Przemysław Janicki, Sr Pre-Sales Solutions Architect, Risk Solutions GSZ/CE, SAS
Przystępując do codziennej pracy analityka danych czy twórcy modeli zwykle nie zastanawiamy się nad naturą naszych danych. W dotychczasowej praktyce były one bowiem niemal zawsze wytworem otaczającej nas rzeczywistości, stanowiąc jej ilościowy lub jakościowy opis w czasie lub przestrzeni. Dane telekomunikacyjne, finansowe, odnoszące się do zdrowia populacji czy zwyczajów zakupowych konsumentów – wszystkie łączy jedno: są to dane, które stanowią rezultat rzeczywistych zjawisk czy procesów mających miejsce w określonym momencie w przeszłości.
Dlaczego dane rzeczywiste nie zawsze wystarczają?
W niektórych dziedzinach zastosowań wykorzystanie danych rzeczywistych nie zawsze jest jednak możliwe lub racjonalne – choćby z powodu kosztów związanych z ich pozyskaniem. W innych przypadkach, choć dane takie będą co do zasady stanowiły podstawę naszej pracy, ograniczanie się do ich analizy w postaci „as is” nie zawsze będzie rozwiązaniem optymalnym – tu za przykład może nam posłużyć jakże częsty przypadek niezbilansowanej próby, gdy wybrane jej segmenty (grupy, warstwy) okazują się niedoreprezentowane (nadreprezentowane), prowadząc do istotnego obciążenia (bias) wskazań modelu – lub też sytuacja gdy nasza próba jest zbyt mało liczna, by w oparciu o nią móc przeprowadzić racjonalne wnioskowanie (albo też będzie wykazywała zbyt małą wewnętrzną zmienność, odzwierciedlając tylko niewielką część możliwych kombinacji stanów wektora wejściowego dla modelowanego zjawiska).
W jeszcze innych sytuacjach oparcie wnioskowania na danych rzeczywistych nie będzie w ogóle możliwe, ponieważ dane takie po prostu nie będą istnieć. Mamy tu na myśli wszelkiego rodzaju analizy symulacyjne lub scenariuszowe, które często towarzyszą wprowadzaniu na rynek nowego produktu czy usługi, weryfikowaniu skuteczności nowatorskiej terapii (medycznej) czy choćby ocenie skutków regulacji. W tych i innych przypadkach przychodzą nam z pomocą dane syntetyczne (por. rysunek 1).
Rysunek 1. Przykładowe obszary i sposoby wykorzystania danych syntetycznych.
Jak dane syntetyczne uzupełniają rzeczywistość?
Dane syntetyczne to klasa danych, które są generowane sztucznie. W przeciwieństwie do danych rzeczywistych, które zostały bezpośrednio zaobserwowane i zarejestrowane, dane syntetyczne zostały celowo i w uporządkowany sposób wytworzone. Kluczem do zrozumienia sensu ich wykorzystania jest właśnie owa celowość. Nie należy bowiem mylić danych syntetycznych z danymi przypadkowymi – przeciwnie, generując dane syntetyczne dążymy do tego, by w jak największym stopniu oddawały one charakterystyki rozkładu (lub inne cechy) danych, które wzbogacają lub zastępują. Tworzymy syntezę danych rzeczywistych i na tej podstawie generujemy nowe, nierejestrowane w przeszłości, dane – w szczególności generując je dla warunków, których (jeszcze) nie zaobserwowano. Choć więc dane rzeczywiste będą prawie zawsze najlepszą podstawą wnioskowania (z zastrzeżeniem wymienionych wcześniej przypadków – prawie w tym przypadku naprawdę robi wielką różnicę), prawidłowo skonstruowane dane syntetyczne mogą się okazać skutecznym uzupełnieniem lub alternatywą dla danych rzeczywistych, które dzięki swoim właściwościom pozwolą nam tworzyć bardziej adekwatne, wiarygodne i skalowalne modele.
Kiedy warto sięgnąć po dane syntetyczne?
Choć te zalety uwidaczniają się w przypadku modelu każdego niemal typu, szczególnego znaczenia nabierają w przypadku modeli generatywnej sztucznej inteligencji (generative AI), która na własne potrzeby konsumuje olbrzymie ilości danych uczących. Znany dziś już chyba każdemu ChatGPT na pytanie czym jest generatywna sztuczna inteligencja, w 2023 roku udzielił następującej odpowiedzi: „Są to systemy sztucznej inteligencji typu black box, które wykorzystują techniki głębokiego uczenia na bardzo dużych zbiorach danych, aby tworzyć nowe treści tekstowe, wizualne i dźwiękowe na podstawie podpowiedzi lub istniejących danych”[1]. W tym kontekście truizmem wydaje się znane powiedzenie, że nie ma dobrej AI bez dobrej jakości danych. W szczególności danych, które sztuczna inteligencja może przetwarzać w sposób bezpieczny, gdyż, jak pokazują wyniki niektórych badań, nawet 75% decydentów jest zatroskanych o prywatność i bezpieczeństwo danych, które w ich organizacjach przetwarzane są przy wykorzystaniu generatywnej sztucznej inteligencji (z drugiej strony aż 80% z nich wykazało duże zainteresowanie wykorzystaniem danych syntetycznych do rozwiązywania problemów związanych z danymi i ich użyciem na potrzeby generatywnej sztucznej inteligencji – por. rysunek 2)[2].
Rysunek 2. Dane syntetyczne jako potencjalne remedium na problem bezpieczeństwa danych w systemach AI.
Dane syntetyczne – podobnie jak sama generatywna sztuczna inteligencja – zawierają więc w sobie potencjał, którego nie warto lekceważyć, na co w swych raportach wskazują najbardziej uznane branżowe organizacje analityczne i doradcze (por. rysunek 3). Co więcej, umożliwiają one wykorzystanie sztucznej inteligencji tam, gdzie niedostatek dobrej jakości (rzeczywistych) danych uczących sprawia, że zastosowanie technik generatywnej sztucznej inteligencji staje się zbyt ryzykowne z powodu zjawiska, które określa się słowem, jakie dotąd zarezerwowane było raczej dla zachowań przedstawicieli inteligencji naturalnej – zjawiska halucynacji – kiedy to system, z pełnym „przekonaniem” o prawdziwości udzielonej odpowiedzi (które to przekonanie może udzielić się również jej odbiorcy), konfabuluje. Odpowiednio wygenerowane dane syntetyczne mogą więc to ryzyko ograniczyć.
Rysunek 3. Wybrane opinie na temat rynkowego potencjału danych syntetycznych.
Rachunek zysków i strat
Niewątpliwe zalety wykorzystania danych syntetycznych w codziennej pracy analityka to jednak tylko jedna strona medalu – nie powinniśmy ignorować także ryzyka, jakie z korzystaniem z nich się wiąże, a decyzje o ich zastosowaniu podejmować po odpowiednim zważeniu zysków i strat. Na szczęście można chyba sformułować tezę, że główne ryzyko – jakość danych wynikowych i ich porównywalność do danych będących podstawą syntezy – da się w znacznym stopniu kontrolować, a wraz z doskonaleniem technik generowania danych syntetycznych także w coraz większym stopniu mitygować.
Wszystkim zainteresowanym technikami generowania danych syntetycznych polecam artykuł „Praktyczny przewodnik po generowaniu danych syntetycznych” link
[1] Black box AI systems that use deep learning on extremely large datasets to create new written, visual and auditory content given prompts or existing data.
[2] https://www.sas.com/en_us/offers/24q2/generative-ai-reports.html
Wyniki badania, przeprowadzonego przez SAS i Coleman Parkes Research wskazują, że 48 proc. polskich przedsiębiorstw wykorzystuje GenAI. To tylko nieco poniżej globalnej średniej, która wynosi 54 proc.
Deklarację wdrożenia tej technologii w ciągu najbliższych 2 lat złożyło zaś 46 proc. badanych firm. Pośród organizacji, które już dziś korzystają z AI, dalsze inwestycje w rozwiązania bazujące na algorytmach uczenia maszynowego w najbliższym roku fiskalnym planuje podjąć 89 proc. ankietowanych, z których aż 90 proc. ma już na to zabezpieczone środki w firmowych budżetach.
To silne zainteresowanie GenAI wskazuje na wysoki optymizm i pozytywne nastawienie do tego, w jaki sposób technologia ta może pomóc organizacjom i odzwierciedla podobne poglądy obserwowane na całym świecie. Można powiedzieć, że dawno żadna technologia nie była tak szybko adaptowana przez biznes, jak właśnie sztuczna inteligencja. Polskie firmy upatrują w GenAI korzyści w postaci podniesienia wydajności oraz oszczędności kosztów, a także pozytywnego wpływu na możliwości podejmowania decyzji w czasie rzeczywistym. Co ciekawe, oba te wskaźniki są znacznie wyższe niż średnia globalna. Na ten pierwszy aspekt w Polsce wskazało 74 proc. respondentów, przy średniej światowej na poziomie 49 proc., a na drugi – 64 proc., podczas gdy globalnie wskazuje go 37 proc. badanych.
W czym tkwi sekret popularności GenAI i jakie jej zastosowania są najbardziej powszechne?
Najistotniejszym bodźcem do podjęcia działań na rzecz wdrożenia AI są korzyści biznesowe. Szczególnie, że 100 proc. obecnych użytkowników tej technologii dostrzega poprawę wydajności przetwarzania dużych zbiorów danych, zmniejszenie kosztów operacyjnych, oszczędność czasu, a także korzyści w zakresie zarządzania ryzykiem i zgodnością. Więc pozytywna opinia na temat rozwiązań wykorzystujących GenAI niesie się w biznesie i każdy chce skorzystać z tej szansy.
Dziś w polskich firmach GenAI najczęściej wspiera działy marketingu – 47 proc. wskazań, obszar sprzedaży – 34 proc., oraz IT – 26 proc., czyli te sektory, w których występuje najwięcej powtarzalnych działań, które technologia ta z powodzeniem może przejąć, odciążając pracowników. Oczywiście w kolejce do wdrożeń już ustawiają się kolejne działy firm, takie jak R&D, produkcja czy finanse – jednak tu wykorzystanie sztucznej inteligencji dopiero jest w planach.
Jak wygląda adopcja tej technologii w innych krajach?
Zacięta walka o prymat toczy się obecnie pomiędzy Stanami Zjednoczonymi a Chinami, a za nimi na podium znalazły się organizacje z Wielkiej Brytanii. Obecnie w Państwie Środka z GenAI korzysta 83 proc. organizacji, podczas gdy na Wyspach brytyjskich 70 proc. firm, a w USA 65 proc. Jednak to najwięcej organizacji w USA może pochwalić się pełnym wdrożeniem GenAI i największą dojrzałością w jej wykorzystaniu – to aż 24 proc. badanych firm, podczas gdy w Chinach znajdziemy tylko 19 proc. takich organizacji, a w Wielkiej Brytanii – 11 proc. Przoduje sektor bankowy – 17 proc. organizacji tego typu globalnie może pochwalić się pełnym wdrożeniem GenAI, na drugim miejscu są firmy z obszaru telekomunikacji z wynikiem 15 proc., a na trzecim branża ubezpieczeniowa, której 11 proc. przedstawicieli w pełni wdrożyło GenAI w procesy biznesowe.
Jakie przeszkody napotykają firmy w zakresie wdrożenia i wykorzystania GenAI?
72 proc. polskich respondentów badania obawia się o zachowanie prywatności danych, 70 proc. – o ich bezpieczeństwo. 52 proc. ankietowanych jako wyzwanie wskazuje governance, czyli nadzór nad GenAI. Najpoważniejszym wyzwaniem związanym z implementacją GenAI jest przejście od fazy koncepcyjnej do praktycznej, na co w Polsce zwraca uwagę 64 proc. organizacji, podczas gdy średnia światowa jest o 17 punktów procentowych mniejsza. Kolejną kluczową przeszkodą jest efektywne wykorzystanie zbiorów danych. Wskazuje na nią 62 proc. polskich organizacji, na świecie zaś o 10 punktów procentowych mniej.
W skali globalnej, podstawowym wyzwaniem, z którym borykają się organizacje przy wprowadzaniu GenAI, jest brak jasnej strategii w zakresie jej wykorzystania. Zaledwie 9 proc. ankietowanych wskazuje, że są bardzo dobrze zaznajomieni z procesem wdrażania GenAI w swojej organizacji. A jedynie ¼ respondentów, których organizacje w pełni wdrożyły tę technologię stwierdziło, że są zaznajomieni ze strategią jej wdrażania. Ponadto dziewięć na dziesięć osób decyzyjnych w zakresie technologii przyznaje, że nie rozumie w pełni GenAI i jej potencjału w zakresie wpływu na procesy biznesowe.
Jak prezentują się polskie firmy na tle globalnym?
Polskie firmy są otwarte na innowacje i wdrażanie najnowszych rozwiązań GenAI. Wśród wszystkich badanych krajów Polska zajmuje 10. miejsce pod względem wykorzystania GenAI w biznesie, wyprzedzając takie kraje jak Kanada, Brazylia, Włochy, Belgia, Holandia i kraje skandynawskie. Jednak, podobnie jak w innych regionach, największym wyzwaniem pozostaje kwestia przygotowania do wdrożenia skutecznego zarządzania i monitorowania tej technologii. GenAI ma potencjał, aby znacząco zmienić wiele branż. Firmy muszą jednak upewnić się, że rozwiązania wykorzystujące generatywną sztuczną inteligencję są przejrzyste i oparte na ustalonych zasadach, a decyzje podejmowane przez algorytmy można wyjaśnić. Kluczowe jest korzystanie ze sprawdzonych i bezpiecznych narzędzi, które nie tylko gwarantują ochronę i prywatność danych, ale także zapewniają, że sztuczna inteligencja działa etycznie i uwzględnia aspekt odpowiedzialności organizacji za wykonywane działania.
Raport: Generatywna AI: Strategie Budowania Przewagi Konkurencyjnej można pobrać na stronie SAS https://www.sas.com/gms/redirect.jsp?detail=PLN37318_1794982053
– To, co robi algorytm, musi przynosić wymierne korzyści biznesowe, a AI governance to m.in. nadzór nad tym, jak AI wykorzystuje dane i podejmuje decyzje – mówi Marcin Hadyś, Head of Sales w SAS Polska.
Marcin Hadyś od początku swojej kariery zawodowej był związany z sektorem finansowym, pracując zarówno w firmach konsultingowych, jak i po stronie biznesu. Obecnie nadzoruje sprzedaż rozwiązań SAS w Polsce, skupiając się na generowaniu wartości biznesowej dla klientów.
Dopiero co przeciętny przedsiębiorca zapoznał się z terminem data governance i pojął jego znaczenie, pojawił się nowy termin – AI governance. Co to takiego?
Marcin Hadyś: Otrzymujemy takie pytania od klientów. Mówią nam często, że przecież ich organizacje są już data driven, mają wdrożone data governance albo data strategy, więc po co im coś więcej. Tymczasem o ile AI governance ma części wspólne z data governance, o tyle zakresy znaczeniowe tych pojęć i ich obszary nie pokrywają się. Bo jeśli w przypadku data governance koncentrujemy się na danych, ich źródłach, pochodzeniu, kompletności, jakości itd. – bo bez danych i ich odpowiedniego przygotowania w ogóle nie może być mowy o AI w organizacji – to zagadnienie AI governance jest bardziej wielowymiarowe. Dotyczy ono np. tego, czy w ogóle chcemy część decyzji – których podejmowanie może być zautomatyzowane, bo jest powtarzalne – scedować na tzw. maszynę, a jeśli tak, to jakie to mają być decyzje. Jeśli chcemy wykorzystać w ten sposób AI, powinniśmy wiedzieć, w oparciu o co nasz algorytm podejmuje te decyzje i dlaczego wyniki są takie, a nie inne. Idąc dalej trzeba także wskazać, kto z pracowników ostatecznie ponosi odpowiedzialność za decyzje podejmowane przez sztuczną inteligencję. Ponadto to, co robi algorytm, musi przynosić wymierne korzyści biznesowe, a AI governance to m.in. nadzór nad tym, jak AI wykorzystuje dane i podejmuje decyzje, co zapewnia, że jej działania są zgodne z oczekiwaniami i wartościami firmy.
Jakie zatem wymieniłbyś kluczowe zasady efektywnego i odpowiedzialnego zarządzania AI?
Myślę, że kluczową zasadą jest tu skoncentrowanie się na celu biznesowym podejmowanych działań. W SAS bardzo mocno skupiamy się właśnie na kontekście biznesowym tego, co proponujemy klientom. Nie chodzi przecież o analizowanie danych dla samego analizowania, ale o to, by przynieść firmie wymierną wartość, wymierną korzyść. To jest podstawa, którą zdarza się organizacjom „gubić” w tej całej modzie na AI. Aby sztuczna inteligencja przyniosła korzyści, musi działać w oparciu o zasady, założenia, dzięki którym da się zweryfikować, czy efekty jej działania są zgodne z oczekiwaniami. I to jest właśnie AI governance. To zapewnia transparentność podejmowanych decyzji. Oczywiście odpowiadam na to pytanie w ogromnym skrócie i uproszczeniu, bo należy tu uwzględnić wiele innych obszarów, w tym często omijane budowanie kultury organizacyjnej, wspierającej wykorzystanie AI.
Jakie są najczęstsze wyzwania, z którymi spotykają się firmy w zakresie AI governance i jak SAS pomaga je przezwyciężyć?
Sztuczna inteligencja sama w sobie jest wyzwaniem. Nie ma bowiem jednego rozwiązania, które przyniosłoby prostą odpowiedź, „ile AI” potrzebuje dana organizacja. To jest zawsze kwestia do zdefiniowania przez każdą firmę. I dlatego naszym klientom przypominamy zarówno o tym, że to od nich zależy, które zadania zamierzają powierzyć AI, jak i to, że za każdą decyzją, którą podejmuje maszyna, musi stać człowiek. To on musi brać pod uwagę, czy warunki zewnętrzne, w ramach których algorytm podejmuje decyzje, nie uległy zmianie. To bardzo ważny obszar AI governance. Chodzi tu nie tylko o samo wdrożenie rozwiązania, ale także o jego utrzymanie i monitorowanie, czyli zapewnienie zgodności z rzeczywistością, która zmienia się w czasie. Tu trzeba stale trzymać rękę na pulsie, bo od tego zależy skuteczność decyzji biznesowych, podejmowanych przez firmę.
Wyzwaniem dla wielu branż, np. bankowości, finansów czy ubezpieczeń, jest wytłumaczalność decyzji, które podjęła sztuczna inteligencja. Tu przechodzimy na trochę inny poziom rozmowy, bo znów różne branże i różne firmy będą potrzebować różnego poziomu tejże wytłumaczalności. W świecie finansów akurat ten aspekt jest niezwykle ważny, by zminimalizować ryzyko niewłaściwych decyzji i spełnić wymagania regulacyjne oraz ograniczyć dyskryminowanie określonych osób czy cech, jeśli akurat one mogą wpływać na podejmowaną przez instytucję finansową decyzję (np. udzielenie lub nie kredytu). W DNA naszych rozwiązań zapewniona jest ta wytłumaczalność – nigdy nie oferujemy firmom tzw. black boxa, który wypluwa wyniki bez możliwości nadzoru nad tym, co się dzieje w całym procesie.
