Sztuczna inteligencja w praktyce biznesowej - perspektywy i wyzwania według eksperta AWS

Jednym z najczęściej omawianych problemów związanych z generatywną sztuczną inteligencją są tzw. halucynacje - zjawisko, w którym modele AI generują przekonująco brzmiące, ale nieprawdziwe informacje. Według eksperta AWS, halucynacje nie są jednak wadą, a raczej nieodłączną częścią natury generatywnej AI.

- Halucynacje AI są drugą stroną medalu natury generatywnej sztucznej inteligencji. Cała rzecz polega na tym, że może ona generować rzeczy, których wcześniej nie było. Nie przetwarza jedynie tego, co już wiesz. Kiedy generuje coś, co lubisz, nazywamy to generatywnym tworem. A kiedy zmyśla, nazywamy to halucynacją. Halucynacje są po prostu odwrotną stroną korzystania z generatywnej AI i po prostu z nami pozostaną, ponieważ tak właśnie działa ta technologia. Podobnie jest z błędami, które popełniamy jako ludzie. Nikt nie jest nieomylny, ale kiedy człowiek się pomyli, nie nazywamy tego halucynacją tylko ludzkim błędem - twierdzi.

Dimitrovich wskazuje trzy główne kierunki ograniczania tego zjawiska. Po pierwsze, jako społeczeństwo powoli przyzwyczajamy się psychologicznie do przejścia od systemów deterministycznych (gdzie A zawsze prowadzi do B) do systemów generatywnych (gdzie A może prowadzić do B, C, D lub nawet X). Po drugie, same modele stają się lepsze w moderowaniu swojej kreatywności. Wreszcie, rozwijane są techniki groundingu (uziemiania) modeli - łączenia ich z zewnętrznymi bazami wiedzy i stosowania guardrails (zabezpieczeń) takich jak zautomatyzowane rozumowanie.

Technika znana jako grounding AI (uziemianie AI) jest jednym z najskuteczniejszych sposobów ograniczania halucynacji. Polega ona na połączeniu dużych modeli językowych z rzeczywistymi danymi, co zapobiega generowaniu nieprawidłowych informacji. Jedną z popularnych metod jest Retrieval-Augmented Generation (RAG), która wzbogaca prompty użytkownika o istotne i aktualne informacje, zwiększając trafność odpowiedzi AI.

Eksperci zalecają również implementację zewnętrznych baz wiedzy, odpowiednie projektowanie promptów oraz dostosowanie parametrów modelu (np. ustawienie temperatury na 0 dla bardziej przewidywalnych wyników).

W obliczu ciągłej ewolucji modeli AI i częstych zapowiedzi przełomowych technologii, przedsiębiorcy często zadają sobie pytanie: który model wybrać? Dimitrovich przedstawia zaskakująco pragmatyczne stanowisko.

- Modele nadal ewoluują bardzo szybko, a czołówka technologiczna wciąż się rozwija. Dostawcy modeli prześcigają się nawzajem i zabawnie jest to obserwować. Ale w praktyce rzadko ma to znaczenie. Pomimo całego potencjału AI, przez ostatnie dwa lata większość rozwiązań, które faktycznie trafiają do produkcji i osiągają skalę i adopcję, mieści się w dość małym zestawie wzorców - jak tłumaczy.

Ekspert AWS podkreśla, że większość rzeczywistych zastosowań produkcyjnych koncentruje się wokół inteligentnego przetwarzania dokumentów oraz prostszych form generowania treści i chatów. Do tych zastosowań praktycznie wszystkie czołowe modele są wystarczająco dobre.

Jego rada? Śledzić nowości na rynku AI, ale głównie po to, by odkrywać nowe przypadki użycia, które wczoraj mogły być niemożliwe. Do zastosowań produkcyjnych wystarczą sprawdzone modele oferowane przez głównych dostawców technologii.

Proces wdrażania AI w firmach wykazuje interesujące podobieństwa do wcześniejszej adopcji technologii chmurowych. Dimitrovich zauważa, że w początkowej fazie adopcji chmury (do około 2015 r.) głównie startupy korzystały z tych rozwiązań, podczas gdy duże przedsiębiorstwa podchodziły do nich z rezerwą.

- W przypadku AI będzie podobnie, różnica będzie między tym, co firmy mówią, a tym, co robią. Bo w przypadku chmury przez pewien czas akceptowalne było mówienie 'jesteśmy sceptyczni wobec chmury, zajmie nam to sporo czasu'. To było społecznie akceptowalne dla liderów. Z AI tak nie jest. Z AI nikt nie chce być niemodny, prawda? Więc wszyscy chcą mówić, że stawiają całkowicie na AI, ale to, co firmy faktycznie zrobią, prawdopodobnie będzie podążać za tym samym wzorcem adopcji technologii - twierdzi.

