Giám đốc công nghệ MoMo chia sẻ cách ứng dụng AI vào hoạt động

Lần đầu xuất hiện tại Ngày hội trí tuệ nhân tạo Việt Nam - AI4VN 2022, ông Thái Trí Hùng, Phó tổng giám đốc kiêm Giám đốc công nghệ MoMo đã có những chia sẻ thực tế về cách doanh nghiệp này ứng dụng AI để cải thiện hiệu quả hoạt động, hỗ trợ đối tác và tối ưu hóa trải nghiệm cho người dùng.

- MoMo đã ứng dụng AI vào các sản phẩm của mình từ khi nào?

- Trong những năm đầu tiên ứng dụng MoMo có mặt trên thị trường (năm 2014 - 2015), để thuyết phục đối tác kết nối với MoMo, chúng tôi đã có những dự án "kết nối" chỉ đơn giản là nhúng website của đối tác vào ứng dụng MoMo. Nhưng khi nhận thấy người dùng của mình gặp khó khăn với captcha của các trang web này, chúng tôi đã thử áp dụng AI nhằm phát hiện và gợi ý captcha. Nghe khá tầm thường về công nghệ, nhưng việc này đã giúp chúng tôi tăng tỷ lệ thành công thêm 30% với chi phí không đáng kể.

Cứ như vậy, Data và AI dần len lỏi vào hệ thống của chúng tôi, đôi lúc chỉ là những cải tiến nhỏ, tích hợp vào từng điểm chạm trên ứng dụng, thay thế một vài khâu trong quy trình xử lý truyền thống, tham gia vào quá trình ra quyết định,...vì đơn giản là AI cho chúng tôi kết quả tốt hơn những giải pháp khác.

Vào năm 2018, trong khi đang triển khai chiến lược Data First, kho dữ liệu của chúng tôi bắt đầu có dấu hiệu bùng nổ, vượt quá năng lực xử lý của hệ thống. Chúng tôi bắt đầu nhìn nhận nghiêm túc hơn về những thành quả mà Data và AI có thể mang lại, quyết tâm đầu tư bài bản vào hướng đi này. Cũng nhấn mạnh rằng, với lượng dữ liệu này, ngoài AI, chúng tôi không tìm thấy giải pháp nào tốt hơn. MoMo chính thức đặt ra và theo đuổi chiến lược AI-First từ lúc đó.

- Việc ứng dụng AI đã mang lại thay đổi tích cực như thế nào về mặt trải nghiệm người dùng?

- Chia sẻ rất thật là đến hiện tại các dự án AI mà MoMo triển khai đều đặt lợi ích của người dùng và tối ưu trải nghiệm của người dùng là mục tiêu chính. Những giá trị mà AI đang mang lại có thể nhìn thấy ngay là AI giúp chúng tôi mang lại trải nghiệm người dùng tốt hơn và cung cấp thêm được những tính năng thông minh hơn. AI của MoMo đã và đang góp phần vào những cải tiến nhỏ như: giảm bớt các điểm chạm, rút ngắn thời gian xử lý, tăng số lượng phục vụ, tự động hóa công đoạn trong tất cả các sản phẩm từ tài chính phức tạp như Fast Money, Tiết kiệm Online, Ví Trả Sau (sản phẩm hợp tác với TPBank)... đến những sản phẩm phổ thông như Điểm Tin Cậy MoMo hay Lắc Xì...

- Trong quá trình triển khai ứng dụng công nghệ mới không tránh khỏi những vấp váp, sai sót, MoMo nhận ra được điều gì trong quá trình thực tế trong những năm vừa qua?

- Thực ra, công nghệ nào cũng có hạn chế của nó, chúng tôi không kỳ vọng AI là lời giải cho mọi vấn đề của mình. Trong từng giải pháp, AI có thể chỉ tham gia vào những phần nhỏ mà ở đó hiệu quả mang lại cao hơn những cách làm khác. Giải pháp ứng dụng AI được chúng tôi nhìn rộng hơn không chỉ là hệ thống mà còn là một chuỗi các công việc nối tiếp nhau, kết hợp linh hoạt giữa nhiều công nghệ khác nhau, giữa con người và hệ thống.

