Wstępnie przeszkolone modele

https://aie24.pl

Czy słyszałeś o teorii 10 000 godzin? W swojej książce „Outliers” Malcolm Gladwell sugeruje, że ćwiczenie dowolnej umiejętności przez 10 000 godzin wystarczy, aby stać się ekspertem. Ta „ekspercka” wiedza znajduje odzwierciedlenie w połączeniach, jakie twój ludzki mózg rozwija pomiędzy neuronami. Model sztucznej inteligencji faktycznie robi coś podobnego. Aby stworzyć dobrze działający model, należy go wytrenować przy użyciu określonego zestawu zmiennych, zwanych parametrami. Proces ustalania ideału 1 parametr modelu nazywa się szkoleniem. Model asymiluje wartości parametrów w kolejnych iteracjach szkoleniowych. Znalezienie idealnych parametrów w modelu głębokiego uczenia się zajmuje dużo czasu. Szkolenie to długotrwały proces, który w zależności od zadania może trwać od kilku godzin do kilku miesięcy i wymaga ogromnej mocy obliczeniowej. Bardzo pomocna byłaby możliwość ponownego wykorzystania części tego długiego procesu uczenia się do innych zadań. I tu właśnie pojawiają się wstępnie przeszkolone modele. Wstępnie wyszkolony model, zgodny z teorią 10 000 godzin Gladwella, to pierwsza umiejętność, którą rozwijasz, która może pomóc ci szybciej zdobyć kolejną. Na przykład opanowanie umiejętności rozwiązywania problemów matematycznych może pomóc w szybszym nabyciu umiejętności rozwiązywania problemów inżynierskich. Wstępnie wytrenowany model jest szkolony (przez Ciebie lub kogoś innego) do bardziej ogólnego zadania, a następnie jest dostępny w celu dostrojenia go do różnych zadań. Zamiast budować model od zera w celu rozwiązania problemu, jako punkt wyjścia wykorzystujesz model przeszkolony w oparciu o bardziej ogólny problem i przeprowadzasz bardziej szczegółowe szkolenie w wybranym przez Ciebie obszarze, korzystając ze specjalnie dobranego zestawu danych. Wstępnie wytrenowany model może nie być w 100% dokładny, ale pozwala uniknąć konieczności wymyślania koła na nowo, oszczędzając w ten sposób czas i poprawiając wydajność. W uczeniu maszynowym model jest szkolony na zestawie danych. Rozmiar i typ próbek danych różnią się w zależności od zadania, które chcesz rozwiązać. GPT-3 jest wstępnie nauczony na korpusie tekstu z pięciu zestawów danych: Common Crawl, WebText2, Books1, Books2 i Wikipedia.

Common Crawl

Korpus Common Crawl (zbiór tekstów) obejmuje petabajty danych, w tym surowe dane stron internetowych, metadane i dane tekstowe zebrane w ciągu ośmiu lat przeszukiwania sieci. Badacze OpenAI korzystają z wyselekcjonowanej, przefiltrowanej wersji tego zbioru danych.

WebText2

WebText2 to rozszerzona wersja zbioru danych WebText, który jest wewnętrznym korpusem OpenAI tworzonym poprzez skrobanie stron internetowych o szczególnie wysokiej jakości. Aby sprawdzić jakość, autorzy usunęli z Reddita wszystkie linki wychodzące, które otrzymały co najmniej trzy punkty karmy (wskaźnik tego, czy inni użytkownicy uznali link za interesujący, edukacyjny czy po prostu zabawny). WebText2 zawiera 40 gigabajtów tekstu z tych 45 milionów linków, co stanowi ponad 8 milionów dokumentów.

Books1 i Books 2

Books1 i Books2 to dwa korpusy (liczba mnoga korpusu), które zawierają tekst dziesiątek tysięcy książek o różnej tematyce.

Wikipedia

Korpus Wikipedii to zbiór obejmujący wszystkie anglojęzyczne artykuły z internetowej encyklopedii Wikipedia pochodzącej z crowdsourcingu w momencie finalizowania zbioru danych GPT-3 w 2019 r. Ten zbiór danych zawiera około 5,8 miliona artykułów w języku angielskim.

Korpus ten zawiera w sumie prawie bilion słów. GPT-3 jest w stanie generować i skutecznie pracować również z językami innymi niż angielski. Tabela przedstawia 10 najpopularniejszych języków w zbiorze danych.

Choć przepaść między angielskim a innymi językami jest dramatyczna, na pierwszym miejscu znajduje się angielski, obejmujący 93% zbioru danych; Język niemiecki, na drugim miejscu, stanowi zaledwie 1% — ten 1% wystarczy do stworzenia doskonałego tekstu w języku niemieckim, z przeniesieniem stylu i innymi zadaniami. To samo dotyczy innych języków na liście. Ponieważ GPT-3 jest wstępnie przeszkolony na obszernym i zróżnicowanym zbiorze tekstów, może z powodzeniem wykonywać zaskakującą liczbę zadań NLP bez podawania przez użytkowników żadnych dodatkowych przykładowych danych.

Transformator generatywny, wstępnie wytrenowany: GPT-3

https://aie24.pl/

Nazwa GPT-3 oznacza „Generative Pre-trained Transformer 3”. Przejrzyjmy wszystkie te terminy jeden po drugim, aby zrozumieć powstawanie GPT-3.

Modele generatywne

GPT-3 jest modelem generatywnym, ponieważ generuje tekst. Modelowanie generatywne jest gałęzią modelowania statystycznego. Jest to metoda matematycznego przybliżania świata. Otacza nas niesamowita ilość łatwo dostępnych informacji – zarówno w świecie fizycznym, jak i cyfrowym. Najtrudniejszą częścią jest opracowanie inteligentnych modeli i algorytmów, które będą w stanie analizować i rozumieć tę skarbnicę danych. Modele generatywne są jednym z najbardziej obiecujących podejść do osiągnięcia tego celu. Aby wytrenować model, należy przygotować i wstępnie przetworzyć zbiór danych, czyli zbiór przykładów, które pomagają modelowi nauczyć się wykonywać dane zadanie. Zwykle zbiór danych to duża ilość danych w określonej domenie: na przykład miliony zdjęć samochodów w celu nauczenia modelu, czym jest samochód. Zbiory danych mogą mieć także formę zdań lub próbek audio. Po pokazaniu modelowi wielu przykładów należy go wytrenować, aby generował podobne dane.

