Future of Work là gì? 14 Lý do cho thấy Future of Work đang diễn ra

Post author By Gambaru
Post date 18 May, 2022
No Comments on Future of Work là gì? 14 Lý do cho thấy Future of Work đang diễn ra

Tất cả chúng ta đều đang chờ đợi future of work (tương lai công việc) sẽ xảy đến, và nó đã đến nhanh hơn dự kiến. Đại dịch vừa qua đã định hình lại hoàn toàn cách chúng ta thực hiện công việc và giao tiếp với đồng nghiệp.

Trong bài này, bạn sẽ tìm hiểu thêm về các yếu tố chính đang thúc đẩy Future of Work, cũng như học cách thích nghi với cách làm việc mới.

“Future of Work” rốt cuộc nghĩa là gì?

Ngày càng nhiều các nghiên cứu về future of work đã và đang xuất hiện trong thế giới kinh doanh. Các nhà tuyển dụng trên khắp thế giới đang cố gắng dự đoán future of work sẽ như thế nào và họ có thể thích ứng với nó ra sao.

Thị trường lao động có thể sẽ trải qua những biến đổi lớn trong những năm và thập kỷ tới.

Tuy nhiên, bất chấp sự phổ biến của chủ đề này, vẫn chưa có định nghĩa được chấp nhận rộng rãi về “future of work” bao gồm chính xác điều gì và những động lực phù hợp nhất là gì.

Nhìn chung, các doanh nghiệp đang cố gắng hiểu rõ hơn về sự trỗi dậy của công nghệ và toàn cầu hóa sẽ tác động như thế nào đến cách nhân viên của họ làm việc, cách thức nó sẽ định hình lại hoạt động Quản lý nguồn nhân lực và những thay đổi sẽ có tác động như thế nào đến cách hoạt động của các công ty.

Sự thay đổi cấp tốc hướng tới Future of Work

Chỉ vài tháng trước, mọi người đều bàn tán về việc future of work sẽ hoàn toàn là kỹ thuật số.

Ngày nay, kỹ thuật số là một bình thường mới đối với các tổ chức trên toàn cầu buộc phải chuyển đổi hoàn toàn và số hóa các quy trình kinh doanh của họ.

Đại dịch đã có tác động to lớn đến môi trường làm việc trực tuyến và do đó, thúc đẩy sự chuyển dịch nhanh hơn hướng tới tương lai của công việc.

Hơn nữa, một số chuyên gia tin rằng thế giới việc làm sẽ không còn như trước nữa.

Virus coronavirus đã thay đổi cơ bản mọi khía cạnh của hoạt động kinh doanh – từ việc loại bỏ tuyến đường đi làm đến cách chúng ta tương tác và cộng tác với đồng nghiệp của mình.

Nghiên cứu từ Hiệp hội Quản lý Nguồn nhân lực (SHRM) cho thấy:

71% người sử dụng lao động đang gặp khó khăn trong việc điều chỉnh theo remote work (làm việc từ xa)
65% nói rằng duy trì tinh thần của nhân viên là một thách thức và hơn một phần ba đang gặp khó khăn với văn hóa công ty.

*71% nhà tuyển dụng gặp khó khi điều chỉnh sang remote work*

14 Xu hướng ảnh hưởng đến Future of Work

Mặc dù chúng ta không mong đợi future of work đến nhanh như vậy, nhưng việc chuyển sang làm việc từ xa và sự trỗi dậy của các không gian làm việc ảo đang buộc chúng ta phải thích ứng với những thay đổi này.

Đối với những người sử dụng lao động quyết định duy trì không gian làm việc tập trung của họ, văn phòng của tương lai sẽ được thiết kế để giữ mọi người kết nối trong khi họ ở xa nhau.

Chúng ta đang kỳ vọng chứng kiến sự gia tăng của các không gian làm việc ảo để tạo điều kiện cho nhân viên đạt được thành công và duy trì mức năng suất của họ cao.

Giờ hãy xem xét một số xu hướng mới nổi đã thúc đẩy future of work diễn ra nhanh hơn dự kiến.

1. Remote work là phương thức làm việc bình thường mới

Bạn có nhớ câu nói: “Tương lai công việc là làm việc từ xa!” Thật không thể tin được khi thấy tương lai công việc thực sự trở thành bình thường mới nhanh như thế nào, phải không?

Lúc ban đầu của cuộc khủng hoảng, nhiều tổ chức nghĩ rằng họ không thể xử lý công việc từ xa vì các hoạt động Quản lý nhân tài đã hoàn toàn bị gián đoạn. Tuy nhiên, điều này không đúng vì nhiều trong số họ đang cân nhắc duy trì phương án làm việc từ xa sau đại dịch.

68% giám đốc tài chính cho biết việc chuyển đổi do khủng hoảng sang làm việc từ xa sẽ giúp công ty của họ tốt hơn về lâu dài. Hiện tại, 40% công ty cho biết họ đang có kế hoạch đẩy nhanh việc áp dụng các phương thức làm việc mới.

Ngoài ra, nhiều tổ chức hiểu rằng, với việc quay trở lại nơi làm việc, cách chúng tôi làm việc vẫn sẽ khác đáng kể so với cách đây vài tháng.

Điều quan trọng là người sử dụng lao động phải thích ứng với các hành vi mới của nhân viên và phương thức làm việc mới phù hợp nhất với nơi làm việc của họ.

2. Chuyển đổi số tăng tốc

Nhiều tổ chức sẽ nhớ năm 2020 là năm của chuyển đổi kỹ thuật số (digital transformation). Ngày nay, số hóa cả quy trình bên trong và bên ngoài là điều cần thiết để các doanh nghiệp duy trì hoạt động trơn tru nhất có thể.

Các công cụ và giải pháp phần mềm dành cho giao tiếp của nhân viên luôn đứng đầu danh sách khi nói đến việc triển khai các giải pháp kỹ thuật số mới tại nơi làm việc. Các giải pháp như vậy là cần thiết để giữ cho nhân viên được kết nối và thông báo những điều quan trọng và hơn bao giờ hết, các thông tin cập nhật thường xuyên của công ty cũng như từ chính quyền địa phương.

Tuy nhiên, vì chuyển đổi kỹ thuật số chưa bao giờ là một quá trình dễ dàng, nhiều tổ chức đang vật lộn để điều chỉnh nơi làm việc của họ và nhận được sự ủng hộ của nhân viên khi áp dụng các công nghệ mới tại nơi làm việc. Vì vậy, giao tiếp đúng mực với nhân viên đóng một vai trò cực kỳ quan trọng trong quá trình này.

*Chuyển đổi số trong những tổ chức có sự giao tiếp tốt giữa nhân viên có khả năng thành công gấp 3 lần*

3. Tầm quan trọng ngày càng tăng của truyền thông nội bộ

Khi nói đến future of work, cách nhân viên giao tiếp luôn là một chủ đề quan trọng.

Điều này thậm chí còn phù hợp hơn vào thời điểm hiện tại khi chúng ta đã chuyển sang làm việc từ xa.

Các tổ chức đã nhận thức được tầm quan trọng của giao tiếp nội bộ trong việc giữ cho nhân viên an toàn, năng suất và có động lực để hoàn thành công việc của mình.

Do đó, các chuyên gia truyền thông nội bộ hiện được coi là một trong những đối tác kinh doanh chiến lược quan trọng nhất.

*5 Cách tăng năng suất trên không gian làm việc số bằng giao tiếp nội bộ*

Khả năng cung cấp thông tin liên quan đến đúng nhân viên vào đúng thời điểm đã trở thành điều bắt buộc.

Có một cách thức thông báo cho nhân viên về các cập nhật quan trọng theo thời gian thực là một điều hoàn toàn cần thiết.

Việc đảm bảo các nhân viên có cách để duy trì kết nối với nhau dù họ đang ở đâu hiện là một trong những ưu tiên chính của người sử dụng lao động.

Tạo một nơi tập trung để nhân viên có thể truy cập tất cả các tin nhắn, thông tin liên lạc, cập nhật và tài liệu quan trọng là cách duy nhất để đảm bảo nhân viên không bao giờ bỏ lỡ các cập nhật quan trọng của công ty và không mất thời gian vào các nhiệm vụ không cần thiết.

Nhân viên mong đợi tìm thấy thông tin họ quan tâm trên các kênh truyền thông xã hội yêu thích của họ và tương tự như vậy đối với giao tiếp tại nơi làm việc.

Họ muốn thông tin tìm thấy họ, chứ không phải ngược lại. Mặc dù đây có thể được coi là cách làm việc của tương lai, nhưng đây là hiện thực!

*Nhân viên trung bình mất 2.5 tiếng mỗi ngày để tìm thông tin, tức là phí hoài 1 tuần mỗi tháng*

4. Vai trò thay đổi của lãnh đạo

Trước đó, không nhiều tổ chức đã coi lãnh đạo là một chủ đề quan trọng của future of work.

Chúng tôi chủ yếu tập trung vào cách AI và công nghệ khác sẽ thay thế một số công việc của con người.

Tuy nhiên, giờ đây, chúng ta có thể thấy rằng vai trò của lãnh đạo trong việc tạo ra không gian làm việc lành mạnh là vô cùng quan trọng.

Trong vài tháng qua, chúng ta đã nghe và đọc rất nhiều về tầm quan trọng của khả năng lãnh đạo trong những thời khắc đầy thử thách.

Khi các nhà lãnh đạo đóng vai trò then chốt trong việc xây dựng niềm tin ở nơi làm việc và gắn kết nhân viên với các mục tiêu kinh doanh, vai trò của họ đã trở nên cực kỳ quan trọng trong thời kỳ chưa từng có này.

*85% nhân viên thấy có động lực khi được cập nhật thông tin về công ty thường xuyên*

Do đó, chúng ta mong đợi được thấy các công ty tái khẳng định sự cần thiết của sự lãnh đạo mạnh mẽ để giảm thiểu hậu quả của đại dịch và các mối đe dọa trong tương lai.

Một nhà lãnh đạo tuyệt vời, thông qua giao tiếp cởi mở, minh bạch và chân thành, có thể giúp nhân viên và các bên liên quan khác vượt qua những thời điểm chẳng hạn như khủng hoảng.

Các tổ chức đã nhận ra tầm quan trọng của giao tiếp lãnh đạo cũng đã xoay sở để thích ứng tốt hơn với tương lai công việc.

5. Sự trỗi dậy của cộng tác xã hội

Sự cộng tác xã hội giờ đây trở nên quan trọng hơn bao giờ hết. Nhân viên muốn duy trì kết nối, họ mong đợi sự minh bạch hoàn toàn.

Họ muốn có thể tham gia vào các cuộc trò chuyện hai chiều hàng ngày của công ty, họ muốn được nghe và chia sẻ những ý tưởng của riêng mình với người khác.

Hiện nay, khi chúng ta đang có khoảng cách về mặt xã hội, nhu cầu về các công cụ cộng tác xã hội tại nơi làm việc đã tăng lên đáng kể.

Sự tương tác giữa các nhân viên từ tất cả các bộ phận cần phải liền mạch, trực quan và dễ dàng. Nếu không, nhân viên của bạn có thể cảm thấy mất kết nối, bị cô lập và do đó, ít có động lực và sự gắn bó trong công việc.

6. Đào tạo lại kỹ năng và chia sẻ kiến thức

Theo Forbes, các ứng dụng doanh nghiệp ngày nay có thể có độ chính xác dự đoán từ 80% trở lên. Chúng ta cần quan tâm đến 20% còn lại và bao quát cho “dặm đường cuối cùng” – quyết định thực tế.

Do đó, con người làm việc cùng với máy móc sẽ rất quan trọng, gia tăng sự đồng cảm, khả năng giải quyết vấn đề sáng tạo và khả năng phán đoán dựa trên kết quả đầu ra của AI.

Đây là lý do tại sao các nhà lãnh đạo doanh nghiệp cần bắt đầu phát triển các chức năng công việc và đào tạo lại nhân viên để họ chuẩn bị cho future of worki.

Tuy nhiên, một nghiên cứu cho thấy vẫn còn nhiều việc phải làm liên quan đến việc đào tạo lại kỹ năng trong các tổ chức.

53% giám đốc điều hành cấp cao nói rằng công ty của họ cung cấp các chương trình đào tạo lại kỹ năng cho người lao động.

Tuy nhiên, chỉ có 35% nhân viên cho biết các lựa chọn như vậy có sẵn trong tổ chức của họ.

*Chỉ 35% nhân viên cho biết công ty họ có chương trình Reskilling*

Với những chương trình đào tạo lại kỹ năng như vậy, điều rất quan trọng là nhân viên phải có khả năng dễ dàng chia sẻ kiến thức với đồng nghiệp. Kết quả là hợp tác và thành công hơn.

Nhân viên học hỏi tốt hơn từ các đồng nghiệp, những người có thể học thông qua ngữ cảnh công việc hàng ngày.

7. Sự tập trung của các kênh truyền thông

Giao tiếp kinh doanh đã phát triển vượt bậc trong vài năm qua. Các công nghệ mới đã được giới thiệu và chúng đã hoàn toàn cách mạng hóa giao tiếp kinh doanh.

Nhắn tin tức thì, ứng dụng trò chuyện, phần mềm hội nghị video, mạng nội bộ, chia sẻ tài liệu và những thứ khác đã xuất hiện, giúp cho việc giao tiếp trở nên nhanh chóng và hiệu quả.

Tuy nhiên, mặc dù công nghệ đã thúc đẩy giao tiếp kinh doanh một cách hiệu quả, nó cũng đi cùng với những thách thức riêng.

Mặc dù những hình thức giao tiếp hiện đại có thể nâng cao hiệu quả, nhưng hệ sinh thái giao tiếp tại nơi làm việc đang trở nên phức tạp đến mức có thể trở nên phản tác dụng.

Có quá nhiều các kênh giao tiếp khác nhau có thể gây ra sự nhầm lẫn giữa nhân viên và làm giảm năng suất của họ vì họ đang sử dụng nhiều ứng dụng giao tiếp khác nhau.

Điều này thúc đẩy nhu cầu về một phương tiện liên lạc tập trung và hợp lý hơn. Nhà tuyển dụng nên chọn các giải pháp phần mềm liên lạc nội bộ hợp nhất các kênh liên lạc khác nhau.

8. Không gian làm việc thân thiện với thiết bị di động

Lấy ví dụ, ngành bán lẻ và chăm sóc sức khỏe.

Vào thời điểm bắt đầu đại dịch, người sử dụng lao động trong những ngành đó không thể thông báo ngay lập tức cho nhân viên làm việc từ xa của họ về những tin tức quan trọng và cập nhật của công ty, biết rằng sức khỏe của nhân viên của họ đang gặp nguy hiểm.

Vì lý do đó, việc tạo ra những nơi làm việc thân thiện với thiết bị di động không được coi là future of work nữa, nó là present of work (hiện tại của công việc). Nó là bình thường mới.

Ngày nay, hầu hết các tổ chức, đặc biệt là những tổ chức có nhân viên làm việc từ xa, biết rằng hỗ trợ nơi làm việc thân thiện với thiết bị di động là cách duy nhất để đảm bảo an toàn và năng suất cho nhân viên của họ.

