Hiện nay, các mô hình lớn đã trở thành một chủ đề nóng trong thế giới kinh doanh từ các nghiên cứu tiên tiến trong học viện. Hiện tại, các gã khổng lồ công nghệ trong nước và các công ty khởi nghiệp mới nổi đang tích cực khám phá ứng dụng thương mại của mô hình lớn, cố gắng sử dụng nó để mang lại sự đổi mới và tăng trưởng cho các doanh nghiệp hiện có.
Sự "hành quân thần tốc" này được thể hiện ở hai khía cạnh: thứ nhất, mô hình lớn đang được tích hợp sâu với các hệ thống kinh doanh cốt lõi truyền thống như ERP, CRM, BI, tài chính, tiếp thị, vận hành và dịch vụ khách hàng để làm cho nó thông minh và tự động hóa hơn; Thứ hai, các mô hình lớn đã bắt đầu được sử dụng rộng rãi trong nhiều ngành công nghiệp như tài chính, sản xuất, bán lẻ, năng lượng và giải trí, thúc đẩy đổi mới và chuyển đổi ngành.
Theo thử nghiệm chế độ mạng của ChatGPT, Microsoft Bing, Baidu Wenxin Yiyan, Taobao Wenwen và các sản phẩm khác, tác giả nhận thấy rằng vẫn còn những vấn đề rõ ràng trong việc sử dụng thương mại các mô hình lớn.
Cụ thể, để đạt được hạ cánh thương mại, ba vấn đề này phải được giải quyết:
** Lắp ghép hệ thống**
Khi các mô hình lớn dần dần được tích hợp vào hoạt động kinh doanh hàng ngày, các chức năng của chúng đã vượt ra ngoài việc xử lý dữ liệu và tính toán đơn thuần. Loại mô hình thông minh mới này cần có khả năng tương tác với một loạt các hệ thống kinh doanh trong thời gian thực và đáp ứng nhiều nhu cầu kinh doanh khác nhau. Về lý thuyết, đây là chìa khóa cho giá trị thực của các mô hình lớn, nhưng trong thực tế, nó cũng là một thách thức kỹ thuật lớn.
Chúng ta cần nhận ra rằng mỗi hệ thống kinh doanh có nền tảng lịch sử và kiến trúc kỹ thuật độc đáo riêng, điều này mang lại cho nó một bản sắc độc đáo. Chúng tồn tại không phải ngẫu nhiên, mà được thiết kế và phát triển dựa trên bối cảnh cụ thể, nhu cầu kinh doanh và xu hướng công nghệ.
Ví dụ, hệ thống ERP ban đầu có thể được sinh ra trong thời đại tài nguyên máy tính hạn chế và mạng chưa trưởng thành, và khái niệm thiết kế, cấu trúc dữ liệu và đặc điểm chức năng của nó có liên quan chặt chẽ đến môi trường kỹ thuật và kinh doanh tại thời điểm đó. Chúng có thể dựa trên cơ sở dữ liệu quan hệ truyền thống và kiến trúc hướng dịch vụ thay vì microservices hoặc công nghệ container hiện đại.
Ngược lại, các nền tảng tự động hóa tiếp thị hiện đại đã phát triển trong kỷ nguyên điện toán đám mây và dữ liệu lớn, và chúng tự nhiên có khả năng xử lý dữ liệu mạnh mẽ, khả năng mở rộng động và giao diện API phong phú.
Sự khác biệt về công nghệ này về cơ bản quyết định hướng đi của chiến lược tích hợp giữa mô hình lớn và các hệ thống này. Cố gắng thống nhất tất cả các hệ thống theo một tiêu chuẩn duy nhất chắc chắn là không thực tế.
Do đó, chiến lược tích hợp với mô hình lớn phải đa dạng, và cần tính đến đặc điểm và nhu cầu của từng hệ thống. Cụ thể, đối với các hệ thống dựa trên các công nghệ cũ, có thể cần phải giới thiệu một số "bộ điều hợp" hoặc "lớp giữa" để chuyển đổi dữ liệu và logic nghiệp vụ để chúng có thể giao tiếp trơn tru với các mô hình lớn. Đối với các hệ thống đã áp dụng công nghệ hiện đại, việc tích hợp có thể đơn giản và đơn giản hơn, nhưng tính nhất quán và toàn vẹn dữ liệu vẫn cần được đảm bảo.
Ngoài ra, trong ứng dụng rộng rãi của công nghệ thông tin, các giao diện đóng vai trò là "cầu nối", chịu trách nhiệm truyền tải và truyền thông thông tin giữa các hệ thống khác nhau. Việc tiêu chuẩn hóa các giao diện đã được theo đuổi trong lĩnh vực CNTT trong một thời gian dài, nhưng do sự phát triển của công nghệ và sự tích lũy của lịch sử, sự đa dạng của các giao diện đã trở nên không thể tránh khỏi.