Modele językowe: większe i lepsze

https://aie24.pl/

Modelowanie języka to zadanie polegające na przypisaniu prawdopodobieństwa sekwencji słów w tekście w określonym języku. Proste modele językowe mogą patrzeć na słowo i przewidywać następne słowo (lub słowa), które najprawdopodobniej po nim nastąpi, w oparciu o analizę statystyczną istniejących sekwencji tekstowych. Aby utworzyć model języka, który skutecznie przewiduje sekwencje słów, należy go wytrenować na dużych zbiorach danych. Modele językowe są kluczowym elementem aplikacji do przetwarzania języka naturalnego. Można o nich myśleć jak o maszynach do przewidywania statystycznego, w których podajesz tekst jako dane wejściowe i otrzymujesz prognozę jako wynik. Prawdopodobnie znasz to z funkcji automatycznego uzupełniania w swoim smartfonie. Na przykład, jeśli wpiszesz „dobrze”, autouzupełnianie może zasugerować „rano” lub „powodzenie”. Przed GPT-3 nie było ogólnego modelu języka, który dobrze radziłby sobie z szeregiem zadań NLP. Modele językowe zostały zaprojektowane do wykonywania jednego konkretnego zadania NLP, takiego jak generowanie tekstu, podsumowywanie lub klasyfikacja, z wykorzystaniem istniejących algorytmów i architektur. W tej książce omówimy niezwykłe możliwości GPT-3 jako ogólnego modelu językowego. Zaczniemy ten rozdział od omówienia każdej litery „GPT”, aby pokazać, co ona oznacza i jakie elementy zostały wykorzystane do zbudowania tego modelu. Przedstawimy krótki przegląd historii modelu i tego, jak pojawiły się dzisiaj modele sekwencji po sekwencji. Następnie przeprowadzimy Cię przez znaczenie dostępu do API i jego ewolucję w czasie w zależności od wymagań użytkowników. Zalecamy zarejestrowanie konta OpenAI przed przejściem do pozostałych części.

Przetwarzanie języka naturalnego: pod maską

https://aie24.pl/

Przetwarzanie języka naturalnego to poddziedzina językoznawstwa, informatyki i sztucznej inteligencji zajmująca się interakcją między komputerem a językiem ludzkim. Celem NLP jest zbudowanie systemów zdolnych do przetwarzania ludzkiego języka. Język naturalny odnosi się do sposobu, w jaki ludzie komunikują się ze sobą. NLP łączy dziedzinę lingwistyki obliczeniowej (modelowanie języka ludzkiego w oparciu o reguły) z uczeniem maszynowym, aby stworzyć inteligentne maszyny zdolne do identyfikacji kontekstu i zrozumienia intencji języka naturalnego. Uczenie maszynowe (ML) to poddziedzina sztucznej inteligencji zajmująca się badaniem maszyn zdolnych do uczenia się na podstawie doświadczenia i wykonywania zadań bez bezpośredniego programowania. Uczenie głębokie to podzbiór uczenia maszynowego inspirowany sposobem działania ludzkiego mózgu. Jest to sieć neuronowa lub duża sieć neuronów, które współdziałają ze sobą w celu wykonywania znacznie złożonych zadań przy minimalnej interwencji. W 2010 roku pojawiło się głębokie uczenie się, a wraz z dojrzałością tej dziedziny pojawiły się duże modele językowe składające się z gęstych sieci neuronowych złożonych z tysięcy, a nawet milionów prostych jednostek przetwarzających zwanych sztucznymi neuronami. Sieci neuronowe stały się pierwszą poważną zmianą w dziedzinie NLP, umożliwiając wykonywanie złożonych zadań w języku naturalnym, co wcześniej było możliwe tylko w teorii. Drugą istotną zmianą było wprowadzenie wstępnie wyszkolonych modeli (takich jak GPT-3), które można było dostosować do różnych dalszych zadań, oszczędzając wiele godzin szkolenia. NLP stanowi rdzeń wielu rzeczywistych zastosowań sztucznej inteligencji, takich jak:

Wykrywanie spamu

Filtr spamu w Twojej skrzynce odbiorczej przypisuje procent przychodzących wiadomości e-mail do folderu spamu, korzystając z NLP w celu oceny, które wiadomości e-mail wyglądają podejrzanie.

Tłumaczenie maszynowe

Tłumacz Google, DeepL i inne programy do tłumaczenia maszynowego wykorzystują NLP do oceny milionów zdań przetłumaczonych przez ludzi posługujących się różnymi parami językowymi.

Wirtualni asystenci i chatboty

Wszystkie Alexas, Siris, Asystenci Google i chatboty obsługi klienta na świecie należą do tej kategorii. Używają NLP, aby zrozumieć, analizować i ustalać priorytety pytań i żądań użytkowników oraz szybko i poprawnie na nie odpowiadać.

Analiza nastrojów w mediach społecznościowych

Marketerzy zbierają posty w mediach społecznościowych na temat konkretnych marek, tematów rozmów i słów kluczowych, a następnie wykorzystują NLP do analizy, co użytkownicy myślą o każdym temacie, indywidualnie i zbiorowo. Pomaga to markom w badaniach klientów, ocenie wizerunku i wykrywaniu dynamiki społecznej.

Podsumowanie tekstu

Streszczanie tekstu polega na zmniejszeniu jego objętości przy zachowaniu kluczowych informacji i zasadniczego znaczenia. Do codziennych przykładów podsumowań tekstowych należą nagłówki wiadomości, zapowiedzi filmów, tworzenie biuletynów, badania finansowe, analizy umów prawnych i podsumowania wiadomości e-mail, a także aplikacje dostarczające kanały informacyjne, raporty i wiadomości e-mail.

Wyszukiwanie semantyczne

Wyszukiwanie semantyczne wykorzystuje głębokie sieci neuronowe do inteligentnego przeszukiwania danych. Wchodzisz w interakcję z nim za każdym razem, gdy szukasz w Google. Wyszukiwanie semantyczne jest pomocne, gdy chcesz wyszukać coś na podstawie kontekstu, a nie konkretnych słów kluczowych.

