Mimo iż od wprowadzenia na rynek przełomowego ChatGPT mijają już prawie dwa lata, rozwój rozwiązań opartych na AI nie zwalnia tempa. Obecnie wartość rynku sztucznej inteligencji szacuje się na 184 miliardy dolarów[1]. Wyraźnie widać to po rosnącej liczbie projektów AI open source. W 2023 roku GitHub zanotował jej wzrost o 59,3%[2]. Tak duże zainteresowanie technologią każe jednak zastanowić się, czy wszystkie z tych projektów okażą się przydatne. Jak zatem tworzyć projekty oparte na AI, tak aby przynosiły realne korzyści biznesowe?
Sztuczna inteligencja, choć jest bardzo skomplikowaną technologią, powstała z prostym założeniem, aby ułatwiać ludziom różnego rodzaju zadania. Oparte na niej rozwiązania powinny być nie tylko funkcjonalne, ale także intuicyjne i dostosowane do ludzkich możliwości. Jednak to podejście, choć trafne często bywa niewystarczające. Kryje się w nim błędne założenie, że kluczowe cechy wszystkich ludzi są takie same. W efekcie wiele rozwiązań opartych na AI okazuje się niepraktyczne dla użytkowników końcowych i nie wykorzystuje w pełni potencjału, który daje technologia.
Szczególnie ostatnio popularne wielkie modele językowe (LLM) najpierw trenuje się na surowych danych, a dopiero potem dostosowuje do potrzeb ludzi (preferencji etycznych, społecznych, kulturowych). Odwracając ten sposób myślenia, czyli dopasowując przyszły model do potrzeb użytkowników już na etapie opracowania danych czy metod, uzyskujemy znacznie bardziej użyteczny produkt. Metodą, która pozwala zaimplementować ten sposób projektowania, jest design thinking. W jaki sposób skutecznie przeprowadzić taki proces w swojej organizacji dowiadujemy się z white paper „Kto, jak i po co? Zorientowanie na odbiorcę we wczesnym etapie projektowania systemów AI, czyli design thinking w praktyce.” powstałego we współpracy dr Inez Okulska, Head of hAI Magazine w CampusAI i NLP Senior Research Engineer na Politechnice Wrocławskiej oraz ekspertów firmy SoftServe.
– Jednym z najpoważniejszych błędów podczas wdrożeń rozwiązań AI jest wychodzenie od poziomu technologicznego, od chęci wykorzystania AI niezależnie od potrzeb osób, które będą z niego korzystać. Kluczem do sukcesu jest prawidłowe zidentyfikowanie wyzwania, z którym mamy do czynienia, problemu, który chcemy rozwiązać. Design thinking dostarcza narzędzi i metod, które pomagają lepiej poznać docelową grupę użytkowników, zrozumieć ich potrzeby oraz precyzyjnie określić, w jaki sposób będą korzystać z tworzonego rozwiązania. Pozwala nam uniknąć podstawowego zagrożenia, czyli tworzenie efektownych, ale nie efektywnych modeli AI – mówi dr Inez Okulska.
Wiele twarzy AI
Choć AI bardzo często kojarzy się z generatywną sztuczną inteligencją, a w szczególności z konwersacyjnymi modelami, takimi jak ChatGPT, warto pamiętać, że nie istnieje jedna uniwersalna sztuczna inteligencja. Wybór odpowiedniej technologii, jej parametrów i elementów składowych, takich jak dane treningowe czy testowe, powinien być starannie dopasowany do potrzeb użytkowników. Kluczowe jest, aby już na wczesnym etapie projektowania, uwzględniać odbiorcę końcowego. Tylko w ten sposób można stworzyć rozwiązanie, które faktycznie odpowie na realne wyzwania, zamiast być jedynie technologiczną ciekawostką.
– Z biznesowego punktu widzenia, zastosowanie metodyki design thinking w procesie tworzenia modeli AI pozwala na precyzyjne dopasowanie technologii do rzeczywistych potrzeb organizacji. Dzięki głębokiemu zrozumieniu problemów, z jakimi mierzą się użytkownicy końcowi, jesteśmy w stanie projektować rozwiązania, które nie tylko wykorzystują potencjał sztucznej inteligencji, ale przede wszystkim generują realne korzyści biznesowe. Design thinking minimalizuje ryzyko tworzenia kosztownych, lecz niepraktycznych narzędzi, pomagając skupić się na funkcjonalnościach, które przynoszą wymierne rezultaty, takie jak oszczędność czasu, optymalizacja zasobów czy lepsze decyzje oparte na danych – mówi Sebastian Drzewiecki, Country Manager SoftServe Poland.
AI tworzą zespoły
Aby stworzyć produkt AI, który spełnia biznesowe oczekiwania, kluczowe jest empatyczne podejście i otwarta rozmowa w zespole projektowym. Współpraca oparta na wzajemnym zrozumieniu między specjalistami różnych dziedzin – od inżynierów danych po projektantów UX i analityków biznesowych – pozwala na głębsze wczucie się w potrzeby użytkowników i wyzwania stojące przed organizacją. Taka empatyczna komunikacja umożliwia lepsze zrozumienie perspektyw każdego członka zespołu, co z kolei prowadzi do bardziej trafnych decyzji i skuteczniejszego rozwiązywania problemów. Dzięki temu produkt AI nie tylko odpowiada technologicznym wymaganiom, ale także realnie wspiera biznes, dostarczając wartościowe i użyteczne rozwiązania.
– Jednym z większych wyzwań w zarządzaniu projektem AI jest utrzymanie spójnej komunikacji w zespole. Ważne, aby decyzje uwzględniały perspektywy zarówno techniczne, jak i biznesowe. Bez empatycznego podejścia łatwo o rozbieżności, które mogą skutkować produktem nieodpowiadającym realnym potrzebom organizacji – dodaje Sebastian Drzewiecki.
AI jako technologia wdrażana na szeroką skalę od niecałych dwóch lat nie ma jeszcze opracowanej metodologii, której naucza się na uniwersytetach. Najlepsze sposoby tworzenia rozwiązań powstają właśnie teraz, a tworzy je szeroko rozumiane środowisko IT, począwszy od inżynierów, poprzez naukowców, aż po przedstawicieli biznesu. Aby nasze działania były jak najbardziej skuteczne, warto śledzić rekomendacje środowiska. Właśnie dlatego SoftServe we współpracy z dr Inez Okulską wydał white paper zbierający rekomendacje dotyczące tworzenia modeli AI w metodologii Design Thinking.
– Naszym celem było pokazanie, w jaki sposób można tworzyć prawdziwe innowacyjne technologie, które rozwiązują realne problemy, zamiast stawać się celem samym w sobie – podsumowuje dr Inez Okulska.
[1] https://www.statista.com/topics/3104/artificial-intelligence-ai-worldwide/#topicOverview
[2] https://aiindex.stanford.edu/report/
