Praktyczne porady do budowy systemów AI w przedsiębiorstwach

Zainteresowanie sztuczną inteligencją (AI) rośnie w szybkim tempie: coraz więcej firm decyduje się na wdrożenie związanych z nią technologii, które mają zmienić ich działalność na lepsze. Historie sukcesów, które krążą po rynku, podtrzymują podekscytowanie. Jednak niewielu znajduje odwagę, by powiedzieć, że za obrazem magicznej czarnej skrzynki  kryje się także wiele problemów. Producenci gotowych rozwiązań sztucznej inteligencji, zainteresowani sprzedażą swoich produktów wolą podkreślać pozytywy, a przemilczać problemy. Brak dogłębnego zrozumienia technologii przez większość firm, które nie przeszły tej drogi, powoduje nadmierne oczekiwania, a rozczarowanie może być kosztowne. Z czasem odsetek takich firm może maleć, a optymizm może  zostać zastąpiony ostrożnością; doświadczenie otwiera oczy na ograniczenia sztucznej inteligencji i czynniki, które uniemożliwiają powszechne przyjęcie tej technologii.

Zachęcamy jednak do tego, aby nie tracić wiary w korzyści płynące z wdrożenia sztucznej inteligencji, ale spojrzeć na te perspektywy trzeźwo i z "chłodnym umysłem". Aby to zrozumieć, postaramy się wyjaśnić problemy, z jakimi boryka się rozwój sztucznej inteligencji, a przy okazji obalić kilka mitów. W tym przypadku rozwój AI będziemy rozumieć nie tyle jako doskonalenie jej "możliwości intelektualnych", ile jako jej przenikanie do działalności organizacji.

Ostatnio pojawiły się głosy, że AI może spowodować utratę pracy przez niektórych ludzi. Sceptycy uspokajają, twierdząc, że kreatywni profesjonaliści nie mają się czego obawiać: AI nie jest w stanie stworzyć czegoś nowego - czegoś, czego jeszcze nie widziała. Twórcy sztucznej inteligencji zgodziliby się z tym, ale wiedzą, że argument ten należy traktować nieco szerzej: w rzeczywistości każda czynność zawiera elementy kreatywności, z wyjątkiem rutynowej, podyktowanej ścisłymi instrukcjami.

Na przykład rozpoznawanie twarzy lub biometria mogą być bezpiecznie zaklasyfikowane do tej klasy zadań, ponieważ człowiek wykonuje to zadanie praktycznie nieświadomie, bez użycia swoich zdolności analitycznych; wszystko, co jest wymagane, to obecność w pamięci "próbek", z którymi będzie porównywany widoczny obraz. Mimo technologicznej złożoności realizacji, zadanie to można nazwać prostym ze względu na specyfikę jego sformułowania. Monetyzacja jest osiągana dzięki pełnej automatyzacji działań.

Zadania analityczne, takie jak wykrywanie oszustw, są trudne dla AI, ponieważ zachowania oszustów zmieniają się regularnie, nie wspominając o tym, że samo pojęcie "oszust" jest bardzo zmienne, a niektóre wątpliwe transakcje mogą stać się oszustwami na długo po ich dokonaniu. AI nie jest jeszcze na tyle inteligentna, aby samodzielnie kwestionować swoje decyzje, stawiać nowe hipotezy, testować je, zmieniać próbę, a następnie uczyć się od nowa - konieczna jest aktywna interwencja eksperta w danej dziedzinie. Jest to zatem przykład procesu biznesowego, którego nie można całkowicie powierzyć sztucznej inteligencji - może ona jedynie pełnić rolę pomocniczą w stosunku do zespołu profesjonalnych analityków. Monetyzacja jest możliwa dzięki zwiększeniu wydajności takiego zespołu.

Sztuczna inteligencja jest pomocnikiem człowieka, a nie jego substytutem!

