dr Piotr Kaczmarek-Kurczak: Najpierw należy wyjaśnić pewne nieporozumienie. W szerokim zastosowaniu są zaawansowane algorytmy, czyli ułożone przez ludzi (programistów) zasady działania, którymi kierują się maszyny w swojej pracy. Od pewnego czasu dodawane są do tego również mechanizmy uczenia maszynowego, czyli specjalne algorytmy pozwalające maszynom poprawiać procedury działania na podstawie wyniku poprzednich działań i wprowadzać do nich korekty.
Oczywiście wszystkie te mechanizmy w mniejszym lub większym stopniu są zaprojektowane przez programistów i trudno jest tutaj mówić o „inteligencji", czy „uczeniu się" na takim samym poziomie co u ludzi. Skuteczne wdrożenie tzw. sztucznej inteligencji wymaga nie tylko ogromnego wysiłku od organizacji, lecz także bardzo dużych nakładów sił na ich dalsze rozwijanie i udoskonalanie. Praktycznie żadna z tzw. sztucznych inteligencji nie działa tak, że można przekręcić jakiś kluczyk i zostawić ją samą sobie.
– W zasadzie mamy do czynienia w większym stopniu z rewolucją dostępności niż rzeczywiście jakimś zwrotem technologicznym. Najlepszym przykładem są samochody autonomiczne, które mimo wielu zapowiedzi wciąż nie trafiły do powszechnego użytku. Wbrew pozorom sprawne poruszanie się pojazdów w tak skomplikowanym otoczeniu, jakim są nasze drogi, przekracza jeszcze możliwości maszyn. Jeśli nie mamy nawet autonomicznych autobusów czy nawet tramwajów, to trudno oczekiwać od robotów zbyt wiele.
– Masowe wprowadzenie algorytmów i przynajmniej elementów uczenia maszynowego do firm ma jednak ogromne konsekwencje, ponieważ pozwala rozwiązać problem dostępności ekspertów. Wszystkie organizacje cierpią na problem polegający na ograniczeniu w wykorzystaniu wiedzy.
Jeśli wiedza jest zapisana w głowach ludzi, to nie zawsze jest dostępna: ludzie się męczą, nie zawsze są obecni na miejscu, by rozwiązać jakiś problem. Jest ich często za mało, by w odpowiednim momencie rozwiązać jakiś problem. Najlepiej przedstawić to na przykładzie lekarzy w czasie epidemii. Szybkie diagnozowanie pacjentów i segregowanie ich na ciężkie i lżejsze wypadki oraz rekomendowanie typowych procedur leczenia tym pacjentom, którzy mają standardowe objawy, jest właśnie dobrym przykładem miejsca, w którym można wykorzystać algorytmy i mechanizmy uczenia się maszynowego.
W przypadku medycyny do takiego zastosowania uczenia maszynowego jeszcze nie doszło, ponieważ na lekarzach spoczywa również osobista odpowiedzialność, ale w biznesie maszynowe uczenie i algorytmy stosowane są najchętniej w środowisku przemysłowym, logistyce, coraz częściej również w zaawansowanym rolnictwie, czyli wszędzie tam, gdzie brakuje fachowców i liczy się szybkość i jakość działania.
– Zapisana w algorytmach wiedza ekspertów pozwala maszynom na bieżąco rozwiązywać problemy wtedy, gdy eksperci są niedostępni lub rodzaj problemu jest typowy i nie wymaga dogłębnej analizy. W ten sposób podnosi się poziom efektywności działania w fabrykach i organizacjach, ponieważ niewielka grupa specjalistów może – dzięki napisanym przez siebie instrukcjom i procedurom – działać również wtedy i tam, gdzie normalnie ich obecność byłaby zbyt droga, lub zwyczajnie w miejscach, do których nie mogą się dostać.
Algorytmy ułożone przez fachowców oceniają na przykład jakość i dokładność spawów, kontrolując jakość produkcji, analizują obrazy radarowe rurociągów, oceniając na podstawie przygotowanych przez specjalistów kryteriów miejsca, w których najprawdopodobniej doszło do awarii, pozwalają układać kolejność spraw napływających do urzędu, analizując treść pism i przydzielając je do odpowiednich kategorii i pracowników najlepiej przygotowanych do ich rozpatrzenia itd.
Dlatego w biznesie algorytmy i uczenie maszynowe znajduje szerokie zastosowanie szczególnie w produkcji oraz w coraz większym stopniu również w pracy biurowej. Tu w grę wchodzi automatyzacja procesów biurowych, np. RPA – robotic process automation, czyli powtarzanie procedur zwykle wykonywanych przez pracowników, różne makra itd. W firmach przemysłowych, np. w Przemyśle 4.0, stosuje się na przykład systemy MES (manufacturing execution system), które zarządzają produkcją od kolejkowania zleceń, sterowanie maszynami, po wyświetlanie i kontrolowanie czynności wykonywanych przez ludzi i roboty. Coraz szerzej wykorzystuje się również systemy uczenia maszynowego w zarządzaniu magazynami (warehouse management systems), zarządzaniu łańcuchami dostaw itd.
– To zależy. Ludzie wciąż mają ogromną przewagę w postaci elastyczności działania. Maszyny i algorytmy pozwalają jednak na bardzo szybkie rozwiązywanie typowych problemów. I tutaj właśnie kryje się haczyk – tam, gdzie mamy do czynienia z typowymi problemami, z jakimi specjaliści już kiedyś się spotkali – wykorzystanie algorytmów i systemów uczenia maszynowego ma sens ze względu na szybkość i dostępność.
