Čo je to spoločnosť zameraná na umelú inteligenciu? [Video a kvíz]

Stručná odpoveď: Spoločnosť zaoberajúca sa umelou inteligenciou je taká, ktorej hlavný produkt, hodnota alebo konkurenčná výhoda sa spolieha na umelú inteligenciu – odstráňte umelú inteligenciu a ponuka sa zrúti alebo dramaticky zhorší. Ak umelá inteligencia zajtra zlyhá a vy stále dokážete dodať produkty s tabuľkami alebo základným softvérom, pravdepodobne využívate umelú inteligenciu, nie ste jej pôvodným používateľom. Skutočné spoločnosti zaoberajúce sa umelou inteligenciou sa odlišujú údajmi, hodnotením, nasadením a úzkymi iteračnými cyklami.

Kľúčové poznatky:

Základná závislosť: Ak odstránenie umelej inteligencie naruší funkčnosť produktu, ide o spoločnosť zaoberajúcu sa umelou inteligenciou.

Jednoduchý test: Ak dokážete krívať bez umelej inteligencie, pravdepodobne máte umelú inteligenciu zapnutú.

Prevádzkové signály: Tímy diskutujúce o drifte, eval setoch, latencii a poruchových režimoch zvyčajne robia ťažšiu prácu.

Odolnosť voči zneužitiu: Vytvorte ochranné zábradlia, monitorovacie plány a plány vrátenia zmien pre prípad zlyhania modelov.

Starostlivosť o kupujúceho: Vyhnite sa zneužívaniu údajov umelou inteligenciou (AI washing) tým, že budete požadovať mechanizmy, metriky a jasnú správu údajov.

„Spoločnosť zameraná na umelú inteligenciu“ sa tak voľne používa, že riskuje, že bude znamenať všetko a zároveň nič. Jeden startup si nárokuje status umelej inteligencie, pretože pridal pole pre automatické dopĺňanie. Iná spoločnosť trénuje modely, vyvíja nástroje, dodáva produkty a nasadzuje ich do produkčných prostredí... a stále je hádzaná do toho istého kategórie.

Takže označenie potrebuje ostrejšie hrany. Rozdiel medzi podnikom založeným na umelej inteligencii a štandardným podnikom s ľahkým náznakom strojového učenia sa rýchlo prejaví, keď viete, čo hľadať.

Články, ktoré by ste si mohli prečítať po tomto:

🔗 Ako funguje zvyšovanie rozlíšenia pomocou umelej inteligencie
Zistite, ako modely pridávajú detaily, aby sa obrázky zväčšili čisto.

🔗 Ako vyzerá kód umelej inteligencie
Pozrite si príklady vygenerovaného kódu a jeho štruktúru.

🔗 Čo je algoritmus umelej inteligencie
Pochopte algoritmy, ktoré pomáhajú umelej inteligencii učiť sa, predpovedať a optimalizovať.

🔗 Čo je predspracovanie umelou inteligenciou
Objavte kroky, ktoré čistia, označujú a formátujú dáta na trénovanie.

Čo je spoločnosť zameraná na umelú inteligenciu: jasná definícia, ktorá obstojí ✅

Praktická definícia:

Spoločnosť zaoberajúca sa umelou inteligenciou je podnik, ktorého hlavný produkt, hodnota alebo konkurenčná výhoda závisí od umelej inteligencie – to znamená, že ak odstránite umelú inteligenciu, „vec“ spoločnosti sa zrúti alebo sa dramaticky zhorší. (OECD, NIST AI RMF)

Nie „raz sme v hackathone použili umelú inteligenciu.“ Nie „pridali sme chatbota na kontaktnú stránku.“ Skôr ako:

• Produkt je systém umelej inteligencie (alebo je poháňaný jedným z koncových bodov) (OECD)

• Výhoda spoločnosti pramení z modelov, dát, hodnotenia a iterácií (Google Cloud MLOps, NIST AI RMF Playbook - Measure).

• Umelá inteligencia nie je funkcia - je to engine 🧠⚙️

Tu je jednoduchá kontrola:

Predstavte si, že zajtra zlyhá umelá inteligencia. Ak by vám zákazníci stále platili a vy by ste si dokázali poradiť s tabuľkami alebo základným softvérom, pravdepodobne využívate umelú inteligenciu, nie ste jej pôvodným používateľom.

