Nền tảng ứng dụng low-code (LCAP) là một thị trường mới nổi trong thời gian vừa qua, với mức tăng trưởng dự kiến khoảng 30% trong vài năm tới theo dự báo của Gartner. Gần như cùng lúc với sự trỗi dậy của thị trường LCAP trong thập kỷ qua, sự phát triển mạnh mẽ của Trí tuệ nhân tạo (AI) đã bắt đầu, được hỗ trợ bởi sức mạnh điện toán ngày càng tăng kết hợp với sự sẵn có của Big Data. Trong khi LCAP đang cách mạng hóa “cách thức” các ứng dụng được xây dựng thì AI và Machine Learning (ML) đang cách mạng hóa loại ứng dụng “nào” có thể được xây dựng. Hai xu hướng này kết hợp với nhau khi LCAP ngày được phát triển bổ sung và được các doanh nghiệp áp dụng để xây dựng các ứng dụng quan trọng có tính phức tạp cao. Do đó, LCAP thế hệ tiếp theo sẽ hỗ trợ xây dựng cái gọi là “Ứng dụng doanh nghiệp có tích hợp AI”.

Low-code Kết Hợp Cùng AI & Machine Learning Trong Mendix ML Kit 1

Ứng dụng doanh nghiệp có tích hợp AI – còn được gọi là Ứng dụng thông minh (Smart Apps) – là những ứng dụng sử dụng mô hình AI/ML (thường theo logic của nó) để cung cấp trải nghiệm người dùng tự động, thông minh hơn và phù hợp với ngữ cảnh. Vào năm 2020, Gartner dự đoán rằng “60% tổ chức sẽ sử dụng trí tuệ nhân tạo đóng gói để tự động hóa các quy trình trong nhiều lĩnh vực chức năng vào năm 2022”. Và điều này đã thực sự xảy ra. Một cuộc khảo sát của McKinsey vào năm 2021 với 1.843 người tham gia đại diện cho đầy đủ các khu vực và ngành cho thấy “56% công ty được khảo sát đã áp dụng AI trong ít nhất một chức năng kinh doanh (tăng từ 50% vào năm 2020)”.

Table of contents show

1. Các trường hợp sử dụng ứng dụng thông minh

Ứng dụng doanh nghiệp được cải tiến bằng AI sử dụng các mẫu trong dữ liệu để đưa ra dự đoán thay vì lập trình chúng một cách rõ ràng. Điều này thường dẫn đến việc tự động hóa công việc thủ công hoặc cách tiếp cận thông minh hơn đối với một nhiệm vụ hoặc quy trình kinh doanh. Do đó, nó làm tăng hiệu quả làm việc, giảm chi phí và rủi ro, đồng thời nâng cao sự hài lòng của khách hàng. Dưới đây là một số ví dụ về trường hợp sử dụng AI và ML.

1.1. Phân tích và phân loại cảm xúc

Hiểu được tâm lý phản hồi của khách hàng (tích cực và tiêu cực)
Phân loại phản hồi hoặc yêu cầu của khách hàng thành các danh mục hỗ trợ hoặc kinh doanh cụ thể

1.2. Phát hiện đối tượng

Phát hiện sản phẩm lỗi trong dây chuyền sản xuất của nhà máy
Phát hiện loại lỗi của sản phẩm trong dây chuyền sản xuất của nhà máy
Phân loại hình ảnh cho hình ảnh y tế
Đếm đồ vật trong nhà máy

1.3. Phát hiện bất thường

Phát hiện các giao dịch ngân hàng đáng ngờ
Mối quan hệ bất thường giữa các số liệu kinh doanh (ví dụ: doanh số bán sản phẩm tăng nhưng doanh thu giảm do gắn thẻ giá sai)
Phát hiện bất thường trong kho

1.4. Đưa ra các khuyến nghị

Đề xuất các ưu đãi tốt nhất cho đại lý bảo hiểm dựa trên nhu cầu của khách hàng
Đề xuất các sản phẩm hoặc dịch vụ thay thế cho người mua hàng trực tuyến dựa trên các sản phẩm đã mua trước đó

1.5. Đưa ra các dự báo

Dự báo dòng tiền dựa trên xu hướng lịch sử và theo mùa
Dự báo lượng hàng tồn kho cần thiết dựa trên xu hướng bán hàng
Dự báo nhu cầu cho chuỗi khách sạn sử dụng các yếu tố bên trong và bên ngoài
Định giá linh hoạt dựa trên dự báo nhu cầu