„Sposób, w jaki wchodzimy w interakcję z innymi ludźmi, odbywa się za pośrednictwem języka” – mówi Yannic Kilcher, jeden z najpopularniejszych YouTuberów i wpływowych osób w przestrzeni NLP, dodając, że język jest częścią każdej interakcji, jaką ludzie mają ze sobą nawzajem i z komputerami. Nic więc dziwnego, że NLP jako dziedzina była miejscem kilku z najbardziej ekscytujących odkryć i wdrożeń sztucznej inteligencji w ostatniej dekadzie.

Era modeli wielkojęzykowych

https://aie24.pl/

Wyobraź sobie, że budzisz się w piękny, słoneczny poranek. Jest poniedziałek i wiesz, że tydzień będzie pracowity. Twoja firma wkrótce uruchomi nową aplikację zwiększającą produktywność osobistą, Taskr, i rozpocznie kampanię w mediach społecznościowych, aby świat dowiedział się o Twoim genialnym produkcie. Twoim głównym zadaniem w tym tygodniu jest napisanie i opublikowanie serii angażujących wpisów na blogu. Zaczynasz od zrobienia listy rzeczy do zrobienia:

* Napisz pouczający i zabawny artykuł na temat hacków zwiększających produktywność, w tym Taskr. Nie przekraczaj pięciuset słów.

* Utwórz listę pięciu chwytliwych tytułów artykułów.

* Wybierz wizualizacje.

Naciskasz Enter, bierzesz łyk kawy i obserwujesz, jak artykuł splata się na ekranie, zdanie po zdaniu, akapit po akapicie. W 30 sekund masz wartościowy, wysokiej jakości post na blogu, idealny początek Twojej serii w mediach społecznościowych. Strona wizualna jest zabawna i przyciąga uwagę. Zrobione! Wybierasz najlepszy tytuł i rozpoczynasz proces wydawniczy. To nie jest odległa, futurystyczna fantazja, ale rzut oka na nową rzeczywistość, która stała się możliwa dzięki postępowi sztucznej inteligencji. W chwili pisania tej książki powstaje wiele takich aplikacji, które są wdrażane wśród szerszego grona odbiorców. GPT-3 to najnowocześniejszy model językowy stworzony przez OpenAI, firmę znajdującą się na pograniczu badań i rozwoju sztucznej inteligencji. Artykuł badawczy OpenAI ogłaszający GPT-3 został opublikowany w maju 2020 r., a następnie w czerwcu 2020 r. udostępniono dostęp do GPT-3 za pośrednictwem OpenAI API. Od wydania GPT-3 ludzie na całym świecie z różnych środowisk, w tym z branży technologicznej, artystycznej , literatura, marketing itp. znalazły już setki ekscytujących zastosowań tego modelu, które mogą potencjalnie ulepszyć sposób, w jaki komunikujemy się, uczymy i bawimy. GPT-3 jest w stanie wykonywać ogólne zadania językowe, takie jak generowanie i klasyfikowanie tekstu, z niespotykaną łatwością, swobodnie przechodząc między różnymi stylami tekstu i celami. Wachlarz problemów, które może rozwiązać, jest ogromny. W tej książce zachęcamy Cię do zastanowienia się, jakie problemy możesz rozwiązać samodzielnie za pomocą GPT-3. Pokażemy Ci, co to jest i jak z niego korzystać, ale najpierw chcemy dać Ci trochę kontekstu. W pozostałej części omówimy, skąd pochodzi ta technologia, jak jest zbudowana, w jakich zadaniach się wyróżnia i jakie potencjalne ryzyko się z nią wiąże. Zagłębmy się w szczegóły, przyglądając się dziedzinie przetwarzania języka naturalnego (NLP) i temu, jak pasują do niej duże modele językowe (LLM) i GPT-3.

GPT-3, czyli Generative Pre-trained Transformer 3

https://aie24.pl/

GPT-3, czyli Generative Pre-trained Transformer 3, to oparty na transformatorach model dużego języka opracowany przez OpenAI. Składa się z oszałamiającej liczby 175 miliardów parametrów. Każdy może uzyskać dostęp do tego dużego modelu językowego za pośrednictwem interfejsu API OpenAI, prostego w użyciu interfejsu użytkownika typu „wprowadzanie i wysyłanie tekstu”, bez żadnych wymagań technicznych. Po raz pierwszy w historii model sztucznej inteligencji tak duży jak GPT-3 został zdalnie hostowany i udostępniony ogółowi społeczeństwa za pomocą prostego wywołania API. Ten nowy sposób dostępu nazywa się modelem jako usługą. Ze względu na ten bezprecedensowy dostęp wiele osób, w tym autorzy tej książki, postrzega GPT-3 jako pierwszy krok w kierunku demokratyzacji sztucznej inteligencji (AI). Dzięki wprowadzeniu GPT-3 tworzenie aplikacji AI jest łatwiejsze niż kiedykolwiek wcześniej. Tu pokażemy Ci, jak łatwo jest rozpocząć pracę z API OpenAI. Przedstawimy Ci także innowacyjne sposoby wykorzystania tego narzędzia w Twoim przypadku. Przyjrzymy się odnoszącym sukcesy start-upom zbudowanym na ich bazie GPT-3 i korporacje wykorzystujące go w swoich produktach oraz zbadamy problemy i potencjalne przyszłe trendy w jego rozwoju.