9. Tinh thần và sức khỏe của nhân viên được đặt lên hàng đầu

Theo nghiên cứu của SHRM, trên thang điểm “không bao giờ”, “hiếm khi”, “thỉnh thoảng” và “thường xuyên”, gần một phần tư nhân viên cho biết họ “thường xuyên” cảm thấy thất vọng, chán nản hoặc tuyệt vọng.

Vì những kết quả này đang khiến các nhà tuyển dụng trên toàn thế giới lo lắng, các chủ đề xung quanh tinh thần và sức khỏe của nhân viên hiện đã vượt qua những chủ đề liên quan đến động lực, sự gắn bó và năng suất.

Hơn nữa, gần một nửa số người lao động nói rằng nơi làm việc của họ có tác động tiêu cực đến sức khỏe tâm thần tổng thể.

Do dịch bệnh mà chúng ta đang trải qua, các tổ chức đang cố gắng tìm cách để giới thiệu các sáng kiến về phúc lợi cho nhân viên mới tại nơi làm việc.

Xu hướng này là điều mà không nhiều người mong đợi trở thành một trong những xu hướng future of work quan trọng nhất.

10. Ý nghĩa công việc

Một nghiên cứu của PwC cho thấy 79% các nhà lãnh đạo nghĩ rằng mục đích là trọng tâm của sự thành công trong kinh doanh và Gallup phát hiện ra rằng 41% nhân viên muốn biết công ty đại diện cho điều gì.

*41% nhân viên muốn biết công ty đại diện cho điều gì*

Nhân viên được thúc đẩy bởi ý thức về mục đích chung, nghĩa là họ cần có ý thức mạnh mẽ về phần của mình trong “bức tranh lớn hơn” để mang lại kết quả tốt nhất cho nơi làm việc.

Nhân viên muốn trở thành một phần của một cái gì đó lớn hơn. Họ muốn đóng góp cho thế giới và là những người đang thay đổi nó.

Điều này đặc biệt đúng đối với những nhân viên thuộc thế hệ GenZ, những người mà ý nghĩa của công việc là hàng đầu trong sự nghiệp và lựa chọn công việc của họ.

Tuy nhiên, thật đáng buồn khi thấy rằng nhiều nhân viên vẫn không biết tổ chức của họ đại diện cho điều gì và họ không hiểu công việc của chính họ đóng góp như thế nào vào sự thành công của công ty.

Nhiều người trong số họ không nhận thức được các hành động trách nhiệm xã hội và doanh nghiệp khác nhau mà tổ chức của họ thực hiện.

Điều này cần phải thay đổi và ở đây vai trò của lãnh đạo và truyền thông nội bộ là rất quan trọng. Họ là những người nên liên tục nhắc nhở nhân viên về những sáng kiến có ý nghĩa của công ty cũng như về tầm quan trọng của những đóng góp của nhân viên.

11. Kỹ năng cứng so với kỹ năng mềm

Theo ước tính của McKinsey, chỉ có 5% công việc có thể được tự động hóa hoàn toàn bằng công nghệ.

Do đó, người ta tin rằng, trong tương lai, người lao động sẽ dành nhiều thời gian hơn cho các hoạt động mà máy móc không có khả năng thực hiện, chẳng hạn như quản lý con người, áp dụng kiến thức chuyên môn và giao tiếp với người khác.

Nhờ công nghệ, con người sẽ dành ít thời gian hơn cho các hoạt động vật lý, lặp đi lặp lại và có thể dự đoán được cũng như thu thập và xử lý dữ liệu.

Đây là lý do tại sao chúng tôi đã nhận thấy một sự thay đổi lớn về nhu cầu về các kỹ năng con người khác nhau.

Các kỹ năng xã hội và tình cảm cũng như khả năng nhận thức nâng cao hơn, chẳng hạn như suy luận logic và sáng tạo đang được yêu cầu nhiều hơn bao giờ hết.

*91% nhân viên cho biết lãnh đạo của họ thiếu kỹ năng truyền đạt*

12. Tự kinh doanh và kinh tế gig hay sự an toàn công việc

Tất cả chúng ta đều biết rằng sự phát triển của nền kinh tế gig đã kéo theo sự gia tăng của trào lưu tự kinh doanh (self-employment), điều này đã và đang định hình lại future of work.

Chúng ta đang ở năm 2022. Vậy tình hình hiện tại là gì?

Công việc được thực hiện bởi những người lao động độc lập hầu như có liên quan đến sự an toàn công việc thấp đáng kể cũng như khả năng linh hoạt cao cho phép người lao động kiểm soát sự cân bằng giữa công việc và cuộc sống của họ.

Chúng ta đang thấy gì hôm nay? Các nhà tuyển dụng đang giới thiệu các điều kiện làm việc linh hoạt hơn nhiều, và an toàn việc làm đang trở thành một trong những đặc điểm lớn nhất mà nhà tuyển dụng có thể cung cấp. Vì vậy, hãy xem nền kinh tế gig tiếp tục phát triển như thế nào.

13. Quản lý thay đổi liên tục, linh hoạt (agile) và đổi mới

Các cuộc khủng hoảng như COVID-19 đòi hỏi các công ty phải nhanh nhẹn và sáng tạo hơn để có thể nhanh chóng thích ứng với sự thay đổi của môi trường làm việc.

Chúng ta từng nói rằng future of work sẽ linh hoạt hơn rất nhiều. Đúng là thế.

Không thể thích ứng với sự thay đổi và đưa ra quyết định nhanh chóng có thể ảnh hưởng nghiêm trọng đến năng suất của tổ chức và nhân viên.

Hơn nữa, để linh hoạt hơn, nhiều nhà tuyển dụng cũng đã bắt đầu trao quyền nhiều hơn cho nhân viên của họ với hy vọng thúc đẩy tinh thần khởi nghiệp.

Lý do thất bại của những thay đổi mang tính tổ chức — *91% nhân viên cho biết lãnh đạo của họ thiếu kỹ năng truyền đạt*

Để linh hoạt hơn, các tổ chức cần phải suy nghĩ lại về truyền thông nội bộ và thay đổi các chiến lược quản lý.

Việc trở thành một tổ chức linh hoạt không thể xảy ra trong các công ty có cấu trúc bậc thang, thông tin sai lệch hoặc thiếu liên lạc nội bộ, cũng như trong các tổ chức không biết cách thúc đẩy thay đổi.

14. Hoạt động xã hội của nhân viên gia tăng

Ngày nay, mọi người không muốn im lặng mà muốn chia sẻ tiếng nói của mình.

Vì lý do đó, chúng ta có thể thấy xu hướng hoạt động xã hội ngày càng tăng của nhân viên, nơi các nhân viên hiện đang cùng nhau biểu tình và phản đối công ty dựa trên các giá trị chính trị và xã hội của họ.

38% nhân viên cho biết họ đã lên tiếng ủng hộ hoặc chỉ trích hành động của người sử dụng lao động về một vấn đề gây tranh cãi ảnh hưởng đến xã hội.

Vậy, các tổ chức có thể làm gì?

Người sử dụng lao động cần hiểu rằng các nhà hoạt động xã hội cực kỳ ồn ào và họ có khả năng làm tổn thương nghiêm trọng hoặc nâng cao danh tiếng của tổ chức.

Các tổ chức cần liên tục nỗ lực xây dựng lòng tin ở nơi làm việc, tăng tính minh bạch, khuyến khích nhân viên sống theo các giá trị cốt lõi của công ty và tất nhiên, điều chỉnh các nỗ lực giao tiếp bên trong và bên ngoài.

Khi bạn làm điều này, bạn sẽ có nhiều nhà hoạt động ủng hộ, họ có thể trở thành đại sứ thương hiệu có giá trị nhất của bạn.

Làm thế nào để chuẩn bị cho Future of Work?

Không có câu trả lời đơn giản nào cho câu hỏi này cả. Nếu có, mọi người sẽ làm theo cùng một công thức và thành công. Điều mà các tổ chức cần hiểu và không bao giờ được lơ là, đó là future of work đã ở ngay đây.

Điều quan trọng nhất mà các nhà tuyển dụng cần nhớ là việc tạo ra và hình thành trải nghiệm tích cực cho nhân viên đang trở thành điều bắt buộc.

Các tổ chức cần tìm cách thích ứng với nhu cầu và mong muốn của nhân viên vì nhân viên là người lựa chọn người sử dụng lao động của họ.

Khi tạo ra một nền văn hóa lấy con người làm trung tâm như vậy, hãy ghi nhớ:

Tạo văn hóa minh bạch và giao tiếp cởi mở
Làm cho công việc có ý nghĩa hơn đối với nhân viên
Tạo điều kiện cho nhân viên thành công, phát triển và thăng tiến sự nghiệp
Triển khai các công nghệ cho phép nhân viên duy trì kết nối và làm việc hiệu quả
Có kế hoạch đào tạo lại kỹ năng và chia sẻ kiến thức trong tổ chức
Khuyến khích các nhà lãnh đạo xây dựng mối quan hệ chặt chẽ với đội nhóm
Tập trung vào sức khỏe nhân viên
Tạo môi trường làm việc linh hoạt

Nguồn: Haiilo

Tags Future of work, tương lai công việc

Events past

SD#03 | Passwordless – More Convenient

Post author By Gambaru
Post date 16 May, 2022
No Comments on SD#03 | Passwordless – More Convenient

What can be done to alleviate password challenges?

When you are an engineer, there will be seemingly very small changes, such as Passwordless, but have a huge impact on the end-user.

Passwordless seems to be a secure and easy-to-use approach, but there are challenges in implementing it. There are different ways to implement passwordless authentication such as biometric authentication, multi-factor authentication, tokenization, push notifications, etc.

At this week’s Short Demo, we will learn more about how to deploy Passwordless with Mr. Vinh Vo – Engineering Manager at Bizzi. In addition, in this session, we will raise questions and discuss with Mr. Vinh about it. Register now and send us your question. We look forward to see you there!

Tags Passwordless

Gambaru News

Manara gọi được 3 triệu đô để phát triển Tech Talent Pool ở Trung Đông và Bắc Phi

Post author By Gambaru
Post date 10 May, 2022
No Comments on Manara gọi được 3 triệu đô để phát triển Tech Talent Pool ở Trung Đông và Bắc Phi

Công ty khởi nghiệp edtech Manara đã huy động được 3 triệu đô la ở vòng tiền hạt giống (pre-seeding funding) cho nền tảng đào tạo dựa trên tổ hợp (cohort based) nhằm phát triển nhóm nhân tài công nghệ (tech talent pool) ở khu vực Trung Đông và Bắc Phi (MENA).

Manara - một edtech startup vừa huy động 3 triệu đô để phát triển Tech talent pool ở Trung Đông và Châu Phi — *Manara – một edtech startup vừa huy động 3 triệu đô để phát triển Tech talent pool ở Trung Đông và Bắc Phi*

Manara tự cho mình là một công ty khởi nghiệp edtech (giáo dục + công nghệ) có tác động xã hội, cung cấp chương trình đào tạo về khoa học máy tính cho bất kỳ ai đủ điều kiện tham gia chương trình.

Học viên của chương trình sẽ không phải trả bất kỳ khoản học phí nào, thế nhưng họ phải cam kết với Manara 10% tiền lương trong hai năm đầu tiên làm việc.

Công ty khởi nghiệp, được thành lập vào năm ngoái bởi Iliana Montauk (Giám đốc điều hành) và Laila Abudahi (CTO), cho biết các cựu sinh viên của họ cho đến nay đã được ‘đẩy’ tới các công ty công nghệ lớn như Meta và Google trên khắp châu Âu và Mỹ.

“Tôi lớn lên ở Palestine và sớm nhận ra rằng để trở thành một kỹ sư đẳng cấp thế giới, tôi cần phải làm việc trên các sản phẩm có tầm vóc với đội ngũ giàu kinh nghiệm. Sau khi đạt được ước mơ của mình thông qua rất nhiều lần thử và sai, tôi muốn giúp mọi người ở quê nhà làm được điều đó dễ dàng hơn. Các kỹ sư này sẽ trở thành CTO và nhà phát triển cấp cao mà khu vực cần để thúc đẩy sự thành công cho hệ sinh thái công nghệ của riêng mình” – Abudahi nói.

Manara cho biết 86% kỹ sư được đào tạo của họ nhận được lời mời làm việc trong vòng năm tháng sau khi tốt nghiệp, rất nhiều người còn được tăng lương tới 300% sau đào tạo.

Công ty có kế hoạch sử dụng nguồn tài trợ để mở rộng quy mô đào tạo từ 60 đến 6.000 kỹ sư mỗi năm. Họ cũng đang tìm cách tung ra một sản phẩm tự phục vụ nhằm đáp ứng nhu cầu thực hành phỏng vấn, kết nối và cố vấn, nhắm tới các kỹ sư phần mềm từ khắp nơi trên thế giới.

Vòng hạt giống do Stripe dẫn đầu, với sự tham gia của nhà sáng lập LinkedIn Reid Hoffman; Paul Graham, nhà sáng lập Y Combinator; Eric Ries, nhà sáng lập Lean Startup; và Mudassir Sheikha, nhà sáng lập và Giám đốc điều hành của Careem.

“Khu vực công nghệ Châu Âu đang phát triển nhanh chóng. Tồn tại một nhu cầu rất lớn về các giải pháp mới nhằm tiếp cận nhân tài, cho dù từ xa hay tại chỗ. Trung Đông và Bắc Phi là một sự phù hợp rõ ràng vì sự gần gũi và múi giờ. Chúng tôi rất hào hứng trong việc hỗ trợ công ty startup đầu tiên kết nối hai thị trường này – và đặc biệt vui mừng về cam kết của những người sáng lập đối với các kỹ sư nữ ” – Carlos Espinal, đối tác quản lý của Seedcamp cho biết.

Nhận xét về các nhà đầu tư tầm cỡ mà Manara đã thu hút được, Montauk cho biết, “Chúng tôi nhận được nhiều sự quan tâm từ các nhà đầu tư hơn mức chúng tôi có thể đáp ứng, báo hiệu sự quan tâm ngày càng tăng từ Thung lũng Silicon đối với các nền tảng tạo điều kiện cho các cộng đồng online và offline, và các giải pháp để tiếp cận các tài năng từ các thị trường mới nổi”.

Nguồn: TechCrunch

Tags edtech, manara, startup

All about Japan

Nhật Bản sẽ không còn tồn tại nếu không giải quyết được vấn đề dân số!

Post author By Gambaru
Post date 10 May, 2022
No Comments on Nhật Bản sẽ không còn tồn tại nếu không giải quyết được vấn đề dân số!

Nếu không giải quyết các vấn đề liên quan đến tỷ lệ sinh đang trên đà giảm sút, Nhật Bản có thể sẽ “không còn tồn tại“, theo 1 nhận định gây tranh cãi gần đây trên tài khoản Twitter của Elon Musk.

Mặc dù gây tranh cãi, ý kiến này cũng làm dấy lên lời kêu gọi nước Nhật nên nới lỏng hơn các quy định nghiêm ngặt về vấn đề nhập cư và cần cải thiện sự cân bằng giữa công việc và cuộc sống.

