Wdrażanie sztucznej inteligencji jest obecnie strategicznym obowiązkiem, a nie eksperymentem

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.

Business Insider: Coraz głośniej mówi się o integracji sztucznej inteligencji w biznesie. Z perspektywy Lingaro, dlaczego jest to dziś tak ważne i jaki jest obecny poziom otwartości firm na te 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.

Terminy „sztuczna inteligencja tradycyjna”, „sztuczna inteligencja generatywna” i „sztuczna inteligencja oparta na agentach” coraz częściej pojawiają się w dyskusjach branżowych. Jak scharakteryzować te trzy typy i jakie są główne różnice z punktu widzenia biznesu?

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.

Jakie są praktyczne przykłady zastosowań agentów AI w biznesie?

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.

Jakie strategie wdrażania AI obserwujesz w organizacjach? Czy podejście różni się w zależności od rodzaju AI?

Niezależnie od typu sztucznej inteligencji,

Źródło