Meta đã giới thiệu Muse Glimmer, mô hình open-weight 30 tỷ tham số được chưng cất từ Muse Spark và hướng đến quy trình AI tác tử chạy trên thiết bị. Thông tin ban đầu đáng chú ý, nhưng chưa đủ để kết luận về hiệu năng, yêu cầu phần cứng hay mức độ sẵn sàng cho production.

Google Cloud đặt vấn đề tối ưu chi phí khi đưa tác vụ GenAI vào pipeline dữ liệu trên Dataflow. Với đội ngũ kỹ thuật, điểm quan trọng không chỉ là gọi mô hình thành công mà còn là kiểm soát dữ liệu đầu vào, số lần suy luận, lỗi thử lại và khả năng quan sát toàn workflow.

Databricks nêu các use case AI_Functions trong data warehouse, trong khi AWS trình bày workflow không cần code cho dự đoán và BI. Hai hướng cho thấy đội ngũ có thể bắt đầu AI gần dữ liệu, nhưng cần phân biệt tác vụ AI trong SQL với vòng đời mô hình dự đoán.

Chuỗi workflow no-code của AWS giảm code ở khâu chuẩn bị và huấn luyện, nhưng các quyết định về dữ liệu, nhãn và triển khai vẫn cần được kiểm soát. Cách tiếp cận đúng là coi công cụ trực quan như một lớp vận hành có thể kiểm toán.

Workflow của AWS kết nối dữ liệu Snowflake, chuẩn bị trực quan, huấn luyện mô hình và đưa dự đoán vào dashboard. Đây là một mẫu thử thực tế cho đội ngũ muốn rút ngắn đường đi từ dữ liệu vận hành đến quyết định.

Databricks đưa độ tươi dưới một giây của Feature Store vào trọng tâm của serving feature. Điều này nhắc các đội ngũ rằng workflow ít code chỉ hữu ích khi feature lúc suy luận vẫn phù hợp với thực tế vận hành.

AWS kết hợp dự đoán từ SageMaker Canvas với dashboard Quick Sight, câu hỏi ngôn ngữ tự nhiên và executive summary do AI tạo. Giá trị là giảm khoảng cách giữa output mô hình và người cần dùng nó, không phải thay thế phân tích.

Databricks nói về thiết kế Genie Agents từ một prompt, nhưng prompt chỉ nên là điểm xuất phát cho một hệ thống có phạm vi, công cụ và đánh giá rõ ràng. Với developer, phần khó là biến ý định ngôn ngữ tự nhiên thành hành vi vận hành có thể kiểm soát.

AWS giới thiệu ADOP, một kiến trúc tham chiếu dùng các agent chuyên biệt trên Amazon Bedrock cho vòng đời pipeline Bronze-to-Silver-to-Gold. Tín hiệu quan trọng không chỉ là tốc độ onboarding, mà là cách đưa governance và compliance vào ngay trong luồng tự động hóa.

Databricks đưa complex document extraction vào trọng tâm Document Intelligence. Với doanh nghiệp, đây là cơ hội kết nối tài liệu phi cấu trúc với workflow có kiểm soát thay vì tự động hóa không có ranh giới.

Databricks đặt câu hỏi về control plane for context trong governance của retail. Khi agent dùng dữ liệu để suy luận và hành động, governance phải quản lý không chỉ quyền truy cập mà cả context được tập hợp, thời điểm dùng và cách nó ảnh hưởng quyết định.

Databricks nêu chủ đề kết nối demand planning với campaign và store execution. Đây là góc nhìn quan trọng: dự báo không tạo giá trị đầy đủ nếu không được chuyển thành hành động có chủ sở hữu và vòng phản hồi.