AI không phù hợp đặc thù ngành khi thiếu dữ liệu, ngữ cảnh và nghiệp vụ chuyên môn. AI theo lĩnh vực giúp công nghệ tiến gần hơn đến nhu cầu thực tế.
Một hệ thống AI có thể xử lý văn bản, phân tích hình ảnh hoặc hỗ trợ tìm kiếm thông tin trong nhiều tình huống khác nhau. Khả năng sử dụng rộng là một trong những lý do AI nhanh chóng được đưa vào nhiều hoạt động. Tuy nhiên, khi công nghệ tiến sâu hơn vào các lĩnh vực như y tế, pháp lý hay giáo dục, khả năng xử lý chung chưa chắc đã đủ.
Mỗi ngành có hệ thống thuật ngữ, dữ liệu, quy trình và cách sử dụng thông tin riêng. Một câu trả lời hợp lý trong ngữ cảnh phổ thông có thể chưa đáp ứng yêu cầu của một nghiệp vụ chuyên môn. Công nghệ vì thế cần hiểu không chỉ nội dung người dùng nhập vào mà cả bối cảnh mà thông tin đó đang được sử dụng.
Tình trạng AI không phù hợp đặc thù ngành xuất hiện khi khoảng cách giữa năng lực AI dùng chung và yêu cầu chuyên môn chưa được giải quyết. Muốn thu hẹp khoảng cách này, doanh nghiệp cần chuyển từ tư duy đưa một công cụ AI vào mọi bài toán sang phát triển AI dựa trên từng domain cụ thể.
AI dùng chung gặp giới hạn khi đi sâu vào ngành
AI dùng chung có lợi thế ở khả năng phục vụ nhiều nhóm người dùng và nhiều loại tác vụ. Với những nhu cầu phổ thông như hỗ trợ soạn thảo, tổng hợp hoặc xử lý thông tin, một công cụ chung có thể mang lại giá trị mà không cần thay đổi nhiều về hệ thống.
Nhưng một nghiệp vụ chuyên sâu thường đặt ra nhiều yêu cầu hơn. Người dùng không chỉ cần AI hiểu câu chữ mà còn cần công nghệ nhận biết thuật ngữ, bối cảnh và mối quan hệ giữa các thông tin trong lĩnh vực.
Trong y tế, một khái niệm có thể cần được đặt trong ngữ cảnh chuyên môn cụ thể. Trong pháp lý, việc xử lý thông tin cần gắn với tài liệu, quy định và bối cảnh của vấn đề. Trong giáo dục, cách hỗ trợ người học còn phụ thuộc vào mục tiêu và cách tổ chức quá trình học.
Nếu chỉ sử dụng một lớp AI chung mà thiếu những thành phần chuyên biệt, khoảng cách giữa khả năng công nghệ và yêu cầu thực tế vẫn tồn tại.
Đây không nhất thiết là giới hạn của AI nói chung. Vấn đề nằm ở việc một công nghệ được thiết kế để phục vụ phạm vi rộng đang được kỳ vọng giải quyết trực tiếp những bài toán có bối cảnh rất hẹp.
Domain quyết định cách AI cần được xây dựng
AI theo domain bắt đầu từ một nguyên tắc khác: trước khi xác định công nghệ sẽ làm gì, cần hiểu môi trường mà công nghệ sẽ tham gia. Domain không chỉ là tên của một ngành mà bao gồm dữ liệu, tri thức, người dùng và cách công việc được thực hiện.
Dữ liệu mỗi ngành mang một ngữ cảnh riêng
Dữ liệu y tế, pháp lý và giáo dục không chỉ khác nhau về nội dung. Cấu trúc, cách diễn đạt và mục đích sử dụng thông tin cũng khác nhau.
Vì vậy, cùng một năng lực xử lý ngôn ngữ chưa chắc có thể được áp dụng nguyên trạng cho mọi lĩnh vực. AI cần tiếp cận đúng nguồn dữ liệu và hiểu thông tin trong bối cảnh của bài toán đang được giải quyết.
Điều này cũng có nghĩa nhiều dữ liệu hơn chưa chắc tự động tạo ra một giải pháp tốt hơn. Điều quan trọng là dữ liệu có liên quan đến nghiệp vụ, được tổ chức phù hợp và được sử dụng đúng phạm vi.
Tri thức chuyên môn tạo ra lớp hiểu biết cần thiết
Một hệ thống AI có thể nhận diện từ ngữ nhưng điều đó không đồng nghĩa hệ thống hiểu đầy đủ ý nghĩa chuyên môn phía sau chúng. Cùng một thuật ngữ có thể mang hàm ý khác khi được đặt vào từng ngữ cảnh.
