Fast Kriging
Học máy (Machine Learning) đã trở thành một phần quan trọng của xã hội chúng ta trong hầu hết các lĩnh vực hoạt động của con người. Các chương trình liên quan đến việc tối ưu hóa và AI phụ thuộc rất nhiều vào các siêu mô hình để đưa ra dự báo chính xác về các chức năng. Một trong những siêu mô hình được biết đến nhiều nhất là Kriging (KR), còn được gọi là Quy trình Gauss, được coi là một trong những mô hình hồi quy hoặc phân loại chính xác nhất, nhưng cũng rất tốn kém về chi phí tính toán liên quan đến đào tạo. Độ chính xác cao hoặc kích thước tập dữ liệu lớn dẫn đến sự gia tăng thời gian đào tạo nhiều hơn theo cấp số nhân, kết quả là nhiều dự án AI và Machine Learning với hiệu suất thấp hoặc thậm chí không khả thi.

Sau một quá trình dài nghiên cứu và thử nghiệm, vào năm 2022, VMC Consulting đưa ra một thuật toán mới gọi là Fast Kriging (FKR), còn được gọi là Bề mặt phân vùng Tessellated (TPS), cho phép đào tạo Kriging với các tập dữ liệu lớn với tốc độ nhanh hơn hàng trăm lần mà không ảnh hưởng đến độ chính xác. Khác với các phương pháp tương tự trước đây, thuật toán này có hoạt động rất đơn giản và mạnh mẽ bằng cách tạo ra một lưới các phân vùng gần đẳng lượng của các đầu vào theo các vùng tương tự. Ưu điểm tuyệt vời mà nó mang lại là nó có thể được áp dụng cho bất kỳ tập dữ liệu nào với bất kỳ kiểu phân phối nào, chẳng hạn như phân phối ngẫu nhiên, Descares hoặc theo cụm, cho các miền có bất kỳ số tọa độ nào, đơn giản hóa đáng kể bất kỳ
siêu mô hình nào với một nhóm lưới. Nghiên cứu này chứng minh cách một trong những siêu mô hình được gọi là Kriging chính xác và được biết đến nhiều nhất, nhưng với chi phí tính toán đắt đỏ, có thể được đơn giản hóa đáng kể với lưới bề mặt phản hồi. Như kết quả đã chứng minh trong nghiên cứu, với TPS, một mô hình KR có thể được phân đoạn, giúp giảm đáng kể chi phí tính toán tổng thể. Giảm thời gian đạt được với TPS trong thử nghiệm là từ khoảng 5 đến 31 phút xuống còn khoảng 10 giây, tốc độ tăng từ 20 đến 185 lần.
Xu hướng chăm sóc sức khỏe kỹ thuật số
Được thúc đẩy bởi các nhu cầu khẩn cấp liên quan đến đại dịch, tương lai của sức khỏe hiện nay đang được định hình bởi các yếu tố khác nhau, từ các công nghệ mới nổi và ứng dụng mới cho đến những thay đổi nhanh chóng trong hành vi. Nhờ có sự phát triển nhanh chóng cũng như những bước tiến vượt bậc trong việc áp dụng AI cũng như Machine Learning, trải nghiệm sức khỏe kỹ thuật số trở nên phổ biến hơn, linh hoạt hơn, dễ sử dụng và được cá nhân hóa hơn. Do đó, nhu cầu để cải thiện khả năng tiếp cận chăm sóc, kiểm soát, kết quả và hiệu quả cao hơn sẽ chiếm ưu thế trong bối cảnh chăm sóc sức khỏe vào năm 2022.
Dữ liệu sức khỏe do bệnh nhân tạo ra đạt đến một bước ngoặt

Cho dù từ các thiết bị như Apple Watch, Whoop Band hay Oura Ring, dữ liệu sức khỏe do bệnh nhân tạo ra sẽ giúp mọi người theo dõi nhịp tim, kiểu ngủ, huyết áp và nhịp thở. Dữ liệu chi tiết này theo dõi mức tiêu thụ calo, tập thể dục, sự căng thẳng, các tư thế không lành mạnh, chất lượng giấc ngủ kém, suy giảm nhận thức và thậm chí là các dấu hiệu cảnh báo sớm về nhiễm trùng và viêm. Và từ đó đưa ra các khuyến nghị được điều chỉnh cho phù hợp với đặc điểm sinh học, tuổi tác, lối sống và thậm chí cả bảo hiểm của bạn. Thiết bị đeo và dữ liệu mà chúng tạo ra mỗi ngày cho phép mọi người quan tâm hơn tới sức khỏe của mình và thực hiện các thay đổi hành vi nhằm tối đa hóa sức khỏe và chất lượng cuộc sống của họ.
Chăm sóc sức khỏe cá nhân hóa trở nên kết nối
Khả năng kết nối toàn bộ hệ sinh thái chăm sóc sức khỏe được cá nhân hóa nhờ tận dụng AI, IoT y tế, giám sát từ xa và các công nghệ mới có thể giúp các nhà cung cấp mang lại kết quả tốt hơn. Từ các bệnh viện thông minh đến các mô hình phi tập trung, lấy bệnh nhân làm trung tâm được xây dựng trên cơ sở chia sẻ dữ liệu, IoT đã và đang kết nối các bác sĩ, công ty bảo hiểm, gia đình, thiết bị đeo được và người chăm sóc để quản lý việc chăm sóc bệnh nhân tốt hơn.
Ví dụ: AI có thể sử dụng các thuật toán và máy học (ML) để phân tích và diễn giải dữ liệu do bệnh nhân tạo ra và mang lại trải nghiệm được cá nhân hóa – cũng như tự động hóa các quy trình chăm sóc sức khỏe lặp đi lặp lại và tốn kém.

