W dzisiejszym świecie AI odgrywa coraz bardziej kluczową rolę w transformacji biznesu i przemysłu. IBM, jako pionier w tej dziedzinie, od lat wyznacza standardy w implementacji zaawansowanych technologii AI. W naszym wywiadzie z Marcinem Gajdzińskim, Dyrektorem generalnym, IBM Polska i kraje bałtyckie oraz Arturem Wrońskim, AI Technology Advocacy Lead, IBM Polska, zgłębimy początki i ewolucję ich flagowego produktu Watson, który zadebiutował w 2011 roku oraz poznamy najnowsze kierunki, w jakich rozwija się AI w IBM.
Bartosz Martyka, Brandsit: IBM jest liderem lub raczej pionierem w dziedzinie AI. Jakie były początki wdrożenia technologii AI przez IBM, szczególnie na przykładzie Watsona?
Artur Wroński, IBM: Watson, znany od 2011 roku, zadebiutował podczas teleturnieju telewizyjnego, który w Polsce jest znany jako “Va banque”. W tym programie, IBM zaprezentowało swoje rozwiązanie, rywalizując z najlepszymi uczestnikami w historii tego show. Już ponad dekadę temu Watson udowodnił, iż może odpowiadać lepiej niż najlepsi gracze. To stanowiło początek dla marki i linii produktów Watsona. Jednak technologia AI była rozwijana przez IBM znacznie wcześniej. Analiza danych zawsze była powiązana z algorytmami uczenia maszynowego, a produkty takie jak SPSS Statistics czy SPSS Modeler to przykłady rozwiązań, które są rozwijane od ponad 30 lat.
Bartosz Martyka, Brandsit: Jak wyglądała ta ewolucja?
Artur Wroński, IBM: Warto na początku wspomnieć o kilku wydarzeniach związanych z Watsonem, które zyskały szeroki rozgłos. Na przykład pojedynek szachowy “Deep Blue” z Kasparowem czy wspomniane już zwycięstwo Watsona w teleturnieju “Jeopardy!” nad najlepszymi graczami. Później, w 2018 roku, mieliśmy okazję obserwować debatę naszej sztucznej inteligencji z zawodowym mówcą. Było to fascynujące, ponieważ nasz algorytm nie tylko generował odpowiedzi, ale również analizował i kontrował argumenty przeciwnika.
Obecnie koncentrujemy się na tworzeniu narzędzi biznesowych, które nie są bezpośrednio skierowane do końcowych użytkowników, takich jak ChatGPT. Nasza platforma sztucznej inteligencji Watsonx umożliwia dużym firmom rozwijanie własnych rozwiązań AI. IBM pełni rolę zarówno konsumenta, jak i dostawcy technologii AI, co jest widoczne w naszych wewnętrznych systemach obsługi klienta i sprzedaży, gdzie AI odgrywa kluczową rolę.
IBM pełni rolę zarówno konsumenta, jak i dostawcy technologii AI.
Artur WrońskiMarcin Gajdziński, IBM: Chociaż powszechne zainteresowanie sztuczną inteligencją wywołane działaniami wokół ChatGPT i OpenAI zaczęło narastać po 2022 roku, nasze doświadczenia sięgają dalej. Z naszego bogatego doświadczenia i silnej pozycji rynkowej wynika nasze zaangażowanie w dostarczanie rozwiązań biznesowych, szczególnie dla przedsiębiorstw klasy „enterprise” i sektora publicznego. Oferujemy szeroki zestaw narzędzi, które są dostosowywane z uwzględnieniem regulacji i rygorów, którym muszą sprostać nasi klienci. Nasza oferta różni się od popularnych rozwiązań generatywnej AI, koncentrując się na szczególnych potrzebach naszych klientów.
Bartosz Martyka, Brandsit: Jakie są zatem najważniejsze zastosowania sztucznej inteligencji w biznesie według IBM?