Wnioski i kierunki na przyszłość

https://aie24.pl/

Kiedy dochodzimy do końca tekstu Sztuczna inteligencja dla kreatywności biznesowej, staje się jasne, że integracja sztucznej inteligencji z operacjami biznesowymi niesie ze sobą ogromny potencjał w zakresie napędzania zmian transformacyjnych i innowacji. Podróż, którą odbyliśmy w poszczególnych sekcjach, rzuciła światło na wiele sposobów, w jakie sztuczna inteligencja może wspierać kreatywność i inspirować nowe pomysły, od kwestionowania status quo i znajdowania nowych sposobów nawiązania kontaktu z klientami i interesariuszami, po optymalizację procesów i wspieranie współpracy. Kiedy jednak patrzymy w przyszłość, jasne jest również, że menedżerowie muszą stawić czoła wielu wyzwaniom, takim jak brak zrozumienia lub wiedzy na temat sztucznej inteligencji, wyzwania związane z danymi, wyzwania związane z integracją, względy etyczne i prawne, opór przed zmianami, brak umiejętności i wiedzę fachową oraz trudności w pomiarze i monitorowaniu wydajności i wpływu systemów sztucznej inteligencji. Aby organizacje mogły skutecznie wdrożyć sztuczną inteligencję i doprowadzić do metamorfozy swoich przedsiębiorstw w podmioty odnoszące większe sukcesy i zdolne do adaptacji, gotowe do podejmowania przyszłych wyzwań, należy stawić czoła tym wyzwaniom. W ostatnim rozdziale zastanowimy się nad najważniejszymi wnioskami z tej książki oraz przeanalizujemy możliwości i wyzwania, które stoją przed nami w miarę dalszego wykorzystywania mocy sztucznej inteligencji do pobudzania kreatywności biznesowej. W różnych częściach zastanawialiśmy się, w jaki sposób sztuczna inteligencja może wspierać kreatywność i inspirować innowacje. Od badania potencjału sztucznej inteligencji w zwiększaniu kreatywności nas, ludzi, po badanie, w jaki sposób systemy sztucznej inteligencji mogą inspirować generowanie nowych pomysłów na przedsięwzięcia, a także badanie roli sztucznej inteligencji w stymulowaniu ciągłych i ciągłych innowacji, optymalizacji procesów i procedur w zespołach oraz ułatwianiu i zwiększaniu współpracę i sojusze organizacyjne. Dodatkowo przedstawiliśmy proponowaną typologię i nowe kierunki współpracy nauki z przemysłem w obszarze AI i kreatywności w marketingu, a także zbadaliśmy potencjał wsparcia opartego na sztucznej inteligencji dla kreatywnego myślenia o modelach biznesowych. Ogólnie rzecz biorąc, badania przedstawione tu sugerują, że sztuczna inteligencja może potencjalnie działać jako potężny silnik nie tylko inspirujący kreatywność, ale także umożliwiający ją i przyspieszający. Może pomóc organizacjom wyprzedzić konkurencję i sprostać zmieniającym się potrzebom klientów poprzez tworzenie nowych produktów, usług i doświadczeń, które mogą poprawić życie ludzi i rozwiązać ważne problemy społeczne i gospodarcze. Podsumowując główne wnioski z tej książki dotyczące zarządzania, dotyczące tego, jak sztuczna inteligencja może pomóc menedżerom zmienić wymiary, aby w kreatywny sposób radzić sobie z głównymi problemami współczesnego świata, zidentyfikowaliśmy następujące najważniejsze:

  • Sztuczna inteligencja i zaawansowane technologie jako instrumentalne zasoby umożliwiające zrozumienie dużych ilości danych: algorytmy sztucznej inteligencji, takie jak uczenie maszynowe i przetwarzanie języka naturalnego, mogą analizować ogromne ilości danych oraz wydobywać wnioski i wzorce, które mogą nie być od razu widoczne dla ludzi. Dzięki możliwościom obliczeń kwantowych mogą pomóc menedżerom w szybszym i wydajniejszym obliczaniu i analizowaniu danych, szczególnie w przypadku zadań takich jak optymalizacja i modelowanie problemów. Dodatkowo mogą pomóc menedżerom w automatyzacji niektórych zadań, uwalniając czas i zasoby na bardziej kreatywne i strategiczne inicjatywy.
  • Sztuczna inteligencja i głębokie technologie jako zasoby inspirujące dla bardziej innowacyjnych rozwiązań: generatywne modele generatywnej sztucznej inteligencji można wykorzystywać do generowania nowatorskich koncepcji i pomysłów w oparciu o wzorce i trendy w danych. Może to być szczególnie przydatne w przypadku zadań wymagających generowania i oceny wielu różnych pomysłów, takich jak problemy związane z optymalizacją i projektowaniem, i może pomóc ludziom myśleć bardziej kreatywnie, zapewniając nowe perspektywy i spostrzeżenia, które mogły nie być wcześniej brane pod uwagę. Wykorzystując zdolność sztucznej inteligencji do generowania i oceniania nowatorskich koncepcji, menedżerowie mogą opracowywać bardziej innowacyjne rozwiązania.
  • Sztuczna inteligencja i głęboka technologia jako najnowocześniejsze zasoby otwierające nowe pola eksperymentów: rzeczywistość wirtualna i rozszerzona wraz z technologiami Web3 pomagają menedżerom projektować nowe rodzaje doświadczeń klientów lub symulacji produktu. Robotyka i systemy cyberfizyczne mogą rozwiązać wiele problemów biznesowych w tak różnorodnych obszarach, jak kontrola i konserwacja, opieka zdrowotna, rolnictwo, produkcja czy zarządzanie łańcuchem dostaw, w bardziej wydajny i bezpieczniejszy sposób.

Z niecierpliwością czekamy na dalsze badania w tym obszarze i dalszy rozwój możliwości AI we wspieraniu kreatywności biznesowej. Ponieważ dziedzina sztucznej inteligencji stale ewoluuje i rozwija się, ważne będzie, aby menedżerowie i liderzy biznesowi byli na bieżąco informowani i wyprzedzali konkurencję, aby w pełni wykorzystać możliwości sztucznej inteligencji w swoich organizacjach. Istnieje jednak również kilka wyzwań zarządczych, przed którymi mogą stanąć organizacje wykorzystujące sztuczną inteligencję do kreatywności biznesowej. Obejmują one:

  • Zapewnienie, że sztuczna inteligencja będzie wykorzystywana w sposób etyczny i odpowiedzialny, przy zastosowaniu proaktywnego podejścia do identyfikowania potencjalnych negatywnych skutków i eliminowania ich, wspierania przejrzystości i komunikacji oraz przestrzegania zasad etycznych przy projektowaniu, opracowywaniu i wdrażaniu sztucznej inteligencji.
  • Zapewnienie, że rozwój i wdrożenie sztucznej inteligencji będzie miało pozytywny wpływ na społeczeństwo, biorąc pod uwagę potencjalne konsekwencje jej stosowania i proaktywnie zajmując się wszelkimi negatywnymi skutkami, które mogą się pojawić. Oznacza to wspieranie przejrzystości i komunikacji w celu edukowania społeczeństwa i decydentów na temat możliwości i ograniczeń sztucznej inteligencji. W ten sposób możemy pracować nad przyszłością, w której sztuczna inteligencja będzie siłą działającą na rzecz dobra całego społeczeństwa, poprawiającą życie i napędzającą postęp dla wszystkich.
  • Rozwiązanie problemów związanych z wpływem na siłę roboczą. Włączenie sztucznej inteligencji do operacji biznesowych może prowadzić do automatyzacji niektórych zadań, co może budzić obawy dotyczące przenoszenia stanowisk pracy, sposobu jej wykonywania i wymaganych umiejętności. Może to wymagać od menedżerów przekwalifikowania i przekwalifikowania pracowników oraz dostosowania się do nowych sposobów pracy.
  • Zarządzanie integracją sztucznej inteligencji z istniejącymi systemami i procesami. Sztuczna inteligencja może być potężnym narzędziem, ale wymaga również starannego planowania i integracji, aby zapewnić jej efektywne wykorzystanie i dostosowanie jej do celów biznesowych.
  • Zarządzanie bezpieczeństwem i prywatnością danych. Ponieważ sztuczna inteligencja opiera się na dużych ilościach danych, ważne jest zapewnienie ochrony tych danych i poszanowania prywatności.
  • Przewidywanie wpływu AI na kwestie prawne firmy, w tym prawa własności intelektualnej w przypadku produktów generowanych przez AI czy zarządzanie odpowiedzialnością w przypadku wad i szkód spowodowanych przez takie produkty lub usługi.

Uważnie podejmując te wyzwania, organizacje mogą skutecznie wykorzystać moc sztucznej inteligencji i pojawiających się nowych technologii do wspierania kreatywności biznesowej w sposób odpowiedzialny i etyczny, z należytym uwzględnieniem jej potencjalnego wpływu na społeczeństwo i siłę roboczą. Sztuczna inteligencja może być potężnym narzędziem, ale należy pamiętać, że nie jest to magiczne rozwiązanie wszystkich naszych problemów. A co najważniejsze, może pomóc ludziom, ale nie może ich całkowicie zastąpić. Jest mało prawdopodobne, aby w najbliższej przyszłości zadania takie jak zarządzanie projektami i komunikacja w zespole zostały zautomatyzowane. Ogólnie rzecz biorąc, kluczem do wykorzystania mocy sztucznej inteligencji w kreatywności biznesowej jest zrozumienie, w jaki sposób może ona zwiększać i ulepszać nasze ludzkie możliwości, zamiast je zastępować. Wykorzystując moc inteligencji ludzi i maszyn oraz przestrzegając zasad etycznych, możemy tworzyć nowe i innowacyjne rozwiązania, które napędzają postęp i tworzą wartość dla wszystkich interesariuszy. Idąc w przyszłość, ważne jest, aby wykorzystać możliwości, jakie stwarza sztuczna inteligencja i pozostać otwartym na nowe sposoby myślenia i pracy. W ten sposób możemy uwolnić pełny potencjał sztucznej inteligencji i wykorzystać jej moc do pobudzania kreatywności i innowacji w świecie biznesu. Zastanawiając się nad pomysłami przedstawionymi tutaj, zastanów się, w jaki sposób możesz wykorzystać moc sztucznej inteligencji we własnej firmie i organizacji. Jakie kroki możesz podjąć, aby skutecznie zintegrować sztuczną inteligencję ze swoimi operacjami i strategiami w sposób odpowiedzialny i etyczny? Jak wykorzystać możliwości sztucznej inteligencji do pobudzania kreatywności i innowacji w swojej dziedzinie? Zastanów się, co możesz zrobić, aby wyprzedzić konkurencję i wykorzystać możliwości, jakie niesie ze sobą sztuczna inteligencja i zaawansowane technologie na przyszłość. Zamykając strony tej książki o sztucznej inteligencji dla kreatywności biznesowej, pamiętajmy, że prawdziwa siła sztucznej inteligencji nie polega na jej zdolności do automatyzacji i usprawniania, ale na jej potencjale inspirowania i wprowadzania innowacji dla ludzi. Przyszłość biznesu nie należy do tych, którzy po prostu dostosowują się do rozwoju sztucznej inteligencji, ale do tych, którzy odważą się wykorzystać jej pełny potencjał twórczy. Przyjmijmy więc zakłócenia, zakwestionujmy status quo i wykorzystajmy sztuczną inteligencję do przesuwania granic tego, co możliwe. Kreatywność to umiejętność ludzka, która może napędzać ewolucję technologii, umożliwiając postęp i innowacje w społeczeństwie

Wnioski i dalsze kroki

https://aie24.pl/

Opisano wczesne badania projektowe, które zintegrowały skodyfikowaną wiedzę na temat ustalonych procesów, technik i narzędzi kreatywnego myślenia z cyfrowymi informacjami na temat modeli biznesowych z istniejącego Zoo Modeli Biznesowych. W rezultacie powstał nowy cyfrowy prototyp o nazwie BOB, który został zaprojektowany, aby wspierać użytkowników biznesowych w generowaniu nowych pomysłów na temat ich modeli biznesowych. BOB był przykładem współtwórczej sztucznej inteligencji, formy sztucznej inteligencji skoncentrowanej na człowieku, w której rozumowanie maszynowe i ludzkie przeplata się, aby rozwiązywać złożone problemy. Został zaprojektowany, aby wspierać profesjonalistów biznesowych w systematycznym i regularnym generowaniu różnych form kreatywnych wyników Pro-C, Mini-C i Little-c związanych z ich modelami biznesowymi. Jednak podczas pierwszych ocen, mimo że profesjonaliści byli pozytywnie nastawieni do koncepcji BOB i jego funkcji wspomagających kreatywne myślenie, wczesny prototyp wymagał dopracowania, aby wykazać jego potencjał do generowania różnych form kreatywnych wyników. Podobne bariery w użyciu napotkano podczas wdrażania narzędzi AI do współtworzenia w innych dziedzinach zawodowych (np. Maiden i in., 2020b). Kolejnymi etapami badań projektowych będzie opracowanie nowych wersji prototypów BOB, które będą stanowić wsparcie dla profesjonalistów pracujących w trzech scenariuszach przedstawionych w drugim badaniu. Rzeczywiście, prace rozwojowe już się rozpoczęły. Każdy z nich został zaprojektowany tak, aby integrować się z raportowanymi przepływami pracy liderów biznesowych i konsultantów oraz zapewniać użytkownikom bardziej kreatywne wskazówki dotyczące strategii i taktyk biznesowych, a także modeli szybciej niż w obecnym prototypie. Z niecierpliwością czekamy na raporty dotyczące tych prototypów i ich ocen w przyszłości.

