Wdrożenie AI w firmie – jak przygotować zasoby IT?

Połączenie algorytmów AI i przetwarzania w chmurze jest przełomowym rozwiązaniem otwierającym dostęp do najnowocześniejszej technologii szerokiemu gronu odbiorców. Organizacje, niezależnie do wielkości, mogą wykorzystywać uczenie maszynowe, analizę danych i modele przetwarzania języka naturalnego do budowania konkurencyjnej przewagi. Od czego zacząć?

CZEGO DOWIESZ SIĘ Z TEGO MATERIAŁU:

JAK ZAAWANSOWANE SĄ PRACE NAD WDROŻENIEM TECHNOLOGII AI W POLSKICH FIRMACH?
KTÓRE BRANŻE NAJBARDZIEJ SKORZYSTAJĄ NA WPROWADZENIU TAKICH ROZWIĄZAŃ?
NA CO ZWRÓCIĆ UWAGĘ, WYBIERAJĄC ROZWIĄZANIA AI, W TYM AI W CHMURZE?
JAKIE WYZWANIA CZEKAJĄ MENEDŻERÓW DS. IT PRZED ROZPOCZĘCIEM WDROŻENIA MODELI SZTUCZNEJ INTELIGENCJI?
O CZYM NALEŻY POMYŚLEĆ, DECYDUJĄC SIĘ NA TRANSFORMACJĘ W KIERUNKU AI?

Na świecie i w Polsce rosnąca fala zainteresowania technologiami AI zaczęła zamieniać się w myślenie o tej technologii w sposób praktyczny. Obok pewnego rodzaju mody na AI, organizacje zaczęły wreszcie dostrzegać, że analiza danych przy wykorzystaniu algorytmów uczenia maszynowego może przynieść konkretne i mierzalne efekty biznesowe.

Dla firm może to oznaczać m.in. lepsze dotarcie do klienta, stworzenie automatycznych systemów rekomendacji i promocji, generowanie treści marketingowych, czy chociażby lepiej funkcjonujące chatboty. Po stronie technologicznego zaplecza AI może pomóc w automatyzacji powtarzalnych zadań, zmniejszeniu nakładu pracy ludzi, usprawnieniu procesów produkcyjnych, analityce predykcyjnej, wykrywaniu anomalii, czy wreszcie optymalizacji zasobów. Wszystkie te funkcje przekładają się na ograniczanie kosztów funkcjonowania przedsiębiorstwa i budowę konkurencyjnej przewagi.

Gdy wyzwanie staje się szansą

Według globalnego badania EY „CEO Outlook Survey”[1] przodujące w transformacji technologicznej firmy już zaczęły szkolić pracowników, wdrażać prototypowe rozwiązania i budować wewnętrzne bazy danych dla dużych modeli językowych (LLM). Ze wspomnianego wyżej raportu wynika, że aż 70 proc. ankietowanych menedżerów uważa, że pojawienie się generatywnej sztucznej inteligencji stawia nowe przed nimi nowe wyzwania w dziedzinie utrzymania przewagi konkurencyjnej. A aż 58 proc. prezesów zapytanych firm chce przyspieszenia działań transformacyjnych w tym obszarze. Jeszcze więcej – 68 proc. – ma jednak problem z opracowaniem strategii wdrożenia AI i pomysłem na jej użycie.

W Polsce, według EY, niemal dwie trzecie średnich i dużych organizacji znajduje się obecnie w fazie wdrażania lub już zakończyło implementację sztucznej inteligencji w zastosowaniach biznesowych[2]. To ogromny skok w stosunku do sytuacji sprzed roku. Wówczas wykorzystanie AI deklarowała 15 proc. polskich firm, a 13 proc. planowało je wdrożyć do końca 2023 roku[3].

Sztuczna inteligencja w polskich firmach wykorzystywana jest najczęściej w marketingu, produkcji i planowaniu łańcucha dostaw. Zaledwie co czwarta wykorzystuje to narzędzie do zarządzania cenami i promocjami. Aż 62 proc. firm, które wykorzystują AI w swojej działalności, nie monitoruje efektywności jej wdrożenia – wynika z badania „Monitor Transformacji Cyfrowej Biznesu” dla KPMG w Polsce, przeprowadzonego wspólnie z Microsoft.

Inne badania pokazują jednak mniej atrakcyjną stronę inwestycji w AI. Największym zainteresowaniem cieszą się duże modele językowe (LLM) – ich wdrożenie do końca 2024 roku deklaruje blisko 9 na 10 firm. Chcą ją wykorzystywać w marketingu i sprzedaży oraz do automatyzacji prowadzącej do oszczędności.

