Sztuczna inteligencja staje się coraz bardziej niezbędnym narzędziem transformacji biznesowej – od sprawdzonych modeli predykcyjnych, przez narzędzia generatywne, które sprzyjają kreatywności, po systemy agentowe, które usprawniają złożone operacje. Tomasz Rostkowski, szef działu AI w Lingaro, dzieli się spostrzeżeniami na temat tego, jak tradycyjna sztuczna inteligencja różni się od sztucznej inteligencji generatywnej i agentowej, ewoluujących strategii wdrażania oraz namacalnych korzyści, jakie firmy mogą osiągnąć dzięki świadomemu inwestowaniu w najnowocześniejsze technologie.
Niewątpliwie obserwuje się wzrost zainteresowania sztuczną inteligencją, szczególnie po pojawieniu się ChatGPT. Coraz więcej firm, zarówno w Polsce, jak i na świecie, zdaje sobie sprawę, że brak inwestycji w AI to poważne ryzyko pozostania w tyle. Większość naszych klientów to duże firmy z branży dóbr konsumpcyjnych, często będące w czołówce firm inwestujących w analizę danych, a w Lingaro od wielu lat pomagamy im wdrażać AI. Współpracujemy z różnorodnymi organizacjami – od dużych, zaawansowanych technologicznie firm po mniejsze przedsiębiorstwa, które dopiero rozpoczynają swoją przygodę z AI. Liderzy branży przestali pytać „czy warto?” i zaczęli pytać „jaki jest najskuteczniejszy sposób wdrożenia?”. Wdrażanie AI przestało być opcją, a stało się koniecznością dla utrzymania konkurencyjności i stymulowania efektywnego wzrostu.
Tradycyjne inicjatywy z zakresu sztucznej inteligencji (AI) koncentrują się wokół modeli uczenia maszynowego zaprojektowanych specjalnie pod kątem wymagań klienta, wykorzystujących jego dane historyczne do automatyzacji powtarzających się decyzji w ramach procesów biznesowych. Typowe zastosowania obejmują przewidywanie zdarzeń, prognozowanie przyszłych wskaźników wydajności, wykrywanie anomalii i optymalizację. Implementacje te mają jasno określone cele biznesowe wyrażone w przewidywanych ulepszeniach wskaźników wydajności, co wymaga dobrze zdefiniowanego środowiska operacyjnego oraz obszernych, ustrukturyzowanych zbiorów danych historycznych. Głównym celem projektu jest trenowanie modeli i przygotowywanie danych. Inwestycja w tradycyjną sztuczną inteligencję (AI) jest zazwyczaj korzystna, gdy projekt obejmuje rozległe i powtarzalne procesy z wysokiej jakości danymi. Biorąc pod uwagę, że scenariusze biznesowe korzystające z tradycyjnej AI były dogłębnie badane na przestrzeni lat, często dostępne jest praktyczne doświadczenie z podobnych implementacji, wraz z wiedzą na temat oczekiwanych rezultatów.
Generatywna sztuczna inteligencja pozostaje stosunkowo nową dziedziną, z kilkoma sprawdzonymi scenariuszami przynoszącymi konkretne korzyści, choć większość projektów nadal stanowi inwestycję w innowacje. W tym modelu nie budujemy modelu od podstaw, wykorzystując dane klienta, lecz wykorzystujemy rozbudowane modele językowe trenowane na rozległych zbiorach danych, które wzbogacamy o różne mechanizmy w celu zwiększenia dokładności odpowiedzi. To znacznie przyspieszyło i uprościło wdrażanie rozwiązań przetwarzania języka naturalnego, takich jak asystenci czatu, narzędzia do wyszukiwania i syntezy wiedzy oraz tworzenie treści. Modele językowe są wstępnie wytrenowane, co pozwala projektowi skoncentrować się na ich integracji i opracowaniu mechanizmów zapewniających zgodność z faktami istotnymi dla danego przypadku użycia, takimi jak wiedza zawarta w dokumentach korporacyjnych. Reprezentuje to zupełnie nową, dynamicznie rozwijającą się dziedzinę wiedzy.
Sztuczna inteligencja oparta na agentach stanowi kolejny etap ewolucji generatywnej sztucznej inteligencji, w której rozszerzamy duże modele językowe o dodatkowe wnioskowanie i traktujemy je jak wyspecjalizowanych agentów współpracujących ze sobą w celu wykonywania bardziej złożonych zadań. Kluczowym aspektem rewolucji agentowej jest możliwość tworzenia rozwiązań niedeterministycznych, w których, w przeciwieństwie do tradycyjnego IT, nie określamy ani nie programujemy dokładnego rozwiązania dla danego zadania. Wykorzystujemy inteligencję agentów do planowania sekwencji działań w trybie nagłym, a następnie przydzielania i realizacji wymaganych zadań. To podejście wciąż się rozwija i stoi przed licznymi wyzwaniami, ale posiada ogromny potencjał, szczególnie w zakresie automatyzacji analizy danych, tworzenia oprogramowania oraz automatyzacji rutynowych zadań wykonywanych przez pracowników.
Trzy wymienione przeze mnie obszary stanowią główne obszary zainteresowania firm. Po pierwsze, możliwość implementacji bardziej zaawansowanych scenariuszy, które zostały zbadane w ramach generatywnej sztucznej inteligencji. Na przykład, model oparty na agentach może zostać wykorzystany do tworzenia rozwiązań typu „talk-to-data”, które dostarczają dokładniejszych i bardziej kompleksowych odpowiedzi na złożone zapytania.
Drugim obszarem jest automatyzacja procesów biurowych, w której pracownicy korzystają z gotowych, wyspecjalizowanych agentów lub tworzą własne, aby usprawnić codzienne zadania. Dostawcy technologii oferują już gotowe do użycia platformy agentów dla organizacji, które ułatwiają samoobsługę. Chociaż mogą one jeszcze nie być w pełni dojrzałe, spodziewamy się szybkiego rozwoju. Wiele firm tworzy już własne ramy wspierające rozwój i zarządzanie agentami, a my pomagamy im w osiągnięciu tego celu.
Trzecim obszarem, prawdopodobnie najbardziej zaawansowanym pod względem dostępnych narzędzi i już teraz wywierającym znaczący wpływ, jest sztuczna inteligencja wspomagająca tworzenie oprogramowania. Koncepcja, że język naturalny stanie się ostatecznie jedynym językiem programowania, jest wciąż odległa, ale w Lingaro przewidujemy, że będzie to miało transformacyjny wpływ na nasz sektor i intensywnie inwestujemy w identyfikację i wykorzystanie nowych możliwości.
Niezależnie od typu sztucznej inteligencji,
Twój adres e-mail nie zostanie opublikowany. Wymagane pola są oznaczone *