Dự án AI/ML là ví dụ điển hình của độ bất định cao ở cả yêu cầu lẫn cách giải quyết. Theo PMBOK 7, lĩnh vực hiệu suất Uncertainty và nguyên tắc ứng phó với tính phức tạp gợi ý: khi chưa biết, hãy thiết kế cách làm để học nhanh, đừng cam kết như thể đã biết.
1. Về con số 95%. Chưa thấy dữ liệu thì chưa nên cam kết. Trước hết cần định nghĩa: chỉ số gì (accuracy, precision, recall — với phân loại hồ sơ bảo hiểm, chi phí của "bỏ sót" và "báo nhầm" thường rất khác nhau), đo trên tập dữ liệu nào, ai gán nhãn chuẩn. Có khi 95% accuracy vẫn vô dụng nếu dữ liệu lệch lớp; có khi 85% đã đủ tạo giá trị nếu kết hợp người duyệt.
2. Chia dự án thành giai đoạn với điểm quyết định (stage-gate). Quy trình CRISP-DM mô tả 6 giai đoạn: hiểu nghiệp vụ – hiểu dữ liệu – chuẩn bị dữ liệu – mô hình hoá – đánh giá – triển khai, và nhấn mạnh việc quay lui giữa các giai đoạn là bình thường. Gợi ý hợp đồng:
- Giai đoạn khám phá (4–6 tuần, giá cố định): tiếp cận dữ liệu thật, đánh giá chất lượng nhãn, xây mô hình cơ sở, đề xuất chỉ số và ngưỡng khả thi.
- Giai đoạn phát triển (theo thời gian & vật tư hoặc theo từng mốc): cải thiện mô hình, tích hợp quy trình.
- Điểm quyết định sau mỗi giai đoạn: tiếp tục, điều chỉnh mục tiêu hay dừng.
3. Bắt đầu đơn giản. Hướng dẫn "Rules of Machine Learning" của Google khuyên đừng ngại ra mắt sản phẩm không có ML trước — một bộ quy tắc đơn giản thường đã mang lại phần lớn giá trị — và thiết kế chỉ số đo ngay từ đầu. Với ví dụ này: luật phân loại đơn giản + người duyệt có thể chạy sớm, vừa tạo giá trị vừa sinh dữ liệu nhãn tốt hơn.
4. Quản lý kỳ vọng các bên liên quan. Giải thích cho khách hàng (và phía kinh doanh nội bộ) rằng cam kết cứng một con số khi chưa thấy dữ liệu là chuyển rủi ro cho cả hai bên — nếu không đạt, sẽ tranh chấp; nếu ép đạt, có thể "học vẹt" trên tập kiểm thử. Thay vào đó cam kết về quy trình, mốc và minh bạch kết quả.
5. Rủi ro đặc thù cần đưa vào sổ: chất lượng/nhãn dữ liệu, quyền truy cập dữ liệu cá nhân, độ lệch (bias), sự trôi dạt của dữ liệu sau go-live, khả năng giải thích quyết định.
Nguồn: