101 trường hợp sử dụng Gen AI với các blueprint kỹ thuật

Hơn một năm trước, chúng tôi đã công bố một danh sách các trường hợp sử dụng AI tạo sinh, và từ đó danh sách này đã phát triển thành hơn 600 ví dụ về cách các tổ chức đang đưa AI vào hoạt động. Thế nhưng đối với nhiều nhà phát triển và lãnh đạo doanh nghiệp, cảm hứng đã dần nhường chỗ cho một câu hỏi thực tế hơn: tôi nên bắt đầu từ đâu?

Để hỗ trợ, chúng tôi đã tạo ra một phần bổ trợ kỹ thuật cho những trường hợp sử dụng có tác động lớn nhất, được truyền cảm hứng từ chính khách hàng. Hướng dẫn này bao gồm 101 blueprint kiến trúc như những điểm khởi đầu minh họa, giúp bạn có một nền tảng thực tiễn cho dự án tiếp theo.

Mỗi blueprint thể hiện một mẫu thiết kế và một bộ tech stack Google Cloud tương ứng để giải quyết các thách thức trong thế giới thực — từ tự động hóa tóm tắt tài liệu và dự báo doanh số, đến cải thiện kết quả điều trị cho bệnh nhân và ngăn chặn gian lận.

Hãy cùng bắt đầu.

Danh sách này được tổ chức theo 10 nhóm ngành chính.

Các blueprint kiến trúc này lấy cảm hứng từ những khách hàng đang sử dụng AI trong ngành bán lẻ như Mercari, Target, Carrefour Taiwan, The Home Depot, Unilever và nhiều đơn vị khác.

Hợp nhất trải nghiệm bán lẻ trực tuyến và tại cửa hàng

• Thách thức kinh doanh: Bạn là một nhà bán lẻ lớn sở hữu các cửa hàng vật lý giá trị và một kênh thương mại điện tử đang tăng trưởng. Hai “thế giới” này vận hành tách biệt, tạo ra một trải nghiệm rời rạc khi khách hàng phải đối mặt với sự không nhất quán về giá, khuyến mãi và tình trạng tồn kho.
• Tech stack: Google Kubernetes Engine (GKE), BigQuery, Cloud CDN, Apigee, Cloud Spanner.
• Blueprint: Lượng truy cập của khách hàng đi vào trang thương mại điện tử của bạn → Cloud CDN lưu đệm nội dung tĩnh để tăng tốc độ → GKE mở rộng các microservice thương mại điện tử dạng container theo nhu cầu → Apigee quản lý API để thực hiện kiểm tra tồn kho theo thời gian thực dựa trên dữ liệu cấp cửa hàng → Tất cả dữ liệu bán hàng được truyền vào BigQuery để phân tích chuỗi cung ứng và dự báo nhu cầu.

Cung cấp cho quản lý cửa hàng khả năng xem tồn kho theo thời gian thực

• Thách thức kinh doanh: Bạn muốn nâng cao hiệu quả bằng cách cung cấp cho quản lý cửa hàng các khuyến nghị tồn kho chính xác và theo thời gian thực.
• Tech stack: BigQuery, Vertex AI, Looker, Google Workspace.
• Blueprint: Dữ liệu bán hàng và tồn kho hằng ngày từ hàng nghìn cửa hàng được đưa vào BigQuery → các mô hình Vertex AI xử lý dữ liệu lịch sử để dự đoán nhu cầu cho từng mặt hàng → Looker tạo dashboard hiển thị mức tồn kho được khuyến nghị → các khuyến nghị này được gửi đến thiết bị của nhân viên cửa hàng, thường thông qua một giao diện đơn giản như Google Sheets.

Giúp người dùng dễ dàng tìm kiếm và khám phá các mặt hàng độc đáo trên website của bạn

• Thách thức kinh doanh: Bạn có hàng triệu mặt hàng độc nhất, không tiêu chuẩn, và cần cung cấp trải nghiệm tìm kiếm có mức độ liên quan cao, tốc độ nhanh và được cá nhân hóa cho người dùng.
• Tech stack: Google Cloud Storage, Dataflow, BigQuery, GKE.
• Blueprint: Người bán đăng một mặt hàng mới và dữ liệu của mặt hàng được lưu trong Cloud Storage → Dataflow xử lý thông tin mặt hàng và dữ liệu tương tác người dùng theo thời gian thực → Dữ liệu này được dùng để làm giàu các chỉ mục tìm kiếm và cung cấp cho các mô hình machine learning chạy trên GKE → Khi người dùng tìm kiếm, các mô hình tạo ra xếp hạng được cá nhân hóa và kết quả được trả về chỉ trong vài mili-giây.

Hiện đại hóa vận hành tại cửa hàng bằng AI

• Thách thức kinh doanh: Bạn là nhà bán lẻ cần số hóa và tinh gọn các quy trình cũ dựa trên giấy tờ để hỗ trợ nhân viên cửa hàng, nhằm cải thiện năng suất và chất lượng phục vụ khách hàng.
• Tech stack: Vertex AI Vision, GKE, Android, ChromeOS.
• Blueprint: Nhân viên sử dụng một thiết bị di động để quét kệ trưng bày sản phẩm → Vertex AI Vision phân tích hình ảnh để nhận diện sản phẩm và nhãn giá → Một ứng dụng chạy trên GKE đối chiếu thông tin này với dữ liệu tồn kho → Thiết bị hiển thị tình trạng tồn kho, nhu cầu đặt hàng hoặc thông tin về tính tuân thủ planogram.

Tạo một trợ lý để mang lại trải nghiệm mua sắm tốt hơn

• Thách thức kinh doanh: Bạn là một thương hiệu mà các kênh hỗ trợ truyền thống như chatbot dạng văn bản và mục Hỏi đáp (FAQ) trở nên thiếu cảm xúc, không thể hướng dẫn khách hàng một cách trực quan qua các quy trình phức tạp, và có thể không tạo được sự kết nối thực sự với khách hàng mục tiêu.
• Tech stack: Vertex AI, Google Cloud Storage (lưu trữ tài sản 3D), GKE (dùng để hosting và mở rộng), Speech-to-Text & Text-to-Speech APIs
• Blueprint: Khách hàng đặt một câu hỏi xử lý sự cố trong app của bạn (ví dụ: “Làm thế nào để thay lõi lọc nước trong máy pha cà phê của tôi?”). ➝ Yêu cầu (giọng nói hoặc văn bản) được gửi đến “bộ não” hội thoại AI trên Vertex AI, nơi xác định ý định của người dùng. ➝ AI tạo ra câu trả lời dạng văn bản và xác định tư liệu trực quan tương ứng (ví dụ: filter_replacement_step1.mp4). ➝ Một service chạy trên GKE truy xuất đoạn video này từ Google Cloud Storage. ➝ Ứng dụng hiển thị phần văn bản và phát đoạn video ngắn, hướng dẫn trực quan cho khách hàng từng bước trong quy trình và giúp giải quyết vấn đề của họ một cách nhanh chóng.

Viết mô tả sản phẩm khác biệt

• Business challenge: Thách thức kinh doanh: Bạn là một nhà bán lẻ thương mại điện tử lớn cần tạo các mô tả sản phẩm độc đáo, chất lượng cao và thân thiện SEO cho hàng nghìn mặt hàng ở quy mô lớn, nhằm giảm công sức thủ công và tránh trùng lặp nội dung.
• Tech stack: Tech stack: Vertex AI, Cloud Run, BigQuery.
• Blueprint: Blueprint: Một nhân viên quản lý hàng hóa nhập các thuộc tính chính của sản phẩm (ví dụ: chất liệu, màu sắc, nhóm đối tượng) vào công cụ quản lý sản phẩm -> Các thuộc tính này được gửi đến một dịch vụ chạy trên Cloud Run -> Dịch vụ này xây dựng một prompt chi tiết và gọi Vertex AI Generative AI API -> Vertex AI phân tích các thuộc tính và trả về nhiều lựa chọn mô tả sản phẩm độc đáo -> Các mô tả này được hiển thị cho nhân viên quản lý hàng hóa để xem xét, chỉnh sửa và phê duyệt cuối cùng.

Giúp người dùng tìm sản phẩm bằng cách sử dụng hình ảnh tham chiếu

• Thách thức kinh doanh: Bạn muốn giúp khách hàng dễ dàng tìm được sản phẩm mong muốn (ví dụ: quần áo) bằng cách sử dụng một bức ảnh làm tham chiếu.
• Tech stack: Vertex AI Vision, Vector Search, Google Cloud Storage, Cloud Run.
• Blueprint: Khách hàng tải lên một ảnh tham chiếu trong ứng dụng → Ứng dụng gửi ảnh đến một dịch vụ chạy trên Cloud Run → Dịch vụ sử dụng Vertex AI Vision để chuyển đổi ảnh thành vector embedding → Embedding này được dùng để truy vấn Vector Search, hệ thống sẽ tìm những embedding sản phẩm có độ tương đồng hình ảnh cao nhất từ danh mục đã được lập chỉ mục → Dịch vụ trả về cho khách hàng các sản phẩm phù hợp chỉ trong vài giây.

Xây dựng hệ thống gợi ý sản phẩm theo thời gian thực

• Thách thức kinh doanh: Bạn là một nhà bán lẻ số và đang cố gắng tăng giá trị giỏ hàng cũng như lòng trung thành của khách hàng. Các hệ thống gợi ý truyền thống quá đơn giản, thường không thực sự hiểu được ý định hoặc phong cách của khách hàng ngoài các từ khóa cơ bản. Điều này dẫn đến các gợi ý mang tính chung chung, khả năng khám phá các sản phẩm độc đáo trong danh mục kém, và người mua sắm cảm thấy khó chịu rồi bỏ giỏ hàng, khiến bạn bỏ lỡ một khoản doanh thu đáng kể.
• Tech stack: BigQuery, Vector Search, Dataflow, Cloud Run.
• Blueprint: Dữ liệu clickstream của người dùng được stream vào Dataflow -> Dataflow xử lý và làm giàu các sự kiện này, cập nhật hồ sơ người dùng và embedding theo thời gian thực (trong BigQuery hoặc một feature store) -> Khi người dùng duyệt sản phẩm, một request được gửi đến một service trên Cloud Run -> Service này truy vấn Vector Search với embedding của người dùng để tìm các sản phẩm phù hợp hoặc bổ trợ nhất -> Một danh sách sản phẩm được cá nhân hóa được trả về và hiển thị cho người dùng trong vòng vài millisecond.

Nhanh chóng xác định xu hướng và cải thiện tương tác với khách hàng

• Thách thức kinh doanh: Phản hồi giá trị của bạn đang bị chôn vùi trong hàng nghìn dòng văn bản phi cấu trúc từ khảo sát, đánh giá và phiếu hỗ trợ. Việc đọc, gắn nhãn và phân loại thủ công lượng dữ liệu này là một quy trình chậm và tẻ nhạt, gây trì hoãn các insight quan trọng và khiến đội ngũ của bạn không thể phản ứng nhanh với các xu hướng mới xuất hiện hoặc các vấn đề cấp bách.
• Tech stack: Google Sheets, Gemini for Google Workspace, Google Forms (làm nguồn dữ liệu).
• Blueprint: Phản hồi của khách hàng được thu thập từ các nguồn như Google Forms và được tổng hợp vào một Google Sheet → Một nhà phân tích bôi chọn cột chứa phản hồi thô và sử dụng tính năng Gemini tích hợp cùng với một prompt như “Categorize this feedback” → Gemini xử lý văn bản trong từng ô và điền vào một cột mới với các danh mục tương ứng → Nhà phân tích sau đó có thể tạo biểu đồ và pivot table dựa trên dữ liệu đã có cấu trúc này để xác định xu hướng.

So sánh đề xuất từ nhà cung cấp, trực tiếp ngay trong email của bạn

• Thách thức kinh doanh: Bạn là một người mua hoặc trưởng bộ phận chịu trách nhiệm đưa ra các quyết định mua sắm. Tuy nhiên, các đề xuất từ nhà cung cấp thường đến dưới nhiều định dạng khác nhau, với các thông tin quan trọng như chi phí, tiến độ và hạng mục bàn giao bị “chôn” trong hàng chục trang tài liệu. Việc tự tạo bảng so sánh bằng tay vừa chậm, vừa tốn công và dễ xảy ra sai sót, khiến bạn có nguy cơ bỏ lỡ một chi tiết quan trọng và đưa ra một quyết định tốn kém.
• Tech stack: Gmail, Gemini for Google Workspace.
• Blueprint: Người mua nhận được nhiều email có đính kèm đề xuất từ nhà cung cấp (PDF, Docs, v.v.) → Trong luồng Gmail, người dùng kích hoạt Gemini và đưa ra một prompt như: “Hãy tạo một bảng so sánh chi phí, tiến độ và các hạng mục bàn giao chính từ các đề xuất đính kèm.” → Gemini đọc ngữ cảnh của email và nội dung của các tệp đính kèm → Công cụ tạo ra bản tóm tắt ngắn gọn và một bảng so sánh trực tiếp ngay trong giao diện Gmail → Nhờ đó, người mua có thể đưa ra quyết định nhanh hơn và chính xác hơn mà không cần phải đối chiếu thủ công từng tài liệu.

Hợp nhất và loại bỏ trùng lặp sản phẩm

• Thách thức kinh doanh: Bạn là người quản lý danh mục sản phẩm trong một nền tảng thương mại điện tử với kho sản phẩm khổng lồ được lấy từ nhiều nhà cung cấp khác nhau. Dữ liệu không đồng nhất tạo ra vô số danh sách trùng lặp cho cùng một mặt hàng. Điều này khiến trải nghiệm khách hàng trở nên lộn xộn, làm phân tách dữ liệu tồn kho và doanh số (khiến việc dự báo chính xác gần như không thể), ảnh hưởng tiêu cực đến xếp hạng tìm kiếm, đồng thời đội ngũ của bạn phải tốn hàng giờ để tìm và hợp nhất các mục trùng thủ công.
• Tech stack: BigQuery, Vertex AI, Dataflow
• Blueprint: Dữ liệu danh mục sản phẩm được xử lý thông qua một pipeline xử lý dữ liệu (Dataflow) → Dataflow gọi một mô hình Vertex AI để chuyển đổi văn bản và hình ảnh sản phẩm thành vector embeddings → Các embedding này được lưu trữ trong BigQuery → Một mô hình phân cụm BigQuery ML nhóm các sản phẩm có embedding tương đồng vào các tập trùng lặp → Các tập trùng lặp này được gửi đến một dashboard để rà soát hoặc đến một dịch vụ hợp nhất tự động.

Tóm tắt phần bình luận thành podcast

• Thách thức kinh doanh: Bạn là một đài phát thanh hoặc một giải đấu thể thao với hàng giờ bình luận trực tiếp cho mỗi sự kiện. Việc tạo highlight, bản tóm tắt hoặc podcast hằng ngày bằng tay tốn nhiều thời gian, lao động và chậm, khiến bạn bỏ lỡ cơ hội tương tác kịp thời với người hâm mộ.
• Tech stack: Google Cloud Speech-to-Text, Vertex AI, Cloud Functions và Google Cloud Storage.
• Blueprint: Bình luận âm thanh trực tiếp được ghi lại và lưu trữ trong Google Cloud Storage ➝ Một Cloud Function được kích hoạt và gửi tệp âm thanh đến Speech-to-Text API để tạo bản ghi chép đầy đủ kèm dấu thời gian ➝ Bản ghi này được gửi đến mô hình generative của Vertex AI với một prompt như: “Xác định 5 khoảnh khắc hấp dẫn nhất trong bản ghi cuộc đua này dựa trên cảm xúc, từ khóa (ví dụ: ‘vượt’, ‘va chạm’) và mức độ phấn khích. Với mỗi khoảnh khắc, tạo một đoạn tóm tắt dài 30 giây” ➝ Kịch bản podcast được tạo ra sau đó được gửi đến một công cụ chuyển văn bản thành giọng nói hoặc cho người dẫn đọc lại, tạo ra podcast “điểm nhấn hằng ngày” trong vài phút thay vì vài giờ.

