Jednym z aspektów generatywnej sztucznej inteligencji, którym poświęca się dużo uwagi, jest jej potencjalne oddziaływanie na Hollywood i przemysł rozrywkowy. Obawy dotyczące tej kwestii są oczywiste, ponieważ GenAI potrafi kreować dane wyjściowe, z których korzysta ten sektor – teksty w formie opowiadań, scenariuszy, tekstów reklamowych i recenzji; kampanie marketingowe oraz ruchome i statyczne obrazy. Niektóre segmenty tego sektora odczuwają obecnie presję ekonomiczną, co zwiększa zapotrzebowanie na produktywność i tańsze „produkty”. A duża część współczesnych wytworów przemysłu rozrywkowego powstała na podstawie już istniejących treści. Stwarza to duże szanse dla generatywnych technologii, które są trenowane na już istniejących treściach.

Rozrywka kreowana przez generatywną sztuczną inteligencję (generative artificial intelligence – GenAI) jest wciąż we wczesnym stadium rozwoju, ale widać wyraźnie, że coś wielkiego dzieje się w tej branży. Gazeta „Wall Street Journal” opublikowała w minionym roku artykuł, w którym czytamy, że szeroko dostępne narzędzia AI potrafią podpowiadać fabuły, wątki i dialogi. Artykuł zawiera nawet interaktywny moduł, który pozwala czytelnikom przekonać się naocznie, jak łatwo narzędzie ChatGPT potrafi wykreować zarys scenariusza, jeśli zasilimy je kilkoma promptami. Poza tym artykuł stawia pytania dotyczące własności intelektualnej w odniesieniu do obrazów: „Jeśli użytkownik poinstruuje narzędzie AI, aby stworzyło postać wzorowaną na, powiedzmy, SpongeBobie, czy twórcy oryginalnej postaci powinni wydać na to zezwolenie? Kto będzie właścicielem nowego bohatera? Czy również ten bohater może być chroniony prawem autorskim?”.

Zdaniem menedżerów odpowiedzialnych za dane na radarze każdego lidera powinno znaleźć się pięć newralgicznych kwestii.

Sztuczna inteligencja (AI) i danologia (data science) to dziedziny, które zdominowały pierwsze strony gazet w 2023 roku. Czynnikiem, który spowodował radykalny wzrost widoczności tej problematyki, jest, rzecz jasna, rozwój generatywnej AI. Jakie więc trendy mogą sprawić w 2024 roku, że obie te dziedziny pozostaną jednymi z głównych tematów doniesień w mediach biznesowych? I jaki będzie faktyczny wpływ tych trendów na działalność przedsiębiorstw?

W trakcie ostatnich kilku miesięcy przeprowadziliśmy trzy ankiety wśród liderów odpowiedzialnych za dane i technologie. W dwóch ankietach wzięli udział dyrektor do spraw danych w MIT i uczestnicy sympozjum poświęconego jakości informacji. Sponsorem jednej ankiety była firma Amazon Web Services (AWS), a drugiej – firma doradcza Thoughtworks (wyniki tej ankiety nie zostały jeszcze opublikowane). Za trzecią ankietę odpowiadała firma Wavestone, dawniej New Vantage Partners, o której dorocznych ankietach niegdyś pisaliśmy. Ogółem w naszych ankietach wzięło udział ponad 500 menedżerów wyższego szczebla, przy czym uczestnictwo mogło się w pewnej mierze dublować.

Ankiety nie przewidują przyszłości, ale z pewnością wskazują na to, co myślą i robią ludzie najmocniej związani ze strategiami i przedsięwzięciami firm w obszarze nauki o danych i AI. Według tych menedżerów na baczną uwagę zasługuje pięć nabierających na znaczeniu kwestii.

W czasie, w którym wiele firm z zakresu usług finansowych cechuje nieco chwiejna pozycja, stabilność powinna być szeroko dyskutowaną kwestią.