Trong quá trình làm việc, đội ngũ phát triển công nghệ của MoMo cũng nhìn ra một số bài học có thể giúp ích cho doanh nghiệp khi muốn ứng dụng AI vào hoạt động kinh doanh của mình.

Một là, xác định đúng mục tiêu. Mục tiêu cho AI nên tập trung vào giá trị thực sự mà AI tạo ra được, trong những vấn đề cụ thể, thay vì những mục tiêu chạy theo công nghệ xu hướng mới hay thuật toán phức tạp. Thay vì đặt ra cho Data/AI những mục tiêu to lớn, trong giai đoạn đầu, MoMo thường theo đuổi những mục tiêu nhỏ, dễ đạt được.

Hai là, linh hoạt trong việc ứng dụng AI. Cần có sự phối hợp linh hoạt giữa các công đoạn. Đoạn nào AI có kết quả tốt hơn thì áp dụng AI, đoạn nào cách làm truyền thống tốt hơn thì sử dụng cách làm truyền thống. Sự phối hợp này cũng đòi hỏi người làm AI hiểu rõ toàn bộ quá trình (end to end) thay vì chỉ tập trung vào một công đoạn.

Ba là, sự kiên nhẫn. Đầu tư vào AI là quá trình lâu dài và tốn kém. Để AI tạo ra kết quả đáng kể thường mất khá nhiều thời gian (tính bằng năm).

Bốn là, doanh nghiệp phải thực sự cởi mở và ủng hộ, khuyến khích cái mới. Đó là điều kiện lý tưởng để áp dụng AI vào hoạt động.

- Trong lĩnh vực tài chính ngân hàng thì ông đánh giá cao giá trị nào mà AI mang đến?

- Tôi nghĩ AI mang lại nhiều giá trị, có những giá trị trực tiếp: như giúp rút ngắn quy trình xử lý, tăng mức độ chính xác, dễ áp dụng ở quy mô lớn. Nhưng sẽ có những giá trị gián tiếp, chẳng hạn như mô hình chấm điểm tín dụng (Credit Scoring). Nếu mô hình này chính xác hơn thì tỷ lệ nợ xấu sẽ giảm, nếu nợ xấu giảm thì chi phí vốn giảm và như vậy khách hàng có thể vay dễ dàng hơn với lãi suất tốt hơn.

Cũng có những giá trị vô hình như tạo ra cảm giác high-tech, trendy hơn... và làm cho thương hiệu của chúng tôi đáng tin cậy hơn. Giá trị nào cũng quan trọng cả, nhưng với tôn chỉ lấy người dùng làm trọng tâm của MoMo thì giá trị lớn nhất phải là giá trị mang lại cho người dùng, giúp họ có trải nghiệm tốt hơn, thu hút và giữ chân được họ ở lại với nền tảng.

- Nhiều người ví von AI và Big Data như hình với bóng, để ứng dụng AI hiệu quả cần có một dữ liệu đủ lớn và tốt. Với hệ khách hàng rộng lớn và khối lượng dữ liệu khổng lồ có được, MoMo làm cách nào để khai thác "mỏ vàng" này hiệu quả?

- Về dữ liệu tôi xin được phép trích dẫn lại câu định nghĩa nổi tiếng "Dữ liệu là dầu mỏ mới" ("Data is new oil") và vế sau ít được biết (nhưng quan trọng) hơn của câu này là "Thông tin trích xuất được là loại tiền tệ mới" ("Insights is new money"). Cũng như dầu thô, bản thân dữ liệu thô là khá vô dụng. Việc biến dữ liệu thô thành cái gì đó hữu dụng cần một quá trình chiết xuất cồng kềnh và tốn kém.

