Wdrożenie AI, czyli jak korzystać ze sztucznej inteligencji?

Zarówno ludzie jak i maszyny uczą się na błędach

Cały proces uczenia polega na sukcesywnym obniżaniu poziomu błędu, jaki model AI generuje na podstawie danych testowych. Wynikają z tego dwa kluczowe aspekty mające wpływ na dokładność modelu, a w konsekwencji na wartość biznesową jaką może wygenerować AI. Okazuje się, że zasada „śmieci na wejściu, śmieci na wyjściu” działa również w tym obszarze.

Te dwa aspekty są istotnym wyzwaniem w szczególności dla modeli, które wymagają uczenia z nadzorem. Oznacza to, że poza posiadaniem samych danych wejściowych, ważne jest osiągnięcie oczekiwanych rezultatów, co często oznacza żmudną analizę i oznaczanie danych przez człowieka.

W przypadku generatywnych modeli można spotkać błędy określane jako halucynowanie AI. Halucynowanie w modelach językowych odnosi się do procesu generowania tekstu lub zdań przez model, który może wydawać się autentyczny, ale w rzeczywistości jest wytworem modelu i nie posiada źródła w prawdziwych danych. Dla modeli generujących obrazy AI może stworzyć wyimaginowane lub dziwaczne obrazy, które nie mają odpowiednika w świecie rzeczywistym – np. zdjęcie człowieka, który ma nienaturalnie powykrzywiane kończyny lub dłonie, które mają sześć palców.

Nie jest możliwe, by model osiągnął 100% możliwości. Poziom 90%+ jest osiągalny dla niektórych klas dobrze zdefiniowanych problemów, ale jego otrzymanie staje się bardzo kosztowne. Podsumowując, jeżeli planujemy wykorzystywać AI, należy zaakceptować pewien poziom błędów modelu, jaki zostanie wytrenowany a następnie wykorzystywany w rozwiązywaniu realnych problemów.

Jak świadomie i odpowiedzialnie wdrażać AI w organizacji?

Proces wdrażania:

Wdrożenie SI to skomplikowany proces, który warto rozplanować w czasie i zacząć od mniejszych prób, aby sukcesywnie rozszerzać skale działania.

Wdrożenie inteligentnego systemu podlega pewnemu procesowi, który ma charakter iteracyjny i tak jak sam model – adaptacyjny. W konsekwencji, kształt rozwiązania nie jest z góry zdefiniowany, ale projektowany w trakcie jego budowy – zgodnie z wnioskami płynącymi z zachowania danych i modeli – tak, aby wnieść jak największą wartość.

W praktyce proces zazwyczaj rozpoczyna się fazą prototypowania i eksperymentowania, która jest w różnym stopniu obecna na kolejnych etapach wdrożenia. Powyższe jest dowodem na to, że nie są to rozwiązania czysto technologiczne, ale powstają one na pograniczu technologii oraz biznesu. Oddelegowując ich budowę wyłącznie do zespołu technologicznego, organizacje ryzykują, że podejmowane po drodze decyzje nie doprowadzą do zamierzonej wartości.

Nietechnologiczne skutki wdrożenia są częstym zjawiskiem, co jest związane ze zmianami ról, procesów, powstawaniem nowej oferty czy wręcz modeli biznesowych. Takie zmiany muszą być zarządzone z odpowiedniego poziomu. W takiej sytuacji niezbędne jest partnerstwo i zaangażowana współpraca między technologią a liderami biznesu w trakcie całego procesu oraz akceptacja dla jego adaptacyjnej oraz transformacyjnej natury.

Kiedy eksperymenty potwierdzą założenia stawiane AI w rozwiązaniu konkretnych problemów biznesowych, możliwe jest przejście do kolejnego etapu – budowy minimalistycznej wersji produktu (ang. MVP – Minimal Viable Product). Podejście to pozwala na wykorzystaniu efektów, jakie uzyskaliśmy w poprzednim kroku aby rozbudować SI o inne wymagane i użyteczne funkcje.

O ile za eksperymenty często odpowiedzialne są osoby techniczne, biegle znające narzędzia AI, o tyle MVP używane będzie przez docelową grupę odbiorców. Jeżeli AI ma rozwiązywać problemy Klienta końcowego organizacji, nie można zakładać, że Klient będzie posiadał taka samą wiedzę techniczną, aby skorzystać z wyników eksperymentu. To kolejny etap wymagający inwestycji w celu opracowania intuicyjnego, prostego w użyciu dla odbiorcy końcowego narzędzia AI. Taki produkt można ‘wypuścić’ na rynek (albo wdrożyć wewnętrznie w organizacji), a następnie na bazie informacji zwrotnej od użytkowników, rozbudowywać i udoskonalać, tak aby odpowiadał na potrzeby całej grupy docelowej.