Wydatki

Załóżmy, że organizacja zamierza wdrożyć rozwiązanie wykorzystujące sztuczną inteligencję w celu zautomatyzowania jakiegoś procesu biznesowego lub wspomagania procesu podejmowania decyzji. Po stronie przychodów wszystko jest jasne: zmniejszą się koszty operacyjne, błędy, cykle konserwacji i rotacja personelu. 

Ale co z kosztami?

Realizacja takiego projektu będzie wymagała poniesienia kosztów zakupu odpowiedniego sprzętu (o ile oczywiście nie mówimy o usługach w chmurze); zakupu, wdrożenia i dalszego utrzymania oprogramowania. Może się okazać, że obecny, teoretycznie nieefektywny proces "wymagający udziału człowieka" byłby bardziej opłacalny niż proces zrobotyzowany.    Wprowadzenie zaawansowanej technologii spowoduje wzrost płac (przynajmniej w perspektywie krótkoterminowej), ponieważ wysoko wykwalifikowani pracownicy będą potrzebni do uruchomienia technologii i jej późniejszego utrzymania. Szum wokół AI i Data Science prowadzi do wzrostu liczby takich specjalistów na rynku pracy, co zwiększa ich dostępność, ale nie należy zapominać o potrzebie regularnego szkolenia ich w zakresie nowych technologii i niuansów tego obszaru tematycznego. I znowu sprzeczność: zmniejszenie płac dzięki automatyzacji jest jednym z celów wdrożenia sztucznej inteligencji, dlaczego więc mówimy o ich zwiększeniu?

Kolejny problem dotyczy danych, które nie zawsze są obfite, nie zawsze dokładne i nie zawsze reprezentatywne. W końcu to właśnie dostępność takich danych jest niezbędna do działania algorytmów uczenia maszynowego. Oczywiście brak danych można nadrobić, pozyskując je od osób trzecich lub pozyskując je pracochłonnie przez własnych pracowników - w każdym przypadku można je z pewnością dodać do listy potencjalnych kosztów.

Element ludzki

Dodatkowe wyzwania związane z czerpaniem korzyści z AI wynikają z braku zaufania pracowników do porad, które wychodzą z czarnej skrzynki. Ludzie zwykle mylą się, gdy są pewni, że mają rację, dlatego chętniej zaufają swojemu doświadczeniu, wiedzy i intuicji niż AI, która nie potrafi wyjaśnić swoich decyzji. W rezultacie technologia może być ignorowana przez pracowników. Dlatego ważne jest regularne testowanie algorytmów, co pozwoli nie tylko zidentyfikować, a następnie usunąć ich niedociągnięcia, ale także zademonstrować pracownikom ich skuteczność.

Mówiąc o testach, warto zapytać, na ile reprezentatywne są ich wyniki. Zazwyczaj testowanie przebiega następująco: tworzy się warunki zbliżone do rzeczywistości, w których algorytm będzie musiał działać; algorytm jest uruchamiany, formułuje prognozy lub zalecenia; na koniec oblicza się wskaźniki wydajności (metryki). Jakość pracy algorytmu jest oceniana na podstawie wartości wskaźników wydajności. Na czym polega haczyk? Po pierwsze, warunki, w jakich przeprowadzane są testy, mogą być dalekie od rzeczywistości, co nie pozwoli na obiektywną ocenę. Po drugie, wskaźniki wydajności są wybierane albo przez programistę-matematyka, który może nie do końca rozumieć proces biznesowy i dawać pierwszeństwo metrykom matematycznym, albo przez klienta biznesowego, który - przeciwnie - może nadawać nadmierną wagę niektórym aspektom algorytmu, nie biorąc pod uwagę innych aspektów. Optymalnej metryki należy szukać na przecięciu tych dwóch obszarów, ale i tak pozostanie pewna doza subiektywizmu. Dlatego wybór metodologii testowania jest bardzo ważny i spoczywa na barkach programisty i klienta - żywych ludzi.