Tạo các chiến dịch truyền thông siêu cá nhân hóa

• Thách thức kinh doanh: Bạn muốn vượt ra khỏi các hình thức marketing chung chung và tạo ra những khoảnh khắc mang tính cá nhân sâu sắc, có thể chia sẻ cho từng người dùng.
• Tech stack: BigQuery, Vertex AI, Dataflow, Cloud Run và Google Cloud Storage.
• Blueprint: Một pipeline Dataflow quy mô lớn xử lý dữ liệu tương tác của người dùng trong vòng một năm từ BigQuery để tính toán các thống kê cá nhân hóa cho từng người dùng ➝ Đối với mỗi người dùng, một dịch vụ trên Cloud Run gửi các thống kê hàng đầu của họ (ví dụ: nghệ sĩ yêu thích, bài hát nghe nhiều nhất) đến Gemini API cùng với một prompt như: “Hãy tạo một đoạn script vui nhộn, sôi động cho một podcast tóm tắt thói quen nghe của người dùng này” ➝ Dịch vụ Cloud Run sử dụng văn bản được tạo để tạo ra các tài sản cá nhân hóa (đoạn âm thanh, hình ảnh cho mạng xã hội) và lưu trữ chúng trong Google Cloud Storage ➝ Khi người dùng mở ứng dụng, ứng dụng sẽ lấy các tài sản độc nhất đã được tạo sẵn từ Cloud Storage để mang đến trải nghiệm cá nhân hóa cho họ.

Xây dựng công cụ tạo phụ đề bằng AI

• Thách thức kinh doanh: Bạn là một công ty truyền thông lớn với một kho lưu trữ khổng lồ nội dung video. Thách thức của bạn là làm cho nội dung này trở nên dễ tiếp cận và dễ tìm kiếm bằng cách tạo phụ đề và bản chép lời (transcript) chính xác, có đóng dấu thời gian. Đây là một quy trình cực kỳ chậm và tốn kém nếu làm thủ công.
• Tech stack: Google Cloud Storage, Speech-to-Text API, Vertex AI, Cloud Functions.
• Blueprint: Một tệp video được tải lên Google Cloud Storage. ➝ Cloud Function được kích hoạt và gửi track âm thanh của video đến Speech-to-Text API, với cấu hình một model được huấn luyện cho nội dung media. ➝ API trả về một bản transcript chi tiết, có đóng dấu thời gian. ➝ Để bổ sung thêm ngữ cảnh, transcript này có thể được gửi đến một model Gemini với prompt như: “Identify the different speakers in this transcript and label their lines” (Xác định các người nói khác nhau trong transcript này và gắn nhãn cho từng câu thoại của họ), từ đó tạo ra một file phụ đề giàu thông tin, có thể tìm kiếm và dễ tiếp cận.

Viết caption cho mạng xã hội

• Thách thức kinh doanh: Bạn là một giải đấu thể thao hoặc đơn vị phát sóng có hàng giờ ghi hình sự kiện. Thách thức của bạn là nhanh chóng tạo ra các đoạn clip thu hút để đăng lên mạng xã hội nhằm tận dụng những khoảnh khắc hấp dẫn — một quy trình hiện nay đòi hỏi quản lý mạng xã hội phải xem thủ công toàn bộ footage, chọn clip và viết caption.
• Tech stack: Gemini for Google Drive, Google Drive.
• Blueprint: Toàn bộ footage phát sóng từ một sự kiện được lưu vào một thư mục dùng chung trên Google Drive. ➝ Một quản lý mạng xã hội mở bảng điều khiển bên cạnh của Gemini trong Drive. ➝ Họ sử dụng một prompt như: “Phân tích các tệp video trong thư mục này từ một giờ qua. Tìm 3 khoảnh khắc hấp dẫn nhất dựa trên lời bình luận và tiếng ồn từ khán giả. Với mỗi khoảnh khắc, đề xuất một đoạn video 5 giây và viết ba caption mạng xã hội thật thu hút, kèm các hashtag phù hợp.” ➝ Gemini cung cấp các clip và caption trực tiếp ngay trong giao diện Drive, biến một tác vụ kéo dài hàng giờ thành chỉ một prompt duy nhất.

Tạo hàng trăm biến thể quảng cáo video và âm thanh được cá nhân hóa cao chỉ trong vài phút

• Thách thức kinh doanh: Bạn là một nền tảng quảng cáo số, và khách hàng của bạn muốn vượt ra khỏi mô hình quảng cáo “một phiên bản cho tất cả”. Thách thức của bạn là tạo hàng trăm biến thể quảng cáo được cá nhân hóa cho từng nhóm đối tượng khác nhau — một nhiệm vụ quá tốn kém và mất thời gian nếu dùng phương pháp sản xuất truyền thống.
• Tech stack: Vertex AI, Text-to-Speech API, Cloud Run, BigQuery.
• Blueprint: Nhà quảng cáo định nghĩa một chiến dịch với nhiều phân khúc đối tượng mục tiêu được lưu trong BigQuery (ví dụ: “người đi làm trẻ”, “sinh viên đại học”). ➝ Với mỗi phân khúc, một service trên Cloud Run gọi Gemini API với một prompt như: “Tạo kịch bản quảng cáo âm thanh 15 giây cho một thương hiệu cà phê mới, nhắm đến nhóm ‘người đi làm trẻ’. Tông giọng nên tinh tế và tràn đầy năng lượng.” ➝ Gemini tạo một kịch bản độc nhất cho từng nhóm đối tượng. ➝ Các kịch bản này được gửi đến Text-to-Speech API để tạo voice-over âm thanh theo nhiều phong cách khác nhau. ➝ Các tệp âm thanh này được kết hợp với nhạc nền, tạo ra hàng trăm biến thể quảng cáo cá nhân hóa chỉ trong vài phút.

Chỉnh sửa ảnh và thiết kế bằng Gen AI

• Thách thức kinh doanh: Bạn là một doanh nghiệp nhượng quyền và bạn cần tạo ra các tài liệu marketing chuyên nghiệp, chất lượng cao cho hàng trăm chi nhánh địa phương. Thách thức ở đây là các chủ cửa hàng địa phương không phải là nhà thiết kế đồ họa, và việc thuê thiết kế cho từng mẫu quảng cáo địa phương là không thể mở rộng.
• Tech stack: Vertex AI, Google Cloud Storage, một cổng marketing tùy chỉnh (xây dựng trên App Engine hoặc Cloud Run).
• Blueprint: Chủ studio tại địa phương đăng nhập vào cổng marketing trung tâm. ➝ Họ tải lên một bức ảnh của học viên lên Google Cloud Storage. ➝ Cổng này cung cấp một giao diện chỉnh sửa được vận hành bởi Imagen 3, mô hình tạo ảnh của Google. ➝ Chủ cửa hàng có thể dùng các prompt đơn giản như: “Mở rộng phần nền của bức ảnh này để phù hợp với bài đăng mạng xã hội dạng dọc,” hoặc “Tạo một hình đồ họa ‘ưu đãi học viên mới’ sống động bằng bức ảnh này.” ➝ AI tạo ra các ấn phẩm marketing chất lượng chuyên nghiệp, đúng nhận diện thương hiệu, giúp các cửa hàng nhượng quyền tự tạo nội dung mà không cần kỹ năng thiết kế.

Tìm kiếm dữ liệu trên hàng chục nghìn khóa học

• Thách thức kinh doanh: Bạn là một công ty truyền thông hoặc giáo dục lớn với hàng chục nghìn khóa học, bài viết và tài liệu học tập. Thách thức của bạn là giúp người dùng tìm đúng thông tin họ cần khi nó bị “chôn vùi” trong thư viện nội dung khổng lồ và đa dạng này.
• Tech stack: Vertex AI Search, BigQuery, Google Cloud Storage.
• Blueprint: Toàn bộ nội dung khóa học, bao gồm văn bản, video và metadata, được lập chỉ mục từ các nguồn như Google Cloud Storage và BigQuery vào Vertex AI Search. ➝ Người dùng truy cập nền tảng học tập và sử dụng một truy vấn tìm kiếm bằng ngôn ngữ tự nhiên như: “Tôi muốn học về các kiến thức cơ bản của mô hình tài chính trên bảng tính, nhưng tôi chỉ có 30 phút.” ➝ Vertex AI Search hiểu nhiều mục đích khác nhau (chủ đề, định dạng, thời lượng) và truy vấn trên toàn bộ danh mục. ➝ Nó trả về danh sách xếp hạng các kết quả liên quan nhất, chẳng hạn một video bài giảng 10 phút và một bài tập thực hành 20 phút, mang lại kết quả phù hợp hơn rất nhiều so với tìm kiếm bằng từ khóa đơn thuần

Tăng tốc tạo nội dung video

• Thách thức kinh doanh: Bạn là một công ty tạo nội dung video có hỗ trợ AI, chẳng hạn avatar số hoặc bản tin tự động. Thách thức của bạn là sức mạnh tính toán khổng lồ cần thiết để render video chất lượng cao nhanh chóng, điều này có thể tạo ra nút thắt cổ chai và làm chậm toàn bộ chuỗi sản xuất.
• Tech stack: Cloud GPUs (hoặc TPUs), Google Kubernetes Engine (GKE), Google Cloud Storage.
• Blueprint: Người dùng gửi một kịch bản và chọn một avatar số cho video mới. ➝ Yêu cầu được gửi đến ứng dụng render chạy trên một cụm GKE. ➝ GKE tự động mở rộng một nhóm node được trang bị Cloud GPU mạnh mẽ. ➝ Các GPU làm việc song song để xử lý mô hình AI và render từng khung hình video với tốc độ cao. ➝ Khi render hoàn tất, tệp video cuối cùng được lưu vào Google Cloud Storage và các node GPU tự động giảm quy mô, tối ưu cả về tốc độ lẫn chi phí.

Tạo trải nghiệm gợi ý nội dung

• Thách thức kinh doanh: Bạn là một đài truyền hình lớn với thư viện nội dung khổng lồ, từ thể thao trực tiếp đến phim truyền hình dài tập. Thách thức là giữ chân người xem bằng cách hiển thị nội dung phù hợp cá nhân từ toàn bộ danh mục đa dạng, thay vì chỉ hiển thị những gì đang thịnh hành.
• Tech stack: BigQuery, Vertex AI, Dataflow, Cloud Run.
• Blueprint: Dữ liệu tương tác của người xem theo thời gian thực được đưa vào pipeline Dataflow, pipeline này xử lý và cập nhật hồ sơ người xem trong BigQuery. ➝ Dữ liệu hợp nhất trong BigQuery được dùng để huấn luyện một mô hình Vertex AI Search. ➝ Khi người xem mở ứng dụng streaming, yêu cầu được gửi đến một dịch vụ trên Cloud Run. ➝ Dịch vụ truy vấn mô hình Vertex AI Search bằng ID người xem. ➝ Mô hình trả về danh sách nội dung được cá nhân hóa, chẳng hạn “Vì bạn đã xem trận bóng đá, bạn có thể thích bộ phim tài liệu thể thao này,” tạo ra một trải nghiệm cá nhân hóa và hấp dẫn.

Xây dựng sổ tay hướng dẫn tương tác bằng AI

• Thách thức kinh doanh: Bạn là hãng xe hoặc nhà sản xuất sản phẩm phức tạp. Thách thức của bạn là các sổ tay hướng dẫn dạng giấy truyền thống cồng kềnh, khó tìm kiếm và hiếm khi được khách hàng sử dụng, gây khó chịu và làm tăng số cuộc gọi đến trung tâm hỗ trợ cho các câu hỏi đơn giản.
• Tech stack: Vertex AI, AlloyDB for PostgreSQL, Cloud Run, Google Cloud Storage.
• Blueprint: Tất cả nội dung sổ tay hướng dẫn được xử lý và chia nhỏ thành các vector embedding, được lưu trong AlloyDB. ➝ Khi người lái xe dùng ứng dụng để hỏi một câu như “Làm sao để thay lốp dự phòng?” truy vấn được gửi đến một dịch vụ trên Cloud Run. ➝ Với truy vấn đa phương thức, người dùng hướng camera điện thoại vào biểu tượng cảnh báo trên bảng điều khiển; hình ảnh được gửi đến Vertex AI Vision để nhận dạng và thông tin này được thêm vào truy vấn. ➝ Dịch vụ tìm các phần phù hợp nhất từ AlloyDB và gửi chúng, cùng câu hỏi người dùng, đến Gemini, mô hình sẽ tạo ra câu trả lời rõ ràng và mang tính hội thoại.

Giám sát âm thanh thời gian thực để cảnh báo an toàn khi di chuyển

• Thách thức kinh doanh: Bạn là một công ty vận tải hoặc logistics chịu trách nhiệm về sự an toàn của hàng nghìn tài xế và hành khách mỗi ngày. Thách thức của bạn là phản ứng đủ nhanh với các tình huống nguy hiểm, vì các phương pháp truyền thống phụ thuộc vào việc tài xế hoặc hành khách phải kích hoạt báo động thủ công — thường là quá muộn.
• Tech stack: Speech-to-Text API, Vertex AI, Pub/Sub, Cloud Functions.
• Blueprint: Trong suốt chuyến đi, âm thanh từ xe được truyền theo từng đoạn đến Pub/Sub. ➝ Một Cloud Function được kích hoạt, gửi đoạn âm thanh đến Speech-to-Text API để chuyển thành văn bản. ➝ Văn bản được gửi đến một mô hình Gemini với prompt như: “Phân tích văn bản này để tìm các từ liên quan đến distress hoặc hostility (‘robbery’, ‘help’). Trả về cảnh báo ‘Red’ nếu phát hiện, ngược lại trả về ‘Green’.” ➝ Nếu “Red” được trả về, hệ thống tự động thông báo cho bảng điều khiển an ninh trung tâm kèm chi tiết chuyến đi và vị trí xe.

Triển khai quảng cáo số động, nhận biết vị trí

• Thách thức kinh doanh: Công ty bạn có sự hiện diện vật lý lưu động lớn (như đội xe tải) và bạn muốn vượt ra khỏi việc hiển thị logo tĩnh. Thách thức là tạo quảng cáo siêu liên quan và dựa trên ngữ cảnh, nhằm thu hút người ở từng khu vực cụ thể bằng thông điệp phù hợp.
• Tech stack: Gemini, Google Maps Platform (Geocoding API), Cloud Run, BigQuery.
• Blueprint: Một thiết bị trên xe tải định kỳ gửi tọa độ GPS đến một dịch vụ trên Cloud Run. ➝ Dịch vụ gọi Google Maps Geocoding API để xác định khu phố hiện tại và truy vấn BigQuery để lấy dữ liệu nhân khẩu học hoặc sở thích địa phương của khu vực đó. ➝ Những thông tin này được dùng để tạo prompt cho Gemini, chẳng hạn: “Tạo một tiêu đề billboard dí dỏm, 10 chữ, cho một công ty vận chuyển tại khu phố nổi tiếng với các gia đình trẻ và công viên.” ➝ Gemini trả về nhiều lựa chọn tiêu đề, và dịch vụ hiển thị lựa chọn tốt nhất trên billboard kỹ thuật số của xe theo thời gian thực.

Xây dựng trợ lý năng suất cho đội ngũ chăm sóc khách hàng

• Thách thức kinh doanh: Bạn là một doanh nghiệp lớn với đội ngũ chăm sóc khách hàng xử lý hàng nghìn tương tác mỗi ngày. Nhân viên của bạn tốn nhiều thời gian viết tóm tắt thay vì tập trung vào giải quyết vấn đề chất lượng cao.
• Tech stack: Vertex AI, BigQuery, Cloud Functions.
• Blueprint: Tất cả tương tác dịch vụ khách hàng (chat, email) được lưu trữ trong một kho trung tâm như BigQuery. ➝ Khi nhân viên mở một ticket mới, một Cloud Function được kích hoạt. ➝ Function lấy toàn bộ lịch sử tương tác của khách hàng từ BigQuery và gửi đến Gemini với prompt như: “Tóm tắt các vấn đề chính từ 5 tương tác gần nhất của khách hàng này và liệt kê cảm xúc hiện tại của họ.” ➝ Bản tóm tắt ngắn gọn xuất hiện trực tiếp trong CRM, giúp nhân viên nắm được toàn cảnh chỉ trong vài giây và phản hồi hiệu quả, đồng cảm hơn.

