Streszczenie: Artykuł wyjaśnia, jak liderzy mogą świadomie wybierać między różnymi rodzajami sztucznej inteligencji – uczeniem maszynowym, głębokim i generatywnym – w zależności od specyfiki problemu i rodzaju dostępnych danych. Uczenie maszynowe najlepiej sprawdza się przy analizie danych tabelarycznych i prostszych zadaniach predykcyjnych. Uczenie głębokie znajduje zastosowanie w pracy z danymi nieustrukturyzowanymi, takimi jak tekst czy obrazy, i jest skuteczne przy bardziej złożonych wyzwaniach. Generatywna AI, w tym duże modele językowe (LLM), wyróżnia się zdolnością tworzenia nowych treści i sprawdza się w zadaniach kreatywnych oraz klasyfikacyjnych, zwłaszcza gdy dane wejściowe i wyjściowe mają postać języka naturalnego. Autorzy podkreślają, że dzięki rozwojowi GenAI możliwe staje się rozwiązywanie wielu problemów bez potrzeby budowania skomplikowanych modeli od podstaw, co znacząco upraszcza proces wdrażania AI w biznesie.
Liderzy często stają przed dylematem, czy w danym przypadku lepiej sprawdzą się narzędzia generatywnej sztucznej inteligencji, czy też jej predykcyjne odpowiedniki, takie jak uczenie maszynowe i uczenie głębokie. GenAI nie jest bowiem rozwiązaniem uniwersalnym. Poniższe wskazówki ułatwią wybór odpowiednich narzędzi. Krajobraz analityki znacznie ewoluował w ciągu ostatniej dekady. Wiele organizacji przeszło od podstawowego modelowania statystycznego do uczenia maszynowego, a niektóre wzbogaciły swoje zasoby również o uczenie głębokie. W tym kontekście pojawienie się generatywnej AI (GenAI) – zdolnej do tworzenia tekstów naśladujących ludzki język, generowania obrazów i pisania kodu – otwiera nowe możliwości, ale także rodzi wiele wątpliwości.
Materiał dostępny tylko dla subskrybentów
Dołącz do subskrybentów MIT Sloan Management Review Polska Premium!
Kup subskrypcję