Điện toán hiệu năng cao (HPC) sẽ trở thành công nghệ chủ đạo

Với sự phát triển mạnh mẽ của nghiên cứu dựa trên Big Data, điện toán hiệu năng cao – HPC (High Perormance Computing) chắc chắn sẽ được nhiều doanh nghiệp quan tâm trong năm 2022. Những phát minh bùng nổ trong lĩnh vực máy tính lượng tử bởi những doanh nghiệp nổi tiếng như Google, IBM, Microsof, Amazon hay Alibaba. Các công ty khởi nghiệp như Rigeti Computing, D-Wave Systems, ColdQuanta, 1QBit, Zapata Computing và QC cũng đã trở thành kỳ lân của ngành về công nghệ với như tốc phát triển chóng mặt. Do nhu cầu sử dụng một bộ máy lớn hơn hỗ trợ việc nghiên cứu đang tăng cao, điện toán lượng tử sẽ tiếp tục phát triển mạnh mẽ trong 6 tháng cuối năm 2022. Chúng ta sẽ có thể thấy được các thành tích nổi bật hơn về nghiên cứu qubit (bit lượng tử) trong đầu năm nay. Thương mại trong điện toán lượng tử sẽ sớm nằm trong tầm tay và chúng ta sẽ sớm thấy được những ứng dụng công nghệ trong đời sống.
Sự bùng nổ của NFT
NFT (Non-fungible Token hay tài sản không thể thay thế) là một sản phẩm số thể hiện qua code và dữ liệu để xác minh chủ sở hữu của sản phẩm đó. Các tài sản này có thể hiện dưới dạng online như bất động sản số trong thế giới ảo hoặc các sản phẩm trong trò chơi điện tử. Tuy nhiên, các tài sản này cũng có có thể là thật như một mảnh đất, một bức tranh, hay một vé tham gia biểu diễn nào đó. NFT cũng có thể là sự kết hợp giữa online và ofine như quyền quyết định ai có thể thuê chỗ làm việc trong văn phòng coworking. Tất cả những đồ vật độc nhất vô nhị như thẻ cầu thủ bóng chày, quả bóng đầu tiên của Ronaldo, một chiếc xe cổ hay một mảnh đất nhỏ ở trung tâm London đều có thể định dạng là NFT. Năm 2022 là dấu mốc hoàn toàn mới trong lịch sử với sự thống trị của NFT so với hình thức sở hữu truyền thống.

Xu hướng ứng dụng công nghệ Blockchain
Blockchain là một hệ thống cho phép các công ty có thể theo dõi, giám sát các giao dịch và hợp tác kinh doanh với các đối tác chưa được xác minh mà không cần tới sự hỗ trợ của các tổ chức tài chính. Công nghệ này giúp làm giảm các vấn đề khi kinh doanh, đồng thời đem lại nhiều lợi ích khác cho doanh nghiệp như liên kết mạng lưới dữ liệu của doanh nghiệp, tính công khai, minh bạch, bảo mật, không thể sửa đổi và phi tập trung. Nhờ những lợi ích trên, ứng dụng Blockchain trong doanh nghiệp đã trở nên phổ biến và sẽ tiếp tục can thiệp sâu vào nhiều lĩnh vực hơn nữa trong tương lai từ trò chơi điện tử, bộ máy chính phủ đến tài chính nói chung. Trong những năm gần đây, một số chính phủ đã thử nghiệm công nghệ blockchain trong nhiều hoạt động và dịch vụ khác nhau bao gồm đăng ký đất đai, cấp giấy chứng nhận cho giáo dục, chăm sóc sức khỏe, mua sắm, chuỗi cung ứng thực phẩm và quản lý danh tính.
Ví dụ: Bưu điện Australia đã công khai kế hoạch sử dụng công nghệ blockchain để bỏ phiếu địa phương, Estonia đang sử dụng công nghệ này để thực thi tính toàn vẹn của hệ thống đăng ký kinh doanh và thuế cũng như hồ sơ sức khỏe điện tử và Vương quốc Anh đang xem xét công nghệ để theo dõi việc phân phối phúc lợi. Theo International Data Corporation (IDC), các doanh nghiệp đã chi gần 6,6 tỷ USD vào các giải pháp blockchain trong năm 2021, tức tăng trưởng 50% so với năm 2020. Và trong năm 2022 dự đoán đạt 11.7 tỷ USD.
Xu hướng sử dụng Lakehouse để phân tích dữ liệu
Từ lâu chúng ta đã nói về Data Lake hoặc Data Warehouse và các lợi ích khác nhau của chúng đối với phân tích. Giờ đây, phân tích dữ liệu đang tiến tới một môi trường thống nhất, làm mờ ranh giới giữa Data Lake truyền thống và Data Warehouse. Các tổ chức hiện đại đang áp dụng một mô hình quản lý dữ liệu mới: Lakehouse. Khi chuyển sang đám mây, các công ty không còn phải vật lộn với một/hoặc quyết định giữa Data Warehouse, Data Lake hoặc thậm chí thiết lập các thực thể riêng biệt nhưng bình đẳng trong đám mây. Kiến trúc Lakehouse là tốt nhất của cả cấu trúc và bán cấu trúc trên thế giới. Lakehouse cho phép bạn lưu trữ tất cả dữ liệu ở một vị trí duy nhất, nơi bạn có thể áp dụng khả năng truyền trực tuyến, trí tuệ kinh doanh (BI), khoa học dữ liệu và máy học tốt nhất. Lakehouse cho phép các doanh nghiệp dễ dàng truy cập vào dữ liệu.
Tự động hoá đám mây và dịch vụ đám mây lai