Pierwsze oceny prototypu BOB

https://aie24.pl/

Zgłoszona wersja prototypu BOB została oceniona przez czterech specjalistów biznesowych z różnych organizacji. Obecne role, sektory i lokalizacja oraz łączne lata doświadczenia zawodowego każdego z tych specjalistów wymieniono w Tabeli 6.1. Trzej z nich mieli ponad dwudziestoletnie doświadczenie zawodowe w różnych sektorach biznesowych i pracowali w Wielkiej Brytanii. Każdy profesjonalista indywidualnie zajmował się prototypem, a każda sesja ewaluacyjna odbywała się online, zdalnie, z wykorzystaniem udostępniania ekranu poprzez Zoom. Każda sesja trwała od 40 do 60 minut. Podczas każdej sesji specjalista biznesowy był proszony o wykonanie zadań z przygotowanego skryptu testowego i „myślenie na głos” podczas wykonywania tych zadań. Każdy skrypt testowy został nieco dostosowany do indywidualnych potrzeb. Był elastyczny i umożliwiał profesjonalistom odkrywanie różnych funkcji i podejmowanie różnych działań. Kiedy to miało miejsce, w odpowiedzi na to, co zostało zaobserwowane i/lub powiedziane, zadano nieskryptowane i/lub dostosowane pytania, a także udzielono podpowiedzi, aby poprowadzić specjalistów z powrotem do zapisanych w scenariuszu zadań. Wszystkie sesje zostały nagrane, a połączony ekran i nagranie dźwiękowe „myśl na głos” zostały sprawdzone, aby zebrać zarówno pozytywne, jak i negatywne opinie na temat prototypu.

Wszyscy czterej profesjonaliści biznesowi mogli korzystać z narzędzia i wykonywać zadania zapisane w skrypcie. Zadania wymagały od każdego z nich przedstawienia wyzwania biznesowego, a następnie zapoznania się z funkcjami prototypu w celu zbadania tego wyzwania. Nagrania audio wykazały, że profesjonaliści pozytywnie ocenili prototyp jako całość. Zarówno koncepcja, jak i jej założenie – kreatywne wskazówki, jak inaczej myśleć o modelach i strategiach biznesowych – zostały uznane za wartościowe i interesujące. Wielu profesjonalistów odpowiedziało, że wróci do korzystania z takiego narzędzia w swojej pracy zawodowej.

Ponadto wyróżniono różne cechy prototypu jako posiadające określoną potencjalną wartość. Stwierdzono, że wsparcie cyfrowe umożliwiające zapoznanie się z różnymi studiami przypadków biznesowych jest potencjalnie bardzo pomocne. Zgłoszono, że zarówno szczegółowa treść studium przypadku, jak i powiązane z nią tematy interaktywne również mają wartość. Ponadto specjaliści pozytywnie ocenili różne typy i formaty treści, takie jak filmy i podcasty, które można było przeglądać za pomocą funkcji Statystyki. Zgłoszono, że te różne typy treści są zarówno nieoczekiwane, jak i zaskakujące. Co więcej, pytania zadane w celu zachęcenia do większej kreatywności transformacyjnej przy użyciu funkcji Transformacje zostały uznane za wciągające, interesujące i przydatne. Listę inspiracji po prawej stronie opisano jako świetne narzędzie do przechowywania, refleksji i dzielenia się pomysłami i źródłami ze współpracownikami. To powiedziawszy, specjaliści zgłosili również, że gdyby każdy z nich był w stanie wprowadzić więcej informacji na temat wyzwania biznesowego, prototyp mógłby zapewnić im pełniejsze i trafniejsze wskazówki. Zapytani o szczegóły, wiele osób stwierdziło, że proste wyzwanie biznesowe było postrzegane jako ograniczające ilość informacji wprowadzanych do prototypu, które można było uzasadnić. Podobnie wielu profesjonalistów zgłosiło, że odkryta treść spostrzeżeń była często interesująca, ale niewystarczająco związana z podjętym wyzwaniem, co wprowadzało wiele niepożądanych zakłóceń do ich zadań. Co więcej, pomimo pozytywnych opinii na temat ogólnej koncepcji, założeń i funkcji prototypu, specjaliści zgłosili inne problemy, które stanowiły barierę w przyjęciu. Wiele informacji przedstawionych w prototypie (np. o typach modeli biznesowych i studiach przypadków) uznano za niedostępne i/lub trudne do zrozumienia. Zgłoszono, że w opisach modeli biznesowych brakowało ważnych informacji, takich jak rozwój pod względem etapów, przez które często muszą przejść przedsiębiorstwa. Nic więc dziwnego, że profesjonaliści biznesowi uważali się za inteligentnych i posiadających wiedzę na temat swojej działalności i wyzwań. Zgłoszono jednak, że ich interakcje z prototypem stwarzały poczucie niedostatecznego zrozumienia tych wyzwań. Podobnie, chociaż prowadzony przez kreatora proces wyboru typu modelu biznesowego w odpowiedzi na proste wybory był postrzegany jako intuicyjny, niektóre pytania zadawane przez kreatora były niejasne, a dostępne przykłady wyjaśniające te pytania nie pomogły. Co więcej, nie zrozumiano powodów, dla których prototyp zadawał niektóre pytania, np. czy produkt lub usługa ma charakter fizyczny czy cyfrowy, a niektórzy profesjonaliści biznesowi chcieli móc odpowiedzieć na te pytania w inny sposób (np. nie odpowiadać lub podawać wartość środkową). Niektórzy kwestionowali także brak innych pytań, które według nich są ważne przy wyborze modelu biznesowego, takich jak wielkość przedsiębiorstwa wymagającego zastosowania modelu. Co więcej, większość wskazówek wygenerowanych przez prototyp uznano za nieistotne dla zgłoszonego wyzwania. Choć studia przypadków zostały docenione, pojawiły się także uwagi dotyczące ich zakresu (zbyt ograniczony lub z niewłaściwych sektorów), aktualności (która nie była wystarczająco aktualna), słabego dopasowania do prezentowanego typu modelu biznesowego oraz nieodpowiedniość wyodrębnionych elementów (które nie były wystarczająco blisko powiązane z wyzwaniem wprowadzonym przez użytkownika). Podobnie pytania dotyczące Transformacji, zachęcające do kreatywnego myślenia transformacyjnego, nie zostały wystarczająco dopracowane i/lub dostosowane do postawionego wyzwania i/lub odkrytych studiów przypadków.