Chmura i duże zbiory danych

Wdrożenie systemów bazujących na sztucznej inteligencji może się okazać trudnym wyzwaniem – szczególnie dla mniejszych i średnich organizacji, które nie posiadają w tej dziedzinie kompetencji. Mogą one nie być gotowe na wysokie wydatki związane z zakupem własnego sprzętu czy rekrutacją specjalistów, którzy będą czuwać nad właściwą jego eksploatacją.

W takich przypadkach korzystnym rozwiązaniem może być współpraca z dostawcami rozwiązań chmurowych, którzy udostępnią wydajne serwery i zapewnią przestrzeń dla danych. To elementy niezbędne dla uruchomienia modeli sztucznej inteligencji/uczenia maszynowego i analizy Big Data. Niezależnie jednak od wielkości przedsiębiorstwa i stopnia zaawansowania jego infrastruktury IT, rozwiązania w chmurze zapewniają elastyczność i skalowalność oraz możliwość wykorzystania zaawansowanych narzędzi analitycznych.

Pozostaje jeszcze kwestia kosztów. Najistotniejsze w chmurowym modelu korzystania z algorytmów AI jest to, że użytkownicy nie muszą posiadać własnego sprzętu. Taki model usług oznacza, że znacząco obniża się próg wejścia w obszar biznesowego wykorzystania AI – mogą z tej technologii korzystać zarówno wielkie przedsiębiorstwa, jak i małe start-upy.

Wyzwanie jest bowiem większe niż na pierwszy rzut oka się wydaje. AI, ze względu na zapotrzebowanie na energię elektryczną oraz systemy chłodzenia, wymaga wydajnych serwerowni. A takie posiadają duzi dostawcy usług teleinformatycznych. Uruchomienie modeli AI z dostępem do dużej mocy obliczeniowej oraz odpowiednio obszernej bazy danych to spory wydatek – podstawowy serwer, na którym można próbować uruchomić własny model sztucznej inteligencji do zastosowań biznesowych to koszt około pół miliona złotych. Do tego doliczyć trzeba stałe koszta eksploatacji.

Dostawca chmurowej sztucznej inteligencji zaoferuje rozwiązania mocniejsze, z wliczonymi kosztami energii, sieci i funkcjonowania systemu chłodzącego za kilka-kilkanaście tysięcy złotych miesięcznie. Umożliwi również łatwą skalowalność usług, bezpieczeństwo danych i ciągłość działania. I co nie jest bez znaczenia – pozwoli rozliczyć to w korzystnym finansowo modelu OPEX.

Przykładem takiego dostawcy może być T-Mobile i usługi oparte na chmurze prywatnej i publicznej realizowane dzięki rozwiązaniom Microsoft Azure oraz HPE. Usługi tego rodzaju gwarantują szybkie skalowanie zasobów obliczeniowych – w praktyce oznacza to możliwość łatwego zwiększania mocy na żądanie.

Prywatna czy publiczna

Organizacje, które chcą wdrożyć AI, mogą korzystać z chmury publicznej, jak i prywatnej. Każde z tych rozwiązań ma szczególne cechy i funkcje, jak również modele rozliczeń, a ostateczny wybór platformy zależy od profilu działalności i potrzeb firmy.

Kto może najbardziej skorzystać na wprowadzeniu takiego rozwiązania? Wdrożenie algorytmów AI okaże się szczególnie efektywne tam, gdzie konieczne jest przetwarzanie dużych zbiorów danych w poszukiwaniu nieoczywistych powiązań i wzorców, których człowiek – analityk danych lub specjalista w danym obszarze nie zauważy. To przede wszystkim e-handel, ale również bankowość i usługi finansowe, a także opieka zdrowotna, w której narzędzia AI robią oszałamiającą karierę m.in. w diagnostyce, triażu i jako wsparcie dla lekarzy w wypełnianiu dokumentacji.

Dodatkowo branże te w przeważającej większości podlegają specjalnym regulacjom dotyczącym przechowywania i przetwarzania danych – dysponują one bowiem informacjami wrażliwymi swoich klientów lub pacjentów. Dlatego korzystanie z chmury publicznej w ich przypadku jest wykluczone – powinny one korzystać z algorytmów AI działających na własnym sprzęcie lub w chmurze prywatnej udostępnionej przez profesjonalnego dostawcę.

Zanim zapłacisz

Co organizacja musi zrobić, zanim przystąpi do wdrożenia sztucznej inteligencji w chmurze? Po pierwsze – musi wiedzieć, co chce osiągnąć i jaki ma być realny efekt biznesowy tego wdrożenia. Choć wydaje się to oczywiste, bardzo często wiele firm całkowicie pomija biznesowe uzasadnienie wdrażania AI, dając się nieść trendowi i modzie.

