Umetna inteligenca postaja nadloga informatikov

Če vprašate podjetja, na katero tehnologijo največ stavijo v prihodnje, bo večina odgovorov omenjala umetno inteligenco. Tisti podrobnejši bodo celo izpostavili generativno umetno inteligenco.

Tudi sveža raziskava družbe Accenture razkriva, da kar 98 odstotkov direktorjev podjetij v ZDA pravi, da želijo v poslovanje uvesti umetno inteligenco, vendar večina njih preprosto ne ve, kako to storiti. Še več, tega ne vedo niti direktorji informatike (CIO), na pleča katerih pogosto padejo vsi s sodobno tehnologijo povezani projekti. V omenjeni raziskavi lahko še preberemo, da je doslej uspelo uspešno uvesti (generativno) umetno inteligenco v poslovno prakso manj kot desetini podjetij.

Pot, ki je pred vodji IT pri spreminjanju obljube generativne umetne inteligence v poslovno vrednost, torej ostaja strma, za nekatere celo zastrašujoča. In to kljub temu da so ključne sestavine načrta uvajanja generativne umetne inteligence v poslovanje jasne, recept pa relativno preprost – podjetja potrebujejo podatke, platformo ali več njih in nove veščine zaposlenih. Že od daleč se vidi, kje je težava. Predvsem v podatkih in znanju zaposlenih. Platformo oziroma digitalna orodja podjetja bistveno lažje kupijo ali najamejo v obliki storitve iz oblaka.

Izziv hitrega tehnološkega napredka

Razvoj v svetu uporabe umetne inteligence se dogaja z bliskovito hitrostjo, ki ji podjetja težko sledijo. Informatiki, ki naj bi v podjetjih najbolje poznali krajino tehnologije, niso nobena izjema. Pravzaprav sta uvajanje in raba umetne inteligence bliže ljudem, ki so se doslej v podjetjih ukvarjali z najrazličnejšimi analizami oziroma analitiko. Umetne inteligence pač ne moreš preprosto kupiti in pognati, ustvariti je treba okolje za njeno delovanje.

Vodje in zaposlene v oddelku IT zato še najbolj muči dejstvo, da uvajanje umetne inteligence v poslovanje ni podobno drugim projektom implementacije strojne in/ali poslovne programske opreme. Dodatna težava je ta, da na žalost obstaja le malo referenčnih arhitektur za generično umetno inteligenco, še manj je takih, ki se lahko pohvalijo s kakšnimi otipljivimi referencami.

Vodje IT torej nimajo na voljo tega, kar si najbolj želijo – bližnjice oziroma primera dobre prakse, ki bi ga preprosto prekopirali v poslovno okolje podjetja, v katerem delujejo. Lastno pridobivanje izkušenj o tem, kaj deluje in kaj ne, pa je z vidika direktorja IT drago in (zanj) zelo tvegano. Nihče ne želi biti tisti, na katerega bodo s prstom kazali, koliko denarja je porabil za rešitev, ki v praksi ne deluje ...

Premalo podatkov in znanj

Ko beseda nanese na praktično uvajanje umetne inteligence, hitro postane jasno, da podatke podjetja že nekako pridobijo, zatakne pa se pri njihovi pripravi – treba jih je namreč ustrezno očistiti, urediti in pripraviti za obdelavo. Učenje algoritmov umetne inteligence je tudi zelo zahtevna naloga – algoritem se še prej kot delati stvari prav (lahko) nauči delati stvari narobe, česar si seveda nobeno podjetje ne želi.

Od tod tudi izvira strah pred praktičnimi implementacijami umetne inteligence – nepreverjenim rešitvam nihče noče dati v roke »krmila« oziroma dostopa do aktualnih poslovnih podatkov z možnostjo sprejemanja odločitev.

Največji izziv podjetij v praksi še vedno ostajajo nestrukturirani podatki. Kot taki so namreč precej neuporabni za analize, torej morajo podjetja najprej ugotoviti, kako jih kategorizirati in spraviti v obliko, ki bo uporabna za nadaljnjo obdelavo in ustvarjanje vrednosti. Staro pravilo iz IT-sveta, ki pravi »smeti noter, smeti ven«, še kako drži tudi na področjih analitike in umetne inteligence.

