Trí tuệ nhân tạo hội thoại trong các ứng dụng công nghiệp 3D thời gian thực có thể thúc đẩy các quyết định nhanh hơn, được thông tin tốt hơn trên các nhóm như thế nào
Shanti Zachariah - Unity Technologies
Senior content marketing manager

Trang web này đã được dịch bằng máy để thuận tiện cho bạn. Chúng tôi không thể đảm bảo tính chính xác hoặc độ tin cậy của nội dung được dịch. Nếu bạn có thắc mắc về tính chính xác của nội dung được dịch, vui lòng tham khảo phiên bản tiếng Anh chính thức của trang web.
Bài thuyết trình Unity U/Day Houston này do Matti Gruener, một nhà nghiên cứu từ MIT Media Lab, thực hiện.
Dựa trên nền tảng sâu rộng về hiệu ứng hình ảnh, thực tế tăng cường và nghiên cứu hiện tại tại MIT Media Lab, Matti Gruener xem xét AI trong 3D thời gian thực qua hai lăng kính: Các tác nhân AI hỗ trợ xây dựng ứng dụng, và nhúng AI trực tiếp vào các ứng dụng thời gian chạy như những đối tác trò chuyện, tương tác.
Về phía phát triển ứng dụng, việc sử dụng các công cụ như Unity CLI cho phép các nhà phát triển ủy quyền các tác vụ xây dựng và trực quan hóa phức tạp trực tiếp cho các tác nhân AI, thay vì liên tục mở Unity Editor.
Nhúng AI đàm thoại vào 3D thời gian thực tạo ra các hệ thống trực quan hoạt động như trợ lý cho người dùng cuối. Bằng cách tích hợp các tập dữ liệu lớn, đa chiều, chẳng hạn như hàng thập kỷ nghiên cứu về mặt trăng, chuyển động đô thị tổng hợp hoặc các mô hình khai thác địa chất – các ví dụ từ công trình của Matti Gruener – người dùng có thể dễ dàng truy vấn, lọc và sửa đổi các biểu diễn 3D thông qua ngôn ngữ tự nhiên theo thời gian thực.
Điểm mấu chốt
- Matti Gruener đưa ra tổng quan về cách Unity CLI đã tăng tốc đáng kể quy trình làm việc Unity của anh ấy, cho phép anh ấy tự động hóa nhiều tác vụ thông qua các tác nhân AI và xác minh kết quả bằng cách sử dụng báo cáo HTML đơn giản.
- Anh ấy đi qua ba dự án ví dụ chính từ MIT Media Lab:
- Trải nghiệm AR mặt trăng cùng với NASA
- Trực quan hóa thiết kế tòa nhà và đô thị
- Mô phỏng một mỏ lithium
- Mỗi một trong ba ứng dụng này, cùng với AI hội thoại được nhúng, cho phép người dùng yêu cầu lọc, mô hình hóa và kết xuất các phản hồi trực quan thông qua các câu lệnh bằng ngôn ngữ tự nhiên. Một ví dụ là người dùng trong hình ảnh hóa mỏ lithium yêu cầu AI tạo ra các hình học hố, kế hoạch đường sá hoặc dự báo kinh tế khả thi.
- Mục tiêu trong nghiên cứu của ông là phát triển các kiến trúc chuyên biệt cho các hệ thống AI cần hoạt động trong các ngành được quản lý, với mục tiêu không có dữ liệu bịa đặt, để người dùng có thể tin tưởng vào kết quả và đưa ra các quyết định dựa trên dữ liệu có độ chính xác cao.
- Các trợ lý AI đàm thoại có thể giúp thu hẹp khoảng cách kiến thức giữa các nhóm đa chức năng, cho phép các bên liên quan đa dạng, chuyên gia kỹ thuật và các thành viên không chuyên về kỹ thuật diễn giải thông tin không gian phức tạp với mục tiêu thúc đẩy các quyết định hiệu quả và chính xác hơn.

Bản ghi đầy đủ
Diễn giả: Matti Gruener, nhà nghiên cứu, Phòng thí nghiệm Truyền thông MIT
Ghi chú:
- Đây là bản ghi được chỉnh sửa nhẹ của một bài thuyết trình được ghi âm.