Innym mitem dotyczącym AI jest to, że algorytmy uczenia maszynowego uczą się same - potrzebne są tylko dane. Nie jest to prawdą: niektóre elementy ich projektowania również leżą w gestii dewelopera, jego ekspertyzy. Klasycznym przykładem takich elementów są metaparametry modeli uczenia maszynowego. Oczywiście istnieją metody ich automatycznego wyboru, ale nawet w tym przypadku wybór konkretnej metody i jej parametrów pozostawia się programiście.

Analityka ciągła - nowe wyzwanie

Nawet jeśli zgromadzone dane są obfite i wystarczająco dokładne, pozostaje ryzyko błędu systematycznego: stare wzorce mogą zanikać, a pojawiać się nowe. Dlatego algorytmy należy regularnie aktualizować, tzn. albo uruchamiać proces uczenia się od nowa za każdym razem, gdy dostępna jest nowa porcja danych, albo zdecydować się na algorytmy, które potrafią "uczyć się na nowo". Druga opcja jest lepsza w przypadku dużych ilości danych i konieczności szybkiej aktualizacji algorytmu, dlatego też zyskuje ona coraz większą popularność pod nazwą "analityki ciągłej" lub "analityki strumieniowej". Jest to jednak również rozwiązanie droższe: wymagany jest sprzęt o dużej mocy obliczeniowej, a być może także całkowita przebudowa istniejącej infrastruktury informatycznej. Nie da się też całkowicie wyeliminować ryzyka błędu systematycznego - to, co uważamy za nowy wzorzec, może okazać się krótkotrwałą anomalią. Algorytm "wstępnego uczenia się" zapomni wtedy stary, prawdziwy wzorzec i zapamięta nowy, fałszywy. Optymalne rozwiązanie, jak zawsze, jest ukryte w kompromisie: wrażliwość algorytmu na nowe dane musi być określona na etapie projektowania. Można to zrobić na podstawie wyników testowania algorytmu na różnych poziomach czułości.

Infrastruktura

Wreszcie, należy zwrócić uwagę na fakt, że włączenie sztucznje inteligencji do procesu biznesowego wymaga zmian infrastrukturalnych i organizacyjnych. Analitycy i matematycy mogą stworzyć obiecujący model matematyczny, ale odpowiedzialność za jego wdrożenie w infrastrukturze informatycznej organizacji spadnie na dział IT. Zadanie to nie jest łatwiejsze niż stworzenie samego modelu, a jego rozwiązanie może być niemożliwe, gdy systemy, w których ma być osadzona sztuczna inteligencja, są opracowywane przez zewnętrznych dostawców. Najczęściej można znaleźć rozwiązanie, nawet w trudnych przypadkach, ale z pewnymi wyrzeczeniami, takimi jak okresowe opóźnienia, awarie i niska szybkość przetwarzania. Wszystko to może sprawić, że system rekomendacji będzie mniej efektywny, a nawet skazać projekt na niepowodzenie.

Wniosek

Rozwój AI jest napędzany przez dwa czynniki: możliwości technologiczne i potrzeby biznesowe. Nie wszystko, co jest technologicznie możliwe, jest też praktycznie wartościowe. Wyzwania, przed jakimi stoją organizacje przy wdrażaniu AI do swoich procesów biznesowych, utrudniają jej popularyzację i dalszy rozwój. Nie oznacza to, że technologia ta jest bezużyteczna i nie ma przyszłości - po prostu wymaga od organizacji systematycznego podejścia do jej zlecania. Warunkiem wstępnym udanego wdrożenia jest w szczególności bezstronna ocena potencjalnych korzyści oraz solidny plan działania mający na celu wyeliminowanie lub ograniczenie potencjalnego ryzyka. Rozsądnie jest powierzyć opracowanie takiego planu i jego realizację zespołowi profesjonalistów specjalizujących się w opracowywaniu i obsłudze rozwiązań z zakresu sztucznej inteligencji. Pozwoli to zmniejszyć niepewność związaną ze złożonością projektu i zmaksymalizować korzyści dla organizacji.