Elon Musk chia sẻ:“Trước nguy cơ đã quá rõ ràng, trừ khi có điều gì đó thay đổi khiến tỷ lệ sinh vượt quá tỷ lệ tử, nếu không Nhật Bản cuối cùng sẽ không còn tồn tại. Đây sẽ là một tổn thất lớn cho thế giới”.

Theo 1 báo cáo hồi tháng 4 năm nay, dân số Nhật ghi nhận đã giảm tới 644.000 người so với năm ngoái, đây là năm giảm liên tiếp thứ 11 và cũng giữ kỷ lục giảm cao nhất kể từ năm 1950.

Tỷ lệ sinh ở Nhật thấp chủ yếu là do tâm lý e ngại việc sinh con, cùng với tình hình kinh tế của nhiều người gặp khó khăn do các tác động từ hơn 2 năm đại dịch.

Mặc dù vậy, Nhật Bản vẫn là nền kinh tế lớn thứ ba thế giới, với nhiều doanh nghiệp lớn từ các nhà sản xuất xe đến phát triển trò chơi, vẫn là một trong những mắt xích chính trong chuỗi cung ứng chất bán dẫn toàn cầu.

Dân số Nhật Bản đạt đỉnh vào năm 2008 và đã giảm xuống còn khoảng 125 triệu người hồi năm trước, bất chấp những cảnh báo của chính phủ về tác động của tăng trưởng kinh tế và các chiến dịch nhằm khuyến khích sinh con ở nước này.

Tobias Harris, thành viên cấp cao tại Trung tâm Tiến bộ Mỹ cho rằng việc nghĩ về vấn đề dân số ở Nhật không hẳn là chuyện Nhật Bản sau cùng sẽ còn tồn tại hay không như ý của Musk, mà đó nằm ở “sự lệch lạc xã hội sâu sắc đang xảy ra do tình trạng suy giảm dân số“.

Các chuyên gia đổ lỗi cho tỷ lệ sinh thấp ở Nhật Bản là vì một số yếu tố như chi phí để nuôi dạy con cái cao, thiếu dịch vụ chăm sóc trẻ và thời gian làm việc kéo dài khiến người ta ngại việc sinh con.

Ngoài ra, Nhật cũng là một trong những quốc gia có dân số già nhất thế giới, với nhóm người từ 65 tuổi trở lên chiếm tới gần 29%.

Nguồn: Tinhte

Tags Japan, Nhật Bản

Dev's Corner

AI Engineer là gì? Cách bắt đầu sự nghiệp AI Engineer

Post author By Gambaru
Post date 10 May, 2022
No Comments on AI Engineer là gì? Cách bắt đầu sự nghiệp AI Engineer

Các doanh nghiệp có thể sử dụng một lượng lớn dữ liệu mà họ tạo ra mỗi ngày để cải thiện và đơn giản hóa các tác vụ thường xuyên, diễn ra mỗi ngày. Với hệ thống A.I chuẩn chỉnh, các công ty có thể đem những tác vụ này ra khỏi đội ngũ của mình để họ có thể tập trung vào công việc quan trọng hơn. Các công nghệ như nhận dạng giọng nói, quản lý quy trình kinh doanh và xử lý hình ảnh chỉ là một số trong những công nghệ A.I thay đổi thế giới.

Các công ty cần AI Engineer (kỹ sư AI) để thiết lập các hệ thống này, duy trì và điều chỉnh chúng theo những thay đổi trong hoạt động kinh doanh. Trong bài viết này, chúng ta sẽ khám phá những gì AI Engineer làm, loại kỹ năng họ cần và cách bạn có thể bắt đầu con đường sự nghiệp AI Engineer của mình.

A.I là gì?

A.I (artificial intelligence), hay trí tuệ nhân tạo, sử dụng máy tính và máy móc để mô phỏng cách trí óc con người vận hành để hoàn thành các tác vụ giải quyết vấn đề và ra quyết định.

Nó kết hợp các tập dữ liệu mạnh mẽ mà chúng ta tạo ra hàng ngày với khoa học máy tính để đạt được mục tiêu này ở dạng đơn giản nhất.

Trong A.I, máy móc học hỏi kết quả của các hành động cụ thể bằng cách thu thập hàng núi dữ liệu quá khứ.

Sau đó, chúng sử dụng những hiểu biết sâu sắc có được từ quá trình này để đưa ra quyết định về các hành động trong tương lai và giải quyết vấn đề.

Đồng thời, dữ liệu về các quyết định của máy cũng được thu thập và được sử dụng để sửa chữa và hoàn thiện các hành động và quyết định trong tương lai.

Khác biệt giữa AI và Machine learning

Học máy (machine learning) và trí tuệ nhân tạo thường được gộp chung vào cùng một định nghĩa, nhưng chúng không nhất thiết giống nhau.

“Trí tuệ nhân tạo có thể được mô tả là khi máy móc thực hiện các nhiệm vụ theo cách thông minh, dựa trên các quy tắc đã đặt ra để giải quyết các vấn đề nhất định. Trí tuệ nhân tạo, hay A.I., đưa ra quyết định, học hỏi và giải quyết các vấn đề tương tự như cách con người làm.

Mặt khác, machine learning là tập hợp con của A.I. Đó là khi chúng ta cung cấp dữ liệu cho máy móc và để chúng tự học từ dữ liệu đó mà không được lập trình rõ ràng. Các mô hình học máy học hỏi từ dữ liệu và cố gắng cải thiện các dự đoán của nó theo thời gian”.

Vì vậy, học máy là một tập hợp con của A.I nhưng không phải tất cả A.I đều là học máy. A.I. là một lĩnh vực rộng hơn.

AI Engineer làm gì?

Các kỹ sư A.I phát triển các ứng dụng và hệ thống mới để:

Nâng cao hiệu suất và hiệu quả của các quy trình kinh doanh
Giúp doanh nghiệp đưa ra quyết định tốt hơn
Giảm chi phí
Tăng doanh thu và lợi nhuận

Đơn giản mà nói, họ sử dụng kỹ thuật phần mềm và khoa học dữ liệu để nối liền hoạt động kinh doanh với tự động hóa.

Nhiều nhiệm vụ của kỹ sư A.I trùng lặp với nhiệm vụ của Kỹ sư học máy (Machine learning engineer). Một số trách nhiệm của A.I. Kỹ sư bao gồm:

Phối hợp với lãnh đạo doanh nghiệp và đội ngũ phát triển phần mềm để xác định những quy trình kinh doanh nào có thể được cải thiện bằng A.I.
Tạo và duy trì quá trình phát triển A.I và cơ sở hạ tầng mà nó chạy trên đó.
Áp dụng các kỹ thuật máy học để nhận dạng hình ảnh.
Áp dụng các kỹ thuật xử lý ngôn ngữ tự nhiên (NLP) vào đọc văn bản và bản ghi âm để lấy thông tin chi tiết và phân tích từ dữ liệu này.
Xây dựng và duy trì chatbot tương tác với khách hàng.
Phát triển các giải pháp dựa trên trí tuệ nhân tạo bắt chước hành vi của con người để hoàn thành các tác vụ lặp đi lặp lại mà con người hiện đang thực hiện.
Xây dựng, đào tạo và hoàn thiện các mô hình học máy.
Đơn giản hóa quy trình học máy để các ứng dụng kinh doanh khác có thể tương tác với chúng bằng cách sử dụng API.
Xây dựng công cụ đề xuất cho các trang web mua sắm, dịch vụ phát trực tuyến và các ứng dụng khác.
Phát triển quy trình dữ liệu giúp quá trình chuyển đổi dữ liệu thô thành dữ liệu có cấu trúc cần cho các quy trình A.I được mượt mà.

Các kỹ năng cần thiết cho AI Engineer

A.I là một lĩnh vực rộng lớn và kỹ sư A.I đòi hỏi các kỹ năng của Kỹ sư phần mềm lẫn kỹ năng của Nhà khoa học dữ liệu. Thậm chí biết toán và thống kê cũng là điểm cộng.

Một kỹ sư A.I cần biết ít nhất một ngôn ngữ lập trình và thường sẽ học nhiều ngôn ngữ trong suốt sự nghiệp của họ. Nhiều công cụ mà các kỹ sư A.I sử dụng để hỗ trợ cho công việc sẽ cần kiến thức về Python, R hoặc Java.

Để xây dựng và làm việc với các mô hình học máy, kỹ sư A.I sư cũng sẽ cần biết các nguyên tắc cơ bản của các framework học máy khác nhau, như TensorFlow, Theano, PyTorch và Caffe. Họ cũng sẽ cần biết cách biến dữ liệu thô thành các đặc tính mà mô hình học máy sử dụng.

Ngoài ra, một kỹ sư A.I phải có kinh nghiệm với nhiều loại mô hình học máy và loại công việc nào họ phù hợp nhất. Các loại này bao gồm:

Mạng nơron
Mạng nơron lặp lại
Thuật toán KNN (K-Nearest Neighbor)
GAN (General adversarial neighbor – mạng đối nghịch tạo sinh)
Học tập có giám sát
Học tập không giám sát
Random forest
Học tăng cường

Để thực sự tạo ra các mô hình mới và hiểu cách chúng hoạt động, chuyên gia A.I có thể phải biết đại số tuyến tính, xác suất thống kê thay vì sử dụng các mô hình dựng sẵn.

Các chủ đề này giúp bạn hiểu các mô hình Markov ẩn, Naive Bayes, mô hình hỗn hợp Gaussian và phân tích phân biệt tuyến tính – các kỹ thuật được sử dụng trong học máy.

Dữ liệu cũng là một phần quan trọng trong công việc của kỹ sư A.I. Rất nhiều dữ liệu được lưu trữ trong các hệ quản trị cơ sở dữ liệu quan hệ, vì vậy việc có kiến thức cơ bản về SQL, ngôn ngữ của cơ sở dữ liệu là rất hữu ích.

Tuy nhiên, một số dữ liệu này sẽ được lưu trữ trong các kho dữ liệu phi cấu trúc hoặc bán cấu trúc – vì vậy việc biết các công nghệ dữ liệu lớn như Apache Spark, Apache Hadoop, Cassandra và MongoDB là một điểm cộng lớn.

Tuy nhiên, các kỹ sư A.I đòi hỏi nhiều hơn kỹ năng kỹ thuật. Họ cũng phải:

Tỉ mỉ và hướng đến chi tiết vì những bất đồng nhỏ trong dữ liệu có thể gây ra sự khác biệt lớn trong các mô hình học máy.
Có kỹ năng giao tiếp xuất sắc vì nhiều người mà họ làm việc cùng sẽ không hiểu nhiều về những gì họ làm. Họ sẽ phải giải thích kết quả nhiệm vụ của mình theo cách mà ai cũng có thể hiểu.
Tư duy bức tranh lớn đủ giỏi để hiểu nhu cầu kinh doanh và xây dựng các hệ thống A.I mang lại lợi ích cho công ty.

Mức lương của kỹ sư AI

Kỹ sư A.I có thu nhập khá tốt. Mức lương trung bình cho một kỹ sư A.I ở Mỹ là hơn $160,000. Ở các bang như California, mức trung bình lên tới gần 200.000 đô.

Nhu cầu về kỹ sư A.I luôn ở mức cao, vì vậy, kỳ vọng cơ hội việc làm và mức lương sẽ tăng trong tương lai. Cục Thống kê Lao động Hoa Kỳ dự kiến tất cả các công việc của Software Developer sẽ tăng 22% trong thập kỷ tới và bao gồm cả kỹ sư A.I.

Làm thế nào để trở thành AI Engineer?

Đã qua rồi cái thời mà bằng cấp khoa học máy tính hoặc thậm chí bất kỳ bằng cấp đại học nào là điều kiện bắt buộc để trở thành kỹ sư A.I. Đang có nhu cầu rất lớn đối với kỹ sư A.I và các nhà tuyển dụng biết rằng rất nhiều A.I tay nghề cao thậm chí không có lấy tấm bằng nào. Họ làm điều đó vì họ yêu thích công việc.

Dưới đây là một số bước để bạn tiến nhập vào lĩnh vực này

1. Học hỏi kỹ năng thông qua chương trình đại học, coding bootcamp hoặc tự học

Kỹ sư AI là lĩnh vực thu hút rất nhiều chuyên gia từ nhiều nền tảng giáo dục khác nhau. Mặc dù hầu hết các vị trí ở cấp độ mới vào nghê đều đòi hỏi bằng cử nhân, thế nhưng chuyên ngành cũng tương đối linh hoạt chẳng hạn từ kỹ sư máy tính, hệ thống thông tin máy tính, khoa học dữ liệu và khoa học máy tính.

Ngoài bằng cấp, bạn có thể phát triển bộ kỹ năng kỹ sư AI qua các bootcamp, như AI / Machine learning bootcamp, data science bootcamp hoặc coding bootcamp. Những chương trình cô đọng này thường rất tốt cho người mới vào nghề và không quá 1 năm là học xong.

Bạn còn có thể phát triển kỹ năng AI bằng cách tự học. Hãy tự mình nghiên cứu về AI và tham gia các lớp machine learning và deep learning. Bạn cũng nên cân nhắc học luôn các ngôn ngữ lập trình phổ biến như Python, Java, C++, R, Prolog, Lisp, Julia.

2. Nhận dự án, thực hành nâng cao kỹ năng và xây dựng portfolio

Nhà tuyển dụng luôn muốn tìm các ứng viên với hồ sơ và portfolio ‘thâm hậu’. Thậm chí lúc ở trường bạn cũng làm được portfolio từ các chương trình hoặc dự án nội bộ.

Portfolio sẽ làm nổi bật nhiều kỹ năng nhưng bạn cũng nên thể hiện khả năng tư duy khỏi khuôn khổ và tạo giá trị cho cộng đồng.

Ngoài hoàn thiện portfolio và gia tăng kinh nghiệm cho mình, hãy tham gia những dự án giúp phát huy ra nhiều kỹ năng. Ví dụ, bạn có thể tìm những dự án chuyên sâu về phân tích, chuyển ngữ…

3. Thực tập

Thực tập rất hữu ích với sinh viên AI engineering. Nhưng cơ hội như thế này là môi trường tốt để có bước chuẩn bị cho sự nghiệp, đào tạo thực tiễn, xây dựng hồ sơ, và kết nối tạo quan hệ. Ngoài phát triển các mối quan hệ mà có thể chuyển thành công việc toàn thời gian, thực tập sinh sẽ có thể thử qua nhiều loại công việc, công ty và chuyên ngành khác nhau.

Cơ hội thực tập tốt nhất trong lĩnh vực AI engineering còn tùy vào từng sinh viên và mục tiêu nghề nghiệp cụ thể của họ. Ví dụ, người học có thể cân nhắc đi sâu vào những chuyên môn phổ biến như smart technology, automotive system, và cybersecurity.

Hãy tập trung vào các kỹ năng AI engineering bạn cần để thỏa mãn mục tiêu dài hạn như lập trình, machine learning và deep learning, xử lý ngôn ngữ hay hình ảnh.

4. Xác định lộ trình sự nghiệp AI scientist

Khi số lượng ứng dụng Ai ngày càng tăng, số lượng công ty và lĩnh vực tuyển kỹ sư AI cũng tăng theo. Không chỉ ngành IT, kỹ sư AI còn làm việc ở cả sản xuất, vận chuyển, chăm sóc sức khỏe, kinh doanh và xây dựng. Họ đi sâu vào các ngành như Rô bốt, Chẩn đoán bệnh, Bảo mật và xe tự hành.

