Pomimo upływu prawie dwóch lat od wprowadzenia przełomowego modelu ChatGPT, rozwój rozwiązań opartych na AI wciąż dynamicznie przyspiesza. Wartość globalnego rynku sztucznej inteligencji sięga obecnie 184 miliardów dolarów , a liczba projektów AI w środowisku open source rośnie. GitHub odnotował w 2023 roku wzrost liczby projektów AI o 59,3% . Jednak tak duża aktywność rodzi pytanie: które z tych inicjatyw dostarczą realne innowacje, a które pozostaną eksperymentami bez większej wartości praktycznej? Jak tworzyć projekty AI, które są efektywne dowiemy się z white paper powstałego we współpracy dr Inez Okulskiej i ekspertów firmy SoftServe.
Sztuczna inteligencja, mimo swojej złożoności technologicznej, ma prosty cel: umożliwić automatyzację i optymalizację procesów, aby usprawniać zadania wykonywane przez ludzi. Rozwiązania oparte na AI muszą być nie tylko precyzyjne i wydajne, ale także zrozumiałe i łatwe w implementacji. Często jednak założenie, że jedno rozwiązanie spełni potrzeby wszystkich użytkowników, okazuje się błędne. Kluczowym wyzwaniem dla data scientists jest dostosowanie modeli AI do specyficznych grup użytkowników, z uwzględnieniem zróżnicowania w danych wejściowych oraz specyfiki problemów, które chcą rozwiązać. Brak tego zrozumienia prowadzi do tworzenia rozwiązań, które, mimo technologicznego zaawansowania, nie wykorzystują pełnego potencjału AI i są trudne do zastosowania w praktyce.
Pierwszy krok: alignment
Niezwykle ważne jest, aby już na etapie projektowania precyzyjnie określić oczekiwane wyniki, kategorie danych oraz sposób ich anotacji, tak aby odpowiadały specyficznym potrzebom docelowej grupy użytkowników. Zamiast dopasowywać model na końcu procesu, podejście align before training kładzie nacisk na wcześniejsze dostosowanie założeń modelu, co pozwala na lepszą efektywność oraz szybszą iterację. W tradycyjnym podejściu, stosowanym m.in. w rozwoju dużych modeli językowych (LLM), modele najpierw trenuje się na surowych danych, a dopiero później dopasowuje do preferencji użytkowników (najczęściej po prostu ogólnie przyjętych norm społecznych i etycznych). Natomiast w align before training priorytetem jest precyzyjne określenie założeń (w tym określenie grupy odbiorców) i danych już na wczesnym etapie, co pozwala uniknąć kosztownych błędów i zwiększa precyzję wyników.
Metodologią, która wspiera takie podejście, jest design thinking, gdzie użytkownik, będący reprezentantem wąsko określonej grupy odbiorców, staje się centralnym punktem procesu projektowania. Dzięki temu AI może być lepiej dostosowane do konkretnych przypadków użycia, zwiększając jego praktyczną wartość. W jaki sposób skutecznie przeprowadzić taki proces w swojej organizacji dowiadujemy się z white paper „Kto, jak i po co? Zorientowanie na odbiorcę we wczesnym etapie projektowania systemów AI, czyli design thinking w praktyce.” powstałego we współpracy dr Inez Okulską, Head of hAI Magazine w CampusAI i NLP Senior Research Engineer na Politechnice Wrocławskiej oraz ekspertów firmy SoftServe.
– Jednym z najpoważniejszych błędów podczas wdrożeń rozwiązań AI jest wychodzenie od poziomu technologicznego, od chęci wykorzystania AI niezależnie od potrzeb osób, które będą z niego korzystać. Kluczem do sukcesu jest prawidłowe zidentyfikowanie wyzwania, z którym mamy do czynienia, problemu, który chcemy rozwiązać. Design thinking dostarcza narzędzi i metod, które pomagają lepiej poznać docelową grupę użytkowników, zrozumieć ich potrzeby oraz precyzyjnie określić, w jaki sposób będą korzystać z tworzonego rozwiązania. Pozwala nam uniknąć podstawowego zagrożenia, czyli tworzenie efektownych, ale nie efektywnych modeli AI – mówi dr Inez Okulska.
Wiele twarzy AI
Częstym problemem we współpracy data scientists z przedstawicielami środowisk biznesowych jest brak zrozumienia złożoności procesów związanych z wdrażaniem rozwiązań AI. Wiele firm wciąż utożsamia sztuczną inteligencję głównie z generatywną AI, szczególnie w postaci konwersacyjnych modeli, takich jak ChatGPT. Tymczasem nie istnieje jedna uniwersalna AI, tak jak nie ma jednego problemu, który można rozwiązać jej pomocą, ani jednej grupy docelowej, której by ten problem dotyczył. Dlatego kluczowe jest, aby już na wczesnym etapie projektowania precyzyjnie dobierać technologię, parametry i składowe, w tym dane treningowe i testowe, zgodnie z metodyką. Odpowiednie podejście pozwala stworzyć rozwiązania, które rzeczywiście odpowiadają na konkretne wyzwania, zamiast być jedynie technologiczną nowinką. Czasem może się to odbywać kosztem atrakcyjności czy złożoności technologii – ale czy do skoszenia trawnika w przydomowym ogródku naprawdę potrzebujemy bezzałogowego kombajnu?
– W wielu projektach AI panuje błędne przekonanie, że bardziej złożone modele automatycznie przekładają się na lepsze wyniki. W rzeczywistości kluczowym czynnikiem sukcesu jest ścisła współpraca zespołów deweloperskich z interesariuszami biznesowymi, co pozwala na precyzyjne zdefiniowanie problemu i dostosowanie modelu do rzeczywistych potrzeb. Nawet najbardziej zaawansowane algorytmy, mogą okazać się mało efektywne, jeśli nie są optymalnie dopasowane do dostępnych danych, infrastruktury czy ograniczeń obliczeniowych. Ostateczna skuteczność rozwiązania AI zależy od odpowiedniego doboru architektury, parametrów modelu oraz właściwego wyboru metryk ewaluacyjnych, które muszą odzwierciedlać faktyczne cele projektowe, a nie jedynie złożoność algorytmu. Tworzenie modeli to nie tylko kwestia programowania, ale również ciągła iteracja, testowanie oraz optymalizacja w ścisłej współpracy z biznesem, aby zapewnić, że rozwiązanie jest zarówno wydajne technicznie, jak i dostarcza rzeczywistą wartość operacyjną – mówi Mateusz Kaczorek, Data Scientist w SoftServe Poland.
Kluczem jest proces
AI jako technologia wdrażana na szeroką skalę od niecałych dwóch lat nie ma jeszcze opracowanej metodologii, której naucza się na uniwersytetach. Najlepsze sposoby tworzenia rozwiązań powstają właśnie teraz, a tworzy je szeroko rozumiane środowisko IT, począwszy od inżynierów, poprzez naukowców, aż po przedstawicieli biznesu. Aby nasze działania były jak najbardziej skuteczne, warto śledzić rekomendacje środowiska. Właśnie dlatego SoftServe we współpracy z dr Inez Okulską wydał white paper zbierający rekomendacje dotyczące tworzenia modeli AI w metodologii Design Thinking.
– Naszym celem było pokazanie, w jaki sposób można tworzyć prawdziwe innowacyjne technologie, które rozwiązują realne problemy, zamiast stawać się celem samym w sobie – podsumowuje dr Inez Okulska.