Phân tích dữ liệu telematics quy mô lớn để tối ưu đội xe

• Thách thức kinh doanh: Bạn là một công ty logistics hoặc telematics toàn cầu quản lý hàng triệu phương tiện kết nối. Thách thức là xử lý lượng dữ liệu khổng lồ mỗi ngày để cải thiện hiệu suất đội xe, an toàn tài xế và tính bền vững.
• Tech stack: BigQuery, Vertex AI, Looker.
• Blueprint: Hàng tỷ điểm dữ liệu từ hàng triệu phương tiện được đưa trực tiếp vào BigQuery mỗi ngày. ➝ BigQuery ML dùng dữ liệu này để huấn luyện mô hình ngay trong kho dữ liệu nhằm xác định các mẫu như tiêu thụ nhiên liệu, hành vi lái xe không an toàn hoặc tuyến đường tối ưu. ➝ Các mô hình chạy liên tục, phân tích dữ liệu mới ngay khi nó đến và tạo ra insight như: “Các xe trên Route 88 đang tiêu thụ nhiên liệu cao hơn 15% do mô hình giao thông.” ➝ Những insight này được hiển thị trong Looker dashboard, giúp quản lý đội xe đưa ra quyết định về tuyến đường, đào tạo tài xế, và bảo trì.

Xây dựng nền tảng trí tuệ rủi ro chuỗi cung ứng bằng AI

• Thách thức kinh doanh: Bạn là một doanh nghiệp toàn cầu với chuỗi cung ứng phức tạp nhiều tầng. Thách thức là thiếu khả năng nhìn sâu vào các rủi ro tiềm ẩn — từ bất ổn tài chính, vấn đề lao động đến sự kiện địa chính trị — trong mạng lưới nhà cung cấp, gây ra nguy cơ chậm trễ và vi phạm tuân thủ.
• Tech stack: Gemini, Pub/Sub, BigQuery.
• Blueprint: Hệ thống liên tục thu thập dữ liệu từ các nguồn công khai (tin tức, mạng xã hội, báo cáo tài chính) qua Pub/Sub. ➝ Dữ liệu này, cùng với dữ liệu nhà cung cấp nội bộ của công ty, được lưu và xử lý trong BigQuery. ➝ Các mô hình Gemini phân tích dữ liệu văn bản phi cấu trúc, thực hiện phân tích cảm xúc và nhận dạng thực thể để xác định rủi ro liên quan đến từng nhà cung cấp (ví dụ: “tin tức cho thấy có đình công lao động tại Nhà máy X”). ➝ Hệ thống tạo điểm rủi ro cho từng nhà cung cấp, được cập nhật theo thời gian thực trên dashboard, giúp quản lý phát hiện sớm rối loạn trước khi chúng ảnh hưởng đến chuỗi cung ứng.

Xây dựng digital twin cho mạng lưới phân phối

• Thách thức kinh doanh: Bạn là một công ty logistics và vận chuyển vận hành mạng lưới khổng lồ gồm phương tiện, kho và trung tâm phân loại. Thách thức là thiếu cái nhìn duy nhất, theo thời gian thực về toàn bộ hoạt động, gây khó khăn trong tối ưu tuyến đường, dự đoán chậm trễ và cung cấp thông tin theo dõi chính xác cho khách hàng.
• Tech stack: Pub/Sub, Dataflow, BigQuery, Vertex AI, Google Maps Platform.
• Blueprint: Các cảm biến IoT trên kiện hàng, phương tiện và cơ sở vật lý truyền dữ liệu vị trí và trạng thái theo thời gian thực vào Pub/Sub. ➝ Một pipeline Dataflow xử lý luồng dữ liệu khổng lồ này, làm sạch và cấu trúc trước khi nạp vào BigQuery. ➝ Các mô hình Vertex AI sử dụng dữ liệu quá khứ và thời gian thực để chạy hàng nghìn mô phỏng, dự đoán điểm nghẽn và tối ưu tuyến đường. ➝ Toàn bộ trạng thái mạng lưới được hiển thị trên giao diện Google Maps Platform, tạo ra một “digital twin” cho phép người vận hành thấy toàn bộ mạng lưới trong nháy mắt và giúp khách hàng theo dõi kiện hàng với độ chính xác cao.

Tối ưu hoạch định công nghiệp bằng digital twin 3D

• Thách thức kinh doanh: Bạn là nhà sản xuất với các nhà máy và chuỗi cung ứng phức tạp. Thách thức là tối ưu thiết kế cơ sở vật chất, luồng dây chuyền sản xuất hoặc logistics kho cực kỳ khó và tốn kém nếu thử nghiệm trong thế giới thực.
• Tech stack: Vertex AI, một công cụ mô hình 3D, Google Cloud Storage.
• Blueprint: Tài sản nhà máy được quét bằng thiết bị di động hoặc drone, thu thập hàng nghìn hình ảnh. ➝ Các hình ảnh được tải lên Google Cloud Storage và xử lý bởi Vertex AI Vision để nhận dạng đối tượng và kích thước của chúng. ➝ Dữ liệu có cấu trúc này được đưa vào công cụ mô hình 3D để tạo ra digital twin chân thực của cơ sở. ➝ Các nhà hoạch định có thể dùng digital twin để chạy hàng nghìn mô phỏng với Gemini, đưa ra câu hỏi như “Đường đi hiệu quả nhất cho robot từ trạm A đến trạm B là gì?” nhằm tối ưu quy trình ảo trước khi thực hiện thay đổi đắt đỏ ngoài đời thực.

Giúp nhân viên bắt kịp tốc độ với AI

• Thách thức kinh doanh: Bạn là một công ty sản xuất có rất nhiều kiến thức vận hành về sàn nhà máy, nhưng những công nhân có chuyên môn này lại không có kỹ năng lập trình để xây dựng giải pháp AI. Thách thức của bạn là tìm ra cách giúp đội ngũ tuyến đầu có thể tự giải quyết vấn đề của họ bằng AI, từ đó cải thiện hiệu suất và kiểm soát chất lượng.
• Tech stack: Vertex AI, BigQuery, giao diện người dùng đơn giản (ví dụ: xây dựng trên App Engine).
• Blueprint: Dữ liệu cảm biến nhà máy và dữ liệu kiểm soát chất lượng được thu thập và lưu trữ trong BigQuery. ➝ Một giao diện người dùng không cần viết code được tạo ra, nơi công nhân nhà máy có thể chọn một tập dữ liệu và xác định mục tiêu, chẳng hạn như “Dự đoán bộ phận nào có khả năng bị lỗi dựa trên các chỉ số cảm biến này.” ➝ Giao diện gọi Vertex AI AutoML API, API này sẽ tự động huấn luyện, kiểm thử và triển khai một mô hình machine learning tùy chỉnh mà công nhân không cần viết bất kỳ dòng code nào. ➝ Mô hình đã triển khai sau đó có thể được sử dụng theo thời gian thực trên dây chuyền sản xuất để cảnh báo các vấn đề tiềm ẩn, trực tiếp cải thiện hiệu suất.

 

Xây dựng trợ lý bán hàng AI cho thương mại điện tử

• Thách thức kinh doanh: Bạn là một nhà bán lẻ với gian hàng trực tuyến phức tạp. Thách thức của bạn là khách hàng thường có các câu hỏi tinh tế hoặc cần tư vấn — điều mà thanh tìm kiếm hoặc FAQ đơn giản không thể cung cấp, dẫn đến tình trạng bỏ giỏ hàng và bỏ lỡ cơ hội bán hàng.
• Tech stack: Vertex AI, BigQuery, Cloud Run.
• Blueprint: Toàn bộ danh mục sản phẩm và lịch sử tương tác khách hàng được lập chỉ mục từ BigQuery vào Vertex AI Agent Builder. ➝ Khi khách hàng tương tác với chatbot trên website, truy vấn được gửi đến một dịch vụ chạy trên Cloud Run. ➝ Dịch vụ sử dụng Agent Builder để hiểu ý định người dùng và truy xuất thông tin sản phẩm liên quan. ➝ Với các câu hỏi phức tạp hoặc mang tính hội thoại, thông tin truy xuất được chuyển cho Gemini với một prompt như: “Khách hàng đang hỏi về một chiếc xe bền và phù hợp cho gia đình. Dựa trên ba mẫu này, hãy giải thích mẫu nào phù hợp nhất và lý do.” ➝ Gemini tạo ra câu trả lời thân thiện, hữu ích và hướng khách hàng đến sản phẩm phù hợp, giúp tăng tỷ lệ chuyển đổi.

Tự động hóa tác vụ ngân hàng bằng Financial LLM

• Thách thức kinh doanh: Bạn là một neobank hoặc tổ chức tài chính phục vụ nhóm khách hàng am hiểu kỹ thuật số. Thách thức của bạn là khách hàng kỳ vọng dịch vụ thông minh và chủ động — điều mà quy trình ngân hàng truyền thống không thể cung cấp, chẳng hạn như tự động ngăn ngừa thấu chi (overdraft).
• Tech stack: Vertex AI, Cloud Functions, Pub/Sub, BigQuery.
• Blueprint: Dữ liệu giao dịch thời gian thực được đẩy vào Pub/Sub và được phân tích bằng Cloud Function. ➝ Nếu phát hiện khả năng thấu chi, function sẽ gọi một mô hình Gemini đã tinh chỉnh (một Financial LLM) với prompt như: “Người dùng này sắp bị thấu chi. Dựa trên lịch sử tài khoản của họ, hãy đề xuất hành động tốt nhất.” ➝ Gemini có thể trả lời: “Chuyển $50 từ tài khoản Tiết kiệm.” ➝ Hệ thống sau đó có thể tự động thực hiện giao dịch hoặc gửi thông báo chủ động đến người dùng, giúp tránh phí và cải thiện sức khỏe tài chính.

 

Tạo nhân viên hỗ trợ vay thế chấp bằng AI để cá nhân hóa báo giá

• Thách thức kinh doanh: Bạn là một nhà cho vay thế chấp kỹ thuật số trong thị trường cạnh tranh cao. Thách thức của bạn là người vay tiềm năng thường so sánh nhiều nơi và sẽ rời khỏi trang nếu họ không nhận được báo giá nhanh, rõ ràng và cá nhân hóa mà không cần điền đơn dài dòng.
• Tech stack: Vertex AI, Cloud Run, kho lưu trữ tài liệu bảo mật (ví dụ: Cloud Storage).
• Blueprint: Người vay sử dụng tính năng như “Beat this Rate” và tải lên bảng báo giá của đối thủ vào Cloud Storage. ➝ Tài liệu được gửi đến dịch vụ chạy trên Cloud Run, dịch vụ gọi mô hình Gemini đa phương thức. ➝ Gemini trích xuất các thông tin chính (lãi suất, điểm, thời hạn). ➝ Dịch vụ sử dụng dữ liệu này để truy vấn bảng lãi suất nội bộ và tạo prompt mới cho Gemini, chẳng hạn như: “Tạo bảng so sánh và một thông điệp trò chuyện thân thiện giải thích tại sao lãi suất 2.95% của chúng tôi tốt hơn mức 3.15% của đối thủ.” ➝ Báo giá cá nhân hóa và bảng so sánh được hiển thị cho người vay chỉ trong vài giây.

 

Xây dựng trợ lý AI để nâng cao tư vấn quản lý tài sản

• Thách thức kinh doanh: Bạn là một công ty quản lý tài sản, nơi các cố vấn tài chính dành nhiều thời gian cho các công việc hành chính như viết tóm tắt cuộc gọi. Thách thức của bạn là giải phóng thời gian cho cố vấn để họ tập trung vào xây dựng mối quan hệ và tư vấn chiến lược.
• Tech stack: Speech-to-Text API, Vertex AI, hệ thống CRM.
• Blueprint: Trong cuộc gọi với khách hàng, âm thanh được chuyển thành văn bản theo thời gian thực bằng Speech-to-Text API. ➝ Sau cuộc gọi, toàn bộ bản ghi được gửi đến mô hình Gemini với prompt như: “Tóm tắt cuộc gọi tư vấn tài chính này. Xác định các mối quan tâm chính của khách hàng, các hạng mục hành động và cập nhật mục tiêu tài chính của khách hàng.” ➝ Gemini tạo ra bản tóm tắt có cấu trúc và danh sách hành động. ➝ Bản tóm tắt này được tự động lưu vào CRM của công ty, giúp tiết kiệm thời gian và đảm bảo lưu trữ thông tin nhất quán.

 

Tăng tốc thẩm định hồ sơ vay bằng phân tích tài liệu hỗ trợ AI

• Thách thức kinh doanh: Bạn là nhà cho vay hoặc môi giới thế chấp phải xử lý hàng nghìn hồ sơ vay. Thách thức là quy trình thẩm định chậm và thủ công — con người phải đọc tài liệu tài chính phức tạp, dẫn đến thời gian xử lý kéo dài và chi phí vận hành cao.
• Tech stack: Document AI, Vertex AI, BigQuery, Cloud Run.
• Blueprint: Môi giới tải các tài liệu tài chính của người vay (phiếu lương, sao kê ngân hàng) lên cổng. ➝ Một dịch vụ trên Cloud Run gửi tài liệu đến Document AI để trích xuất và cấu trúc dữ liệu (thu nhập, tài sản, nợ). ➝ Dữ liệu có cấu trúc được lưu vào BigQuery và gửi đến Gemini với prompt như: “Phân tích dữ liệu tài chính người vay dựa trên hướng dẫn thẩm định của chúng tôi và đánh dấu các rủi ro tiềm ẩn.” ➝ Mô hình trả về phân tích rủi ro, giúp chuyên viên thẩm định đưa ra quyết định chỉ trong vài phút.

Tự động hóa chuyển tiền quốc tế qua giao diện chat

• Thách thức kinh doanh: Bạn là một tổ chức tài chính chuyên về giao dịch ngoại tệ. Việc bắt đầu chuyển tiền quốc tế thường đòi hỏi khách hàng phải điền biểu mẫu phức tạp online hoặc đến quầy trong giờ làm việc, gây chậm và bất tiện.
• Tech stack: API nền tảng chat, Dialogflow CX (hoặc Vertex AI Conversation), Cloud Functions.
• Blueprint: Khách hàng bắt đầu cuộc trò chuyện và nói: “Tôi muốn gửi $500 cho anh trai ở Anh.” ➝ Tin nhắn được gửi đến Dialogflow CX, nơi agent đã được huấn luyện xử lý yêu cầu chuyển tiền. ➝ Agent đặt câu hỏi làm rõ (ví dụ: “Thông tin ngân hàng của người nhận là gì?”). ➝ Khi thu thập đủ dữ liệu, Dialogflow gọi Cloud Function bảo mật. ➝ Cloud Function thực hiện giao dịch thông qua hệ thống cốt lõi của ngân hàng và gửi tin nhắn xác nhận lại cho khách hàng — hoàn tất giao dịch 24/7 mà không cần con người.