Marcin Gajdziński, IBM: Sztuczna inteligencja oferuje szeroki wachlarz możliwości, a głównym ograniczeniem w jej zastosowaniach są wyobraźnia oraz lokalne regulacje prawne dotyczące technologii AI, szczególnie w specyficznych sektorach, takich jak bankowość i ubezpieczenia, ale nie tylko. Przejdźmy jednak do konkretnych przykładów, wynikających z globalnego zainteresowania AI generatywną. Do takich należą chatboty, audio boty ulepszające komunikację, systemy do obsługi dużej ilości dokumentów, indeksowania oraz przeszukiwania pod kątem tworzenia podsumowań, streszczeń czy zaawansowanej analizy treści dużych zbiorów danych.
Mniej oczywiste zastosowania obejmują prace z dużymi modelami językowymi, takimi jak analiza danych geograficznych, pogodowych, trendów rynkowych oraz zdarzeń w cyberbezpieczeństwie, a także zaawansowane modele do analizy molekuł i związków chemicznych.
Sztuczna inteligencja oferuje szeroki wachlarz możliwości, a głównym ograniczeniem w jej zastosowaniach są wyobraźnia oraz lokalne regulacje prawne dotyczące technologii AI.
Marcin GajdzińskiCenię sobie również liczne pomysły płynące od przedsiębiorców oraz polskich uczelni. Interesujące jest, iż wiele z tych innowacji generowanych jest przez dziedziny takie jak środowisko, biologia czy chemia, a nie tylko przez tradycyjnie związane z AI dyscypliny, jak informatyka czy fizyka. W IBM współpracujemy z każdym wydziałem i uczelnią na zasadach indywidualnych.
W naszej codziennej działalności stosujemy liczne modele AI. Jako globalna organizacja, eksperymentujemy z różnorodnymi modelami, na przykład używając inteligentnego interfejsu do komunikacji z systemami HR. To rozwiązanie umożliwia prowadzenie rozmów w naturalnym języku i automatyzację procesów biznesowych.
Nasze eksperymenty zawsze mają na celu zwiększenie efektywności pracy, a nie jej eliminację. Jest to również istotny aspekt naszej dalszej dyskusji, dotyczący społecznych wymiarów AI.
Artur Wroński, IBM: Chciałbym rozszerzyć wypowiedź Marcina o kilka przykładów zastosowań, które dotyczą głównie przetwarzania dużej ilości dokumentów. Na przykład, nasz klient, ABP Patent Network, specjalizuje się w zarządzaniu dokumentacją patentową. Nasze rozwiązanie, IBM watsonx, zainstalowane lokalnie, znacząco poprawia produktywność. Przetwarzanie olbrzymiej liczby dokumentów jest dla człowieka zadaniem żmudnym, szczególnie gdy chodzi o ekstrakcję danych. Ponadto, nasze rozwiązanie umożliwia wykonanie zadań, które wcześniej były niemożliwe z powodu złożoności procesów.
Naszym wyróżnikiem jest możliwość budowy całego środowiska w lokalnej serwerowni, co zwiększa bezpieczeństwo. Dla klienta najważniejsze jest zapewnienie poufności przetwarzanych danych oraz dostępu do wniosków. Jest to przykład charakterystyczny, ale przetwarzanie tekstu stanowi podstawę. Istotne jest, jak i w jakim zakresie można to zrobić.
Marcin zwrócił uwagę, iż generatywna sztuczna inteligencja otwiera ogromne możliwości, które my staramy się wykorzystywać. Jako producent szerokiej gamy modeli językowych i specjalistycznych w różnych dziedzinach, przykładowo współpracujemy z NASA nad modelem geoprzestrzennym, który służy do analizy terenów i oceny wpływu katastrof naturalnych na ich degradację. Nasze prace wspierają także badania nad potencjalnym ryzykiem przy budowie infrastruktury.
Dodatkowo rozwijamy inne modele, takie jak IBM/ MoLFormer-XL, ułatwiający zrozumienie struktury cząsteczek, co może pomóc w przewidywaniu ich wpływu na projektowanie reakcji na leki czy adekwatności produktów farmaceutycznych.
