Co nowego w sztucznej inteligencji?
Obszar sztucznej inteligencji nieustannie się rozwija: duże modele szerokiego zastosowania ustępują miejsca mniejszym, specjalistycznym, dostosowanym do realizacji określonych zadań modelom. Zmiana ta wynika z potrzeby zwiększenia efektywności działania, redukcji kosztów i użyteczności tych modeli w realnym świecie. Zamiast wykorzystywać jeden model AI, firmy wolą budować kilka wyspecjalizowanych modeli - w ten sposób zapewniają sobie większą precyzję działania modeli, zmniejszają koszty obliczeń i łatwiej im wbudować AI w środowisko operacyjne, w którym najważniejsza jest wiarygodność dostarczanych.
Specjalizacja sztucznej inteligencji
Jednym z najistotniejszych trendów jest stopniowa popularyzacja małych, wyspecjalizowanych modeli o optymalnej prędkości i efektywności działania, dostosowanych do specyficznych potrzeb użytkowników. Modele takie stosuje się w wielu branżach, takich jak opieka zdrowotna, finanse, zarządzanie łańcuchem dostaw czy obsługa klienta, czyli tam, gdzie największe znaczenie mają precyzja i sprawne działanie w czasie realnym. Podstawowe trendy:
- Dostosowanie AI do potrzeb danej domeny – modele szkoli się z użyciem danych branżowych, co zapewnia większą precyzję i dostosowanie do specyfiki działania firmy.
- AI multimodalna – systemy łączą tekst, obrazy, dźwięk i strukturę danych, dzięki czemu produkują pełniejsze materiały z uwzględnieniem kontekstu.
- Możliwości AI – poza analizami AI automatyzuje kolejne procesy przepływu dokumentów i podejmowania decyzji.
Oznacza to przejście od statycznego systemu dostarczającego informacji do rozwiązań dynamicznych, nastawionych na realizację zadań.
Zauważamy zmianę podejścia organizacji – z dużych, uniwersalnych modeli na specjalistyczne systemy AI, zdolne do szybszego generowania dokładniejszych materiałów w takich obszarach, jak diagnostyka medyczna czy analiza ryzyka finansowego. Wyspecjalizowane modele nie tylko pracują na specjalistycznych danych branżowych, ale również automatyzują najważniejsze procesy, oszczędzając czas i pieniądze.
- podkreśla Amadeusz Andrzejewski, Partner, Deloitte AI & Data CE.
Jakość danych - podstawa sukcesu AI
Niezależnie od stopnia zaawansowania modelu AI sukces zależy od jakości przetwarzanych danych. Niska jakość danych oznacza niepewne wyniki, zakłócenia procesów oraz wzrost ryzyka reputacyjnego i ryzyka zgodności. Aby złagodzić ten problem firmy wyznaczają priorytety obejmujące:
- integralność i walidację danych – dbałość o czystość, odpowiednią strukturę i spójność danych;
- ciągły monitoring – śledzenie wyników działania AI i korygowanie modeli w oparciu o feedback zbierany w czasie realnym;
- dostępność danych – bezpieczne systemy zapewniające modelom możliwość sprawnego pozyskiwania danych odpowiedniej jakości.
Praktyki te mają podstawowe znaczenie dla przedsiębiorstw zainteresowanych wykorzystaniem AI do podejmowania odpowiedzialnych, wyważonych decyzji.
Nawet najdoskonalsze modele AI nie poradzą sobie bez danych odpowiednio wysokiej jakości. Dobrej jakości, wiarygodne dane - to warunek konieczny do rzetelnej automatyzacji i podejmowania decyzji. W miarę przekształcania się AI w narzędzie wykonawcze dbałość o jakość i integralność danych przestają być dobrą praktyką, stając się warunkiem wiarygodności.
- wyjaśnia Krzysztof Wnuk, Data Governance & Architecture leader, Deloitte CE.
AI jako narzędzie wykonawcze
AI nie jest już narzędziem analitycznym, lecz wykonawczym, które:
- automatycznie generuje treści – od sprawozdań biznesowych do materiałów marketingowych, przy minimalnym poziomie zaangażowania człowieka;
- podejmuje decyzje – w oparciu o bieżące dane wykonuje działania zgodnie ze zdefiniowanymi regułami prowadzenia działalności;
- automatyzuje procesy – usprawnia przepływ dokumentacji przy planowaniu, optymalizacji łańcuchów dostaw i w kontaktach z klientami.
Choć możliwości te są zapowiedzią poprawy wydajności zastosowań AI, wymagają stałego, uważnego nadzoru, zapewniającego zgodność decyzji podejmowanych przez AI z celami firmy i ze standardami etycznymi. Perspektywa jest więc jasna: powstają systemy, które nie tylko przekazują nam informacje, ale również działają - odpowiedzialnie, sprawnie i na dowolną skalę.
Krzysztof Wnuk
Małgorzata Reif