Kể từ khi vừa ra đời, điện toán đám mây (Cloud Computing hay gọi tắt là Cloud) đã được xem như một thành tựu của công nghệ có ý nghĩa “thống trị” lĩnh vực quản lý dữ liệu. Điện toán đám mây tạo điều kiện thuận lợi cho sự phát triển từ: triển khai dữ liệu khổng, dự đoán và phân tích ứng dụng của điện toán nhận thức (Cognitive Computing) đến điện toán biên, điện toán ranh giới (Edge Computing). Việc tự động hóa các dịch vụ điện toán đám mây cho các đám mây công cộng và riêng tư được thực hiện bằng cách sử dụng trí tuệ nhân tạo (ví dụ như AIOps) và máy học. Điều này đã và đang mang lại sự thay đổi trong cách nhìn của các doanh nghiệp đối với dữ liệu lớn và các dịch vụ đám mây bằng cách cung cấp nhiều bảo mật dữ liệu hơn, tăng khả năng mở rộng cơ sở dữ liệu và hệ thống quản trị tập trung cũng như quyền sở hữu dữ liệu với chi phí thấp.
Một trong những dự đoán về dữ liệu lớn cho năm 2022 là sự gia tăng sử dụng các dịch vụ đám mây lai. Đám mây lai là sự kết hợp của đám mây công cộng và nền tảng đám mây riêng. Các đám mây công cộng tiết kiệm chi phí nhưng không mang lại khả năng bảo mật dữ liệu cao. Đám mây riêng an toàn hơn nhưng đắt tiền và không phải là một lựa chọn khả thi cho tất cả các doanh nghiệp vừa và nhỏ. Giải pháp khả thi là sự kết hợp của cả hai trong đó chi phí và bảo mật được cân bằng để mang lại sự linh hoạt hơn. Một đám mây lai giúp tối ưu hóa tài nguyên và hiệu suất của doanh nghiệp.
AutoML
Máy học (ML) là một loại trí tuệ nhân tạo (AI) cho phép các ứng dụng phần mềm trở nên chính xác hơn trong việc dự đoán kết quả bằng cách cung cấp cho máy móc khả năng tự động học hỏi từ dữ liệu và kinh nghiệm trong quá khứ để xác định các mẫu và đưa ra dự đoán với sự can thiệp tối thiểu của con người. Học máy tự động (hay AutoML) là một trong những xu hướng mới nhất đang thúc đẩy quá trình dân chủ hóa khoa học dữ liệu. Một phần lớn công việc của nhà khoa học dữ liệu được dành cho việc chuẩn bị và làm sạch dữ liệu và mỗi công việc này đều lặp đi lặp lại và tốn thời gian. AutoML đảm bảo rằng các tác vụ này được tự động hóa và nó liên quan đến việc xây dựng mô hình, tạo thuật toán và mạng nơ-ron. AutoML về cơ bản là quá trình áp dụng các mô hình ML vào các vấn đề trong thế giới thực bằng cách tận dụng tự động hóa. Các khuôn khổ AutoML giúp các nhà khoa học dữ liệu trực quan hóa dữ liệu, độ rõ mô hình và triển khai mô hình. Sự đổi mới chính trong đó là tìm kiếm siêu tham số, được sử dụng để tiền xử lý các thành phần, lựa chọn kiểu mô hình và để tối ưu hóa siêu tham số của chúng.
—Hết—