Sự đa dạng của các giao diện này đặt ra một thách thức nghiêm trọng đối với việc tích hợp các mô hình lớn và đằng sau mỗi tiêu chuẩn giao diện hoặc giao thức, có các cấu trúc dữ liệu cụ thể, phương thức gọi và cơ chế bảo mật. Để các mô hình lớn tương tác liền mạch với các hệ thống này, một bộ chuyển đổi được phát triển cho mỗi giao diện. Điều này có nghĩa là ngoài việc bảo trì mô hình lớn, các bộ điều hợp này cũng cần được cập nhật và tối ưu hóa thường xuyên để đối phó với sự lặp lại của hệ thống kinh doanh và thay đổi giao diện.
Làm thế nào để giải quyết những vấn đề này? Quản lý API và kiến trúc microservice là một lộ trình phát triển tốt, bằng cách áp dụng các công cụ quản lý API và kiến trúc microservice, doanh nghiệp có thể mô-đun hóa sự tương tác giữa các mô hình lớn và các hệ thống khác, làm cho chúng linh hoạt và có thể mở rộng hơn.
Ý tưởng cốt lõi của kiến trúc microservices là phân tách một hệ thống lớn, phức tạp thành nhiều dịch vụ nhỏ, độc lập chạy độc lập và tương tác thông qua các API được xác định rõ. Kiến trúc này mang lại lợi ích đáng kể cho việc tích hợp các mô hình lớn, làm cho sự tương tác giữa các bộ phận riêng lẻ và mô hình lớn linh hoạt hơn bằng cách chia chức năng của toàn bộ hệ thống thành nhiều microservice.
Mỗi microservice có thể được mở rộng, triển khai và duy trì độc lập mà không ảnh hưởng đến các dịch vụ khác. Đồng thời, các công cụ quản lý API cung cấp một nền tảng thống nhất để các nhà phát triển giao tiếp với từng microservice và mô hình lớn.
Truy cập dữ liệu
Trong kỷ nguyên dựa trên dữ liệu ngày nay, các mô hình lớn giống như một "trái tim" thông minh khổng lồ xử lý, phân tích và cung cấp các khuyến nghị và quyết định thông minh cho các hệ thống kinh doanh khác nhau. Các hệ thống kinh doanh này, từ CRM đến ERP, đến tài chính và tiếp thị, giống như các mạch máu và các cơ quan, đan xen với mô hình lớn và bổ sung cho nhau. Và máu chảy qua hệ thống này là dữ liệu.
Lý tưởng nhất là mọi giao dịch, mọi hành động của người dùng, mọi phản hồi của khách hàng, sẽ tạo ra dữ liệu. Những dữ liệu này được chuyển từ hệ thống nghiệp vụ sang mô hình lớn, phân tích và xử lý, sau đó được trả về hệ thống nghiệp vụ tương ứng để cung cấp cho người dùng các dịch vụ hoặc quyết định chính xác hơn.
Hãy xem một ví dụ.
Giả sử có một cô Wang, một người dùng trung thành của một nền tảng mua sắm trực tuyến nổi tiếng. Mỗi khi cô duyệt một sản phẩm, thêm một mặt hàng vào giỏ hàng hoặc mua hàng, bảng điều khiển sẽ âm thầm ghi lại dữ liệu hành vi này. Khi dữ liệu hành vi của cô Wang được truyền đến mô hình lớn trong thời gian thực, người mẫu sẽ ngay lập tức tiến hành phân tích chuyên sâu, kết hợp với lịch sử mua sắm và lịch sử duyệt web trong quá khứ của cô. Người mẫu lớn nhanh chóng nhận ra rằng cô Wang gần đây rất quan tâm đến trang phục nữ mùa hè và có thể cần một số phụ kiện để phù hợp với chiếc váy mới mua của cô.
Khi cô ấy sử dụng ứng dụng mô hình lớn của sàn thương mại điện tử này, cô ấy có thể tương tác với ứng dụng theo thời gian thực và yêu cầu người mẫu lớn giới thiệu một số sản phẩm. Tại thời điểm này, người mẫu lớn có thể giới thiệu một loạt giày, túi xách và thậm chí cả các phụ kiện mùa hè khác để phù hợp với trang phục mùa hè.
Giả sử cô ấy nhấp vào một trong những đôi giày được đề xuất, duyệt qua các chi tiết và cuối cùng quyết định mua chúng. Lần này, việc mua hàng cũng được ghi lại và dữ liệu được đưa đến mô hình lớn. Trong quá trình này, chúng ta có thể thấy tầm quan trọng của luồng dữ liệu thông suốt giữa mô hình lớn và hệ thống kinh doanh để cung cấp các dịch vụ và quyết định chính xác.