Podsumowując, różnorodność modeli jest kluczowa. Dlatego nie tylko sami tworzymy modele, ale także otwieramy się na współpracę zewnętrzną, oferując platformy do ich integracji. Chodzi tu głównie o repozytorium Hugging Face, które może być wykorzystane przez klientów. Jednak warto podkreślić, iż modele tworzone przez zewnętrzne społeczności wymagają narzędzi kontroli ich zachowania, co jest dla nas priorytetem w zapewnianiu bezpieczeństwa.
Bartosz Martyka, Brandsit: Zastanawiam się nad przyszłością dostępności sztucznej inteligencji. Wiemy, iż duże korporacje i instytucje publiczne mają dostęp do specjalistów, którzy mogą dostosować AI do swoich potrzeb. Tymczasem mniejsze firmy, które również chciałyby korzystać z AI, mierzą się z ograniczeniami zasobów. Jak mogą one nawiązać współpracę z IBM, aby zacząć korzystać z AI?
Artur Wroński, IBM: jeżeli przyjrzeć się generatywnej sztucznej inteligencji, jej główną zaletą jest łatwa dostępność. Jako użytkownik, mogę dziś korzystać z chatbota i mieć dostęp do skoncentrowanej wiedzy, bez konieczności posiadania specjalistycznych kompetencji. To samo dotyczy modeli bazowych. Oznacza to, iż mniejsze firmy mogą korzystać z gotowych modeli, które inni już stworzyli. Tworzenie własnych modeli jest czasochłonne i kosztowne, natomiast korzystanie z gotowych modeli jest znacznie tańsze. o ile mniejsze firmy mogą skorzystać z tych modeli, na przykład w chmurze, kiedy priorytetem jest szybkie uruchomienie z minimalnymi kosztami inicjalnymi, to staje się to dla nich atrakcyjne rozwiązanie. To jest właśnie filozofia i idea stojąca za modelami bazowymi, która jest szczególnie dedykowana mniejszym firmom, które nie chcą tworzyć modeli od zera.
Marcin Gajdziński, IBM: Chciałbym zacząć od aspektu wsparcia, który jest szczególnie istotny. Dostępność modeli AI oraz ich łatwość użycia są bardzo atrakcyjne i przyciągają uwagę. Z naszej perspektywy, wszystkie firmy — niezależnie od tego, czy są to małe, średnie czy duże przedsiębiorstwa — podlegają tym samym regulacjom i zasadom. Dlatego podchodzimy z jednakową uwagą do każdego klienta, bez względu na skalę czy wielkość jego operacji. Wsparcie jest krytyczne, ponieważ samo pobranie modelu to dopiero pierwszy krok. Uruchomienie, wdrożenie i nadzór modelu w ramach organizacji, a także określenie zakresu danych, to zadania bardziej skomplikowane, zwłaszcza jeżeli chcemy działać etycznie i zgodnie z regulacjami. IBM jest prawdopodobnie jedyną firmą, która również w Polsce, oferuje wsparcie na trzech różnych poziomach.
Zainwestowaliśmy ogromne zasoby ludzkie w nasze usługi, w tym w krakowskim Labie IBM, który jest jednym z nielicznych ośrodków w Polsce zajmujących się rozwojem produktów AI. Nasz zespół jest duży i ciągle go wzmacniamy, oferując zaawansowane wsparcie techniczne i laboratoryjne. Na poziomie krajowym mamy zespoły znane jako Client Engineering. To zespół techniczny, który angażujemy do wsparcia i nadzoru nad projektami AI, niezależnie od wielkości przedsięwzięcia klienta. Dysponujemy również bogatym zestawem autoryzowanych firm partnerskich, które oferują swoje rozwiązania, zwłaszcza dla przedsiębiorstw z określonych sektorów. Te firmy mają przygotowane ‘starter packi’, które obejmują wybrane modele i niezbędną infrastrukturę software’ową, aby umożliwić pełne wdrożenie modelu w procesy biznesowe charakterystyczne dla danego sektora. Ta szeroka sieć partnerska stanowi naszą trzecią linię wsparcia, którą intensywnie wzmacniamy.
