Sự phát triển đột phá trong lĩnh vực Generative AI thường xuyên được đề cập trên các phương tiện truyền thông hiện nay. Sự quan tâm này hoàn toàn có cơ sở, vì theo nghiên cứu “The economic potential of generative AI” của McKinsey cho thấy công nghệ Generative AI có khả năng mang lại giá trị từ 2,6 nghìn tỷ đến 4,4 nghìn tỷ USD hàng năm. Giám đốc thông tin (CIO) và Giám đốc công nghệ (CTO) đóng vai trò then chốt trong việc khai thác giá trị tiềm năng này. Tuy nhiên, cần phải nhớ rằng chúng ta đã thấy các trường hợp tương tự trong quá khứ với các công nghệ như internet, di động và mạng xã hội. Những đổi mới này đã khơi nguồn một loạt các thí nghiệm và dự án thử nghiệm, nhưng việc hiện thực hóa mức giá trị kinh doanh lớn cũng thường đi kèm những thách thức đáng kể. Nhiều bài học quý báu thu được từ những xu hướng trước đó vẫn còn phù hợp cho ngày nay, đặc biệt là về quá trình chuyển từ giai đoạn thử nghiệm sang giai đoạn mở rộng quy mô ra đại chúng.

Đối với CIO và CTO, sự bùng nổ hiện tại trong lĩnh vực Generative AI cung cấp một cơ hội đặc biệt để áp dụng những bài học quá khứ đó. Họ có thể tận dụng kinh nghiệm của mình để hướng dẫn Ban giám đốc trong việc biến tiềm năng của Generative AI thành giá trị bền vững cho tổ chức. Theo phân tích của McKinsey (2023) về các dự án Generative AI, có 9 chiến lược mà tất cả các nhà lãnh đạo có thể triển khai để mở khóa giá trị của công nghệ này, quản lý dữ liệu hiệu quả, mở rộng các giải pháp và giảm thiểu rủi ro liên quan đến Generative AI.

1. Định hướng của doanh nghiệp

Khi vai trò Generative AI trở nên quan trọng hơn, CIO và CTO đối mặt với một quyết định quan trọng: liệu họ nên hạn chế quyền truy cập của nhân viên vào các ứng dụng có sẵn trên thị trường như một chiến lược giảm thiểu rủi ro? Tuy nhiên, phương pháp này có thể ngăn cản sự đổi mới và giới hạn sự phát triển kỹ năng trong công ty. Thay vào đó, các nhà lãnh đạo công nghệ nên hợp tác với các nhóm quản lý rủi ro để thiết lập sự cân bằng giữa quản trị rủi ro và khuyến khích phát triển kỹ năng về Generative AI trong tổ chức. Điều này bao gồm việc xác định quan điểm của công ty về Generative AI, đạt được sự thống nhất về mức độ rủi ro có thể chấp nhận được và điều chỉnh việc ứng dụng Generative AI với chiến lược tổng thể của công ty. Bằng cách làm như vậy, các chính sách và hướng dẫn rõ ràng có thể được nhanh chóng xác lập và truyền đạt cho toàn bộ tổ chức. Một số doanh nghiệp đã đi một bước xa hơn bằng cách triển khai công bố thông tin toàn công ty, cung cấp quyền truy cập vào Generative AI cho những nhóm người dùng cụ thể và thậm chí gửi cảnh báo khi dữ liệu nội bộ được đưa vào các mô hình Generative AI. 

2. Xác định các trường hợp ứng dụng tạo ra giá trị 

CIO và CTO nên đóng một vai trò then chốt trong việc điều hướng tổ chức của họ tránh rơi vào tình trạng "chết vì các trường hợp sử dụng." Thay vào đó, họ nên hợp tác với các nhà lãnh đạo về kinh doanh, bao gồm CEO và CFO, để khám phá cách Generative AI có thể biến đổi các mô hình kinh doanh hiện có, mở cửa cho cơ hội mới và tạo ra giá trị bổ sung. Bằng cách tận dụng kiến thức chuyên môn kỹ thuật từ đồng nghiệp, các nhà lãnh đạo công nghệ có thể xác định các cơ hội triển vọng, tách bạch giữa những cơ hội có khả năng tạo ra giá trị từ Generative AI tạo sinh và những cơ hội không thể.