- Iron Man và JARVIS chỉ được sử dụng cho mục đích minh họa. Không liên kết hoặc được Marvel/Disney bảo trợ.
Giới thiệu
[0:00] Tên tôi là Matti. Tôi hiện đang nghiên cứu tại Phòng thí nghiệm Truyền thông MIT. Trước khi quay lại trường và quay lại MIT, tôi đã dành khoảng 15 năm trong các ngành công nghiệp khác nhau, khoảng 10 năm trong lĩnh vực hiệu ứng hình ảnh, nơi tôi đã làm việc trong một trong những bộ phim Harry Potter, The Mandalorian, Game of Thrones; sau đó tôi rời lĩnh vực hiệu ứng hình ảnh vào một thời điểm nào đó, và sau đó làm việc trong công nghệ thời trang và cuối cùng là thực tế tăng cường và trí tuệ nhân tạo. Vì vậy, trong bối cảnh các ứng dụng Unity, tôi muốn xem xét AI từ hai góc độ khác nhau.
[0:58] Quan điểm (góc nhìn đầu tiên) là ở bên trái, nơi AI giúp chúng ta xây dựng các ứng dụng này. Vì vậy, chúng ta có những quy trình làm việc tác nhân (agentic workflows) này để xây dựng các ứng dụng và tệp thực thi cho chúng ta. Và cái kia, ở bên phải, là nhúng AI vào chính ứng dụng. Chúng ta sẽ tập trung vào bên phải, nhưng tôi sẽ nói về bên trái một phút, về các quy trình làm việc tác nhân này để xây dựng ứng dụng trong giây lát.
Xây dựng ứng dụng với Unity CLI và quy trình làm việc tác nhân (agentic workflows)
[1:30] Okay. Vì vậy tôi thừa nhận rằng tôi đã tập trung hoàn toàn vào AI một thời gian. MIT bận rộn quá. Tôi phải ủy quyền càng nhiều càng tốt cho các đại lý của mình để vượt qua cơn bão là MIT vào một số ngày nhất định. Và tôi có một lời thú nhận khác, đó là tôi hầu như không mở Unity Editor trong vài tháng qua. Vậy là có một thời điểm tôi dành tám giờ mỗi ngày trong Unity và những khoảng thời gian đó dường như đã qua đi. Tôi không biết đó có phải là hiệu ứng dự định khi Unity phát hành Unity CLI hay không. Nhưng với việc phát hành CLI, tự nhiên là tôi đã ngừng mở Editor.
Unity CLI đã thay đổi cơ bản cách tôi tiếp cận việc xây dựng ứng dụng bây giờ.
[2:28] Vì vậy, ngay bây giờ, tôi hướng dẫn các tác nhân của mình xây dựng mọi thứ thông qua Unity CLI, và sau đó tôi cũng hướng dẫn họ xây dựng các trang HTML này để cung cấp bằng chứng trực quan rằng nhiệm vụ mà tôi giao đã thực sự được hoàn thành. Vì vậy trong trường hợp này, tôi không tập trung nhiều vào hình ảnh. Tôi tập trung nhiều hơn vào việc dữ liệu có được thu thập đúng không, nó có được đặt đúng chỗ không, nó có được xử lý đúng cách không? Và trong trường hợp này, liệu tác nhân có hiểu để tạo khối xung quanh các đồ thị nút này không? Nhưng đó là những chi tiết. Nó thiên về quy trình làm việc và dạo này tôi chỉ xem các trang HTML như một đầu ra để xác minh rằng công việc đã được hoàn thành.
[3:03] Và điều này đã tăng tốc quy trình làm việc của tôi khá nhiều. Và tôi nhận thấy rằng, như chúng ta đã nói trước đó hôm nay, chúng ta đã bận rộn hơn kể từ khi chúng ta có tất cả những công cụ này. Vậy là họ không làm cho cuộc sống bớt bận rộn đi, nhưng bằng cách nào đó những người như chúng ta lại kết thúc bằng việc làm nhiều thứ hơn. Vì vậy, trong trường hợp của tôi, tôi thường chạy, tôi không biết, 10 việc cùng một lúc, và quy trình làm việc này đã giúp tôi theo dõi điều đó.
