Dlaczego projekty GenAI utykają w fazie testów?
Firmy na całym świecie próbują przenieść projekty związane z generatywną sztuczną inteligencją z fazy eksperymentów do rzeczywistego zastosowania. Jednak wiele z nich wciąż tkwi w etapie pilotażowym. Jak pokazują najnowsze badania, aż 92% organizacji obawia się, że wdrażanie GenAI postępuje bez uprzedniego rozwiązania kluczowych problemów z danymi. Co więcej, 67% firm nie jest w stanie przeskalować nawet połowy swoich projektów pilotażowych. Ta luka wynika nie tyle z niedojrzałości technologicznej, co z braku odpowiedniego przygotowania danych. Potencjał GenAI zależy od jakości fundamentów, na których jest budowany, a obecnie dla większości firm te fundamenty są niestabilne.
Dlaczego GenAI nie wychodzi poza fazę testów?
Choć rozwiązania GenAI są potężne, ich skuteczność zależy od danych, które je zasilają. Zasada „śmieci na wejściu, śmieci na wyjściu” jest dziś bardziej aktualna niż kiedykolwiek. Bez wiarygodnych, kompletnych, odpowiednio oznaczonych i możliwych do wyjaśnienia danych, modele GenAI często generują wyniki, które są niedokładne, tendencyjne lub po prostu bezużyteczne.
Wiele firm skupiło się na prostych zastosowaniach, takich jak chatboty wykorzystujące AI do udzielania spersonalizowanych odpowiedzi na podstawie dokumentów wewnętrznych. Choć takie rozwiązania poprawiają doświadczenia klientów, nie wymagają głębokich zmian w infrastrukturze danych. Jednak strategiczne wykorzystanie GenAI w sektorach takich jak opieka zdrowotna, usługi finansowe czy automatyzacja łańcuchów dostaw wymaga znacznie wyższego poziomu dojrzałości danych.
Według badań, 56% dyrektorów ds. danych wskazuje na niską jakość danych jako główną barierę we wdrażaniu AI. Inne problemy to niekompletne dane (53%), kwestie prywatności (50%) oraz luki w zarządzaniu AI (36%).
Bez zarządzania danymi nie ma GenAI
Aby GenAI mogło wyjść poza fazę testów, firmy muszą potraktować zarządzanie danymi jako priorytet strategiczny. Muszą upewnić się, że dane nadają się do zasilania modeli AI, co wymaga odpowiedzi na kluczowe pytania:
- Czy dane używane do trenowania modelu pochodzą z odpowiednich systemów?
- Czy usunięto dane osobowe i czy przestrzegano przepisów dotyczących prywatności?
- Czy można prześledzić pochodzenie danych wykorzystywanych przez model?
- Czy można udokumentować procesy danych i udowodnić, że nie są one tendencyjne?
Zarządzanie danymi musi być również wpisane w kulturę organizacji. Wymaga to budowania kompetencji w zakresie AI we wszystkich zespołach. Unijna ustawa o sztucznej inteligencji (EU AI Act) formalizuje ten obowiązek, wymagając od dostawców i użytkowników systemów AI zapewnienia, że pracownicy rozumieją, jak działają te systemy i jak korzystać z nich odpowiedzialnie. Jednak skuteczne wdrożenie AI to nie tylko kwestia wiedzy technicznej. Wymaga również solidnych podstaw w zakresie zarządzania danymi – od rozumienia ich znaczenia po umiejętność formułowania pytań analitycznych. Rozdzielanie kompetencji AI od umiejętności pracy z danymi byłoby krótkowzroczne, ponieważ są one ze sobą ściśle powiązane.
W zakresie zarządzania danymi wciąż jest wiele do zrobienia. Wśród firm, które chcą zwiększyć inwestycje w tę dziedzinę, 47% wskazuje na brak kompetencji jako główną barierę. To pokazuje, jak ważne jest zdobycie wsparcia kierownictwa i rozwijanie odpowiednich umiejętności w całej organizacji. Bez tych fundamentów nawet najpotężniejsze modele językowe nie będą w stanie działać skutecznie.