Nghiên cứu của McKinsey cho biết rằng Generative AI có thể nâng năng suất lên đến 10% trong một số ứng dụng marketing và lên đến 40% trong hỗ trợ khách hàng. Thách thức đặt ra ở việc phân nhóm các trường hợp sử dụng một cách hiệu quả, theo lĩnh vực (ví dụ: hành trình khách hàng hoặc quy trình kinh doanh) hoặc loại trường hợp sử dụng (ví dụ: sáng tạo nội dung hoặc các trợ lý ảo). Các nhà lãnh đạo công nghệ phải cung cấp các đánh giá khả thi và ước tính tài nguyên để tư vấn về mức độ ưu tiên của các dự án Generative AI. Hơn nữa, việc thiết lập khả năng "Tài chính Trí tuệ Nhân tạo" (FinAI) là điều quan trọng để ước tính chi phí và lợi nhuận thực sự liên quan đến các dự án Generative AI. Điều này liên quan đến việc tính toán chi phí cho nhiều loại mô hình và nhà cung cấp, tương tác giữa các mô hình, các khoản phí sử dụng thường xuyên và chi phí nhân sự giám sát.

3. Đánh giá lại chức năng của các công nghệ hiện tại

Generative AI có tiềm năng làm thay đổi cách thức hoạt động của các bộ phận công nghệ. CIO và CTO cần phải đánh giá toàn diện tác động của Generative AI trên tất cả các lĩnh vực công nghệ. Hành động nhanh chóng là cần thiết để có được kinh nghiệm và chuyên môn. Ba khía cạnh chính mà họ cần chú ý ngay lập tức đó là:

• Phát triển phần mềm: Nghiên cứu cho thấy rằng với hỗ trợ của Generative AI có thể tăng tốc độ phát triển phần mềm một cách đáng kể. Ví dụ, nó có thể giúp các kỹ sư phần mềm phát triển mã nguồn nhanh hơn 35% đến 45%, tái cấu trúc mã nguồn nhanh hơn 20% đến 30%, và tối ưu hóa quy trình tài liệu mã nguồn từ 45% đến 50%. Nó cũng hỗ trợ trong việc thực hiện kiểm thử tự động và mô phỏng các edge case, đảm bảo sự phát triển phần mềm vững chắc hơn. Để tận dụng những lợi ích này, việc đào tạo một cách bài bản và tự động hóa các pipeline và triển khai thông qua DevSecOps là cần thiết.
• Nợ kỹ thuật: Nợ kỹ thuật có thể tiêu tốn lên tới 20-40% của ngân sách công nghệ và gây trở ngại cho quá trình phát triển. Các nhà lãnh đạo công nghệ nên phân tích nợ kỹ thuật của doanh nghiệp và tìm hiểu các khả năng của Generative AI, như tái cấu trúc mã nguồn, dịch mã nguồn và tạo trường hợp kiểm tra tự động, có thể đẩy nhanh quá trình giảm nợ.
• Vận hành CNTT (ITOps): Các nỗ lực tăng hiệu suất ITOps cần tích hợp AI tạo sinh để tối ưu hóa quy trình. Generative AI đặc biệt hữu ích trong việc tự động hóa các tác vụ như đặt lại mật khẩu, yêu cầu trạng thái và kiểm tra sự cố cơ bản, cũng như cải thiện việc sắp xếp và giải quyết sự cố thông qua định tuyến nâng cao. Nó cũng có thể cải thiện khả năng quan sát thông qua việc phân tích các chuỗi log lớn và tạo tài liệu.

4. Tận dụng dịch vụ sẵn có hoặc mô hình mã nguồn mở

Khi nói đến việc phát triển Generative AI, các tổ chức đối mặt với một quyết định quan trọng là liệu họ nên xây dựng từ đầu, điều chỉnh các dịch vụ hiện có, hay tận dụng các mô hình AI mã nguồn mở? Lựa chọn này có thể được phân loại thành ba nhóm:

• Taker: Nhóm này liên quan đến việc sử dụng các mô hình được công khai thông qua giao diện trò chuyện hoặc API, với ít sự tùy chỉnh. Đây là cách lý tưởng để truy cập nhanh chóng các dịch vụ thông dụng, ví dụ như giải pháp để viết code hoặc hỗ trợ designer thiết kế hình ảnh.
• Shaper: Shaper tích hợp các mô hình với dữ liệu và hệ thống nội bộ để tạo ra kết quả được tùy chỉnh. Ví dụ, nó có thể hỗ trợ giao dịch bán hàng bằng cách kết nối các công cụ Generative AI với hệ thống quản lý quan hệ khách hàng (CRM), kết hợp dữ liệu giao dịch và tương tác trước đây. Cách tiếp cận này thích hợp để mở rộng công nghệ AI tạo sinh, phát triển tính độc quyền và đáp ứng yêu cầu về bảo mật hoặc tuân thủ. Có hai cách thông thường để tích hợp dữ liệu với các mô hình Generative AI kiểu này. Cách đầu tiên liên quan đến việc "mang mô hình đến dữ liệu," trong đó mô hình được đặt trên cơ sở hạ tầng của tổ chức, dù đó là on-premises hay trong môi trường đám mây. Cách tiếp cận khác là "mang dữ liệu đến mô hình," trong đó một tổ chức tổng hợp dữ liệu của mình và triển khai một bản sao của mô hình hệ thống trên cơ sở hạ tầng đám mây. Cả hai cách tiếp cận đều cung cấp quyền truy cập vào các mô hình nền tảng một cách hiệu quả, và sự lựa chọn giữa chúng phụ thuộc vào yêu cầu công việc cụ thể và sở thích về cơ sở hạ tầng của tổ chức.
• Maker: Nhóm này liên quan đến việc xây dựng một mô hình nền tảng từ đầu, điều này đòi hỏi đầu tư đáng kể về dữ liệu, chuyên môn và khả năng tính toán. Chi phí có thể thay đổi dựa trên nhiều yếu tố, bao gồm cơ sở hạ tầng cho đào tạo, lựa chọn mô hình kiến trúc, tham số của mô hình, khối lượng dữ liệu và sự sẵn có của tài nguyên về chuyên gia. Lựa chọn này phức tạp và đắt đỏ, thường đòi hỏi hàng trăm triệu USD hoặc thậm chí hàng tỷ USD.

Mỗi kiểu tiếp cận đều đi kèm với các chi phí riêng biệt, và các tổ chức cần xem xét một cách cẩn thận cách tiếp cận phù hợp nhất, thường là sự kết hợp của chiến lược Taker và Shaper, tùy theo nhu cầu và khả năng cụ thể của doanh nghiệp.

5. Nâng cấp kiến trúc công nghệ của doanh nghiệp

Các tổ chức sử dụng nhiều mô hình Generative AI khác nhau, mỗi mô hình có kích thước, độ phức tạp và khả năng riêng. Các mô hình này cần phải hoạt động cùng nhau và tích hợp với các hệ thống và ứng dụng hiện có của tổ chức để tạo ra giá trị. Xây dựng một phần công nghệ riêng biệt chỉ để dành cho Generative AI có thể tạo ra nhiều vấn đề hơn là giải quyết vấn đề.

Với một số trường hợp, chẳng hạn như mô hình Taker, mức độ phối hợp trong doanh nghiệp như vậy là không cần thiết. Nhưng đối với các bên đang hướng tới tận dụng đầy đủ lợi ích từ Generative AI như Shaper hoặc Maker, kiến trúc công nghệ sẽ cần được nâng cấp. Mục tiêu chính là tích hợp mô Generative AI vào các hệ thống và ứng dụng hiện có của công ty một cách trơn tru và đồng thời tạo kết nối đến các nguồn dữ liệu khác nhau. Nói một cách đơn giản, sự chín muồi của các mô hình công nghệ của tổ chức cho phép nó tích hợp và mở rộng khả năng Generative AI của mình.

Các tiến bộ gần đây trong các khuôn khổ tích hợp và điều phối, chẳng hạn như LangChain và LlamaIndex, đã làm cho việc kết nối các mô hình Generative AI với các ứng dụng và nguồn dữ liệu khác trở nên dễ dàng hơn nhiều. Các phương pháp tích hợp khác nhau đang dần xuất hiện, bao gồm những phương pháp cho phép các mô hình sử dụng giao diện API để phản hồi truy vấn của người dùng. Ví dụ, GPT-4 có thể truy xuất các chức năng khi cần thiết và cung cấp thông tin bổ sung từ các nguồn dữ liệu bên ngoài khi trả lời các câu hỏi của người dùng. Các nhà lãnh đạo công nghệ cần thiết lập cách thức tiêu chuẩn để tích hợp các mô hình này trong tổ chức của họ, chẳng hạn như xác định các giao diện API chung và thiết lập tham số để nhận dạng người dùng và các mô hình họ đang sử dụng.