Podczas naszych rozmów z klientami, wobec swoistego hype’u na GenAI, często musimy także tłumaczyć, że nie chodzi o to, by w organizacji tworzyć jakieś nowe procesy biznesowe, które wykonywać będzie sztuczna inteligencja. Skuteczne wykorzystanie AI to jej implementacja w tych procesach, które już mają miejsce w firmie. Takie pragmatyczne podejście często też jest wyzwaniem. Organizacje muszą iść dziś w stronę poszukiwania tych obszarów, w których AI może udoskonalić obecne procesy, co pozwoli osadzić narzędzia AI w biznesowym kontekście.
Czyli AI ma być dopełnieniem do tego, co dzieje się w firmie?
Dopełnieniem, uzupełnieniem, a następnie rozwinięciem. Pojmuję AI jako technologię wspierającą podejmowanie decyzji biznesowych, a generatywną sztuczną inteligencję jako dodatek do tradycyjnych rozwiązań AI w biznesie. To się wszystko musi łączyć. Wspólnym mianownikiem wszystkich zastosowań sztucznej inteligencji powinna być potrzeba biznesowa. Nie ma sensu szukanie use case’ów na siłę tylko po to, by pochwalić się wdrożeniem.
Jakie są różnice między różnymi dostawcami technologii AI i na co zwracać uwagę przy wyborze odpowiedniego partnera technologicznego?
MH: Myślę, że przede wszystkim trzeba tu zwrócić uwagę na to, że na rynku funkcjonują zarówno rozwiązania open source, jak i rozwiązania komercyjne. Te pierwsze wydają się bardziej atrakcyjne, gdyż przez wiele osób postrzegane są jako coś dostępnego „za darmo”. W końcu można je samemu dostosowywać do swoich biznesowych potrzeb. To prawda, tylko trzeba mieć umiejętność kodowania. Może to być właściwym podejściu dla niewielkich organizacji i procesów biznesowych w ograniczonym zakresie wspieranych analityką. Żeby to się powiodło w skali dużej firmy, to umiejętność taką posiadać musi wiele osób – programiści są wtedy potrzebni w każdej komórce albo niezbędny jest hub zrzeszający programistów w ramach całego przedsiębiorstwa. To rodzi zaś wyzwania w postaci kosztów, z których nie wszyscy zdają sobie sprawę, oraz w postaci konieczności przyciągnięcia ludzi z odpowiednimi umiejętnościami. Trzeba mieć to na uwadze, decydując się na tego typu inwestycję i przemyśleć, czy nie lepiej zdecydować się na rozwiązanie, które można dostosować do swoich potrzeb biznesowych nawet wtedy, gdy się nie jest programistą. Tak działa np. SAS Viya, czyli nasza platforma AI, która stanowi odpowiedź zarówno na potrzeby osób potrafiących kodować, jak i tych, które takich umiejętności nie posiadają.
Ponadto ważne jest, aby wybrać dostawcę, który oferuje nie tylko technologię, ale także wsparcie w jej efektywnym wdrażaniu i zarządzaniu nią. Tak właśnie działamy w SAS. Z jednej strony wiemy, co może dziś zaoferować technologia, z drugiej, dzięki bogatemu doświadczeniu w działaniach z biznesem rozumiemy, czego potrzebują firmy. Jesteśmy wiec niejako naturalnie podmiotem, który oba te obszary jest w stanie połączyć i pomóc firmom w osiągnięciu korzyści biznesowej, którą ma przynieść AI.
Czy możesz wskazać takie branże, w których dziś bez AI trudno jest funkcjonować?
Pierwsza, która przychodzi mi na myśl, to branża ubezpieczeniowa. Dziś funkcjonowanie w tym sektorze bez rozwiązania antyfraudowego, wspieranego właśnie analityką i AI, jest niemożliwe. Bo sytuacja, w której firma nie skorzysta z tego typu zabezpieczeń, nie oznacza tylko zwiększonego ryzyka. Oszuści bardzo szybko odkryją brak takich rozwiązań, co spowoduje, że ubezpieczyciel zacznie w mgnieniu oka przyciągać ich do swojej oferty. W efekcie będzie po prostu tracić kapitał i zakończy działalność na skutek braku płynności finansowej. Poza ubezpieczeniami można wspomnieć oczywiście bankowość, telekomunikację, ale także w coraz większym zakresie sektor usług publicznych.
Wyniki badania przeprowadzonego przez Coleman Parkes Research na zlecenie SAS pokazują, że 48% przedsiębiorstw w Polsce wykorzystuje generatywną sztuczną inteligencję, a 46% planuje to zrobić w ciągu najbliższych dwóch lat. Na czele tego zestawienia znalazły się Chiny, gdzie 83% firm zadeklarowało, że korzysta z GenAI, następnie Wielka Brytania – 70% i USA 65%. Jak oceniasz potencjał generatywnej sztucznej inteligencji? Czy zmieni ona sposób funkcjonowania branż w najbliższym czasie?
Tu wszystko zależy od naszego zrozumienia GenAI i umiejętności jej wykorzystania. Jeśli myśląc o tej technologii poprzestaniemy np. na ChatGPT – który jest jedną z dostępnych technologii – i wykorzystaniu go do tworzenia slajdów, pisania maili czy streszczania artykułów, to wejdziemy w ślepą uliczkę. Dlatego musimy sobie uświadomić, że GenAI jest technologią, która bardzo skutecznie usprawnia procesy biznesowe, i nauczyć się ją wykorzystywać. W SAS modele językowe wykorzystujemy np. do tego, by osoba, która nie ma kompetencji programisty, a nawet nie bardzo ma wiedzę o dostępnych danych, mogła przedstawić swoją potrzebę w języku naturalnym, a jej zapytanie było zrozumiane przez AI tak samo, jak kogoś innego, kto innymi słowami opisuje ten sam problem. To tylko jeden drobny przykład wykorzystania GenAI. Po swoistym „hype na GenAI” przyszedł już czas na zastanowienie się, jakie realne korzyści biznesowe może przynieść ta technologia. A jest tego bardzo dużo, przy czym trzeba także pamiętać o ryzykach, które niesie za sobą wdrożenie GenAI bez nadzoru.
