Rozwój, adaptacja i prognoza wydatków na Gen AI
Raport McKinsey „The state of AI in 2023: Generative AI’s breakout year” wskazuje na znaczne inwestycje w rozwój produktów i usług związanych z AI. Dane obrazują m.in. gwałtowny wzrost wykorzystania tej technologii – z raportu wynika, że korzysta z niej już niemal jedna trzecia ankietowanych. Wnioski znajdują także odzwierciedlenie w badaniu IDC według którego globalne wydatki na rozwiązania Gen AI mają osiągnąć 143 miliardy dolarów w 2027 roku (z roczną stopą wzrostu na poziomie 73,3% w latach 2023-2027). Rosnąca popularność i zwiększenie znaczenia Gen AI w świecie technologii i biznesu może przełożyć się na większe korzyści organizacji, pod warunkiem, że strategia AI będzie ściśle powiązana ze strategią biznesową firmy.
Od ChatGPT do indywidualnych potrzeb biznesu
Gen AI jest uważana za przełomową technologię, z uwagi na jej potencjał do zmiany codziennego życia poprzez automatyzację rutynowych zadań i ułatwienie wykonywania tych bardziej skomplikowanych. Jednym z prostszych lecz niezwykle istotnych zastosowań może być jej wykorzystanie w obsłudze klienta poprzez chatboty oraz wielojęzyczne wsparcie. Przykładem generatywnej AI może być m.in. ChatGPT, który korzysta z dużych modeli językowych. Aplikacje oparte na AI/LLM są dostępne dla firm choć wymagają dostosowania do indywidualnych potrzeb przedsiębiorstwa.
Aktualne poruszenie wywołane przez modele Gen AI, zwłaszcza przez modele językowe jest zrozumiałe. Do wykorzystywania tych modeli wystarczy właściwie biegle posługiwać się językiem naturalnym. W końcu to właśnie w nim precyzujemy zadania i otrzymujemy odpowiedź. Modele te wykazują imponującą zdolność do korzystania z języka naturalnego, stwarzając wrażenie rozmowy z drugim człowiekiem. Jednak ważne jest świadome podejście do tych technologii – podkreśla Łukasz Matyjaszczyk, Head of Data Analytics, GFT. – Należy pamiętać, że efektywna komunikacja nie jest jednoznaczna z poprawną odpowiedzią. Ważne jest, aby dokładnie określić oczekiwania i starannie weryfikować jakość proponowanych przez AI rozwiązań.
Generatywna AI obejmuje modele uczenia maszynowego oraz głębokiego uczenia i wykorzystuje wiele różnych podejść i technik. Kluczowe technologie i metody używane w jej przypadku to m.in.:
- modele typu Tranformer, które używane są głównie w przetwarzaniu języka naturalnego. Te modele uczą się kontekstowych relacji między słowami, dzięki czemu są w stanie tworzyć sensowne teksty, w których słowa pasują do siebie w zdaniach;
- GANs (Generative Adversarial Networks) to metoda polegająca na współzawodnictwie sieci neuronowych, generatora i dyskryminatora, gdzie generator stara się tworzyć realistyczne dane, a dyskryminator ocenia, czy są one prawdziwe, czy fałszywe;
- VAE (Wariacyjne Autoenkodery) to modele, które uczą się reprezentacji danych w sposób, który pozwala na generowanie nowych danych podobnych do tych, na których model był trenowany.
Każda z tych technologii może być używana do różnych celów w ramach Gen AI, w zależności od specyficznych wymagań zadania, takich jak generowanie obrazów, tekstów, muzyki, kodu programistycznego i innych form danych. Jednak niezależnie od typu wszystkie mogą znaleźć zastosowanie w biznesie.
Szybsza i bezpieczniejsza droga do AI
Odpowiadając na wyzwania rynku GFT wdrożyło w życie strategiczną inicjatywę GFT AI.DA Marketplace. Rozwiązanie pomaga w bardziej optymalnym wykorzystaniu danych i sztucznej inteligencji. Dzięki zaawansowanym algorytmom platforma pomaga w przekształcaniu skomplikowanych danych w konkretne i mierzalne korzyści dla przedsiębiorstw.
Platforma oferuje wszechstronne wsparcie podczas procesu wdrażania sztucznej inteligencji m.in. dzięki możliwościom generowania prototypów, opracowywania architektur referencyjnych i rozwiązań partnerskich, aż po monitorowanie i przechowywanie. Ponadto stanowi także kompendium wiedzy i technologiczną bazę dla przedsiębiorstw dążących do maksymalnego wykorzystania potencjału sztucznej inteligencji.