Thậm chí trong những ngành và chuyên môn đó, vai trò kỹ sư Ai cũng có thể khác nhau. Họ có thể làm việc như nhà khoa học nghiên cứu (research scientist) trong AI, kỹ sư rô bốt, lập trình viên hay nhà khoa học machine learning. Họ còn có thể đi sâu vào tương tác con người máy tính, tầm hình con người, hay business intelligence.

5. Đạt chứng chỉ AI Engineer

Mặc dù bằng cấp hay chứng chỉ không nhất thiết phải có đối với kỹ sư AI, nhưng một chứng chỉ chuyên môn có thể cải thiện đáng kể cơ hội tuyển dụng và thăng tiến. Chúng chứng minh rằng người được chứng nhận đã được đào tạo bài bản, có kinh nghiệm.

Hầu hết các chứng chỉ đều thỏa mãn yêu cầu tối thiểu về giáo dục và kinh nghiệm. Ứng viên cần vượt qua bài kiểm tra để chứng minh trình độ của mình.

Đây là một số chứng chỉ khá tốt dành cho chuyên gia AI

Azure AI fundamentals certification from Microsoft
Professional machine learning engineer from Google

6. Tạo hồ sơ và ứng tuyển

Nhà tuyển nào cũng tìm điều gì đó đặc biệt trong hồ sơ, nhưng luôn có biện pháp để khiến hồ sơ của bạn được chú ý. Các kỹ sư AI cần sửa đổi hồ sơ cho phù hợp với vị trí và công ty mà họ ứng tuyển. Họ nên nhấn mạnh các vai trò phù hợp, nhưng giới hạn nội dung chỉ trong 2 trang thôi.

Các kỹ sư AI nổi bật cũng chỉ nhất mạnh các kỹ năng kỹ thuật thích hợp, như ngôn ngữ lập trình, kinh nghiệm làm mô hình và thuật toán, kiến thức về data engineering và phân tích, kinh nghiệm với các dịch vụ và nền tảng. Ứng viên mới vào nghề thường ứng tuyển các vị trí junior, trợ lý hay điều phối.

Quy trình phỏng vấn cũng khác nhau tùy vị trí và nhà tuyển dụng. Người phỏng vấn thường kiểm tra kinh nghiệm làm việc trước đây của ứng viên. Các buổi phỏng vấn sẽ bao gồm câu hỏi về coding và thuật toán để kiểm tra kiến thức ứng viên.

Tham khảo: Codecademy, Zdnet

Tags ai engineer, ai engineering, Artificial Intelligence, học máy, machine learning, trí tuệ nhân tạo

Dev's Corner

Metaverse là gì? Metaverse có ý nghĩa như thế nào đối với bạn?

Post author By Gambaru
Post date 6 May, 2022
No Comments on Metaverse là gì? Metaverse có ý nghĩa như thế nào đối với bạn?

Trong bài viết này, chúng ta sẽ cùng bàn tổng quan về các khả năng (và cạm bẫy) tương lai của metaverse trong 5-10 năm nữa khi các nhà lãnh đạo cân nhắc khả năng theo đuổi thứ mà một số người tin rằng sẽ là thế giới mới tiếp theo cho hầu hết doanh nghiệp.

Metaverse là gì?

Metaverse là thuật ngữ phổ biến được sử dụng để mô tả thứ mà nhiều người kỳ vọng sẽ trở thành hình thái tiếp theo về cách chúng ta sử dụng công nghệ và mạng kỹ thuật số để tương tác và cộng tác với người khác và có trải nghiệm ảo với mọi hình thức.

Đó không phải là một công nghệ hay thiết bị riêng lẻ, và cũng không phải là dịch vụ của bất kỳ công ty nào. Mà đó là sự hội tụ của một số công nghệ riêng biệt, tất cả đều nhanh chóng hoàn thiện để sử dụng phổ biến.

Cùng nhau, những công nghệ đó có thể tạo ra trải nghiệm môi trường ba chiều, nhập vai, trong đó người dùng tương tác với môi trường xung quanh và với những người dùng khác như thể họ đang ở trong một không gian chung.

Nhưng một metaverse được phát triển đầy đủ không chỉ đơn thuần là một không gian ảo. Nó có ít nhất 2 đặc điểm quan trọng khác giúp nó có tiềm năng trở thành một nền tảng mới với đa dạng mục đích sử dụng.

Đầu tiên, nó đưa thế giới vật lý và kỹ thuật số / ảo vào trải nghiệm của người dùng.
Thứ hai, metaverse dự kiến sẽ có một nền kinh tế bản địa, bao gồm tài sản thuần kỹ thuật số và thương mại.

Mặc dù Internet ngày nay có một mối quan hệ quan trọng đối với nền kinh tế, nhưng metaverse có thể có nền kinh tế riêng của nó.

Metaverse - Một thế giới hoàn toàn mới — *Metaverse – Một thế giới hoàn toàn mới*

Các yếu tố thúc đẩy tương lai của metaverse là gì?

Sự tiến hóa của metaverse sẽ phụ thuộc vào phản ứng của người tiêu dùng cũng như kết quả của ít nhất bốn ẩn số chính:

Chuẩn hóa

Các tiêu chuẩn và giao thức hội tụ ở mức độ nào? Mức độ tương kết giữa các nền tảng khác nhau là gì?

Có một nền kinh tế thống nhất các nền tảng không?
Liệu hàng hóa kỹ thuật số được mua trong một metaverse có tồn tại trong một metaverse khác?
Danh tính có nhất quán trên các nền tảng không?
Có các tiêu chuẩn thiết kế và lập trình có nhất quán không?

Phân mảnh thì trường

Có bao nhiêu nhà lãnh đạo thị trường nổi lên và họ phục vụ đối tượng khách hàng nào và trong những tình huống thương mại nào?

Có bao nhiêu sự cạnh tranh trên thị trường, và điều này ảnh hưởng đến sự đổi mới như thế nào?
Chúng ta sẽ thấy (hoặc sẽ được phép thấy) M&A / hợp nhất thị trường ở mức độ nào?
Các nền tảng khác nhau có phục vụ các tình huống sử dụng khác nhau không? (ví dụ: một nền tảng chỉ dành cho người tiêu dùng và một nền tảng chỉ dành cho doanh nghiệp)

Giao diện người dùng

Giao diện người dùng trực quan và tích hợp mạch lạc với cuộc sống hàng ngày ở mức độ nào?

Giao diện chủ đạo sẽ thân thiện với người dùng và thiết bị di động như thế nào?
Giao diện có cho phép chuyển đổi giữa thế giới vật lý và kỹ thuật số một cách mạch lạc không?

Quản trị

Nội dung và hành vi được quy định hiệu quả và nhất quán ra sao? IP và tài sản kỹ thuật số có được bảo vệ một cách đáng tin cậy?

Có cơ quan quản lý mạnh mẽ không hay các nền tảng chủ yếu dựa trên sự tự trị?
Các tương tác và giao dịch an toàn và đáng tin cậy ở mức độ nào?
Có quy trình hiệu quả để quản lý vấn đề thuế và trách nhiệm pháp lý không?

Tương lai của Metaverse có thể xảy ra theo hướng nào?

Có ba kịch bản tiềm năng dành cho tương lai của metaverse vào đầu những năm 2030:

Low orbit

Metaverse vượt trội về những thứ nó giỏi nhưng không trở thành nền tảng chung:

Thị trường phân mảnh, không có người chơi thống trị và sự lựa chọn áp đảo của người tiêu dùng
Giao diện người dùng hoạt động tốt trong một số tình huống nhất định nhưng khó hòa nhập vào cuộc sống hàng ngày
Sự đón nhận của người tiêu dùng với trò chơi, thể thao, giải trí và một số hoạt động bán lẻ ở mức cao
Sự đón nhận của doanh nghiệp bị giới hạn ở mức độ hợp tác nhóm, hội nghị ảo, đào tạo / học tập tăng cường và công nghệ bản sao kỹ thuật số
Quy định không nhất quán giữa các quốc gia và khu vực

Kết quả: Một thị trường đặc biệt cho các tình huống sử dụng cụ thể, giúp hoàn thiện chứ không thay thế các công nghệ khác.

Double star

Không có một metaverse đơn độc, mà là một số ít anh lớn tranh giành thị phần trong một thị trường năng động.

Thiếu khả năng tương kết đòi hỏi người dùng cam kết với một nền tảng gốc
Nguồn vốn dồi dào và M&A tích cực dẫn đến một thị trường tập trung cao độ
Cạnh tranh thúc đẩy đổi mới công nghệ phần cứng và phần mềm
Các hệ sinh thái cạnh tranh để giành được sự chú ý của người dùng thông qua nội dung độc quyền và quan hệ đối tác
Các nền tảng có sự tự trị mạnh mẽ và hiệu quả

Kết quả: Một thị trường lớn cho nhiều ứng dụng nhưng phân chia giữa các nhà lãnh đạo công nghệ thế hệ tiếp theo.

Big bang

Một metaverse mở, có tính tương kết trở thành giao diện chủ đạo mà qua đó chúng ta tiến hành hầu hết hoạt động hàng ngày.

Giao diện người dùng dung hợp mượt mà giữa thế giới thực và thế giới số
Nhận dạng trong metaverse không khác gì trong thế giới thực
Không có nhà cung cấp đơn nhất, với nhiều nhà đổi mới và một hệ thống mở, có tính tương kết
Áp dụng rộng rãi trong các tình huống sử dụng của người tiêu dùng và doanh nghiệp
Quản trị mạnh mẽ, với các quy tắc nghiêm ngặt về quyền sở hữu kỹ thuật số và quyền riêng tư / bảo mật

Kết quả: Internet chuyển dịch hoàn toàn vào một thế giới ảo mà hầu hết doanh nghiệp và người tiêu dùng hoạt động.

Các nhà lãnh đạo có thể làm gì?

Trong khi tương lai của metaverse vẫn còn là ẩn số, có một số hành động mà các nhà điều hành có thể thực hiện ngay bây giờ:

Đừng đánh giá thấp tiềm năng: Hãy định hình chiến lược metaverse nhưng đủ linh hoạt để thích ứng với những thay đổi trong công nghệ và sở thích của người tiêu dùng. Áp dụng phương thức “thử nghiệm và học hỏi” cho cả khi đối diện với khách hàng lẫn các hoạt động trong doanh nghiệp.
Nhìn xa trông rộng: Trường hợp metaverse trở thành chủ đạo và việc tạo doanh thu tương ứng có thể sẽ diễn ra trong vài năm, các công ty nên có cái nhìn xa về các khoản đầu tư và xem xét các KPI xung quanh mức độ tương tác của người tiêu dùng và nhân viên bên cạnh ROI. Hãy xem xét các khoản đầu tư trong bối cảnh các chương trình chuyển đổi số rộng lớn hơn.
Tập trung vào nhu cầu và động lực của người dùng: Các tổ chức nên tập trung vào cách tạo nội dung và trải nghiệm hấp dẫn (ví dụ: quan hệ đối tác độc quyền, công cụ nội dung do người dùng tạo, thu thập dữ liệu và thông tin mạnh mẽ) để thiết lập chia sẻ và duy trì tính cạnh tranh.
Cam kết một “metaverse có trách nhiệm”: Các tổ chức sẽ cần quản lý một loạt các phức tạp và rủi ro trong metaverse (ví dụ: quyền riêng tư / bảo mật, khả năng tiếp cận, tiêu thụ năng lượng bền vững) và đảm bảo họ đang chủ động xây dựng một metaverse có trách nhiệm và duy trì lòng tin của người tiêu dùng và nhân viên một cách hiệu quả.

Nguồn: https://www2.deloitte.com/

Tags future of metaverse, metaverse

Gambaru News

Tactic muốn phát minh lại phần mềm kế toán cho thời đại web3

Post author By Gambaru
Post date 6 May, 2022
No Comments on Tactic muốn phát minh lại phần mềm kế toán cho thời đại web3

Tactic phát minh lại phần mềm kế toán thời đại web3

Tactic, một công ty khởi nghiệp giúp các doanh nghiệp quản lý và đơn giản hóa hoạt động tài chính tiền điện tử (cryptocurrency finance), đang bất ngờ nổi lên với 2,6 triệu đô la vốn đầu tư.

Tactic - Startup phần mềm kế toán dành cho doanh nghiệp có giao dịch bằng tiền điện tử — *Tactic – Startup phần mềm kế toán dành cho doanh nghiệp có giao dịch bằng tiền điện tử*

Các nhà sáng lập của Fund và công ty khởi nghiệp tự động hóa tài chính Ramp đã đồng dẫn đầu việc gọi vốn cho Tactic, một công ty có 8 thành viên trụ sở tại Thành phố New York. Elad Gil và người đồng sáng lập Figma, Dylan Field cũng tham gia tài trợ.

Giám đốc điều hành Ann Jaskiw thành lập Tactic sau khi phát hiện rằng những nhà sáng lập trong lĩnh vực web3 đang xử lý hoạt động kế toán của mình trên bảng tính excel. Cô kết luận rằng các nhà cung cấp phần mềm kế toán hiện tại “không được xây dựng để xử lý các giao dịch tiền điện tử”.

Jaskiw cho biết, cốt lõi của sản phẩm Tactic là giúp giám đốc tài chính hoặc người đứng đầu bộ phận tài chính trả lời câu hỏi “Tiền đã đi đâu?” vào cuối một quý.

Jaskiw giải thích: “Ngay bây giờ đối với hầu hết các chuyên gia tài chính, dấu vết kiểm tra các giao dịch tiền điện tử của họ là một giao dịch ghi nợ từ Ngân hàng Thung lũng Silicon hoặc bất kỳ ngân hàng nào, vào một sàn giao dịch tập trung như Coinbase. Token rời khỏi vị trí trung tâm đó, và sau đó nó trở thành một dấu chấm hỏi lớn. Những gì chúng tôi thấy là mọi người đang dành nhiều thời gian cho các bảng tính thủ công, cố gắng theo dõi những giao dịch nào xảy ra và cố gắng tính toán lãi và lỗ. Hiện tại nó cực kỳ cồng kềnh.”

Nói chung, các công ty tương tác với blockchain phải vật lộn để hiểu được hoạt động phân mảnh của họ, theo Jaskiw.

“Họ có xu hướng quản lý nhiều ví trên nhiều blockchain khác nhau và giữ tiền trong các sàn giao dịch tập trung hoặc các giải pháp tự lưu ký như Gnosis Safe”.

Đây là lúc Tactic xuất hiện.

Tactic giải quyết vấn đề tính toán cho việc nắm giữ tiền điện tử và hoạt động trên chuỗi của một doanh nghiệp bằng cách tổng hợp dữ liệu trên các nguồn khác nhau để cung cấp cho các doanh nghiệp “cái nhìn đầy đủ về số dư và hoạt động của họ”.

