Sztuczna inteligencja ma wielki potencjał, by zapoczątkować bezprecedensowe zmiany w sposobie życia i pracy ludzi. Ale zanim ten potencjał przyniesie efekty w praktyce, trzeba pokonać kilka niełatwych przeszkód.
Do 2030 roku sztuczna inteligencja (AI) może przyspieszyć wzrost gospodarczy świata o 1,2 punktu procentowego rocznie – takie wnioski płyną z raportu Notes from the AI frontier: Modeling the impact of AI on the world economy opracowanego przez McKinsey Global Institute. W skali dekady wpływ ten zaowocuje dodatkowym wzrostem PKB o 13 punktów procentowych. Ten wysoki potencjał AI dostrzegły nowoczesne firmy, które coraz śmielej sięgają po zaawansowane technologie pozwalające na znaczne przyspieszenie procesów, lepszą obsługę klienta i rozwój produktów i usług. Jednak nasze doświadczenia zebrane podczas wdrażania u klientów rozwiązań z obszaru sztucznej inteligencji, robotyzacji i automatyzacji pokazują, że firmy napotykają wiele wyzwań w osiąganiu korzyści biznesowych i zwrotu środków z inwestycji w narzędzia i analityków.
Do najczęściej wymienianych trudności zaliczyć można problemy z pozyskaniem wystarczającej ilości danych odpowiedniej jakości, skalowalnością i replikowalnością wypracowanych rozwiązań oraz brakiem zaufania do decyzji podejmowanych przez algorytmy AI. Bez wątpienia utrzymanie przewagi konkurencyjnej przedsiębiorstw w oparciu o sztuczną inteligencję będzie wymagało nieustannego śledzenia kolejnych udoskonaleń analitycznych, a także ich skutecznego wdrażania.
Niedosyt danych
W firmach i różnego rodzaju organizacjach gromadzone są terabajty danych, a jednak nie wszystkie pomagają w podejmowaniu decyzji. Wynika to z faktu, że dane historyczne firm osadzone są zawsze w określonym kontekście otoczenia biznesowego i wewnętrznej strategii firmy. Na przykład informacje o zachowaniach konsumentów wynikają z obowiązującej strategii marketingowej firmy. Takie informacje mogą być niewystarczające do przewidywania zachowań klientów w przypadku alternatywnej strategii cenowej lub komunikacyjnej przedsiębiorstwa. Tym samym będą one mało przydatne w budowaniu nowej strategii, ze względu na brak zdolności do przewidzenia konsekwencji nowej polityki firmy. Odpowiedzią na to wyzwanie okazuje się stosowanie zaawansowanych technik, takich jak uczenie ze wzmocnieniem (reinforcement learning) czy generatywne sieci współzawodniczące (generative adversarial networks).