Cần tích hợp 5 yếu tố chính vào kiến trúc công nghệ để cho phép tích hợp hiệu quả Generative AI:

• Quản lý context và caching: Điều này cung cấp thông tin liên quan cho mô hình từ các nguồn dữ liệu doanh nghiệp, tăng cường context và phản hồi. Caching giúp tăng tốc phản hồi bằng cách lưu trữ các dữ liệu được yêu cầu thường xuyên.
• Quản lý chính sách: Đảm bảo quyền truy cập chính xác vào các tài sản dữ liệu doanh nghiệp, đặc biệt là trong các lĩnh vực nhạy cảm như dữ liệu tiền lương nhân sự.
• Model Hub: Một kho lưu trữ cho các mô hình Generative AI đã được đào tạo và được phê duyệt, để có thể cung cấp theo yêu cầu.
• Thư viện prompt: Chứa hướng dẫn tối ưu hóa cho các mô hình Generative AI, bao gồm phiên bản hướng dẫn khi các mô hình phát triển thêm.
• Nền tảng MLOps: Nâng cấp khả năng MLOps là cần thiết để quản lý sự phức tạp của các mô hình Generative AI, với các pipeline để đo hiệu suất cụ thể cho từng nhiệm vụ, chẳng hạn như truy xuất kiến thức liên quan.

6. Phát triển kiến trúc dữ liệu

Việc hiện thực hóa giá trị từ các mô hình Generative AI phụ thuộc vào khả năng sử dụng hiệu quả dữ liệu của doanh nghiệp. Một kiến trúc dữ liệu được thiết kế cẩn thận là điều kiện quan trọng để kết nối các mô hình Generative AI với các nguồn dữ liệu nội bộ, cung cấp context và điều chỉnh các mô hình cho các đầu ra phù hợp. Để chuẩn bị dữ liệu có thể sử dụng một cách hiệu quả bởi các mô hình Generative AI, việc phân loại và sắp xếp dữ liệu một cách có hợp lý là yếu tố tiên quyết. Các nhà lãnh đạo công nghệ phải thiết lập một kiến trúc dữ liệu mạnh mẽ bao gồm cả nguồn dữ liệu có cấu trúc và không có cấu trúc. Điều này liên quan đến việc triển khai các tiêu chuẩn và hướng dẫn để tối ưu hóa dữ liệu cho các ứng dụng Generative AI. Các kỹ thuật bao gồm tăng cường dữ liệu đào tạo bằng các mẫu tổng hợp để cải thiện tính đa dạng và khối lượng, chuẩn hóa các loại phương tiện thành các định dạng dữ liệu thống nhất, tích hợp siêu dữ liệu để cải thiện tính theo dõi và chất lượng dữ liệu, và duy trì dữ liệu theo thời gian.

Hơn nữa, đảm bảo rằng hạ tầng hiện tại hoặc dịch vụ đám mây có khả năng xử lý các lượng dữ liệu đáng kể cần thiết cho các ứng dụng Generative AI là vô cùng quan trọng. Để đạt được điều này, việc ưu tiên phát triển các pipeline dữ liệu là cần thiết. Những pipeline này kết nối các mô hình Generative AI với các nguồn dữ liệu liên quan, tạo điều kiện cho "nắm bắt context." Các phương pháp đổi mới như cơ sở dữ liệu vector để lưu trữ và truy xuất kiến thức nhúng chuyên sâu như đầu vào cho các mô hình Generative AI và các kỹ thuật như "few-shot prompting" (khi mô hình được cung cấp kèm ví dụ về các câu trả lời mẫu) đang trở thành những chiến lược có giá trị.

7. Thiết lập một đội ngũ tập trung cho nền tảng

Nhiều tổ chức công nghệ đang chuyển đổi sang mô hình tập trung vào sản phẩm và nền tảng. Để tích hợp hiệu quả khả năng Generative AI vào mô hình này, CIO và CTO nên tận dụng cơ sở hạ tầng hiện có và tạo điều kiện cho việc áp dụng Generative AI để mở rộng nhanh chóng. Bước quan trọng đầu tiên là tạo ra một đội ngũ đặc biệt cho nền tảng Generative AI, có nhiệm vụ phát triển và duy trì dịch vụ nền tảng. Dịch vụ này cho phép các mô hình AI đã được phê duyệt có thể được truy cập và sử dụng một cách dễ dàng bởi các nhóm sản phẩm và ứng dụng theo yêu cầu.

