Automatyzacja zadań, analizowanie procesów i optymalizacja kosztów. Wreszcie przewidywanie ryzyka oraz wykrywanie anomalii i potencjalnych zagrożeń, np. ataków cyberprzestępców. To tylko kilka obszarów, w których biznes może wykorzystywać generatywną AI. Jak zastosowanie GAI wpłynie na funkcjonowanie przedsiębiorstw i gdzie czekają zagrożenia?

Wystarczyło kilkanaście miesięcy, żeby Generatywna Sztuczna Inteligencja (GAI) podbiła świat. Dla większości użytkowników, pierwszym kontaktem z takimi narzędziami była premiera ChatGPT w listopadzie 2022 r. Od tej pory niemal wszystkie największe firmy technologiczne opublikowały własne modele GAI. A wyścig zbrojeń między ich twórcami sprawił, że ich możliwości rosną z miesiąca na miesiąc.

Ta rewolucja była jednak skutkiem bardzo długiego procesu badawczego, którego korzenie sięgają nawet… XVII w. Za początek badań nad podstawami sztucznej inteligencji można uznać prace matematyków takich, jak Gottfried Leibniz czy George Boole, którzy opracowali “mechaniczne” metody logicznego rozumowania, stosowane dziś w sztucznie inteligentnych systemach. W 1950 roku legendarny brytyjski matematyk Alan Turing opublikował pracę "Computing Machinery and Intelligence", w której jako pierwszy stwierdził jasno, że cyfrowe komputery mogą “myśleć”. Położył w ten sposób fundament pod współczesną AI.

Już w latach 60. XX w. powstały pierwsze systemy rozpoznawania obrazu i mowy czy pierwsze czatboty, które można uznać za dalekich przodków dzisiejszych systemów GAI. Dalszy rozwój AI napotkał jednak przeszkodę. Aby działać efektywnie, takie systemy wymagają ogromnej ilości danych i mocy obliczeniowej. Mimo że w kolejnych dekadach dokonano postępów w dziedzinach takich, jak sieci semantyczne, ontologia czy rekurencyjne sieci neuronowe, “Zima AI” trwała, z krótkimi przerwami, do początku XXI. Zakończył ją dopiero gwałtowny rozwój Internetu, oferujący algorytmom ogromną ilość danych do analizy, a przede wszystkim szybki wzrost mocy obliczeniowej komputerów.

Badacze zastosowali też nowatorskie podejścia do problemu. Jednym z nich są tak zwane “Generatywne Sieci Antagonistyczne” (GAN). To model, opracowany w 2014 r. przez Iana Goodfellowa opierający się na dwóch, stale rywalizujących ze sobą sieciach neuronowych, z których jedna stara się generować realistyczne obrazy, a druga odróżniać je od prawdziwych. Dzięki tej rywalizacji, system generuje coraz bardziej realistyczne dane. Innym przełomowym rozwiązaniem okazały się tzw. transformatory. To sieci zdolne do “samo-uwagi”, czyli oceny relatywnej wagi poszczególnych danych. Pozwalają one na przetwarzanie języka naturalnego, ułatwiając tłumaczenie maszynowe, generowanie tekstu czy tworzenie odpowiedzi na pytania.

Skutkiem tych przełomów było powstanie pierwszych systemów dostępnych dla każdego użytkownika. ChatGPT, pierwszy powszechnie dostępny wielki model językowy (LLM) firmy OpenAI, w ciągu kilku dni od premiery w listopadzie 2022 r. wykorzystywało już milion użytkowników. W ciągu dwóch miesięcy było ich już 100 milionów.

GAI w służbie biznesowi

Generatywna AI szybko znalazła zastosowania w biznesie. GAI pozwala usprawnić aplikacje biznesowe poprzez automatyzację zadań, uczenie się zachowań użytkowników czy analizę danych. Umożliwia automatyczne generowanie raportów, przewidywanie trendów czy wykrywanie anomalii.

To wszystko istotnie wpływa na efektywność pracy. Opublikowane w ubiegłym roku badania Sloan School of Management Massachusetts Instutite of Technology wykazało, że pracownicy call center korzystający z opartego na wielkim modelu językowym “asystenta” zwiększyli swoją produktywność średnio o 14 proc. Co ważne, największy wzrost produktywności dotyczył pracowników najmniej doświadczonych. Jak stwierdzili autorzy badania, “technologia ta sprawiła, że pracownicy podwyższyli swoje kwalifikacje, a nie zostali zastąpieni”.

W praktyce, narzędzia GAI mogą zwiększać efektywność pracy na kilka sposobów. Mogą np. ułatwiać gromadzenie wielu źródeł danych w jednej aplikacji. Pozwalają automatyzować proces tworzenia notatek z dokumentów tekstowych, asystować w tworzeniu raportów i prezentacji, mogą wreszcie tworzyć transkrypty i podsumowania spotkań online, co znacząco usprawnia komunikację wewnątrz organizacji.

To jednak zaledwie najbardziej podstawowy sposób wykorzystania tych narzędzi w biznesie. W sektorze zdrowotnym, narzędzia GAI mogą być używane do wsparcia diagnoz pacjentów (np. do analizy badań radiologicznych), układania spersonalizowanych planów leczenia czy projektowania nowatorskich leków. Narzędzia takie, jak GitHub Copilot usprawniają także proces tworzenia oprogramowania. Inteligentny “asystent” pomaga programistom tworzyć, analizować i testować kod, skracając czas trwania procesu i poprawiając jakość gotowego produktu. Wyspecjalizowane modele GAI mogą służyć do analiz scenariuszy, przewidywania ryzyka i modelowania strategii. Przemysł może wykorzystywać je do optymalizacji procesów, ciągów logistycznych czy zużycia energii. Handel - do analizy zachowań i potrzeb kupujących oraz alokacji zasobów.

Bezpieczeństwo, siła i zagrożenia GAI

Szczególnie istotną rolę generatywne modele AI mogą odegrać w finansach i bankowości. W branżach w znacznym stopniu narażonych na działania przestępców, inteligentne narzędzia mogą być wykorzystywane do uczenia się wzorców i wykrywania anomalii. Przykładem wykorzystania GAI w praktyce biznesowej jest zaawansowana analityka i sztuczna inteligencja SAS, która ułatwia wykrywanie oszustw finansowych w czasie rzeczywistym. Techniki uczenia maszynowego identyfikują potencjalnie ryzykowne zjawiska, szybko je analizują i interweniują. Rozwiązania SAS, wprowadzone we włoskim Poste Italiane pozwoliły np. drastycznie zmniejszyć liczbę fałszywych alarmów i zwiększyć zdolność instytucji do radzenia sobie z nietypowymi płatnościami.

To ważne, bo narzędzia GAI są także stosowane przez przestępców. Generatywna sztuczna inteligencja jest wykorzystywana do generowania przekonujących wiadomości phishingowych czy nagrań deepfake, które mogą być stosowane przez przestępców do wyłudzeń i innych oszustw. Obrona przed takimi zagrożeniami wymaga zastosowania zaawansowanych rozwiązań, które ułatwiają wykrywanie potencjalnych ataków cyberprzestępców i ochronę organizacji przed ich konsekwencjami.

Stosowanie narzędzi generatywnej sztucznej inteligencji wiąże się jednocześnie z wyzwaniami, z których powinny sobie zdawać sprawę organizacje i ich pracownicy. Jednym z najlepiej znanych z nich jest problem “halucynacji”, występujący w wielkich modelach językowych. Polega on na tym, że LLM dostrzega w danych pozorne wzorce, na podstawie których produkuje błędne odpowiedzi. To z kolei może prowadzić do podejmowania złych decyzji biznesowych, a w rezultacie utraty zaufania klientów. Badania firmy Vectara wskazują, że w zależności od zastosowanego modelu, publicznie dostępne LLM „halucynują” przy od 3 do 27 proc. odpowiedzi generowanych przez system.

Przyczyna tego zjawiska może leżeć w nietypowym zapytaniu użytkownika, ale często u podstaw halucynacji leżą problemy z danymi, na których wyszkolony został system. W jaki sposób ograniczyć wiążące się z halucynacjami zagrożenia? Poprzez szkolenie systemów AI na wysokiej jakości, reprezentatywnych i dobrze oznakowanych zestawach danych, regularne testowanie oraz walidację modeli i ustalenie ograniczeń, które zapobiegają generowaniu nierealistycznych wyników. W kluczowych zastosowaniach istotne jest także tworzenie hybrydowych systemów decyzyjnych, w których AI działa z ludzkim nadzorem, pozwalającym wykrywać i korygować błędy.