 

Xây dựng trợ lý nghiên cứu AI cho nhà phân tích tài chính

• Thách thức kinh doanh: Bạn là một tổ chức tài chính nơi các nhà phân tích dành hàng giờ hoặc thậm chí nhiều ngày để thu thập và tổng hợp dữ liệu nhằm viết báo cáo nghiên cứu. Thách thức của bạn là tăng tốc quá trình này để cung cấp insight kịp thời cho khách hàng, đồng thời duy trì tiêu chuẩn bảo mật dữ liệu cao nhất.
• Tech stack: Vertex AI, BigQuery.
• Blueprint: Nhà phân tích sử dụng công cụ nghiên cứu nội bộ và đưa vào prompt như: “Soạn thảo ghi chú nghiên cứu về hiệu suất ngành bán dẫn quý 3, tập trung vào xu hướng chuỗi cung ứng và lợi nhuận của các doanh nghiệp lớn.” ➝ Công cụ truy vấn dữ liệu độc quyền nội bộ trong BigQuery và nguồn dữ liệu thị trường bên ngoài đã được phê duyệt bằng Vertex AI Search. ➝ Dữ liệu truy xuất được chuyển đến mô hình Gemini để tạo bản nháp báo cáo chi tiết. ➝ Mô hình tạo báo cáo có cấu trúc với insight chính, biểu đồ và tóm tắt — giúp nhà phân tích hoàn thiện báo cáo chỉ trong vài phút.

 

Tự động hóa xử lý yêu cầu bảo hiểm bằng AI đa phương thức

• Thách thức kinh doanh: Bạn là nhà cung cấp bảo hiểm, và quy trình xử lý yêu cầu bồi thường phụ thuộc vào việc chuyên viên thẩm định phải xem thủ công nhiều loại tài liệu (ảnh, báo giá sửa chữa, báo cáo cảnh sát). Quy trình này chậm, dễ lỗi và gây trải nghiệm tệ cho khách hàng trong thời điểm căng thẳng.
• Tech stack: Document AI, Vertex AI, Cloud Run.
• Blueprint: Người yêu cầu bồi thường tải lên toàn bộ tài liệu và ảnh liên quan. ➝ Dịch vụ Cloud Run gửi tài liệu văn bản đến Document AI và ảnh đến Vertex AI Vision để trích xuất và cấu trúc dữ liệu. ➝ Dữ liệu được chuyển đến Gemini với prompt như: “Dựa trên báo cáo cảnh sát, báo giá sửa chữa và ảnh thiệt hại này, yêu cầu bồi thường xe hơi này có hợp lệ theo hợp đồng #12345 không? Tính toán khoản chi trả ước tính.” ➝ Mô hình trả về quyết định và số tiền chi trả, giúp xử lý các yêu cầu đơn giản gần như theo thời gian thực.

 

Xây dựng AI agent để trích xuất dữ liệu từ tài liệu pháp lý

• Thách thức kinh doanh: Bạn là công ty tư vấn tài chính hoặc quản lý tài sản. Thách thức là quá trình đọc thủ công các tài liệu pháp lý dài và phức tạp như di chúc hoặc quỹ tín thác để trích xuất thông tin chính cho lập kế hoạch tài sản — việc này rất mất thời gian.
• Tech stack: Document AI, Vertex AI.
• Blueprint: Cố vấn tài chính tải lên tài liệu quỹ tín thác dài của khách hàng (PDF). ➝ Document AI xử lý để trích xuất toàn bộ văn bản thô, giữ nguyên cấu trúc. ➝ Văn bản trích xuất được gửi đến mô hình Gemini tinh chỉnh với prompt: “Từ tài liệu quỹ này, hãy trích xuất người thụ hưởng, người quản lý, quy tắc phân bổ tài sản và các điều kiện thừa kế.” ➝ Mô hình trả về dữ liệu có cấu trúc (như JSON), có thể dùng để tự động điền hồ sơ khách hàng, tiết kiệm hàng giờ đọc thủ công cho cố vấn.

Tự động hóa quy trình tạo mã sửa lỗi phần mềm từ ticket bug

• Thách thức kinh doanh: Bạn là một công ty phần mềm trong một ngành được quản lý chặt chẽ, và các nhà phát triển của bạn dành nhiều thời gian để chuyển các báo cáo lỗi hoặc yêu cầu tính năng từ các ticket quản lý dự án thành mã thực tế, khiến chu kỳ phát triển bị chậm lại.
• Tech stack: Vertex AI, API của công cụ quản lý dự án (ví dụ: Jira).
• Blueprint: Khi một ticket bug mới được tạo trong Jira, một webhook sẽ kích hoạt một dịch vụ. ➝ Dịch vụ này truy xuất mô tả của ticket, mô tả chi tiết lỗi (ví dụ: “Nút ‘export’ không hoạt động trên dashboard người dùng đối với các tài khoản ở trạng thái ‘pending’.”). ➝ Mô tả này được dùng để tạo một prompt chi tiết cho Gemini Code Assist, mô hình đã được huấn luyện trên codebase riêng của công ty. ➝ Prompt là: “Dựa trên codebase của chúng ta, hãy viết mã Python để sửa lỗi được mô tả trong ticket này.” ➝ Mô hình tạo ra một đoạn mã hoặc một pull request với bản sửa lỗi đề xuất, mà nhà phát triển có thể xem, kiểm thử và merge, giúp tăng tốc đáng kể quy trình.

Xây dựng một hệ thống phân tích tín dụng và chống gian lận

• Thách thức kinh doanh: Bạn là một công ty fintech cung cấp giải pháp thanh toán hoặc cho vay. Thách thức của bạn là đánh giá chính xác rủi ro tín dụng và phát hiện giao dịch gian lận theo thời gian thực để bảo vệ cả doanh nghiệp lẫn khách hàng, mà không làm chậm trải nghiệm người dùng.
• Tech stack: BigQuery, Vertex AI, Dataflow.
• Blueprint: Dữ liệu giao dịch và hành vi người dùng theo thời gian thực được truyền qua Dataflow và được lưu trong BigQuery. ➝ Các mô hình máy học trong Vertex AI được huấn luyện liên tục trên dữ liệu lịch sử này để học các mẫu hành vi hợp lệ và gian lận. ➝ Khi có giao dịch mới, dữ liệu được gửi đến mô hình phát hiện gian lận đang triển khai theo thời gian thực. ➝ Mô hình trả về điểm rủi ro trong mili-giây. ➝ Nếu điểm cao, giao dịch có thể tự động bị chặn hoặc gắn cờ để xem xét thủ công, ngăn chặn gian lận trước khi xảy ra.

 

Kích hoạt giám sát bệnh nhân liên tục và cá nhân hóa

• Thách thức kinh doanh: Bạn là một nhà cung cấp dịch vụ chăm sóc sức khỏe quản lý số lượng lớn bệnh nhân mắc bệnh mạn tính như tiểu đường. Thách thức của bạn là các lần kiểm tra định kỳ không cung cấp bức tranh đầy đủ về sức khỏe của bệnh nhân, khiến việc đưa ra lời khuyên kịp thời và cá nhân hóa khó khăn, hoặc can thiệp trước khi biến chứng xuất hiện.
• Tech stack: Thiết bị IoT (hoặc ứng dụng di động), Pub/Sub, Dataflow, BigQuery, Vertex AI.
• Blueprint: Dữ liệu thời gian thực của bệnh nhân từ các nguồn như máy đo đường huyết được truyền vào Pub/Sub ➝ Pipeline Dataflow xử lý và chuẩn hóa dữ liệu, lưu vào BigQuery gắn với hồ sơ bệnh nhân ➝ Hệ thống dùng mô hình Vertex AI để phân tích xu hướng và nếu phát hiện bất thường (ví dụ: đường huyết cao liên tục), nó kích hoạt một cảnh báo ➝ Gemini tạo một thông điệp cá nhân hóa cho bệnh nhân, ví dụ: “Chúng tôi nhận thấy mức đường huyết của bạn cao vào buổi tối. Hãy thử đi bộ nhẹ sau bữa tối và kiểm tra lại số đo vào ngày mai.”

Xây dựng trợ lý AI cho quy trình chẩn đoán hình ảnh

• Thách thức kinh doanh: Bạn là một nhà cung cấp dịch vụ chăm sóc sức khỏe và các bác sĩ chẩn đoán hình ảnh của bạn đang chịu áp lực lớn từ khối lượng công việc ngày càng tăng. Thách thức của bạn là hỗ trợ họ phân tích hình ảnh phức tạp, tìm kiếm các nghiên cứu liên quan trước đây và tạo báo cáo tuân thủ quy định một cách hiệu quả và chính xác hơn.
• Tech stack: Vertex AI, Google Cloud Healthcare API, hệ thống PACS.
• Blueprint: Một hình ảnh chẩn đoán mới được nhập vào và khử định danh qua Healthcare API và lưu trong PACS. ➝ Hình ảnh được gửi đến mô hình thị giác của Vertex AI để phát hiện và đánh dấu các khu vực có thể quan tâm ➝ Bác sĩ có thể sử dụng Vertex AI Search, được lập chỉ mục dựa trên hàng triệu nghiên cứu ẩn danh trước đó, để tìm các trường hợp tương tự ➝ Sau khi xem xét, bác sĩ đọc kết quả của họ và Gemini hỗ trợ soạn thảo một báo cáo có cấu trúc, tuân thủ quy định, sau đó báo cáo được hoàn thiện và lưu lại, giúp bác sĩ tập trung vào các công việc chẩn đoán phức tạp.

Tạo trợ lý ảo cho bàn giao ca điều dưỡng

• Thách thức kinh doanh: Bạn là một mạng lưới chăm sóc sức khỏe lớn, và một điểm dễ xảy ra lỗi quan trọng là quá trình bàn giao ca giữa các y tá hoặc caregiver. Thách thức của bạn là đảm bảo các thông tin quan trọng và tình trạng bệnh nhân không bị bỏ sót trong quá trình này, vì điều đó ảnh hưởng đến tính liên tục và chất lượng chăm sóc.
• Tech stack: Speech-to-Text API, Vertex AI, hệ thống EHR (hồ sơ sức khỏe điện tử).
• Blueprint: Khi kết thúc ca, y tá nói vào thiết bị để tóm tắt tình trạng bệnh nhân. ➝ Speech-to-Text chuyển lời nói thành văn bản theo thời gian thực. ➝ Bản chuyển này được gửi đến Gemini với prompt như: “Hãy chuyển bản tóm tắt ca trực không có cấu trúc này thành báo cáo có cấu trúc với các mục: ‘Dấu hiệu sinh tồn’, ‘Thuốc đã dùng’, ‘Quan sát về bệnh nhân’, và ‘Hành động cho ca tiếp theo’.” ➝ Bản tóm tắt có cấu trúc được tự động thêm vào EHR của bệnh nhân, giúp người nhận ca nắm toàn bộ thông tin chỉ trong vài giây.

Đẩy nhanh khám phá thuốc bằng thiết kế protein tạo sinh

• Thách thức kinh doanh: Bạn là một công ty công nghệ sinh học hoặc dược phẩm, và quy trình khám phá thuốc truyền thống vô cùng chậm và tốn kém. Thách thức của bạn là tìm cách thiết kế và kiểm thử nhanh chóng các protein mới có thể trở thành nền tảng cho các loại thuốc mới.
• Tech stack: Vertex AI, Google Cloud TPUs.
• Blueprint: Các nhà khoa học nhập vào đặc tính mong muốn của một protein (ví dụ: “Thiết kế một protein có khả năng liên kết với mục tiêu X để ức chế chức năng của nó”). ➝ Yêu cầu này được gửi đến một mô hình AI tạo sinh chạy trên TPU hiệu năng cao của Google Cloud. ➝ Mô hình, được huấn luyện trên các tập dữ liệu sinh học khổng lồ, tạo ra các chuỗi cho hàng nghìn protein mới đáp ứng tiêu chí đã mô tả. ➝ Các protein do AI thiết kế sau đó có thể được tổng hợp và thử nghiệm trong phòng thí nghiệm, rút ngắn giai đoạn R&D từ nhiều năm xuống còn vài tuần.

Tự động hóa tài liệu và định dạng trong ngành dược phẩm

• Thách thức kinh doanh: Bạn là một công ty dược phẩm phải xử lý lượng lớn tài liệu phức tạp, từ kết quả phòng thí nghiệm đến tài liệu tuân thủ của FDA. Thách thức của bạn là quy trình thủ công, tốn thời gian để chép lại, định dạng và tóm tắt thông tin, làm chậm hoạt động.
• Tech stack: Gemini for Google Workspace, Document AI.
• Blueprint: Một kết quả xét nghiệm đến dưới dạng file PDF trong hộp thư email của nhân viên. ➝ Nhân viên dùng Gemini trong Gmail với prompt như: “Trích xuất các giá trị chính từ file xét nghiệm đính kèm này và điền chúng vào bảng chuẩn trong template Google Doc này.” ➝ Gemini dùng khả năng của Document AI để phân tích PDF, trích xuất dữ liệu có cấu trúc và điền vào Google Doc. ➝ Điều này giúp rút gọn quy trình thủ công nhiều bước thành một lệnh duy nhất, tiết kiệm nhiều giờ mỗi tuần.

Xây dựng mô hình thẩm định rủi ro (underwriting) tăng cường AI cho các công ty bảo hiểm

• Thách thức kinh doanh: Bạn là một công ty bảo hiểm thương mại, và việc báo giá cho các rủi ro phức tạp đòi hỏi các underwriter phải đánh giá thủ công lượng lớn dữ liệu — một quy trình có thể mất vài ngày. Thách thức của bạn là tự động hóa và tăng tốc quy trình này để cung cấp báo giá nhanh hơn và có lợi thế cạnh tranh.
• Tech stack: BigQuery, Vertex AI, Cloud Run.
• Blueprint: Dữ liệu lịch sử về lead, báo giá và kết quả bồi thường được lưu và xử lý trong BigQuery. ➝ Dữ liệu này được dùng để huấn luyện mô hình Vertex AI nhằm dự đoán rủi ro của một lead mới. ➝ Khi có yêu cầu báo giá mới, dữ liệu được gửi đến một dịch vụ trên Cloud Run. ➝ Dịch vụ này gọi mô hình Vertex AI đã triển khai, trả về điểm rủi ro và mức phí gợi ý chỉ trong vài giây. ➝ Điều này tự động hóa phần đánh giá ban đầu, cho phép underwriter xem xét báo giá do AI tạo và đưa ra quyết định cuối cùng trong vài phút thay vì vài ngày.

Xây dựng nền tảng tìm kiếm thông minh cho nghiên cứu lâm sàng

• Thách thức kinh doanh: Bạn là một bệnh viện nghiên cứu lớn hoặc một tổ chức có hàng petabyte dữ liệu lâm sàng giá trị. Thách thức của bạn là dữ liệu này thường bị chia silo và khó truy cập, khiến các nhà nghiên cứu khó phân tích, tạo ra rào cản lớn cho khám phá khoa học.
• Tech stack: Vertex AI Search, BigQuery, Google Cloud Healthcare API.
• Blueprint: Hàng petabyte dữ liệu lâm sàng được khử định danh bằng Healthcare API và được hợp nhất vào BigQuery. ➝ Toàn bộ dataset — bao gồm cả ghi chú không có cấu trúc lẫn dữ liệu có cấu trúc — được lập chỉ mục vào Vertex AI Search. ➝ Nhà nghiên cứu có thể dùng thanh tìm kiếm ngôn ngữ tự nhiên để đặt các câu hỏi phức tạp như: “Tìm tất cả nhóm bệnh nhân trên 50 tuổi có tiền sử bệnh tim và đáp ứng tốt với thuốc X.” ➝ Vertex AI Search truy xuất các hồ sơ liên quan đã được ẩn danh trên toàn bộ dataset 50 petabyte, rút ngắn thời gian nghiên cứu từ vài tháng xuống vài phút.

