Wdrażanie sztucznej inteligencji - 5 błędów, jakie możesz popełnić

Wdrażanie sztucznej inteligencji – 5 błędów, jakie możesz popełnić

Całodobowa dostępność, szybsze decyzje i minimalizacja ludzkich błędów w procesach to niewątpliwe zalety sztucznej inteligencji (SI). Szybki wzrost obecnie sprzedawanej mocy obliczeniowej dodatkowo spowodował, że procesy wcześniej wykonywane przez ludzi nie są już traktowane za efektywne. Mniejsze, innowacyjne firmy starają się podążać za trendami, zaś firmy większe mają problem z wdrożeniem tego typu innowacji, ponieważ podchodzą do niej szablonowo.

Obecnie moc obliczeniowa komputerów jest znacznie większa i tańsza niż przed laty. Wcześniej opłacalne było wykonywanie pracy ręcznie, teraz to strata czasu i energii ludzi. Z pomocą przychodzi sztuczna inteligencja, która wykonuje złożone zadania, które kiedyś wymagały wkładu ludzi. Odtwarza ona ludzki sposobu postrzegania rzeczywistości i reagowania na nią. Wykracza także poza możliwości poznania człowieka w bardzo wąskich dziedzinach. Zostawia zaś przestrzeń na myślenie kreatywne i spojrzenie na niektóre problemy z lotu ptaka. Pracownikom stawia zaś wyzwania, by z roli wykonawcy przejść do roli nadzorcy i trenera algorytmów sztucznej inteligencji. Jednak, aby móc odciążyć się od rutynowych działań, najpierw muszą oni rozumieć i chcieć wdrożyć sztuczną inteligencję. Warto więc przyjrzeć się wyzwaniom, jakie możemy napotkać, wdrażając sztuczną inteligencję do swojej firmy.

Błąd nr 1  – trudny dostęp do danych

Jednym z najczęściej popełnianych błędów jest trudność z pozyskaniem danych do analizy. Przykładem może być producent części motoryzacyjnych w Niemczech zatrudniający ponad 5000 pracowników. W trakcie realizacji projektu opartego o sztuczną inteligencję zespół był zmuszony do pozyskiwania danych z systemu poprzez zamontowanie dodatkowego modułu — skrzyneczki — pomiędzy drukarką a komputerem. Celem było przechwytywania pakietów i wykonywania analizy OCR. Z punktu widzenia infrastruktury, był to atak typu man in the middle. Oznacza to, że pracownicy fabryki byli zmuszeni sami atakować swoje systemy, by móc uzyskać dostęp do danych. Przykład ten pokazuje, że nie było łatwo pozyskać dane z systemów fabryk nawet będący ich właścicielem lub kluczowym pracownikiem. Jest to kuriozalna sytuacja, ponieważ pokazuje, do jakich kroków musi posunąć się załoga w fabryce, aby otrzymać dostęp do danych.

Przyczyny problemów

Jakie są zatem symptomy nadchodzącego problemu tego typu? Najczęściej można usłyszeć takie hasła jak: „szybko porozumiemy się z działem IT”, „mamy wszystkie dane, są one w naszych systemach”, czy dostawca systemu szybko udostępni nam te dane albo przygotuje integrację”. Warto zastanowić się, dlaczego panują takie przekonania i dlaczego występuje problem utrudnionego dostępu do danych. Pierwszą przyczyną jest niechęć dostawców systemów i maszyn do dzielenia się danymi. Każda taka interakcja kosztuje, a przecież budżety są bardzo ważnym aspektem dla dostawców. Druga kwestia to władza, czyli dość częsty przypadek poczucie utraty kontroli przez dział IT nad danymi. Kolejną przyczyną jest brak wiedzy na temat lokalizacji danych. Pracownicy nie zawsze w pełni wiedzą gdzie te dane się znajdują.

