Generativna veštačka inteligencija se razvija velikom brzinom dok organizacije još uvek uče i razmatraju poslovnu vrednost i rizike takve tehnologije. Usred inovacija u oblasti generativne veštačke inteligencije kao što su ChatGPT, Bard, Claude i drugi alati za kreiranje sadržaja, izvršni direktori se pitaju: da li su ove tehnološke novine samo prolazno uzbuđenje ili prilika koja menja tržišnu igru? A ako je ovo drugo, kakvu vrednost pružaju za moj posao?
U nastavku ovog teksta možete pročitati o nekim osnovnim modelima generativne veštačke inteligencije (eng. Artificial Intelligence – AI), kao i o prednostima i nedostacima pomenute tehnologije.
Osnovni modeli generativne AI
Prema McKinsey (2023, https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/what-every-ceo-should-know-about-generative-ai), javna verzija ChatGPT-a dostigla je 100 miliona korisnika za samo dva meseca. Demokratizovala je veštačku inteligenciju na način koji ranije nije viđen, dok je postao daleko najbrže rastuća aplikacija ikada. Korisnicima nije potrebna diploma mašinskog inženjera da bi ostvarili interakciju s njim ili izvukli vrednost iz njega; skoro svako ko zna da postavlja pitanja može da ga koristi. I, kao i kod drugih revolucionarnih tehnologija, kao što su personalni računar ili iPhone, jedna generativna AI platforma može dovesti do mnogih aplikacija za publiku bilo kog uzrasta ili stepena obrazovanja i na bilo kojoj lokaciji sa pristupom internetu.
Generativne AI chat botove pokreću osnovni modeli, koji sadrže ekspanzivne neuronske mreže obučene na ogromnim količinama nestrukturiranih, neoznačenih podataka u različitim formatima, kao što su tekst i audio. Osnovni modeli se mogu koristiti za širok spektar zadataka. Nasuprot tome, prethodne generacije AI modela su često bile „ograničene“, što znači da su mogli da obavljaju samo jedan zadatak, kao što je npr. predviđanje odliva kupaca. Jedan osnovni model, na primer, može da napravi rezime za tehnički izveštaj od 20.000 reči o kvantnom računarstvu, da napravi nacrt strategije izlaska na tržište za razne poslovne aktivnosti, da obezbedi pet različitih recepata sa deset sastojaka iz nečijeg frižidera. Loša strana takve svestranosti je to što, za sada, generativna veštačka inteligencija ponekad može da pruži manje tačne rezultate, stavljajući novu pažnju na upravljanje rizikom od veštačke inteligencije.
S odgovarajućim zaštitnim barijerama, generativna AI može ne samo da „otključa“ nove slučajeve upotrebe za organizacije, već i da ubrza, poveća ili na drugi način poboljša postojeće. Zamislite, na primer, poziv za prodaju. Specijalno obučeni model veštačke inteligencije mogao bi prodavcu da sugeriše prilike za povećanje prodaje, ali do sada su se one obično zasnivale samo na statičnim podacima o klijentima dobijenim pre početka poziva, kao što su demografski podaci i obrasci kupovine. Generativna AI alatka bi mogla da predloži prodavcu prilike za povećanje prodaje u realnom vremenu na osnovu sadržaja razgovora, internih podataka o kupcima, spoljnih tržišnih trendova i podataka o uticajnim društvenim medijima. U isto vreme, generativna veštačka inteligencija bi mogla da ponudi prvi nacrt prodajnog predloga koji bi prodavac mogao da prilagodi i personalizuje.
Prethodni primer pokazuje implikacije tehnologije na jednu poslovnu aktivnost. Ali skoro svaki radnik verovatno može imati koristi od udruživanja sa generativnom veštačkom inteligencijom. Dok se generativna veštačka inteligencija može koristiti za automatizaciju nekih zadataka, veliki deo njene vrednosti može proizaći iz toga kako proizvođači softvera ugrađuju tehnologiju u svakodnevne alate (na primer, e-poštu ili softver za obradu teksta) koje koriste radnici. Ovakvi nadograđeni alati bi mogli značajno povećati produktivnost.