Đội ngũ nền tảng đóng vai trò then chốt trong việc định rõ các giao thức để tích hợp suôn sẻ mô hình Generative AI vào các hệ thống nội bộ, các ứng dụng doanh nghiệp và các bộ công cụ. Ngoài ra, họ chịu trách nhiệm thiết lập và triển khai các tiêu chuẩn để quản lý rủi ro, bao gồm việc sử dụng các AI có trách nhiệm.

Để đảm bảo đội ngũ nền tảng hoạt động một cách hiệu quả, các nhà lãnh đạo công nghệ cần tập hợp một nhóm có đủ kỹ năng và chuyên môn. Thông thường, đội ngũ này cần bao gồm một nhà lãnh đạo kỹ thuật cấp cao đóng vai trò quản lý chung. Các vai trò chính trong đội ngũ bao gồm các kỹ sư phần mềm, chịu trách nhiệm tích hợp các mô hình AI vào các hệ thống, ứng dụng và công cụ hiện có; các kỹ sư dữ liệu chịu trách nhiệm xây dựng các pipeline dữ liệu, kết nối mô hình với các nguồn dữ liệu và hệ thống ghi chú; các nhà khoa học dữ liệu chọn mô hình và thiết kế các prompt; các kỹ sư MLOps quản lý triển khai và theo dõi nhiều mô hình và phiên bản mô hình; các kỹ sư ML điều chỉnh mô hình bằng cách sử dụng nguồn dữ liệu mới; và các chuyên gia về rủi ro giám sát các vấn đề liên quan đến bảo mật như rò rỉ dữ liệu, kiểm soát truy cập, độ chính xác của đầu ra và giảm thiểu sự thiên vị. Mỗi thành phần cụ thể của đội ngũ nền tảng có thể thay đổi dựa trên các nhu cầu sử dụng riêng biệt của doanh nghiệp. Ví dụ, việc tạo ra một chatbot dành cho khách hàng sẽ đòi hỏi người có kiến thức sâu về quản lý sản phẩm và trải nghiệm người dùng (UX).

8. Thực hiện các chương trình nâng cao kỹ năng

Trong nghiên cứu của McKinsey, các kỹ sư giỏi có thể tăng tốc độ công việc lên đến 50 - 80% khi sử dụng công cụ Generative AI, trong khi các developer ít kinh nghiệm sẽ giảm từ 7 - 10%. Sự chênh lệch này là do các công cụ Generative AI đòi hỏi các kỹ sư phải đánh giá, xác minh và tối ưu hóa mã nguồn, điều mà những nhà phát triển ít kinh nghiệm có thể thấy khó khăn. Ngược lại, đối với những vị trí không yêu cầu kinh nghiệm về công nghệ như dịch vụ khách hàng, Generative AI đã cải thiện năng suất lên đến 14% và giảm tỷ lệ nghỉ việc của nhân viên.

Những sự khác biệt này nhấn mạnh tầm quan trọng của việc định hình lại chiến lược quản lý tài năng cho lực lượng lao động mà các nhà lãnh đạo công nghệ nên hợp tác với phòng Nhân sự để làm. Mặc dù việc tuyển dụng các nhân sự hàng đầu trong mảng AI là quan trọng vì sự khan hiếm ngày càng tăng và giá trị chuyên môn cao như vậy, các nhà lãnh đạo công nghệ cũng nên thực hiện các biện pháp giữ chân nhân tài, bao gồm việc trả mức lương cạnh tranh và tạo cơ hội cho họ tham gia vào các dự án chiến lược quan trọng.

Tuy nhiên, doanh nghiệp cần tập trung vào nhiều hơn là chỉ tuyển dụng. Tác động của Generative AI lan rộng đến gần như mọi vị trí hiện có, đòi hỏi sự để tâm vào việc nâng cao kỹ năng của cá nhân theo từng vai trò cụ thể, mức độ thành thạo và mục tiêu kinh doanh. Hãy lấy các developer làm ví dụ. Các chương trình đào tạo cho người mới nên ưu tiên việc tăng tốc sự lập trình của họ để trở thành người đánh giá code chuyên nghiệp, bên cạnh vai trò của họ như người viết code. Việc đánh giá code yêu cầu một bộ kỹ năng khác, bao gồm việc hiểu về chất lượng code, chức năng, và độ phức tạp. Ngoài ra, các developer cần học cách suy nghĩ khác biệt khi viết code, để hiểu sâu hơn về ý định của người dung, từ đó tạo ra prompt và dữ liệu context để cải thiện hiệu suất của Generative AI.

