Data-Centric AI, Bình Dân Hóa Trí Tuệ Nhân Tạo Và Cơ Hội Bứt Phá Cho Các Doanh Nghiệp Vừa Và Nhỏ

1. Bối Cảnh Và Tổng Quan Cuộc Trò Chuyện

Giáo sư Andrew Ng (Ngô Ân Đạt) là một trong những gương mặt có ảnh hưởng lớn nhất và đặt nền móng cho sự phát triển của AI hiện đại. Ông từng là người sáng lập dự án Google Brain, cựu Trưởng nhóm Khoa học tại Baidu, Giáo sư thỉnh giảng tại Đại học Stanford, đồng thời là nhà sáng lập của Coursera, DeepLearning.AI và quỹ đầu tư AI Fund.

Trong khi phần lớn truyền thông Thung lũng Silicon bị cuốn vào cuộc đua siêu máy tính và các mô hình ranh giới (Frontier Models) tiêu tốn hàng tỷ USD của Big Tech, Andrew Ng lại chọn một góc nhìn thực tế và có tính ứng dụng rộng rãi hơn: Làm thế nào để 99% các doanh nghiệp còn lại trong nền kinh tế — từ sản xuất, bán lẻ, y tế cho đến nông nghiệp — có thể ứng dụng AI một cách hiệu quả và tiết kiệm?

Cuộc phỏng vấn này tập trung vào triết lý Data-Centric AI (AI lấy dữ liệu làm trung tâm) và lộ trình giúp các doanh nghiệp vừa và nhỏ (SMEs) tạo ra giá trị kinh tế thực sự từ AI.

2. Chi Tiết Nội Dung Phỏng Vấn

Phóng viên (PV): Xin chào Giáo sư Andrew Ng. Ông là người đi đầu trong việc thúc đẩy triết lý “Data-Centric AI”. Xin ông giải thích rõ sự khác biệt giữa tư duy Model-Centric truyền thống và Data-Centric AI là gì?

Prof. Andrew Ng:

Trong suốt một thập kỷ qua, cộng đồng nghiên cứu AI chủ yếu vận hành theo tư duy Model-Centric (Lấy mô hình làm trung tâm). Với phương pháp này, chúng ta giữ nguyên tập dữ liệu (dù nó có nhiều nhiễu hay lỗi nhãn) và cố gắng cải tiến kiến trúc thuật toán — viết lại mã nguồn, thêm tầng mạng nơ-ron, hoặc điều chỉnh các siêu tham số (hyperparameters) để mô hình đạt kết quả tốt hơn.

Tuy nhiên, thực tế triển khai trong công nghiệp cho thấy cách làm này đã chạm mốc giới hạn về mặt hiệu quả. Data-Centric AI (Lấy dữ liệu làm trung tâm) đảo ngược lại quy trình đó: Chúng ta giữ nguyên kiến trúc mô hình và tập trung năng lượng vào việc nâng cao chất lượng của tập dữ liệu.

+-----------------------------------------------------------------------+
|                    SO SÁNH HAI PHƯƠNG PHÁP CẢI TIẾN                   |
|                                                                       |
|  MODEL-CENTRIC APPROACH (Cũ):                                         |
|  [Dữ liệu Nhiễu / Cố định] ---> [Liên tục sửa Code / Mô hình]         |
|                                                                       |
|  DATA-CENTRIC APPROACH (Mới):                                         |
|  [Mô hình Chuẩn / Cố định]  ---> [Liên tục Làm sạch & Tối ưu Dữ liệu] |
|                                 (Sửa nhãn sai, thêm ví dụ ranh giới)  |
+-----------------------------------------------------------------------+

Hãy lấy một ví dụ thực tế trong kiểm tra chất lượng sản phẩm (Visual Inspection) tại một nhà máy sản xuất linh kiện. Nếu tập dữ liệu huấn luyện chỉ có 100 hình ảnh vết nứt, và gán nhãn bị bất nhất (kỹ sư A gắn nhãn vết nứt dài 1cm là “Lỗi”, nhưng kỹ sư B lại bỏ qua):

Theo cách Model-Centric: Kỹ sư AI sẽ mất hàng tháng trời thử nghiệm hàng chục kiến trúc ResNet, YOLO hay ViT khác nhau nhưng độ chính xác vẫn dậm chân tại chỗ.
Theo cách Data-Centric: Chúng ta chuẩn hóa quy tắc gán nhãn, sửa lại các tấm ảnh bị gán nhãn sai và bổ sung một vài hình ảnh mẫu chuẩn xác. Kết quả là độ chính xác của hệ thống có thể tăng từ $70\%$ lên $90\%$ chỉ trong vài giờ mà không cần thay đổi một dòng code thuật toán nào.