Primena generativne veštačke inteligencije
Izvršni direktori žele da znaju da li treba da primenjuju generativnu veštačku inteligenciju, da li treba da deluju odmah – i, ako da, kako da započnu njenu primenu. Neki možda vide priliku uz primenu generativnih AI aplikacija. Drugi će možda želeti da budu oprezni, eksperimentišući sa nekoliko slučajeva upotrebe kako bi saznali više pre nego što izvrše bilo kakva velika ulaganja. Kompanije će takođe morati da procene da li imaju neophodnu tehničku ekspertizu, tehnologiju i arhitekturu podataka, operativni model i procese upravljanja rizikom koje će zahtevati neke od transformativnijih implementacija generativne veštačke inteligencije.
Brza integracija generativne veštačke inteligencije u postojeće softverske aplikacije su izuzetni. U nastavku će biti predstavljene generativne AI aplikacije uz kratko objašnjenje tehnologije, uključujući kako se ona razlikuje od tradicionalne AI.
Više od chat bota
Generativna AI se može koristiti za automatizaciju i ubrzavanje rada. Za potrebe ovog teksta, fokus je na načinima na koje generativna AI može poboljšati rad, a ne na to kako može da zameni ulogu ljudi.
Dok chat botovi koji generišu tekst, kao što je ChatGPT, dobijaju veliku pažnju, generativna veštačka inteligencija može da pruži brojne mogućnosti u širokom spektru sadržaja, uključujući slike, video, audio i kompjuterski kod. I može da obavlja nekoliko funkcija u organizacijama, uključujući klasifikaciju, uređivanje, sumiranje, odgovaranje na pitanja i izradu novog sadržaja. Svaka od ovih radnji ima potencijal da stvori vrednost promenom načina na koji se posao obavlja na nivou aktivnosti kroz poslovne funkcije i tokove posla. Slede neki primeri.
Razvrstavanje
- Menadžer za brigu o kupcima može da koristi generativnu veštačku inteligenciju da kategoriše audio fajlove korisničkih poziva na osnovu nivoa zadovoljstva pozivaoca.
- Analitičar za otkrivanje prevara može da unese opise transakcija i dokumente klijenata u generativni AI alat i zatraži od njega da identifikuje lažne transakcije.
Uređivanje
- Kopirajter može da koristi generativnu veštačku inteligenciju da ispravi gramatiku i oblikuje članak tako da odgovara korisniku brenda.
- Grafički dizajner može ukloniti zastareli logo sa slike.
Rezimiranje
- Asistent u produkciji može da kreira video snimak na osnovu sati snimljenih događaja.
- Poslovni analitičar može napraviti Venov dijagram koji sumira ključne tačke iz prezentacija rukovodilaca.
Odgovaranje na pitanja
- Zaposleni u proizvodnoj kompaniji mogu postaviti tehnička pitanja o operativnim procedurama generativnom „virtuelnom stručnjaku“ zasnovanom na veštačkoj inteligenciji.
- Potrošač može da postavi chat botu pitanja o tome kako da sastavi novi komad nameštaja.
Izrada nacrta
- Programer softvera može da podstakne generativnu veštačku inteligenciju da kreira čitave linije koda ili predloži načine da se dovrše delimični redovi postojećeg koda.
- Marketing menadžer može da koristi generativnu veštačku inteligenciju za izradu različitih verzija poruka kampanje.
Kako se tehnologija razvija, ove vrste generativne veštačke inteligencije mogu se sve više integrisati u poslovne tokove organizacija da bi automatizovali zadatke i direktno izvršili određene radnje (na primer, automatsko slanje rezimea na kraju sastanaka).
Šta razlikuje generativnu AI od drugih vrsta AI
Kao što ime sugeriše, primarni način na koji se generativna veštačka inteligencija razlikuje od prethodnih oblika AI ili analitike je taj što može efikasno da generiše novi sadržaj, često u „nestrukturiranim“ oblicima (na primer, pisani tekst ili slike) koji nisu prirodno predstavljeni u tabelama sa redovima i kolonama.