Ngoài việc nâng cao kỹ năng của nhân tài kỹ thuật, CIO và CTO cũng có thể đóng vai trò quan trọng trong việc phát triển kỹ năng Generative AI cho các nhân viên không thuộc lĩnh vực kỹ thuật. Điều này bao gồm trang bị họ với khả năng sử dụng các công cụ AI cho việc cơ bản như tạo email và quản lý công việc. Nhân viên ở các vai trò kinh doanh khác nhau nên thành thạo trong việc sử dụng nhiều công cụ để cải thiện hiệu suất và kết quả. Các nhà lãnh đạo công nghệ có thể tạo điều kiện cho việc này bằng cách điều chỉnh các mô hình đào tạo và cung cấp các chứng chỉ tương ứng.

9. Xác định những rủi ro mới

Khi làm việc với Generative AI, doanh nghiệp sẽ phải đối mặt với các vấn đề đạo đức và rủi ro trong môi trường mới. Các vấn đề này bao gồm các thứ như "ảo giác," nơi các mô hình AI cung cấp các phản hồi không chính xác dựa trên xác suất, sự rò rỉ ngẫu nhiên của dữ liệu nhạy cảm, sự không đồng đều trong các tập dữ liệu lớn và các vấn đề phức tạp liên quan đến tài sản trí tuệ (IP). Để quản lý hiệu quả những thách thức này, CIO và CTO cần phải có sự hiểu biết sâu sắc về các vấn đề đạo đức, nhân đạo và tuân thủ, bao gồm cả việc tuân thủ pháp luật, mà có thể thay đổi theo từng quốc gia.

Thực hành an toàn thông tin và cập nhật quy trình phát triển phần mềm là cần thiết để đánh giá rủi ro và thiết lập biện pháp giảm rủi ro trước khi bắt đầu phát triển mô hình. Giải pháp này giúp giảm thiểu vấn đề và ngăn chặn tình trạng tắc nghẽn cổ chai (bottleneck). Các chiến lược giảm rủi ro đã được chứng minh là phù hợp cho hiện tượng "ảo giác" bao gồm việc điều chỉnh "nhiệt độ" của mô hình để kiểm soát sự sáng tạo, tăng cường các mô hình với dữ liệu nội bộ có liên quan để cung cấp ngữ cảnh, triển khai các thư viện với những quy tắc nghiêm ngặt, sử dụng các mô hình kiểm duyệt để kiểm tra kết quả đầu ra và kết hợp các tuyên bố từ chối trách nhiệm một cách rõ ràng. Có lẽ nên ứng dụng Generative AI trong các trường hợp ít tốn chi phí nếu xảy ra lỗi, cho phép doanh nghiệp học hỏi và thích nghi.

Đảm bảo bảo mật dữ liệu cũng trở nên quan trọng hơn bao giờ hết. Điều này bao gồm việc tạo và thực thi các giao thức gắn thẻ dữ liệu nhạy cảm, triển khai các biện pháp kiểm soát quyền truy cập trong nhiều lĩnh vực khác nhau (ví dụ: dữ liệu bồi thường nhân sự), tăng cường bảo vệ dữ liệu khi chia sẻ dữ liệu ra bên ngoài và giới thiệu các biện pháp bảo vệ quyền riêng tư. Để giảm thiểu rủi ro kiểm soát quyền truy cập, một số tổ chức đã giới thiệu các lớp quản lý chính sách nhằm hạn chế quyền truy cập vào mô hình dựa trên vai trò của người dùng sau khi được nhập liệu kịp thời. Hơn nữa, trong việc quản lý rủi ro sở hữu trí tuệ, CIO và CTO nên ủng hộ sự minh bạch từ các nhà cung cấp mô hình nền tảng về IP, nguồn dữ liệu, giấy phép và quyền sở hữu liên quan đến các bộ dữ liệu được sử dụng.