Dữ liệu tốt (Good Data) quan trọng hơn nhiều so với Dữ liệu lớn (Big Data). Dữ liệu tốt là dữ liệu sạch, không bị mâu thuẫn nhãn, bao quát được các trường hợp đặc biệt (edge cases) và có mật độ thông tin cao.

PV: Hiện nay các tập đoàn Big Tech đang chiếm ưu thế tuyệt đối về hạ tầng tính toán và ngân sách R&D. Liệu các doanh nghiệp vừa và nhỏ (SMEs) có cơ hội cạnh tranh hoặc ứng dụng AI thành công hay không, thưa Giáo sư?

Prof. Andrew Ng:

Tôi tin tưởng mạnh mẽ rằng làn sóng giá trị tiếp theo của AI sẽ không nằm ở Thung lũng Silicon, mà nằm ở hàng triệu doanh nghiệp truyền thống ngoài ngành công nghệ.

Big Tech rất giỏi trong việc xây dựng các mô hình phục vụ hàng tỷ người dùng với cùng một bài toán (như tìm kiếm thông tin, đề xuất video hay quảng cáo trực tuyến). Tuy nhiên, nền kinh tế toàn cầu có hàng triệu bài toán nhỏ lẻ mang tính đặc thù cao (Long-tail problem) mà Big Tech không thể và không muốn giải quyết.

Ví dụ: Một xưởng chế biến thực phẩm địa phương cần AI phát hiện quả rơm bị dập; một phòng khám nha khoa cần AI phân tích phim X-quang răng; hoặc một chuỗi cửa hàng thời trang nhỏ cần dự báo lượng tồn kho theo thời tiết vùng miền.

Đây chính là cơ hội vàng cho các SMEs. Họ sở hữu thứ mà Big Tech không có: Dữ liệu chuyên ngành sâu (Domain Specific Data) và sự thấu hiểu quy trình vận hành thực tế. Nhờ sự trỗi dậy của các mô hình nền tảng (Foundation Models) như LLM hay Vision-Language Models, các SMEs không cần phải xây dựng AI từ đầu. Họ chỉ cần lấy các mô hình có sẵn, kết nối với dữ liệu sạch của riêng mình thông qua RAG hoặc Fine-tuning nhẹ là đã có thể tạo ra giải pháp AI chuyên biệt có giá trị thương mại cao.

PV: Một rào cản lớn của các SMEs là họ không có ngân sách tuyển dụng các kỹ sư AI đắt đỏ. Lộ trình nào giúp họ vượt qua bài toán này?

Prof. Andrew Ng:

Chúng ta đang bước vào kỷ nguyên Bình dân hóa AI (Democratization of AI). Cách đây 15 năm, nếu muốn xây dựng một website, bạn phải thuê lập trình viên viết từng dòng mã HTML/CSS. Ngày nay, bất kỳ ai cũng có thể tạo website trong nửa giờ với các công cụ No-code/Low-code. AI cũng đang đi theo đúng lộ trình đó.

Các doanh nghiệp nhỏ nên tiếp cận theo 3 bước:

Chuyển đổi từ “Viết Code” sang “Tối ưu hóa Quy trình Dữ liệu” (Data-centric Tooling): Sử dụng các nền tảng Low-code/No-code cho phép chuyên gia ngành (chẳng hạn như bác sĩ, kiểm định viên, chuyên gia bán hàng) trực tiếp tham gia vào khâu kiểm tra và chuẩn hóa dữ liệu mà không cần biết lập trình.
Tập trung vào các dự án “Quick Wins” (Thắng nhanh): Đừng bắt đầu bằng các dự án tham vọng thay đổi toàn bộ công ty. Hãy chọn một quy trình thủ công đang tốn nhiều thời gian nhất nhưng có dữ liệu rõ ràng (như tự động bóc tách hóa đơn, phân loại phản hồi khách hàng, hoặc dự báo đơn hàng) để triển khai thử nghiệm trong 1-2 tháng.
Xây dựng văn hóa thử nghiệm (AI Literacy): Đào tạo cho nhân sự toàn công ty hiểu được AI có thể làm gì và không thể làm gì. Khi nhân viên chuyên môn biết cách phối hợp với AI, họ sẽ tự tìm ra hàng chục điểm cải tiến năng suất trong công việc hàng ngày.

PV: Nhiều lãnh đạo doanh nghiệp lo ngại về rủi ro bảo mật và quyền sở hữu trí tuệ khi đưa dữ liệu nội bộ vào các hệ thống AI. Ông có lời khuyên gì cho họ?