A áno, je tam rozmazaná stredná oblasť. Ako fotka urobená cez zahmlené okno... nie je to síce dobrá metafora, ale chápete, o čo ide 😄

Rozdiel medzi „spoločnosťou s umelou inteligenciou“ a „spoločnosťou s umelou inteligenciou“ (táto časť šetrí hádky) 🥊

Väčšina moderných podnikov používa nejakú formu umelej inteligencie. To samo o sebe z nich ešte nerobí spoločnosť zameranú na umelú inteligenciu. (OECD)

Zvyčajne spoločnosť zaoberajúca sa umelou inteligenciou:

• Priamo predáva funkcie umelej inteligencie (modely, kopilotov, inteligentnú automatizáciu)

• Vytvára proprietárne systémy umelej inteligencie ako hlavný produkt

• Má seriózne inžinierstvo, hodnotenie a nasadenie umelej inteligencie ako hlavnú funkciu (Google Cloud MLOps)

• Neustále sa učí z dát a zlepšuje výkon ako kľúčovú metriku 📈 (Biela kniha Google MLOps)

Zvyčajne spoločnosť s umelou inteligenciou:

• Interne využíva umelú inteligenciu na zníženie nákladov, zrýchlenie pracovných postupov alebo zlepšenie cielenia

• Stále predáva niečo iné (maloobchodný tovar, bankové služby, logistiku, médiá atď.)

• Mohla by nahradiť umelú inteligenciu tradičným softvérom a stále „byť sama sebou“

Príklady (zámerne všeobecné, pretože debaty o značkách sú pre niektorých ľudí koníčkom):

• Banka využívajúca umelú inteligenciu na odhaľovanie podvodov – s podporou umelej inteligencie

• Maloobchodník využívajúci umelú inteligenciu na predpovedanie zásob – s podporou umelej inteligencie

• Spoločnosť, ktorej produktom je agent zákazníckej podpory s umelou inteligenciou – pravdepodobne spoločnosť zaoberajúca sa umelou inteligenciou

• Platforma predávajúca nástroje na monitorovanie, hodnotenie a nasadenie modelov - spoločnosť zaoberajúca sa umelou inteligenciou (infraštruktúra) (Google Cloud MLOps)

Takže áno... váš zubár môže používať umelú inteligenciu na plánovanie pripomienok. To z nich nerobí spoločnosť s umelou inteligenciou 😬🦷

Čo robí dobrú verziu spoločnosti zameranej na umelú inteligenciu 🏗️

Nie všetky spoločnosti zamerané na umelú inteligenciu sú postavené rovnako a niektoré sú v skutočnosti väčšinou založené na vibráciách a rizikovom kapitáli. Dobrá verzia spoločnosti zameranej na umelú inteligenciu má tendenciu zdieľať niekoľko spoločných čŕt, ktoré sa objavujú znova a znova:

• Jasné prevzatie zodpovednosti za problém: riešia konkrétny problém, nie „umelá inteligencia na všetko“

• Merateľné výsledky: presnosť, ušetrený čas, znížené náklady, menej chýb, vyššia konverzia – vyberte si niečo a sledujte to (NIST AI RMF)

• Dátová disciplína: kvalita údajov, povolenia, riadenie a spätnoväzobné slučky nie sú voliteľné (NIST AI RMF)

• Kultúra hodnotenia: testujú modely ako dospelí – s benchmarkmi, hraničnými prípadmi a monitorovaním 🔍 (Google Cloud MLOps, Datadog)

• Realita nasadenia: systém funguje v neusporiadaných každodenných podmienkach, nielen v demografických podmienkach

• Obhájiteľná výhoda: doménové údaje, distribúcia, integrácia pracovných postupov alebo proprietárne nástroje (nielen „hovoríme API“)

Prekvapivo výpovedné znamenie:

• Ak tím hovorí o latencii, drifte, eval setoch, halucináciách a režimoch zlyhania, pravdepodobne robí skutočnú prácu s umelou inteligenciou. (IBM - Model drift, OpenAI - halucinácie, Google Cloud MLOps)

• Ak väčšinou hovoria o „revolučnej synergii s inteligentnými vibráciami“, no... viete, ako to je 😅

Porovnávacia tabuľka: bežné „typy“ spoločností zaoberajúcich sa umelou inteligenciou a čo predávajú 📊🤝

Nižšie je uvedená rýchla, mierne nedokonalá porovnávacia tabuľka (ako v bežnom podnikaní). Ceny sú „typické spôsoby tvorby cien“, nie presné čísla, pretože sa veľmi líšia.

