Jak przekonać zespół do wdrożenia z wykorzystaniem AI?

Czujesz, że to już ten moment? Wypada już skorzystać z tych czekających na darmowe użycie ogromnych modeli językowych, prawda? Na przykład podczas tłumaczeń dokumentacji dla nowego klienta na język hiszpański.

Pewnie masz obawy, że w tłumaczenie Twojej świetnie przygotowanej polskiej dokumentacji z grafikami i wykresami trzeba będzie zainwestować dziesiątki godzin, aby powstawiać hiszpańskie tłumaczenia. Do tego layout się rozjedzie a użyte słowa będą użyte nie w tym kontekście.

Przecież każdy Hiszpan roześmieje się na widok tłumaczenia:

“Osłona maszyny czasami może być ciepła.” ❌” La cubierta de la máquina puede ser caliente.”

To błąd! Poprawna forma to oczywiście:

✅ "La cubierta de la máquina puede estar caliente”,

czyli osłona maszyny może być ciepła w sensie temperatury a nie, tak jak w przykładzie powyżej, być podniecona seksualnie.

A może wykorzystanie tej mocy obliczeniowej do rozpoznawania obrazów w Twoim zakładzie? To faktycznie mogłoby pomóc w codziennej pracy a nie ją hamować …

Pewnie masz obawy, że kontrola opakowań Twoich produktów za pomocą Computer Vision zajmie miesiące testowania, a na koniec Twoi magazynierzy z politowaniem będą patrzeć na nieudolną klasyfikację pudełek przez komputer…

Poprawnie spakowane kartony mogą być błędnie odrzucane, bo np. niektóre z pudełek mogą być błyszczące, odbijając światło i myląc algorytm rozpoznawania powierzchni, że występuje tam np. dziura.

Te technologie da się wykorzystać i efektywnie usprawnić działanie zespołów w niemalże każdej organizacji.

Podstawą musi być plan działania. Wystarczy 8 punktów, dzięki którym wszystko pójdzie gładko. To “8” pisane pionowo, jako coś skończonego i mierzalnego a nie ∞ jako niekończący się proces, który prowadzi donikąd…

Oto nasze 8 punktów:

• Cel
• Dane
• Narzędzia
• Ludzie
• PoC - Proof of Concept
• Skalowanie
• Regulacje
• Adaptacja

Określenie celu biznesowego, czyli dokładne opisanie, jaki problem chcemy rozwiązać za pomocą AI

• Kto jest beneficjentem rozwiązania tego problemu?
• Przez ile czasu to rozwiązanie ma działać?
• Kto jest właścicielem i opiekunem procesu / rozwiązania?

Zdefiniowanie typów danych i infrastruktury

• Jakiego typu dane są potrzebne do analizy problemu (input)?
• Jakiego typu dane mają wychodzić z procedu (output)?
• Kto i jak weryfikuje poprawność i kompletność danych wchodzących do procesu?
• Kto i jak weryfikuje poprawność i kompletność danych wychodzących z procesu?
• Jaka minimalna infrastruktura jest potrzebna, aby osiągnąć cel biznesowy (chmura obliczeniowa, serwery, czujniki, maszyny)?

Narzędzia i technologie

• Czy używamy gotowych modeli i algorytmów, czy budujemy własne modele i algorytmy?
• Jak zintegrujemy podprocesy wykonywane przez AI z istniejącymi systemami IT w organizacji?

Zbudowanie zespołu lub outsourcing

• Czy mamy kompetencje wewnętrzne, czy lepiej skorzystać z zewnętrznych ekspertów?
• Czy szkolenie zespołu w zakresie AI i jego wdrażanie ma sens już na początku dążenia do celu biznesowego, czy wstępny warsztat wystarczy do określenia i podziału zadań?

PoC - stworzenie Proof of Concept - modelu pokazującego realną realizację celu biznesowego

• Czym ma być MVP (Minimum Viable Product) i jak przetestować go na małej skali w organizacji, aby odpowiedzieć na pytanie: czy to faktycznie działa?
• Jak zebrać i przeanalizować wyniki oraz dopracować MVP?

Skalowanie i optymalizacja

• Jak przejść z pilotażu (MVP) to pełnej skali rozwiązania?
• Czym różni się MVP od pełnego rozwiązania?
• Jak drogie będzie wyskalowanie MVP do pełnego rozwiązania?
• Kto będzie używał pełnego rozwiązania i czy potrzebuje z tego szkolenia?

Zgodność z regulacjami

• Jak będziemy chronić dane podczas procesu?
• Kto ma mieć dostęp do wyników eksperymentów (MVP)?
• Kto określi ograniczenia np. prawne, etyczne danego wykorzystania AI w procesie?
• Kto zdefiniuje zgodność z przepisami (np. RODO, AI Act, etc)?