Na koniec chciałem zapytać, jak oceniasz stopień adopcji AI i GenAI na polskim rynku? Które obszary lub branże się wyróżniają, a które zostają w tyle?
Wszystko zależy od punktu widzenia. Oczywiście w tym względnie przodują rynki azjatyckie. Niemniej Polska jest bardzo wysoko w tym zestawieniu. A jeśli chodzi o adopcję AI w takich sektorach, jak bankowość i ubezpieczenia, to uważam, że jesteśmy w awangardzie. Za to mam wrażenie, że sektor publiczny mógłby zwiększyć zakres zastosowań sztucznej inteligencji. Widzimy duży potencjał w tym obszarze, który jeszcze nie jest w pełni wykorzystany.
– AI po prostu pozwala robić różne rzeczy szybciej, bardziej wydajnie, i to jest sedno jej funkcjonowania – mówi Piotr Kaczyński, Senior Business Solutions Manager, SAS Global Technology Practice.
Piotr Kaczyński jest odpowiedzialny za rozwój biznesu w obszarze analityki i integracji systemów, również na styku rozwiązań SAS i narzędzi typu open source. Przez 8 lat prowadził badania nad zbieżnością algorytmów linearyzacji procesów stochastycznych. Od 2003 roku związany z obszarem analityki w zakresie praktycznego wykorzystania modelowania predykcyjnego do prognozowania w sektorze energetycznym. Brał również udział w projektach z zakresu eksploracji danych, BI i prognozowania dla transportu morskiego. Jego głównym zainteresowaniem jest AI i operacjonalizacja analityki w środowiskach produkcyjnych z wykorzystaniem metodologii ModelOps.
Wszyscy dziś mówią sztucznej inteligencji. Czy AI jest zagrożeniem dla ludzkości, czy wręcz przeciwnie – jest niebywałą szansą na rozwiązanie wielu problemów i bolączek? Jaka jest Twoja opinia na ten temat?
Dla mnie sztuczna inteligencja nie jest ani jednym, ani drugim. Tak naprawdę sztuczna inteligencja pojawiła się dawno temu. Przecież już w latach 50. ubiegłego wieku opracowany został koncept perceptronu. Czyli taki sposób obliczeń, który dziś nazywamy AI, był już stosowany od dawna. Udowodniono (choć trochę później), że takie funkcje, będące de facto składowymi modeli analitycznych, pozwalają rozwiązywać różne problemy aproksymacji i klasyfikacji, czyli rozdzielania hiperprzestrzeni na odpowiednie podprzestrzenie. I w zasadzie jedynym, co się zmieniło przez wszystkie te lata i co sprawia, że mamy możliwość stosowania tych algorytmów na co dzień, jest dostępność ogromnej mocy obliczeniowej. Każdy dziś może samemu „wyklikać” klaster z złożony z 10, 20 czy 50 komputerów (oczywiście ponosząc odpowiedni koszt). Natomiast ja upatruję w sztucznej inteligencji ułatwienia realizacji tych najbardziej żmudnych, wymagających ręcznej pracy, czynności. AI po prostu pozwala robić różne rzeczy szybciej, bardziej wydajnie, i to jest sedno jej funkcjonowania.
Kiedyś proces przygotowania obrazu zajmował kilka dni. AI skróciło go do godzin, a nawet minut. Ponadto AI wzbogaciła wielu z nas o kompetencje, których dotąd nie mieliśmy, jak właśnie możliwość tworzenia grafiki, muzyki, filmów. To oczywiście niesie też zagrożenia i możliwość nadużyć. Ostatnio w ramach jednej z prelekcji pokazałem film wygenerowany przez AI, w którym to prezes naszej firmy obiecywał wszystkim uczestnikom spotkania po 10 tys. dolarów premii za udział w wydarzeniu. Wygenerowanie tego filmu zajęło mi około 5 minut, a sztucznej inteligencji wystarczyło 30 sekund głosu prezesa, żeby wygenerować i włożyć w jego usta w zasadzie dowolny tekst. Oczywiście to może niepokoić, ale jednocześnie pokazuje, jak AI ułatwia wiele działań, jak usprawnia i przyspiesza ludzką pracę.
Kto zatem współcześnie odpowiada za tę zmianę, za ten szybki rozwój AI? Kto ją dziś napędza? Analitycy, biznes, operatorzy centrów danych, społeczeństwo, może sama AI?
Myślę, że ten rozwój dziś po trosze napędza każda z wymienionych grup. Z jednej strony warto popatrzeć na to, kto na tym zarabia. Tu pierwszymi beneficjentami będą operatorzy centrów danych, którzy dostarczają mocy obliczeniowej. Ale równorzędnym beneficjentem z pewnością jest biznes.
Natomiast jeśli popatrzymy na opracowania pokazujące, gdzie stosowana jest generatywna AI, to okaże się, że najczęściej wykorzystują ją działy IT. Pewne działania dla specjalistów IT są po prostu żmudne, a że wiedzą oni, jak je usprawnić, to sami sobie wymyślają narzędzia. Tym bardziej, że usprawnienia dotyczą kwestii powtarzalnych, automatycznych, które nie wymagają angażowania inteligencji „białkowej”, jak w przypadku generowania obrazów.
Na które zastosowania AI powinien zwrócić uwagę biznes?
Na pewno warto przyjrzeć się takim zastosowaniom generatywnej AI, w których, jak sama nazwa wskazuje, coś generujemy, czyli tworzymy dużo tekstu, wiele obrazów i do tego te czynności są powtarzalne. Oczywiście modele fundamentalne można stosować też w przypadku różnych klasyfikacji, ale przykłady pokazują, że tutaj zauważalne są pewne niedociągnięcia i niedokładności. Więc prawdziwą wartość AI na pewno możemy zbudować, jeżeli będziemy ją wykorzystywać do realizacji tych zadań, które wymagają generowania dużej ilości tekstu, kodu, który jest powtarzalny i który można w łatwy sposób zweryfikować. Jednak powinniśmy zakładać możliwość interwencji człowieka w tym procesie, aby mieć pewność, że wygenerowane wyniki są prawidłowe. Dużo prościej jest przeczytać maila i poprawić go, niż pisać od początku całą wiadomość. Dużo prościej jest przeczytać przygotowane przez AI streszczenie wątku np. złożonej przez klienta reklamacji. Gdy operator musi przeczytać całą historię konwersacji, to łatwiej mu będzie po prostu przeczytać streszczenie przygotowane przez generatywną AI. Z drugiej strony pisząc odpowiedź też pewnie dobrze by było, aby taki konsultant miał wygenerowaną sugestię odpowiedzi i tylko ją zweryfikował. To na pewno przyspiesza pracę i pozwala oszczędzić czas. Poza tym, zwiększa to satysfakcję z pracy osobom, które zajmują się tego typu powtarzalnymi działaniami.