Northwestern Mutual, licząca sobie 166 lat firma ubezpieczeniowa z siedzibą w Milwaukee w stanie Wisconsin, realizuje misję podporządkowaną celowi zawartemu w haśle: uwolnić Amerykanów od problemów finansowych. Jednemu z nas, Tomowi, który był wówczas młodym przedstawicielem branży usług profesjonalnych, oferta Spokojnej Firmy (tak reklamował się swego czasu Northwestern) wydała się na tyle atrakcyjna, że z biegiem lat nabył wiele produktów tej organizacji, mimo że nie czarowała ona swoich klientów cyfrowymi rozwiązaniami. Firma Northwestern dąży jednak do tego, aby jej działalność była bardziej skupiona na klientach i chce poprawić ich całościowe doświadczenia. W tym celu koncentruje swoją uwagę na sztucznej inteligencji (artificial intelligence – AI) i danologii (data science).

Gdy przyglądamy się pracy maszyn, o wiele częściej jesteśmy świadkami sytuacji, w których wspomagają one pracę człowieka, niż gdy działają samodzielnie. Oczekuje się, że ten schemat utrzyma się w przewidywalnej przyszłości.

Prawie 30 lat temu Robert j. Thomas, wówczas profesor MIT, opublikował książkę What Machines Can’t Do (Czego maszyny nie mogą dokonać). Skupiał się w niej na technologii produkcji i przekonywał, że maszyny nie są jeszcze gotowe, by całkiem przejąć fabryki z rąk ludzi. Chociaż ostatnie osiągnięcia w dziedzinie sztucznej inteligencji znacznie podniosły zdolności maszyn, nadal jest wiele czynności, których nie są jeszcze w stanie wykonać albo przynajmniej nie są w stanie zrobić tego w sposób wysoce skuteczny.

Systemy AI mogą się dobrze spisywać w laboratorium badawczym albo w warunkach wysoce kontrolowanych zastosowań, lecz nadal potrzebują pomocy człowieka w typowych warunkach pracy, które badaliśmy na potrzeby nowej książki Working With AI: Real Stories of Human‑Machine Collaboration (Praca z AI: prawdziwe historie współpracy człowieka z maszyną). W trzydziestu opisanych w niej przypadkach pracownicy wyraźnie pozostawali istotnym czynnikiem.

W tym artykule wykorzystamy niektóre wspomniane w książce przykłady, by przedstawić listy procesów wykorzystujących sztuczną inteligencję, a mimo to nadal wymagających udziału człowieka. Są to zadania, w przypadku których organizacje powinny wciąż inwestować w kapitał ludzki i w których specjalistyczny personel może liczyć w najbliższej przyszłości na ciągłość zatrudnienia.

Obecne ograniczenia AI w miejscu pracy

Sztuczna inteligencja z czasem zyskuje coraz większy potencjał, a zatem nie da się uzyskać jednej niezmiennej odpowiedzi na to, co maszyny już potrafią, a czego jeszcze nie umieją. Być może czytelnik tego artykułu w 2032 roku uzna, że przedstawione w nim ograniczenia AI są komicznie rozmijające się z prawdą. Na razie jednak ważne jest, aby nie oczekiwać od AI więcej, niż może zaoferować. Przedstawiamy niektóre z jej istotnych dzisiejszych ograniczeń.

Zrozumienie kontekstu. AI nie rozumie jeszcze szerszego kontekstu, w którym funkcjonuje biznes oraz tego związanego z zadaniem powierzonym jej do wykonania. Dostrzegliśmy ten problem w wielu przypadkach. Jeden z nich dotyczy sytuacji oceny poziom ryzyka ubezpieczeniowego dokonywanego przez AI na podstawie wielu danych zawartych w dokumentacji medycznej wnioskodawcy, lecz bez zrozumienia kontekstu sytuacyjnego. Na przykład jeden z powszechnie przepisywanych leków zmniejsza nudności zarówno u pacjentów chorych poddawanych chemioterapii, jak i u kobiet w ciąży cierpiących na poranne mdłości. Jak dotąd algorytm nie potrafi rozróżnić tych dwóch sytuacji przy ocenie ryzyka ubezpieczeniowego związanego z taką receptą.