[3:32] Việc có những trang HTML này có ngữ cảnh về những gì tôi đã làm vào thời điểm đó giúp tôi xem lại sau xem công việc đã được thực hiện hay chưa. Vì vậy, đây là một ví dụ mang tính thủ tục hơn, nhưng tôi cũng đã sử dụng nó để làm các mẩu quảng cáo. Trong trường hợp này, tôi có dữ liệu mà tôi đã nhập vào một trong các ứng dụng Unity của mình và tôi đang cố gắng tìm ra cách tôi muốn trực quan hóa thông tin đó.
[3:59] Tôi đã chỉ thị cho các đặc vụ của mình đưa ra một số lựa chọn về cách tôi có thể làm điều đó. Và bây giờ tôi chỉ cuộn qua và xem những gì tôi thích về nó. Có các bảng màu khác nhau, nó liên quan đến tỷ lệ, liên quan đến việc tôi sử dụng máy ảnh phối cảnh hay máy ảnh trực giao. Và tôi có thể chỉ cần xem qua và chọn những thứ tôi thích. Và những gì tôi thường làm sau đó khi tôi đã làm điều này là xây dựng một ứng dụng tương tác để hiển thị tất cả các tham số này mà tôi muốn thử nghiệm dưới dạng giao diện người dùng trên ứng dụng.
[4:27] Vì vậy, điều đó giúp tôi rất nhanh để thiết lập giao diện, ví dụ, và sau đó chụp ảnh màn hình giao diện người dùng, chuyển nó lại cho tác nhân của tôi, và sau đó bảo tác nhân rằng đây là giao diện mặc định của tôi từ bây giờ. Điều đó đã giúp công việc của tôi tiến triển nhanh hơn rất nhiều.
Từ Iron Man đến AI nhúng
Nhưng tôi muốn chuyển hướng một chút và quay lại điều tôi đã nói trước đó: nhúng AI vào các ứng dụng Unity. Và để tạo bối cảnh cho điều này, tôi muốn đưa các bạn trở lại 15 năm trước.
[4:59] Tôi đã nói với bạn rằng tôi đã làm trong ngành điện ảnh một thời gian và 15 năm trước tôi đã làm cảnh này. Vậy đây là một đoạn clip rất ngắn từ Iron Man 3. Và đó là bài kiểm tra lắp ráp bộ giáp, nơi Tony Stark đang cố gắng tìm ra hệ thống mới này để lắp ráp bộ giáp lên cơ thể mình. Chuỗi tuyệt vời. Đó là lý do tại sao tôi cho bạn xem. Nhưng tôi cũng cho nó xem vì Tony có một tác nhân AI mà anh ấy đang làm việc cùng.
[5:31] Tôi nghĩ Iron Man có lẽ là ví dụ điển hình về một kỹ sư làm việc với một hệ thống được hỗ trợ bởi AI có thể hình dung thông tin xung quanh mình để đạt được những kỳ công kỹ thuật vĩ đại này. Và nếu bạn nhớ, JARVIS, (trợ lý AI trong thương hiệu) có thể đưa ra tất cả thông tin này. Nó biến mất và chạy các tác vụ bất đồng bộ, mô phỏng, phân tích, và đưa những điều đó trở lại môi trường XR kỳ diệu này. Nhưng Tony có thể thấy tất cả thông tin đó.
[6:00] Nó (JARVIS) giúp trả lời các câu hỏi và trong trường hợp này đưa ra rất nhiều bình luận mỉa mai về các biện pháp an toàn của Tony. Và hãy đi đến cái này. Vậy đây là nó trông như thế này, phải không? Vì vậy, trong thực tế, có thông tin xung quanh robot này trong trường hợp này. Và hồi đó khi chúng tôi làm bộ phim này 15 năm trước, tất cả đều là khoa học viễn tưởng. Và bạn có thể đang đoán tôi muốn nói gì.