Všimnite si jednu vec. „Spoločnosť zameraná na umelú inteligenciu“ môže znamenať veľmi odlišné podniky. Niektoré predávajú modely. Niektoré predávajú lopaty pre modelárov. Niektoré predávajú hotové výrobky. Rovnaký názov, úplne iná realita.

Hlavné archetypy spoločností zaoberajúcich sa umelou inteligenciou (a čo robia zle) 🧩

Poďme trochu hlbšie, pretože práve tu sa ľudia potknú.

1) Spoločnosti zamerané na modelovanie 🧠

Tieto vytvárajú alebo dolaďujú modely. Ich silnou stránkou je zvyčajne:

• výskumný talent

• optimalizácia výpočtov

• vyhodnocovacie a iteračné cykly

• vysokovýkonná obslužná infraštruktúra (Biela kniha Google MLOps)

Časté úskalie:

• Predpokladajú, že „lepší model“ sa automaticky rovná „lepšiemu produktu“.
  Neplatí to. Používatelia si nekupujú modely, ale výsledky.

2) Spoločnosti zamerané na umelú inteligenciu, ktoré sú zamerané na produkty 🧰

Tieto integrujú umelú inteligenciu do pracovného postupu. Úspešne využívajú tieto výhody:

• distribúcia

• UX a integrácia

• silné spätné väzby

• spoľahlivosť viac ako surová inteligencia

Časté úskalie:

• Podceňujú správanie modelu v reálnom živote. Skutoční používatelia vám narušia systém novými a kreatívnymi spôsobmi. Denne.

3) Spoločnosti zamerané na infraštruktúrnu umelú inteligenciu ⚙️

Predstavte si monitorovanie, nasadenie, riadenie, hodnotenie, orchestráciu. Úspech im spočíva v:

• zníženie operačnej bolesti

• riadenie rizík

• robiť AI opakovateľnou a bezpečnou (NIST AI RMF, Google Cloud MLOps)

Časté úskalie:

• Vytvárajú pre pokročilé tímy a ignorujú všetkých ostatných, a potom sa čudujú, prečo je ich zavádzanie pomalé.

4) Spoločnosti zamerané na dáta a umelú inteligenciu 🗂️

Tieto sa zameriavajú na dátové kanály, označovanie, syntetické dáta a správu dát. Úspech im prináša:

• zlepšenie kvality tréningového signálu

• zníženie hluku

• umožnenie špecializácie (MIT Sloan / Andrew Ng o dátovo orientovanej umelej inteligencii)

Časté úskalie:

• Preceňujú tvrdenie „dáta riešia všetko“. Dáta sú síce mocné, ale stále potrebujete dobré modelovanie a silné produktové myslenie.

Čo sa skrýva pod kapotou spoločnosti zaoberajúcej sa umelou inteligenciou: zhruba to, čo robíme 🧱

Ak nazriete za oponu, väčšina skutočných spoločností zaoberajúcich sa umelou inteligenciou má podobnú vnútornú štruktúru. Nie vždy, ale často.

Dátová vrstva 📥

• zber a príjem

• označovanie alebo slabý dohľad

• súkromie, povolenia, uchovávanie

• spätné väzby (korekcie používateľom, výsledky, ľudské posúdenie) (NIST AI RMF)

Vrstva modelu 🧠

• výber základných modelov (alebo školenie od začiatku)

• jemné doladenie, destilácia, promptné inžinierstvo (áno, stále sa počíta)

• vyhľadávacie systémy (vyhľadávanie + poradie + vektorové databázy) (práca RAG (Lewis a kol., 2020), Oracle - vektorové vyhľadávanie)

• hodnotiace sady a testovacie sady (Google Cloud MLOps)

Vrstva produktu 🧑💻

• UX, ktoré zvláda neistotu (signály dôveryhodnosti, stavy „prehľadu“)

• ochranné zábradlia (politika, odmietnutie, bezpečné dokončenie) (NIST AI RMF)

• integrácia pracovných postupov (e-mail, CRM, dokumenty, ticketing atď.)