Tuy nhiên, trên đây chỉ là một tình huống lý tưởng, và trong thực tế có thể có rất nhiều vấn đề. Trước hết, đó là một bài toán khó để kết nối dữ liệu giữa các hệ thống kinh doanh khác nhau và các mô hình lớn.
Lấy Taobao Ask làm ví dụ, bây giờ Taobao Ask chưa được kết nối với hệ thống Taobao, Taobao Ask không biết sở thích của người dùng, nó giống như một hòn đảo thông tin được nhúng trong Taobao và nó không được tích hợp hữu cơ vào toàn bộ hệ thống dữ liệu Taobao. **
Hơn nữa, ngay cả khi dữ liệu được kết nối giữa mô hình lớn và hệ thống kinh doanh, do bối cảnh lịch sử, kiến trúc kỹ thuật và tiêu chuẩn dữ liệu của từng hệ thống doanh nghiệp khác nhau, rất có thể sẽ có "tắc nghẽn" hoặc "điểm rò rỉ" trong quá trình lưu hành dữ liệu. Điều này có thể dẫn đến không chỉ mất dữ liệu mà còn dẫn đến kết quả phân tích sai lệch cho các mô hình lớn.
Lấy các sàn thương mại điện tử làm ví dụ, khi người dùng duyệt sản phẩm và mua hàng, các dữ liệu hành vi này sẽ được truyền đến một mô hình lớn để phân tích nhằm đề xuất các sản phẩm phù hợp hơn với người dùng. Tuy nhiên, nếu dữ liệu bị mất trong quá trình truyền hoặc không khớp với định dạng dữ liệu của các hệ thống khác, mô hình lớn có thể không thể đề xuất chính xác các sản phẩm, điều này có thể ảnh hưởng đến trải nghiệm người dùng.
Dòng chảy dữ liệu giữa các mô hình lớn và các hệ thống kinh doanh khác nhau đặc biệt quan trọng, không chỉ vì sự gia tăng lượng dữ liệu, mà còn vì vai trò của dữ liệu trong việc mang lại giá trị cho doanh nghiệp đang thay đổi. Tuy nhiên, không dễ để đạt được luồng dữ liệu trung thực, mượt mà giữa mô hình lớn và các hệ thống khác nhau.
Chúng ta cần hiểu rằng luồng dữ liệu giữa mô hình lớn và hệ thống kinh doanh không phải là một quá trình di chuyển hoặc chuyển dữ liệu đơn giản, nó là một quá trình phức tạp, hai chiều và liên tục. Trong quá trình này, mỗi hệ thống kinh doanh có thể có sự tương tác thường xuyên với mô hình lớn và bản thân mô hình lớn không ngừng cập nhật, học hỏi và phát triển.
Có vô số thách thức kỹ thuật và kinh doanh đằng sau luồng dữ liệu này, chẳng hạn như thực tế là dữ liệu trong mô hình lớn có thể không phù hợp với dữ liệu trong hệ thống kinh doanh tại một thời điểm nhất định do tần suất và thời gian cập nhật khác nhau từ các hệ thống khác nhau. Hơn nữa, các hệ thống kinh doanh khác nhau có thể áp dụng các kiến trúc kỹ thuật, định dạng dữ liệu và tiêu chuẩn giao diện khác nhau, dẫn đến các chuyển đổi và điều chỉnh thường xuyên trong luồng dữ liệu.
Các vấn đề bảo mật và quyền riêng tư dữ liệu không thể bỏ qua, dữ liệu có thể phải chịu nhiều mối đe dọa khác nhau trong quá trình truyền tải, lưu trữ và xử lý, làm thế nào để đảm bảo tính toàn vẹn, bảo mật và không từ chối dữ liệu đã trở thành một vấn đề lớn mà các doanh nghiệp phải đối mặt. Đặc biệt là trong môi trường liên khu vực và liên mạng, việc truyền dữ liệu cũng có thể bị chậm trễ, điều này gây tử vong cho các hệ thống kinh doanh yêu cầu phản hồi thời gian thực.
Hội tụ kinh doanh
Các mô hình lớn đã dần thâm nhập vào các ngành và lĩnh vực khác nhau, trở thành một sự thúc đẩy quan trọng cho trí tuệ doanh nghiệp. Tuy nhiên, làm cho công nghệ thực sự mang lại giá trị cho doanh nghiệp không chỉ là vấn đề triển khai công nghệ, mà quan trọng hơn là sự tích hợp chặt chẽ giữa công nghệ và kinh doanh. Để đạt được điều này, mô hình lớn phải đi sâu vào các chi tiết kinh doanh, hiểu logic kinh doanh và được tích hợp đầy đủ vào toàn bộ hệ thống kinh doanh. **
Hãy tưởng tượng một công ty thương mại điện tử lớn đang tìm cách tối ưu hóa hệ thống đề xuất sản phẩm của mình với một mô hình lớn. Để làm được điều này, mô hình nhận ra lịch sử mua hàng của người dùng là chưa đủ, nó còn cần hiểu thói quen mua sắm, sở thích, sở thích, lịch sử tìm kiếm và nhiều chi tiết khác của người dùng. Hơn nữa, mô hình cần có khả năng hiểu các chiến lược kinh doanh như theo mùa, lễ hội và chương trình khuyến mãi để đảm bảo rằng nội dung được tạo ra thực sự có giá trị.