Transformatori su ključne komponente osnovnih modela – GPT zapravo označava generativni prethodno obučeni transformator. Transformator je vrsta veštačke neuronske mreže koja se obučava korišćenjem dubokog učenja, termina koji aludira na mnoge (duboke) slojeve unutar neuronskih mreža. Duboko učenje je pokrenulo mnoga nedavna dostignuća u AI.
Međutim, neke karakteristike izdvajaju osnovne modele od prethodnih generacija modela dubokog učenja. Za početak, mogu se obučiti na izuzetno velikim i raznovrsnim skupovima nestrukturiranih podataka. Na primer, tip osnovnog modela koji se zove veliki jezički model može se obučiti za ogromne količine teksta koji je javno dostupan na internetu i pokriva mnogo različitih tema. Dok drugi modeli dubokog učenja mogu da rade sa velikim količinama nestrukturiranih podataka, oni se obično obučavaju na specifičnijim skupovima podataka. Na primer, model može biti obučen za određeni skup slika kako bi mu omogućio da prepozna određene objekte na fotografijama.
U stvari, drugi modeli dubokog učenja često mogu izvršiti samo jedan takav zadatak. Oni, na primer, mogu ili da klasifikuju objekte na fotografiji ili da obavljaju drugu funkciju kao što je predviđanje. Nasuprot tome, jedan bazični model može da obavlja obe ove funkcije i takođe generiše sadržaj. Osnovni modeli gomilaju ove sposobnosti tako što uče obrasce i odnose iz širokih podataka o obuci koje unose, što im, na primer, omogućava da predvide sledeću reč u rečenici. Tako ChatGPT može da odgovori na pitanja o različitim temama, i tako DALL·E 2 i Stable Diffusion mogu da proizvedu slike na osnovu opisa.
S obzirom na svestranost osnovnog modela, kompanije mogu da koriste isti za implementaciju više slučajeva poslovne upotrebe, nešto što se retko postiže korišćenjem ranijih modela dubokog učenja. Osnovni model koji sadrži informacije o proizvodima kompanije potencijalno bi se mogao koristiti i za odgovaranje na pitanja kupaca i za podršku inženjerima u razvoju verzija proizvoda. Kao rezultat toga, kompanije mogu da koriste aplikacije i mnogo brže postignu prednosti.
Međutim, zbog načina na koji trenutni bazični modeli funkcionišu, oni nisu prirodno prikladni za sve aplikacije. Na primer, veliki jezički modeli mogu biti skloni greškama ili odgovaranju na pitanja sa uverljivim, ali neistinitim tvrdnjama. Pored toga, osnovno obrazloženje ili izvori za odgovor nisu uvek dati. To znači da organizacije treba da vode računa ukoliko integrišu generativnu veštačku inteligenciju bez ljudskog nadzora u aplikacije gde greške mogu prouzrokovati štetu ili gde je potrebno obrazloženje. Generativna AI trenutno nije pogodna za direktnu analizu velikih količina tabelarnih podataka ili rešavanje naprednih problema numeričke optimizacije.
Odgovorno korišćenje generativne veštačke inteligencije
Generativna AI ima niz ograničenja koji mogu doneti određene rizike. Izvršni direktori će želeti da dizajniraju svoje timove i procese kako bi ublažili te rizike od samog početka – ne samo da bi ispunili regulatorne zahteve koji se brzo razvijaju, već i da zaštite svoje poslovanje i zadobiju (digitalno) poverenje potrošača.
Pravednost: Modeli mogu generisati algoritamsku pristrasnost zbog nesavršenih podataka o obuci ili odluka koje su doneli inženjeri koji razvijaju modele.
Intelektualna svojina: Podaci o obuci i rezultati modela mogu generisati značajne rizike u vezi s intelektualnom svojinom, uključujući kršenje autorskih prava, zaštićenih žigova, patentiranih ili na drugi način zakonom zaštićenih materijala. Čak i kada koriste generativnu AI alatku provajdera, organizacije će morati da razumeju koji podaci su ušli u obuku i kako se koriste u rezultatima alata.