Bartosz Martyka, Brandsit: Jakie sektory gospodarki osiągną największe wzrosty dzięki sztucznej inteligencji? Chociaż mówi się, iż AI jest narzędziem uniwersalnym, interesuje mnie, które sektory mają największy potencjał do szybkiego rozwoju dzięki tej technologii.
Artur Wroński, IBM: To pytanie jest dość złożone, ponieważ tempo rozwoju zależy od stopnia zaawansowania firm w wykorzystaniu AI. Są firmy, dla których AI jest kluczowym elementem strategii, decydującym o ich sukcesie lub porażce. Dla nich stanowi fundament konkurencyjnego rozwoju. Istnieją także organizacje, które dopiero rozpoczynają eksplorowanie możliwości AI, szukając odpowiednich rozwiązań i czerpiąc inspirację z działań innych. Warto różnicować między organizacjami sektora regulowanego a nieregulowanego. W sektorze nieregulowanym AI już mocno się zakorzeniła, a dyskusje skupiają się na tym, jakie jeszcze korzyści mogą przynieść algorytmy uczenia maszynowego. Natomiast w sektorach regulowanych, takich jak finanse czy administracja publiczna, widzę duży potencjał do rozwoju. Oczywiście, muszą być spełnione określone warunki, takie jak zapewnienie bezpieczeństwa i budowanie zaufania do systemów AI. Wyzwaniem jest to, iż AI zastępuje zadania wykonywane dotychczas przez ludzi, do których mamy zaufanie, ponieważ możemy ich kształcić i wpływać na nich poprzez systemy wartości. Proces budowania zaufania do AI jest bardziej wymagający, ponieważ musimy zwracać uwagę nie tylko na algorytmy, ale i na dane, które są wykorzystywane. To najważniejszy element budowania zaufania do technologii. Istotne jest także, aby rozwój AI odbywał się zgodnie z zewnętrznymi normami prawnymi, takimi jak Europejski Akt o AI, co stanowi pewne ograniczenie, ale jednocześnie normuje rozwój AI.
Istotne jest, aby rozwój AI odbywał się zgodnie z zewnętrznymi normami prawnymi. To ogranicza, ale jednocześnie normuje rozwój AI.
Artur WrońskiBartosz Martyka, Brandsit: Co Panowie sądzą o tym, iż wykorzystanie sztucznej inteligencji do operacji na danych jest powszechnie akceptowane, ale gdy przekracza ona granice twórczości, pojawiają się obawy o to, iż wymyka się ona spod kontroli?
Artur Wroński, IBM: Określenie “wymyka się spod kontroli” może być trudne do zdefiniowania. W kontekście uczenia maszynowego i sztucznej inteligencji rozumiemy, iż te technologie działają autonomicznie, bazując na istniejących wzorcach danych. choćby gdy generują nowe treści, są ograniczone przez te wzorce. Zatem najważniejsze jest pytanie o zakres wykorzystania tych technologii. Na przykład, w bezpiecznych zastosowaniach, takich jak podsumowywanie tekstu czy analiza dokumentów prawnych, ryzyko jest minimalne. Jednak w obszarach, gdzie wyniki ich działania mogą być ryzykowne, potrzebna jest zwiększona ostrożność i lepsze stosowanie narzędzi kontrolnych. Jest to więc kwestia specyficznego przypadku użycia, a nie samej natury sztucznej inteligencji.
Marcin Gajdziński, IBM: W kontekście biznesowym, zarówno w sektorze przedsiębiorstw, jak i publicznym, kreacjonizm w AI, o którym Pan wspomniał, może być ryzykowny. Wprowadza to niepewność i pytania dotyczące wyjaśnialności proponowanych rozwiązań przez AI. Jako dostawcy i partnerzy naszych klientów, mamy obowiązek zapewnić, by tworzenie rozwiązań było ograniczone regułami biznesu, oparte na solidnych danych, zawsze przejrzyste, wolne od stronniczości i błędów.