Điều này đặt ra một câu hỏi quan trọng: làm thế nào để bạn làm cho mô hình lớn hiểu và kết hợp các chi tiết kinh doanh này? Cụ thể, bạn có thể bắt đầu từ các khía cạnh sau:
**1. Việc chuyển giao kiến thức kinh doanh phá vỡ những hạn chế của dữ liệu. **
Dữ liệu chắc chắn là đầu vào cốt lõi cho một mô hình lớn, nhưng để đạt được sự hiểu biết kinh doanh thực sự, việc dựa vào dữ liệu là không đủ. Nhiều kiến thức kinh doanh là tiềm ẩn và không có cấu trúc, điều này gây khó khăn cho việc cung cấp thông qua các phương tiện dữ liệu truyền thống. Ví dụ, các giá trị cốt lõi của một công ty, mối quan hệ lâu dài với khách hàng và những thay đổi tinh tế trong ngành có thể không được phản ánh trực tiếp trong dữ liệu. Kiến thức như vậy, nếu bị bỏ qua, có thể khiến mô hình đưa ra quyết định đi chệch khỏi kịch bản kinh doanh thực tế.
Do đó, việc hợp tác chặt chẽ với các đơn vị kinh doanh là rất cần thiết. Các đơn vị kinh doanh có nhiều kinh nghiệm và hiểu biết sâu sắc về doanh nghiệp, và họ có thể cung cấp các chi tiết mà dữ liệu không thể bao gồm. Nó không chỉ là về kiến thức trong công ty, mà còn về những gì đang xảy ra với các đối tác, đối thủ cạnh tranh và thậm chí cả toàn ngành.
Một cách tiếp cận đáng xem xét là thiết lập một nhóm kiến thức kinh doanh cụ thể, có thể bao gồm các chuyên gia kinh doanh, nhà khoa học dữ liệu và kỹ sư mô hình, những người làm việc cùng nhau để đảm bảo rằng các mô hình lớn được đào tạo kinh doanh toàn diện và chuyên sâu.
**2. Thích ứng với logic kinh doanh phức tạp và phát triển tùy chỉnh các mô hình lớn. **
Sự đa dạng của các ngành công nghiệp đã dẫn đến sự phức tạp của logic kinh doanh và một mô hình lớn cho ngành tài chính khó có thể áp dụng trực tiếp cho ngành bán lẻ hoặc chăm sóc sức khỏe, vì các ngành này có các quy tắc và logic kinh doanh độc đáo của riêng họ, đòi hỏi mức độ tùy biến cao trong thiết kế và phát triển mô hình lớn.
Kiến trúc, tham số và thậm chí cả thuật toán của một mô hình lớn có thể cần được điều chỉnh cho các dịch vụ cụ thể. Ví dụ, một số ngành công nghiệp có thể nhấn mạnh hơn vào hiệu suất thời gian thực, trong khi những ngành khác có thể nhấn mạnh hơn vào các chiến lược dài hạn, điều này có thể dẫn đến các mô hình cần phải đánh đổi giữa tốc độ tính toán và phân tích chuyên sâu.
Thích ứng với những thay đổi kinh doanh, tính linh hoạt và khả năng lặp lại của các mô hình lớn. **
Kinh doanh không tĩnh, nó thay đổi theo thời gian, thị trường và công nghệ. Khi logic và quy tắc kinh doanh thay đổi, mô hình lớn cần được điều chỉnh cho phù hợp.
Điều này không chỉ đòi hỏi sự linh hoạt trong thiết kế của mô hình, mà còn có khả năng lặp lại và tối ưu hóa nhanh chóng ở giai đoạn sau. Đào tạo mô hình liên tục, phản hồi kinh doanh theo thời gian thực và khả năng học tập trực tuyến của mô hình đều là chìa khóa để đảm bảo rằng mô hình lớn được đồng bộ hóa với doanh nghiệp.
Trong tương lai, chúng tôi dự đoán rằng mô hình lớn sẽ được tích hợp hơn nữa vào doanh nghiệp, không còn chỉ là một công cụ để xử lý và phân tích dữ liệu, mà sẽ trở thành động lực cốt lõi của toàn bộ quy trình kinh doanh. Nó không chỉ là về những tiến bộ công nghệ, đó là về sự chuyển đổi hoàn toàn các mô hình kinh doanh, cơ cấu tổ chức và cách làm việc.