Jaskiw cho biết, phần mềm giúp các công ty tự động phân loại các giao dịch và áp dụng logic kế toán như tính lãi / lỗ và các sự kiện chịu thuế. Sau đó, kế toán có thể điều chỉnh sổ cái phụ tiền điện tử (crypto-subledger) của doanh nghiệp với phần mềm kế toán truyền thống như QuickBooks.

Jaskiw nói:

“Không quan trọng họ đang xây dựng cái gì, đó có thể là bất kỳ giao dịch trực tuyến nào, nhưng không có dấu vết kiểm tra cố định nào nếu bạn là một công ty tiền điện tử. Vì vậy, nếu bạn có một tài khoản ngân hàng thông thường, bạn có tất cả các dòng tiền vào và ra của mình và bạn có thể có nhiều hơn một tài khoản ngân hàng nhưng nó thường ở một vị trí duy nhất – trong khi các giao dịch tiền điện tử có thể trải qua hàng chục ví hoặc sản phẩm khác nhau. “

Sau khi nói chuyện với hàng trăm công ty, Tactic nhận thấy rằng tài chính phi tập trung hoặc giao dịch “DeFi” là vấn đề nan giải nhất.

Ví dụ: một lần tương tác với hợp đồng thông minh có thể tạo ra hàng trăm “giao dịch lồng ghép”, tất cả đều cần được chia nhỏ cho mục đích kế toán.

Tactic đã hợp tác với các công ty kế toán để giúp diễn giải các hướng dẫn kế toán cho các hoạt động cụ thể của DeFi như đặt cọc, đúc NFT và airdrop.

Kể từ khi ra mắt vào năm 2021, Tactic đã thu hút được “hàng chục” khách hàng, từ các công ty khởi nghiệp giai đoạn đầu đến các doanh nghiệp hàng tỷ đô la trong các ngành bao gồm NFT, giao thức và DeFi. Công ty đang thiết kế đề xuất của mình để làm việc với các doanh nghiệp có “hàng trăm nghìn” giao dịch mỗi tháng.

Jaskiw nói:

“Đây là nỗi đau cho bất kỳ ai. Một tổ chức càng lớn mạnh thì vấn đề càng trở nên phức tạp và tồi tệ hơn. Vì vậy, đó là nơi chúng tôi thấy thú vị nhất về nó”.

Bà cũng tin rằng một quan niệm sai lầm phổ biến về không gian tiền điện tử là rất nhiều người đang cố gắng tránh các quy định. Jaskiw cho biết, Tactic đã cho thấy điều ngược lại là đúng.

“Rất nhiều công ty, đặc biệt là tập đoàn tư nhân ở Mỹ, đang thực sự cố gắng làm điều đúng đắn, cố gắng làm theo các quy tắc và quy định. Họ chỉ đang thiếu công cụ và hướng dẫn để có thể làm điều đó một cách hiệu quả.”

John Dempsey, Phó giám đốc chiến lược và vận hành của Tactic, nói rằng Tactic giúp các doanh nghiệp giao dịch bằng tiền điện tử “dễ dàng”, “rằng họ có thể quản lý hoạt động tài chính của mình một cách rõ ràng và đúng quy định”. Dempsey là cựu Phó Giám đốc sản phẩm của công ty Chainalysis, một công ty phân tích blockchain vào tháng 3 năm ngoái đã thành công với khoản tài trợ Series D trị giá 100 triệu đô la, tăng gấp đôi giá trị của mình lên hơn 2 tỷ đô la.

Nhưng không chỉ các công ty web3 đang vật lộn với vấn đề này.

Theo Scott Orn, COO của Kruze Consulting, một công ty CPA phục vụ các công ty khởi nghiệp, tiền điện tử đang “thâm nhập nhanh chóng” ngay cả các công ty không phải tiền điện tử.

“Crypto đang nhanh chóng trở thành một phần của cơ sở hạ tầng tài chính của nhiều công ty khởi nghiệp. Chúng tôi nhận thấy 5% đến 10% các công ty SaaS phi crypto tham gia vào các giao dịch tiền điện tử – đó là những công ty SaaS không liên quan gì đến tiền điện tử. Hai năm trước, hầu như không có công ty phi crypto nào sử dụng tiền điện tử – đó thực sự là tốc độ tăng trưởng đáng kinh ngạc”.

Ông nói thêm, tiền điện tử mang tới một loạt các vấn đề kế toán cần được giải quyết bằng phần mềm, bao gồm các giao dịch đặt chỗ một cách chính xác vào sổ cái chung, ghi lại thông tin kế hoạch thuế và xử lý các giao dịch do hợp đồng thông minh tạo.

Orn chỉ ra rằng các giao dịch tiền điện tử có thể tạo ra các sự kiện chịu thuế.

Ví dụ: một công ty có hợp đồng và được thanh toán một số lượng mã thông báo tiền điện tử (crypto token) nhất định và nếu những mã token đó tăng giá trị trước khi công ty thực sự được thanh toán, điều đó có thể dẫn đến “đột biến doanh thu”.

Orn nói thêm:

“Điều này có thể thúc đẩy một công ty khởi nghiệp có lãi, đồng nghĩa với việc nợ thuế. Và việc bán các tài sản tiền điện tử đã tăng giá trị sẽ tạo ra một khoản lợi nhuận chịu thuế. Chúng tôi đã thấy cả hai tình huống này và việc theo dõi tất cả theo cách thủ công là rất khó trong tình huống có khối lượng lớn. “

Các nhà sáng lập Fund Principal Leigh, Marie Braswell nói rằng sản phẩm của Tactic “đã tiết kiệm nhiều ngày làm việc cho các nhóm kế toán tiền điện tử”.

“Chúng tôi tin rằng Tactic có tiềm năng trở thành một anh lớn khi nhiều công ty chuyển sang làm web3” cô nói thêm.

Eric Glyman, Giám đốc điều hành và đồng sáng lập của Ramp, nói rằng công ty của ông đầu tư vào Tactic dựa trên niềm tin rằng cần có “các giải pháp trực quan, đơn giản cho các doanh nghiệp giao dịch bằng tiền điện tử”.

Ông nói: “Chúng tôi dự đoán rằng nhu cầu sẽ tăng trong tương lai”.

Glyman cũng xem điều mà ông mô tả là “sự liên kết chiến lược” với tầm nhìn dài hạn của Ramp (Lưu ý: Công ty đã đảm bảo nguồn vốn của chính mình vào đầu năm nay với mức định giá 8,1 tỷ đô la).

Ông nói: “Tactic được xây dựng với mục đích tiết kiệm thời gian cho các doanh nghiệp và đặc biệt là nền tảng này hoạt động cho các công ty có khối lượng giao dịch cao. Và mọi thứ chúng tôi làm tại Ramp đều nhằm hỗ trợ việc tiết kiệm thời gian và tiền bạc cho doanh nghiệp.”

Tactic có kế hoạch sử dụng nguồn vốn mới để xây dựng sản phẩm và đội ngũ.

Jaskiw nói: “Chúng tôi không phải thực hiện bất kỳ hoạt động tiếp thị bên ngoài hoặc chạy quảng cáo nào. Chúng tôi đã nhận được rất nhiều sự phấn khích từ bên trong.”

Nguồn: TechCrunch

Tags accounting software, Cryptocurrency, tactic, web3

Gambaru News

Airbnb cam kết remote work toàn thời gian – ‘Sống và làm việc ở bất cứ đâu’

Post author By Gambaru
Post date 29 April, 2022
No Comments on Airbnb cam kết remote work toàn thời gian – ‘Sống và làm việc ở bất cứ đâu’

Airbnb đang thực hiện toàn bộ triết lý “sống và làm việc bất kỳ đâu” mà phần lớn thế giới kinh doanh đã buộc phải thích nghi, cam kết làm việc từ xa toàn thời gian cho hầu hết nhân viên và một số đặc quyền như 90 ngày làm việc / du lịch quốc tế.

Đó là một chính sách đơn giản, mạnh mẽ mà rất ít công ty lớn có đủ can đảm để thực hiện.

Trong một email gửi cho nhân viên được đăng trên blog và trong một bài đăng trên Twitter, Giám đốc điều hành Airbnb, Brian Chesky, đã phác thảo chính sách mới, tóm tắt nó trong năm điểm:

Bạn có thể làm việc tại nhà hoặc văn phòng
Bạn có thể chuyển đến bất kỳ đâu tại quốc gia bạn làm việc và mức lương của bạn không thay đổi
Bạn có thể linh hoạt đi du lịch và làm việc trên khắp thế giới
Chúng ta sẽ gặp nhau thường xuyên để họp mặt
Chúng ta sẽ tiếp tục phối hợp cao khi làm việc

Rõ ràng là chúng khá dễ hiểu, nhưng hãy bàn sâu thêm 1 chút.

Ngoài “một vài vai trò” cần hiện diện tại văn phòng hoặc địa điểm làm việc thì tất cả nhân viên có thể làm việc từ bất cứ đâu họ muốn.

Nếu bạn muốn di chuyển, miễn là bạn ở trong nước, tiền lương của bạn sẽ không thay đổi.

Ví dụ: dù bạn đi bất cứ đâu ở Mỹ, mức lương của bạn cũng không thay đổi, vẫn đầy đủ dù bạn sống trong thị trấn nhỏ ở Colorado hay khu trung tâm Manhattan. Tuy nhiên nếu bạn chuyển đến London hoặc Seoul, thì sẽ kiểu “việc này tương đối phức tạp, nên chúng tôi sẽ không thể hỗ trợ những người đó trong năm nay“.

Mặc dù người lao động cần một địa chỉ thường trú, nhưng họ sẽ có hàng tá công ty và địa điểm để làm việc trong tối đa 90 ngày một năm – vì vậy họ có thể ở lại Lisbon một chút và làm việc tại biệt thự ở đó trong một hoặc hai tuần sau kỳ nghỉ.

Chesky nói rằng tất cả họ sẽ “gặp gỡ thường xuyên”, mặc dù Airbnb có khoảng 15.000 nhân viên vào thời điểm này. Họ sẽ có “vài nơi gặp mặt trực tiếp” trong năm 2022, điều này hẳn nhiên là thông minh, nhưng năm tới “bạn sẽ gặp trực tiếp mỗi quý trong khoảng một tuần tại một thời điểm” thì thực sự không hiểu họ làm thế nào để hoàn thành công việc ở đó.

Ý cuối cùng có vẻ hơi thừa, nhưng có lẽ cũng tốt khi chính thức lưu ý rằng hình thức làm việc chung tại công ty hoặc cách mọi người được quản lý,… sẽ không thay đổi do chính sách mới này.

Nhiều công ty đã công bố các chính sách dự kiến với sự nhất trí rằng chúng sẽ được xem xét lại sau một vài tháng. Có rất nhiều lời bàn tán về mô hình “hydrid” hoặc “flex” trong đó nhân viên làm việc tại văn phòng một vài ngày, sau đó ở nhà trong thời gian còn lại.

Tùy thuộc vào vị trí và cách bạn làm việc, điều này có thể là tốt nhất hoặc tệ nhất. Nhưng nó cho thấy sự thiếu quyết đoán nhất định trong lãnh đạo. (Trong số những người đầu tiên áp dụng làm việc từ xa toàn thời gian là Twitter).

Có lẽ Airbnb sẽ là chuột bạch cho loại hình “không gian làm việc hoàn toàn từ xa” này và tất cả các công ty khác sẽ theo dõi và chờ đợi có phát sinh một số gánh nặng thuế mới hoặc vấn đề năng suất hay không. Nhưng sự đơn giản và linh hoạt của chính sách, mặc dù có những hạn chế pháp lý quốc tế, có thể vượt trội hơn bất kỳ rắc rối mới nào mà nó tạo ra.

Nguồn: TechCrunch

Tags airbnb, làm việc từ xa, Remote Work

Dev's Corner

Data Labeling là gì? Hướng dẫn cơ bản Data Labeling cho Machine Learning

Post author By Gambaru
Post date 27 April, 2022
No Comments on Data Labeling là gì? Hướng dẫn cơ bản Data Labeling cho Machine Learning

Hiểu biết về Data Labeling có hữu ích cho bạn?

Nếu bạn có một lượng lớn dữ liệu muốn sử dụng trong học máy (machine learning) hoặc học sâu (deep learning), bạn sẽ cần tới các công cụ và con người để làm giàu cho dữ liệu đó nhằm đào tạo, đánh giá và điều chỉnh mô hình của mình.

Hướng dẫn này sẽ hữu ích nhất nếu bạn có dữ liệu mà bạn có thể gắn nhãn và bạn đang đối mặt với một hoặc nhiều thách thức dưới đây.

1. Bạn có rất nhiều dữ liệu chưa được gắn nhãn

Hầu hết dữ liệu không được gắn nhãn và đó là thách thức đối với hầu hết các nhóm dự án AI.

Theo công ty phân tích Cognilytica, toàn bộ 80% thời gian dự án AI được dành cho việc thu thập, sắp xếp và gắn nhãn dữ liệu (data labeling), và đây là thời gian mà các nhóm không muốn bỏ ra vì họ đang trong cuộc chạy đua tới dữ-liệu-có-thể-sử-dụng được, tức là dữ liệu được cấu trúc và dán nhãn phù hợp để đào tạo và triển khai các mô hình.

*Phân bổ thời gian cho các tác vụ dự án Machine Learning*

2. Các nhãn dữ liệu của bạn có chất lượng thấp

Có rất nhiều lý do khiến dữ liệu được gắn nhãn của bạn có chất lượng thấp, nguyên nhân thường ở con người, quy trình hoặc công nghệ được sử dụng trong quy trình data labeling.

3. Quá trình gắn nhãn dữ liệu của bạn không hiệu quả hoặc tốn kém

Nếu bạn đang trả tiền cho các nhà khoa học dữ liệu (data scientist) để xử lý dữ liệu, thì tốt hơn bạn nên tìm cách thức khác.

Mức lương cho các nhà khoa học dữ liệu có thể lên tới 190.000 đô / năm. Thật phí phạm khi để những nhân sự được trả lương cao này dành thời gian vào công việc cơ bản, lặp đi lặp lại.

4. Bạn cần bổ sung QA (quality assurance) vào quy trình gắn nhãn dữ liệu của mình hoặc cải tiến quy trình QA đã thực hiện

Đây là nơi mà data labeling thường bỏ sót và có thể cung cấp giá trị đáng kể, đặc biệt là trong giai đoạn thử nghiệm và đánh giá mô hình học máy.

Dừng lại chút nào, nếu bạn đang #open_to_work, thử nghía qua các công việc đang tuyển trên Gamba nhé. Vào LINK NÀY để xem các job Data hoặc scan QR Code ở bên dưới nhé.

Xem và ứng tuyển các 'data' job — *Xem và ứng tuyển các ‘data’ job*

Dữ liệu được gắn nhãn (Labeled Data) và sự thật cơ bản

Dữ liệu được gắn nhãn là gì?

Trong học máy (machine learning), nếu bạn có dữ liệu đã được gắn nhãn, điều đó có nghĩa là dữ liệu của bạn được đánh dấu hoặc được chú thích, để hiển thị mục tiêu, là câu trả lời mà bạn muốn mô hình machine learning của mình dự đoán.

Nói chung, data labeling có thể hiểu là các tác vụ bao gồm gắn thẻ dữ liệu, chú thích, phân loại, kiểm duyệt, phiên âm hoặc xử lý.

