Umjetna inteligencija može znatno povećati učinkovitost poslovanja, ali kod obračuna, poreznih izvještaja i drugih kritičnih procesa njezine odluke moraju biti provjerljive, sljedive i podložne ljudskoj kontroli.
Umjetna inteligencija analizira dokumente, razvija i opisuje koncepte, piše odlične članke, sažima stotine stranica, izrađuje slike i videozapise ili čak pronalazi rješenje koje bi čovjek tražio satima. Fascinantno i vrlo korisno. Međutim, rizik ako umjetna inteligencija pogriješi u izradi teksta za objavu na društvenim mrežama sasvim je drugačiji nego ako govorimo o kritičnim poslovnim sustavima, kao što su obračuni plaća, porezni izvještaji i mnoge druge ključne funkcije.
Iako konkretni načini poslovne upotrebe možda još nisu potpuno definirani, već se primjećuju velike promjene u odnosu prema softveru i vrijednosti aplikacija. Softvera je sve više jer ga je sve lakše napraviti, a time njegova vrijednost prirodno pada. I softver slijedi standardne zakone tržišta: što je ponuda veća, vrijednost je manja.
Kritični procesi moraju se moći auditirati i kontrolirati u svakom trenutku i u svakom dijelu procesa
Na početku širenja umjetne inteligencije taj je princip bio vidljiv kod manje kompleksnog softvera. Međutim, kako je povjerenje u umjetnu inteligenciju raslo, a samopouzdanje kompanija postajalo sve veće, isti se princip počeo širiti i na poslovne sustave.
Tako je Starbucks nedavno javno objavio kako mijenja Microsoftovo enterprise rješenje za upravljanje inventarom vlastitim rješenjem koje sam razvija. Identična strategija iste kompanije odnosi se i na IBM-ovu aplikaciju za održavanje njihovih objekata, koju Starbucks također zamjenjuje vlastitim razvojem.
Iako su ove i slične aplikacije enterprise-level aplikacije, njihove funkcije ne moraju nužno biti poslovno kritične. Drugim riječima, ako ne funkcioniraju potpuno točno, posljedice za kompaniju vjerojatno nisu usporedive s pogreškom u poreznom obračunu, plaćanju ili drugom kritičnom procesu.
TRI VELIKA PROBLEMA
Klasični poslovni program uglavnom slijedi algoritamska, odnosno procesna pravila koja je definirao stručnjak:
“Ako se dogodi A, napravi B pa potom C.”
Umjetna inteligencija funkcionira drugačije. Iako to često nije vidljivo i relativno je teško prihvatiti, današnji LLM sustavi funkcioniraju na principu vjerojatnosti. Umjetna inteligencija, odnosno LLM, na osnovu podataka kojima raspolaže procjenjuje koji je odgovor na vaše pitanje najvjerojatniji.
LLM znači Large Language Model, odnosno veliki jezični model, a naziv dolazi upravo od toga što se modeli kroz trening specijaliziraju na statističke jezične uzorke. Ovakav način rada donosi sve bolje rezultate što je veća količina kvalitetnih podataka korištenih za trening, što je, s obzirom na već dosegnutu kvalitetu odgovora LLM modela, ogromna prednost za korisnike. Međutim, statistička priroda LLM-ova istovremeno je i veliki problem. Budući da su odgovori statističke prirode, nemoguće je potpuno eliminirati mogućnost pojave halucinacija, odnosno netočnih odgovora modela.
Zamislite pogrešku u obračunu poreza samo zato što se umjetnoj inteligenciji neka vrijednost učinila najvjerojatnijom. To može biti vrlo kritično za poslovanje, ali i za odgovorne osobe.
Drugi veliki problem je neponovljivost odgovora. Zbog statističke prirode AI sustava mogući su različiti odgovori na isto pitanje. Kod obične objave na društvenim mrežama to ne predstavlja veliki problem, ali kod ključnih poslovnih tema svakako predstavlja. Nitko sigurno ne želi svaki mjesec dobivati drugačiju plaću na osnovu neke nepoznate statistike.
Možda je i najveći problem u poslovnom okruženju nemogućnost dokazivanja razloga za pojedine odluke koje je umjetna inteligencija samostalno donijela. Kritični procesi moraju se moći auditirati i kontrolirati u svakom trenutku i u svakom dijelu procesa.
KAKO SMANJITI POTENCIJALNU POGREŠKU
Prethodno opisani problemi ne mogu biti potpuno riješeni dok se koncept rada umjetne inteligencije ne promijeni ili opseg znanja ne postane toliko velik da statistička pogreška postane zanemarivo mala.