2. Những thách thức của việc triển khai ML

Bối cảnh và công cụ AI/ML đã được cải tiến rộng rãi trong những năm gần đây, nhưng việc triển khai AI trong sản xuất và tích hợp AI vào các ứng dụng là một thách thức lớn. Dựa trên nghiên cứu của Gartner, “Các tổ chức báo cáo rằng một trong những trở ngại đáng kể nhất mà họ gặp phải khi theo đuổi AI là khả năng tích hợp với các ứng dụng hiện có”. Gartner trích dẫn thách thức tương tự một năm sau đó: “Hơn một nửa số sáng kiếng AI thành công không bao giờ đến được giai đoạn triển khai”. Cho đến nay, khách hàng của Mendix đã có thể tích hợp các dịch vụ AI với ứng dụng Mendix bằng API REST. Đây là một cách tiếp cận khả thi (đặc biệt đối với các dịch vụ AI của bên thứ ba), tuy nhiên, các mô hình ML nguồn mở hoặc được xây dựng cục bộ yêu cầu quyền truy cập vào dịch vụ lưu trữ và lập trình viên có kiến thức kỹ thuật để triển khai mô hình, tốn nhiều công sức hơn cũng như chịu thêm chi phí lưu trữ và bảo trì. Nhưng thông thường, khách hàng cần nhúng mô hình ML vào ứng dụng Mendix vì nhiều lý do khác nhau, chẳng hạn như hiệu suất, quyền riêng tư và chi phí. Bộ công cụ Mendix ML cung cấp cho khách hàng công cụ để triển khai các mô hình AI đó trong ứng dụng Mendix một cách dễ dàng chỉ với low-code.

3. Phát triển low-code với Mendix ML Kit

Mendix ML Kit cho phép các kỹ sư phần mềm triển khai mô hình ML được xây dựng bằng framework và ngôn ngữ ML phổ biến vào thời gian chạy Mendix Studio Pro bằng low-code.

Mendix ML Kit - Low-code kết hợp với AI và ML

ML Kit hoạt động dựa trên Open Neural Network Exchange (ONNX), một framework open source được Microsoft và Facebook đồng phát triển vào năm 2017, cho phép khả năng tương tác của khung. ONNX cho phép Mendix Developer thu hẹp khoảng cách giữa các framework AI (ví dụ: Python) và Mendix (ví dụ: JVM). Điều này có nghĩa là bạn có thể huấn luyện một mô hình ML trong framework ML yêu thích của mình, chẳng hạn như TensorFlow, sau đó chuyển đổi nó sang định dạng ONNX và sử dụng nó trong một framwork khác như Mendix. ONNX thu hẹp khoảng cách giữa các khung AI (ví dụ: python) và Mendix (ví dụ: JVM).

4. Lợi ích của Mendix ML Kit

Mendix ML Kit cung cấp nhiều lợi ích cho doanh nghiệp:

Thời gian tiếp thị nhanh hơn bằng cách giảm thời gian triển khai ML từ vài tuần xuống còn vài ngày/giờ.
Tích hợp dễ dàng hơn bằng cách kết nối hai thế giới – Nền tảng AI và LCAP – đồng thời cho phép các nhóm tích hợp các mô hình ML được xây dựng bằng nền tảng AI của bên thứ ba vào các ứng dụng được xây dựng bằng Mendix.
Hiệu suất vượt trội nhờ độ trễ thấp hơn bằng cách tích hợp mô hình vào thời gian chạy ứng dụng và chạy trên JVM.
Giảm nỗ lực và chi phí mà không cần phải mua, triển khai hoặc duy trì các dịch vụ lưu trữ khác để triển khai mô hình (so với tích hợp vi dịch vụ).
Triển khai on-edge (trong tương lai) cung cấp khả năng chạy on-edge (ML trên thiết bị) do tích hợp thời gian chạy. Đáng chú ý là 60% mô hình xử lý hình ảnh hiện được triển khai on-edge.