Operačná vrstva 🛠️

• monitorovanie driftu a degradácie (IBM - drift modelu, Google Cloud MLOps)

• reakcia na incidenty a vrátenie zmien (bezpečnosť nasadenia Uber)

• riadenie nákladov (výpočtový systém môže byť hladné malé monštrum)

• riadenie, audity, kontrola prístupu (NIST AI RMF, prehľad ISO/IEC 42001)

A tá časť, ktorú nikto neinzeruje:

• ľudské procesy – recenzenti, eskalácia, zabezpečenie kvality a procesy spätnej väzby od zákazníkov.
  UI nie je typu „nastav a zabudni“. Je to skôr ako záhradkárčenie. Alebo ako vlastniť domáceho mývala. Môže to byť roztomilé, ale ak sa na to nepozeráte, úplne vám to zničí kuchyňu 😬🦝

Obchodné modely: ako spoločnosti zaoberajúce sa umelou inteligenciou zarábajú peniaze 💸

Spoločnosti zaoberajúce sa umelou inteligenciou zvyčajne spadajú do niekoľkých bežných foriem monetizácie:

• Na základe používania (na požiadavku, na token, za minútu, na obrázok, na úlohu) (ceny OpenAI API, OpenAI - tokeny)

• Predplatné založené na počte používateľov (na používateľa mesačne) (ceník služby Microsoft 365 Copilot)

• Cena na základe výsledkov (zriedkavé, ale účinné – platené za konverziu alebo vyriešený tiket)

• Podnikové zmluvy (podpora, dodržiavanie predpisov, SLA, nasadenie na mieru)

• Licencovanie (na zariadení, vstavané, v štýle OEM) (NVIDIA)

Napätie, ktorému čelia mnohé spoločnosti zaoberajúce sa umelou inteligenciou:

• Zákazníci chcú predvídateľné výdavky 😌

• Náklady na umelú inteligenciu sa môžu meniť v závislosti od používania a výberu modelu 😵

Takže dobré spoločnosti zamerané na umelú inteligenciu sú veľmi dobré v:

• smerovanie úloh k lacnejším modelom, ak je to možné

• výsledky ukladania do vyrovnávacej pamäte

• dávkové požiadavky

• ovládanie veľkosti kontextu

• navrhovanie UX, ktoré odrádza od „nekonečných špirál výziev“ (všetci sme to už urobili...)

Otázka s hlavnou témou: čo robí spoločnosť zaoberajúcu sa umelou inteligenciou obhájiteľnou 🏰

Toto je tá pikantná časť. Mnoho ľudí predpokladá, že priekopa je „náš model je lepší“. Niekedy je, ale často… nie.

Bežné obhájiteľné výhody:

• Vlastnícke údaje (najmä špecifické pre danú doménu)

• Distribúcia (vložená do pracovného postupu, v ktorom už používatelia žijú)

• Náklady na zmenu (integrácie, zmeny procesov, tímové návyky)

• Dôvera v značku (najmä v prípade domén s vysokými stávkami)

• Prevádzková excelentnosť (dodanie spoľahlivej umelej inteligencie vo veľkom rozsahu je náročné) (Google Cloud MLOps)

• Systémy typu „človek v slučke“ (hybridné riešenia môžu prekonať čistú automatizáciu) (NIST AI RMF, EU AI Act – ľudský dohľad (článok 14))

Trochu nepríjemná pravda:
Dve spoločnosti môžu používať rovnaký základný model a stále dosahovať diametrálne odlišné výsledky. Rozdiel je zvyčajne vo všetkom, čo sa týka modelu – dizajn produktu, hodnotenia, dátové slučky a spôsob, akým riešia zlyhania.

Ako rozpoznať AI-washing (tiež známe ako „pridali sme iskru a nazvali sme to inteligenciou“) 🚩

Ak hodnotíte, čo spoločnosť zaoberajúca sa umelou inteligenciou v praxi predstavuje, dávajte si pozor na tieto varovné signály:

• Nie je jasne opísaná žiadna schopnosť umelej inteligencie: veľa marketingu, žiadny mechanizmus

• Demo mágia: pôsobivé demo, žiadna zmienka o okrajových prípadoch

• Žiadny hodnotiaci príbeh: nevedia vysvetliť, ako testujú spoľahlivosť (Google Cloud MLOps)

• Odpovede na otázky týkajúce sa údajov s ručnými vlnitými tvarmi: nejasné, odkiaľ údaje pochádzajú alebo ako sú riadené (NIST AI RMF)

• Žiadny plán monitorovania: správajú sa, akoby sa modely nepresúvali (IBM - Model drift)

• Nevedia vysvetliť spôsoby zlyhania: všetko je „takmer dokonalé“ (nič nie je) (OpenAI - halucinácie)

Zelené vlajky (upokojujúci opak) ✅:

• Ukazujú, ako merajú výkon

• Hovoria o obmedzeniach bez paniky

• Majú možnosti kontroly ľudskou osobou a eskalácie (NIST AI RMF, EU AI Act - ľudský dohľad (článok 14)).