Privatnost: Zabrinutost u vezi s privatnošću može nastati ako korisnici unesu informacije koje kasnije završe u rezultatima modela u obliku koji omogućava identifikaciju pojedinaca. Generativna AI bi takođe mogla da se koristi za kreiranje i širenje zlonamernog sadržaja kao što su dezinformacije, neistinite stvari i govor mržnje.
Bezbednost: Generativnu veštačku inteligenciju mogu koristiti akteri da ubrzaju sofisticiranost i brzinu sajber napada. Takođe se može manipulisati da bi se obezbedili zlonamerni rezultati. Na primer, kroz tehniku koja se zove prompt injection, treća strana daje modelu nova uputstva koja obmanjuju model da isporuči rezultat koji proizvođač modela i krajnji korisnik nisu nameravali.
Objašnjivost: Generativna AI se oslanja na neuronske mreže sa milijardama parametara, što dovodi u pitanje našu sposobnost da objasnimo kako se proizvodi bilo koji dati odgovor.
Pouzdanost: Modeli mogu dati različite odgovore na iste upite, ometajući korisnikovu sposobnost da proceni tačnost i pouzdanost autputa.
Organizacioni uticaj: Generativna AI može značajno da utiče na radnu snagu, a uticaj na određene grupe i lokalne zajednice može biti neproporcionalno negativan.
Društveni i ekološki uticaj: Razvoj i obuka osnovnih modela može dovesti do štetnih društvenih i ekoloških posledica, uključujući povećanje emisije ugljenika (na primer, obuka jednog velikog jezičkog modela može da emituje oko 315 tona ugljen-dioksida).
Studija koju je sprovela Nielsen Norman Group
U aprilu 2023. godine istraživači iz Nielsen Norman Group-e (https://www.nngroup.com/articles/chatgpt-productivity/) objavili su novu studiju o generativnoj veštačkoj inteligenciji koja donosi važne uvide u to kako ova tehnologija poboljšava produktivnost, kvalitet rada, brainstorming sesije i smanjuje vreme posvećeno upravljanju zadacima.
Njihova premisa glasi da korisnici ne bi trebalo da slepo veruju rezultatima ChatGPT-a bez prethodne provere istinitosti. Zato studija ima za cilj da sazna, ako ljudi koriste ChatGPT, da li je vredno da ulažu napor za proveru njegovih rezultata i uređivanje.
O studiji
Oko 444 poslovnih profesionalaca iz različitih oblasti (tržišni stručnjaci, projektni menadžeri, analitičari podataka i stručnjaci za ljudske resurse) učestvovalo je u ovoj studiji. Svaki od njih je trebalo da napiše po dva poslovna dokumenta, bilo da je to saopštenje za medije, kratki izveštaj ili analiza biznis plana. Svi učesnici su prvo napisali jedan dokument na uobičajen način, bez kompjuterske pomoći. Polovina učesnika je nasumično određena da koristi ChatGPT prilikom pisanja drugog dokumenta, dok je druga polovina napisala drugi dokument bez pomoći veštačke inteligencije. Važno je napomenuti da je većina njih prvi put koristila ovaj AI alat.
Rezultati studije – Koje segmente AI poboljšava
Grupa koja se oslanjala na ChatGPT isporučila je oba dokumenta za 17 minuta, dok je drugoj grupi bilo potrebno oko 27 minuta. Drugim rečima, grupa koja je sama pisala dokumente optimalno je mogla proizvesti oko 17,7 dokumenata u osmočasovnom radnom danu, dok bi taj broj mogao porasti do 28,3 ako koriste ChatGPT.
AI alati mogu dovesti do 59% poboljšanja produktivnosti na radnom mestu.