Nie powinniśmy dopuszczać do sytuacji, w której AI kierowałoby biznesem w niebezpiecznym kierunku, bez względu na jego wielkość. Pomijając choćby kwestie regulacyjne, które zobowiązują niektóre podmioty do przestrzegania określonych zasad, ważne jest, abyśmy nie stworzyli sobie problemów przez nadmierne korzystanie z tych technologii. Mamy cywilizacyjną szansę, którą możemy skutecznie wykorzystać dzięki odpowiednim ludziom, odpowiedzialnym partnerom i narzędziom.
Nie powinniśmy dopuszczać do sytuacji, w której AI kierowałoby biznesem w niebezpiecznym kierunku.
Marcin GajdzińskiTo jest kluczowe, i odnosząc się do Pańskiego poprzedniego pytania o zwrot z inwestycji i wdrażanie tych rozwiązań AI w różnych branżach, początkowo można spodziewać się, iż u większości klientów AI przyniesie efekt jakościowy, taki jak poprawa komunikacji z klientami przez lepsze dostosowanie oferty i zarządzanie dużymi ilościami informacji.
Taki efekt jakościowy to pierwszy rezultat, którego można się spodziewać. Równolegle, optymalizacja kosztowa będzie przyspieszać adopcję tych rozwiązań w biznesie, co w niektórych przypadkach oznacza możliwość wykonywania czynności, które byłyby niemożliwe z powodu braku zasobów. AI może zastąpić brakujące kadry, co oznacza lepszą obsługę, rozwiązanie pewnych problemów i obniżkę kosztów. Ostatecznie, te działania kosztowe umożliwiają optymalizację wydatków na nowe zakupy w różnych dziedzinach, co ułatwia precyzyjne określenie struktury kosztów projektu, co z kolei pomaga w podejmowaniu decyzji o inwestycjach i kosztach.
Bartosz Martyka, Brandsit: Jestem bardzo ciekaw, jak Panowie, z perspektywy swoich doświadczeń, oceniają kwestię otwartości biznesu na sztuczną inteligencję?
Marcin Gajdziński, IBM: w tej chwili sztuczna inteligencja jest chętnie wykorzystywana jako narzędzie do autopromocji. Stało się popularne i modne włączanie elementów AI do strategii firm, co jest pewnego rodzaju działaniem marketingowym. Mamy w Polsce bogate doświadczenia związane z implementacją AI w biznesie, co jest optymistycznym sygnałem. Bardzo cieszy mnie również poważne zainteresowanie polskiego rządu regulacją kwestii AI i tworzeniem narodowej strategii, gdzie słowo “narodowe” ma wyłącznie pozytywne konotacje.
W polskim sektorze publicznym i biznesowym obserwujemy intensywne zaangażowanie w projekty związane z AI. Pomimo, iż kulturowa ostrożność moderuje nasze podejście i nie obserwujemy dużego zachwytu, charakterystycznego np. dla stylu amerykańskiego, podchodzimy do tematu ostrożnie, ale systematycznie.
W Polsce do AI podchodzi się ostrożnie, ale systematycznie.
Marcin GajdzińskiNasza strategia korporacyjna idealnie wpisuje się w ten trend. Prowadzimy prace nad prototypami i przygotowujemy POC (Proof of Concept), angażując się wspólnie z klientami w tworzenie modeli, które służą do podejmowania decyzji. Chcę podkreślić, iż polskie ministerstwa podchodzą bardzo poważnie do wykorzystania AI. Mamy ambitne plany dotyczące strategii AI w Polsce, które zamierzamy realizować poprzez tzw. Sovereign AI, czyli Narodową Platformę AI do lokalnych zastosowań.
Artur Wroński, IBM: W tym zakresie chodzi o otwartość klientów na AI. Z uwagi na to, iż większość firm chce wdrażać AI, kwestią wartą rozważenia nie jest „czy wdrażać”, ale istotnymi zagadnieniami są skala, tempo i zakres, oraz jak przewidzieć rozwój sytuacji, w której się znajdujemy. Dlaczego? Ponieważ nasi klienci zawsze pytają nie tylko o to, co można osiągnąć, ale także o to, jak to zrealizować, by uzyskać zamierzony efekt.