AI musi być odpowiedzialne i przejrzyste
W obecnym środowisku regulacyjnym nie wystarczy już, że AI „po prostu działa” – musi również być odpowiedzialna i możliwa do wyjaśnienia. Unijna ustawa o AI oraz brytyjski plan działania w zakresie AI wymagają przejrzystości w przypadku zastosowań AI o wysokim ryzyku. Inne kraje również idą w tym kierunku – ponad 1000 projektów ustaw dotyczących AI jest obecnie rozpatrywanych w 69 państwach.
Ta globalna tendencja wynika z rosnących oczekiwań konsumentów i interesariuszy dotyczących uczciwości algorytmów. Na przykład firmy muszą być w stanie wyjaśnić, dlaczego klient nie dostał pożyczki lub dlaczego zapłacił wyższą składkę ubezpieczeniową. Aby to zrobić, muszą wiedzieć, jak model podjął daną decyzję, a to z kolei wymaga przejrzystego śladu danych użytych do jego trenowania.
Bez możliwości wyjaśnienia działania AI firmy ryzykują utratę zaufania klientów oraz konsekwencje prawne i finansowe. Dlatego możliwość prześledzenia pochodzenia danych i uzasadnienia wyników nie jest już „miłym dodatkiem”, ale wymogiem zgodności z przepisami.
W miarę jak GenAI ewoluuje od prostych narzędzi do zaawansowanych agentów podejmujących decyzje, znaczenie solidnego zarządzania danymi staje się jeszcze większe.
Jak budować godne zaufania AI?
Co więc należy zrobić? Aby odpowiedzialnie rozwijać GenAI, organizacje powinny wdrożyć spójną strategię danych opartą na trzech filarach:
- Dopasowanie AI do biznesu: Kataloguj dane w oparciu o kluczowe cele biznesowe, uwzględniając specyficzne wyzwania i możliwości Twojej firmy.
- Budowa zaufania do AI: Wprowadź zasady, standardy i procesy zapewniające zgodność i etyczne wykorzystanie AI.
- Przygotowanie danych dla AI: Połącz różne źródła danych w solidną podstawę dla AI, uwzględniając wcześniejsze połączenia z GenAI.
Gdy firmy robią to dobrze, zarządzanie danymi przyspiesza wartość AI. Na przykład w sektorze finansowym fundusze hedgingowe wykorzystują GenAI do przewidywania cen akcji lepiej niż ludzcy analitycy, jednocześnie redukując koszty. W produkcji optymalizacja łańcuchów dostaw napędzana przez AI pozwala firmom reagować w czasie rzeczywistym na zmiany geopolityczne i środowiskowe.
To nie są futurystyczne wizje – dzieje się to teraz, dzięki wiarygodnym danym.
Solidne fundamenty danych zmniejszają ryzyko tzw. „dryfu modelu”, ograniczają potrzebę ponownego trenowania i przyspieszają osiąganie wartości. Dlatego zarządzanie danymi nie jest przeszkodą, ale katalizatorem innowacji.
Co dalej z GenAI?
Po fazie eksperymentów firmy wykraczają poza chatboty i inwestują w transformacyjne możliwości GenAI. Od personalizacji interakcji z klientami przez przyspieszenie badań medycznych po poprawę opieki zdrowotnej i uproszczenie procesów regulacyjnych – GenAI zaczyna pokazywać swój potencjał w różnych branżach.
Jednak te korzyści zależą wyłącznie od jakości danych, na których bazują. GenAI wymaga solidnych fundamentów danych i odpowiedniego zarządzania nimi. Choć GenAI i agentyczne AI będą się rozwijać, nie zastąpią wkrótca ludzkiej kontroli. Wchodzimy raczej w fazę strukturalnego tworzenia wartości, w której AI stanie się niezawodnym współpracownikiem. Dzięki odpowiednim inwestycjom w jakość danych, zarządzanie nimi i kulturę organizacyjną firmy mogą w końcu przekształcić GenAI z obiecującego eksperymentu w rozwiązanie, które realnie wpływa na biznes.