Możliwe rozwiązania

Rozwiązaniem natomiast może być dotarcie do informacji, gdzie dane są przechowywane. Warto więc przygotować inwentaryzację systemów i sposobów dostępów do danych w postaci listy lub tabelki. Taki system z danymi dostępowymi jest bardzo pomocny we wdrażaniu sztucznej inteligencji. Jeżeli problem jest głębszy, to warto skorzystać z dodatkowych, autonomicznych czujników IoT. Rozszerzają one możliwości urządzeń, maszyn i stanowisk o zbieranie informacji z czujników zbliżeniowych czy też indukcyjnych. Obecnie jest to rozwiązanie relatywnie niskokosztowe. Ostatni aspekt przyda nam się jeżeli mamy dwa systemy, które się ze sobą nie komunikują. Wtedy warto wykorzystać RPA, czyli technologię Robotic Process Automation. Dzięki niej możemy nagrać zachowanie użytkownika, a następnie robot poprzez aplikację wykonuje cyklicznie określone akcje. Najczęściej są to rutynowe działania przenoszenia danych. Z uwagi na trudność pozyskiwania danych jest to coraz bardziej popularne rozwiązanie.

Błąd nr 2 – niewiarygodne informacje

Kolejną trudnością, jaką napotyka się przy wdrażaniu sztucznej inteligencji, jest wiarygodność danych. Przykładem może być jedna z Polskich firm zatrudniających ponad 500 pracowników. Specjalizuje się ona w produkcji płytek PVB, czyli komponentów elektronicznych dostępnych praktycznie w każdym urządzeniu elektronicznym. Firma ta większość działań raportujących opierała na papierze. Dane były przekazywane do osoby, która przepisywała je arkusza kalkulacyjnego, a następnie przeprowadzała proste przetwarzanie i wysyłała je do osób zarządzających. W wyniku długiej ścieżki dokumenty trafiały do osób zarządzających po 2 lub nawet 3 dniach. Było to zdecydowanie za długo, gdyż reakcja na problem nie miała wtedy sensu. Dodatkowo dane te były dalekie od rzeczywistości.

Przyczyny problemów

Warto zastanowić się jak zazwyczaj objawia się ten problem. Zdarza się usłyszeć, że pracownicy mówią „przepraszam, zrobiłem pomyłkę w raporcie, ale raport na koniec zmiany zostanie skorygowany tak, żeby liczby się zgadzały”. Patrząc na takie sytuacje, możemy mieć wątpliwości co do wiarygodności dostarczonych danych. Co jest więc przyczyną takich problemów? Przede wszystkim należy pamiętać, że przy ręcznym gromadzeniu danych zdarzają się liczne pomyłki (świadome bądź nie). Dodatkowo brak jest danych historycznych. Bardzo utrudnia to proces wdrożenia algorytmu sztucznej inteligencji. Firmy preparują więc dane tak, żeby na potrzebę pracy z dostawcą SI były one dostępne, chociaż w przybliżonej wartości. Powoduje to błędną naukę algorytmu. Algorytm uczy się bowiem podobnie jak człowiek — na doświadczeniach i faktach. Mając mylne dane, podaje więc mylne wyniki. Jeżeli do tego dodamy opóźnioną reakcję sztucznej inteligencji np. z powodu dwudniowego opóźnienia, to de facto otrzymujemy dane, z których nie warto skorzystać.

Możliwe rozwiązania

Na szczęście jest kilka rozwiązań, jakie mogą pomóc nam z problemem niewiarygodnych informacji. Po pierwsze gromadzenia danych w czasie rzeczywistym. Są one wtedy mniej podatne na manipulację. W celu lepszego zbierania danych od ludzi i maszyn warto jest skorzystać z rozwiązań gotowego oprogramowania i zbierania danych. Dobrze jest także zweryfikować dane ręcznie, przed dostarczeniem ich dla dostawcy. Unika się wtedy wysyłania pustych lub okrojonych o dane plików, w których brakuje podstawowych informacji.

Błąd nr 3 – strach przed eksperymentami

Wiele firm boi się podejmować ryzyko związane z próbowaniem nowych strategii. Obawy budzą zwłaszcza te, które ciężko jest dokładnie zaplanować. Ten kolejny częsty problem firm produkcyjnych pojawił się w pewnej polskiej fabryce leków zatrudniającej ponad 1000-osobowy zespół. W firmie panowało przekonanie, że musi mieć wszystko zaplanowane, najlepiej kilka lat do przodu. Pominięto fakt, że realizując projekt, powiązany ze sztuczną inteligencją trzeba mieć na uwadze, że to skomplikowany i powiązany z wieloma systemami proces. Istnieją bowiem takie projekty SI, w których nie jest możliwe określenie skuteczności rozwiązania przed zakończeniem prac badawczo-rozwojowych.

