Czy warto inwestować w AI? Na początek warto zadać sobie sporo pytań, dotyczących przydatności nowych narzędzi dla naszego biznesu. Ten artykuł powinien w tym pomóc. Przedstawię w nim, dlaczego inwestowanie w sztuczną inteligencję w firmie nie zawsze jest tym adekwatnym kierunkiem i co należy zrobić, by jak najlepiej przygotować organizację na projekty z zakresu AI, jeżeli już zdecydujemy się iść w tym kierunku.
Czytasz pierwszą część cyklu artykułów, w których opiszę sprawy wdrożenia AI w firmie. Jak przedsiębiorstwo powinno przygotować się do takiego procesu, co warto wziąć pod uwagę przy realizacji projektu i kto powinien brać udział w całej operacji.
Kiedy w listopadzie 2022 r. świat obiegła wiadomość o powstaniu chatbota, który miał się opierać na modelu językowym GPT, większość ekspertów, właścicieli i pracowników nowych sektorów gospodarki gwałtownie zdała sobie sprawę, iż tego typu rozwiązania mogą stać się przełomowym momentem w rozwoju wielu biznesów. Chodzi głównie o automatyzację zachodzących w firmie procesów. Stąd idea, żeby jak najszybciej zainwestować w AI, by uzyskać przewagę konkurencyjną.
Inwestowanie wiąże się z ryzykiem
Wielu właścicieli firm wyciągnęło nieunikniony biznesowy wniosek z debiutu ChatGPT. Jaki? Skoro posiadają duże zbiory danych, a modele typu LLM (ang. Large Language Model), do których zalicza się GPT, stały się ogólnodostępne, to mogą bez większych przeszkód wytrenować sieci neuronowe na swoich danych i tym samym zbudować narzędzie pozwalające na automatyzację procesów zachodzących w przedsiębiorstwie.
Problem w tym, iż obszar sztucznej inteligencji i uczenia maszynowego to wciąż domena badawczo-rozwojowa. Oznacza to, iż ostateczny wynik realizowanych działań może być niewystarczający, by możliwe było jego wdrożenie w rzeczywistym środowisku biznesowym.
Większość ludzi traktuje zbudowanie rozwiązania AI/ML jako kolejny projekt wytwarzania oprogramowania, podczas gdy proces ten jest mniej oczywisty, bo bazuje na kalibracji modeli statystycznych w oparciu o dane.
Co może tu pójść nie tak? Wszystko!
- Dane mogą być zbyt jednorodne, przez co model nie nauczy się obsługi sytuacji mniej szablonowych czy anomalii.
- Danych może być zbyt mało, by model uzyskał wystarczającą zdolność do generalizacji.
- Dane mogą być słabo ustrukturyzowane i niskiej jakości, przez co model będzie miał również niskojakościowe reguły wnioskowania.
A to tylko kilka problemów związanych z samymi danymi. Później pozostało wybór odpowiedniego modelu, adekwatnej miary do oceny jego skuteczności oraz wypracowanie równowagi między założeniami biznesowymi, wydajnościowymi a tymi modelowymi. To prowadzi nas do kolejnej kwestii…
Inwestowanie wiąże się z kosztami
Sama dystrybucja modelu i jego użycie to sprawa stosunkowo prosta. Jednak proces trenowania modelu i przygotowania danych jako wejścia do niego to już element wysoce kosztochłonny. Musimy bowiem:
- Zrozumieć dane będące wejściem do modelu;
- Oczyścić je ze zbędnego szumu informacyjnego, by zwiększyć jakość modelu;
- Zaangażować dużą moc obliczeniową do realizacji procesu uczenia.
Wszystkie te kroki wymagają inwestycji finansowych: na wykupienie odpowiednio szybkich serwerów, a także na zatrudnienie analityków wyciągających wnioski z danych i rozumiejących proces tworzenia i dystrybucji modeli AI/ML. Przy dużych zbiorach danych tego typu inwestycja może iść choćby w dziesiątki tysięcy złotych! Czy jesteś gotowy/a na taki koszt?
Przeczytaj: Czy Twoja firma potrzebuje data scientista? najważniejsze aspekty decyzji
“Puść tę mysz!”
Kiedy uczęszczałem do liceum na lekcje informatyki, mój nauczyciel – zanim powiedział nam, co będzie celem nadchodzącej lekcji – zawsze krzyczał “Puść tę mysz!” i czekał, aż wszyscy odsuną się od komputera i zaczną go słuchać. Twierdził, iż tylko wtedy ma pewność, iż zastanawiamy się nad problemem do rozwiązania, zamiast bezmyślnie stukać w klawiaturę i klikać myszą po ekranie po usłyszeniu, jaki jest pierwszy krok do wykonania.