Naslednja visoka stopnica pred zaposlenimi v oddelku IT in poslovnimi uporabniki je vključevanje vseh vrst podatkovnih struktur v generične modele umetne inteligence. Zgolj poganjanje generičnih algoritmov s področja umetne inteligence in velikih jezikovnih modelov se navadno ne izkaže za dobro potezo – že res, da podatki tako »spregovorijo«, a čim gredo podjetja preverjat, ali sporočeno, pa naj bo še tako lepo »povedano«, tudi drži, hitro ugotovijo, da znajo te rešitve precej pogosto »halucinirati«.

Strokovnjaki s področja umetne inteligence priznavajo, da je to trenutno res velika težava, prav zato veliko projektov obstane v konceptni fazi in dejanske implementacije sploh ne dočakajo. Še več, družba S&P Global je ustvarila namenske ocenjevalne sklope, s katerimi ne preizkuša le modelov generativne umetne inteligence glede halucinacij, temveč tudi zagotavlja, da obstaja skupna metoda za ocenjevanje rezultatov in učinkovitosti. Kot strokovnjaki na področju finančnih storitev in tržnega dogajanja morajo imeti standardne metode vrednotenja podatkov in informacij – nihče si namreč ne želi sprejemati poslovnih odločitev na podlagi informacij, ki jim ne more absolutno zaupati.

Tudi to, da so podjetja kadrovsko podhranjena, ni nobeno presenečenje. Na področju kadrov, kot so programski arhitekti, podatkovni znanstveniki ter analitiki, so tako rekoč bosa. Že res, da se da določen delež poslovnih uporabnikov dodatno izobraziti in prekvalificirati, a od njih pričakovati, da se bodo naučili programiranja in naprednih tehnik, skratka pridobili znanja za delo z rešitvami s področja umetne inteligence, je vendarle nekoliko utopično. Pomanjkanje znanj in veščin na tem področju je v nebo vpijoče in podjetja bi morala narediti vse, kar je v njihovi moči, da zmanjšajo ta razkorak. Tudi zato, ker bodo z vsakim dodatno osvojenim znanjem in izkušnjo s področja umetne inteligence bogatejša in bolj konkurenčna na trgu.

Platforme kot rešiteljice?

Strokovnjaki zato direktorjem informatike pri razvoju in uvajanju umetne inteligence svetujejo uporabo pristopa, ki temelji na platformah. Podjetja lahko na primer izvajajo delovne obremenitve generativne umetne inteligence na lastnem strežniku, vendar se jih bo večina hitro odločila za izvajanje v javnem ali zasebnem oblaku, skratka v podatkovnem centru. Tudi ali predvsem zato, ker je hitra odzivnost ključna lastnost dobre uporabniške izkušnje.

Pristop k umetni inteligenci, ki temelji na platformah, poudarja zgraditev skalabilne, ponovno uporabne osnove, ki se razvija skupaj s podjetjem. Predvsem pa rabe umetne inteligence ne vidi kot enkratnega projekta. Z ugotavljanjem skupnih značilnosti za različne primere uporabe, kot so podatkovni cevovodi, upravljanje modelov in integracija v poslovne aplikacije, lahko podjetje na podatkovni platformi ustvari skupne komponente, ki poenostavijo uvajanje, zmanjšajo odvečno delo in pospešijo povrnitev naložbe v umetno inteligenco.

Tistim z več znanja in domišljije lahko uspe celo popolna preobrazba poslovanja, ki jo narekujejo tako imenovani agenti umetne inteligence, ki zaposlenim pomagajo opravljati najrazličnejše naloge – natančno in učinkovito. In nekoč, mogoče že jutri, celo avtomatizirano. Z uporabo velikih jezikovnih modelov lahko sistem umetne inteligence interpretira človeške namere in se prilagaja na podlagi izkušenj ter vključuje znanje zaposlenih v podjetju – ter celo odloča ...

Večina CIO niti ne izpopolnjuje ali usposablja zaposlenih dovolj hitro niti nima na voljo širokega nabora talentov, vključno s podatkovnimi znanstveniki in inženirji programske opreme z znanjem načrtovanja infrastrukture za umetno inteligenco. A ugrizniti bodo morali tudi v to kislo jabolko oziroma streti ta oreh. Dober direktor informatike se namreč že desetletja dokaže prav s sposobnostjo uvajanja prebojnih tehnologij v poslovanje in umetna inteligenca bo vsekakor ločila zrnje od plev.