Przykładowo, każdy może przejrzeć dokument, który ma 15 stron, ale kiedy mamy do czynienia z dokumentem na 1000 stron, porównywanie informacji z wielu źródeł przerasta możliwości jednej osoby. Nie chodzi tylko o ilość pracy, ale także o jakość i utrzymanie założonego standardu. Łatwo sobie wyobrazić, iż publiczna instytucja, przetwarzając wnioski o dotacje, chciałaby robić to transparentnie i zgodnie z określonymi zasadami. Każdy pracownik wykonuje pracę trochę inaczej, dlatego warto mieć ustalone standardy.
AI może wprowadzić taki standard, czyniąc proces bardziej transparentnym i przewidywalnym. Oczywiście nie zastępuje decyzji, ale przynajmniej wzbogaca pracę osoby tak, aby nic nie zostało pominięte w procesie. Powtarzalne czynności, które zużywają naszą energię intelektualną, powinny być wykonane gwałtownie i łatwo, a ostateczna decyzja powinna pozostać w rękach człowieka.
Bartosz Martyka, Brandsit: Jak wygląda podejście IBM do edukacji rynku? Czy jest to dla Was wyzwanie, czy może wynika to z procesu sprzedaży?
Artur Wroński, IBM: Pojęcie “rynek” jest szerokie, ponieważ mamy do czynienia z klientami na różnym poziomie zaawansowania w rozumieniu i wykorzystaniu AI w procesach biznesowych. Niektórzy z nich są gotowi na inwestycje, inni jeszcze nie. Dla wszystkich organizujemy warsztaty, a dla klientów z dobrze określonymi potrzebami nasz zespół Client Engineering prototypuje rozwiązania. Pokazujemy klientom, jakie technologie mogą wykorzystać i jak je zaimplementować. Takie działania prowadzą do stworzenia prototypu rozwiązania, który realizuje konkretne funkcje. Oczywiście, nie każdy projekt od razu przekształca się w komercyjne przedsięwzięcie, ale często jest to wspólne zaangażowanie, które kreuje formę rozwoju i przyszłość firmy.
Marcin Gajdziński, IBM: Zajmujemy się prowadzeniem edukacji, realizując ją na poziomie akademickim, co jest kluczowym elementem naszej działalności. Współpracujemy blisko z kilkunastoma ośrodkami akademickimi w różnych miastach, takimi jak Gliwice, Kielce, Warszawa, Lublin, Gdańsk, Olsztyn, a także w Poznaniu, aby nie pominąć regionu zachodniego. Nasza działalność edukacyjna obejmuje tworzenie partnerskich centrów kompetencyjnych w poszczególnych ośrodkach, co jest zdecydowanie działalnością dydaktyczną. Jednocześnie, wspólnie z tymi ośrodkami, prowadzimy projekty badawcze i projektowe, w których rozwijane są nowe modele i zastosowania.
W ramach współpracy z ośrodkami akademickimi, doktoranci i studenci starszych roczników tworzą specjalistyczne grupy skupiające się na rozwoju konkretnych projektów deweloperskich. Drugi aspekt, o którym wspomniał Artur, to edukacja oparta na projektach.
W tej formie mamy do czynienia z konkretnymi zapytaniami i projektami od naszych klientów lub partnerów. Edukacja ta jest zintegrowana z logiką realizacji tych przedsięwzięć.
Ponadto, prowadzimy szereg działań ogólnorynkowych i konferencji, które są dużymi przedsięwzięciami edukacyjnymi. Mają one na celu nie tylko prezentację przypadków użycia i organizację warsztatów praktycznych dla startupów oraz firm różnej wielkości, ale również służą jako forum do wymiany informacji o korzyściach z implementacji różnych rozwiązań. W sumie wykorzystujemy trzy główne kierunki edukacyjne w naszej działalności.
Bartosz Martyka, Brandsit: Pytam o kwestię edukacji w kontekście wdrażania sztucznej inteligencji w firmach, bo zastanawiam się, czy istnieją specjalne procedury, którym muszą podporządkować się przedsiębiorstwa, aby rozpocząć myślenie o implementacji AI, czy procedury te wynikają ze specyfiki danej firmy?