• Rozumejú potrebám ochrany súkromia a dodržiavania predpisov (NIST AI RMF, prehľad zákona EÚ o umelej inteligencii)

• Môžu povedať „to nerobíme“ bez toho, aby sa citovo zrútili 😅

Ak si ju budujete: praktický kontrolný zoznam, ako sa stať spoločnosťou zameranou na umelú inteligenciu 🧠📝

Ak sa snažíte prejsť z pozície „spoločnosť s umelou inteligenciou“ na pozíciu „spoločnosť s umelou inteligenciou“, tu je uskutočniteľná cesta:

• Začnite s jedným pracovným postupom, ktorý škodí toľkým ľuďom, že sú ochotní zaplatiť za jeho opravu

• Včasné meranie výsledkov (pred škálovaním)

• Vytvorte hodnotiacu sadu z reálnych používateľských prípadov (Google Cloud MLOps)

• Pridajte spätnú väzbu od prvého dňa

• Urobte zvodidlá súčasťou návrhu, nie ich dodatočnou myšlienkou (NIST AI RMF)

• Neprestavujte príliš veľa - pošlite úzky klin, ktorý je spoľahlivý

• Zaobchádzajte s nasadením ako s produktom, nie ako s posledným krokom (Google Cloud MLOps)

Tiež neintuitívna rada, ktorá funguje:

• Venujte viac času tomu, čo sa stane, keď sa umelá inteligencia mýli, ako tomu, keď má pravdu.
  Tam sa dôvera získava alebo stráca. (NIST AI RMF)

Záverečné zhrnutie 🧠✨

Takže... čo je spoločnosť zameraná na umelú inteligenciu, závisí od jednoduchej chrbtice:

Je to spoločnosť, kde je umelá inteligencia motorom, nie dekoráciou. Ak odstránite umelú inteligenciu a produkt prestane dávať zmysel (alebo stratí svoju ostrosť), pravdepodobne ide o skutočnú spoločnosť zameranú na umelú inteligenciu. Ak je umelá inteligencia len jedným z mnohých nástrojov, je presnejšie ju nazvať spoločnosťou s umelou inteligenciou.

A oboje je v poriadku. Svet potrebuje oboje. Ale na označení záleží, keď investujete, najímate, kupujete softvér alebo sa snažíte zistiť, či vám predávajú robota alebo kartónovú výrezku s vykukujúcimi očami 🤖👀

Príklad z reálneho sveta: Vybudovanie spoločnosti zameranej na triedenie s využitím umelej inteligencie 

Scenár

Predstavte si malý startup, ktorý vytvára asistenta pre triedenie s využitím umelej inteligencie pre e-shopy v štýle Shopify. Toto je fiktívny príklad, nie skutočná prípadová štúdia spoločnosti.

Produkt nielenže pridáva chatbota do helpdesku. Jeho hlavnou úlohou je čítať prichádzajúce požiadavky zákazníkov, klasifikovať problém, navrhovať odpovede, označovať prípady s rizikom vrátenia peňazí a smerovať čokoľvek citlivé k ľudskému agentovi.

Ak odstránite umelú inteligenciu, produkt sa väčšinou zredukuje na základný nástroj na označovanie. Vďaka tomu sa oveľa viac blíži spoločnosti zameranej na umelú inteligenciu ako doplnku helpdesku s podporou umelej inteligencie, pretože hlavná hodnota závisí od klasifikácie, predikcie, vyhľadávania a neustáleho zlepšovania.

Čo asistent potrebuje

Aby bol asistent efektívny, tím by potreboval:

Tikety zákazníckej podpory za posledné 3 až 6 mesiacov, z ktorých boli odstránené súkromné ​​údaje

Zoznam schválených politík vrátenia tovaru, prepravy a zliav

Príklady „dobrých“ ľudských odpovedí

Súbor kategórií tiketov, ako napríklad poškodená položka, oneskorené doručenie, žiadosť o vrátenie peňazí, chýbajúca objednávka, otázka týkajúca sa produktu a nahnevaný zákazník

Pravidlá pre prípady, kedy musí umelá inteligencia eskalovať namiesto odpovede

Jednoduché tlačidlo spätnej väzby pre agentov: „prijaté“, „upravené“ alebo „zamietnuté“

Príklad inštrukcie

Pracujete ako asistent podpory pre e-shop. Prečítate si každú správu zákazníka a uvediete štyri veci: kategóriu tiketu, úroveň naliehavosti, navrhovanú odpoveď a či ju musí pred odoslaním skontrolovať človek.