[6:28] Nó không còn giống khoa học viễn tưởng nữa. Rất nhiều thứ này hoàn toàn khả thi ngày nay.
Bản demo dữ liệu mặt trăng từ NASA và giảm ảo giác AI
[6:34] Tôi muốn cho bạn xem một dự án mà tôi đã thực hiện gần đây với một nhà nghiên cứu đồng nghiệp tại MIT. Những gì bạn thấy là tôi đang nói chuyện với một tác nhân hội thoại trong một chiếc kính thực tế tăng cường. Và người đại diện mang thông tin về mặt trăng. Chúng tôi đã nhập bốn thập kỷ dữ liệu mặt trăng vào hệ thống để chúng tôi có thể đặt câu hỏi về nó và xem trực quan trên bề mặt mặt trăng.
[6:59] Tôi sẽ chơi cái đó. Dưới đây là đoạn âm thanh từ buổi trình diễn mà Matti cho khán giả xem.
(Matti trong video): Sử dụng dữ liệu neutron mà chúng ta có về mặt trăng, chúng ta có thể khám phá xem có thể có nước ở đâu không?
(Trợ lý AI được nhúng trong ứng dụng đang được hiển thị trong video): Tôi hiện đang hiển thị dữ liệu neutron, dao động từ 531,52 đến 615,83 đếm trong 32 giây. Số lượng neutron thấp hơn có thể cho thấy sự hiện diện của hydro, và do đó có khả năng là băng nước, trên bề mặt mặt trăng. Tôi đã áp dụng một gradient nhiệt lên nó.
[7:31] Vì vậy, điều này ít châm biếm hơn nhiều so với JARVIS trong thương hiệu, nhưng vẫn khá hữu ích. Và bạn có thể thấy điều này có thể giúp các nhà hoạch định nhiệm vụ hoặc nhà giáo dục tương tác với dữ liệu mặt trăng như thế nào.
[8:01] Những gì bạn vừa thấy là một phần của một ấn phẩm mà tôi đã có thể trình bày tại Trung tâm Nghiên cứu Ames của NASA vài tuần trước. Và điều tôi nghĩ là rất quan trọng cần đề cập là kiến trúc mà chúng tôi sử dụng trong hệ thống này được thiết kế đặc biệt để giảm thiểu ảo giác.
[8:31] Khi chúng ta bước vào thế giới có các tác nhân AI trong các môi trường chạy 3D mạnh mẽ này, tôi vẫn muốn có thể tin vào mắt mình. Thấy mới tin. Và tôi nghĩ đặc biệt với các hệ thống như thế này, nó có thể gây nhầm lẫn hoặc cung cấp thông tin sai cho mọi người. Và chúng tôi đang cố gắng hết sức để giữ cho điều này an toàn nhất có thể. Trong đánh giá của chúng tôi về tác phẩm cụ thể này, tác nhân chưa bao giờ đưa ra bất kỳ thông tin bịa đặt nào và hầu như không mắc lỗi. Và nhìn chung, thời gian phản hồi rất tốt. Vì vậy, chúng tôi khá hài lòng với hệ thống này.
[8:59] Tôi sẽ cho bạn xem thêm một vài đoạn clip nữa. Tôi đã tắt âm thanh ở đây để có thể nói đè lên, nhưng nó là kiểu thiết lập tương tự. Bạn chỉ cần nói chuyện với nó và nó sẽ phản hồi. Trong trường hợp này, tôi yêu cầu xem các quỹ đạo bay của một số tàu vũ trụ đã bay quanh mặt trăng. Tôi không chỉ yêu cầu những gì tôi muốn thấy, mà còn là cách tôi muốn thấy nó. Tôi đang yêu cầu các màu cụ thể, đây là một cách nhanh chóng để thống nhất với người đại diện và hiểu những gì đang được hình dung.