Które branże najchętniej wdrażają modele generatywnej sztucznej inteligencji?
Jeżeli mówimy o generatywnej sztucznej inteligencji, to obecnie jest na nią taki hype, że wszystkie branże zaczynają eksperymentować. Natomiast, z mojego doświadczenia wynika, że pierwsze zauroczenie GenAI minęło. Osoby, które faktycznie implementują takie rozwiązania oparte o modele językowe zauważają problemy z ich stosowaniem, dostrzegają ich nieprzewidywalność i „niewyjaśnialność”, czyli trudność w wytłumaczeniu wyników wygenerowanych przez tego typu model. Okazuje się na przykład, że bardzo istotne jest to, w jaki sposób zadamy pytanie algorytmowi. Oczywiście możemy pokazać świetne przykłady, gdzie sztuczna inteligencja doskonale rozwiązuje pewne zadania. Ale gdy rozmawiam z różnymi osobami z firm, z którymi współpracujemy, to pokazują mi oni konkretne przykłady niezrozumiałych działań algorytmów. Na przykład, gdy w zapytaniu skasują jedną spację, to odpowiedź udzielona przez model będzie zupełnie inna, niż kiedy ta spacja w zapytaniu się znajdzie.
Z jednej strony ogólnie wiemy, jak te algorytmy działają, ale z drugiej strony nie umiemy przewidzieć tego, w jaki sposób się zachowają w danej sytuacji. Stąd mam sceptyczną opinię na temat tego, że generatywna sztuczna inteligencja zupełnie zawojuje biznes i zastąpi człowieka. Raczej powinniśmy myśleć o jej wykorzystaniu do działań powtarzalnych, jak generowanie tekstu, który następnie będzie weryfikowany przez pracownika. Na to też wskazuje moje doświadczenie. Implementujemy narzędzia AI w contact center, call center, centrach obsługi klienta i takich departamentach, które muszą po prostu generować dużo odpowiedzi, dużo maili. Co ciekawe, tutaj często też wykorzystujemy modele deep czy machine learningowe, czyli jakby tę sztuczną inteligencję w wersji 1.0, jeśli generatywną AI określimy sobie jako wersję 2.0. Wykorzystujemy te modele do tego, żeby w odpowiedni sposób skonstruować właśnie zapytanie do GenAI.
Bardzo ciekawym zastosowaniem generatywnej AI jest też wykorzystanie jej do interakcji z bardzo skomplikowanymi algorytmami optymalizacji. Optymalizacja to jest stricte matematyka. Tutaj nie dzieje się jakaś wielka magia, nie ma neuronów, warstw, sieci neuronowych i tych wszystkich pięknych pojęć. Tu wszystko opiera się na matematyce, która przynosi konkretną wartość biznesową, bo albo zwiększamy zyski, albo minimalizujemy koszty. Wyobraźmy sobie, że chcemy np. zoptymalizować zużycie wody przy produkcji papieru. Mamy więc pewne parametry wejściowe do tego algorytmu optymalizacji. Jednak sama parametryzacja, sama interakcja z tym algorytmem i zmiana parametrów, a potem uruchomienie optymalizacji, może być trudne. Więc generatywną AI możemy zastosować do tego, żeby w języku naturalnym powiedzieć: „A co by było, gdybyśmy zmienili to i to? Gdybyśmy mieli mniejszy zasób wody? Nie 500 litrów, jak dotychczas, tylko 400?”. I wtedy generatywna AI może uruchomić zagadnienie optymalizacji i odpowiedzieć pewnym wynikiem, który będzie zrozumiały także dla laika. To przykład, że GenAI może być interfejsem do bardziej skomplikowanej maszynerii, która leży pod spodem, a my komunikujemy się z nią za pomocą słów, czyli języka naturalnego.
Oczywiście każde zastosowanie AI w biznesie musi się opłacać. Pamiętajmy, że przecież każde takie rozwiązanie w skali dużej organizacji generuje wymierne koszty, choćby zużywając energię elektryczną. Dlatego w każdym przypadku decyzję o wdrożeniu AI trzeba dobrze przemyśleć. I na pewno warto także skonsultować się ze specjalistami, którzy robią to na co dzień. Choćby po to, żeby usłyszeć ich podpowiedzi, w których obszarach AI może w danym biznesie usprawnić działania.
Jak widzisz rozwój technologii generatywnej AI np. w ciągu 5 najbliższych lat?
Myślę, że przede wszystkim zwiększy się skala jej zastosowań. Raczej nie jestem w stanie sobie wyobrazić żadnego przełomu, nowego odkrycia czy rozwiązania, które miałoby się pojawić – doświadczymy po prostu efektu skali. Do tego będziemy mieli do czynienia z bardziej precyzyjnymi algorytmami. Takimi, które będą mniej halucynować. Z drugiej stronny będziemy umieli bardziej kontrolować i weryfikować czy monitorować to, co otrzymujemy od różnych modeli generatywnej sztucznej inteligencji. Zapewne w tym też obszarze będzie największy rozwój. Natomiast w przyszłości pewnie znajdziemy takie metody, które będą pozwalały nam mieć większą pewność, że to, co zostało wygenerowane przez AI, jest prawidłowe. Niemniej generatywna sztuczna inteligencja sama w sobie jest przełomem, bo jest technologią transformacyjną. Do takich technologii zaliczyłbym te, które zmieniają świat globalnie, stając się dostępnymi dla każdego, jak koło, pismo, maszyny parowe, elektryczność, internet. To jest z pewnością technologia tej rangi.
Mówisz tutaj o szansach i o pewnych nadziejach. Widzisz może też jakieś zagrożenia w tym wszystkim?
Największym zagrożeniem według mnie jest brak chęci zrozumienia czy pogłębienia wiedzy o świecie i o generatywnej AI ze strony człowieka. Ludzie nie chcą się uczyć, przyjmują pewne rzeczy „z dobrodziejstwem inwentarza”, takimi, jakie je widzą. Oczywiście jest to wynik naturalnej cechy ludzkiego umysłu do pewnego generalizowania. Bo skąd się biorą fejki? Dlaczego są zagrożeniem? Dlatego, że nikt nie zadaje sobie pytania czy, odwołując się do użytego już wcześniej przykładu, prezes dużej firmy może każdemu uczestnikowi konferencji dać 10 tysięcy dolarów. Trzeba cały czas wątpić i zaszczepiać w ludziach gen pozytywnie krytycznego podejścia do tego, co widzą i słyszą.