Dự đoán bùng phát dịch bệnh bằng dữ liệu công và tư

• Thách thức kinh doanh: Bạn là một công ty dược phẩm hoặc tổ chức y tế công cộng. Thách thức của bạn là chuyển từ phản ứng trước các đợt bùng phát theo mùa như cúm sang chủ động dự đoán chúng, giúp cải thiện việc lập kế hoạch nguồn lực, phân phối vaccine và truyền thông y tế cộng đồng.
• Tech stack: BigQuery, Vertex AI, Google Trends API.
• Blueprint: Dữ liệu xu hướng tìm kiếm Google Search được ẩn danh và tổng hợp (qua Trends API) cho các từ khóa như “fever” và “cough” được kết hợp với dữ liệu bán hàng lịch sử của thuốc điều trị cúm trong BigQuery. ➝ Một mô hình Gemini được dùng để phân tích các dataset kết hợp này nhằm xác định tương quan và dự đoán các đợt bùng phát trong tương lai theo từng khu vực. ➝ Hệ thống tạo ra dự báo, ví dụ: “Lượng tìm kiếm cho ‘flu symptoms’ tăng 20% ở bang Ohio dự báo số ca bệnh sẽ tăng trong 7–10 ngày tới.” ➝ Dự báo này được hiển thị trên dashboard để phục vụ lập kế hoạch chăm sóc sức khỏe theo thời gian thực.

Nâng cao kết quả IVF bằng phân tích phôi thai được hỗ trợ bởi AI

• Thách thức kinh doanh: Bạn là một phòng khám hỗ trợ sinh sản, và một trong những phần quan trọng nhất — đồng thời khó khăn nhất — của quy trình IVF là lựa chọn phôi có khả năng mang lại tỷ lệ mang thai thành công cao nhất. Thách thức của bạn là cải thiện độ chính xác trong quá trình lựa chọn này để mang đến kết quả tốt nhất cho bệnh nhân.
• Tech stack: Vertex AI, Google Cloud Storage.
• Blueprint: Hình ảnh độ phân giải cao của phôi được tải lên Google Cloud Storage. ➝ Một mô hình Vertex AI Vision phân tích các hình ảnh này, trích xuất hàng trăm đặc điểm hình thái học mà mắt người không thể nhìn thấy. ➝ Dữ liệu đặc điểm này, cùng với dữ liệu kết quả cuối cùng (phôi có làm tổ thành công hay không), được sử dụng để huấn luyện một mô hình AutoML. ➝ Khi phân tích phôi của bệnh nhân mới, mô hình cung cấp một điểm số khả năng sống cho từng phôi, giúp các chuyên gia phôi học đưa ra quyết định dựa trên dữ liệu nhiều hơn và tăng khả năng thành công của chu kỳ IVF.

Tự động hóa định tuyến và xử lý y lệnh cho dịch vụ chăm sóc sức khỏe tại nhà

• Thách thức kinh doanh: Bạn là một công ty dịch vụ chăm sóc sức khỏe tại nhà, quản lý một đội ngũ y tá thực hiện hàng nghìn lượt thăm khám bệnh nhân. Thách thức của bạn là tối ưu hóa tuyến đường hàng ngày sao cho hiệu quả nhất, đồng thời đẩy nhanh quy trình xử lý y lệnh thủ công dựa trên giấy tờ.
• Tech stack: Google Maps Platform (Routes API), Document AI, Cloud Run.
• Blueprint: Y lệnh của bệnh nhân (PDF hoặc ảnh) được tải lên hệ thống. ➝ Một dịch vụ trên Cloud Run gửi tệp này đến Document AI, nơi tự động trích xuất thông tin bệnh nhân, dịch vụ cần thực hiện và địa điểm. ➝ Mỗi ngày, hệ thống gửi danh sách tất cả các lượt thăm khám cần thực hiện đến Google Maps Routes API, API này sẽ tính toán tuyến đường nhiều điểm dừng hiệu quả nhất cho từng y tá. ➝ Tuyến đường tối ưu được gửi đến ứng dụng di động của y tá, giúp tiết kiệm thời gian và nhiên liệu, trong khi quy trình xử lý y lệnh tự động giảm tải các công việc hành chính.

Xây dựng giải pháp trung tâm liên hệ (contact center) AI có khả năng tùy chỉnh

• Thách thức kinh doanh: Bạn là một nhà cung cấp dịch vụ viễn thông phục vụ khách hàng doanh nghiệp — những đơn vị cần hiện đại hóa hệ thống chăm sóc khách hàng của chính họ. Thách thức của bạn là cung cấp một giải pháp contact center linh hoạt, được hỗ trợ bởi AI, có thể xử lý cuộc gọi tự động và hỗ trợ nhân viên chăm sóc khách hàng theo thời gian thực.
• Tech stack: Contact Center AI Platform (CCAI), Vertex AI, hệ thống CRM.
• Blueprint: Khi một khách hàng gọi đến, họ được chào bởi một tác nhân AI được xây dựng trên Contact Center AI. ➝ Tác nhân này xử lý các yêu cầu phổ biến, chẳng hạn như kiểm tra số dư tài khoản. ➝ Nếu người gọi cần nói chuyện với nhân viên, cuộc gọi được chuyển tiếp. ➝ Khi nhân viên tiếp nhận, tính năng “Agent Assist” lắng nghe cuộc trò chuyện, chuyển lời nói thành văn bản theo thời gian thực và sử dụng Gemini để cung cấp bài viết liên quan trong kho kiến thức cũng như gợi ý bước tiếp theo trực tiếp trong giao diện CRM.

Trao quyền cho lực lượng lao động của bạn bằng các công cụ gen AI

• Thách thức kinh doanh: Bạn là một công ty viễn thông lớn và muốn trao quyền sử dụng AI cho toàn bộ lực lượng lao động. Thách thức của bạn là cung cấp quyền truy cập dễ dàng vào các công cụ gen AI, đồng thời duy trì các tiêu chuẩn bảo mật, quyền riêng tư và tuân thủ đối với dữ liệu nhạy cảm của công ty.
• Tech stack: Vertex AI, Identity and Access Management (IAM), Google Cloud Storage.
• Blueprint: Một nền tảng “AI Sandbox” nội bộ được xây dựng bằng Vertex AI Agent Builder. ➝ Nền tảng này dựa trên tập hợp các tài liệu nội bộ được chọn lọc (tài liệu pháp lý, nhân sự, kỹ thuật) và được lưu trữ an toàn trong Google Cloud Storage. ➝ Nhân viên truy cập sandbox thông qua danh tính công ty, với các quy tắc IAM đảm bảo họ chỉ xem được dữ liệu mà họ được phân quyền. ➝ Nhân viên có thể đặt câu hỏi như “Tóm tắt chính sách quyền riêng tư dữ liệu mới của chúng ta” và nhận câu trả lời từ Gemini dựa hoàn toàn trên tài liệu nội bộ đáng tin cậy, giúp dân chủ hóa thông tin một cách an toàn.

Tự động hóa tóm tắt cuộc gọi và đánh giá chất lượng

• Thách thức kinh doanh: Bạn là một nhà vận hành viễn thông với một trung tâm chăm sóc khách hàng lớn. Thách thức của bạn là đảm bảo chất lượng nhất quán và xác định các phương pháp tốt nhất từ hàng nghìn cuộc gọi mỗi ngày — một nhiệm vụ đòi hỏi quản lý phải nghe thủ công một số mẫu nhỏ các cuộc ghi âm.
• Tech stack: Speech-to-Text API, Vertex AI, BigQuery, Looker.
• Blueprint: Âm thanh từ tất cả các cuộc gọi được chuyển thành văn bản bằng Speech-to-Text API và văn bản này được lưu vào BigQuery. ➝ Một tác vụ chạy theo lịch gửi bản ghi sang Gemini với prompt như: “Tóm tắt cuộc gọi này, phân loại lý do khách hàng gọi và đánh giá hiệu quả của nhân viên dựa trên tiêu chí chất lượng của chúng ta.” ➝ Phân tích có cấu trúc được ghi trở lại BigQuery. ➝ Quản lý sử dụng bảng điều khiển Looker để xem xu hướng, xác định nhân viên có hiệu suất cao và tìm các cuộc gọi phù hợp để làm ví dụ đào tạo đội ngũ.

Sử dụng AI để phân tích hợp đồng thương mại phức tạp

• Thách thức kinh doanh: Bạn là một nhà vận hành viễn thông toàn cầu với hàng nghìn hợp đồng kết nối và hợp đồng nhà cung cấp phức tạp. Thách thức của bạn là nhanh chóng tìm các điều khoản thương mại, nghĩa vụ hoặc ngày gia hạn được ẩn trong những tài liệu pháp lý dày đặc.
• Tech stack: Document AI, Vertex AI Search, Vertex AI.
• Blueprint: Hàng nghìn hợp đồng được xử lý bằng Document AI để trích xuất và cấu trúc văn bản thô, sau đó được lập chỉ mục trong Vertex AI Search. ➝ Thành viên nhóm pháp lý hoặc thương mại sử dụng giao diện tìm kiếm và đặt câu hỏi tự nhiên như: “Tìm tất cả các hợp đồng với Nhà mạng X có điều khoản chấm dứt yêu cầu thông báo 90 ngày.” ➝ Vertex AI Search truy xuất các đoạn hợp đồng liên quan. ➝ Để phân tích sâu hơn, Gemini có thể được sử dụng để so sánh các điều khoản trên nhiều tài liệu trong bảng song song.

Xây dựng nền tảng “network as code” cho nhà phát triển

• Thách thức kinh doanh: Bạn là một nhà mạng 5G và muốn cho phép các nhà phát triển tạo ra các ứng dụng sáng tạo tận dụng khả năng độc đáo của mạng (ví dụ: độ trễ thấp, băng thông cao). Thách thức của bạn là trừu tượng hóa sự phức tạp của mạng thành các API đơn giản có thể lập trình.
• Tech stack: Vertex AI, Google Kubernetes Engine (GKE), network APIs.
• Blueprint: Một nền tảng “Network as Code” cung cấp các chức năng mạng phức tạp thông qua các API đơn giản, được lưu trữ trên GKE. ➝ Một nhà phát triển muốn xây dựng ứng dụng telehealth cần kết nối chất lượng cao cho buổi tư vấn phẫu thuật từ xa. ➝ Họ sử dụng SDK của nền tảng và tương tác với một trợ lý được hỗ trợ bởi Gemini, đặt prompt như: “Tạo mã Python để yêu cầu một network slice độ trễ thấp dành riêng giữa bệnh viện và nhà bệnh nhân trong 60 phút tới.” ➝ Gemini tạo mã cần thiết để gọi các API của nền tảng và cấp phát tài nguyên mạng động.

Tạo hồ sơ khách hàng thống nhất để nâng cao dịch vụ

• Thách thức kinh doanh: Bạn là một nhà cung cấp dịch vụ viễn thông lớn và dữ liệu khách hàng của bạn bị phân mảnh trên nhiều hệ thống (billing, CRM, dữ liệu sử dụng mạng). Thách thức của bạn là tạo ra góc nhìn 360 độ của từng khách hàng để cung cấp dịch vụ chủ động, cá nhân hóa và đưa ra quyết định kinh doanh chính xác hơn.
• Tech stack: BigQuery, Dataflow, Vertex AI, Looker.
• Blueprint: Dữ liệu từ tất cả các hệ thống nguồn được streaming qua Dataflow vào BigQuery, nơi hoạt động như kho dữ liệu trung tâm. ➝ Các mô hình Vertex AI phân tích dữ liệu thống nhất để xác định các mẫu, chẳng hạn như khách hàng gặp chất lượng mạng kém tại một vị trí cụ thể. ➝ Hệ thống sau đó có thể tạo ra insight hành động, như: “Khách hàng này có nguy cơ rời bỏ cao do bị rớt cuộc gọi nhiều lần.” ➝ Insight này được hiển thị cho nhân viên chăm sóc khách hàng qua bảng điều khiển Looker, giúp họ chủ động liên hệ và cung cấp giải pháp, chẳng hạn như tặng bộ mở rộng sóng mạng.

Kích hoạt chat ngôn ngữ tự nhiên cho dữ liệu IoT phức tạp

• Thách thức kinh doanh: Bạn là một nhà cung cấp IoT cho khách hàng doanh nghiệp, thu thập hàng triệu điểm dữ liệu từ cảm biến và thiết bị. Thách thức của bạn là người dùng không chuyên, như quản lý đội xe hoặc quản lý tòa nhà, không dễ dàng truy cập hoặc hiểu dữ liệu phức tạp để có insight họ cần.
• Tech stack: BigQuery, Vertex AI, Looker (hoặc công cụ BI khác).
• Blueprint: Tất cả dữ liệu IoT được stream và lưu vào BigQuery. ➝ Dữ liệu được hiển thị qua công cụ BI như Looker, với giao diện chat ngôn ngữ tự nhiên tích hợp sẵn. ➝ Người không chuyên đặt câu hỏi bằng tiếng Anh đơn giản như: “Những xe nào của chúng ta đã nổ máy chờ hơn 30 phút hôm nay ở khu vực trung tâm?” ➝ Yêu cầu được gửi đến Gemini, mô hình hiểu ý định của người dùng và dịch câu hỏi thành truy vấn SQL. ➝ Truy vấn được chạy trên BigQuery và kết quả được trả về dưới dạng bảng hoặc bản đồ trực tiếp trong giao diện chat, giúp rút ngắn thời gian tiếp cận insight đến 88%.

Cung cấp dịch vụ AI trên nền tảng cloud phân tán để đáp ứng yêu cầu chủ quyền dữ liệu

• Thách thức kinh doanh: Bạn là một nhà mạng đa quốc gia phục vụ các quốc gia có luật lưu trú dữ liệu nghiêm ngặt. Thách thức của bạn là tận dụng năng lực AI mạnh mẽ, như dịch thời gian thực, trong khi đảm bảo dữ liệu khách hàng luôn nằm trong quốc gia gốc.
• Tech stack: Google Distributed Cloud, Vertex AI, Speech-to-Text, Text-to-Speech.
• Blueprint: Một phiên bản Google Distributed Cloud (GDC) được triển khai trong trung tâm dữ liệu tại quốc gia sở tại. ➝ Người dùng thực hiện cuộc gọi cần dịch theo thời gian thực. ➝ Luồng âm thanh được xử lý hoàn toàn trong môi trường GDC. ➝ Speech-to-Text và Text-to-Speech cùng với các mô hình dịch của Vertex AI chạy trên GDC xử lý phần dịch. ➝ Âm thanh đã được dịch được gửi lại cho người dùng với độ trễ cực thấp, cung cấp dịch vụ AI trong khi đảm bảo toàn bộ dữ liệu vẫn ở trong quốc gia để tuân thủ quy định về chủ quyền dữ liệu.

Tăng tốc phát hiện và phản ứng với các mối đe dọa an ninh mạng

• Thách thức kinh doanh: Bạn là một nhà cung cấp hạ tầng trọng yếu và bạn phải đối mặt với một lượng lớn các mối đe dọa mạng tinh vi liên tục. Thách thức của bạn là phát hiện và điều tra những mối đe dọa này đủ nhanh để ngăn chặn vi phạm bảo mật — một nhiệm vụ khó để các nhà phân tích con người xử lý ở quy mô lớn.
• Tech stack: Google Security Operations (SecOps), Gemini in Security.
• Blueprint: Nhật ký bảo mật và dữ liệu telemetry từ toàn bộ tổ chức được đưa vào nền tảng Google Security Operations. ➝ Khả năng AI của nền tảng tự động liên kết các tín hiệu để phát hiện các mối đe dọa tiềm ẩn mà con người có thể bỏ lỡ. ➝ Khi phát hiện sự cố ưu tiên cao, một nhà phân tích bảo mật có thể sử dụng Gemini in Security được tích hợp để hỏi: “Tóm tắt mối đe dọa này. Tác động tiềm tàng là gì và biện pháp khắc phục được đề xuất là gì?” ➝ Gemini cung cấp bản tóm tắt ngắn gọn và một playbook từng bước, giúp nhà phân tích đóng các cuộc điều tra nhanh hơn.