Chú thích dữ liệu (data annotation) là gì?

Chú thích dữ liệu thường để nói về quá trình gắn nhãn dữ liệu. Chú thích dữ liệu và gắn nhãn dữ liệu thường được sử dụng thay thế cho nhau, mặc dù chúng có thể được sử dụng khác nhau tùy theo ngành hoặc tình huống sử dụng.

Dữ liệu được gắn nhãn làm nổi bật các đặc tính của dữ liệu – thuộc tính, đặc điểm hoặc phân loại – mà có thể được phân tích để tìm ra các hình mẫu giúp dự đoán mục tiêu.

Ví dụ: trong tầm nhìn máy tính dành cho xe tự hành, một người gắn nhãn dữ liệu có thể sử dụng công cụ gắn nhãn video từng khung hình để chỉ ra vị trí của biển báo đường phố, người đi bộ hoặc các phương tiện khác.

‘Human-in-the-Loop’ (HITL) là gì?

HITL (bán tự hành) tận dụng trí thông minh của con người và máy móc để tạo ra các mô hình học máy.

Trong cấu hình HITL, con người tham gia vào một vòng tròn cải tiến trong đó khả năng phán đoán của con người được sử dụng để đào tạo, điều chỉnh và kiểm tra một mô hình dữ liệu cụ thể.

Các nhãn trong học máy là gì?

Nhãn là thứ mà HITL sử dụng để xác định và gọi ra các đặc tính có trong dữ liệu.

Việc lựa chọn các đặc tính có tính thông tin, phân biệt và độc lập để gắn nhãn là cực kỳ quan trọng nếu bạn muốn phát triển các thuật toán trong nhận dạng hình mẫu, phân loại và hồi quy một cách hiệu quả.

Dữ liệu được gắn nhãn chính xác có thể cung cấp sự thật nền tảng để thử nghiệm và lặp lại các mô hình của bạn.

“Sự thật nền tảng” trong học máy là gì?

Trong học máy, “sự thật nền tảng” (ground truth) nghĩa là kiểm tra độ chính xác trong kết quả của các thuật toán ML so với thế giới thực. Về bản chất, đó là kiểm tra thực tế về độ chính xác của các thuật toán.

Thuật ngữ này được mượn từ khí tượng học, trong đó “sự thật nền tảng” đề cập đến thông tin thu được trên mặt đất nơi một sự kiện thời tiết xảy ra, dữ liệu đó sau đó được so sánh với các mô hình dự báo để xác định độ chính xác của chúng.

“Dữ liệu đào tạo” trong học máy là gì?

Dữ liệu đào tạo là dữ liệu đã được làm giàu (enriched data) mà bạn sử dụng để đào tạo mô hình hoặc thuật toán machine learning.

Ngày nay, các công ty thực hiện data labeling ra sao?

Các tổ chức sử dụng sự kết hợp giữa phần mềm, quy trình và con người để làm sạch, tạo cấu trúc hoặc gắn nhãn dữ liệu.

Nói chung, bạn có 4 phướng án đối với nhân sự làm data labeling:

Nhân viên – Họ thuộc biên chế của bạn, toàn thời gian hoặc bán thời gian. Mô tả công việc của họ có thể không bao gồm data labeling.
Các nhóm được quản lý – Bạn sử dụng các nhóm nhân viên gắn nhãn dữ liệu đã được kiểm tra, đào tạo và quản lý.
Nhà thầu – Họ là người lao động tạm thời hoặc tự do.
Crowdsourcing – Bạn sử dụng nền tảng của bên thứ ba để tiếp cận nhiều người lao động cùng một lúc.

Các phương án lực lượng lao động Data Labeling — *Các phương án cho nhân sự Data Labeling*

Data Labeling bao gồm một loạt các nhiệm vụ:

Sử dụng công cụ để làm giàu dữ liệu
Đảm bảo chất lượng cho việc gắn nhãn dữ liệu
Lặp lại quy trình, chẳng hạn như các thay đổi trong lựa chọn đặc tính dữ liệu, tiến trình tác vụ hoặc QA
Quản lý nhân viên gắn nhãn dữ liệu
Đào tạo thành viên mới trong nhóm
Lập kế hoạch dự án, vận hành quy trình và đo lường thành công

Dưới đây là 5 yếu tố cần thiết bạn cần xem xét khi cần làm data labeling cho machine learning:

1. Chất lượng và độ chính xác của dữ liệu – Điều gì ảnh hưởng đến chất lượng và độ chính xác?

Mặc dù các thuật ngữ thường được sử dụng thay thế cho nhau, nhưng chúng ta cần hiểu rằng độ chính xác và chất lượng là hai thứ khác nhau.

Độ chính xác đo lường mức độ sự sai biệt giữa việc gắn nhãn với sự thật nền tảng, hoặc các đặc tính được gắn nhãn trong dữ liệu nhất quán ra sao với các điều kiện trong thế giới thực. Điều này đúng cho dù bạn đang xây dựng mô hình thị giác máy tính (ví dụ: đặt các hộp giới hạn xung quanh các đối tượng trên cảnh đường phố) hay mô hình xử lý ngôn ngữ tự nhiên (NLP) (ví dụ: phân loại văn bản theo cảm tính xã hội).

Chất lượng là độ chính xác trên toàn bộ tập dữ liệu. Công việc của tất cả nhân viên dán nhãn của bạn có giống nhau không? Việc gắn nhãn có luôn chính xác trên các tập dữ liệu của bạn không? Có chính xác dù bạn có 29, 89 hoặc 999 nhân viên gắn nhãn dữ liệu làm việc cùng một lúc không?

Dữ liệu chất lượng thấp có thể phản tác dụng hai lần: lần đầu tiên trong quá trình đào tạo mô hình và lần nữa khi mô hình của bạn sử dụng dữ liệu được gắn nhãn để thông tin cho các quyết định trong tương lai.

Để tạo, đánh giá và duy trì các mô hình học máy hiệu suất cao, bạn phải đào tạo và xác thực chúng bằng cách sử dụng dữ liệu đáng tin cậy và có thể tin cậy.

4 đặc điểm của Lực lượng lao động ảnh hưởng đến Chất lượng trong Data Labeling

Điều gì ảnh hưởng đến chất lượng dữ liệu trong việc gắn nhãn?

1. Kiến thức và bối cảnh

Trong data labeling, kiến thức lĩnh vực cơ bản và hiểu ngữ cảnh là điều cần thiết để lực lượng lao động của bạn tạo bộ dữ liệu có cấu trúc, chất lượng cao cho học máy.

Nhân viên gắn nhãn dữ liệu sẽ có chất lượng cao hơn khi họ hiểu ngữ cảnh hoặc biết về mục đích hoặc mức độ liên quan của dữ liệu mà họ gắn nhãn.

Ví dụ: những người gắn nhãn dữ liệu văn bản của bạn phải hiểu khi nào một số từ nhất định có thể được sử dụng theo nhiều cách, tùy thuộc vào ý nghĩa của văn bản.

Để gắn thẻ từ “bass” một cách chính xác, họ sẽ cần biết liệu văn bản đó có liên quan đến cá hay âm nhạc. Họ có thể cần hiểu cách các từ có thể được thay thế cho những từ khác, chẳng hạn như “Kleenex” cho “khăn giấy”.

Để có dữ liệu chất lượng cao nhất, người gắn nhãn nên biết các chi tiết chính về ngành bạn phục vụ và công việc của họ liên quan như thế nào đến vấn đề bạn đang giải quyết.

Thậm chí còn tốt hơn nữa khi một thành viên trong nhóm gắn nhãn của bạn có kiến thức chuyên môn hoặc hiểu biết cơ bản về ngành mà dữ liệu của bạn phục vụ, vì vậy họ có thể quản lý nhóm và đào tạo các thành viên mới về các quy tắc liên quan đến ngữ cảnh, hoạt động kinh doanh hoặc sản phẩm và các trường hợp đặc thù.

Ví dụ: từ vựng, định dạng và phong cách của văn bản liên quan đến chăm sóc sức khỏe có thể thay đổi đáng kể đối với ngành luật.

2. Linh hoạt (Agility)

Học máy là một quá trình lặp đi lặp lại.

Việc gắn nhãn dữ liệu phát triển khi bạn kiểm tra và đánh giá các mô hình của mình cũng như học hỏi từ kết quả của chúng, vì vậy, bạn cần chuẩn bị các tập dữ liệu mới và làm phong phú thêm các tập dữ liệu hiện có để cải thiện kết quả thuật toán của mình.

Nhóm data labeling của bạn phải linh hoạt trong việc kết hợp các thay đổi theo nhu cầu của người dùng cuối, các thay đổi trong sản phẩm của bạn hoặc bổ sung các sản phẩm mới.

Một nhóm data labeling linh hoạt có thể phản ứng với những thay đổi về khối lượng dữ liệu, độ phức tạp tác vụ và thời lượng tác vụ. Nhóm gắn nhãn của bạn càng dễ thích ứng, bạn càng có thể thực hiện nhiều dự án máy học hơn.

Khi bạn phát triển các thuật toán và đào tạo mô hình của mình, người gắn nhãn dữ liệu có thể cung cấp thông tin có giá trị (insight) về các đặc tính của dữ liệu – tức là thuộc tính, đặc điểm hoặc phân loại – sẽ được phân tích để tìm ra các hình mẫu giúp dự đoán mục tiêu hoặc trả lời những gì bạn muốn mô hình của mình dự đoán.

3. Mối quan hệ

Trong học máy, quy trình làm việc của bạn thay đổi liên tục.

Bạn cần những người gắn nhãn dữ liệu có thể phản ứng nhanh chóng và thực hiện các thay đổi trong quy trình làm việc của mình, dựa trên những gì bạn học được trong giai đoạn kiểm tra và đánh giá mô hình.

Để thực hiện loại công việc linh hoạt đó, bạn cần sự linh hoạt trong quy trình của mình, những người quan tâm đến dữ liệu của bạn và sự thành công của dự án và kết nối trực tiếp tới người lãnh đạo trong nhóm data labeling để bạn có thể lặp lại các đặc tính dữ liệu, thuộc tính và quy trình làm việc dựa trên những gì bạn học trong giai đoạn thử nghiệm và đánh giá.

4. Giao tiếp

Bạn sẽ cần trao đổi trực tiếp với nhóm gắn nhãn của mình.

Vòng phản hồi khép kín là một cách rất tốt để tạo dựng sự giao tiếp và cộng tác đáng tin cậy giữa nhóm dự án và những người gắn nhãn dữ liệu.

Người gắn nhãn có thể chia sẻ những gì họ rút ra được khi làm data labeling, vì vậy bạn có thể sử dụng thông tin này để điều chỉnh cách tiếp cận của mình.

Chất lượng được đo lường như thế nào trong data labeling?

Có bốn cách để đo lường chất lượng data labeling từ góc độ lực lượng lao động:

Tiêu chuẩn vàng – Có một câu trả lời chính xác cho tác vụ. Đo lường chất lượng dựa trên các tác vụ đúng và sai.
Đánh giá mẫu – Chọn một mẫu ngẫu nhiên của các tác vụ đã hoàn thành. Một nhân viên nhiều kinh nghiệm, chẳng hạn như trưởng nhóm hoặc quản lý dự án, sẽ xem xét độ chính xác của mẫu.
Sự đồng thuận – Chỉ định một số người làm cùng một tác vụ và câu trả lời đúng là câu trả lời từ phần lớn các nhân viên gắn nhãn.
IoU (Intersection over Union) – Đây là một mô hình đồng thuận thường được sử dụng để phát hiện đối tượng trong ảnh. Nó kết hợp con người và tự động hóa để so sánh các hộp giới hạn (bounding box) của hình ảnh thực được dán nhãn thủ công với các hộp giới hạn được dự đoán từ mô hình.

Hãy thoải mái lựa chọn một trong số các phương pháp đảm bảo chất lượng này thay vì bị bó buộc vào một mô hình đo lường chất lượng duy nhất.

2. Quy mô – Điều gì xảy ra khi khối lượng data labeling tăng lên?

Điều cần thiết thứ hai để gắn nhãn dữ liệu cho học máy là quy mô. Những gì bạn muốn là khả năng mở rộng hoặc giảm lực lượng lao động theo dự án và nhu cầu kinh doanh của bạn mà không ảnh hưởng đến chất lượng dữ liệu.

Gắn nhãn dữ liệu là một quá trình tốn thời gian và thậm chí còn nhiều hơn thế khi làm machine learning, đòi hỏi bạn phải lặp lại và phát triển các đặc tính dữ liệu khi bạn đào tạo và điều chỉnh mô hình của mình để cải thiện chất lượng dữ liệu và hiệu suất của mô hình.

Khi độ phức tạp và khối lượng dữ liệu của bạn tăng lên, nhu cầu gắn nhãn của bạn cũng vậy.

Chú thích video đặc biệt tốn nhiều công sức: mỗi giờ dữ liệu video được thu thập mất khoảng 800 giờ công (manhour) để chú thích. Một video dài 10 phút chứa khoảng 18.000 đến 36.000 khung hình, khoảng 30-60 khung hình mỗi giây.

Thời điểm cần mở rộng quy mô và thuê dịch vụ gắn nhãn dữ liệu?

Nếu tài nguyên đắt tiền nhất của bạn (nhà khoa học dữ liệu hoặc kỹ sư dữ liệu) đang dành thời gian đáng kể để xử lý dữ liệu cho machine learning hoặc phân tích dữ liệu, thì đó là lúc bạn nên xem xét mở rộng quy mô với dịch vụ gắn nhãn dữ liệu.

Việc gia tăng khối lượng gắn nhãn dữ liệu, cho dù chúng xảy ra trong nhiều tuần hoặc nhiều tháng, sẽ ngày càng khó khăn hơn nếu tự quản lý.

Chúng cũng tiêu hao thời gian và sự tập trung của một số nguồn nhân lực đắt giá nhất : các nhà khoa học dữ liệu (data scientist) và kỹ sư machine learning. Nếu nhà khoa học dữ liệu của bạn đang gắn nhãn hoặc quấn dữ liệu, bạn sẽ phải trả tới 90 đô la một giờ.

Tốt hơn nên giải phóng một nguồn tài nguyên có giá trị cao như vậy cho các công việc phân tích và có tính chiến lược hơn, là trích xuất giá trị kinh doanh từ dữ liệu của bạn.

5 Bước mở rộng Data Labeling

1. Thiết kế cho năng lực của lực lượng lao động

Dịch vụ gắn nhãn dữ liệu có thể cung cấp quyền truy cập vào một nhóm lớn nhân sự. Crowdsourcing (nhân viên tuyển từ cộng đồng) cũng vậy, nhưng nghiên cứu của nhà phát triển công nghệ khoa học dữ liệu Hivemind cho thấy những nhân viên ẩn danh (từ crowdsourcing) cung cấp dữ liệu có chất lượng thấp hơn so với các nhóm được quản lý nếu so về các tác vụ gắn nhãn dữ liệu giống hệt nhau.

Tốt nhất là bạn nên làm việc với cùng một đội nhân viên gắn nhãn, vì khi mức độ quen thuộc của họ với các quy tắc kinh doanh, ngữ cảnh và các trường hợp đặc thù tăng lên, chất lượng dữ liệu sẽ cải thiện theo thời gian.

