn cần hiểu cách thức họ sống hằng ngày. Việc đó sẽ được bắt đầu và kết thúc bằng Trí tuệ nhân tạo.

Holly Cardew

Dịch từ Medium