Trong thế giới đang phát triển nhanh chóng của trí tuệ nhân tạo, một nền tảng mới có tên Plexe đang tạo ra sự chú ý bằng cách hứa hẹn biến dữ liệu doanh nghiệp thành các mô hình học máy tùy chỉnh mà chỉ yêu cầu tối thiểu kiến thức kỹ thuật. Nền tảng này, vốn mới đây thu hút sự chú ý từ các hãng truyền thông như Business Insider và Financial Times, nhằm mục đích dân chủ hóa việc phát triển AI cho các doanh nghiệp thuộc mọi quy mô. Tuy nhiên, khi những người dùng đầu tiên khám phá nền tảng, các câu hỏi quan trọng đang nổi lên về cách thức công nghệ này thực sự hoạt động ở hậu trường và những hạn chế nào người dùng có thể gặp phải.
Bài Toán Chất Lượng Dữ Liệu
Một trong những cuộc thảo luận cấp thiết nhất tập trung vào việc chuẩn bị và làm sạch dữ liệu. Trong khi Plexe tự tiếp thị như một giải pháp có thể xử lý phân tích dữ liệu và nhận dạng mẫu một cách tự động, người dùng đang phát hiện ra rằng chất lượng dữ liệu vẫn là một yếu tố then chốt. Các tác nhân của nền tảng có thể thực hiện một mức độ làm sạch tự động nhất định, chẳng hạn như điền giá trị bị thiếu, nhưng những cải thiện lớn về chất lượng dữ liệu vẫn đòi hỏi chuyên môn lĩnh vực của con người. Điều này làm nổi bật một thực tế quan trọng trong lĩnh vực AI: ngay cả những công cụ tự động tiên tiến nhất cũng gặp khó khăn trong việc hiểu ngữ cảnh kinh doanh nếu không có sự hướng dẫn của con người. Như một thành viên cộng đồng nhận xét, việc hiểu cách nền tảng suy luận lược đồ dữ liệu và xử lý các loại dữ liệu khác nhau đã tỏ ra là một thách thức đối với một số người dùng tiên phong.
Không gian vấn đề rất thú vị. Nghe có vẻ như hầu hết công việc sẽ là xử lý dữ liệu, một vấn đề muôn thuở.
Đội ngũ phát triển nền tảng đã thừa nhận những thách thức này và đang nỗ lực cải tiến, bao gồm một tính năng làm giàu dữ liệu sử dụng LLM để tạo nhãn và tài liệu hóa tốt hơn quy trình làm sạch.
Vượt Ra Ngoài Kỹ Thuật Đầu Vào: Mô Hình Tùy Chỉnh So Với Các Lớp Bao Bọc LLM
Một điểm làm rõ quan trọng đã xuất hiện khi người dùng đặt câu hỏi liệu Plexe có đơn thuần chỉ tạo ra các đầu vào tinh vi cho các mô hình ngôn ngữ lớn hiện có hay không. Nhóm phát triển đã làm rõ rằng Plexe thực chất tạo ra mã cho các quy trình học máy hoàn chỉnh, xử lý tập dữ liệu, thực hiện kỹ thuật đặc trưng và huấn luyện các mô hình tùy chỉnh cụ thể cho từng trường hợp sử dụng. Sự khác biệt này là rất quan trọng bởi vì các mô hình được đào tạo tùy chỉnh thường mang lại hiệu suất tốt hơn, chi phí thấp hơn và thời gian suy luận nhanh hơn so với việc chạy dự đoán thông qua các LLM đa mục đích, đặc biệt là khi các doanh nghiệp có lượng dữ liệu độc quyền đáng kể. Nền tảng này cũng xử lý các trách nhiệm MLOps như đào tạo lại mô hình và đánh giá hiệu suất, cung cấp một giải pháp toàn diện thay vì chỉ là một giao diện dự đoán.