Z realizacją każdego projektu – również AI – jest podobnie. Zastanów się, po co chcesz wdrożyć rozwiązania sztucznej inteligencji w swojej organizacji?
- Chcesz przyspieszyć realizację działań w firmie?
- Chcesz zrozumieć, jak działają Twoi klienci?
- A może chcesz być rozpoznawany na rynku jako firma zorientowana na nowe technologie?
Zapewniam Cię, iż w większości przypadków problem, który chcesz rozwiązać, nie wymaga skorzystania z rozwiązań AI!
Przyspieszyć działania w firmie możesz, budując jasne procesy, zrozumiałe dla całej organizacji, które pozwalają na standaryzację pewnych czynności i ich automatyzację – niekoniecznie przez AI.
Żeby zrozumieć, jak działają Twoi klienci, wystarczy przeanalizować dane, które w tej chwili posiadasz. Mogą w tym pomóc dashboardy analityczne zbudowane w takich narzędziach jak Looker Studio czy Microsoft PowerBI. Część z tych rozwiązań jest dostępna za darmo, a jedyny koszt, jaki możesz ponieść, to wynajęcie analityka na kilka godzin, by zbudował dashboard na bazie obecnych danych.
Rozpoznawalność na rynku i zorientowanie na nowe technologie? Twoi klienci szukają rozwiązania na ich problemy, nie nowinek technicznych. jeżeli będziesz w stanie zdiagnozować bolączki klientów i im pomóc, stosując ołówek i kartkę papieru, to docenią to dużo bardziej niż skomplikowane nowości technologiczne, których w większości nie rozumieją. Zgodnie z raportami dostępnymi w internecie wciąż 30% zinformatyzowanej części naszego społeczeństwa nie wie nic o rozwiązaniach AI.
Dla kogo w takim razie jest AI?
Wbrew pozorom cały ten wywód nie został przygotowany po to, by zniechęcić Cię do realizowania projektów związanych ze sztuczną inteligencją. Sam przeprowadziłem kilka tego typu przedsięwzięć i sprawdziły się one bardzo dobrze w środowisku biznesowym naszych klientów. Chodziło mi bardziej o to, żeby zrozumieć, z jak skomplikowanym projektem mamy do czynienia i iż wiele problemów, które rozwiązuje AI, można rozwiązać poprzez zastosowanie innych, nierzadko tańszych i lepszych narzędzi.
Kiedy wobec tego zainwestowałbym w AI w swojej firmie?
- Jeśli organizacja jest nauczona wyciągać wnioski na bazie danych. Tylko biznesy podejmujące decyzje na podstawie danych są w stanie odpowiednio interpretować wyniki uzyskiwane z modelu sztucznej inteligencji.
- Jeśli posiadamy dane dobrej jakości bądź jesteśmy w stanie zainwestować czas i pieniądze na ich przygotowanie lub pozyskanie. Niskojakościowe dane sprawią, iż powstaną modele wyciągające wnioski na bazie szumu informacyjnego. Sami jako ludzie wiemy, jakie decyzje podejmujemy w warunkach dużej niepewności. Ten sam problem ma model AI, gdy dane nie są odpowiednio przygotowane.
- Jeśli organizacja posiada już dashboardy analityczne do podejmowania decyzji biznesowych. Oznacza to bowiem, iż ktoś wcześniej musiał obrobić dane jako wsad do raportów analitycznych. Dodatkowo obecne decyzje były już podejmowane na podstawie danych, więc to podejście jest już znane i akceptowane w organizacji.
Podejmując decyzję o inwestowaniu w AI w swojej firmie, musisz pamiętać, iż dobrym pomysłem może być zaangażowanie konsultanta specjalizującego się w tym obszarze. Choćby na kilka godzin. Taka osoba pomoże ocenić zasadność planowanej inwestycji, jak również podpowie, jak powinien wyglądać proces wdrażania takiej zmiany w organizacji.
A jak takie wdrożenie przeprowadzić? Co warto wziąć pod uwagę przy jego realizacji? Kto powinien brać udział w realizacji projektu, który opiera się na sztucznej inteligencji? To tematy, z którymi zapoznasz się w kolejnych artykułach tego cyklu.
Czytaj też: Polskie firmy nie spieszą się z adaptacją GenAI, Czy polski model PLLuM to zmieni?
Źródło zdjęcia: Markus Spiske/Unsplash