Dokumenti napisani uz pomoć AI alata su dobili bolje ocene: 4,5 (s AI) u poređenju sa 3,8 (bez AI) na skali od 1-7. Očekuje se da ove ocene budu veće kako kosnici postaju iskusniji u korišćenju AI alata.
Jacob Nielsen u izveštaju ističe da se manje vremena troši na brzo osmišljavanje prvog nacrta teksta uz pomoć AI alata, a više vremena na poliranje finalnog rezultata.
Zaključak studije Nielsen
Iako je studija pokazala da korišćenje AI alata može imati određeni uticaj na kvalitet sadržaja, mnogo je vredniji kada je u pitanju poboljšanje produktivnosti. Što je iskustvo u korišćenju ovih AI alata veće, bolji rezultati će se ostvariti.
S obzirom na to da se vreme danas doživljava kao najveći luksuz, razumljivo je zašto je potencijal ChatGPT-a da “uštedi vreme” nešto što nema konkurenciju i što je od velikog značaja.
Generativni ekosistem veštačke inteligencije u nastajanju
Dok osnovni modeli služe kao „mozak“ generativne veštačke inteligencije, čitav lanac vrednosti se pojavljuje da podrži obuku i upotrebu ove tehnologije. Specijalizovani hardver obezbeđuje veliku računarsku snagu potrebnu za obuku modela. MLOps i provajderi čvorišta modela nude alate, tehnologije i prakse koje su potrebne organizaciji da prilagodi osnovni model i primeni ga u svojim aplikacijama za krajnje korisnike. Mnoge kompanije ulaze na tržište da ponude aplikacije izgrađene na bazi osnovnog modela koji im omogućava da obave određeni zadatak, kao što je pomoć korisnicima kompanije prilikom rešavanja problema s uslugama.
Prvi bazični modeli zahtevali su visoke nivoe ulaganja da bi se razvili, s obzirom na značajne računarske resurse potrebne za njihovu obuku i ljudski napor potreban za njihovo usavršavanje. Kao rezultat toga, razvilo ih je pre svega nekoliko tehnoloških giganata, start-up preduzeća podržana značajnim investicijama i neki istraživački kolektivi otvorenog koda (na primer, BigScience). U toku je rad na oba manja modela koji mogu dati efikasne rezultate za neke zadatke i obuku koja je efikasnija. Ovo bi na kraju moglo da otvori tržište za više učesnika. Neki početnici su već uspeli da razviju sopstvene modele — na primer, Cohere, Anthropic i AI21 Labs grade i obučavaju sopstvene velike jezičke modele.
Organizacije već godinama slede ambicije veštačke inteligencije i mnoga su ostvarila nove tokove prihoda, poboljšanja proizvoda i operativnu efikasnost. Veliki deo uspeha u ovim oblastima potiče od AI tehnologija koje su i dalje najbolje sredstvo za određeni posao. Generativna AI predstavlja još jedan obećavajući iskorak i svet novih mogućnosti. Dok se operativna i rizična skela tehnologije još uvek gradi, poslovni lideri znaju da bi trebalo da krenu na generativno AI putovanje. Ali gde i kako treba da počnu? Odgovor će se razlikovati od kompanije do kompanije, kao i unutar organizacije. Neki će početi velikim koracima; drugi mogu da preduzimaju manje eksperimente. Najbolji pristup će zavisiti od težnji kompanije i sklonosti riziku. Šta god da je ambicija, ključ je da se krene i uči iz iskustva.
Ukoliko vas zanima poslovni ili marketing menadžment, možete pogledati ponudu Visoke škole modernog biznisa – studijski modul Poslovni menadžment i Marketing menadžment.
Izvori:
Chui, M., Roberts, R., Rodchenko, T., Yee, L., Singla, A., Sukharevsky, A. & Zurkiya, D. (2023, May 12). What every CEO should know about generative AI, https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/what-every-ceo-should-know-about-generative-ai
Nielsen, J. (2023, April 2). ChatGPT Lifts Business Professionals’ Productivity and Improves Work Quality, https://www.nngroup.com/articles/chatgpt-productivity/
Piše: Karolina Perčić