[9:26] Một lần nữa, bạn có thể thấy điều này có thể hữu ích như thế nào nếu bạn muốn lên kế hoạch cho một nhiệm vụ lên mặt trăng, hoặc nếu bạn chỉ muốn giáo dục mọi người. Đây là một cái nữa. Vậy đây là một ví dụ về việc tôi yêu cầu thay đổi hình ảnh hóa. Trong trường hợp này, tác nhân đã hình dung tất cả các mức độ cao trên mặt trăng với độ dốc này. Nhưng tôi quan tâm đến các mức độ cao cụ thể ở bốn kilômét. Vì vậy, tôi đang yêu cầu một sự thay đổi đối với hình ảnh hóa. Và tất cả những điều này xảy ra ngay trước mắt tôi khi tôi tiếp tục nói chuyện với hệ thống.
Dữ liệu đô thị và các quần thể tổng hợp
[10:01] Nhóm nghiên cứu tôi đang tham gia có tên là Khoa học Đô thị. Chúng ta sẽ nói về một dự án đô thị bây giờ. Đây là một quần thể tổng hợp di chuyển xung quanh trong tòa nhà này chưa bao giờ được xây dựng. Dân số được hình dung bằng những chấm này đang di chuyển xung quanh. Sử dụng hệ thống nơi tôi có thể hỏi thông tin một cách trò chuyện, tôi có thể yêu cầu một tác nhân ngẫu nhiên được hình dung về cách họ di chuyển trong tòa nhà.
[10:27] Trong trường hợp này, tôi chỉ yêu cầu một cái ngẫu nhiên. Nhưng bạn cũng có thể yêu cầu tất cả các chuyến đi mà sinh viên có thể thực hiện, sinh viên dưới 25 tuổi và các chuyến đi kết thúc tại quán bar. Và điều đó có thể giúp bạn hiểu tại sao thang máy luôn đông đúc vào lúc 10 giờ tối. Vì vậy, cách phân tích dữ liệu theo kiểu trò chuyện này giúp chúng ta cải thiện các tòa nhà và làm cho người cư ngụ hạnh phúc và khỏe mạnh hơn trong các tòa nhà này vì chúng ta có thể phân tích những gì đang sai một cách dễ dàng hơn. Trong nhóm nghiên cứu của chúng tôi, chúng tôi làm rất nhiều với các quần thể tổng hợp và chúng tôi học hỏi từ việc mô phỏng cách chúng tương tác với môi trường của chúng.
[11:02] Việc nhúng các tác nhân hội thoại, như những gì tôi đang trình diễn ở đây, đã giúp chúng tôi tương tác với các tập dữ liệu lớn này nhanh hơn nhiều vì bạn có thể mô phỏng, tôi không biết, 100.000 tác nhân này. Hiểu rõ điều đó không dễ dàng.
Đây là một ví dụ khác cho thấy tính chất trò chuyện của những tương tác này khá tốt. Vì vậy, tôi đang đào sâu hơn và sâu hơn vào hình ảnh hóa này. Tôi có thể chỉ (cho) hướng dẫn nơi tôi muốn xem hình ảnh hóa trong
[11:33] những cách khác nhau. Nhưng tôi cũng có thể lọc và tôi có thể đào sâu, cô lập các không gian nhất định mà các tác nhân di chuyển trong đó. Tất cả những điều đó được thực hiện theo cách trò chuyện.
Tôi đoán câu hỏi là, tại sao bạn nên quan tâm đến tất cả những điều này? Một số cuộc trò chuyện tôi đã có hôm nay đã cho thấy rằng nhiều người trong số các bạn có lượng lớn thông tin không gian mà các bạn có thể đã hình dung trong Unity. Và tôi nghĩ đây có thể là một cách tuyệt vời để hiểu loại thông tin đó.
[12:01] Câu hỏi đặt ra là, bạn có thể làm gì với một tác nhân tự sắp xếp thông tin cho bạn theo nhu cầu trong các môi trường chạy 3D mạnh mẽ này? Bạn có thể đưa ra quyết định nhanh hơn không? Bạn có thể đưa ra những quyết định tốt hơn không? Và có lẽ quan trọng nhất, bạn có thể nhanh chóng thống nhất ý kiến với những người khác bằng cách đặt điều này vào môi trường XR và xem nó với nhiều người hơn, (trong khi có) một tác nhân quản lý môi trường và dữ liệu bạn muốn xem?
