Pomimo obiecujących perspektyw w zakresie produktywności, wielu menadżerów wciąż boi się wyjść ze skalowanie GenAI poza fazę proof-of-concept. Najczęstsze obawy dotyczą prywatności danych, dokładności wyników, niejasnego zwrotu z inwestycji oraz potencjalnych konsekwencji prawnych i regulacyjnych. Wskazówkami na temat optymalizacji zysków z wykorzystaniem AI podzielił się z naszą redakcją Andrzej Horawa, Dyrektor Generalny AWS w Polsce.
Aby zbudować zaufanie i przejrzystość wykorzystania AI w firmie, klienci wdrażają rozbudowane zasady zarządzania AI, polityki i standardy oraz jasne wytyczne dotyczące użytkowania. Jednak wykazanie wyraźnego zwrotu z inwestycji w AI, aby uzasadnić koszty projektu, zwłaszcza na poziomie kadry kierowniczej i zarządu, pozostaje poważną przeszkodą.
Wyzwanie to wynika częściowo z trudności w ilościowym określeniu wzrostu wydajności pracy umysłowej, którą optymalizuje generatywna AI. Na przykład, jak przełożyć skrócenie czasu rozwiązania problemu z 10 godzin do 1 godziny dzięki chatbotowi HR na wartość biznesową? Bez tego obliczenie zwrotu, które przekona zarząd do dalszych inwestycji, jest praktycznie niemożliwe. Biorąc pod uwagę te wyzwania, firmy coraz częściej badają różne rozwiązania AI, aby znaleźć odpowiednią równowagę między wydajnością, kosztami i łatwością wdrożenia.
Potężne modele AI firmy Anthropic, Mistral, Meta czy Amazon sprawiają, że generatywna sztuczna inteligencja jest bardziej dostępna niż kiedykolwiek. Modele te mogą generować tekst, od pracy kreatywnej po generowanie kodu, przygotować i zobrazować analizę trendów, tłumaczenie językowe, analizę wideo czy grafiki. Każda z tych funkcji pozytywnie wpływa na produktywność.
W ciągu ostatnich 12 miesięcy, wraz z rosnącą popularnością generatywnej sztucznej inteligencji wśród klientów korzystających z Amazon Bedrock, naszej usługi do tworzenia aplikacji na bazie generatywnej sztucznej inteligencji, klienci potwierdzili, że szeroki wybór modeli, zabezpieczenia i baza wiedzy ułatwiają tworzenie aplikacji AI. Obecnie dziesiątki tysięcy klientów korzysta z Amazon Bedrock do tworzenia aplikacji generatywnej sztucznej inteligencji w celu rozwiązywania różnorodnych problemów biznesowych we wszystkich branżach. W Polsce jedną z tych firm jest, Allianz który korzysta z Bedrocka do obsługi wniosków ubezpieczeniowych. Z kolei Nest Bank automatyzuje obsługę klienta korzystając z innej naszej usługi, Amazon Connect.
Co ciekawe, uzyskanie najlepszych wyników z modeli nie polega tylko na wyborze najnowszych rozwiązań. Połączenie modeli dostosowanych do potrzeb z najlepszymi praktykami w zakresie promptowania, często nazywanego inżynierią promptów, może przynieść znacznie lepsze wyniki pod względem dokładności i opłacalności. Dzięki udostępnieniu wielu przykładów pożądanych wyników użytkownicy mogą skutecznie skalibrować model do ich potrzeb, co przekłada się na większą dokładność, spójność, niższe koszty i lepszą wydajność.
Innym podejściem do podnoszenia poziomu generatywnej sztucznej inteligencji w biznesie jest tzw. retrieval-augmented generation (RAG). W tym podejściu modele sztucznej inteligencji są szkolone na konkretnych danych i nie wykraczają poza nie. Dzięki trenowaniu modelu na danych wyselekcjonowanych i dostarczonych przez użytkownika, wyniki pracy są dokładniejsze, a konieczność interwencji człowieka zmniejszona. Na przykład firma Audi niedawno wdrożyła wewnętrznego asystenta generatywnego AI, który wykorzystuje dane firmy w czasie rzeczywistym za pomocą RAG i Amazon SageMaker, aby usprawnić wyszukiwanie informacji w wewnętrznej dokumentacji i zwiększyć produktywność pracowników. Podobnie AstraZeneca wykorzystuje technologię RAG w połączeniu z Amazon Bedrock do transformacji procesu badań klinicznych, umożliwiając zespołom klinicznym szybki dostęp do istotnych informacji poprzez interfejs konwersacyjny, co przyspiesza rozwój nowych leków.
Chociaż optymalne podpowiadanie i RAG są potężnymi narzędziami, nie są one panaceum. Wybór modelu pozostaje sprawą najwyższej wagi i utrzymujemy, że nie ma jednego modelu, który będzie najlepszy dla wszystkich. Dlatego właśnie wprowadziliśmy sześć nowych modeli Amazon Nova, które zapewniają wiodący w branży stosunek ceny do wydajności, aby poszerzyć rosnącą ofertę najszerszych i najbardziej wydajnych modeli w Amazon Bedrock dla klientów.
Chociaż większość zadań może być wykonywana przez modele najbardziej zaawansowane, użycie modelu zbyt zaawansowanego do danego zadania będzie kosztować więcej i spowoduje niepotrzebne opóźnienia. Sztuczka polega na wybraniu rozwiązania, które jest wystarczające dla danego zadania, co zazwyczaj oznacza najmniejszy, najtańszy i najszybszy model, który może je wykonać.
Nadzór ludzki, selekcja i informacje zwrotne są również niezbędne do zapewnienia odpowiedniej jakości wyników i przestrzegania zasad odpowiedzialnego stosowania sztucznej inteligencji. Żaden z obecnych generatywnych systemów sztucznej inteligencji nie jest wystarczająco niezawodny, aby w pełni zautomatyzować cały proces biznesowy. Współpraca między człowiekiem a sztuczną inteligencją ma kluczowe znaczenie w naszych dążeniach do stworzenia bardziej niezawodnych, odpowiedzialnych i godnych zaufania systemów sztucznej inteligencji. Niezbędna jest również edukacja. Według tegorocznej edycji badania Unlocking Poland’s AI Potential, 45% polskich firm zmaga się z niedoborem kompetencji cyfrowych. Bez wyszkolonych kadr osiągnięcie sukcesu w implementacji AI jest niemożliwe.
Jesteśmy zaangażowani w demokratyzację dostępu i szkoleń w zakresie generatywnej sztucznej inteligencji, solidnych narzędzi do odpowiedzialnego rozwoju sztucznej inteligencji oraz inicjatyw dla klientów i partnerów, aby zapewnić bardziej zrównoważoną przyszłość. Odpowiedzialne wykorzystanie tych technologii ma kluczowe znaczenie dla wspierania ciągłych innowacji. Jednym ze sposobów, w jaki to robimy, jest zapewnienie klientom narzędzi i wskazówek potrzebnych do bezpiecznego, pewnego i odpowiedzialnego tworzenia i skalowania generatywnej sztucznej inteligencji.