Ta obserwacja pokazuje istotny rozdźwięk między publicznymi deklaracjami firm a ich rzeczywistymi działaniami. Choć wszyscy deklarują zainteresowanie AI, w praktyce część organizacji będzie wcześnie adaptować te technologie, część będzie szybkimi naśladowcami, a część poczeka, aż kurz osiądzie i rozwiązania się ustabilizują.

Artificial General Intelligence (AGI) - sztuczna inteligencja ogólnego przeznaczenia, która dorównuje ludzkiej inteligencji - jest często tematem spekulacji. Dimitrovich przedstawia wyważone spojrzenie na tę kwestię.

- Zależy, jak zdefiniujesz AGI. Istnieje jeden sposób jej definiowania: test Turinga, gdy rozmawiasz z maszyną i nawet nie wiesz, że to maszyna. Powiedziałbym, że już go przeszliśmy. Ale kiedy myślimy o AGI jako przybliżeniu ludzkich zdolności, takich jak multimodalne postrzeganie świata, przenoszenie wiedzy z jednej domeny do drugiej bez masywnego ponownego treningu na ogromnym zbiorze danych, posiadanie wewnętrznej motywacji i możliwość wyznaczania celów - to moim zdaniem jest to jeszcze dość odległe - jak mówi.

Jednocześnie ekspert przewiduje, że w ciągu najbliższych trzech lat możemy zobaczyć spersonalizowanego chatbota, który będzie w stanie uczyć się z naszych wzorców konsumpcji informacji i działania, a następnie proaktywnie je wykorzystywać i wyprzedzać nas o krok. Jest to jednak nadal dalekie od prawdziwego AGI, które przybliża ludzkie zachowanie we wszystkich aspektach.

Czy tylko giganci technologiczni mogą wygrywać w wyścigu AI? Dimitrovich uważa, że istnieją obszary, w których mniejsze firmy i startupy mogą znaleźć swoje miejsce.

- Wierzę, że rodzina frontierowych modeli ogólnego przeznaczenia prawdopodobnie się ustabilizuje i nie spodziewam się wielu nowych graczy w tej rodzinie, z wyjątkiem możliwego czarnego łabędzia - kogoś, kto wymyśli nową architekturę i weźmie branżę szturmem. Jednak uważam też, że (...) modele ogólnego przeznaczenia będą zbyt wolne i zbyt drogie. Wierzę, że większość zadań zostanie zrealizowana przez mniejsze, wyspecjalizowane modele - przewiduje.

Ta obserwacja otwiera drogę dla startupów, które mogą tworzyć wyspecjalizowane modele wykonujące konkretne zadania lepiej, szybciej i taniej. Ponadto generatywna AI to nie tylko same modele - firmy mogą monetyzować swoje działania poprzez tworzenie narzędzi wspierających rozwój GenAI, świadczenie usług konsultingowych, rozwój agentów AI czy ekosystemów agentów.

Podobnie jak w przypadku Internetu, większość pieniędzy nie została zarobiona na infrastrukturze, choć początkowo była ona najdroższa, ale na budowaniu aplikacji wykorzystujących Internet.

W kontekście szybkiego rozwoju technologii AI pojawia się pytanie o przyszłość edge computingu (przetwarzania na brzegu sieci). Dimitrovich jednoznacznie stwierdza, że edge pozostanie kluczowym elementem ekosystemu AI.

- Znaczenie edge computingu wynika z praw fizyki. Możesz poprawić przepustowość i latencję tylko do pewnego stopnia. A elektrony lub światło nie mogą podróżować szybciej niż prędkość światła. Dlatego edge jest ważny - jeśli wymagasz myślenia i podejmowania decyzji na podstawie lokalnych danych, musisz robić to szybko i potrzebujesz wielu iteracji, musisz przenieść to podejmowanie decyzji tak blisko, jak to możliwe do miejsc, gdzie dzieją się wydarzenia – tłumaczy.

Ekspert podkreśla, że zawsze będzie istniała potrzeba zarówno centralnego przetwarzania, jak i edge computingu. W miarę jak modele stają się mniejsze i bardziej wyspecjalizowane, a możliwości przetwarzania na brzegu sieci się poprawiają, coraz więcej inteligencji będzie przenoszone na edge. Jednak wyzwaniem pozostanie zapewnienie ewolucji tych modeli i ich aktualizacji o nowe dane dostępne centralnie.