Jednakże prototypową funkcją, która zebrała najwięcej komentarzy, była funkcja Insights. Pomimo potencjału i emocji, jakie generowała ta funkcja, niektóre z otrzymanych wyników nie były istotne. W odpowiedzi konstruktywne uwagi od profesjonalistów obejmowały włączenie wyszukiwania słów kluczowych (np. w celu znalezienia powiązanych informacji o podmiocie przedstawionym w prawym dolnym rogu każdej karty), filtrów poziomu wiedzy (np. ekspert kontra poziom podstawowy), aby zapewnić więcej kontrolę użytkownika nad odkrytymi spostrzeżeniami i otagowanymi treściami z paywallów (aby uniknąć tarć podczas wykonywania zadań). Zgłoszono również, że wizualna prezentacja kart informacyjnych jest zbyt jednolita i sucha. I wreszcie, aby zachęcić do bardziej wspólnego myślenia o modelach biznesowych i strategiach, prototyp powinien umożliwiać innym użytkownikom w tej samej organizacji badanie wyników innych użytkowników, generowanie tak zwanej „wiedzy plemiennej” oraz powiedzenie „Gdybyśmy tylko wiedzieli, co wiemy”. Podsumowując, pierwsza ocena przeprowadzona z czterema doświadczonymi profesjonalistami biznesowymi ujawniła potencjalną wartość nawet ograniczonych funkcji interaktywnych w zachęcaniu do kreatywnego myślenia o firmach i ich modelach. Ogólny projekt był użyteczny i pokazał, że podstawowe pomysły projektowe były słuszne. Jednakże, co być może nie było zaskoczeniem, biorąc pod uwagę prototyp pierwszej wersji, wykonanie projektu było stosunkowo słabe i konieczne było znaczne przerobienie części interakcji, algorytmów i wyselekcjonowanej treści. Rzeczywiście wyniki tej oceny pokazują, jak wrażliwi mogą być użytkownicy biznesowi na współtworzenie produktów AI w zadaniach takich jak wybór modelu biznesowego. Dlatego, aby lepiej zrozumieć, w jaki sposób narzędzia cyfrowe, takie jak BOB, mogą być wykorzystywane w przedsiębiorstwach, przeprowadzono częściowo ustrukturyzowane wywiady z dziesięcioma różnymi specjalistami biznesowymi z różnych organizacji. Każdemu profesjonaliście zadano te same pytania, a następnie zaoferowano mu możliwość indywidualnego zapoznania się z tą samą opisaną i ocenioną wersją prototypu BOB. Wszystkie wywiady przeprowadzono indywidualnie w trybie online i pozwoliły na pogłębione zgłębienie tematów. Podczas każdej rozmowy każdego specjalistę biznesowego pytano o jego działalność i rolę w tej firmie, o podejście firmy do opracowywania modelu biznesowego oraz o to, czy kreatywne myślenie i/lub narzędzia cyfrowe odegrały rolę w opracowywaniu modelu biznesowego. Na koniec każdej rozmowy każdy specjalista biznesowy był oglądany przez prototyp BOB i zadawał pytania dotyczące jego funkcji i wskazówek. Więcej szczegółów podano w Chandras (2022). Tue przedstawiamy jedynie wyniki analizy transkrypcji nagranych audio, która pozwoliła zidentyfikować trzy scenariusze użycia, w których przyszłe wersje prototypu BOB mogą wnieść wartość dodaną dla przedsiębiorstw. Każdy scenariusz jest opisany po kolei. Pierwszy scenariusz zakładał wsparcie strategii i generowania leadów przez założycieli startupów w celu odkrycia bardziej kreatywnych możliwości biznesowych. Założyciele ci zgłaszali, że na wczesnym etapie rozwoju firmy często napotykali wyzwania związane z opracowaniem lub ewolucją modelu biznesowego i strategii. Stwierdzono potrzebę wskazówek dotyczących wyboru modelu biznesowego w połączeniu ze spersonalizowanymi funkcjami diagnostycznymi w celu opracowania potrzeb biznesowych. Funkcje te powinny obejmować obsługę multimedialną wyjaśniającą kluczowe koncepcje biznesowe i różne szablony biznesowe dostosowane do każdego start-upu. W tym scenariuszu potrzebne było również wsparcie dla przepływów pieniężnych, takie jak wytyczne dotyczące znalezienia mechanizmów monetyzacji, takich jak freemium lub wspólne partnerstwa biznesowe. Drugi scenariusz był zupełnie inny i wspierał konsultantów mających kontakt z klientem oraz członków zespołów ds. rozwoju biznesu w podnoszeniu umiejętności w celu przedstawiania ofert klientom. Od osób na tych stanowiskach często wymagane jest przedstawianie zwycięskich propozycji, które rozwiążą wyzwania biznesowe klientów, dlatego muszą aktualizować swoją wiedzę i umiejętności, korzystając z informacji, danych i spostrzeżeń specyficznych dla danego sektora lub tematu. Trzeci scenariusz opisywał, w jaki sposób konsultanci i inne zainteresowane strony mogą współpracować, aby dzielić się perspektywami i pozyskiwać pomysły, dzięki którym rozwiążą problemy biznesowe. Dwa zgłoszone wyzwania związane z dużymi zespołami klientów to słaby dostęp do interesariuszy i brak kreatywnego zaangażowania interesariuszy, którzy mogliby wnieść świeże perspektywy i pomysły. Dlatego przyszłe wersje prototypu będą musiały motywować, a następnie kierować interesariuszy do skutecznego udziału w procesach współpracy, dzielenia się perspektywami i generowania nowych pomysłów w ramach wspólnego procesu twórczego.

