Jak wygląda rzeczywistość wdrożeń AI w organizacjach?
Ograniczanie dyskusji o sztucznej inteligencji wyłącznie do możliwości technologicznych jest częstym powodem nieudanych projektów wdrożeniowych. Realna wartość biznesowa ma szansę zaistnieć jeśli przy wdrożeniu w organizacji spotkają się trzy kluczowe elementy: podejście strategiczne, uporządkowana architektura danych oraz dojrzałość procesowa.
Wyzwania przy wdrażaniu sztucznej inteligencji
Główną przyczyną niepowodzeń projektów AI w przedsiębiorstwach jest traktowanie zakupu technologii jako uniwersalnego rozwiązania wszystkich problemów operacyjnych. Zakup licencji (np. narzędzi klasy CoPilot) bez wcześniejszego zdefiniowania celu biznesowego i wskaźników sukcesu nie wpłynie na zwiększenie efektywności organizacji.
Najczęstsze błędy wdrożeń projektów AI:
Wdrożenie sztucznej inteligencji nie powinno być rozpatrywane w oderwaniu od struktury i procesów organizacji. Otwarcie się na nowe technologie pokazuje olbrzymie możliwości rozwojowe, którymi można się zachłysnąć. Potrzeba tutaj jednak kalkulacji i dystansu w zakresie rzeczywistych potrzeb i celów przedsiębiorstwa.
Rola zarządzania danymi w projektach AI
Skuteczność algorytmów do uczenia się jest bezpośrednio uzależniona od jakości danych wejściowych. Wdrażanie zaawansowanych modeli w środowisku, w którym dane są znikomej jakości lub rozproszone, uniemożliwia osiągnięcie oczekiwanych rezultatów. Jest to zatem aspekt o który trzeba zadbać już na początku prac projektowych.
Z wyników badań DAMA Poland Chapter w zakresie dojrzałości organizacji pod kątem zarządzania danymi wynika, że:
Jak weryfikować sensowność projektów wdrożeń AI
Celem uniknięcia wysokich kosztów nietrafionych wdrożeń, zaleca się rezygnację z testów typu Proof of Concept, które potwierdzają jedynie działanie technologii na rzecz weryfikacji wartości biznesowej Proof of Value.
Proces weryfikacji projektów AI powinien się składać z kilku podstawowych założeń. Warto zacząć od mapowania i wyznaczenia mierników procesów. W wyznaczeniu procesów skupiamy się na tych stanowiących wąskie gardła operacyjne, których nie da się zoptymalizować metodami tradycyjnymi. Zdefiniowanie wskaźników ma dotyczyć natomiast czasu wykonania, poziomu błędu oraz kosztu. W celu obiektywnej oceny modelu predykcyjnego, np. prognozowania sprzedaży SKU należy wyselekcjonować próbkę danych reprezentującą różne poziomy trudności:
Bardzo istotnym elementem dla dalszej realizacji prac jest określenie warunków sukcesu czyli zdefiniowanie konkretnego celu, np. zmniejszenie błędu prognozy o 10–15%. Brak osiągnięcia założonego progu będzie oznaczać brak uzasadnienia biznesowego dla skalowania tego projektu. Ten etap pozwala ujawnić ograniczenia infrastrukturalne, braki w jakości danych oraz oszacować realne koszty utrzymania środowiska produkcyjnego.
Wyzwania projektowe
Wdrażanie rozwiązań AI wiąże się również z koniecznością spełnienia wymogów prawnych oraz zapewnienia bezpieczeństwa danych. To duże wyzwanie dla projektu, które stanowi również istotne ryzyko dla jego realizacji.
Jako pierwsza od razu nasuwa się konieczność spełniania wymogów AI Act. W branżach regulowanych m.in. medycyna, farmacja, energetyka wymagana jest na przykład wyjaśnialność działania modeli. Nie ma możliwości stosowania rozwiązań typu „black box” oraz wymagana jest retencja logów zarządczych (minimum 6 miesięcy). Weryfikacji prawnej należy dokonać każdorazowo przy rozważaniu danego projektu uwzględniając specyfikę branży. Rekomenduje się posiadanie w organizacji checklisty, która upraszcza tego typu sytuacje.
Kolejne wyzwanie to ochrona danych osobowych. Stosowanie analityki wideo, np. monitorowanie stref produkcyjnych, analiza zachowania pracowników czy wykorzystanie dronów wymaga szczegółowej analizy pod kątem przetwarzania danych biometrycznych i zachowania prywatności. Często mierzymy się z sytuacjami, które do tej pory nie były w ogóle w naszym obszarze zainteresowań, co sprawia trudność w samym już określaniu ryzyk.
Wdrażanie norm zarządzania sztuczną inteligencją musi odbywać się w ścisłej integracji z wytycznymi wpływającymi na zachowanie bezpieczeństwa informacji. Agregacja danych do treningu i inferencji tworzy punkty podatności, które wymagają ochrony przed atakami, takimi jak wycieki danych czy ich modyfikacja.
Podsumowanie
Warunkiem koniecznym do rozpoczęcia wdrożenia jest przeprowadzenie warsztatów edukacyjnych dla zespołów (zarządu, dyrektorów i specjalistów), zmierzających do zbudowania wspólnego rozumienia pojęć z zakresu uczenia maszynowego i zarządzania danymi. Ujednolicenie wiedzy w organizacji to fundament dla skutecznych projektów AI.
Aby uniknąć uzależnienia od zewnętrznych dostawców, organizacja powinna dążyć do przejęcia odpowiedzialności za utrzymanie, monitoring danych oraz ponowne trenowanie modeli przez wewnętrzne zespoły. Budowanie kompetencji wewnętrznych to zadanie organizacji, które jest niezbędne, by uzyskać niezależność w kontekście realizowanych projektów.
Z uwagi na czynniki demograficzne oraz koszty pracy, automatyzacja i wykorzystanie sztucznej inteligencji będą kluczowym warunkiem utrzymania efektywności operacyjnej przedsiębiorstw w perspektywie najbliższych lat. Zmieniający się rynek pracy stanowi również determinantę dla wdrażania skutecznych i wspierających projektów AI w organizacjach.
Autor: dr inż. Ireneusz Wochlik: ekspert w zakresie sztucznej inteligencji, biocybernetyki oraz transformacji cyfrowej, założyciel Aigorithmics i Członek Zarządu fundacji AI Law Tech.