Gần đây, có nhiều người nói về AI như một làn sóng xu hướng, như thể nó là một cơ hội ngắn hạn mà ai bắt kịp thì thành công, ai chậm chân thì sẽ bị bỏ lại phía sau. Nhưng nếu nhìn sâu hơn, AI không phải là một thời thế – một cơ hội thoáng qua để tận dụng rồi biến mất, mà là một thời đại – một sự chuyển dịch không thể đảo ngược của cách con người làm việc, sáng tạo và vận hành thế giới.
Từ góc nhìn của Py, AI giống như điện khí hóa, internet, hay cách mạng công nghiệp – một bước chuyển đổi mang tính nền tảng. Nó không chỉ thay đổi một ngành nghề cụ thể mà thâm nhập vào mọi khía cạnh của cuộc sống. Từ sáng tạo nội dung, chăm sóc khách hàng, y học cho đến giáo dục, AI không còn là một tiện ích đơn lẻ mà đã trở thành một tầng cơ sở mới của công nghệ.
Trong bối cảnh này, nếu có một điều mà Product Owner (PO) ngày nay cần học, thì đó chính là cách làm việc với AI. PO không cần phải trở thành kỹ sư AI, nhưng cần phải biết AI có thể làm gì cho mình. Cũng có thể nói, bộ đồ nghề của PO ở thời đại này ít nhiều cần thêm vài món liên quan đến AI, trong đó có:
- Hiểu đúng về các khái niệm cơ bản và “cách” các loại AI đang vận hành, vì những yếu tố này sẽ quyết định khả năng AI có thể trở thành một trong các giải pháp đáng được cân nhắc hay không. Dưới đây là tổng hợp một số nguồn uy tín mà Py đã tham khảo:
- Biết cách thực hành Prompt Engineering – cách giao tiếp với AI. Framework Py thường dùng là AUTOMAT, có thể hiểu như một sườn prompt mẫu:
- Audience – Đối tượng là ai?
- User Intention – Người dùng mong muốn điều gì?
- Task – AI cần thực hiện nhiệm vụ gì?
- Outcome – Kết quả mong đợi là gì?
- Modality – Định dạng phản hồi (văn bản, hình ảnh…)
- Assumptions – Những thông tin nền tảng nào AI nên biết?
- Tone – Giọng điệu mong muốn của phản hồi.
Và quan trọng nhất, cần gia tăng số lượng “bài tập” dùng AI để giải. Đơn giản như là “Viết user story, test case” hay phức tạp hơn là “đọc vị” sản phẩm hiện tại thật kỹ, để tìm cơ hội cải tiến cho sản phẩm, và cân nhắc xem AI có thể trở thành hướng đi phù hợp không.
Py cũng tìm hiểu thêm một số framework mang tính chất E2E hơn một chút về việc ứng dụng AI, đặc biệt là GenAI nhưng tạm thời cũng chưa thật sự có “mẫu” nào hoàn toàn ưng ý, trước mắt, Py đang thực hành theo framework này:
- Problem Definition: Xác định rõ vấn đề, đặt vào bối cảnh kinh doanh, làm rõ phạm vi, tác động và mục tiêu của giải pháp GenAI. Một vấn đề được định nghĩa tốt sẽ giúp AI giải quyết đúng trọng tâm.
- Data Preparation: AI chỉ thông minh khi dữ liệu đủ sạch. Giai đoạn này gồm thu thập, làm sạch, xử lý dữ liệu bị thiếu và chuyển đổi sang định dạng phù hợp. Không có dữ liệu chất lượng, AI cũng chỉ cho ra kết quả nhiễu.
- Development: Huấn luyện mô hình với dữ liệu, kiểm tra kết quả, điều chỉnh tham số. Đây là quá trình lặp lại nhiều lần để tối ưu hiệu suất AI.
- Evaluation: Kiểm tra mô hình trên dữ liệu mới, đánh giá độ chính xác. Nếu chưa đạt kỳ vọng, cần tinh chỉnh hoặc bổ sung dữ liệu.
- Deployment: Triển khai mô hình vào sản phẩm: tích hợp API, xây dựng hệ thống gợi ý, hoặc phân tích dữ liệu để hỗ trợ ra quyết định.
- Monitoring & Improvement: Theo dõi hiệu suất AI, đo lường phản hồi từ người dùng, cập nhật mô hình liên tục để đảm bảo AI ngày càng thông minh và hữu ích
Trong process này, PO phát huy vai trò rõ nhất ở bước đầu (định nghĩa bài toán), giữa (đánh giá hiệu suất) và sau (cải tiến liên tục) — đảm bảo AI không chỉ là cải tiến về kỹ thuật mà còn mang lại giá trị thực sự cho người dùng.
Ứng Dụng Generative AI Life Cycle vào Xsy-peasy
Bước 1: Xác Định Vấn Đề
Trước khi có AI, Xsy-peasy gặp các vấn đề sau:
- Người dùng gặp khó khăn trong việc tìm kiếm workshop phù hợp.
- Các đề xuất chưa cá nhân hóa, thiếu sự chính xác.
- Quy trình tìm kiếm còn thủ công, mất nhiều thời gian.
Mục tiêu của AI là giúp người dùng tìm kiếm workshop nhanh hơn, chính xác hơn và nâng cao trải nghiệm cá nhân hóa.
Bước 2: Chuẩn Bị Dữ Liệu
- Thu thập dữ liệu từ lịch sử tham gia, review của người dùng.
- Làm sạch, xử lý giá trị bị thiếu và chuyển đổi dữ liệu sang định dạng phù hợp với mô hình AI.
- Dù không hào nhoáng, nhưng đây là bước quan trọng nhất vì dữ liệu sạch là yếu tố quyết định hiệu suất AI.
Bước 3: Phát Triển Mô Hình AI
- Huấn luyện AI trên bộ dữ liệu đã chuẩn bị.
- Quá trình này mang tính thử nghiệm liên tục: kiểm tra kết quả, tinh chỉnh tham số, thậm chí quay lại bước xử lý dữ liệu nếu cần.
Bước 4: Đánh Giá Hiệu Suất
- Chạy thử nghiệm trên dữ liệu mới chưa từng gặp.
- Nếu AI chưa đạt chất lượng mong muốn, cần điều chỉnh lại tham số hoặc kiến trúc mô hình.
- Có thể cần thu thập thêm dữ liệu để cải thiện độ chính xác.
Bước 5: Triển Khai
- Tích hợp mô hình AI vào hệ thống Xsy-peasy.
- AI có thể hoạt động như một API hoặc trở thành một tính năng gợi ý thông minh trên ứng dụng.
- Nếu không triển khai theo thời gian thực, AI có thể hỗ trợ phân tích dữ liệu và đưa ra báo cáo đề xuất cho đội ngũ sản phẩm.
Bước 6: Giám Sát & Cải Tiến Liên Tục
- Theo dõi hiệu suất AI, độ chính xác của đề xuất và mức độ hài lòng của người dùng.
- Cập nhật mô hình dựa trên phản hồi thực tế và điều chỉnh khi nhu cầu người dùng thay đổi.
Dưới đây là hai nguồn tài liệu “must-try” khác:
Cám ơn bạn đã nán lại cho đến những dòng cuối cùng này.
Chúc bạn nhiều may mắn và bình an.
Anpy