Họ cũng có thể đào tạo khi có người mới khi họ tham gia nhóm. Điều này đặc biệt hữu ích với việc gắn nhãn dữ liệu cho các dự án machine learning, nơi chất lượng và tính linh hoạt để lặp lại là điều cần thiết.

2. Tìm sự linh hoạt

Hãy tìm kiếm sự linh hoạt trong việc mở rộng hoặc thu hẹp quy mô gắn nhãn. Bạn có thể phải gắn nhãn dữ liệu theo thời gian thực, dựa trên khối lượng dữ liệu đến được tạo ra.

Có thể doanh nghiệp của bạn có lượng mua hàng tăng đột biến theo mùa trong những tuần nhất định trong năm. Việc ra mắt sản phẩm có thể tạo ra lượng dữ liệu gắn nhãn tăng đột biến. Bạn hẳn sẽ muốn có một lực lượng lao động có thể điều chỉnh quy mô dựa trên nhu cầu của bạn.

3. Chọn dụng cụ thông minh

Cho dù bạn mua hay tự xây dựng, công cụ làm giàu dữ liệu bạn chọn sẽ ảnh hưởng đáng kể đến khả năng mở rộng gắn nhãn dữ liệu của bạn.

Xin lưu ý rằng đó là một quá trình liên tục: các nhiệm vụ gắn nhãn dữ liệu của bạn ngày hôm nay có thể khác sau một vài tháng, vì vậy, bạn sẽ cần tránh các quyết định khiến bạn phải đi theo một hướng duy nhất có thể không phù hợp với nhu cầu của bạn trong tương lai gần.

Cho dù bạn đang phát triển hay đang hoạt động trên quy mô lớn, bạn sẽ cần một công cụ cho phép bạn linh hoạt để thực hiện các thay đổi đối với các đặc tính dữ liệu, quy trình gắn nhãn và dịch vụ gắn nhãn dữ liệu.

Các công cụ có sẵn trên thị trường cung cấp cho bạn nhiều quyền kiểm soát hơn đối với quy trình làm việc, tính năng, bảo mật và tích hợp so với các công cụ được tích hợp sẵn. Chúng cũng cung cấp cho bạn sự linh hoạt để thực hiện các thay đổi.

4. Đo lường năng suất nhân viên

Năng suất có thể được đo lường theo nhiều cách khác nhau, có ba thước đo cụ thể cung cấp một cái nhìn hữu ích về năng suất của người lao động

khối lượng công việc đã hoàn thành
chất lượng công việc (độ chính xác cộng với tính nhất quán), và
sự gắn kết của nhân viên

Về phía người lao động, các quy trình mạnh mẽ dẫn đến năng suất cao hơn. Kết hợp công nghệ, công nhân và huấn luyện giúp rút ngắn thời gian gắn nhãn, tăng kết quả đầu ra và giảm thiểu thời gian chết.

Chất lượng dữ liệu cao hơn khi đặt người gắn nhãn dữ liệu trong các nhóm nhỏ, đào tạo họ về các tác vụ và quy tắc kinh doanh của bạn, đồng thời cho họ thấy chất lượng công việc như thế nào.

Các trưởng nhóm khuyến khích cộng tác, học hỏi đồng đẳng, hỗ trợ và xây dựng cộng đồng.

Các kỹ năng và điểm mạnh của người lao động được các trưởng nhóm của họ biết đến và đánh giá cao, những người này tạo cơ hội cho người lao động phát triển về mặt chuyên môn.

Phương pháp tiếp cận theo nhóm nhỏ này, kết hợp với môi trường công cụ thông minh, đưa đến việc gắn nhãn dữ liệu chất lượng cao.

5. Giao tiếp hiệu quả giữa dự án của bạn và nhóm gắn nhãn dữ liệu

Giao tiếp có tổ chức, dễ dàng với nhóm gắn nhãn dữ liệu của bạn giúp mở rộng quy trình dễ dàng hơn.

Dựa trên kinh nghiệm, chúng tôi đề xuất một vòng phản hồi khép kín để liên lạc với nhóm gắn nhãn của bạn để bạn có thể thực hiện các thay đổi có tác động nhanh chóng, chẳng hạn như thay đổi quy trình gắn nhãn hoặc lặp lại các đặc tính dữ liệu.

Khi việc gắn nhãn dữ liệu trực tiếp cung cấp cho các tính năng sản phẩm hoặc trải nghiệm khách hàng của bạn, thì thời gian phản hồi của người gắn nhãn cần phải nhanh và thông tin giao tiếp là chìa khóa.

Các nhà cung cấp dịch vụ gắn nhãn dữ liệu phải có thể làm việc trên các múi giờ và tối ưu hóa giao tiếp của bạn cho múi giờ ảnh hưởng đến người dùng cuối của dự án machine learning.

3. Định giá – Nên trả theo giờ hay theo tác vụ?

Dịch vụ gắn nhãn dữ liệu có giá bao nhiêu?

Thông thường, các dịch vụ gắn nhãn dữ liệu tính phí theo tác vụ hoặc theo giờ và mô hình bạn chọn có thể tạo ra các động cơ khác nhau cho các nhân viên gắn nhãn.

Nếu bạn trả tiền cho mỗi tác vụ, điều đó có thể khuyến khích họ thực hiện nhiều tác vụ nhất có thể, dẫn đến dữ liệu chất lượng kém sẽ làm trì hoãn việc triển khai và lãng phí thời gian quan trọng.

Ngược lại, những nhân viên được quản lý được trả lương cho thời gian của họ và được khuyến khích hoàn thành đúng nhiệm vụ, đặc biệt là những công việc phức tạp hơn và đòi hỏi tính khách quan.

Sự khác biệt này có ý nghĩa quan trọng đối với chất lượng dữ liệu và tiếp theo, chúng tôi sẽ trình bày bằng chứng từ một nghiên cứu gần đây nêu bật một số điểm khác biệt chính giữa hai mô hình.

Nghiên cứu về chất lượng và chi phí gắn nhãn dữ liệu

Nhà phát triển công nghệ khoa học dữ liệu Hivemind đã tiến hành một nghiên cứu về chất lượng và chi phí gắn nhãn dữ liệu.

Họ đã tiến hành trên lực lượng lao động được quản lý, được trả lương theo giờ và nhân viên tự do hàng đầu của nền tảng dịch vụ hàng đầu, được trả lương theo tác vụ, để hoàn thành một loạt các tác vụ giống hệt nhau.

Mục tiêu của Hivemind là hiểu chi tiết hơn về những động cơ này – để xem nhóm nào phân phối dữ liệu chất lượng cao nhất và với chi phí tương đối.

Cùng một nhiệm vụ, hai nhóm gắn nhãn dữ liệu

Các công việc dựa trên văn bản và từ cơ bản đến phức tạp. Hivemind đã gửi các tác vụ cho các nhân viên tự do với hai mức hưởng khác nhau, trong đó một nhóm nhận nhiều hơn, để xác định xem chi phí ảnh hưởng như thế nào đến chất lượng dữ liệu.

Nhiệm vụ A: Phiên âm

Trong 7% trường hợp, nhân viên tự do đã phiên âm sai ít nhất một trong các số.

Khi họ được trả gấp đôi, tỷ lệ lỗi giảm xuống chỉ còn dưới 5%, đây là một sự cải thiện đáng kể.

Các nhân viên được quản lý chỉ mắc lỗi trong 0,4% trường hợp, một sự khác biệt quan trọng do hàm ý của nó đối với chất lượng dữ liệu.

Nhìn chung, đối với nhiệm vụ này, nhân viên tự do có tỷ lệ sai sót cao hơn 10 lần so với lực lượng lao động được quản lý.

Nhiệm vụ B: Phân tích cảm tính

Người lao động đã nhận được văn bản đánh giá của công ty từ một trang web đánh giá và phải xếp hạng tình cảm của bài đánh giá từ 1 đến 5. Xếp hạng thực tế, hay sự thật cơ bản, đã bị xóa.

Nhân viên được quản lý có độ chính xác nhất quán, nhận được xếp hạng chính xác trong khoảng 50% trường hợp.

Nhân viên tự do thì gặp vấn đề, đặc biệt là với những đánh giá kém.

Độ chính xác gần như là 20%, về cơ bản giống như phỏng đoán, đối với các bài đánh giá 1 và 2 sao. Đối với các đánh giá 4 và 5 sao, có rất ít sự khác biệt giữa các nhóm nhân viên.

Nhiệm vụ C: Trích xuất thông tin từ văn bản không có cấu trúc

Các nhân viên đã sử dụng tiêu đề và mô tả về đợt thu hồi sản phẩm để phân loại đợt thu hồi theo loại nguy cơ, chọn một trong 11 tùy chọn, bao gồm “khác” và “không đủ thông tin”.

Độ chính xác của nhân viên tự do là 50% đến 60%, bất kể số lượng từ.

Nhân viên được quản lý đạt độ chính xác cao hơn, 75% đến 85%. Độ chính xác của nhân viên được quản lý cao hơn 25% so với độ chính xác của nhóm nhân viên tự do.

Định giá Gắn nhãn Dữ liệu: 3 Cân nhắc Quan trọng

Hãy tìm một dịch vụ gắn nhãn dữ liệu với các điều khoản và điều kiện thực tế, linh hoạt. Cụ thể:

Cấu trúc chi phí có thể dự đoán, nhờ vậy bạn biết việc dán nhãn dữ liệu sẽ có giá như thế nào khi mở rộng quy mô và thông lượng tăng lên
Định giá phù hợp với mục đích của bạn, chỉ trả cho những gì bạn cần để có được bộ dữ liệu chất lượng cao
Linh hoạt thực hiện các thay đổi khi các tính năng dữ liệu và yêu cầu gắn nhãn của bạn thay đổi. Tránh các hợp đồng dịch vụ kéo dài nhiều tháng, phí nền tảng hoặc các điều khoản hạn chế khác.

4. Bảo mật – Dữ liệu của tôi sẽ được bảo vệ như thế nào?

Các rủi ro bảo mật của việc gắn nhãn dữ liệu thuê ngoài là gì?

Dịch vụ gắn nhãn dữ liệu có thể xâm phạm bảo mật của bạn khi nhân viên của họ:

Truy cập dữ liệu của bạn từ một mạng không an toàn hoặc sử dụng thiết bị không có phần mềm bảo vệ
Tải xuống hoặc lưu một số dữ liệu của bạn (ví dụ: ảnh chụp màn hình, ổ đĩa flash)
Thực hiện gắn nhãn dữ liệu ở nơi công cộng
Không được đào tạo, bối cảnh hoặc trách nhiệm liên quan đến các quy tắc bảo mật cho công việc
Làm việc trong môi trường vật lý hoặc kỹ thuật số không được chứng nhận tuân thủ các quy định về dữ liệu mà doanh nghiệp của bạn phải tuân theo (ví dụ: HIPAA, SOC 2).

Bảo mật và nhân viên Data Labeling

Nếu bảo mật dữ liệu là một yếu tố trong quy trình machine learning, thì dịch vụ gắn nhãn dữ liệu phải có một cơ sở để công việc được thực hiện một cách an toàn, đào tạo chính sách và quy trình phù hợp – và phải có chứng chỉ để cho thấy quy trình của họ đã được đánh giá.

Quan trọng nhất là, dịch vụ gắn nhãn dữ liệu phải tôn trọng dữ liệu theo cách bạn và tổ chức của bạn làm. Họ cũng nên lập văn bản bảo mật dữ liệu cho cả 3 hạng mục sau:

Con người và Lực lượng lao động: Điều này bao gồm việc kiểm tra lý lịch đối với người lao động và có thể yêu cầu các nhà gắn nhãn ký thỏa thuận không tiết lộ (NDA) hoặc tài liệu tương tự nêu rõ các yêu cầu bảo mật dữ liệu của bạn. Lực lượng lao động có thể được quản lý hoặc đo lường mức độ tuân thủ. Nó có thể bao gồm đào tạo nhân viên về các giao thức bảo mật liên quan đến dữ liệu.
Công nghệ và Mạng: Người lao động có thể được yêu cầu sử dụng các thiết bị mà họ mang đến nơi làm việc, chẳng hạn như điện thoại di động hoặc máy tính bảng. Các tính năng tải xuống hoặc lưu trữ có thể bị tắt trên các thiết bị mà nhân viên sử dụng để gắn nhãn dữ liệu. Có khả năng an ninh mạng được nâng cao đáng kể.
Cơ sở vật chất và Không gian làm việc: Người lao động có thể ngồi trong một không gian ngăn người khác xem công việc của họ. Họ có thể làm việc ở một vị trí an toàn, với quyền truy cập chỉ cho phép những người được ủy quyền vào tòa nhà hoặc văn phòng nơi dữ liệu đang được dán nhãn. Giám sát video có thể được sử dụng để tăng cường an ninh vật lý cho tòa nhà và văn phòng.

Những lo ngại về bảo mật sẽ không ngăn bạn sử dụng dịch vụ gắn nhãn dữ liệu, dịch vụ này sẽ giúp bạn và nhóm của bạn tập trung vào phần chiến lược và sáng tạo nhất của machine learning là đào tạo mô hình, điều chỉnh và phát triển thuật toán.

5. Công cụ – Có cần một nền tảng công cụ để gắn nhãn dữ liệu không?

Điều cần thiết thứ 5 để gắn nhãn dữ liệu trong machine learning là công cụ, bạn sẽ cần công cụ cho dù bạn tự xây dựng hay mua từ bên thứ ba. Tại sao?

Bởi vì việc gắn nhãn dữ liệu cấp độ sản xuất cho machine learning đòi hỏi các công cụ phần mềm thông minh và con người có kỹ năng.

Một dịch vụ gắn nhãn dữ liệu phải có thể cung cấp các đề xuất và thực tiễn tốt nhất trong việc lựa chọn và làm việc với các công cụ gắn nhãn dữ liệu. Lý tưởng nhất là họ sẽ có quan hệ đối tác với nhiều nhà cung cấp công cụ khác nhau để cho bạn nhiều sự lựa chọn và làm cho trải nghiệm của bạn được mạch lạc.

Họ cũng sẽ cung cấp kiến thức chuyên môn cần thiết để giao cho con người những tác vụ đòi hỏi bối cảnh, sự sáng tạo và khả năng thích ứng trong khi giao cho máy móc những nhiệm vụ đòi hỏi tốc độ, khả năng đo lường và tính nhất quán.

Tiến trình công việc

Giao việc cho con người và máy móc dễ dàng thực hiện hơn với các công cụ thân thiện với người dùng giúp chia nhỏ công việc gắn nhãn dữ liệu thành các tác vụ nguyên tử hoặc nhỏ hơn.

Bằng cách chuyển đổi các nhiệm vụ phức tạp thành một loạt các thành phần nhỏ hơn, bạn có thể giao các tác vụ máy móc mà các công cụ đang thực hiện với chất lượng cao và để con người thực hiện các nhiệm vụ mà các công cụ này chưa thành thạo.

Việc chia nhỏ công việc thành các thành phần nguyên tử cũng giúp dễ dàng hơn trong việc đo lường, định lượng và tối đa hóa chất lượng cho mỗi tác vụ.