AI chuyên ngành vì vậy cần được phát triển với sự tham gia của tri thức domain. Chuyên gia ngành giúp xác định vấn đề, cách thông tin được diễn giải và những điểm mà kết quả của AI cần được kiểm tra.
Kỹ sư AI hiểu cách công nghệ hoạt động, còn chuyên gia hiểu bối cảnh sử dụng. Hai lớp năng lực này cần được kết nối nếu mục tiêu là đưa AI từ khả năng kỹ thuật sang ứng dụng thực tế.
Người dùng quyết định cách AI tham gia
Cùng một công nghệ nhưng cách bác sĩ, chuyên gia pháp lý, giáo viên hay nhân sự doanh nghiệp sử dụng có thể hoàn toàn khác nhau. Mỗi nhóm có mục tiêu, trách nhiệm và quy trình làm việc riêng.
Vì vậy, AI theo lĩnh vực không chỉ là bổ sung dữ liệu chuyên ngành vào một mô hình. Cách người dùng tương tác với AI và vị trí của công nghệ trong workflow cũng cần được thiết kế theo domain.
Khi đã hiểu domain, bài toán tiếp theo là chuyển tri thức đó thành một giải pháp có thể tham gia trực tiếp vào nghiệp vụ.
AI chuyên ngành cần đi cùng nghiệp vụ
Một AI chuyên ngành chỉ tạo ra giá trị thực tế khi công nghệ được đặt đúng vị trí trong quá trình làm việc. Nếu hệ thống hiểu nhiều thuật ngữ chuyên môn nhưng vẫn đứng ngoài workflow, người dùng tiếp tục phải chuyển thông tin thủ công giữa AI và các phần mềm khác.
AI theo nghiệp vụ vì thế đi thêm một bước so với AI chỉ có kiến thức về ngành. Công nghệ cần hiểu mình đang hỗ trợ bước nào, dữ liệu đầu vào đến từ đâu và kết quả sẽ được sử dụng như thế nào.
AI cần giải quyết một vấn đề cụ thể
Điểm xuất phát không nên là câu hỏi “ngành này có thể dùng AI ở đâu?”. Một cách tiếp cận thực tế hơn là xác định vấn đề nào đang tồn tại và AI có phù hợp để hỗ trợ hay không.
Một số vấn đề có thể liên quan đến lượng thông tin lớn, thao tác lặp lại hoặc nhu cầu tìm kiếm tri thức. Những vấn đề khác lại phụ thuộc nhiều vào đánh giá chuyên môn của con người và không phù hợp để giao hoàn toàn cho AI.
Khi bài toán được xác định trước, doanh nghiệp có thể lựa chọn vai trò công nghệ rõ ràng hơn thay vì cố gắng đưa AI vào mọi bước.
AI cần kết nối với workflow hiện hữu
Nghiệp vụ thực tế thường đã có quy trình và hệ thống hỗ trợ. AI không hoạt động trong khoảng trống mà cần tương tác với những thành phần đó.
Một giải pháp có thể cần lấy thông tin từ hệ thống nghiệp vụ, xử lý dữ liệu rồi cung cấp kết quả cho người dùng hoặc chuyển sang bước tiếp theo. Những điểm cần đánh giá của con người vẫn được giữ trong workflow.
Đây cũng là lý do AI chuyên ngành không nên được đồng nhất với mục tiêu thay thế chuyên gia. Trong những lĩnh vực đòi hỏi chuyên môn, công nghệ có thể hỗ trợ khai thác thông tin và xử lý phần việc phù hợp, còn con người tiếp tục giữ vai trò ở những điểm cần đánh giá và trách nhiệm.
Khi số lượng bài toán chuyên ngành tăng lên, việc phát triển từng ứng dụng độc lập lại tạo ra một vấn đề mới. Doanh nghiệp cần một lớp nền vừa có khả năng kế thừa công nghệ, vừa cho phép chuyên biệt hóa theo domain.
Vertical AI Platform kết nối nền tảng với chuyên môn
Vertical AI Platform có thể được hiểu theo hướng một nền tảng AI được phát triển cho một lĩnh vực hoặc nhóm nghiệp vụ cụ thể. Thay vì cố gắng giải quyết mọi bài toán bằng cùng một cách, nền tảng kết hợp năng lực AI cốt lõi với dữ liệu, tri thức và workflow của domain.
Cách tiếp cận này tạo ra hai lớp cần song song tồn tại.
Lớp thứ nhất là những năng lực công nghệ có khả năng dùng chung như xử lý ngôn ngữ, thị giác máy tính, học máy, dữ liệu và hạ tầng AI. Việc tổ chức các năng lực này ở lớp nền giúp từng ứng dụng không phải xây dựng lại toàn bộ công nghệ từ đầu.