Czyli znowu wracamy do ludzi, którzy są tutaj najsłabszym ogniwem, a jednocześnie czynnikiem krytycznym. A skoro o ludziach mowa, to warto dziś jeszcze studiować analitykę danych lub informatykę?
Zarówno z wykształcenia, jak i z zamiłowania jestem matematykiem. Jestem przekonany, że kompetencje matematyczno-logiczne zawsze będą cenne. Uważam, że trzeba się uczyć takich rzeczy, które są uniwersalne i w pewien sposób potem będą procentować i zbudują nasze kompetencje. Dlatego na pytanie: „Którego języka programowania dziś się uczyć?” odpowiadam „Nie wiem”. Bo nie tu znajduje się sedno zagadnienia.
Zacytowałbym tutaj mojego idola, czyli największego polskiego matematyka Stefana Banacha. On powtarzał, że: „Dobrym matematykiem jest ten, kto umie znajdować analogie między twierdzeniami; lepszym matematykiem – kto widzi analogie pomiędzy teoriami, a genialnym ten, kto dostrzega analogie między analogiami.” To właśnie możliwość generalizacji, uogólniania i wyprowadzania z tego nowych odkryć, znajdowanie nowych zastosowań jest najistotniejsze.
Jak widać, wszystko tu jest kwestią podejścia, kiedy zaczynamy działać od podstaw i krok za krokiem odkrywamy mechanizmy, schematy, analogie. Natomiast kluczowe jest zrozumienie tego, w jaki sposób coś działa i jakie są tego podstawy. To jest dla mnie sedno studiowania czy generalnie uczenia się i zdobywania wiedzy.
Na koniec zostawiłem jeszcze jedno pytanie. „Feature Store Manager usprawnia przepływ pracy dla projektów związanych ze sztuczną inteligencją i uczeniem maszynowym, znacznie skracając czas potrzebny na wprowadzenie nowych produktów AI na rynek” – czytam w poście na LinkedIn dr. Dwijendra Dwivedi, szefa zespołu ds. AI i IoT w SAS, w którym chwali się, że rozwiązanie to uzyskało ochronę patentową w USA. W poście jesteś wymieniony jako członek zespołu, który realizował ten projekt. Czy mógłbyś opowiedzieć więcej o tym rozwiązaniu?
Tym, co zostało opatentowane, jest tak naprawdę unowocześnienie konceptu, który nazywa się Feature Store, czyli magazyn cech. W projekcie tym nie koncentrowaliśmy się na szeroko rozumianej sztucznej inteligencji czy algorytmach machine learningowych, które służą do tworzenia modeli AI lub ich implementacji. Projekt ten skupiał się na tym, co jest szarą rzeczywistością data scientistów, czyli na kwestii przygotowania danych do tworzenia modeli AI. Zależało nam na tym, aby te dane można było przygotowywać szybciej i prościej, a przede wszystkim w sposób umożliwiający ich ponowne użycie.
Badania różnych globalnych firm doradczych pokazują, że etap opracowania i wyczyszczenia danych w całym cyklu przygotowania analitycznego zabiera najwięcej czasu osobom, które tworzą modele analityczne i je wdrażają. Z drugiej strony to, co dzieje się na tym etapie, w istotny sposób wpływa później na jakość modeli. Zgodnie z zasadą „rubbish in – rubbish out”, jeśli działamy na dobrych, dobrze przygotowanych danych, to i opracowane później na ich podstawie modele są lepsze.
Skoncentrowaliśmy się więc na tym właśnie procesie i stworzyliśmy rozwiązanie, którego biznesowa wartość polega na tym, że pozwala ono data scientistom na wygenerowanie odpowiednich zbiorów danych w sposób zautomatyzowany, przy wykorzystaniu innowacyjnego sposobu naliczania nowych zmiennych. Mówiąc w skrócie: dzięki naszemu rozwiązaniu nowe modele AI mogą być szybciej wdrażane produkcyjnie i można je szybciej aktualizować o nowe dane.
Blog Data Science robię został stworzony po to, aby specjaliści zajmujący się na co dzień danymi, a także zainteresowani pracą w data science i jej entuzjaści, mogli w jednym miejscu znaleźć informacje i ciekawostki na temat najnowszych technologii i ich innowacyjnych zastosowań, sytuacji na rynku pracy, możliwości kształcenia się i rozwoju kompetencji. Na blogu znajdziecie 100 artykułów o różnorodnej tematyce. Wywiady z ekspertami oraz artykuły. W dzisiejszym wpisie przypominamy kilka z tych, które zyskały największą popularność i opisują najbardziej palące zagadnienia, z którymi mierzy się na co dzień zarówno biznes, społeczeństwo, jak i sama branża.
Jeszcze 5 lat temu stanowiska związane z big data, cyberbezpieczeństwem, uczeniem maszynowym czy personalizacją sztucznej inteligencji były uznawane za zawody przyszłości. Dziś wg. raportu LinkedIn, inżynier AI znajduje się wśród 10 najszybciej rozwijających się zawodów w USA. Boom związany z rozwojem sztucznej inteligencji sprawił, że na kierunkach informatycznych polskich uczelni, na jedno miejsce przypada 10 kandydatów. Możemy śmiało powiedzieć, że zainteresowanie zdobywaniem wiedzy i studiami w zakresie uczenia maszynowego i big data obserwujemy również na naszym blogu. To właśnie teksty związane z powyższymi tematami spotkały się z największym zainteresowaniem wśród odbiorców, a są to.
Rodzaje ML i najpopularniejsze algorytmy. W tym artykule skupiamy się głównie na uczeniu maszynowym, które pomaga rozwiązywać złożone problemy w tak różnych dziedzinach, jak medycyna, bankowość i ubezpieczenia, przemysł czy telekomunikacja. Pokazujemy w nim, że ze względu na różnorodność zagadnień i przypadków, nie istnieje jedno uniwersalne zastosowanie ML, które pomoże rozwiązać dany problem i przedstawiamy kilka narzędzi do wyboru. Przykładem może być uczenie ze wzmocnieniem, które ze wszystkich istniejących technik najbardziej przypomina to, w jaki sposób uczą się ludzie, ponieważ opiera się na metodzie prób i błędów.