5. Các mô hình ML được đào tạo sẵn

Cộng đồng ONNX cung cấp kho lưu trữ mô hình ML, được gọi là ONNX Model Zoo, nơi có thể tìm thấy các mô hình ngôn ngữ và thị giác máy tính phổ biến. ONNX Model Zoo là tập hợp các mô hình hiện đại, được đào tạo trước ở định dạng ONNX do các thành viên cộng đồng đóng góp. Đi kèm với mỗi mô hình là sổ tay Jupyter để huấn luyện mô hình và chạy suy luận với mô hình đã huấn luyện. Các sổ ghi chép được viết bằng Python và bao gồm các liên kết đến tập dữ liệu huấn luyện cũng như các tài liệu tham khảo đến bài viết gốc mô tả kiến trúc mô hình. Tất cả các mô hình ONNX trong ONNX Zoo phải tương thích với ML Kit. Khách hàng có thể chọn bất kỳ mô hình ML nào từ kho lưu trữ này, tùy chỉnh mô hình đó bằng dữ liệu của riêng họ cho từng trường hợp sử dụng và tích hợp nó vào ứng dụng Mendix bằng ML Kit. Dưới đây, bạn có thể tìm thấy danh sách các mô hình ONNX trong ONNX Model Zoo. Bạn có thể sử dụng các mô hình được đào tạo trước này để xây dựng các trường hợp sử dụng cho doanh nghiệp của mình tương tự như các trường hợp được liệt kê ở trên hoặc các loại trường hợp sử dụng khác cho doanh nghiệp của bạn.

5.1. Tầm nhìn

Phân loại hình ảnh
Phát hiện đối tượng và phân đoạn hình ảnh
Phân tích cơ thể, khuôn mặt và cử chỉ
Thao tác hình ảnh

5.2. Ngôn ngữ

Hiểu biết về máy
Dịch máy
Mô hình ngôn ngữ

5.3. Các tính năng khác

Trả lời và đối thoại câu hỏi trực quan
Xử lý giọng nói và âm thanh
Các mô hình thú vị khác

6. Các pattern triển khai nâng cao với Mendix ML Kit

ML Mendix Kit kết hợp với nền tảng Mendix cho phép thực hiện nhiều pattern triển khai ML hiện đại khác nhau. Đôi khi, nhiều mô hình ML được sử dụng để dự đoán kết quả đầu ra, trong đó các điểm dữ liệu giống nhau được gửi đến một nhóm mô hình và sau đó tất cả các dự đoán được thu thập để tìm ra dự đoán tốt nhất (học tập hợp). Hoặc, một số mô hình cũng có thể được sử dụng theo cách xếp tầng để cung cấp đầu ra của mô hình này sang mô hình khác (suy luận xếp tầng). Những mô hình triển khai này có thể dễ dàng đạt được bằng cách sử dụng Mendix Microflows và Mendix ML Kit. Ngoài ra, cũng chỉ có thể tích hợp mô hình ML sử dụng làm dịch vụ bằng cách sử dụng Nền tảng Mendix và ML Kit mà không cần thêm dịch vụ lưu trữ của bên thứ ba. Cuối cùng nhưng không kém phần quan trọng, suy luận hàng loạt trong đó nhiều suy luận được chạy với một yêu cầu duy nhất cho mô hình được hỗ trợ với Mendix và Mendix ML Kit. Bạn có thể đọc cách triển khai tất cả các mẫu triển khai này bằng ML Kit và Mendix Studio Pro trên các trang sau:

7. Kết luận

Với ML Kit, Mendix mong muốn trao quyền cho khách hàng sử dụng AI trong ứng dụng của họ để cải thiện hơn nữa quy trình kinh doanh, tự động hóa các tác vụ thủ công và mang lại sự hài lòng cho khách hàng. Để tìm hiểu thêm về Mendix ML Kit và cách sử dụng nó, hãy truy cập Mendix Docs. Hoặc tìm các ví dụ về triển khai ML bằng cách sử dụng Mendix ML Kit kèm theo các mô hình ML của họ trong sổ ghi chép Jupyter tại đây. Kyanon Digital hiện đang là đối tác chiến lược của Mendix – nền tảng phát triển ứng dụng low-code hàng đầu thế giới. Liên hệ với Kyanon Digital ngay hôm nay để nhận được tư vấn từ các chuyên gia low-code cho doanh nghiệp bạn.

Nguồn: Mendix

Dịch và biên tập: Kyanon Digital

5/5 - (1 vote)

Blog