Przyczyny problemów

Wiele firm twierdzi, że „na pewno da się to zrobić szybciej we współpracy z innym dostawcą”, „wszystko jest dobrze zaplanowane”, albo „mamy przesunięcie czasowe, bo pierwotny dostawca zostawił nas na lodzie”. Przyczyną takich problemów jest przekonanie, że idealny plan istnieje, niedopuszczenie do siebie, że część pracy nie zawsze zakończy się sukcesem oraz strach przed wzięciem odpowiedzialności za porażkę.

Możliwe rozwiązania

Żeby uniknąć takich sytuacji związanych z uruchomieniem dużego projektu z dużym ryzykiem i zainwestowaniem sporej części budżetu, należy podzielić projekt na mniejsze etapy. Na początku warto wprowadzić próbną koncepcję (POC — Proof of Concept). Dzięki niej możemy sprawdzić, czy dany problem jest do rozwiązania. POC wymaga niewielkiej inwestycji finansowej, a dzięki niemu można sprawdzić, czy projekt odniesie sukces. W momencie, gdy projekt jest gotowy, przygotowuje się drugi krok, czyli projekt pilotażowy z minimalnymi funkcjonalnościami (MVP — Minimum Viable Product). Na początku testy odbywają się na kilku maszynach, a w przypadku powodzenia projekt skaluje się na całą fabrykę. Taka taktyka pozwala na weryfikację założeń w bezpieczny sposób.

Błąd nr 4 – zbyt duża liczba osób

Kolejny problem stanowi kwestia zbyt dużej ilości osób zaangażowanych w projekt. Rodzi to różnego rodzaju nieścisłości w komunikacji. Taka sytuacja zdarzyła się w centrum innowacji jednej z największych korporacji na świecie. Zdecydowano się tam uruchomić program lokalizacji osób na stanowiskach. Celem było zdobycie wiedzy, jaką pracę wykonuje dany pracownik. Zamiast wykorzystać obecną infrastrukturę punktów dostępowych Wi-Fi, które mają możliwość lokalizacji urządzeń ludzi, użyto innego systemu tylko dlatego, by nie musieć kontaktować się z centralą w kwestii dostępu do infrastruktury. W większości przypadków zakłada się także czasochłonne i nieskuteczne procesy pozyskiwania danych.

Przyczyny problemów

W takich sytuacjach można usłyszeć, że „nie wiadomo z kim należy poruszyć daną kwestię”, „zanim ta sprawa dotrze do centrali, to minie pół roku”, a także „dział IT został poinformowany już trzy miesiące temu”. Są to zazwyczaj sygnały zwiastujące problem. Trudno określić jedno, konkretne i prawdziwe źródło problemów. Na pewno warto zwrócić uwagę na rozbieżne interesy różnych działów i ludzi w nich pracujących. Często nadużywana jest także polityka bezpieczeństwa jako tarcza ochronna używana przez dział IT. Natomiast centralizacja przedsiębiorstwa prowadzi do tego, że osoby decyzyjne mają wrażenie, że lepiej wiedzą co dzieje się w ich zakładzie, niż osoby faktycznie wykonujące daną pracę. Powoduje to problemy komunikacyjne. Warto więc wykorzystać kilka sprawdzonych sposobów.

Możliwe rozwiązania

Jednym z nich jest między innymi znalezienie ambasadora zmiany, czyli osoby prawdziwie zaangażowanej i czującej potrzebę wprowadzenia nowego rozwiązania. Warto, aby ambasadorowi towarzyszył zespół patrzący holistycznie na problem. Należy wziąć pod uwagę aspekty, potrzebny innych działów. Ważne jest, aby zespół miał wygospodarowane odpowiednio dużo czasu, aby przekazać informacje na temat dziedziny problemu. Często problem jest lakonicznie przedstawiony, a warto znać detale. Firmy nie biorą pod uwagę tego aspektu.