Tuy nhiên, sự chuyển đổi như vậy không xảy ra trong một sớm một chiều và đòi hỏi nỗ lực kết hợp và sự hợp tác của các nhà lãnh đạo doanh nghiệp, nhóm kinh doanh và nhóm kỹ thuật. Cần không ngừng học hỏi, thử nghiệm và tối ưu hóa để đảm bảo rằng các mô hình lớn thực sự có thể mang lại giá trị cho doanh nghiệp. Trong quá trình đó, có thể có những thách thức và khó khăn, nhưng chính những kinh nghiệm này sẽ xây dựng những kiến thức và năng lực quý giá cho doanh nghiệp để giúp họ nổi bật so với đối thủ.
Xem bản gốc
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
Nếu ba vấn đề này không được giải quyết, việc hạ cánh thương mại của các mô hình lớn là một từ trống rỗng!
Nguồn bài viết: Data Ape
Tác giả: Một cơn mưa khói và mưa
Hiện nay, các mô hình lớn đã trở thành một chủ đề nóng trong thế giới kinh doanh từ các nghiên cứu tiên tiến trong học viện. Hiện tại, các gã khổng lồ công nghệ trong nước và các công ty khởi nghiệp mới nổi đang tích cực khám phá ứng dụng thương mại của mô hình lớn, cố gắng sử dụng nó để mang lại sự đổi mới và tăng trưởng cho các doanh nghiệp hiện có.
Sự "hành quân thần tốc" này được thể hiện ở hai khía cạnh: thứ nhất, mô hình lớn đang được tích hợp sâu với các hệ thống kinh doanh cốt lõi truyền thống như ERP, CRM, BI, tài chính, tiếp thị, vận hành và dịch vụ khách hàng để làm cho nó thông minh và tự động hóa hơn; Thứ hai, các mô hình lớn đã bắt đầu được sử dụng rộng rãi trong nhiều ngành công nghiệp như tài chính, sản xuất, bán lẻ, năng lượng và giải trí, thúc đẩy đổi mới và chuyển đổi ngành.
Theo thử nghiệm chế độ mạng của ChatGPT, Microsoft Bing, Baidu Wenxin Yiyan, Taobao Wenwen và các sản phẩm khác, tác giả nhận thấy rằng vẫn còn những vấn đề rõ ràng trong việc sử dụng thương mại các mô hình lớn.
Cụ thể, để đạt được hạ cánh thương mại, ba vấn đề này phải được giải quyết:
** Lắp ghép hệ thống**
Khi các mô hình lớn dần dần được tích hợp vào hoạt động kinh doanh hàng ngày, các chức năng của chúng đã vượt ra ngoài việc xử lý dữ liệu và tính toán đơn thuần. Loại mô hình thông minh mới này cần có khả năng tương tác với một loạt các hệ thống kinh doanh trong thời gian thực và đáp ứng nhiều nhu cầu kinh doanh khác nhau. Về lý thuyết, đây là chìa khóa cho giá trị thực của các mô hình lớn, nhưng trong thực tế, nó cũng là một thách thức kỹ thuật lớn.
Ví dụ, hệ thống ERP ban đầu có thể được sinh ra trong thời đại tài nguyên máy tính hạn chế và mạng chưa trưởng thành, và khái niệm thiết kế, cấu trúc dữ liệu và đặc điểm chức năng của nó có liên quan chặt chẽ đến môi trường kỹ thuật và kinh doanh tại thời điểm đó. Chúng có thể dựa trên cơ sở dữ liệu quan hệ truyền thống và kiến trúc hướng dịch vụ thay vì microservices hoặc công nghệ container hiện đại.
Ngược lại, các nền tảng tự động hóa tiếp thị hiện đại đã phát triển trong kỷ nguyên điện toán đám mây và dữ liệu lớn, và chúng tự nhiên có khả năng xử lý dữ liệu mạnh mẽ, khả năng mở rộng động và giao diện API phong phú.
Sự khác biệt về công nghệ này về cơ bản quyết định hướng đi của chiến lược tích hợp giữa mô hình lớn và các hệ thống này. Cố gắng thống nhất tất cả các hệ thống theo một tiêu chuẩn duy nhất chắc chắn là không thực tế.
Do đó, chiến lược tích hợp với mô hình lớn phải đa dạng, và cần tính đến đặc điểm và nhu cầu của từng hệ thống. Cụ thể, đối với các hệ thống dựa trên các công nghệ cũ, có thể cần phải giới thiệu một số "bộ điều hợp" hoặc "lớp giữa" để chuyển đổi dữ liệu và logic nghiệp vụ để chúng có thể giao tiếp trơn tru với các mô hình lớn. Đối với các hệ thống đã áp dụng công nghệ hiện đại, việc tích hợp có thể đơn giản và đơn giản hơn, nhưng tính nhất quán và toàn vẹn dữ liệu vẫn cần được đảm bảo.
