Gần đây, thuật ngữ "Hạ tầng Dữ liệu Sẵn sàng cho AI" (AI-Ready Data Infrastructure) trở nên khá quan trọng và thường xuyên được nhắc đến.
Có vẻ như điều này không chỉ đơn thuần là:
"Xây dựng DWH," "Thiết lập BI," hay "Đưa dữ liệu nội bộ vào RAG."
Sau khi đọc một vài bài viết và tổng hợp lại các ý tưởng, về cơ bản, AI-Ready có nghĩa là:
Trạng thái mà AI có thể tham chiếu một cách an toàn, diễn giải chính xác và sử dụng dữ liệu cho các hành động kinh doanh.
Trước hết, như một tiền đề quan trọng, khả năng AI viết SQL khác với khả năng AI trả lời chính xác các câu hỏi kinh doanh.
Hai Thành Phần Chính của Hạ tầng Dữ liệu "AI-Ready"
1. Chuẩn bị Dữ liệu
Sử dụng kiến trúc huy chương (medallion architecture) như Bronze / Silver / Gold để tổ chức dữ liệu thô thành độ chi tiết, chất lượng và cấu trúc có thể chịu được phân tích.
2. Cung cấp Ngữ cảnh Dữ liệu
Làm cho ý nghĩa của dữ liệu, mối quan hệ và quy tắc kinh doanh có thể đọc được bởi AI thông qua các mô hình ngữ nghĩa và bản thể luận (ontologies).
Điều này cực kỳ quan trọng; chỉ đưa các bảng cho AI là không đủ.
"Doanh thu là gì?" Nó có bao gồm hàng trả lại không? ID khách hàng nào nên được liên kết với ID hợp đồng nào? Định nghĩa của phòng ban nào là đúng? Nếu không có ngữ cảnh kinh doanh này, AI sẽ tạo ra những câu trả lời có vẻ hợp lý nhưng sai lệch.
Cuộc thảo luận tại Snowflake Summit được đề cập trong bài viết của Finatext cũng tương tự.
Trong kỷ nguyên AI, tầm quan trọng của các pipeline dữ liệu thực tế còn tăng lên. Ngay cả khi LLM trở nên thông minh hơn, nếu độ tươi mới, độ chính xác và cấu trúc của dữ liệu đầu vào yếu, chất lượng đầu ra sẽ chạm trần. Điều thú vị là, hướng đi của Snowflake đang chuyển sang giảm ma sát trong phát triển, triển khai và giám sát thay vì chỉ "thêm tính năng."
AI tạo ra DAG, xây dựng pipeline và viết mã. Trong thế giới đó, công việc của con người chuyển từ "nhiệm vụ" sang "thiết kế các sản phẩm dữ liệu chính xác."
Một bài viết khác dành cho các startup cũng rất gợi ý.
Dữ liệu của startup thường nằm rải rác trong các cơ sở dữ liệu sản phẩm, CRM, bảng tính, Slack, Notion và các công cụ hỗ trợ.
Ban đầu, nó hoạt động tốt.
Nhưng khi bạn cố gắng tích hợp các tác nhân AI vào hoạt động, sự phân mảnh này trở thành giới hạn. Ví dụ, một tác nhân bán hàng muốn xem xét tổng thể CRM, nhật ký sử dụng, thông tin hợp đồng, lịch sử yêu cầu và tài liệu đề xuất trong quá khứ. Một tác nhân CS muốn thấy không chỉ nội dung yêu cầu mà còn cả tình trạng sử dụng của khách hàng và các tương tác trong quá khứ. Một tác nhân hỗ trợ quản lý nên phát hiện các thay đổi trong KPI và tổ chức các nguyên nhân cùng các bước tiếp theo.
Tóm lại, những gì các tác nhân AI cần là ngữ cảnh, không chỉ là khối lượng dữ liệu.
Chỉ dữ liệu có cấu trúc thôi là chưa đủ.
Dữ liệu phi cấu trúc như ghi chú cuộc họp, thảo luận trên Slack, thông số kỹ thuật trong Notion, lịch sử CS, lý do mất hợp đồng và nghiên cứu điển hình cũng trở thành tài liệu quan trọng để AI hiểu được hoạt động kinh doanh.
Dựa trên những điều trên, tôi nghĩ năm điều sau đây là cần thiết cho một hạ tầng dữ liệu AI-Ready.
1. Dữ liệu đáng tin cậy, đã được chuẩn bị
2. Định nghĩa về KPI và các thuật ngữ kinh doanh
3. Kết nối giữa dữ liệu có cấu trúc và phi cấu trúc
4. Quản lý quyền và kiểm soát phạm vi
5. Khả năng truy xuất cơ sở của các câu trả lời và đề xuất
Cụ thể, tôi nghĩ hình thức tiếp theo của BI sẽ rất quan trọng. BI truyền thống là thứ con người đến xem trên một bảng điều khiển (dashboard). Nhưng khi trạng thái AI-Ready được thiết lập, nó sẽ thay đổi thành hình thức mà AI nhận thấy các bất thường, điều tra nguyên nhân và đề xuất hành động tiếp theo.
Nó gần giống với cái được gọi là Push BI.
Tuy nhiên, điều quan trọng trong Push BI không phải là thông báo.
Nếu bạn chỉ đăng "Doanh số đã giảm" lên Slack, nó chỉ là một bot cảnh báo. Điều thực sự cần thiết là đầu ra phải bao gồm:
- KPI nào
- So với bình thường thì như thế nào
- Đã thay đổi bao nhiêu
- Tại sao nó có thể xảy ra
- Bằng chứng nào đang được xem xét
- Ai nên làm gì
Để làm được điều đó, chỉ một DWH thôi là chưa đủ.
Cần có định nghĩa chỉ số, danh mục dữ liệu, kiến thức kinh doanh, RAG, quyền và vòng phản hồi. Một hạ tầng dữ liệu AI-Ready không phải là trạng thái bạn chỉ cần truyền dữ liệu cho AI. Đó là trạng thái AI hiểu được ngữ cảnh kinh doanh, đưa ra phán đoán dựa trên bằng chứng và dẫn đến hành động tiếp theo của con người.
Hạ tầng dữ liệu trong tương lai sẽ chuyển từ một nền tảng đơn giản cho "trực quan hóa" thành một "Hệ điều hành Kinh doanh" (Business OS) để các tác nhân AI phán đoán, đề xuất và thực thi.
Nhân tiện, Snowflake và Databricks, những người chơi chính trong hạ tầng dữ liệu, tình cờ đều có những thông báo gần đây liên quan đến năm 2027. Những người quản lý dữ liệu trong tương lai có lẽ sẽ gần với vai trò Kiến trúc sư Dữ liệu x Giám đốc AI hơn là những người chỉ triển khai SQL và ETL. o11y cũng là một chủ đề.
Các bài viết tham khảo:
- Finatext Tech Blog: Snowflake Summit 2026 / Phát triển Pipeline Thông minh cho Dữ liệu Sẵn sàng cho AI
https://zenn.dev/finatext/articles/6c5f6a7f7862e4
- Qiita: Hạ tầng Dữ liệu Sẵn sàng cho AI là gì?
https://qiita.com/ayumito/items/746fc38b5675869b96a0
- Zenn: Tổ chức Hạ tầng Dữ liệu Cần thiết cho Startup trong Kỷ nguyên AI