Niedostatecznie zabezpieczone i przetestowane modele generatywnej sztucznej inteligencji mogą również być narażone na ataki z zewnątrz, w ramach których napastnicy wykorzystują luki w oprogramowaniu do zmuszenia modelu do wykonywania szkodliwych działań, np. ujawniania poufnych danych. Tutaj także kluczową metodą zabezpieczenia się przed negatywnymi konsekwencjami jest dokładna weryfikacja, monitorowanie działania modelu i wprowadzanie ograniczeń, które blokują potencjalnie niebezpieczne działania.

Nie zapominajmy o etyce

Stosowanie GAI wiąże się także z wyzwaniami etyczno - prawnymi. Wyszkolone na ograniczonych, niereprezentatywnych zestawach danych modele mogą, zamiast podejmować racjonalne decyzje, wzmacniać jedynie istniejące w danej organizacji tendencje. W 2018 r. Amazon zrezygnował z systemu wykorzystującego AI w procesie rekrutacji nowych pracowników, gdy wyszło na jaw, że model wytrenowany na zestawie danych dotychczasowych kandydatów do pracy, dyskryminował kobiety, które wcześniej stanowiły zdecydowaną mniejszość aplikantów.

Innym problemem są potencjalne naruszenia praw autorskich dokonywane przez takie systemy. To istotny problem, bo większość publicznie dostępnych modeli GAI jest szkolona na ogromnych ilościach danych pobranych z Internetu. Wiąże się to z ryzykiem nieumyślnego naruszenia praw intelektualnych oryginalnych autorów treści, obrazów czy kodu komputerowego. Sposobem na ograniczenie ryzyka jest stosowanie wyspecjalizowanych modeli, szkolonych na dobrze dobranych zestawach danych pozbawionych ryzyka prawnego.

Rozwój rynku narzędzi GAI

Nic nie wskazuje na to, by wyzwania związane z zagrożeniami stanowiły problem nie do przezwyciężenia. Analiza Bloomberg Intelligence pokazuje, że rynek modeli generatywnej sztucznej inteligencji w najbliższych latach czeka ekstremalnie szybki rozwój. Analitycy prognozują, że rynek narzędzi GAI, w 2022 r. wart 40 mld dol., do 2032 roku ma osiągnąć wartość 1,3 bln dolarów. Firma consultingowa McKinsey szacuje, że wykorzystanie generatywnej AI w 63 zastosowaniach biznesowych może przynieść globalnej gospodarce zyski rzędu 2,6 do 4,4 bln dolarów rocznie. Jedną z przyczyn jest fakt, że narzędzia GAI są w stanie zautomatyzować działania, które dziś absorbują 60-70 proc. czasu pracowników.

Nie ma w zasadzie branży, na której generatywna sztuczna inteligencja nie odciśnie w najbliższych latach swojego wpływu. Coraz powszechniejsze jest stosowanie narzędzi wizji komputerowej, wspomagających lekarzy, odpowiadających za bezpieczeństwo autonomicznych pojazdów czy monitorujących stan linii produkcyjnych w fabrykach.

Firma analityczna Gartner przewiduje, że w 2024 r. 40 proc. wszystkich aplikacji biznesowych będzie zawierać “konwersacyjną sztuczną inteligencję”, do 2025 r. 30 proc. firm wprowadzi strategię rozwoju wspieranego przez AI, a do 2026 r. generatywna sztuczna inteligencja zautomatyzuje 60 proc. pracy związanej z projektowaniem stron internetowych czy aplikacji. Aż 15 proc. nowych aplikacji ma być automatycznie generowanych przez AI bez udziału człowieka. W tym samym roku aż 100 mln pracowników ma współpracować ze sztuczną inteligencją.

Oznacza to gwałtowny wzrost efektywności pracowników, spadek kosztów i możliwość dynamicznego reagowania na zmieniające się warunki. Najpierw jednak i firmy, i pracownicy muszą nauczyć się skutecznie wykorzystywać możliwości oferowane przez te nowe narzędzia. Jednocześnie pamiętając, że choć generatywna sztuczna inteligencja posiada szerokie umiejętności, nie jest w stanie wykonywać wszystkich zadań.