Vždy eskalujte spory týkajúce sa vrátenia peňazí, právne hrozby, zdravotné reklamácie, problémy s platbami, urážlivé správy a prípady, keď chýbajú údaje o objednávke zákazníka.

Používajte iba schválené dokumenty o pravidlách obchodu. Ak odpoveď nie je v pravidlách, uveďte, že je potrebné ľudské posúdenie. Nevymýšľajte si pravidlá vrátenia peňazí, dátumy doručenia, zľavové kódy ani informácie o sledovaní.

Ako to otestovať

Predtým, ako sa to začne predávať ako originálny produkt, by mal tím vykonať malú sadu hodnotení.

Napríklad:

Otestujte 100 starých tiketov podpory, kde je už známa správna kategória

V jednej správe uveďte aspoň 20 nedokonalých lístkov s pravopisnými chybami, chýbajúcimi číslami objednávok, emocionálnym jazykom alebo viacerými problémami

Porovnajte kategóriu umelej inteligencie s kategóriou človeka

Skontrolujte, či boli dodržané pravidlá eskalácie

Požiadajte dvoch pracovníkov podpory, aby ohodnotili navrhované odpovede ako „odoslateľné“, „potrebné úpravy“ alebo „nesprávne“

Sledujte výsledok týždenne, nie len raz v demo verzii

Výsledok

Ilustratívny výsledok: na základe načasovania 100 vzorových lístkov pred a po použití pracovného postupu.

Manuálne triedenie: 100 lístkov × 2,5 minúty každý = 250 minút

Triáž s pomocou umelej inteligencie: 100 lístkov × 45 sekúnd času kontroly každého = 75 minút

Odhadovaná úspora času: 175 minút na 100 lístkov, čiže 70 %

Cieľ presnosti kategórie pred spustením: správne klasifikovaných aspoň 90 zo 100 lístkov

Cieľ bezpečnosti eskalácie: 0 zmeškaných eskalácií v požadovaných kategóriách ľudskej kontroly

Kupujúci by si mohol overiť tieto čísla spustením rovnakého testu so 100 lístkami vo vlastnej helpdesku a porovnaním klasifikácií umelej inteligencie s historickými ľudskými označeniami.

Čo sa môže pokaziť

Najväčším rizikom nie je to, že umelá inteligencia znie zle. Je to to, že znie sebavedomo, hoci sa mýli.

Medzi bežné chyby patria:

Nechať umelú inteligenciu sľubovať vrátenie peňazí, ktoré nemôže schváliť

Používanie zastaraných dokumentov o politikách

Meranie iba „pekne vyzerajúcich odpovedí“ namiesto správneho smerovania

Ignorovanie okrajových prípadov, ako sú vrátenie platieb, hrozby alebo zraniteľní zákazníci

Vynechávanie kontroly človekom pri vysoko rizikových tiketoch

Tvrdenie o „95 % automatizácii“ bez vysvetlenia, čo bolo testované

Seriózna spoločnosť zaoberajúca sa umelou inteligenciou by sa k nim správala ako k problémom s dizajnom produktu, nie ako k trápnym poznámkam pod čiarou.

Praktické ponaučenie

Tento príklad ukazuje rozdiel medzi skutočnou hodnotou AI a dekoráciou AI. Spoločnosť nie je „AI“, pretože používa model niekde v zásobníku. Je to spoločnosť AI, pretože klasifikácia, vyhľadávanie, hodnotenie, eskalácia a spätnoväzobné slučky sú motorom produktu.

Často kladené otázky

Čo sa považuje za spoločnosť s umelou inteligenciou v porovnaní so spoločnosťou s umelou inteligenciou?

Spoločnosť zameraná na umelú inteligenciu je taká, kde hlavný produkt, hodnota alebo konkurenčná výhoda závisí od umelej inteligencie – ak odstránite umelú inteligenciu, ponuka sa zrúti alebo sa dramaticky zhorší. Spoločnosť s umelou inteligenciou ju používa na posilnenie operácií (ako je predpovedanie alebo odhaľovanie podvodov), ale stále predáva niečo, čo v podstate nie je umelou inteligenciou. Jednoduchý test: ak umelá inteligencia zajtra zlyhá a vy stále dokážete fungovať so základným softvérom, pravdepodobne využívate umelú inteligenciu.