Kolejne popularne na blogu artykuły, w których jest bezpośrednio mowa o edukacji w zakresie data science to Studia big data na polskich uczelniach oraz Studia Analiza Danych i Analityka na polskich uczelniach. Dzisiaj uczelnie w Polsce kształcą studentów na kierunkach takich jak np. Zarządzanie projektami sztucznej inteligencji (Akademia Leona Koźmińskiego), Sztuczna Inteligencja oraz Uczenie maszynowe (Politechnika Gdańska). Politechnika Krakowska proponuje specjalności związane z AI na kierunkach informatycznych, zaś Politechnika Warszawska oferuje studia podyplomowe MBA AI & Digital Transformation w ramach Szkoły Biznesu. Natomiast jeżeli chodzi o studia w obszarze analizy danych to przykładem może być Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie.
Nie musisz umieć programować, żeby spełnić marzenia o pracy z danymi. To cytat z jednego z najbardziej cenionych artykułów naszego bloga w zakresie edukacji – Mamo, zostałem data scientist. Kim? Danologiem.To właśnie tutaj ukryte są najważniejsze przesłania, które obalają mity dotyczące pracy z danymi. Tak więc, jeżeli wabi Cię praca w data science, to rozpraw się z mitami.
Data Science w biznesie – rozwój firm i bezpieczeństwo danych
Data science odgrywa dziś kluczową rolę w rozwoju firm, wspierając je na wielu płaszczyznach i zapewniając jednocześnie bezpieczeństwo danych. Dzięki ich analizie możliwe jest odkrywanie wzorców i trendów, które mogą być wykorzystane do optymalizacji procesów w przedsiębiorstwie, personalizacji ofert i dopasowania produktów do potrzeb klienta. Data science umożliwia również wykrywanie zagrożeń cybernetycznych oraz ochronę danych osobowych, co wydaje się być kluczowe z punktu widzenia reputacji marek i zaufania klientów.Tematom związanym z bezpieczeństwem i pozytywnym wpływie data science na rozwój firm poświęciliśmy kilka wpisów na blogu, m.in.
Boty i wirtualni moderatorzy będą zapobiegać cyberprzemocy – to tytuł wywiadu, przeprowadzony ze współtwórcami Samurai Labs, Patrycją Tempską i Gniewoszem Leliwą. Opowiadają w nim o tym jak wykorzystują neuro-symboliczną sztuczną inteligencję do zapobiegania niebezpiecznym zjawiskom, w tym cyberprzemocy w Internecie. Rozwiązania wdrożone przez firmę pozwalają na autonomiczną moderację treści, blokowanie szkodliwych komunikatów zanim dotrą do odbiorcy czy pozytywne modelowanie dyskusji w sieci.
Do rozmowy o cyberbezpieczeństwie zaprosiliśmy Philipa Kinga, który jest ekspertem w zakresie poufności danych i specjalistą ds. rozwiązań technicznych w Intel Americas. W wywiadzie pt. Infekowanie danych w modelach AI – nowy niepokojący kierunek cyberataków można dowiedzieć się w jaki sposób zabezpieczyć modele sztucznej inteligencji przed wpływem złośliwych danych — Do trenowania modeli sztucznej inteligencji potrzeba miliardów próbek danych, dlatego celowe wstrzyknięcie do procesu złośliwych informacji może być stosunkowo łatwe. Znaczna część danych wykorzystywanych do szkolenia SI pochodzi bezpośrednio z Internetu, a już niewielka ilość “złych danych” może wypaczyć model. Rezultatem będzie wpływ, który pozostanie niezauważony, dopóki nie stworzy większego problemu — ostrzega Philip King.
Jak firmy mogą wykorzystać data science do rozwoju? O tym piszemy m.in. w artykule pt.
Dzięki analityce kognitywnej szybciej zrozumiesz nawet niepełne dane. To właśnie ta analityka pozwala na porządkowanie, analizę i zrozumienie danych pochodzących z takich źródeł informacji jak, np. e-maile, dokumenty tekstowe, dane z czujników (loT) czy nawet media społecznościowe. Dzięki temu firmy mogą podejmować bardziej świadome decyzje biznesowe i dostosowywać się do potrzeb klientów.
O tym wjaki sposób analityka danych wpływa na odporność firmy przeczytacie w artykule pod tym samym tytułem.W tekście przywołujemy dane, z których wynika, że aż 97% menedżerów wysokiego szczebla uważa, że wypracowanie odporności biznesowej jest istotnym zadaniem, przed którym stoją ich organizacje. 9 na 10 ankietowanych jest zdania, że analityka danych jest elementem kluczowym w kontekście pomocy w przygotowaniu się na nadchodzące kryzysy. W artykule znajdziecie 5 zasad odporności firmy i poznacie narzędzie, dzięki któremu będziecie mogli sprawdzić czy wasza firma jest odporna.
Data Science od eksploracji danych do zagadnień etycznych
Na blogu Data Science robię pokazujemy różnorodne aspekty data sience. Każdy z nich jest ważny i wart uwagi. Przykładem jest wywiad z dr hab. inż. Tomaszem Trzcińskim, prof. PW z IDEAS NCBR na temat koncepcji zero waste i recykling zasobów, czyli czas na zielone modele uczenia maszynowego. Polega ona na tworzeniu wydajnych modeli, które wykorzystują zasoby i obliczenia w taki sposób, aby minimalizować marnotrawstwo energii, operacji. Uważamy, że to niezwykle potrzebny projekt, bowiem pokazuje, że rozwój technologiczny powinien iść w parze ze zrównoważonym rozwojem.
Kolejnym istotnym tematem jest etyka sztucznej inteligencji. Jak ważne dziś jest to zagadnienie, pokazuje debata jaka toczy się na poziomie Unii Europejskiej i zatwierdzony, przez Parlament Europejski, akt w sprawie sztucznej inteligencji. O tym jak państwa i organizacje międzynarodowe opracowują zestawy etycznych reguł dla twórców algorytmów AI piszemy w artykule Jak spowodować, żeby sztuczna inteligencja była… etyczna?
Data science to nasza rzeczywistość. Poprzez blog Data Science robię, chcemy ją Wam przybliżać. Opisywać sukcesy i wyzwania jakie stoją przed branżą oraz pokazywać ludzi, którzy ją tworzą. Zapraszamy do śledzenia naszej aktywności i kolejnych wpisów, zarówno tu na blogu jak i profilu LinkedIn.