Ngoài ra, trong ứng dụng rộng rãi của công nghệ thông tin, các giao diện đóng vai trò là "cầu nối", chịu trách nhiệm truyền tải và truyền thông thông tin giữa các hệ thống khác nhau. Việc tiêu chuẩn hóa các giao diện đã được theo đuổi trong lĩnh vực CNTT trong một thời gian dài, nhưng do sự phát triển của công nghệ và sự tích lũy của lịch sử, sự đa dạng của các giao diện đã trở nên không thể tránh khỏi.
Sự đa dạng của các giao diện này đặt ra một thách thức nghiêm trọng đối với việc tích hợp các mô hình lớn và đằng sau mỗi tiêu chuẩn giao diện hoặc giao thức, có các cấu trúc dữ liệu cụ thể, phương thức gọi và cơ chế bảo mật. Để các mô hình lớn tương tác liền mạch với các hệ thống này, một bộ chuyển đổi được phát triển cho mỗi giao diện. Điều này có nghĩa là ngoài việc bảo trì mô hình lớn, các bộ điều hợp này cũng cần được cập nhật và tối ưu hóa thường xuyên để đối phó với sự lặp lại của hệ thống kinh doanh và thay đổi giao diện.
Làm thế nào để giải quyết những vấn đề này? Quản lý API và kiến trúc microservice là một lộ trình phát triển tốt, bằng cách áp dụng các công cụ quản lý API và kiến trúc microservice, doanh nghiệp có thể mô-đun hóa sự tương tác giữa các mô hình lớn và các hệ thống khác, làm cho chúng linh hoạt và có thể mở rộng hơn.
Ý tưởng cốt lõi của kiến trúc microservices là phân tách một hệ thống lớn, phức tạp thành nhiều dịch vụ nhỏ, độc lập chạy độc lập và tương tác thông qua các API được xác định rõ. Kiến trúc này mang lại lợi ích đáng kể cho việc tích hợp các mô hình lớn, làm cho sự tương tác giữa các bộ phận riêng lẻ và mô hình lớn linh hoạt hơn bằng cách chia chức năng của toàn bộ hệ thống thành nhiều microservice.
Mỗi microservice có thể được mở rộng, triển khai và duy trì độc lập mà không ảnh hưởng đến các dịch vụ khác. Đồng thời, các công cụ quản lý API cung cấp một nền tảng thống nhất để các nhà phát triển giao tiếp với từng microservice và mô hình lớn.
Truy cập dữ liệu
Trong kỷ nguyên dựa trên dữ liệu ngày nay, các mô hình lớn giống như một "trái tim" thông minh khổng lồ xử lý, phân tích và cung cấp các khuyến nghị và quyết định thông minh cho các hệ thống kinh doanh khác nhau. Các hệ thống kinh doanh này, từ CRM đến ERP, đến tài chính và tiếp thị, giống như các mạch máu và các cơ quan, đan xen với mô hình lớn và bổ sung cho nhau. Và máu chảy qua hệ thống này là dữ liệu.
Hãy xem một ví dụ.
Giả sử có một cô Wang, một người dùng trung thành của một nền tảng mua sắm trực tuyến nổi tiếng. Mỗi khi cô duyệt một sản phẩm, thêm một mặt hàng vào giỏ hàng hoặc mua hàng, bảng điều khiển sẽ âm thầm ghi lại dữ liệu hành vi này. Khi dữ liệu hành vi của cô Wang được truyền đến mô hình lớn trong thời gian thực, người mẫu sẽ ngay lập tức tiến hành phân tích chuyên sâu, kết hợp với lịch sử mua sắm và lịch sử duyệt web trong quá khứ của cô. Người mẫu lớn nhanh chóng nhận ra rằng cô Wang gần đây rất quan tâm đến trang phục nữ mùa hè và có thể cần một số phụ kiện để phù hợp với chiếc váy mới mua của cô.
Khi cô ấy sử dụng ứng dụng mô hình lớn của sàn thương mại điện tử này, cô ấy có thể tương tác với ứng dụng theo thời gian thực và yêu cầu người mẫu lớn giới thiệu một số sản phẩm. Tại thời điểm này, người mẫu lớn có thể giới thiệu một loạt giày, túi xách và thậm chí cả các phụ kiện mùa hè khác để phù hợp với trang phục mùa hè.
Giả sử cô ấy nhấp vào một trong những đôi giày được đề xuất, duyệt qua các chi tiết và cuối cùng quyết định mua chúng. Lần này, việc mua hàng cũng được ghi lại và dữ liệu được đưa đến mô hình lớn. Trong quá trình này, chúng ta có thể thấy tầm quan trọng của luồng dữ liệu thông suốt giữa mô hình lớn và hệ thống kinh doanh để cung cấp các dịch vụ và quyết định chính xác.