Ako rýchlo zistím, či je firma skutočne spoločnosťou zameranou na umelú inteligenciu?

Zamyslite sa nad tým, čo sa stane, ak umelá inteligencia prestane fungovať. Ak by zákazníci stále platili a firma by si mohla potrpieť na tabuľky alebo tradičný softvér, pravdepodobne to nie je natívne zameraná na umelú inteligenciu. Skutočné spoločnosti zaoberajúce sa umelou inteligenciou majú tiež tendenciu hovoriť v konkrétnych operačných pojmoch: hodnotiace sady, latencia, drift, halucinácie, monitorovanie a režimy zlyhania. Ak je to všetko marketing a žiadny mechanizmus, je to varovný signál.

Musíte si natrénovať vlastný model, aby ste boli spoločnosťou s umelou inteligenciou?

Nie. Mnoho spoločností zaoberajúcich sa umelou inteligenciou vytvára silné produkty na základe existujúcich modelov a stále sa kvalifikujú ako natívne produkty založené na umelej inteligencii, aj keď je umelá inteligencia motorom produktu. Dôležité je, či modely, dáta, hodnotenie a iteračné cykly poháňajú výkon a diferenciáciu. Proprietárne dáta, integrácia pracovných postupov a dôkladné hodnotenie môžu vytvoriť skutočnú výhodu aj bez školenia od začiatku.

Aké sú hlavné typy spoločností zaoberajúcich sa umelou inteligenciou a ako sa líšia?

Medzi bežné typy patria tvorcovia základných modelov, vertikálne aplikácie umelej inteligencie (ako sú právne alebo lekárske nástroje), kopiloti pre znalostnú prácu, platformy MLOps/model ops, firmy zaoberajúce sa dátami a označovaním, umelá inteligencia na okraji systému/na zariadení, konzultačné spoločnosti/integrátory a poskytovatelia nástrojov na hodnotenie/bezpečnosť. Všetky môžu byť „spoločnostiami zaoberajúcimi sa umelou inteligenciou“, ale predávajú veľmi odlišné veci: modely, hotové produkty alebo infraštruktúru, ktorá robí produkčnú umelú inteligenciu spoľahlivou a ovládateľnou.

Ako vyzerá typický stack spoločnosti zameranej na umelú inteligenciu pod kapotou?

Mnoho spoločností zaoberajúcich sa umelou inteligenciou má spoločný hrubý balík: dátovú vrstvu (zber, označovanie, riadenie, spätnoväzobné slučky), modelovú vrstvu (výber základného modelu, jemné doladenie, vyhľadávanie RAG/vektorov, hodnotiace sady), produktovú vrstvu (UX pre neistotu, ochranné zábradlia, integrácia pracovných postupov) a prevádzkovú vrstvu (monitorovanie driftu, reakcia na incidenty, kontrola nákladov, audity). Ľudské procesy – recenzenti, eskalácia, zabezpečenie kvality – sú často nenápadnou chrbticou.

Aké metriky ukazujú, že spoločnosť zaoberajúca sa umelou inteligenciou robí „skutočnú prácu“, nielen ukážky?

Silnejším signálom sú merateľné výsledky spojené s produktom: presnosť, ušetrený čas, znížené náklady, menej chýb alebo vyššia konverzia – spárované s jasnou metódou hodnotenia a monitorovania týchto metrík. Skutočné tímy vytvárajú benchmarky, testujú okrajové prípady a sledujú výkon po nasadení. Taktiež plánujú, kedy je model nesprávny, nielen kedy je správny, pretože dôvera závisí od spracovania zlyhaní.

Ako spoločnosti zaoberajúce sa umelou inteligenciou zvyčajne zarábajú peniaze a na aké cenové pasce by si mali kupujúci dávať pozor?

Medzi bežné modely patrí stanovovanie cien na základe používania (za požiadavku/token/úlohu), predplatné na základe počtu pracovných miest, stanovovanie cien na základe výsledkov (zriedkavejšie), podnikové zmluvy so SLA a licencovanie pre vstavanú alebo na zariadeniach definovanú umelú inteligenciu. Kľúčovým problémom je predvídateľnosť: zákazníci chcú stabilné výdavky, zatiaľ čo náklady na umelú inteligenciu sa môžu meniť v závislosti od používania a výberu modelu. Silní dodávatelia to zvládajú presmerovaním na lacnejšie modely, ukladaním do vyrovnávacej pamäte, dávkovaním a riadením veľkosti kontextu.