Hạn Chế Kỹ Thuật và Giải Pháp Khắc Phục
Việc kiểm tra trong cộng đồng đã tiết lộ một số hạn chế hiện tại của nền tảng. Các mô hình thị giác máy tính hiện chưa được hỗ trợ chính thức, mặc dù những người dùng am hiểu kỹ thuật đã tìm ra giải pháp bằng cách lưu trữ hình ảnh dưới dạng mảng byte trong các tệp parquet. Nền tảng hiện tập trung chủ yếu vào dữ liệu dạng bảng, với hỗ trợ hình ảnh, video và âm thanh được lên kế hoạch cho các bản phát hành trong tương lai. Thời gian đào tạo cũng thay đổi đáng kể, từ 45 phút đến vài giờ tùy thuộc vào độ phức tạp của tập dữ liệu, và người dùng đã yêu cầu các chỉ báo tiến trình và thời gian dự kiến hoàn thành tốt hơn trong quá trình xây dựng mô hình. Nhóm phát triển nền tảng đã phản hồi lại ý kiến đóng góp bằng cách bổ sung trạng thái 'baseline_deployed' cung cấp cho người dùng một mô hình ban đầu để thử nghiệm trong khi mô hình cuối cùng hoàn tất việc đào tạo.
Khả Năng Hiện Tại Của Nền Tảng Các Loại Dữ Liệu Được Hỗ Trợ: Chủ yếu là dữ liệu dạng bảng Computer Vision: Chưa được hỗ trợ chính thức (tồn tại một số giải pháp thay thế hạn chế) Thời Gian Huấn Luyện Mô Hình: 45 phút đến vài giờ Tính Năng Chính: Phân tích dữ liệu tự động, kỹ thuật đặc trưng, huấn luyện mô hình tùy chỉnh, quản lý MLOps
- Tính Minh Bạch: Cung cấp các chỉ số hiệu suất, chi tiết huấn luyện và giải thích dự đoán
Cách Tiếp Cận Có Con Người Tham Gia
Có lẽ, cái nhìn sâu sắc thú vị nhất từ các cuộc thảo luận cộng đồng là cách Plexe định vị người dùng như những chuyên gia trong lĩnh vực hơn là những người tiêu dùng thụ động của công nghệ AI. Nền tảng khuyến khích sự tương tác thông qua các giao diện trò chuyện, nơi người dùng có thể cung cấp ngữ cảnh kinh doanh và trả lời các câu hỏi tiếp theo, điều này sau đó giúp các tác nhân AI đưa ra quyết định tốt hơn về xử lý dữ liệu và xây dựng mô hình. Cách tiếp cận có con người tham gia này thừa nhận rằng trong khi AI có thể tự động hóa các nhiệm vụ kỹ thuật, thì sự hiểu biết về kinh doanh vẫn là thế mạnh của con người. Thiết kế của nền tảng phản ánh triết lý này bằng cách có chủ kiến trong việc làm cho AI trở nên dễ tiếp cận với những người không chuyên nhưng vẫn tận dụng được kiến thức chuyên môn của họ.
Khi các nền tảng AI tiếp tục trưởng thành, cuộc thảo luận xung quanh Plexe làm nổi bật một sự tiến hóa quan trọng trong ngành: sự chuyển dịch từ các công cụ dành cho chuyên gia ML sang các giải pháp trao quyền cho chuyên gia trong từng lĩnh vực. Trong khi các thách thức kỹ thuật xung quanh chất lượng dữ liệu, tính minh bạch của mô hình và các hạn chế về tính năng vẫn còn đó, sự tham gia của cộng đồng cho thấy sự quan tâm mạnh mẽ đến các nền tảng có thể thu hẹp khoảng cách giữa nhu cầu kinh doanh và khả năng của AI. Cuộc đối thoại đang diễn ra giữa người dùng và nhà phát triển chứng minh cách thức kiểm tra trong thế giới thực đang định hình tương lai của các công cụ phát triển AI dễ tiếp cận.
Tham khảo: AI Data Scientist