Błąd nr 5 – zaangażowanie większe niż korzyści

W ostatnim przykładzie skupimy się na błędzie przy wdrażaniu sztucznej inteligencji, jaki popełniła pewna znana polska firma produkująca oprogramowanie. Do projektu zaangażowano 5-osobowy zespół — trzech data scientistów, programistę i project managera. Celem projektu było przygotowanie odpowiedzi na maile klientów w sprawie produktów. W efekcie przeprowadzonych prac udało się wdrożyć takie oprogramowanie. Projekt zakończono więc sukcesem. Był on jednak pozorny, bo okazało się, że liczba maili do automatycznych odpowiedzi jest bardzo mała (około 10 tygodniowo). Oszczędność czasu i pieniędzy przy takim wolumenie jest niska. Problemem było więc wybranie zbyt prostego przypadku do analizy danych. Ten przykład pokazuje, że nawet firmy zajmujące się technologią popełniają elementarne błędy związane z wdrażaniem sztucznej inteligencji.

Przyczyny problemów

Słyszy się wtedy brak zrozumienia i pytania takie jak: “w czym to pomoże?” albo hasła „nie do końca wiadomo jak skorzystać z rozwiązania” czy próby odmowy wzięcia na siebie dodatkowych obowiązków. Przyczyną tego typu zachowań jest chęć kierowania się indywidualnymi preferencjami członków zespołu, na przykład chęcią posiadania sztucznej inteligencji ze względu na panującą modę, zamiast rzetelnej analizy. Inną przyczyną jest brak kompletu informacji, jakimi zespół powinien dysponować. Przykładowo gdyby zespół wiedział, że podejmuje się projektu skupiającego się na kilku mailach, prawdopodobnie zaproponowałby inne rozwiązanie.

Możliwe rozwiązania

Warto wykonać analizę przyczyn źródłowych (RCA), aby zrozumieć czy wybrany problem faktycznie istnieje i w zależności od tego przyjąć odpowiednią taktykę. Należy także policzyć zwrot z inwestycji (ROI), czyli sprawdzić kiedy zwrócą się poniesione koszty. Czy będą to 2-3 lata, czy może 10? Jeżeli 10, to warto się zastanowić czy jest to na dany moment opłacalna. Istotne jest też, aby nie traktować sztucznej inteligencji jako rozwiązania na każdy problem. Warto dobierać odpowiednie narzędzie do problemu, jaki należy rozwiązać niż problemu do narzędzia.

Podsumowanie

Mimo dużego rozwoju technologii i wsparcia od firm specjalizujących się w dziedzinie sztucznej inteligencji wiele przedsiębiorstw popełnia błędy. Skuteczne wykorzystanie sztucznej inteligencji wymaga odpowiedniego przygotowania. Warto zwrócić szczególną uwagę na kilka aspektów, które decydują o sukcesie takiego przedsięwzięcia. Należy zadbać o łatwy dostęp do danych, np. poprzez inwentaryzację systemów i stworzenie wykazu miejsc, z których dane można pobierać. Informacje te muszą być wiarygodne — nie można opierać się na nieprawidłowo wprowadzonych danych. W trakcie wdrażania SI w przedsiębiorstwie trzeba mieć na uwadze, że nie każdy proces zaplanujemy od początku do końca. Brak elastyczności będzie mocno odczuwalny w sytuacjach nieprzewidywalnych. Prawidłowe podejście powinno zakładać możliwość przetestowania różnych rozwiązań na małą skalę, aby wybrać te optymalne. Musimy mieć również na uwadze fakt, że im więcej osób angażujemy w taki projekt, tym trudniej będzie koordynować działania i uzyskać konsensus co do kierunku prac. Wdrażanie SI w przedsiębiorstwie musi mieć swoje uzasadnienie. Jeśli chcemy tym sposobem rozwiązać banalny problem o małej skali to nasze działanie przynieść odwrotny skutek i zniechęci współpracowników do takich pomysłów.

Wdrożenie sztucznej inteligencji może mieć istotne znaczenie dla efektywnego działania firmy, pod warunkiem, że wcześniej uda nam się zidentyfikować główne problemy, jakie mogą pojawić się podczas realizacji tego projektu. Opisane w artykule przykłady zdarzają się nagminnie. Jeśli szukasz ekspertów, którzy w profesjonalny sposób przygotują Twoją organizację do transformacji opartych na rozwiązania SI, skontaktuj się z nami. Udzielimy Ci bezpłatnie konsultacji oraz pomożemy na każdym etapie implementacji takich rozwiązań.

Zamów bezpłatne konsultacje / zobacz zakładkę dostawcy na platformie Automotive Production Support:   TUTAJ