Tam jednak, gdzie mamy do czynienia z różnorodnymi kategoriami problemów i liczy się elastyczność – wciąż dominują ludzie. Trzeba pamiętać, że to nie jest tak, że uruchamiamy jakiś program i on sobie robi wszystko za nas. Do sprawnego i efektywnego działania maszyny – nawet systemy tzw. sztucznej inteligencji – potrzebują bardzo dobrego przygotowania środowiska, w jakim będą wykorzystywane. Firmy muszą dokonać bardzo istotnej transformacji, by systemy cyfrowe mogły wykonywać prawidłowo swoje zadania.
Można powiedzieć, że warto inwestować w systemy AI pod warunkiem, że jest to inwestycja nie tylko w samo oprogramowanie, ale najpierw w przygotowanie firmy do wdrożenia algorytmów i uczenia maszynowego, a dopiero potem samych systemów. Natomiast w wielu obszarach koszty takiej inwestycji mogą się bardzo długo zwracać i nie zawsze jest to uzasadniona inwestycja w krótkim okresie.
– Mogą. Problemem nie są może same koszty, ale brak specjalistów i bariery organizacyjne. W dużych firmach opory przed automatyzacją są dużo mniejsze i procesy pracy są na ogół bardziej sformalizowane, co ułatwia pracę architektom systemów sztucznej inteligencji. W małych firmach większość procesów nie jest ani dobrze opisana, ani też nie jest wykonywana w jakiś jednorodny sposób. Nie ma też ściśle opisanych kryteriów podejmowania decyzji, wiele rzeczy robi się nieco instynktownie, co powoduje, że stworzenie odpowiednich algorytmów działania i podejmowania decyzji może być kłopotliwe.
Algorytmy nie rodzą się same z siebie. Ktoś musi je napisać. Tzw. sztuczna inteligencja nie ma pojęcia, co robi, i odpowiednie dostosowanie jej do wymagań firmy, wytrenowanie i skalibrowanie wymaga od organizacji wiedzy i determinacji. W małych firmach może tego brakować. Sami pracownicy nie mają doświadczenia w tworzeniu specyfikacji wykonywanych przez siebie czynności, co utrudnia komunikację z informatykami.
– Maszyny na obecnym etapie rozwoju są tylko przedłużeniem człowieka. To jak z koparką – sama koparka jest bezużyteczna (jak na razie), jeśli nie kieruje nią (na miejscu lub zdalnie) operator. Wiele czynności da się w niej zautomatyzować, ale to ludzie muszą nią pokierować. Dzięki koparce jeden człowiek wykonuje pracę kilkudziesięciu pracowników z łopatami. Ale wciąż łopata nie zniknęła, a place budów pełne są pracowników wykonujących zadania wciąż niedostępne dla maszyn, w tym również oceniają, gdzie i jak koparka powinna pracować. Branże raczej nie zmienią specyfiki swojego działania, ale z pewnością usprawnią swoje działanie dzięki szerszej większej dostępności wiedzy.
Dobrym przykładem jest ChatGPT – systemy generowania tekstów nie są w stanie całkowicie zastąpić ludzi, ponieważ maszyna tylko syntetyzuje to, co napisali na dany temat właśnie ludzie. Nie wytwarza nowej jakości. Może jednak przyspieszać dystrybucję wiedzy, dostarczając osobom poszukującym odpowiedzi na konkretne pytania informacje w dostępniejszej, bardziej syntetycznej formie.
Klient poszukujący odpowiedzi na pytanie, jak rozwiązać jakiś problem, nie musi już dzwonić na infolinię lub czytać instrukcji, ponieważ jego problem może przeanalizować i udzielić instrukcji chatbot. Tylko jeśli problem przekracza zdolności algorytmu – wtedy może zainterweniować człowiek. Oszczędza to czas, pieniądze i nerwy, ale ludzie wciąż będą najlepszym sposobem, by zaspokajać potrzeby innych ludzi.
Jak sprawdzić, czy tekst wytworzony przez ChatGPT narusza prawa autorskie? Tu przydaje się pomoc.
1. Analiza źródła danych – prawnik może zbadać, jakie źródła danych zostały użyte do treningu ChataGPT. Jeśli dane pochodzą z publicznie dostępnych źródeł, ryzyko naruszenia praw autorskich jest mniejsze.
2. Porównanie z istniejącymi utworami – prawnik może porównać tekst wygenerowany przez ChatGPT z istniejącymi utworami chronionymi prawem autorskim. Jeśli tekst jest zbyt podobny do chronionych treści, może być uznany za naruszenie praw autorskich.
3. Ocena oryginalności – czy tekst wygenerowany przez ChatGPT jest wystarczająco oryginalny? Jeśli jest zbyt podobny do istniejących utworów, istnieje większe ryzyko naruszenia praw autorskich.
4. Konsultacja z właścicielem praw autorskich – jeśli istnieje podejrzenie naruszenia praw autorskich, prawnik może skonsultować się z właścicielem praw autorskich, aby uzyskać jego opinię i ustalić, czy tekst jest zgodny z jego prawami.
Dzisiejsza gazeta (e-wydanie)
Wszystkie komentarze