Dla właścicieli małych firm, którzy nie dysponują rozbudowanymi działami IT, ale słyszą o potencjale AI, Dimitrovich ma kilka praktycznych porad.

Dla człowieka, który jest przedsiębiorcą, ważne jest, aby oswoić się z AI, bez względu na wszystko. Zapisz się jako konsument do dowolnej publicznie dostępnej aplikacji AI i po prostu zacznij jej używać, ponieważ to jak jazda samochodem lub używanie smartfonów, gdy po raz pierwszy się pojawiły. Odkrywasz nowe rzeczy, które możesz z tym zrobić, poprzez praktykę. Nie możesz czerpać o tym wiedzy z filmów lub z książek. Musisz uczyć się przez działanie.

Jednocześnie ekspert zaleca ostrożność w przypadku implementacji biznesowych, aby nie podejmować się większych wyzwań, niż firma jest w stanie udźwignąć. AI może szybko pochłonąć znaczne środki finansowe bez odpowiedniego zwrotu z inwestycji.

Kluczowe jest zidentyfikowanie obszarów, w których AI może przynieść największą wartość - szczególnie tam, gdzie wąskimi gardłami są wiedza ekspercka lub przetwarzanie dokumentów. W tych obszarach zastosowanie AI najprawdopodobniej przyniesie wymierny zwrot z inwestycji.

Zyskanie zaufania do AI wśród klientów i pracowników to istotne wyzwanie dla firm. Zaufanie to nie jest czymś oczywistym - musi być zbudowane poprzez odpowiedzialne, transparentne i celowe wdrażanie sztucznej inteligencji. Równie łatwo można je stracić, jeśli AI dostarcza błędne informacje, nie chroni danych osobowych lub oferuje niesatysfakcjonujące doświadczenia.

Badania Salesforce pokazują, że aż 77 proc. liderów biznesowych wskazuje na problemy związane z zaufanymi danymi i etyką jako potencjalne przeszkody we wdrażaniu AI. Firmy, które koncentrują się na daniu kontroli użytkownikowi końcowemu, mają najsilniejszą pozycję do budowania zaufania klientów podczas tworzenia strategii AI.

Na koniec wywiadu Dimitrovich wspomina o tym, co najbardziej go zaskoczyło w kontekście rozwoju sztucznej inteligencji. Okazuje się, że nie były to maszyny, ale ludzie.

- To nie maszyny mnie zaskoczyły, to ludzie. Tym, co mnie zaskoczyło, była ta ogromna fala FOMO (Fear Of Missing Out) w 2023 roku. Czasami czułem się prawie jak terapeuta, który musi wyprowadzać ludzi z desperacji. Klienci nagle czuli się pozostawieni w tyle, jakby zaraz mieli zostać zdystansowani. Musiałem powtarzać: 'nie, nie, uspokójcie się. Wspólnie przez to przejdziemy. Pomożemy wam. Wszystko będzie dobrze'. Dla mnie najbardziej zaskakującą częścią byli właśnie ludzie - opowiada.

Rozmowa ze Slavikiem Dimitrovichem pokazuje, jak ważne jest zrównoważone i praktyczne podejście do sztucznej inteligencji. Zamiast gonić za najnowszymi modelami, warto skupić się na rzeczywistych potrzebach biznesowych i obszarach, gdzie AI może przynieść największą wartość.

Halucynacje AI, choć stanowią wyzwanie, są nieodłączną częścią generatywnej sztucznej inteligencji. Zamiast dążyć do ich całkowitej eliminacji, bardziej pragmatyczne jest rozwijanie technik ich ograniczania i uczenie się, jak z nimi żyć - podobnie jak uczymy się radzić sobie z ludzkimi błędami.

Dla małych i średnich firm kluczowe jest rozpoczęcie od osobistego zapoznania się z narzędziami AI, a następnie ostrożne identyfikowanie obszarów biznesowych, gdzie ta technologia może rozwiązać realne problemy. W przypadku większych organizacji, wyzwaniem pozostaje balansowanie między publicznymi deklaracjami a rzeczywistymi, przemyślanymi wdrożeniami.

Sztuczna inteligencja, podobnie jak wcześniej chmura obliczeniowa, przechodzi przez podobne fazy adopcji. Firmy, które znajdą złoty środek między ostrożnością a innowacyjnością, będą mogły najlepiej wykorzystać potencjał tej przełomowej technologii.