Częścią GFT AI.DA Marketplace jest także innowacyjne rozwiązanie AI Impact Beta, które zwiększa produktywność w tworzeniu oprogramowania o 25%. Przyspieszając transformację cyfrową rozwiązanie redukuje jednocześnie dług techniczny. Integracja Gen AI w całym cyklu życia oprogramowania (SDLC) przekłada się na automatyzację i ulepszenia w tworzeniu kodu, przeglądzie, naprawie błędów, dokumentacji i testowaniu.
Niekończące się możliwości
W erze cyfrowej, gdzie dane są nowym złotem, kluczowe staje się nie tylko generowanie wartościowych informacji, ale również ich bezpieczne i efektywne przetwarzanie. W tym kontekście, Gen AI oferuje niezwykłą możliwość przekształcania danych i automatyzację procesów, otwierając nowe ścieżki dla innowacji. Jednak pełne wykorzystanie tego potencjału wymaga solidnej infrastruktury w postaci zaawansowanej platformy danych.
Dzięki holistycznemu podejściu do całego cyklu życia danych, od ich zbierania, przez zarządzanie, analizę, aż po przechowywanie, GFT pomaga firmom w budowaniu spójnej strategii danych. Taka strategia jest niezbędna, by w pełni wykorzystać możliwości Gen AI.
Każdy projekt firmy rozpoczyna się od dogłębnego zrozumienia wymagań klienta. Przykładem może być m.in. projekt dla europejskiego klienta z sektora bankowego, gdzie wykorzystano platformę Databricks na AWS, architekturę danych typu medalion i użyto języka Python (pySpark) do procesowania. Do orkiestracji i ładowania danych wybrano rozwiązanie Kafki w wersji Confluent. Produkt jest używany głównie w zakresie CRM (Client Relationship Management), zwłaszcza w obszarze doradztwa (Bank Advisory) oraz klasyfikacji klientów. Efektywność i koszty realizacji projektu spotkały się z zadowoleniem klienta, a z rozwiązania codziennie korzysta do 6 tys. zewnętrznych użytkowników.
Każda dyskusja o przetwarzaniu danych musi zacząć się od zrozumienia ich natury, rozmiaru i prywatności. Rozpoczynając projekt analityczny, naszym zadaniem w GFT jest zbudowanie systemu, który jest zarówno bezpieczny, jak i skalowalny – mówi Mariusz Cypliński, Data Architect (CTO Team) GFT. – Tworzenie zaawansowanych platform danych z użyciem rozwiązań takich jak Databricks, Python (pySpark) czy architektury typu medalion, wynikają z naszego głębokiego zrozumienia potrzeb sektora bankowego w zakresie bezpieczeństwa i efektywności. Ponadto, adaptacja koncepcji MLOps i wykorzystanie narzędzi Azure, takich jak Azure ML, podkreślają strategiczne podejście GFT do zarządzania cyklem życia modeli Machine Learning. Te inicjatywy nie tylko zwiększają wartość dla klientów, ale również ustanawiają nowe standardy w branży analitycznej i finansowej. Zwiększając poziom zarządzalności modelami, w zakresie operacyjnym, automatyzacji, bezpieczeństwa, monitoringu czy monetyzacji modeli i danych.
Szanse i wyzwania
Pomimo postępu technologicznego w dziedzinie generatywnej sztucznej inteligencji oraz jej znacznego wpływu na sektor usług IT większość organizacji (90%) jest na wczesnym etapie dojrzałości AI, co podkreśla potrzebę dalszego rozwoju i integracji tej technologii.
Rozwój Gen AI to nie tylko ekscytujące możliwości dla przyszłości, ale także odpowiedź na bieżące wyzwania w cyfrowym świecie, gdzie szybkość, umiejętność adaptacji oraz innowacyjność są kluczowe – mówi Bartłomiej Skowronek, Ideas Accelerator Lead and Architect, GFT. – To gigantyczna szansa, widoczna zarówno w rozmowach z klientami, jak i potwierdzana w raportach branżowych. W miarę jak firmy i organizacje na całym świecie coraz bardziej integrują Gen AI w swoich operacjach, ta technologia może odgrywać coraz ważniejszą rolę w kształtowaniu przyszłości cyfrowego krajobrazu.
Rosnąca wartość Gen AI oraz jej zastosowanie w różnorodnych obszarach jak m.in. zarządzanie ryzykiem i łańcuchami dostaw, przekształca tradycyjne podejścia firm do wielu kwestii biznesowych. Ważne jest jednak, aby pamiętać, że AI różni się od ludzkiej inteligencji i wszystkie generowane treści wymagają monitorowania. Istnieją również wyzwania prawne związane z prywatnością danych i własnością prawną treści generowanych maszynowo. Bezpieczeństwo danych jest również istotnym wyzwaniem. GFT oferuje pomoc w tych obszarach, ułatwiając wdrażanie strategii generatywnej AI.