[12:30] Mọi thứ tôi đã chỉ cho bạn cho đến nay tương đối đơn giản về các câu hỏi được đặt ra. Tôi yêu cầu một hình ảnh hóa và sau đó hình ảnh hóa đó quay lại.
Trường hợp sử dụng khai thác và suy luận đa bước
Chúng ta cũng có thể tăng tốc một chút. Đây là một trường hợp sử dụng khai thác mỏ. Tôi hoàn toàn không phải là người trong ngành khai thác mỏ hay dầu khí. Vậy lại một lần nữa, xin lỗi nếu tôi dùng thuật ngữ sai. Nhưng đây là một mô hình khối tổng hợp cho một mỏ lithium dưới lòng đất. Và ý tưởng ở đây là chọn một điểm trên bề mặt và hỏi, điều gì sẽ xảy ra nếu chúng ta bắt đầu đào ở vị trí cụ thể này?
[12:58] Sau đó, tác nhân rời đi một cách bất đồng bộ, phân tích dữ liệu, tìm ra nơi tôi muốn đào, và cũng chạy một mô phỏng về hình dạng của hố có thể xuất hiện nếu chúng ta bắt đầu đào ở vị trí này. Vì vậy, nó có một mô hình ở chế độ nền có thể tạo ra các hình học vỏ này. Và bạn có thể đặt điều này lên kính XR, tất nhiên rồi.
[13:25] Vậy thì năm người chúng ta có thể xem nó, bạn biết đấy, quanh bàn. Đây là một ví dụ khác nơi tác nhân tính toán hình dạng thay đổi của hố khai thác lộ thiên. Nó đưa ra các giả định về một mô hình kinh tế và sự thay đổi giá lithium để ước tính những hình dạng hố thay đổi này sẽ như thế nào. Vậy lại một lần nữa, nó biến mất, nhận nhiệm vụ này, và sau đó quay lại với một phản hồi trực quan giúp tôi hiểu kết quả sẽ như thế nào một cách rất trực quan. Và bạn có thể hình dung việc cắm các mô hình này, cắm các mô hình bổ sung vào những hệ thống kiểu này.
[14:02] Bạn có thể có một mô hình dự đoán cách bụi sẽ di chuyển dựa trên tốc độ gió và các kiểu gió, hoặc tác nhân có thể đề xuất vị trí của một khu vực thải và những hậu quả đối với môi trường, cũng như đối với đời sống của người dân phát triển tại khu vực đó. Và tác nhân có thể cho bạn xem nhiều lựa chọn và sau đó làm việc với bạn để đạt được các mục tiêu của bạn, dù đó là về môi trường hay kinh tế.
[14:33] Một mối quan tâm nghiên cứu cụ thể của tôi là làm việc về các quá trình suy luận đa bước này trong các hệ thống này. Ví dụ là, hãy nhìn cái này, bạn đang ở vị trí này, đây là nơi bạn muốn khai thác. Bạn đã hiểu giao diện shell sẽ trông như thế nào, bởi vì có lẽ bạn là một kỹ sư hiểu về những thứ này. Nhưng hãy nghĩ về điều đó sẽ làm gì cho vị trí đường sá và làm thế nào điều đó sẽ ảnh hưởng đến lợi nhuận cuối cùng của bạn.
[14:59] Vì vậy, những quy trình suy luận nhiều bước như thế này, nơi tác nhân đưa bạn từ nơi này sang nơi khác và cho bạn xem mọi thứ, là một mối quan tâm đặc biệt của tôi và tôi nghĩ nó rất quan trọng. Tôi hy vọng những ví dụ này sẽ giúp minh họa sức mạnh của các tác nhân hội thoại trong những môi trường này. Bởi vì bạn có thể có chuyên môn trong một lĩnh vực cụ thể và bạn không cần một người đại diện để nói cho bạn biết điều gì đó mà bạn đã biết. Nhưng đôi khi bạn làm việc với những tác nhân này và có những điều bạn không biết.
