Định nghĩa

Dịch vụ dựa trên Mô hình (MBS) là một kiến trúc dịch vụ mà chức năng cốt lõi được điều khiển bởi, hoặc phụ thuộc nhiều vào, một hoặc nhiều mô hình tính toán đã được huấn luyện (chẳng hạn như mô hình Học máy, thuật toán dự đoán hoặc đồ thị tri thức). Thay vì thực thi một luồng logic nghiệp vụ cố định, được mã hóa cứng, dịch vụ sử dụng kết quả đầu ra của mô hình để đưa ra các quyết định, dự đoán động hoặc tạo ra các đầu ra phức tạp trong thời gian thực.

Tại sao điều này lại quan trọng

Các dịch vụ truyền thống hoạt động dựa trên các quy tắc xác định (nếu X, thì Y). MBS mang lại khả năng thích ứng. Trong môi trường kinh doanh thay đổi nhanh chóng, các quy tắc tĩnh nhanh chóng trở nên lỗi thời. MBS cho phép hệ thống học hỏi từ dữ liệu, thích ứng với các đầu vào mới và cung cấp các phản hồi tinh tế, nhận biết ngữ cảnh, giúp cải thiện đáng kể trí tuệ vận hành và trải nghiệm người dùng.

Cách thức hoạt động

Quá trình này thường bao gồm một số giai đoạn:

1. Thu thập Dữ liệu: Dịch vụ nhận dữ liệu đầu vào thô.
2. Thực thi Mô hình: Dữ liệu này được đưa vào mô hình đã triển khai và được huấn luyện trước (ví dụ: mô hình phân loại hoặc công cụ đề xuất).
3. Suy luận & Quyết định: Mô hình tạo ra một đầu ra, đó là một suy luận (một dự đoán, một điểm số, một phân loại, v.v.).
4. Điều phối Dịch vụ: Logic dịch vụ xung quanh lấy đầu ra của mô hình này và sử dụng nó để thực hiện hành động nghiệp vụ cuối cùng (ví dụ: định tuyến một yêu cầu, tạo phản hồi được cá nhân hóa hoặc kích hoạt cảnh báo).

Các trường hợp sử dụng phổ biến

• Đề xuất Cá nhân hóa: Các nền tảng thương mại điện tử sử dụng MBS để đề xuất sản phẩm dựa trên các mô hình hành vi người dùng.
• Định tuyến Thông minh: Các hệ thống hỗ trợ khách hàng sử dụng mô hình để dự đoán bộ phận hoặc nhân viên phù hợp nhất cho một yêu cầu đến.
• Phát hiện Gian lận: Các dịch vụ tài chính triển khai MBS để chấm điểm các giao dịch theo thời gian thực dựa trên các mẫu hoạt động gian lận đã học.
• Bảo trì Dự đoán: Các dịch vụ IoT công nghiệp sử dụng mô hình chuỗi thời gian để dự báo sự cố thiết bị trước khi nó xảy ra.

Lợi ích chính

• Khả năng Thích ứng: Dịch vụ phát triển khi các mẫu dữ liệu cơ bản thay đổi.
• Khả năng Mở rộng của Trí tuệ: Các khả năng ra quyết định phức tạp có thể được đóng gói và tái sử dụng trên nhiều ứng dụng.
• Độ sâu Tự động hóa: Vượt ra ngoài tự động hóa đơn giản để đạt đến tự động hóa thông minh, xử lý sự mơ hồ.

Thách thức

• Trôi dạt Mô hình (Model Drift): Các mô hình bị suy giảm theo thời gian khi dữ liệu thực tế khác biệt so với dữ liệu huấn luyện, đòi hỏi phải giám sát và huấn luyện lại liên tục.
• Khả năng Giải thích (XAI): Việc hiểu tại sao một mô hình đưa ra một quyết định cụ thể có thể khó khăn, điều này rất quan trọng đối với các ngành được quản lý.
• Chi phí Cơ sở hạ tầng: Việc triển khai, giám sát và phục vụ các mô hình phức tạp đòi hỏi cơ sở hạ tầng MLOps chuyên dụng.

Các Khái niệm Liên quan

• MLOps: Kỷ luật quản lý toàn bộ vòng đời của các mô hình ML trong môi trường sản xuất.
• Cổng API (API Gateways): Được sử dụng để phơi bày điểm cuối suy luận của mô hình như một dịch vụ có thể tiêu thụ.
• Học Tăng cường (Reinforcement Learning): Một tập hợp con của ML, trong đó mô hình học các hành động tối ưu thông qua thử và sai trong một môi trường.