Tuy nhiên, trên đây chỉ là một tình huống lý tưởng, và trong thực tế có thể có rất nhiều vấn đề. Trước hết, đó là một bài toán khó để kết nối dữ liệu giữa các hệ thống kinh doanh khác nhau và các mô hình lớn.
Lấy Taobao Ask làm ví dụ, bây giờ Taobao Ask chưa được kết nối với hệ thống Taobao, Taobao Ask không biết sở thích của người dùng, nó giống như một hòn đảo thông tin được nhúng trong Taobao và nó không được tích hợp hữu cơ vào toàn bộ hệ thống dữ liệu Taobao. **
Hơn nữa, ngay cả khi dữ liệu được kết nối giữa mô hình lớn và hệ thống kinh doanh, do bối cảnh lịch sử, kiến trúc kỹ thuật và tiêu chuẩn dữ liệu của từng hệ thống doanh nghiệp khác nhau, rất có thể sẽ có "tắc nghẽn" hoặc "điểm rò rỉ" trong quá trình lưu hành dữ liệu. Điều này có thể dẫn đến không chỉ mất dữ liệu mà còn dẫn đến kết quả phân tích sai lệch cho các mô hình lớn.
Lấy các sàn thương mại điện tử làm ví dụ, khi người dùng duyệt sản phẩm và mua hàng, các dữ liệu hành vi này sẽ được truyền đến một mô hình lớn để phân tích nhằm đề xuất các sản phẩm phù hợp hơn với người dùng. Tuy nhiên, nếu dữ liệu bị mất trong quá trình truyền hoặc không khớp với định dạng dữ liệu của các hệ thống khác, mô hình lớn có thể không thể đề xuất chính xác các sản phẩm, điều này có thể ảnh hưởng đến trải nghiệm người dùng.
Dòng chảy dữ liệu giữa các mô hình lớn và các hệ thống kinh doanh khác nhau đặc biệt quan trọng, không chỉ vì sự gia tăng lượng dữ liệu, mà còn vì vai trò của dữ liệu trong việc mang lại giá trị cho doanh nghiệp đang thay đổi. Tuy nhiên, không dễ để đạt được luồng dữ liệu trung thực, mượt mà giữa mô hình lớn và các hệ thống khác nhau.
Chúng ta cần hiểu rằng luồng dữ liệu giữa mô hình lớn và hệ thống kinh doanh không phải là một quá trình di chuyển hoặc chuyển dữ liệu đơn giản, nó là một quá trình phức tạp, hai chiều và liên tục. Trong quá trình này, mỗi hệ thống kinh doanh có thể có sự tương tác thường xuyên với mô hình lớn và bản thân mô hình lớn không ngừng cập nhật, học hỏi và phát triển.
Có vô số thách thức kỹ thuật và kinh doanh đằng sau luồng dữ liệu này, chẳng hạn như thực tế là dữ liệu trong mô hình lớn có thể không phù hợp với dữ liệu trong hệ thống kinh doanh tại một thời điểm nhất định do tần suất và thời gian cập nhật khác nhau từ các hệ thống khác nhau. Hơn nữa, các hệ thống kinh doanh khác nhau có thể áp dụng các kiến trúc kỹ thuật, định dạng dữ liệu và tiêu chuẩn giao diện khác nhau, dẫn đến các chuyển đổi và điều chỉnh thường xuyên trong luồng dữ liệu.
Các vấn đề bảo mật và quyền riêng tư dữ liệu không thể bỏ qua, dữ liệu có thể phải chịu nhiều mối đe dọa khác nhau trong quá trình truyền tải, lưu trữ và xử lý, làm thế nào để đảm bảo tính toàn vẹn, bảo mật và không từ chối dữ liệu đã trở thành một vấn đề lớn mà các doanh nghiệp phải đối mặt. Đặc biệt là trong môi trường liên khu vực và liên mạng, việc truyền dữ liệu cũng có thể bị chậm trễ, điều này gây tử vong cho các hệ thống kinh doanh yêu cầu phản hồi thời gian thực.