Kolejnym krokiem powinna być analiza, czy rozpatrywany model AI daje wyniki transparentne, wyjaśnialne i inkluzywne. To założenie określane mianem „responsible AI” i uwzględniające coraz ściślejsze regulacje dotyczące sztucznej inteligencji obowiązujące również w Unii Europejskiej[4]. Co to oznacza w praktyce? Że popularne i stosunkowo łatwo dostępne modele AI oferowane jako open source mogą w niewystarczającym stopniu realizować te zasady – np. do ich trenowania wykorzystano niewłaściwe dane, nie spełniają one założeń AI Act, czy wynik ich działania trudno uzasadnić (wyjaśnić).

Co dalej? Niezbędne będzie stworzenie stanowiska specjalisty ds. analizy danych – jeżeli organizacja jeszcze tego nie zrobiła. To prawdopodobnie jeden z trudniejszych etapów na drodze do wdrożenia AI w firmie. Przyczyną jest oczywiście ogromny popyt na tego typu usługi, co w połączeniu z niedostatkami po stronie podaży pracy sprawia, że znalezienie i zrekrutowanie odpowiedniego kandydata może okazać się problemem. Coraz popularniejsze jest tworzenie stanowiska bezpośrednio związanego z AI – Chief AI Officer.

Następnie, już z odpowiednim specjalistą ds. analizy danych, organizacja chcąca wykorzystać AI musi przygotować dokumenty, które będą służyć jako baza wiedzy dla algorytmów. Mogą to być wewnętrzne informacje dotyczące np. sprzedaży czy wyniki badań pacjentów. Niezależnie od treści tych informacji, muszą być one sprawdzone, ujednolicone i ustrukturyzowane. Samo „nakarmienie” algorytmów AI plikami PDF i Worda może nie przynieść spodziewanych rezultatów.

Podsumowanie

Pojawienie się generatywnej ogólnej sztucznej inteligencji to prawdopodobnie najważniejsza zmiana technologiczna w ostatnich dekadach. Ze względu na jej możliwości na poziomie ogólnym, trudno wskazać konkretne zastosowania w każdej firmie – zakres wdrożenia i funkcjonalność będą się różnić w zależności od branży – i woli decydentów. Dziś można jednak z całą pewnością powiedzieć, że uruchomienie AI wcześniej czy później zadecyduje o powodzeniu biznesu, dlatego warto już teraz zrobić pierwszy krok ku wykorzystaniu technologii transformującej każdą dziedzinę życia.

Na tej drodze może jednak pojawić się kilka wyzwań, na które zarówno zarząd, jak i specjaliści ds. IT muszą być przygotowani.

Pierwszą kwestią jest upewnienie się, że wybrane rozwiązanie AI spełnia wymogi RODO i regulacje sektorowe dotyczące miejsca przetwarzania danych, ich ochrony, szyfrowania, wykorzystania, anonimizacji itp. Rozwiązanie to musi być także zgodne z prawem miejscowym i przyjętymi przez firmę wewnętrznymi regulacjami.
Drugą istotną sprawą jest kontrola kosztów. Korzystanie z chmury publicznej pozwala w teorii optymalizować koszty, jednak w razie nieprzewidzianego wzrostu obciążenia (o co w przypadku testowania i wdrażania AI nietrudno) opłaty mogą wystrzelić w górę. W chmurze prywatnej koszty są stałe.
Następnym potencjalnym wyzwaniem, które mogą napotkać firmy chcące korzystać z AI, jest ocena rzeczywistej wartości zgromadzonych danych i decyzja o (potencjalnie kosztownym i czasochłonnym) procesie przygotowania dokumentów na potrzeby algorytmów AI.
Najważniejsza jest jednak realistyczna ocena, do czego organizacja w danej chwili potrzebuje AI oraz co musi zmienić w swojej infrastrukturze i zarządzaniu danymi, aby przygotować się do jej wdrożenia.

[1] https://www.ey.com/pl_pl/ai/glowne-wyzwania-polskich-firm-we-wdrazaniu-ai-ai-fy24

[2] https://info.ey.com/CESA-PL-Tax-GC-2024-01-09-AIRaport_DynamicLPwithHeaderandFooterforGC.html

[3] https://www.cire.pl/artykuly/raporty-branzowe/sztuczna-inteligencja-w-firmach-w-polsce-potencjal-do-wykorzystania

[4] https://www.europarl.europa.eu/topics/en/article/20230601STO93804/eu-ai-act-first-regulation-on-artificial-intelligence