Lớp thứ hai là phần chuyên biệt hóa. Đây là nơi dữ liệu ngành, tri thức chuyên môn, quy trình và trải nghiệm của từng nhóm người dùng được đưa vào giải pháp.
Nhờ đó, AI theo lĩnh vực không đồng nghĩa mỗi ngành phải phát triển toàn bộ hệ thống công nghệ riêng biệt. Những năng lực phù hợp vẫn có thể được kế thừa, trong khi phần quyết định AI có phù hợp với thực tế hay không được phát triển dựa trên domain.
Nền tảng chung giúp kế thừa năng lực công nghệ
Nếu mỗi bài toán chuyên ngành được xây dựng như một dự án hoàn toàn độc lập, nhiều thành phần công nghệ có thể phải phát triển lại. Điều này làm tăng sự phân mảnh khi số lượng ứng dụng AI mở rộng.
Lớp nền tảng tạo cơ sở để những năng lực chung được tổ chức và tiếp tục sử dụng. Một bài toán mới có thể kế thừa những thành phần phù hợp trước khi bổ sung phần chuyên biệt.
Lớp chuyên ngành giữ AI sát với thực tế
Khả năng kế thừa không có nghĩa chuẩn hóa mọi ngành theo cùng một cách. Chính lớp chuyên ngành giúp AI thích ứng với ngôn ngữ, dữ liệu, workflow và người dùng của từng lĩnh vực.
Đây là điểm cân bằng quan trọng của Vertical AI Platform: đủ chung để không liên tục xây dựng lại công nghệ nhưng đủ chuyên biệt để AI không trở thành một công cụ phổ thông được đặt vào môi trường chuyên môn.
Từ cấu trúc này, doanh nghiệp có thể phát triển AI theo domain mà vẫn duy trì khả năng mở rộng trên một nền tảng công nghệ có tính kế thừa.
Trivita AI phát triển từ nền tảng đến từng lĩnh vực
Trivita AI tiếp cận AI theo hướng bắt đầu từ lĩnh vực và vấn đề mà con người cần giải quyết. Thay vì xem một mô hình AI chung là câu trả lời cho mọi nhu cầu, công nghệ được đặt trong mối quan hệ với dữ liệu, tri thức và quy trình của từng domain.
Ở lớp nền, các năng lực liên quan đến ngôn ngữ, thị giác máy tính, học máy, dữ liệu và hạ tầng AI tạo cơ sở cho quá trình phát triển. Những năng lực có khả năng kế thừa giúp các ứng dụng mới không phải luôn bắt đầu từ con số không.
Ở lớp chuyên biệt, từng lĩnh vực cần được tiếp cận theo bối cảnh riêng. Đây cũng là định hướng của hệ sinh thái Trivita AI với MedVita dành cho y tế đang được triển khai, VitaLaw dành cho pháp lý đang trong quá trình phát triển và EdVita là định hướng dành cho giáo dục.
MedVita không chỉ đơn thuần là đưa một công cụ AI phổ thông vào môi trường y tế. Tương tự, hướng phát triển của VitaLaw và EdVita cần đặt AI trong mối quan hệ với tri thức, dữ liệu, người dùng và nghiệp vụ tương ứng của pháp lý và giáo dục.
Cách tiếp cận này phản ánh tinh thần AI lấy con người làm trung tâm của Trivita AI. Công nghệ được chuyên biệt không phải để loại bỏ vai trò của chuyên gia, mà để có khả năng hỗ trợ con người tốt hơn trong chính môi trường chuyên môn mà họ đang làm việc.
AI phù hợp với ngành khi hiểu được bối cảnh sử dụng
AI không phù hợp đặc thù ngành khi doanh nghiệp kỳ vọng một năng lực AI dùng chung có thể trực tiếp giải quyết những bài toán vốn phụ thuộc vào dữ liệu, tri thức, người dùng và quy trình chuyên môn. Khoảng cách này cần được thu hẹp bằng cách phát triển AI theo domain, trong đó năng lực công nghệ chung được xây dựng thành lớp nền còn từng ứng dụng được chuyên biệt hóa theo bối cảnh thực tế. Đây cũng là hướng Trivita AI phát triển hệ sinh thái MedVita, VitaLaw và EdVita, với mục tiêu đưa AI đến gần hơn với từng lĩnh vực để công nghệ có thể hỗ trợ con người tiếp cận thông tin, tri thức và thực hiện công việc tốt hơn mà không thay thế vai trò chuyên môn của con người.