Đa số các công ty sau khi xây dựng xong Data Platform sẽ tìm cách đổ rất nhiều dữ liệu vào một nơi - thường gọi là data lake chung thông qua các quá trình ETL (extract, transform and load), sau đó tiến hành làm sạch và khai thác. Mô hình chung của việc khai thác thường là đi từ data đến insights, ví dụ như nhận thấy cái gì đó không ổn (ví dụ tỷ lệ người xem thấp), đào bới dữ liệu để tìm xem chỉ số nào ảnh hưởng tỷ lệ này (ví dụ tốc độ tải chậm) rồi sau đó đưa ra các giả định để cải thiện (tăng tốc độ load), thực hiện A/B Test hoặc phỏng vấn người dùng để kiểm tra giả định. Triển khai giả định có kết quả chấp nhận cao nhất và lặp lại quá trình này.

Mô hình nói trên thường sẽ cho ra vài kết quả dễ thấy trong giai đoạn đầu tiên. Tuy nhiên khi áp dụng cho những vấn đề phức tạp hơn, kết quả của nó gây bối rối cho chính chúng tôi. Các báo cáo kết quả thường chỉ ra điều gì đang diễn ra - what (NPS giảm, CSAT giảm...), nhưng không trả lời được câu hỏi tại sao - why (chúng tôi cần làm gì để NPS tăng lên). Thời gian thực thi của cả quá trình (tính từ lúc ghi nhận dữ liệu, đến lúc đưa ra kết luận) có thể tính bằng tháng, sự mơ hồ của kết quả làm chúng tôi mất thời gian hơn nữa trong việc thử/sai các giải pháp khác nhau. Tính chính xác của dữ liệu báo cáo là một vấn đề khác, bên cạnh đó còn là sự thiếu nhất quán về định nghĩa, thiếu đồng bộ giữa các khâu sản xuất dữ liệu, làm sạch, khai thác. Sự bùng nổ chi phí của các hệ thống lưu trữ và tính toán dữ liệu này là một vấn đề nghiêm trọng khác nữa.

Ngay thời điểm này, tại MoMo, đội ngũ của chúng tôi đang triển khai một loạt các dự án mới để giải quyết các vấn đề trên. Mục tiêu đầu tiên là kiểm soát chặt chẽ chất lượng dữ liệu: Dữ liệu đúng quan trọng hơn là dữ liệu lớn. Mục tiêu tiếp theo là tiếp cận theo hướng từ insight đến data cho một số bài toán, tập trung vào câu hỏi "why", và đảm bảo báo cáo đầu ra phải thực sự có insights: Insights không đúng thì tệ hơn là không có insights. Mục tiêu cuối cùng là tối ưu chi phí (cả thời gian và ngân sách) cho toàn bộ hệ thống Big Data/AI của mình: cả quá trình này phải thực sự tạo ra giá trị thay vì ngốn thêm chi phí.

- Ông có đề xuất gì để việc phát triển và ứng dụng AI trong cộng đồng doanh nghiệp thời gian tới?

- Như ý ở trên đã nói, việc đầu tiên tôi cho là nên tập trung vào câu chuyện nhận thức của doanh nghiệp. Nhận thức chung về AI trong doanh nghiệp thường rơi vào một trong hai cách nghĩ: hoặc không hiểu và nghi ngại AI có thể làm được gì cho mình; hoặc ngược lại, kỳ vọng rằng AI có thể làm được mọi thứ. Theo tôi cả 2 cách nghĩ này đều sẽ làm hạn chế quy mô phát triển của chính doanh nghiệp và ngành AI nói chung.

Từ kinh nghiệm của MoMo, cách tiếp cận tốt là nên bắt đầu từ việc "bình dân hoá" AI thông qua việc đào tạo, truyền thông hay các sự kiện như sự kiện AI4VN. Một khi đã nhận thức AI có thể làm gì và không làm được gì thì nhu cầu ứng dụng sẽ tăng lên và thị trường sẽ mở rộng hơn.

Kế đến là cần hoàn thiện hạ tầng hỗ trợ bao gồm chính sách, các kho dữ liệu mở, các nền tảng dùng chung, các công nghệ, thuật toán đặc thù... Nếu làm tốt thì doanh nghiệp sẽ tiết kiệm được rất nhiều nguồn lực khi không phải cùng giải một bài toán nhiều lần và tập trung vào những bài toán mang lại nhiều kết quả hơn.

Yên Chi