[15:32] Có thể bạn khá quen thuộc với mô hình tài chính, nhưng bạn lại không quen với nhiệm vụ kỹ thuật hoặc ngược lại. Và khi bạn đưa ra các quyết định kỹ thuật, bạn có thể muốn hiểu những tác động hạ nguồn của chúng về mặt kinh tế. Nếu bạn nghĩ lại về Tony Stark, anh ấy rõ ràng có rất nhiều chuyên môn trong nhiều lĩnh vực, mức độ chuyên môn phi thực tế trong nhiều lĩnh vực. Nhưng JARVIS vẫn ở đó để lấp đầy những khoảng trống. Vì vậy, JARVIS chạy các tác vụ nền này, đưa vào thông tin và lấp đầy tất cả những điểm mù mà Tony có thể có. Thông thường đây là những mối lo ngại về an toàn mà anh ấy không hoàn toàn nhận thức được hoặc chỉ phớt lờ.
Kết thúc: Mục tiêu thiết kế và sự tham gia của cộng đồng
Tôi tin rằng chúng ta sẽ thấy những tác nhân hội thoại này nhiều hơn trong những môi trường này, trong các môi trường 3D thời gian thực khá mạnh mẽ. Và lý tưởng nhất là chúng ta sẽ có cả ba đặc điểm này trong các hệ thống này:
[16:29] Chúng tôi muốn chúng mạnh mẽ và biểu cảm, và đặc biệt trong các ngành được quản lý, chúng tôi cũng muốn chúng an toàn và có thể kiểm toán được. Và sau đó đối với người dùng, dù họ là người dùng nội bộ hay bên ngoài, chúng tôi muốn các hệ thống này phải nhanh và trực quan. Và giống như hầu hết mọi thứ, nếu bạn xây dựng các hệ thống này một cách ngây thơ, bạn có thể nhận được hai trên ba hoặc có thể chỉ một trên ba. Vì vậy, tôi nghĩ cần thêm một chút nghiên cứu để giữ cho điều này an toàn và có thể kiểm toán một cách cụ thể.
[17:01] Nhưng tôi nghĩ nếu chúng ta làm đúng, nó sẽ khá tuyệt vời. Hãy tưởng tượng bạn có thể đến một hệ thống, hỏi tất cả các câu hỏi về dữ liệu của mình, nhận phản hồi trực quan, có một hệ thống giúp bạn lọc và tập trung vào dữ liệu và giải thích dữ liệu cho bạn. Tôi cảm thấy khá được khuyến khích để xây dựng những loại hệ thống này vì tôi nghĩ chúng sẽ cực kỳ mạnh mẽ. Bạn có thể nghĩ đến việc giới thiệu một đồng nghiệp mới vào một dự án xây dựng đã tồn tại.
[17:29] Tìm kiếm các giải pháp sáng tạo cùng với một đối tác AI hoặc tập hợp các bên liên quan khác nhau cùng một bàn và đưa ra quyết định cùng nhau và làm cho mọi người cùng chung một quan điểm. Và với lưu ý đó, những gì chúng tôi cũng đã làm là nhúng các loại hệ thống này vào các nền tảng tương tác cộng đồng. Vì vậy, trong nhóm nghiên cứu của chúng tôi, chúng tôi có rất nhiều chuyên môn về việc thu hút công chúng để các dự án nhất định có thể tiến lên. Nhưng hiện tại có rất nhiều sự phản kháng đối với một số dự án xây dựng.
[18:00] Và chúng tôi hy vọng rằng với loại hệ thống cụ thể này, chúng tôi có thể khiến mọi người cùng nhau và thúc đẩy sự đồng thuận nhanh hơn. Bởi vì nhiều người đến những cuộc họp loại này không thể đọc bản vẽ CAD. Nhưng nếu bạn có thể giải thích điều này cho họ và có một hệ thống cá nhân hóa giải thích tình hình cho họ và cách nó ảnh hưởng đến tình huống cá nhân của họ trong cuộc sống, chúng tôi hy vọng điều đó sẽ giúp mọi người nhanh chóng hiểu nhau hơn. Vì vậy, với điều đó, như bạn có thể hình dung, chúng ta chỉ mới chạm đến bề mặt.