Ciągłe doskonalenie procesu i adaptacja

• Kto okresowo weryfikuje poprawność działania procesu (certyfikacja) ?
• Kto odpowiada za zmiany po wdrożeniu procesu?
• Jak definiujemy w przyszłości sensowność zmian procesu (kryteria dopuszczające zmiany w procesie - np. zmiana regulacji, standardów)?

## Największe korzyści z wprowadzenia AI w organizacji

Automatyzacja i oszczędność czasu

AI umożliwia minimalizację rutynowych i czasochłonnych zadań, zwiększając efektywność pracy.

W księgowości algorytmy AI mogą automatycznie kategoryzować faktury (rozpoznawać klientów, typy usług, kategorie kosztów) i wykrywać błędy, skracając czas potrzebny na ich ręczne sprawdzenie.

Przy produkcji systemy wizyjne analizują jakość produktów w czasie rzeczywistym, eliminując potrzebę manualnych kontroli.

Obsługa klienta przez chatboty odpowiada na często zadawane pytania w trybie 24/7, redukując obciążenie zespołów pierwszej linii wsparcia. Dzięki temu pracownicy mogą skupić się na bardziej strategicznych zadaniach, a organizacja zyskuje na efektywności operacyjnej i redukcji kosztów.

Lepsza analiza danych i szybsze podejmowanie decyzji

Analiza dużych ilości danych (GB / TB danych na godzinę) w czasie rzeczywistym i podejmowanie decyzji na ich podstawie jest możliwe.

W e-commerce algorytmy rekomendacji analizują zachowania użytkowników i personalizują ofertę, zwiększając znacząco konwersję.

W branży finansowej AI wykrywa anomalie w transakcjach i zachowaniach klientów w aplikacjach mobilnych oraz ostrzega przed potencjalnymi oszustwami.

W zarządzaniu zapasami systemy AI przewidują popyt na produkty, co minimalizuje nadwyżki i braki w magazynie. Szybsza reakcja na zmiany rynkowe pozwala lepiej alokować zasoby i unikać błędów wynikających z przestarzałych lub niepełnych danych.

Poprawa jakości i wydajności

AI mocno wpływa na poprawę jakości produktów i efektywność procesów.

W halach produkcyjnych systemy komputerowego widzenia wykrywają nawet mikroskopijne defekty na liniach montażowych, eliminując wadliwe sztuki produktu przed ich wysyłką do klientów.

AI pomaga w testowaniu oprogramowania, identyfikując błędy przed wdrożeniem, co zmniejsza ryzyko awarii. Adaptacyjne testy penetracyjne systemów potrafią znaleźć dziury bezpieczeństwa w kilka minut a nie kilka tygodni, przy klasycznym podejściu.

W medycynie algorytmy AI analizują obrazy diagnostyczne szybciej niż radiolodzy, zwiększając skuteczność wykrywania chorób.

Przewaga konkurencyjna

Organizacje, które skutecznie wdrażają AI, zyskują istotną przewagę na rynku.

Amazon wykorzystuje AI do optymalizacji logistyki i personalizacji zakupów, co czyni go światowym liderem e-commerce. Jego adaptacja na zmieniające się mody i trendy konsumentów jest liczona w godzinach.

W branży finansowej banki stosujące AI do analizy ryzyka kredytowego przy liczeniu credit-score szybciej podejmują decyzje o udzieleniu pożyczek i kredytów.

Firmy ubezpieczeniowe wykorzystują AI do dynamicznego wyliczania składek na podstawie zachowań klientów, historii polis, szkód i zdarzeń pośrednich (np. częste zmiany aut w wieku powyżej 10 lat), co pozwala im oferować bardziej konkurencyjne ceny.

Skalowalność i elastyczność

AI umożliwia organizacjom rozwój bez konieczności mocnego zwiększania zasobów ludzkich czy infrastruktury.

W obsłudze klienta chatboty AI mogą obsługiwać tysiące zapytań jednocześnie, niezależnie od skali biznesu.

W logistyce systemy predykcyjne pozwalają dostosować łańcuch dostaw do sezonowych zmian popytu.

W marketingu AI automatycznie optymalizuje kampanie reklamowe w czasie rzeczywistym, dostosowując je do zachowań użytkowników, ich preferencji zakupowych, bramek płatności i sposobów dostawy.

Zainteresowany? Przekonana?

Napisz do mnie! Spróbuję doradzić, jak wykorzystać ten potencjał obliczeniowy. Inni już z tego korzystają.

grzegorz.blaszczyk@goodylabs.com