Sztuczna inteligencja: jej początku nie wyznacza pojawienie się modelu ChatGPT, ale to wtedy, wraz z jego premierą w listopadzie ubiegłego roku zyskała ogromną popularność. W świecie IT nie widzieliśmy takiej euforii i szybkości adaptacji od czasu pojawienia się technologii blockchain. Według tegorocznego raportu IDC do 2026 roku wydatki na sztuczną inteligencję na świecie wyniosą ponad 301 mld dolarów, czyli dwukrotnie więcej niż obecnie.
Obiecuje się, że sztuczna inteligencja przyczyni się do poprawy wydajności pracowników, zwiększenia zadowolenia klientów oraz minimalizacji ryzyka biznesowego. Pod wpływem tej euforii wielu pracowników skłania się do eksperymentów z narzędziami SI i dąży do bycia pionierem w tej dziedzinie. Jednak chcąc wykorzystać nowe sposoby budowania przewagi konkurencyjnej, nieświadomie narażają swoje organizacje na ryzyko.
Co z kontrolą danych?
Popularna jest narracja, według której dane są cennym zasobem, więc zwiększanie ich ilości przyczynia się do wzrostu ich wartości. Nie zawsze jest to prawda. Im więcej używanych jest różnych zbiorów danych, tym trudniej zapewnić ich wiarygodność i dokładność. Dodatkowo istnieje ryzyko naruszeń praw autorskich, do których sztuczna inteligencja może przypadkowo doprowadzić.
ChatGPT a ryzyko biznesowe
Na stronie firmy OpenAI widnieje zastrzeżenie, że program „może generować niedokładne informacje”. Istnieje wiele dowodów potwierdzających tę tezę. Może nie stanowić to większego problemu, jeśli potrzebujemy tylko przepisu na biszkopt, ale staje się poważnym zagrożeniem, jeśli wykorzystujemy go np. do badania orzecznictwa.
Przenieśmy to ryzyko do środowiska biznesowego. Narzędzie SI automatycznie zarządza poziomami zasobów; konfiguruje wynagrodzenia na podstawie wydajności; prognozuje kwartalne przepływy pieniężne; optymalizuje transakcje walutowe i inne, podejmuje fundamentalne decyzje, które mają ogromny wpływ na rentowność biznesu. Wszystko to można skutecznie kontrolować dzięki dojrzałej strategii zarządzania danymi i SI. Problem pojawia się, gdy pracownicy zaczynają korzystać z nieautoryzowanych i niezweryfikowanych narzędzi wykorzystujących sztuczną inteligencję. Uniemożliwia to kontrolę.
Jak zagwarantować integralność narzędzi SI i powstrzymać pracowników przed używaniem tych niezweryfikowanych?
Odpowiedź jest bardziej ogólna niż konkretna. Przyszłość sztucznej inteligencji nie leży w dużych modelach językowych, które obecnie dominują w medialnych nagłówkach, ani w innych ogólnych rozwiązaniach, które będą służyć wielu użytkownikom. Przedsiębiorstwa będą potrzebowały rozwiązań, które są specyficzne dla ich branży, klientów i zadań.
Lepsze i bardziej trafne dane
Nowa era „specjalistycznej sztucznej inteligencji” będzie charakteryzowała się możliwością tworzenia unikalnych i zróżnicowanych usług. Wymaga to, aby modele bazowe były szkolone na danych prywatnych i dostosowywane do standardów oraz praktyk danej firmy lub branży. Gdy takie modele są zasilane dobrze zorganizowanymi, skoncentrowanymi i zweryfikowanymi danymi, oferują możliwości, które sprawiają, że współpraca z nimi daje wrażenie pracy z ekspertem. Można im zaufać, ponieważ wiadomo, że nie zostały stworzone na podstawie losowych zbiorów danych zebranych z różnych źródeł. Decyzje, które generuje SI są bardziej trafne i skuteczne. W rezultacie pracownicy nie będą potrzebowali szukać własnych, niezweryfikowanych rozwiązań. Dodatkowo, jeśli zostaną zaangażowani w proces tworzenia rozwiązań sztucznej inteligencji, poczują większe zaangażowanie i lojalność wobec firmy.
Ci, którzy są naprawdę „wtajemniczeni” wiedzą, że właśnie w dziedzinie sztucznej inteligencji zachodzą najciekawsze innowacje. Opracowywane są zestawy narzędzi do SI specyficznej dla danej branży. Już wydają się one mieć większy potencjał od dużych graczy w dziedzinie sztucznej inteligencji. Zgodnie z powiedzeniem – więcej nie zawsze znaczy lepiej.
Ważne, by tworzeniu narzędzi towarzyszyła przejrzystość i wiarygodność. Dlatego rozwijanie sztucznej inteligencji jest zadaniem zespołów odpowiedzialnych za prawo i zgodność z przepisami. Ich współpraca z analitykami danych i specjalistami z dziedziny DevOps będzie kluczowym elementem skutecznej strategii SI.
Konieczne jest tworzenie i egzekwowanie wytycznych dotyczących tego, jak i kiedy używać SI, a także stawianie pytań o pochodzenie danych, które prawdopodobnie będą zadawane również przez organy regulacyjne. Na całym świecie rośnie zaangażowanie organów jurysdykcji w te kwestie, co potwierdza przykład AI Act Unii Europejskiej, AI Bill of Rights w USA, brytyjski AI Regulation Policy Paper czy przepisy ChRL dotyczące zarządzania algorytmicznymi rekomendacjami. Ignorancja była słabą obroną, nawet gdy można było zrzucić odpowiedzialność na dostawcę. Nie będzie to jednak możliwe, gdy modele sztucznej inteligencji zostaną stworzone na podstawie własnych danych.
Na modę na sztuczną inteligencję trzeba uważać. Odchodząc od SI ogólnego przeznaczenia na rzecz SI specyficznej dla branży, firmy zyskują znacznie bardziej efektywne możliwości oraz (jeśli zostało to przeprowadzone właściwie) bardziej wyedukowanych i przestrzegających zasad pracowników. Wymaga to jednak odpowiedniego zarządzania przedsiębiorstwem. Szum medialny wokół sztucznej inteligencji spowodował pilną potrzebę jej adopcji. Rozsądnym podejściem jest zatrzymanie się, przeanalizowanie i upewnienie się, że inwestycje w sztuczną inteligencję – w systemy, ludzi i kulturę – uwzględniają zarówno szanse, jak i zagrożenia.
Autor: Jan Wildeboer, Red Hat