Mỗi loại nhiệm vụ có thể có lớp đảm bảo chất lượng (QA) riêng và quy trình đó cũng có thể được chia thành các nhiệm vụ nguyên tử.

Mọi tác vụ lập mô hình machine learning đều khác nhau, nên bạn có thể thực hiện vài lần chạy đơn giản để đưa ra các định nghĩa tốt và một bộ hướng dẫn, ngay cả trước khi bạn bắt đầu thu thập dữ liệu của mình.

Nếu bạn có thể chuyển đổi kiến thức về mô hình của mình thành dữ liệu được gắn nhãn một cách hiệu quả, bạn đã giải quyết được một trong những vấn đề khó nhất trong học máy.

Sau một thập kỷ cung cấp các nhóm gắn nhãn dữ liệu, chúng tôi biết rằng đó là một quá trình cải tiến. Các nhiệm vụ gắn nhãn mà bạn bắt đầu có thể sẽ thay đổi sau một vài tháng.

Đồng thời, bạn và nhóm gắn nhãn dữ liệu của bạn có thể điều chỉnh quy trình gắn nhãn của mình nhằm đạt được chất lượng cao và hiệu suất mô hình.

5 Bước chọn công cụ gắn nhãn dữ liệu

5 bước dưới đây rất quan trọng trong việc lựa chọn công cụ gắn nhãn dữ liệu để tối đa chất lượng dữ liệu và tối ưu đầu tư vào lực lượng lao động của bạn:

1. Thu hẹp công cụ dựa trên trường hợp sử dụng của bạn

Loại dữ liệu của bạn sẽ xác định các công cụ cần sử dụng. Các công cụ khác nhau ở các tính năng làm giàu dữ liệu, khả năng đảm bảo chất lượng (QA), loại tệp được hỗ trợ, chứng nhận bảo mật dữ liệu, tùy chọn lưu trữ, v.v.

Các tính năng để gắn nhãn có thể bao gồm hộp giới hạn, đa giác, điểm 2-D và 3-D, phân đoạn ngữ nghĩa, v.v.

2. So sánh lợi ích của tự xây và đi mua

Việc xây dựng công cụ của riêng bạn có thể mang lại những lợi ích có giá trị, bao gồm kiểm soát nhiều hơn quy trình gắn nhãn, thay đổi phần mềm và bảo mật dữ liệu.

Bạn cũng có thể dễ dàng giải quyết và giảm thiểu sự thiên vị ngoài ý muốn trong việc gắn nhãn của mình.

Tuy nhiên, việc mua một công cụ có sẵn trên thị trường thường ít tốn kém hơn về lâu dài vì nhóm của bạn có thể tập trung vào nhiệm vụ cốt lõi của họ hơn là hỗ trợ và mở rộng khả năng phần mềm, giải phóng nguồn lực quý giá cho các khía cạnh khác của dự án.

Khi mua, bạn có thể cấu hình công cụ cho các tính năng bạn cần và có sự hỗ trợ người dùng.

Có nhiều công cụ cho bất kỳ khối lượng công việc gắn nhãn dữ liệu nào và các nhóm luôn phát triển các công cụ mới và các tính năng nâng cao.

Khi bạn mua, về cơ bản bạn đang thuê quyền truy cập vào các công cụ, có nghĩa là:

Có các thực thể được tài trợ được trao cho sự thành công của công cụ đó
Có thể linh hoạt sử dụng nhiều hơn một công cụ, dựa trên nhu cầu của bạn; và
Nhà cung cấp công cụ hỗ trợ sản phẩm, vì vậy bạn không phải chi tiêu các nguồn lực kỹ thuật có giá trị cho việc tạo công cụ.

3. Xem xét quy mô và giai đoạn phát triển của tổ chức bạn

Chúng tôi nhận thấy giai đoạn công ty là một yếu tố quan trọng trong việc lựa chọn công cụ.

Bắt đầu

Có một số cách để bắt đầu trên con đường lựa chọn công cụ phù hợp.

Đây là lúc mà câu hỏi quan trọng về việc xây dựng hay mua xuất hiện. Bạn sẽ muốn đánh giá các phương án có sẵn trên thị trường, bao gồm cả mã nguồn mở và xác định sự cân bằng hợp lý giữa các tính năng và chi phí để bắt đầu quy trình.

Các nhà cung cấp rộng rãi cho cộng đồng thường bị tụt lại phía sau về mặt hoàn thiện tính năng so với các nhà cung cấp thương mại, những người tập trung 100% vào các công cụ gắn nhãn dữ liệu tốt nhất trong năng lực cốt lõi của họ.

Ngoài ra, hãy nhớ rằng những người gắn nhãn dữ liệu có nguồn gốc từ cộng đồng sẽ không tiết lộ danh tính, vì vậy bối cảnh và chất lượng có thể là những điểm khó khăn.

Mở rộng quy trình

Nếu bạn đang trong giai đoạn phát triển, các công cụ thương mại có thể là lựa chọn tốt nhất của bạn.

Bạn có thể tùy chỉnh, cấu hình và triển khai các tính năng một cách nhẹ nhàng với ít hoặc không cần tài nguyên phát triển.

Nếu thích, các công cụ nguồn mở có thể cung cấp cho bạn nhiều quyền kiểm soát hơn đối với bảo mật, tích hợp và tính linh hoạt để thực hiện các thay đổi.

Lưu ý rằng, xây dựng một công cụ là một cam kết lớn: bạn sẽ đầu tư vào việc duy trì nền tảng đó theo thời gian và điều đó rất tốn kém.

Duy trì quy mô

Nếu bạn đang hoạt động ở quy mô lớn và muốn duy trì sự tăng trưởng đó theo thời gian, bạn có thể cân nhắc các công cụ thương mại, được tùy chỉnh đầy đủ và yêu cầu ít tài nguyên phát triển.

Nếu bạn đi theo con đường mã nguồn mở, hãy đảm bảo tạo các quy trình dài hạn và tích hợp ngăn xếp sẽ cho phép bạn tận dụng bất kỳ lợi thế bảo mật hoặc linh hoạt nào mà bạn muốn tận dụng.

4. Đừng để sự lựa chọn lực lượng lao động của bạn khóa bạn vào một công cụ

Để có sự linh hoạt nhất và kiểm soát quá trình của bạn, đừng ràng buộc lực lượng lao động với công cụ.

Lựa chọn lực lượng lao động của bạn có thể làm giảm hoặc phá vỡ chất lượng dữ liệu, đây là trọng tâm của hiệu suất mô hình của bạn, vì vậy, điều quan trọng là phải giữ cho các lựa chọn công cụ của bạn luôn cởi mở.

Các nhóm gắn nhãn dữ liệu tốt nhất có thể nhanh chóng áp dụng bất kỳ công cụ nào và giúp bạn điều chỉnh công cụ đó để đáp ứng tốt hơn nhu cầu gắn nhãn của mình.

5. Yếu tố trong yêu cầu chất lượng dữ liệu của bạn

Các tính năng đảm bảo chất lượng được tích hợp sẵn trong một số công cụ và bạn có thể sử dụng chúng để tự động hóa một phần của quy trình QA.

Tuy nhiên, các tính năng QA này có thể sẽ không đủ, vì vậy, hãy tìm đến các nhà cung cấp lực lượng lao động được quản lý, những người có thể cung cấp nguồn nhân sự được đào tạo và có nhiều kinh nghiệm về các tác vụ gắn nhãn, để tạo ra dữ liệu đào tạo chất lượng cao hơn.

Cẩn thận với việc ký hợp đồng dài hạn

Một số nhà cung cấp dịch vụ gắn nhãn dữ liệu yêu cầu bạn ký hợp đồng nhiều năm cho lực lượng lao động hoặc công cụ của họ.

Nếu nhà cung cấp dịch vụ gắn nhãn dữ liệu không đáp ứng các yêu cầu chất lượng của bạn, bạn cần sự linh hoạt khi kiểm tra hoặc chọn nhà cung cấp khác mà không bị phạt.

Nguồn: CloudFactory

Tags data labeling, ghi nhãn dữ liệu, machine learning

Gambaru News

Elon Musk mua lại Twitter!

Post author By Gambaru
Post date 26 April, 2022
No Comments on Elon Musk mua lại Twitter!

Twitter đã chấp nhận lời đề nghị của Giám đốc điều hành Tesla và là người hâm mộ Dogecoin để mua Twitter với giá 54,20 USD / cổ phiếu.

Elon Musk and Twitter bird — *Elon Musk sẽ mua lại Twitter – theo một thông cáo báo chí được chia sẻ bởi nền tảng truyền thông xã hội.*

Vào đầu tuần trước, Musk đã đưa ra mức giá 54,20 USD / cổ phiếu, khiến Internet trở nên điên cuồng khi hội đồng quản trị của Twitter và các cổ đông tranh luận về việc mua lại có ý nghĩa như thế nào đối với công ty. Với thỏa thuận mua lại, các cổ đông Twitter sẽ nhận được 54,20 đô la tiền mặt cho mỗi cổ phần của cổ phiếu Twitter của họ.

Trước đó đã có thông tin cho rằng quyết định có thể được đưa ra ngay trong ngày hôm nay, vì cả hai bên của thương vụ dường như đã gặp nhau để đàm phán vào cuối tuần – trong khi thị trường đóng cửa và không thể bị ảnh hưởng bởi bất kỳ cuộc thảo luận thỏa thuận nào.

Về việc mua lại, Musk nói: “Tự do ngôn luận là nền tảng của một nền dân chủ đang hoạt động, và Twitter là quảng trường thị trấn kỹ thuật số, nơi các vấn đề quan trọng đối với tương lai của nhân loại được tranh luận.”

Musk từ lâu đã là một nhân vật gây tranh cãi: mặc dù là một trong những Tweeter am hiểu về internet nhất, nhưng anh ấy thường khiến thế giới tiền điện tử phát điên với những dòng tweet ủng hộ đồng Doge và lập trường ngược ngạo của mình về Bitcoin.

Tesla, nơi Musk cũng là Giám đốc điều hành, đã bắt đầu chấp nhận Bitcoin cho ô tô điện của mình vào năm ngoái, nhưng Musk thay đổi quyết định dường như do lo ngại về việc sử dụng năng lượng của Bitcoin và tác động đến môi trường.

Tất cả các quyết định liên quan đến tiền điện tử này – và thậm chí cả quyết định ban đầu của anh ấy là mua 9% Twitter vào đầu tháng này – lần đầu tiên được Musk đăng trên Twitter, cho thấy rằng anh ấy rõ ràng biết cách tận dụng vị trí của mình trên nền tảng truyền thông xã hội.

Trong thông cáo báo chí về việc Twitter chấp nhận giá thầu của Musk, Parag Agrawal, Giám đốc điều hành của Twitter, cho biết, “Twitter có mục đích và mức độ liên quan tác động đến toàn thế giới. Tự hào sâu sắc về các đội của chúng tôi và được truyền cảm hứng từ công việc chưa bao giờ quan trọng hơn.”

Nguồn: https://coinmarketcap.com/alexandria/article/elon-musk-to-buy-twitter

Tags Elon Musk, mua lại Twitter, Tesla, Twitter

“Future of Work” rốt cuộc nghĩa là gì?

Sự thay đổi cấp tốc hướng tới Future of Work

14 Xu hướng ảnh hưởng đến Future of Work

1. Remote work là phương thức làm việc bình thường mới

2. Chuyển đổi số tăng tốc

3. Tầm quan trọng ngày càng tăng của truyền thông nội bộ

4. Vai trò thay đổi của lãnh đạo

5. Sự trỗi dậy của cộng tác xã hội

6. Đào tạo lại kỹ năng và chia sẻ kiến ​​thức

7. Sự tập trung của các kênh truyền thông

8. Không gian làm việc thân thiện với thiết bị di động

9. Tinh thần và sức khỏe của nhân viên được đặt lên hàng đầu

10. Ý nghĩa công việc

11. Kỹ năng cứng so với kỹ năng mềm

12. Tự kinh doanh và kinh tế gig hay sự an toàn công việc

13. Quản lý thay đổi liên tục, linh hoạt (agile) và đổi mới

14. Hoạt động xã hội của nhân viên gia tăng

Làm thế nào để chuẩn bị cho Future of Work?

A.I là gì?

Khác biệt giữa AI và Machine learning

AI Engineer làm gì?

Các kỹ năng cần thiết cho AI Engineer

Mức lương của kỹ sư AI

Làm thế nào để trở thành AI Engineer?

1. Học hỏi kỹ năng thông qua chương trình đại học, coding bootcamp hoặc tự học

2. Nhận dự án, thực hành nâng cao kỹ năng và xây dựng portfolio

3. Thực tập

4. Xác định lộ trình sự nghiệp AI scientist

5. Đạt chứng chỉ AI Engineer

6. Tạo hồ sơ và ứng tuyển

Metaverse là gì?

Các yếu tố thúc đẩy tương lai của metaverse là gì?

Chuẩn hóa

Phân mảnh thì trường

Giao diện người dùng

Quản trị

Tương lai của Metaverse có thể xảy ra theo hướng nào?

Low orbit

Double star

Big bang

Các nhà lãnh đạo có thể làm gì?

Hiểu biết về Data Labeling có hữu ích cho bạn?

Dữ liệu được gắn nhãn (Labeled Data) và sự thật cơ bản

Dữ liệu được gắn nhãn là gì?

Chú thích dữ liệu (data annotation) là gì?

‘Human-in-the-Loop’ (HITL) là gì?

Các nhãn trong học máy là gì?

“Sự thật nền tảng” trong học máy là gì?

“Dữ liệu đào tạo” trong học máy là gì?

Ngày nay, các công ty thực hiện data labeling ra sao?

1. Chất lượng và độ chính xác của dữ liệu – Điều gì ảnh hưởng đến chất lượng và độ chính xác?

4 đặc điểm của Lực lượng lao động ảnh hưởng đến Chất lượng trong Data Labeling

Chất lượng được đo lường như thế nào trong data labeling?

2. Quy mô – Điều gì xảy ra khi khối lượng data labeling tăng lên?

Thời điểm cần mở rộng quy mô và thuê dịch vụ gắn nhãn dữ liệu?

5 Bước mở rộng Data Labeling

3. Định giá – Nên trả theo giờ hay theo tác vụ?

Dịch vụ gắn nhãn dữ liệu có giá bao nhiêu?

Nghiên cứu về chất lượng và chi phí gắn nhãn dữ liệu

Cùng một nhiệm vụ, hai nhóm gắn nhãn dữ liệu

Định giá Gắn nhãn Dữ liệu: 3 Cân nhắc Quan trọng

4. Bảo mật – Dữ liệu của tôi sẽ được bảo vệ như thế nào?

Các rủi ro bảo mật của việc gắn nhãn dữ liệu thuê ngoài là gì?

Bảo mật và nhân viên Data Labeling

5. Công cụ – Có cần một nền tảng công cụ để gắn nhãn dữ liệu không?

Tiến trình công việc

5 Bước chọn công cụ gắn nhãn dữ liệu

Cẩn thận với việc ký hợp đồng dài hạn

6. Đào tạo lại kỹ năng và chia sẻ kiến thức