Artur Wroński, IBM: Przede wszystkim, implementacja AI wynika z istniejącej potrzeby. Na wstępie warto zaznaczyć, iż AI to tylko narzędzie. Istnieją różne metody dostosowywania AI do potrzeb firmy. Tradycyjne programowanie przez cały czas jest aktualne i większość systemów jest na nim oparta. Skupiamy się na tym, czy przypadki użycia AI wykraczają poza tradycyjne metody programowania. Zastanawiamy się, czy dzięki AI możemy coś zrobić lepiej, szybciej, dokładniej oraz czy możemy wygenerować nową wartość, która wcześniej była niemożliwa do osiągnięcia. AI pozwala na tworzenie rozwiązań opartych na wzorcach występujących w danych. Proces ten jest automatyczny – uczymy system na podstawie danych, a nie poprzez tradycyjne programowanie.
Marcin Gajdziński, IBM: najważniejsze jest zdefiniowanie oczekiwanej zmiany, czyli tego, co chcemy osiągnąć. To pytanie jest fundamentalne niezależnie od skali i wielkości przedsiębiorstwa. Chodzi o określenie celów, takich jak poprawa funkcjonowania firmy, pozyskanie nowych klientów, podniesienie poziomu zadowolenia klientów, czy redukcja kosztów w określonym procesie. Ta definicja jest krytyczna, zwłaszcza iż rozwój generatywnej sztucznej inteligencji nie wyklucza klasycznych rozwiązań AI – oba te elementy wzajemnie się uzupełniają.
Punktem startowym jest jasne określenie celów i oczekiwanych korzyści. Następnie, w kontaktach z nami czy naszymi partnerami, prowadzimy klienta przez cały proces wdrażania, nie tylko po to, by zrealizować kolejne wdrożenie AI, ale przede wszystkim, aby osiągnąć konkretny efekt biznesowy, co jest naszym kluczowym wskaźnikiem efektywności.
W kontekście instytucji publicznych oraz dużych przedsiębiorstw często najważniejszy jest odpowiedni dobór modelu AI. Proces ten bywa skomplikowany i wymaga precyzji. Decyzja o wyborze modelu nie jest prosta, zwłaszcza iż dostępnych modeli jest już bardzo dużo. Trzeba zatem umiejętnie wybrać najbardziej optymalny model, który zapewni pożądane efekty przy jednoczesnym zachowaniu kontroli nad kosztami, co również jest ważnym parametrem.
Bartosz Martyka, Brandsit: Chciałbym powrócić do tematu Krakowskiego Labu. Zastanawiam się, jak duży jest udział polskiego oddziału w globalnych procesach kreowanych przez IBM?
Marcin Gajdziński, IBM: Jest to dla nas powód do dumy, iż polski oddział jest integralną częścią międzynarodowej struktury IBM, zajmującej się badaniami. Nasz wieloosobowy i dynamicznie rozwijający się zespół AI to najważniejszy element tej struktury.
Jesteśmy bardzo dumni z zaangażowania naszego laboratorium w Krakowie w liczne operacje, w tym przygotowanie polskich modeli językowych. Bierze ono również udział w projektach akademickich mających na celu tworzenie dedykowanych rozwiązań, które adresują konkretne wyzwania, często środowiskowe, gdzie AI pomaga monitorować różne zjawiska.
Równocześnie oprócz rozwijania produktów, prowadzimy prace nad tworzeniem i rozwijaniem polskich case’ów oraz lokalizacją naszych modeli.
Jednym z przykładów ważnych inicjatyw, które planujemy realizować, jest AI factory. To koncepcja, w ramach której IBM Research nawiązuje ścisłą współpracę głównie z ośrodkami akademickimi oraz dużymi firmami programistycznymi specjalizującymi się w tworzeniu aplikacji i narzędzi AI. Jest to forma rozszerzonego laboratorium, gdzie badania przenikają do projektów klientów czy uniwersyteckich.
Bartosz Martyka, Brandsit: Bardzo dziękuję za rozmowę.