Prof. Andrew Ng:

Đây là một mối quan ngại hoàn toàn chính đáng. Tuy nhiên, giải pháp không phải là đóng cửa từ chối AI, mà là xây dựng một Kiến trúc Dữ liệu An toàn (Secure Data Architecture).

Doanh nghiệp tuyệt đối không nên đưa dữ liệu nhạy cảm hay bí mật kinh doanh lên các giao diện Chatbot công cộng dành cho người dùng cuối mà không có thỏa thuận bảo mật (Enterprise SLA).

Thay vào đó, có hai phương án an toàn:

Sử dụng Enterprise API: Hầu hết các nhà cung cấp mô hình lớn hiện nay đều có điều khoản cam kết rõ ràng đối với tài khoản doanh nghiệp: Dữ liệu gửi qua Enterprise API sẽ được mã hóa và không bao giờ được sử dụng để huấn luyện mô hình chung của họ.
Triển khai Open Source LLMs tại chỗ (On-Premise / Private Cloud): Nhờ sự phát triển thần tốc của các mô hình mã nguồn mở (như Llama, Mistral hay Qwen), doanh nghiệp hoàn toàn có thể chạy các mô hình AI nhỏ gọn nhưng hiệu năng cao ngay trên hạ tầng máy chủ riêng hoặc Private Cloud của mình. Dữ liệu không bao giờ đi ra khỏi bức tường lửa (Firewall) của công ty.

PV: Cuối cùng, với tư cách là một nhà giáo dục đã đào tạo hàng triệu người học AI trên toàn thế giới, ông đánh giá đâu là kỹ năng quan trọng nhất mà thế hệ tương lai cần chuẩn bị?

Prof. Andrew Ng:

Kỹ năng quan trọng nhất không phải là thuộc lòng các thuật toán phức tạp, mà là Sự tò mò, Khả năng tư duy hệ thống và Kỹ năng giao tiếp giữa các lĩnh vực (Cross-disciplinary Communication).

AI là một công cụ vạn năng (General-Purpose Technology), tương tự như điện hay Internet trước đây. Bản thân điện không tạo ra giá trị cho đến khi nó được đưa vào nhà máy, bóng đèn, hay tủ lạnh. AI cũng vậy, nó chỉ phát huy sức mạnh khi được kết hợp với tri thức của các ngành nghề khác: y học, nông nghiệp, tài chính, giáo dục, nghệ thuật.

Những người thành công nhất trong tương lai sẽ là những “nhà tích hợp” (Integrators) — những người vừa hiểu được nỗi đau của ngành nghề truyền thống, vừa hiểu được năng lực của AI để kết nối hai thế giới đó lại với nhau.

3. Phân Tích Chuyên Sâu & Đánh Giá Chiến Lược

Góc nhìn của Andrew Ng mang lại một làn gió thực dụng và cân bằng cho thị trường:

Sự dịch chuyển cán cân giá trị (Value Shift):
- Giá trị của Thuật toán (Algorithm): Đang có xu hướng giảm dần và trở thành hàng hóa phổ thông (Commoditized) nhờ các mô hình mã nguồn mở và APIs giá rẻ.
- Giá trị của Dữ liệu & Tri thức ngành (Data & Domain Expertise): Gia tăng theo cấp số nhân. Doanh nghiệp nào sở hữu tập dữ liệu độc quyền, sạch và được gán nhãn chuẩn xác sẽ sở hữu “hào sâu quân sự” (Moat) bền vững nhất.
Tác động tới chiến lược AI Doanh nghiệp:
- Thay vì đầu tư ngân sách lớn để “tự phát triển mô hình AI riêng” (một bẫy chi phí rất tốn kém), doanh nghiệp nên áp dụng chiến lược RAG (Retrieval-Augmented Generation) kết hợp với quy trình chuẩn hóa dữ liệu đầu vào.
- Chi phí cho Data Curation (Quản lý & Làm sạch dữ liệu) nên chiếm từ $60\% – 70\%$ tổng ngân sách dự án AI, thay vì đổ toàn bộ tiền vào hạ tầng phần cứng.

4. Kết Luận

Cuộc phỏng vấn với Andrew Ng gửi đi một thông điệp mạnh mẽ: AI không còn là cuộc chơi độc quyền của các tập đoàn công nghệ khổng lồ. Bằng cách chuyển hướng sang triết lý Data-Centric AI, tập trung làm sạch dữ liệu và giải quyết các bài toán chuyên biệt, các doanh nghiệp vừa và nhỏ hoàn toàn có thể làm chủ công nghệ, tối ưu hóa vận hành và tạo ra lợi thế cạnh tranh đột phá trong kỷ nguyên số.