Thiết lập quản trị bảo mật AI dựa trên dữ liệu

• Thách thức kinh doanh: Bạn là một doanh nghiệp lớn với hàng nghìn nhà phát triển và nhà khoa học dữ liệu nội bộ đang xây dựng các mô hình AI. Thách thức của bạn là thiết lập một lớp quản trị mạnh mẽ để đảm bảo tất cả hoạt động phát triển AI đều an toàn, tuân thủ và dựa trên dữ liệu — mà không kìm hãm đổi mới.
• Tech stack: Vertex AI, BigQuery, các công cụ mã nguồn mở (ví dụ: để quét mô hình), IAM.
• Blueprint: Tất cả việc phát triển mô hình AI được thực hiện trong Vertex AI. ➝ Khi mô hình được xây dựng, metadata, nguồn dữ liệu huấn luyện và các dependency của chúng được ghi lại tự động trong BigQuery. ➝ Các công cụ bảo mật tự động quét mô hình để tìm lỗ hổng. ➝ Một bảng điều khiển governance cung cấp một cái nhìn duy nhất về tất cả dự án AI, hiển thị trạng thái tuân thủ và dòng dõi dữ liệu (data lineage). ➝ Các chính sách IAM thực thi các quy tắc như: “một mô hình không thể triển khai lên production nếu nó được huấn luyện bằng dữ liệu khách hàng chưa được phê duyệt”, tạo ra một khung quản trị mạnh mẽ dựa trên dữ liệu.

Xây dựng trợ lý du lịch hội thoại bằng AI

• Thách thức kinh doanh: Bạn là một hãng hàng không hoặc nền tảng du lịch trực tuyến. Thách thức của bạn là các website đặt vé truyền thống với bộ lọc và biểu mẫu phức tạp có thể gây khó chịu và thiếu tính cá nhân hóa, khiến khách bỏ dở tìm kiếm và mất đơn đặt chỗ.
• Tech stack: Vertex AI, Cloud Run, API hệ thống đặt vé backend.
• Blueprint: Một khách du lịch tương tác với chatbot trên website hoặc ứng dụng, nói: “Tôi muốn bay từ Seattle đến Miami vào tháng tới với khoảng 400 đô.” ➝ Yêu cầu được gửi đến một dịch vụ trên Cloud Run, dịch vụ này sử dụng Vertex AI Agent Builder để hiểu ý định người dùng và trích xuất các thực thể (điểm đi, điểm đến, ngày, giá). ➝ Dịch vụ gọi các API đặt vé của hãng hàng không để tìm chuyến bay phù hợp. ➝ Các tùy chọn chuyến bay được gửi đến Gemini với prompt như: “Dưới đây là ba chuyến bay. Hãy trình bày chúng theo cách thân thiện, dạng hội thoại và hỏi người dùng họ thích chuyến nào.” ➝ Chatbot trình bày các lựa chọn, giúp quá trình đặt vé trở nên đơn giản như một cuộc trò chuyện.

 

Tạo trợ lý kỹ thuật số trong công viên giải trí

• Thách thức kinh doanh: Bạn là nhà vận hành công viên chủ đề hoặc địa điểm giải trí lớn. Thách thức của bạn là khách có thể cảm thấy quá tải khi phải điều hướng công viên, tìm giờ diễn, kiểm tra thời gian chờ trò chơi… dẫn đến giảm trải nghiệm tổng thể.
• Tech stack: Google Maps Platform, Vertex AI, BigQuery, Cloud Run.
• Blueprint: Dữ liệu công viên theo thời gian thực (thời gian chờ, lịch diễn, vị trí nhân vật) được truyền vào BigQuery. ➝ Khách mở ứng dụng của công viên và hỏi trợ lý kỹ thuật số: “Có trò nào vui với thời gian chờ dưới 20 phút gần tôi không?” ➝ Ứng dụng gửi yêu cầu và vị trí của khách đến một dịch vụ trên Cloud Run. ➝ Dịch vụ truy vấn BigQuery để lấy thời gian chờ hiện tại và dùng Google Maps Platform để tìm các điểm gần đó. ➝ Gemini tổng hợp thông tin để đưa ra gợi ý cá nhân hóa, ví dụ: “Tàu lượn Goliath cách bạn 5 phút đi bộ và chỉ chờ 15 phút!”

Xây dựng công cụ dự báo đơn hàng và loyalty

• Thách thức kinh doanh: Bạn là chuỗi nhà hàng phục vụ nhanh hoặc chuỗi pizza. Thách thức của bạn là quản lý tồn kho và thời gian chuẩn bị bếp hiệu quả trong giờ cao điểm, đồng thời thúc đẩy khách quay lại trong khi các chương trình loyalty chung chung thường không thu hút.
• Tech stack: BigQuery, Vertex AI, Cloud Run.
• Blueprint: Tất cả dữ liệu đơn hàng lịch sử được lưu trong BigQuery. ➝ Các mô hình dự báo của Vertex AI phân tích dữ liệu để dự đoán lượng đơn theo thời gian và địa điểm (ví dụ: “Dự đoán tăng 30% đơn pizza pepperoni tại khu trung tâm vào tối thứ Sáu”). ➝ Khi một thành viên loyalty mở ứng dụng, một dịch vụ trên Cloud Run lấy lịch sử đặt hàng và gửi đến Gemini với prompt như: “Người dùng này hay đặt vào thứ Ba. Hãy tạo một ưu đãi cá nhân hóa cho món tặng kèm vào đơn hàng thứ Ba tiếp theo của họ.” ➝ Việc chuẩn bị dự báo trước và marketing cá nhân hóa giúp tăng hiệu quả và mức độ gắn kết khách hàng.

Kích hoạt tìm kiếm chỗ ở bằng ngôn ngữ tự nhiên

• Thách thức kinh doanh: Bạn là nền tảng đặt khách sạn hoặc nhà nghỉ. Thách thức của bạn là người dùng thường có nhu cầu chi tiết, tinh tế (như “khách sạn yên tĩnh gần biển có hồ bơi cho trẻ em”) mà các bộ lọc checkbox truyền thống không thể diễn đạt hết.
• Tech stack: Vertex AI Search, BigQuery.
• Blueprint: Dữ liệu chi tiết cho hàng triệu khách sạn — bao gồm tiện ích, đánh giá, và thông tin vị trí — được index từ BigQuery vào Vertex AI Search. ➝ Người dùng nhập truy vấn tự do như: “Tìm khách sạn cho thú cưng ở trung tâm Austin có rooftop bar, dưới 300 đô/đêm.” ➝ Vertex AI Search xử lý ngôn ngữ tự nhiên để hiểu nhiều ý định cùng lúc (thú cưng, vị trí, tiện ích, giá). ➝ Công cụ trả về danh sách xếp hạng các khách sạn phù hợp nhất, tạo trải nghiệm tìm kiếm直 quan hơn và cá nhân hóa hơn.

Tạo huấn luyện viên thể hình ảo bằng AI

• Thách thức kinh doanh: Bạn là thương hiệu fitness hoặc chuỗi gym, và khách hàng muốn kế hoạch tập luyện cá nhân hóa. Thách thức của bạn là việc cung cấp huấn luyện viên 1–1 rất tốn kém và không thể mở rộng, khiến hầu hết khách chỉ nhận được các chương trình chung chung.
• Tech stack: Vertex AI, ứng dụng di động, tích hợp thiết bị đeo.
• Blueprint: Người dùng nhập mục tiêu luyện tập và thực hiện một số bài kiểm tra, được ghi lại qua camera điện thoại. ➝ Mô hình computer vision trên Vertex AI phân tích video để đánh giá tư thế và mức độ thể lực. ➝ Dữ liệu này, cùng với dữ liệu từ thiết bị đeo, được gửi đến Gemini với prompt như: “Tạo chương trình tập luyện 4 tuần tiến bộ dành cho người có trình độ trung bình với mục tiêu giảm mỡ.” ➝ AI tạo chương trình tập luyện hằng ngày siêu cá nhân hóa, hoạt động như huấn luyện viên ảo và tự điều chỉnh dựa trên tiến bộ của người dùng.

Cá nhân hóa chiến dịch quảng cáo ở quy mô lớn

• Thách thức kinh doanh: Bạn là tập đoàn khách sạn toàn cầu và bạn cần chạy các chiến dịch quảng cáo ở nhiều vùng và từng phân khúc khách hàng khác nhau. Thách thức là tạo nội dung quảng cáo và hình ảnh phù hợp cho từng nhóm — một công việc chậm và khó mở rộng thủ công.
• Tech stack: BigQuery, Vertex AI, Google Ads API.
• Blueprint: Dữ liệu khách hàng và hiệu suất chiến dịch được gom vào BigQuery. ➝ Đội marketing định nghĩa một chiến dịch mới với đối tượng mục tiêu, chẳng hạn: “gia đình tìm kỳ nghỉ hè tại Tây Ban Nha.” ➝ Một dịch vụ gửi ngữ cảnh này đến Gemini với prompt: “Tạo 5 headline và mô tả quảng cáo cho khách sạn thân thiện với gia đình tại Barcelona, nhấn mạnh hồ bơi và gần các điểm tham quan.” ➝ Gemini tạo nhiều biến thể quảng cáo, sau đó chúng được đẩy lên Google Ads API để tạo chiến dịch cá nhân hóa sâu, tăng hiệu suất và năng suất của đội quảng cáo.

Tự động hóa quản trị dữ liệu cho vận hành hàng không

• Thách thức kinh doanh: Bạn là một hãng hàng không lớn xử lý petabyte dữ liệu từ hàng chục hệ thống — từ vận hành chuyến bay đến loyalty. Thách thức của bạn là quản lý và quản trị dữ liệu này, vì việc phân loại bảng và quản lý metadata thủ công là một nhiệm vụ lớn, tốn kém và dễ sai sót.
• Tech stack: BigQuery, Gemini, Dataplex.
• Blueprint: Khi một bảng dữ liệu mới được tạo trong BigQuery, một quy trình được kích hoạt. ➝ Schema bảng và dữ liệu mẫu được gửi đến Gemini với prompt: “Phân tích bảng này và tạo mô tả thân thiện với người dùng, gán quy tắc chất lượng dữ liệu, và phân loại các cột chứa PII.” ➝ Mô hình trả về metadata có cấu trúc. ➝ Metadata này được dùng để tự động điền vào danh mục dữ liệu Dataplex, đảm bảo tất cả dữ liệu được ghi chép, phân loại và quản trị đầy đủ mà không cần nhiều công sức thủ công.

Tự động phân loại cảnh báo an ninh cho khách du lịch theo thời gian thực

• Thách thức kinh doanh: Bạn là nhà điều hành tour chịu trách nhiệm về an toàn của hàng nghìn khách du lịch trên toàn thế giới. Thách thức của bạn là giám sát và lọc một lượng lớn cảnh báo an ninh toàn cầu để xác định cảnh báo nào thực sự gây rủi ro ngay lập tức cho khách của bạn.
• Tech stack: Vertex AI, Pub/Sub, cơ sở dữ liệu lịch trình du lịch.
• Blueprint: Luồng cảnh báo an ninh từ nhiều nguồn tin tức và cơ quan chính phủ đổ vào Pub/Sub. ➝ Với mỗi cảnh báo, một function được kích hoạt để lấy vị trí và chủ đề. ➝ Function truy vấn cơ sở dữ liệu lịch trình để xem có khách nào đang ở khu vực bị ảnh hưởng hay không. ➝ Nếu có, nội dung cảnh báo được gửi đến Gemini với prompt như: “Dựa trên cảnh báo về cuộc biểu tình ở Paris này, hãy phân loại mức độ rủi ro cho một du khách ở cách 5 dặm là ‘Thấp’, ‘Trung bình’, hay ‘Cao’.” ➝ Cảnh báo đã phân loại xuất hiện trên dashboard an ninh, giúp đội ngũ bỏ qua nhiễu thấp và tập trung vào mối đe dọa thực sự, giảm khối lượng xử lý thủ công.

Tối ưu hoá dịch vụ khách lưu trú bằng một trợ lý dữ liệu AI

• Thách thức kinh doanh: Bạn là người quản lý bất động sản cho các căn hộ nghỉ dưỡng hoặc nhà ở cho doanh nghiệp. Thách thức của bạn là khách mới đến thường xuyên gọi với cùng một bộ câu hỏi (ví dụ: “Mật khẩu wifi là gì?”, “Bộ điều nhiệt sử dụng thế nào?”), khiến đội hỗ trợ của bạn bị quá tải.
• Tech stack: Gemini for Google Workspace, hệ thống ghi nhật ký cuộc gọi.
• Blueprint: Tất cả nhật ký và bản ghi cuộc gọi hỗ trợ được tổng hợp vào một Google Sheet trung tâm. ➝ Một quản lý dùng tính năng Gemini tích hợp với prompt như: “Phân tích tất cả các cuộc gọi trong 30 ngày qua và xác định 5 câu hỏi phổ biến nhất mà khách mới hỏi.” ➝ Gemini phân tích văn bản và trả về bản tóm tắt, cho thấy “mật khẩu wifi” là vấn đề phổ biến nhất. ➝ Doanh nghiệp có thể chủ động cải thiện, ví dụ gửi email chào mừng nổi bật hơn với thông tin wifi, giúp giảm đáng kể các cuộc gọi lặp lại.

 

Tạo nội dung quảng cáo video bằng AI

• Thách thức kinh doanh: Bạn là đội marketing của một hãng hàng không, và bạn cần liên tục có video mới để quảng bá các điểm đến cho hệ thống giải trí trên máy bay và quảng cáo trực tuyến. Thách thức là sản xuất video truyền thống tốn kém và mất thời gian.
• Tech stack: Google’s Veo, Vertex AI.
• Blueprint: Đội marketing xác định điểm đến cần quảng bá, ví dụ “Kyoto vào mùa thu.” ➝ Họ dùng Gemini để lên ý tưởng và tạo kịch bản, với prompt như: “Tạo kịch bản video 30 giây về vẻ đẹp yên bình của các ngôi đền Kyoto vào mùa thu.” ➝ Kịch bản này, cùng ảnh tham khảo và hướng dẫn phong cách, được đưa vào Veo — mô hình video tạo sinh của Google. ➝ Veo tạo ra video chất lượng cao dựa trên prompt văn bản và hình ảnh, giúp đội ngũ tạo nội dung hấp dẫn với thời gian và chi phí chỉ bằng một phần nhỏ so với quay phim truyền thống.

 

Xây dựng robot gia đình AI thông minh hơn và phản hồi tốt hơn

• Thách thức kinh doanh: Bạn là nhà sản xuất thiết bị điện tử tiêu dùng và muốn tạo ra một sản phẩm nhà thông minh thế hệ mới. Thách thức là vượt ra khỏi lệnh thoại đơn giản để tạo ra một trợ lý gia đình thực sự hữu ích, có thể hiểu hội thoại tự nhiên và tương tác thông minh với môi trường.
• Tech stack: Vertex AI, mô hình AI chạy trên thiết bị, Home API.
• Blueprint: Robot gia đình (“Max”) dùng micro trên thiết bị để thu giọng nói người dùng qua Speech-to-Text API. ➝ Yêu cầu được gửi đến mô hình Gemini, mô hình này hiểu ngữ cảnh hội thoại và mục đích người dùng. ➝ Nếu yêu cầu liên quan điều khiển thiết bị nhà thông minh (ví dụ: “bật đèn phòng khách”), Gemini gửi lệnh phù hợp tới Google Home Platform APIs. ➝ Gemini tạo phản hồi ngôn ngữ tự nhiên (ví dụ: “Được rồi, tôi đã bật đèn cho bạn.”), phản hồi được chuyển thành âm thanh bằng Text-to-Speech API và phát qua loa của robot.

Tạo tác nhân gợi ý sản phẩm bằng AI

• Thách thức kinh doanh: Bạn là nhà sản xuất sản phẩm tiêu dùng với danh mục phong phú, ví dụ vật tư làm vườn. Thách thức là nhiều khách hàng là người mới và không biết sản phẩm nào phù hợp, dẫn đến nhầm lẫn và mất doanh số.
• Tech stack: Vertex AI, BigQuery, Cloud Run.
• Blueprint: Toàn bộ danh mục sản phẩm cùng kiến thức chuyên gia được lập chỉ mục vào Vertex AI Agent Builder từ nguồn như BigQuery. ➝ Khách hàng tương tác với agent AI trên website, hỏi: “Lawn nhà tôi bị vàng và tôi sống ở Texas. Tôi nên làm gì?” ➝ Agent hiểu mục đích và vị trí người dùng. ➝ Thông tin sản phẩm lấy ra và câu hỏi của người dùng được gửi đến Gemini để tạo phản hồi từng bước, ví dụ: “Có vẻ bạn gặp vấn đề grubs, phổ biến ở Texas thời điểm này. Tôi khuyến nghị sản phẩm của chúng tôi, và đây là cách sử dụng…”, giúp khách chọn đúng sản phẩm.