Čo robí spoločnosť zameranú na umelú inteligenciu obhájiteľnou, ak každý môže používať podobné modely?

Priekopa často nie je len o „lepšom modeli“. Obhájiteľnosť môže prameniť z proprietárnych doménových údajov, distribúcie v rámci pracovného postupu, v ktorom už používatelia žijú, zmeny nákladov z integrácií a návykov, dôveryhodnosti značky v oblastiach s vysokými stávkami a prevádzkovej excelentnosti pri dodávaní spoľahlivej umelej inteligencie. Systémy s človekom v slučke môžu tiež prekonať čistú automatizáciu. Dva tímy môžu používať rovnaký model a dosahovať veľmi odlišné výsledky na základe všetkého, čo ho obklopuje.

Ako rozpoznať AI-washing pri hodnotení dodávateľa alebo startupu?

Dávajte si pozor na vágne tvrdenia bez jasnej funkcionality umelej inteligencie, „demo mágiu“ bez hraničných prípadov a neschopnosť vysvetliť hodnotenie, správu údajov, monitorovanie alebo spôsoby zlyhania. Príliš sebavedomé tvrdenia ako „takmer dokonalé“ sú ďalším varovným signálom. Medzi varovné signály patria transparentné meranie, jasné obmedzenia, plány monitorovania odchýlok a dobre definované cesty ľudského preskúmania alebo eskalácie. Spoločnosť, ktorá môže povedať „to nerobíme“, je často dôveryhodnejšia ako tá, ktorá sľubuje všetko.

Referencie

1. OECD - oecd.ai

2. OECD - oecd.org

3. Národný inštitút pre štandardy a technológie (NIST) - NIST AI RMF (AI 100-1) - nist.gov

4. Príručka rámca riadenia rizík pre umelú inteligenciu (AI RMF) NIST – Meranie – nist.gov

5. Google Cloud – MLOps: Kontinuálne dodávanie a automatizované kanály v strojovom učení – google.com

6. Google – Sprievodca MLOps pre praktikov (Biela kniha) – google.com

7. Google Cloud – Čo je MLOps? – google.com

8. Datadog - Najlepšie postupy hodnotiaceho rámca LLM - datadoghq.com

9. IBM - Posun modelu - ibm.com

10. OpenAI - Prečo jazykové modely halucinujú - openai.com

11. OpenAI – cena API – openai.com

12. Centrum pomoci OpenAI – Čo sú tokeny a ako ich počítať – openai.com

13. Microsoft – Ceny služby Microsoft 365 Copilot – microsoft.com

14. MIT Sloan School of Management - Prečo je čas na dátovo orientovanú umelú inteligenciu - mit.edu

15. NVIDIA - Čo je to edge AI? - nvidia.com

16. IBM - Edge vs. cloudová umelá inteligencia - ibm.com

17. Uber – Zvyšovanie latky bezpečnosti nasadenia modelu strojového učenia – uber.com

18. Medzinárodná organizácia pre normalizáciu (ISO) - Prehľad normy ISO/IEC 42001 - iso.org

19. arXiv - Generovanie rozšíreného vyhľadávania pre úlohy NLP náročné na znalosti (Lewis a kol., 2020) - arxiv.org

20. Oracle - Vektorové vyhľadávanie - oracle.com

21. Zákon o umelej inteligencii (EÚ) – Ľudský dohľad (článok 14) – artificialintelligenceact.eu

22. Európska komisia - Regulačný rámec pre umelú inteligenciu (prehľad zákona o umelej inteligencii) - europa.eu

23. YouTube - youtube.com

24. Obchod s AI Assistant – Ako funguje AI upscaling – aiassistantstore.com

25. Obchod s AI Assistant – Ako vyzerá kód AI – aiassistantstore.com

26. Obchod s AI asistentmi - Čo je algoritmus AI - aiassistantstore.com

27. Obchod s AI Assistant – Čo je predspracovanie pomocou AI – aiassistantstore.com

Nájdite najnovšiu umelú inteligenciu v oficiálnom obchode s asistentmi umelej inteligencie

O nás