Ostatni krok wdrożenia polega na dostosowaniu AI i implementacji na szeroką skalę. Dwa główne aspekty tej decyzji:

1. Aspekt inwestycyjny związany z rozbudową i dostosowaniem AI do potrzeb użytkowników. Bardzo częstym zaskoczeniem dla organizacji wdrażających AI (ale również inne narzędzia IT) jest zderzenie oryginalnych założeń i pomysłów z informacją zwrotną z rynku.
2. Potencjalne retrenowanie modelu. Etap eksperymentowania prowadzony był wewnątrz, w oderwaniu od aktualnych i realnych danych. Nawet, gdy do wytrenowania modelu wykorzystane były produkcyjne i realne dane, nie odpowiadają one pełnemu spektrum możliwości, jakie pojawiły się w etapie MVP może okazać się, że pozytywnie zweryfikowane w etapie eksperymentu modele nie sprawdzają się w realiach produkcyjnych.

Biorąc pod uwagę powyższe, organizacje mogą podjąć racjonalną decyzję o rozbudowie/douczeniu modelu i wejściu pełną skalą na rynek. Decydując się na ten krok należy uwzględnić również szerszą perspektywę czasową, gdyż to dopiero początek cyklu życia modelu.

Monitorowanie, rozwoju modeli AI

Monitorowanie modeli jest kluczowe dla ich optymalnego działania. Z czasem, gdy pojawiają się nowe dane lub nowe okoliczności, modele AI wymagają douczania.

Kluczową cechą systemów inteligentnych są możliwości adaptacji. To powoduje, że ich zachowanie może zmieniać się w czasie na skutek zmian w danych (np. ang. data drift) lub dalszego uczenia (np. ang. active learning). W konsekwencji, działanie wdrożonych modeli musi być na bieżąco monitorowane pod względem poprawności (ang. accuracy) oraz  możliwych obciążeń (ang. bias).

Z czasem mogą  pojawiać się nowe wzorce zachowań, które też będą wymagały zmian w systemie. Przy wykorzystaniu odpowiednich narzędzi proces ten może być w dużym stopniu zautomatyzowany, Trzeba jednak pamiętać, że działający system AI wymaga nie tylko obsługi błędów jak system software’owy, ale także opieki merytorycznej, która od początku powinna być odpowiednio uwzględniona i zaplanowana.

Duża liczba modeli AI i platforma do ich zarządzania

Dojrzałe organizacje posiadają platformy do zarządzania modelami AI. Systemy AI są na ogół systemami wdrażanymi, aby w czasie rzeczywistym (lub prawie rzeczywistym) wspierać procesy biznesowe. Niezależnie do tego, czy będą umożliwiały interaktywny dostęp do bazy wiedzy, personalizowały oferty dla klientów, czy rekomendowały optymalne nastawy dla procesów produkcyjnych, muszą działać sprawnie i niezawodnie. Przy poziomie skomplikowania architektury tych systemów i wykonywanych obliczeń, wymaga to odpowiednio zaprojektowanej platformy technologicznej.

Praktycznie wszyscy najwięksi dostawcy chmurowi zapewniają niezbędne narzędzia. Natomiast właściwy dobór komponentów i zaprojektowanie odpowiedniej komunikacji między nimi jest kluczowe nie tylko dla sprawnego działania systemu, ale także dla bezpieczeństwa danych, kosztów i czasu budowy, a następnie utrzymania narzędzia pod względem pracochłonności oraz zasobów obliczeniowych. Jak najwcześniej powinny zostać zadane pytania o to, gdzie rozwiązanie będzie budowane i jak będzie udostępniane oraz monitorowane.

Koszty finansowe i środowiskowe – ślad węglowy

Ze względu na wysokie zużycie mocy obliczeniowych i związanej z nimi energii, nieefektywności we wdrożeniu systemów AI przekładają się nie tylko na koszty dla organizacji, ale także na koszty dla środowiska. Emisje związane z wykorzystaniem AI stają się coraz bardziej istotnym problemem. Według badań przedstawionych przez MIT Technology Review, wytrenowanie jednego modelu AI może generować ponad 626 000 funtów równoważnika dwutlenku węgla - niemal pięć razy więcej niż średnie emisje samochodu w USA w ciągu całego jego życia.

Natomiast MIT raportuje, że chmura obliczeniowa ma większy ślad węglowy niż cały przemysł lotniczy, a pojedyncze centrum danych może zużywać energię elektryczną równoważną 50 000 domów.

Powyższe statystyki ukazują rosnące wyzwanie związane z ograniczeniem wpływu AI na środowisko i jednocześnie stanową dodatkową motywację do racjonalnego wykorzystania możliwości wynikającej z tej technologii.