 

Tự động hóa kiểm định an toàn công nghiệp bằng AI

• Thách thức kinh doanh: Bạn là công ty năng lượng hoặc sản xuất toàn cầu. Việc kiểm định an toàn tại hàng chục cơ sở diễn ra chậm, thủ công và tốn kém. Thách thức là tự động hóa quy trình để đảm bảo tuân thủ mà không gây gián đoạn.
• Tech stack: Vertex AI, Google Cloud Storage, ứng dụng di động.
• Blueprint: Kiểm định viên dùng ứng dụng di động chụp ảnh/video thiết bị, dữ liệu được tải lên Cloud Storage. ➝ Vertex AI Vision phân tích để nhận dạng thiết bị và kiểm tra tuân thủ trực quan (ví dụ: “tấm chắn an toàn có đúng vị trí không?”). ➝ Dữ liệu hình ảnh cùng checklist được gửi đến mô hình Gemini đã huấn luyện theo quy định an toàn của công ty. ➝ Mô hình tự tạo báo cáo kiểm định đầy đủ, đánh dấu mục không tuân thủ và trích dẫn quy tắc liên quan, rút quy trình từ hai tuần xuống một giờ.

Tự động hóa báo giá sản phẩm tùy chỉnh

• Thách thức kinh doanh: Bạn là nhà sản xuất các sản phẩm cấu hình tùy biến như hệ thống năng lượng mặt trời. Tạo báo giá chính xác là thủ công, chậm và cần chuyên gia — gây tắc nghẽn quy trình bán hàng.
• Tech stack: Google Maps Platform (Aerial View API), Vertex AI, Document AI.
• Blueprint: Khách hàng cung cấp địa chỉ. ➝ Hệ thống gọi Aerial View API để lấy ảnh mái nhà độ phân giải cao. ➝ Vertex AI phân tích hình ảnh để đo mái và xác định vật cản. ➝ Hệ thống tính số tấm pin tối ưu và tạo báo giá. ➝ Nếu khách tải hóa đơn điện qua Document AI, hệ thống có thể tính mức tiết kiệm tiềm năng, cung cấp báo giá trong 15 phút thay vì 2 giờ.

Dân chủ hóa dữ liệu với agent chuyển ngôn ngữ tự nhiên thành SQL

• Thách thức kinh doanh: Bạn là tập đoàn sản xuất lớn với dữ liệu giá trị cao nằm trong các cơ sở dữ liệu phức tạp. Thách thức: chỉ ít nhân viên kỹ thuật có thể viết SQL, gây tắc nghẽn và cản trở việc khai thác dữ liệu.
• Tech stack: BigQuery, Vertex AI, Looker hoặc BI tool khác.
• Blueprint: Tất cả dữ liệu quan trọng của công ty (ví dụ dữ liệu SAP Materials) được tập trung vào BigQuery. ➝ Nhân viên dùng công cụ BI nội bộ và nhập câu hỏi tự nhiên: “Tổng sản lượng bột giấy quý 2 vùng phía Nam là bao nhiêu, và so với quý 1 thế nào?” ➝ Câu hỏi được gửi đến mô hình Gemini đã huấn luyện theo schema BigQuery của công ty. ➝ Mô hình chuyển đổi câu hỏi tự nhiên sang câu SQL chính xác. ➝ Truy vấn được chạy và kết quả được hiển thị, giảm thời gian tạo báo cáo.

Xây dựng nền tảng insight nông nghiệp bằng AI

• Thách thức kinh doanh: Bạn là công ty khoa học nông nghiệp. Thách thức là giúp nông dân chuyển từ phương pháp truyền thống sang phương pháp dựa trên dữ liệu để tăng năng suất và canh tác bền vững trong bối cảnh khí hậu biến đổi.
• Tech stack: BigQuery, Vertex AI, Google Earth Engine, cảm biến IoT.
• Blueprint: Dữ liệu từ cảm biến IoT tại trang trại, ảnh vệ tinh từ Earth Engine và dữ liệu thời tiết được tập trung vào BigQuery. ➝ Vertex AI phân tích bộ dữ liệu đa tầng này để tạo insight siêu cục bộ cho từng thửa ruộng. ➝ Nông dân nhận khuyến nghị, ví dụ: “Độ ẩm đất ở Khu B thấp hơn mức tối ưu 15%. Dựa trên dự báo 7 ngày, nên tưới 1 inch nước vào sáng mai để tối đa hóa năng suất.”

Tích hợp AI trên thiết bị để tăng hiệu quả cho nhân viên tuyến đầu

• Thách thức kinh doanh: Bạn sản xuất phần cứng chuyên dụng, như thiết bị cầm tay cho nhân viên bán lẻ. Bạn muốn tạo khác biệt bằng tính năng AI tích hợp giúp nhân viên quyết định nhanh hơn.
• Tech stack: On-device AI model (ví dụ Gemini Nano), Vertex AI, nền tảng quản lý thiết bị.
• Blueprint: Nhân viên bán lẻ quét kệ hàng bằng thiết bị. ➝ Mô hình thị giác trên thiết bị nhận dạng sản phẩm và đếm tồn kho. ➝ Thiết bị so sánh với dữ liệu tồn kho cửa hàng và xác định mặt hàng thiếu. ➝ Mô hình nhẹ trên thiết bị tạo cảnh báo, ví dụ: “Còn 2 đơn vị ‘Sản phẩm X’ trên kệ. Kho sau có 25. Đề xuất tạo nhiệm vụ bổ sung hàng.” ➝ Giúp nhân viên xử lý thiếu hàng ngay lập tức.

Dự báo cường độ CO₂ của lưới điện bằng AI

• Thách thức kinh doanh: Bạn là đơn vị truyền tải năng lượng cam kết bền vững. Thách thức là hiểu và dự báo cường độ carbon theo thời gian thực — điều cần thiết để tối ưu hóa nguồn tái tạo và giảm khí thải.
• Tech stack: Vertex AI, BigQuery, Cloud Run.
• Blueprint: Dữ liệu thời gian thực về sản lượng từ các nguồn năng lượng (mặt trời, gió, khí, than) được đưa vào BigQuery. ➝ Vertex AI dự báo cường độ CO₂ cho 24 giờ tiếp theo. ➝ Dịch vụ Cloud Run cung cấp API để truy cập dự báo. ➝ Nhà vận hành lưới có thể lên lịch các hoạt động công nghiệp vào thời điểm năng lượng tái tạo nhiều nhất.

Xác định và tận dụng công suất năng lượng chưa dùng hết

• Thách thức kinh doanh: Bạn là công ty dịch vụ năng lượng hướng tới sự ổn định lưới và công bằng xã hội. Thách thức là xác định các “túi công suất thừa” nhỏ lẻ trong hàng nghìn tòa nhà thương mại để tổng hợp lại phục vụ cộng đồng.
• Tech stack: Vertex AI, BigQuery, đồng hồ điện IoT.
• Blueprint: Dữ liệu từ đồng hồ điện IoT được đưa vào BigQuery. ➝ Vertex AI phân tích để tìm công suất sử dụng thấp, ví dụ tòa nhà văn phòng luôn dùng ít hơn 20% vào chiều thứ Sáu. ➝ Hệ thống tổng hợp các phần công suất thừa này. ➝ Nguồn năng lượng tổng hợp có thể bán cho công ty điện hoặc cung cấp dưới dạng tín chỉ cho hộ thu nhập thấp.

Tự động hóa onboarding khách hàng trong ngành năng lượng

• Thách thức kinh doanh: Bạn là công ty năng lượng, và quá trình đăng ký khách hàng mới là thủ công, cần xử lý hoá đơn cũ và ID cá nhân. Thách thức là tự động hóa để giảm gian lận và tăng trải nghiệm khách hàng.
• Tech stack: Document AI, Vertex AI, Cloud Run.
• Blueprint: Khách hàng tải lên ảnh hóa đơn điện cũ và bằng lái. ➝ File được gửi tới dịch vụ Cloud Run, dùng Document AI để trích xuất dữ liệu. ➝ Dịch vụ gọi Gemini Flash với prompt: “Tên và địa chỉ trên hóa đơn có khớp với bằng lái không?” ➝ Nếu trùng khớp, hệ thống tự tạo tài khoản khách hàng mới, hoàn thành onboarding trong vài giây.

 

Xây dựng một huấn luyện viên hội thoại cho thành công sinh viên

• Thách thức kinh doanh: Bạn là tổ chức phi lợi nhuận hoặc trường học hỗ trợ sinh viên thế hệ đầu tiên từ cộng đồng thiếu nguồn lực. Thách thức là cung cấp coaching cá nhân hoá, mở rộng quy mô, phù hợp với lịch sử và mục tiêu riêng của từng sinh viên mà không khiến họ cảm thấy bị so sánh.
• Tech stack: Vertex AI, BigQuery, ứng dụng di động dành cho sinh viên.
• Blueprint: Lịch sử học tập, mục tiêu và tương tác trước đây của sinh viên được lưu trong BigQuery. ➝ Khi sinh viên tương tác với AI coach, truy vấn của họ được gửi đến dịch vụ truy xuất ngữ cảnh cá nhân. ➝ Dữ liệu này và câu hỏi được gửi tới Gemini với prompt như: “Sinh viên này đang cảm thấy quá sức với môn hóa. Dựa trên mục tiêu trở thành y tá, hãy đưa ra phản hồi động viên và gợi ý 2 nguồn hỗ trợ trong trường.” ➝ AI phản hồi cá nhân hóa và đồng cảm, đóng vai trò như một mentor mở rộng quy mô.

Tạo trợ lý AI cho hỗ trợ pháp lý và nhập cư

• Thách thức kinh doanh: Bạn là tổ chức trợ giúp pháp lý phi lợi nhuận. Thách thức là khách hàng thường bị choáng ngợp trước các tài liệu pháp lý phức tạp và không biết bước tiếp theo, trong khi nhân viên không đủ thời gian để hướng dẫn từng người.
• Tech stack: Document AI, Vertex AI, Cloud Run.
• Blueprint: Người xin tị nạn dùng điện thoại chụp bức thư pháp lý họ nhận được. ➝ Ảnh được tải lên dịch vụ Cloud Run, gửi qua Document AI để trích toàn bộ văn bản và thực thể như ngày tháng, số hồ sơ. ➝ Văn bản được gửi đến mô hình Gemini tinh chỉnh với prompt: “Dựa trên thông báo pháp lý này, hãy giải thích nội dung theo cách đơn giản và liệt kê 3 bước quan trọng nhất mà người nhận cần làm.” ➝ Ứng dụng hiển thị giải thích đơn giản và hướng dẫn hành động.

Phát triển chatbot SMS cho đăng ký phúc lợi công

• Thách thức kinh doanh: Bạn là cơ quan chính phủ hoặc tổ chức phi lợi nhuận quản lý chương trình phúc lợi như SNAP. Thách thức là quy trình nộp đơn phức tạp, gây khó khăn cho người đủ điều kiện.
• Tech stack: Vertex AI, SMS API, cơ sở dữ liệu đánh giá đủ điều kiện.
• Blueprint: Người dân nhắn tin “FOOD” đến số được chỉ định. ➝ SMS API nhận tin và chuyển tới Vertex AI Conversation agent. ➝ Agent bắt đầu hội thoại, hỏi các câu đơn giản để xác định điều kiện (ví dụ: “Gia đình bạn có bao nhiêu người?”). ➝ Dựa trên câu trả lời, agent kiểm tra cơ sở dữ liệu điều kiện. ➝ Chatbot trả lời ngay: “Dựa trên câu trả lời của bạn, bạn có khả năng đủ điều kiện nhận SNAP. Bạn có muốn tôi giúp bạn bắt đầu đơn đăng ký không?”, rút quy trình nhiều ngày xuống vài phút.

Tạo quản lý hồ sơ số để hỗ trợ nhân viên xã hội

• Thách thức kinh doanh: Bạn là tổ chức phi lợi nhuận nơi nhân viên xã hội có khối lượng hồ sơ lớn. Thách thức là họ dành hàng chục giờ/tuần cho công việc hành chính như viết kế hoạch hành động và tóm tắt cuộc gặp.
• Tech stack: Vertex AI, hệ thống quản lý hồ sơ (ví dụ Salesforce), Cloud Functions.
• Blueprint: Nhân viên xã hội kết thúc buổi gặp với người được hỗ trợ. ➝ Ghi chú được lưu vào hệ thống quản lý hồ sơ, kích hoạt một Cloud Function. ➝ Function lấy ghi chú mới và toàn bộ lịch sử hồ sơ. ➝ Dữ liệu được gửi đến Gemini với prompt: “Dựa trên lịch sử và ghi chú buổi gặp hôm nay, hãy soạn bản kế hoạch hành động chi tiết cho 30 ngày tới.” ➝ Bản nháp được tự động thêm vào hồ sơ, sẵn sàng để nhân viên xem và phê duyệt, tiết kiệm hàng giờ viết tay.

Đẩy nhanh quá trình viết hồ sơ xin tài trợ cho tổ chức phi lợi nhuận

• Thách thức kinh doanh: Bạn là một tổ chức phi lợi nhuận phụ thuộc vào nguồn tài trợ để hoạt động. Thách thức của bạn là việc viết hồ sơ xin tài trợ là một quy trình tốn thời gian và lặp đi lặp lại, khiến đội ngũ nhỏ của bạn bị phân tâm khỏi sứ mệnh cốt lõi.
• Tech stack: Gemini for Google Workspace.
• Blueprint: Người viết hồ sơ mở một Google Doc sử dụng mẫu có sẵn cho đề xuất tài trợ mới. ➝ Mẫu này chứa các phần tiêu chuẩn như “Lịch sử tổ chức,” “Tuyên bố sứ mệnh,” và “Ngân sách chương trình.” ➝ Với những phần lặp lại, người viết dùng Gemini tích hợp sẵn với prompt như: “Viết đoạn tóm tắt 200 từ về sứ mệnh của tổ chức chúng tôi, dựa trên website và các đề xuất trước đây.” ➝ Gemini tạo ra văn bản, điền ngay lập tức những thông tin thường lệ. ➝ Điều này giúp người viết tập trung thời gian và sự sáng tạo cho những phần độc đáo và mang tính chiến lược của hồ sơ, qua đó rút ngắn thời gian viết.

Xây dựng nền tảng kết nối nhân tài với cơ hội việc làm

• Thách thức kinh doanh: Bạn là cơ quan chính phủ hoặc tổ chức phi lợi nhuận tập trung vào phát triển lực lượng lao động. Thách thức của bạn là kết nối ứng viên có năng lực — đặc biệt những người có nền tảng phi truyền thống — với các cơ hội việc làm trong khu vực tư nhân một cách hiệu quả và ở quy mô lớn.
• Tech stack: Vector Search, BigQuery, Cloud Run.
• Blueprint: Ứng viên và nhà tuyển dụng tạo hồ sơ trên nền tảng, và dữ liệu được lưu trong BigQuery. ➝ Kỹ năng ứng viên và yêu cầu công việc được chuyển thành vector embeddings và lập chỉ mục trong Vector Search. ➝ Khi có công việc mới được đăng, hệ thống sử dụng Vector Search để tìm các hồ sơ ứng viên có embedding tương tự nhất. ➝ Với mỗi gợi ý phù hợp, Gemini có thể tạo một đoạn giới thiệu cá nhân hóa, chẳng hạn: “Ứng viên này có vẻ phù hợp với vị trí 'Kỹ sư phần mềm' vì kinh nghiệm dự án ‘X’ phù hợp với nhu cầu ‘Y’ của bạn.”