Spostrzeżenia i ograniczenia

https://aie24.pl/

Co więcej, w prototypie zaimplementowano także dwie nowe funkcje, aby zachęcić użytkowników do odkrywania pomysłów w różnych przestrzeniach możliwości. Pierwsza, zwana Insights, odkrywała informacje z różnych źródeł zewnętrznych w odpowiedzi na proste słowa kluczowe wpisywane w celu filtrowania przykładowych studiów przypadków powiązanych z wybranym typem modelu biznesowego. Algorytmy, które pozyskały te informacje, skodyfikowały wiedzę o kreatywności jako rozwinięcie zapytań, za pomocą których można odkryć treści powiązane bardziej stycznie ze słowami kluczowymi. Informacje były prezentowane na różnych interaktywnych kartach, automatycznie wypełnionych treścią pobraną z różnych wybranych kanałów (np. artykuły akademickie z Google Scholar i filmy z YouTube). Algorytmy wywoływały publiczne interfejsy API tych dostawców w celu pobrania metatreści dotyczącej artykułów, podcastów i filmów – metadanych, takich jak tytuły, formaty i, w stosownych przypadkach, czas trwania. Prototyp prezentował tę treść użytkownikom za pomocą kart informacyjnych. Karty zaprojektowano tak, aby miały podobny układ prezentacji jak karty opisujące studia przypadków. Ich przykłady przedstawiono na rysunku 6.9. Kliknięcie tytułu karty otwiera wybraną publikację, podcast lub film w osobnej karcie przeglądarki. Użytkownicy mogli skorzystać z prostych, interaktywnych funkcji, aby na przykład filtrować źródła treści dostępne za pośrednictwem kart. Funkcja Insights została wdrożona, aby pomóc użytkownikom przede wszystkim w generowaniu kreatywnych wyników Mini-C i Little-c w formie pomysłów, które inni mogą nie uznać za nowatorskie, ale mogą wnieść wkład do przyszłych rozwiązań Pro-C lub wygenerować nowe znaczące przemyślenia, które również mogą wnieść wkład do przyszłych rozwiązań Pro-C. Druga funkcja, zwana Transformacjami, została wprowadzona, aby poprowadzić użytkowników do podjęcia kreatywności transformacyjnej, myśląc o swoim modelu biznesowym i strategiach. Według Bodena twórczość eksploracyjna zakłada określoną przestrzeń częściowych i całkowitych możliwości eksploracji – przestrzeń, która implikuje także istnienie reguł ją definiujących. Zmiany tych zasad powodują coś, co można uznać za zmianę paradygmatu zwaną kreatywnością transformacyjną. Dlatego, aby zachęcić do tego transformacyjnego, twórczego myślenia, w prototypie przedstawiono również cztery różne pytania, które nakazywały użytkownikom zmianę jednej lub więcej zasad definiujących przestrzeń eksplorowanych przez nich idei, aby otworzyć nowe przestrzenie możliwości. Zasady te – związane z ludźmi, miejscami, organizacjami i innymi koncepcjami związanymi z ich biznesem – zostały zaprojektowane przy użyciu wiedzy o kreatywności na temat transformacyjnych technik twórczego myślenia. Na przykład jedna z opublikowanych technik usuwania ograniczeń  nakazuje użytkownikom odkrywanie, a następnie celowe usuwanie ograniczeń ograniczających przestrzeń możliwych pomysłów, a następnie generowanie pomysłów w tej powiększonej przestrzeni możliwości. Wiedza operacyjna na temat wdrażania tej techniki została skodyfikowana w prostych zasadach i interaktywnych wskazówkach dla użytkownika. Rysunek 6.10 przedstawia cztery pytania, które potencjalnie mogły zostać wygenerowane w prototypie. Przykładowe pytania brzmiały: „Wyobraź sobie, że nie ograniczałbyś się do obecnego modelu przywództwa, jak mógłbyś stawić czoła temu wyzwaniu?” oraz „Jak podszedłbyś do tego wyzwania, gdybyś nie był ograniczony do fizycznej lokalizacji swojej firmy?” Ponownie zaimplementowano funkcję Transformacje, aby pomóc użytkownikom przede wszystkim w generowaniu kreatywnych wyników Pro-C i Mini-C. Wreszcie, podczas wszystkich interakcji z prototypem, użytkownik mógł uzyskać dostęp, dodawać i pobierać inspiracje z Listy Inspiracji. Dostęp do tej listy można uzyskać po kliknięciu ikony żarówki w prawej części strony. Po kliknięciu główna strona z treścią zwęziła się, a po prawej stronie pojawiła się lista (patrz rysunek 6.11). Podczas interakcji z prototypem użytkownik mógł jednym kliknięciem dodać do listy typy modeli biznesowych, studia przypadków i tematy, a następnie dodać notatki do tych dodatków jako inspirację do dalszego twórczego myślenia. Podsumowując, w prototypie połączono skodyfikowaną wiedzę o kreatywności w formie kreatywnych poszukiwań i interaktywnych wskazówek z informacjami o typach modeli biznesowych i powiązanymi studiami przypadków. Został on opracowany wspólnie z użytkownikami biznesowymi. Jednak nadal brakowało opinii na temat prototypu. Dlatego autorzy przeprowadzili pierwszą ewaluację kształtującą prototypu z użytkownikami biznesowymi, którzy wcześniej nie mieli dostępu do prototypu, aby zapewnić jakościową opinię na temat jego koncepcji, celu i funkcji. Podsumowanie tych pierwszych ocen znajduje się w następnej sekcji