Hội tụ kinh doanh
Các mô hình lớn đã dần thâm nhập vào các ngành và lĩnh vực khác nhau, trở thành một sự thúc đẩy quan trọng cho trí tuệ doanh nghiệp. Tuy nhiên, làm cho công nghệ thực sự mang lại giá trị cho doanh nghiệp không chỉ là vấn đề triển khai công nghệ, mà quan trọng hơn là sự tích hợp chặt chẽ giữa công nghệ và kinh doanh. Để đạt được điều này, mô hình lớn phải đi sâu vào các chi tiết kinh doanh, hiểu logic kinh doanh và được tích hợp đầy đủ vào toàn bộ hệ thống kinh doanh. **
Điều này đặt ra một câu hỏi quan trọng: làm thế nào để bạn làm cho mô hình lớn hiểu và kết hợp các chi tiết kinh doanh này? Cụ thể, bạn có thể bắt đầu từ các khía cạnh sau:
**1. Việc chuyển giao kiến thức kinh doanh phá vỡ những hạn chế của dữ liệu. **
Dữ liệu chắc chắn là đầu vào cốt lõi cho một mô hình lớn, nhưng để đạt được sự hiểu biết kinh doanh thực sự, việc dựa vào dữ liệu là không đủ. Nhiều kiến thức kinh doanh là tiềm ẩn và không có cấu trúc, điều này gây khó khăn cho việc cung cấp thông qua các phương tiện dữ liệu truyền thống. Ví dụ, các giá trị cốt lõi của một công ty, mối quan hệ lâu dài với khách hàng và những thay đổi tinh tế trong ngành có thể không được phản ánh trực tiếp trong dữ liệu. Kiến thức như vậy, nếu bị bỏ qua, có thể khiến mô hình đưa ra quyết định đi chệch khỏi kịch bản kinh doanh thực tế.
Do đó, việc hợp tác chặt chẽ với các đơn vị kinh doanh là rất cần thiết. Các đơn vị kinh doanh có nhiều kinh nghiệm và hiểu biết sâu sắc về doanh nghiệp, và họ có thể cung cấp các chi tiết mà dữ liệu không thể bao gồm. Nó không chỉ là về kiến thức trong công ty, mà còn về những gì đang xảy ra với các đối tác, đối thủ cạnh tranh và thậm chí cả toàn ngành.
Một cách tiếp cận đáng xem xét là thiết lập một nhóm kiến thức kinh doanh cụ thể, có thể bao gồm các chuyên gia kinh doanh, nhà khoa học dữ liệu và kỹ sư mô hình, những người làm việc cùng nhau để đảm bảo rằng các mô hình lớn được đào tạo kinh doanh toàn diện và chuyên sâu.
**2. Thích ứng với logic kinh doanh phức tạp và phát triển tùy chỉnh các mô hình lớn. **
Sự đa dạng của các ngành công nghiệp đã dẫn đến sự phức tạp của logic kinh doanh và một mô hình lớn cho ngành tài chính khó có thể áp dụng trực tiếp cho ngành bán lẻ hoặc chăm sóc sức khỏe, vì các ngành này có các quy tắc và logic kinh doanh độc đáo của riêng họ, đòi hỏi mức độ tùy biến cao trong thiết kế và phát triển mô hình lớn.
Kiến trúc, tham số và thậm chí cả thuật toán của một mô hình lớn có thể cần được điều chỉnh cho các dịch vụ cụ thể. Ví dụ, một số ngành công nghiệp có thể nhấn mạnh hơn vào hiệu suất thời gian thực, trong khi những ngành khác có thể nhấn mạnh hơn vào các chiến lược dài hạn, điều này có thể dẫn đến các mô hình cần phải đánh đổi giữa tốc độ tính toán và phân tích chuyên sâu.
Kinh doanh không tĩnh, nó thay đổi theo thời gian, thị trường và công nghệ. Khi logic và quy tắc kinh doanh thay đổi, mô hình lớn cần được điều chỉnh cho phù hợp.
Điều này không chỉ đòi hỏi sự linh hoạt trong thiết kế của mô hình, mà còn có khả năng lặp lại và tối ưu hóa nhanh chóng ở giai đoạn sau. Đào tạo mô hình liên tục, phản hồi kinh doanh theo thời gian thực và khả năng học tập trực tuyến của mô hình đều là chìa khóa để đảm bảo rằng mô hình lớn được đồng bộ hóa với doanh nghiệp.
Trong tương lai, chúng tôi dự đoán rằng mô hình lớn sẽ được tích hợp hơn nữa vào doanh nghiệp, không còn chỉ là một công cụ để xử lý và phân tích dữ liệu, mà sẽ trở thành động lực cốt lõi của toàn bộ quy trình kinh doanh. Nó không chỉ là về những tiến bộ công nghệ, đó là về sự chuyển đổi hoàn toàn các mô hình kinh doanh, cơ cấu tổ chức và cách làm việc.
Tuy nhiên, sự chuyển đổi như vậy không xảy ra trong một sớm một chiều và đòi hỏi nỗ lực kết hợp và sự hợp tác của các nhà lãnh đạo doanh nghiệp, nhóm kinh doanh và nhóm kỹ thuật. Cần không ngừng học hỏi, thử nghiệm và tối ưu hóa để đảm bảo rằng các mô hình lớn thực sự có thể mang lại giá trị cho doanh nghiệp. Trong quá trình đó, có thể có những thách thức và khó khăn, nhưng chính những kinh nghiệm này sẽ xây dựng những kiến thức và năng lực quý giá cho doanh nghiệp để giúp họ nổi bật so với đối thủ.