Tăng cường minh bạch chính phủ bằng chatbot phục vụ người dân

• Thách thức kinh doanh: Bạn là chính quyền địa phương hoặc văn phòng quận/huyện. Thách thức của bạn là cung cấp cho người dân các câu trả lời nhanh chóng và chính xác, trong khi đội ngũ nhỏ dễ bị quá tải bởi cuộc gọi, và thông tin trên website khó tìm.
• Tech stack: Vertex AI Search, Cloud Run.
• Blueprint: Tất cả tài liệu công khai của quận/huyện, biên bản họp và các trang web được lập chỉ mục vào Vertex AI Search. ➝ Người dân truy cập website và hỏi chatbot: “Buổi họp thị trấn về công viên mới diễn ra khi nào?” ➝ Truy vấn được gửi đến một dịch vụ chạy trên Cloud Run, sau đó chuyển tiếp tới Vertex AI Search. ➝ Hệ thống tìm thông tin liên quan trong tập tài liệu đã lập chỉ mục và cung cấp câu trả lời trực tiếp kèm liên kết đến nguồn. ➝ Điều này giúp người dân tự tra cứu thông tin và giảm tải cho nhân viên chính quyền.

Sử dụng AI để cải thiện thu thuế và kiểm toán

• Thách thức kinh doanh: Bạn là văn phòng tài chính đô thị chịu trách nhiệm thu thuế. Thách thức của bạn là đảm bảo phân loại thuế trên hóa đơn là chính xác, bởi kiểm toán thủ công chỉ kiểm tra được một phần rất nhỏ, dẫn đến thất thu đáng kể do phân loại sai.
• Tech stack: Document AI, Vertex AI, BigQuery.
• Blueprint: Khi doanh nghiệp nộp hóa đơn, hóa đơn được xử lý tự động bằng Document AI để trích xuất mô tả dịch vụ và loại thuế khai báo. ➝ Dữ liệu được lưu vào BigQuery. ➝ Một mô hình phân loại của Vertex AI — được huấn luyện trên dữ liệu lịch sử gồm các phân loại đúng và sai — phân tích mô tả dịch vụ của hóa đơn mới. ➝ Nếu mô hình dự đoán một loại thuế khác với loại mà người nộp thuế đã khai (ví dụ: mô tả “tư vấn” được mô hình phân loại thành “phát triển phần mềm,” có mức thuế cao hơn), hóa đơn sẽ được gắn cờ để nhân viên kiểm tra, giúp tăng độ chính xác và hiệu quả thu thuế.

Phát hiện và chống tin giả ở quy mô lớn

• Thách thức kinh doanh: Bạn là tổ chức phi lợi nhuận chuyên kiểm chứng thông tin. Thách thức của bạn là khối lượng nội dung mới xuất bản mỗi giây quá lớn, khiến con người không thể theo dõi và xác định những phát ngôn cần được kiểm chứng khẩn cấp.
• Tech stack: Pub/Sub, Vertex AI, Cloud Functions.
• Blueprint: Dòng nội dung liên tục từ các trang tin và API mạng xã hội chảy vào Pub/Sub. ➝ Một Cloud Function được kích hoạt cho mỗi nội dung mới. ➝ Nội dung được gửi đến mô hình Gemini với prompt như: “Phân tích bài báo này. Xác định các tuyên bố có thể kiểm chứng và so sánh với cơ sở dữ liệu tin giả đã biết. Gắn cờ những tuyên bố mới, lan rộng nhanh hoặc có khả năng gây hại.” ➝ Hệ thống tự động lọc nhiễu và đưa ra danh sách ưu tiên các tuyên bố quan trọng để người kiểm chứng xử lý.

Đẩy nhanh khám phá các vật thể ẩn

• Thách thức kinh doanh: Bạn là viện nghiên cứu khoa học. Thách thức của bạn là tìm các vật thể “ẩn” như tiểu hành tinh trong tập dữ liệu thiên văn khổng lồ — nhiệm vụ như “tìm kim đáy bể” đối với con người.
• Tech stack: BigQuery, Vertex AI, Google Cloud Storage.
• Blueprint: Petabyte dữ liệu ảnh thiên văn từ các khảo sát kính thiên văn được lưu trong Google Cloud Storage và lập danh mục trong BigQuery. ➝ Một mô hình thị giác máy tính của Vertex AI được huấn luyện để nhận diện các dấu hiệu mờ nhạt của vật thể chuyển động giữa nền sao. ➝ Mô hình được chạy trên toàn bộ tập dữ liệu lịch sử, phân tích cả những ảnh đã được con người xem xét. ➝ AI gắn cờ các tiểu hành tinh tiềm năng mà phương pháp trước bỏ sót, sau đó trình cho nhà thiên văn xác minh, giúp tăng tốc độ khám phá đáng kể.

 

Xây dựng AI cá nhân học từ dữ liệu của chính bạn

• Thách thức kinh doanh: Bạn là công ty công nghệ muốn tạo một trợ lý AI cá nhân thực sự. Thách thức của bạn là vượt qua mô hình chung “một kích cỡ cho tất cả” để tạo một AI được huấn luyện hoàn toàn trên dữ liệu, thông tin và quan điểm của từng cá nhân — đảm bảo riêng tư và trải nghiệm được cá nhân hóa hoàn hảo.
• Tech stack: Vertex AI, Google Cloud Storage, Cloud Run.
• Blueprint: Người dùng tải dữ liệu cá nhân (tài liệu, email, ghi chú) lên một bucket Google Cloud Storage bảo mật. ➝ Một tác vụ fine-tuning được khởi chạy trên Vertex AI, huấn luyện mô hình Gemini nền tảng chỉ trên tập dữ liệu cá nhân này. ➝ Mô hình ngôn ngữ cá nhân hóa được triển khai đến một endpoint an toàn trên Cloud Run. ➝ Khi người dùng tương tác với AI cá nhân của họ, truy vấn chỉ được gửi đến mô hình tùy chỉnh của riêng họ, cho phép AI phản hồi theo phong cách, kiến thức và trí nhớ đặc trưng của từng người.

Tạo wizard lập kế hoạch tài chính dùng AI

• Thách thức kinh doanh: Bạn là công ty fintech cung cấp phần mềm lập kế hoạch tài chính cho startup. Thách thức của bạn là người dùng mới thường gặp khó khăn khi thiết lập ban đầu, vốn yêu cầu kết nối nhiều nguồn dữ liệu và xây dựng mô hình tài chính từ đầu.
• Tech stack: Vertex AI, BigQuery, kết nối API nguồn dữ liệu bên thứ ba.
• Blueprint: Người dùng mới đăng ký và cấp quyền truy cập dữ liệu tài chính của họ (ví dụ: phần mềm kế toán, tài khoản ngân hàng). ➝ Wizard AI đưa dữ liệu vào BigQuery. ➝ Wizard gửi dữ liệu hợp nhất tới Gemini với prompt: “Phân tích dữ liệu tài chính của công ty này. Xác định dòng doanh thu chính, trung tâm chi phí và mô hình tăng trưởng, sau đó tạo mô hình tài chính tiêu chuẩn ba báo cáo.” ➝ Gemini tạo mô hình nền tảng và hiển thị cho người dùng, biến quy trình thiết lập kéo dài nhiều giờ thành vài phút.

Phát triển sales co-pilot hỗ trợ người bán B2B

• Thách thức kinh doanh: Bạn là công ty công nghệ bán hàng B2B. Thách thức của bạn là giúp đại diện bán hàng điều hướng lượng lớn dữ liệu tổ chức để tìm insight phù hợp, trong khi quy trình này thường phải lọc thủ công qua CRM, hồ sơ giao dịch cũ và tài liệu sản phẩm.
• Tech stack: Vertex AI, BigQuery, tích hợp CRM.
• Blueprint: Tất cả dữ liệu bán hàng — bản ghi CRM, giao dịch trước đây, thông tin sản phẩm — được hợp nhất vào BigQuery và lập chỉ mục trong Vertex AI Search. ➝ Nhân viên bán hàng chuẩn bị gọi khách hàng và dùng co-pilot hỏi: “Tôi sắp gọi cho khách trong ngành sản xuất. Hãy đưa tôi các điểm nói chuyện quan trọng, case study liên quan và những phản đối tiềm năng.” ➝ Co-pilot dùng Vertex AI Search để tìm thông tin phù hợp nhất. ➝ Gemini tổng hợp thành bản tóm tắt gọn gàng, giúp cuộc gọi hiệu quả hơn.

Xây dựng AI agent để ghi âm và phân tích họp

• Thách thức kinh doanh: Bạn là công ty phần mềm cộng tác. Thông tin quan trọng được chia sẻ qua cuộc họp thoại và họp video thường bị mất hoặc cần nhiều giờ để ghi chép và tóm tắt cho người không tham dự.
• Tech stack: Speech-to-Text API, Vertex AI, Cloud Run functions.
• Blueprint: Người dùng kết nối AI agent với lịch của mình. ➝ Khi cuộc họp bắt đầu, agent tự động tham gia và ghi âm. ➝ Sau cuộc họp, Cloud Run function gửi file âm thanh đến Speech-to-Text API để chuyển toàn bộ thành văn bản. ➝ Bản dịch được gửi đến Gemini với prompt: “Tóm tắt cuộc họp này, xác định tất cả action item và gán đúng người phụ trách, liệt kê quyết định chính.” ➝ Bản tóm tắt và danh sách nhiệm vụ được gửi email cho tất cả người tham dự.

Tạo công cụ tìm kiếm tri thức doanh nghiệp

• Thách thức kinh doanh: Bạn là công ty có nhân viên sử dụng hàng chục ứng dụng khác nhau (Slack, Google Drive, Salesforce, Confluence). Thách thức của bạn là tri thức bị phân mảnh, khiến nhân viên khó tìm thông tin cần thiết để làm việc hiệu quả.
• Tech stack: Vertex AI Search, các connector ứng dụng doanh nghiệp.
• Blueprint: Các connector bảo mật được dùng để lập chỉ mục toàn bộ dữ liệu từ các ứng dụng workplace vào Vertex AI Search, tuân thủ phân quyền hiện có. ➝ Nhân viên dùng một thanh tìm kiếm duy nhất và hỏi: “Chiến lược marketing quý 3 của chúng ta cho sản phẩm mới là gì?” ➝ Vertex AI Search truy vấn qua tất cả nguồn dữ liệu — tìm tài liệu trong Google Drive, cuộc trò chuyện trong Slack và kết quả chiến dịch trong Salesforce. ➝ Hệ thống trả về câu trả lời tổng hợp, kèm liên kết nguồn.

Triển khai agent phân tích video cho mọi camera CCTV

• Thách thức kinh doanh: Bạn là doanh nghiệp có hàng trăm camera CCTV. Thách thức là lượng video khổng lồ này chỉ được xem sau khi sự cố xảy ra, không mang lại insight chủ động.
• Tech stack: Vertex AI, Cloud Storage, hệ thống cảnh báo di động.
• Blueprint: Video trực tiếp từ CCTV được stream lên Google Cloud Storage. ➝ Một mô hình Gemini đa phương thức đóng vai trò “video intelligence agent” liên tục giám sát. ➝ Agent nhận nhiệm vụ qua prompt, ví dụ: “Theo dõi cửa ra vào và gửi cảnh báo nếu có hơn 10 người xếp hàng quá 5 phút,” hoặc “Cảnh báo nếu ai đó vào kho sau 10 giờ tối.” ➝ Khi AI phát hiện sự kiện, hệ thống gửi cảnh báo thời gian thực kèm video đến thiết bị nhân viên.

Xây dựng AI agent để tự động hóa workflow B2B

• Thách thức kinh doanh: Bạn là công ty công nghệ B2B, nơi khách hàng thuộc các phòng ban khác nhau (sales, HR, finance) có workflow phức tạp và độc nhất — khó tự động hóa bằng phần mềm “một mẫu cho tất cả.”
• Tech stack: Vertex AI, các API bên thứ ba.
• Blueprint: Một nền tảng cung cấp framework để xây dựng AI agent chuyên biệt. ➝ Công ty có thể tạo “HR Onboarding Agent” và cung cấp quyền truy cập vào hệ thống HR. ➝ Khi nhân viên mới được tuyển, agent tự động thực hiện chuỗi tác vụ: tạo tài khoản, gán khóa học, lên lịch orientation. ➝ Agent dùng Gemini để điều phối các tác vụ bằng cách gọi API phù hợp cho từng hệ thống.

Chuyển đổi phản hồi khách hàng thành insight sản phẩm

• Thách thức kinh doanh: Bạn là công ty phát triển sản phẩm và cần hiểu cảm nhận khách hàng, nhưng phản hồi bị rải rác khắp ticket hỗ trợ, review app store và mạng xã hội. Việc phân tích thủ công văn bản phi cấu trúc là thách thức lớn.
• Tech stack: Vertex AI, BigQuery, công cụ ingestion dữ liệu (như Pub/Sub).
• Blueprint: Tất cả luồng phản hồi khách hàng được đưa vào BigQuery. ➝ Một tác vụ theo lịch gửi batch phản hồi mới đến Gemini. ➝ Model nhận prompt như: “Phân tích phản hồi này. Phân loại theo chủ đề (‘UI/UX’, ‘Giá’, ‘Báo lỗi’), xác định sentiment và trích xuất yêu cầu tính năng.” ➝ Dữ liệu cấu trúc được ghi lại vào BigQuery. ➝ Product manager xem dashboard xu hướng như: “Tuần này phản hồi tiêu cực về ‘vấn đề đăng nhập’ tăng 30%.”

Tự động hóa quy trình sáng tạo trong chiến dịch marketing

• Thách thức kinh doanh: Bạn là nền tảng marketing số và khách hàng cần tạo số lượng lớn quảng cáo cho nhiều sản phẩm và kênh khác nhau. Thách thức của bạn là tự động hóa quy trình sáng tạo để họ triển khai chiến dịch mà không cần đội ngũ thiết kế lớn.
• Tech stack: Vertex AI, Text-to-Speech API, Cloud Run.
• Blueprint: Người dùng cung cấp vài thông tin chính về sản phẩm và đối tượng mục tiêu. ➝ Thông tin này được gửi đến một dịch vụ trên Cloud Run, dịch vụ tạo prompt cho Gemini như: “Tạo ba tiêu đề quảng cáo và kịch bản cho video 15 giây quảng bá giày chạy bộ dành cho người chạy marathon.” ➝ Gemini tạo văn bản. ➝ Dịch vụ gửi kịch bản sang Text-to-Speech API để tạo voiceover. ➝ Văn bản + voiceover được ghép với ảnh sản phẩm theo template, tự động tạo nhiều phiên bản quảng cáo sẵn sàng triển khai.

Cung cấp nền tảng giám sát AI cho việc đánh giá LLM

• Thách thức kinh doanh: Bạn là doanh nghiệp triển khai nhiều ứng dụng AI nhưng thiếu công cụ để giám sát, khắc phục sự cố và đánh giá hiệu suất khi đưa vào vận hành. Thách thức là đảm bảo hệ thống AI chính xác, an toàn và hiệu quả khi chạy thực tế.
• Tech stack: Google Kubernetes Engine (GKE), BigQuery, Vertex AI.
• Blueprint: Ứng dụng AI của doanh nghiệp gửi input, output và dữ liệu telemetry mô hình vào nền tảng giám sát chạy trên GKE. ➝ Dữ liệu được xử lý và lưu vào BigQuery để phân tích quy mô lớn. ➝ Nền tảng sử dụng model Vertex AI để tự động phát hiện các vấn đề như “model drift” hoặc “hallucinations.” ➝ Khi phát hiện sự cố, nền tảng gửi cảnh báo qua dashboard để đội kỹ thuật chẩn đoán và sửa nhanh lỗi trong hệ thống AI sản xuất.