Taj opseg znanja često poistovjećujemo s “pameću” umjetne inteligencije, a time i s obukom samih modela. Kao i kod čovjeka, što je obuka bolja, zadatke izvršava bolje i radi manje pogrešaka. Kvaliteta obuke pritom izravno ovisi o kvaliteti materijala koji se za nju koristi.
Ako se dotaknemo zakonske ispravnosti poslovanja, problem postaje vrlo jasno vidljiv. Ako je model na osnovu starog zakona naučio kako poslovanje treba biti organizirano, onda će njegovo izvršenje, čak i ako je statistički potpuno ispravno, biti pogrešno. Podaci na kojima je učio jednostavno nisu bili dovoljno dobri.
Postoje, dakle, tri primarna problema:
- Imate li vi, odnosno onaj tko je trenirao umjetnu inteligenciju koju koristite, potrebne podatke?
- Postoji li dovoljno takvih podataka za kritične poslovne zadatke?
- Možete li vjerovati ispravnosti podataka, a time i odgovoru umjetne inteligencije?
DOBRI PODACI SU RIJETKI
Ovisno o području u kojem želite koristiti umjetnu inteligenciju za poboljšanje poslovanja, često jednostavno ne postoji dovoljno kvalitetnih podataka. Čak i kada postoje, oni su nerijetko poslovna tajna kompanija koje su ih proizvele.
Dobar primjer su zakonske odredbe i njihova konkretna primjena u poslovanju, primjerice fiskalizacija, digitalni računi, porezni obračuni i slična područja.
U kritičnim sustavima bilo bi previše rizično umjetnoj inteligenciji prepustiti 100 posto odluka
Standardni procesi relativno su jednostavniji i za njih postoji dosta kvalitetnih podataka. Problemi nastaju kod specifičnih procesa u trgovini, npr. povrata, parcijalnih povrata, prekida računa, pogrešnih sekvenci, offline situacija i mnogih drugih specifičnih poslovnih procesa.
Najlakše je naučiti umjetnu inteligenciju kako raditi unutar “normalnih” procesa i funkcija. Najveći je problem naučiti je što napraviti kada situacija više nije “normalna”.
KVALITETNI PODACI ZA TRENIRANJE
Kada trgovac implementira umjetnu inteligenciju i počne se baviti njezinom obukom, postavlja se pitanje može li sam stvarati kvalitetne podatke ako oni ne postoje.
Odgovor je da može, a jedan od načina vezan je za sintetičke podatke. To su podaci za koje znamo što je ispravno, ali se ne temelje nužno na stvarnim događajima.
Primjer može biti jedan poslovno kritičan proces fiskalizacije u Hrvatskoj u situaciji kada sustav Porezne uprave nije dostupan. Transakcija smije nastaviti u offline načinu samo pod određenim uvjetima i mora biti poslana kasnije.
Iz toga trgovac može napraviti veliki broj sintetičkih situacija:
- sve je ispravno;
- nedostaje razlog za offline rad;
- transakcija nije ponovno poslana;
- korištena je pogrešna verzija pravila;
- nedostaje obavezni podatak;
- i mnoge druge.
SIGURAN NAČIN ZA KORIŠTENJE
Ovdje se mogu identificirati četiri razine.
- AI treba dobivati informacije iz provjerenih izvora, a ne pokušavati sve “zapamtiti”. Ako se izvori ažuriraju, umjetna inteligencija može raditi s aktualnim informacijama.
- Odluke koje se mogu jasno izraziti pravilima treba provjeravati determinističkim pravilima. To ne znači da se umjetna inteligencija ne koristi, nego da se njezini rezultati verificiraju kroz provjerljiva pravila.
- Sustav mora moći reći “ne znam” i poslati slučaj čovjeku kada nema dovoljno informacija. U kritičnim sustavima bilo bi previše rizično umjetnoj inteligenciji prepustiti 100 posto odluka. Potrebna transparentnost ovdje može jako pomoći.
- Poslovno kritične odluke moraju ostaviti trag: Koju je informaciju AI koristio, koje je pravilo primijenjeno i zašto je akcija dopuštena ili odbijena? Bez toga je provjera ispravnosti praktično nemoguća.
Ako se vratimo na prethodni primjer fiskalizacije, AI može predložiti da se prodaja nastavi kada veza prema fiskalnom sustavu ne radi. Međutim, prije nego što POS izvrši tu akciju, drugi sloj sustava provjerava dopušta li lokalni zakon offline rad, jesu li ispunjeni uvjeti i postoji li proces za kasniju prijavu transakcije.
Iz toga se nameće prilično jasan zaključak. Umjetna inteligencija nalazi se na putu prema velikom povećanju učinkovitosti poslovanja, ali zbog njezina tehničkog koncepta i problema povezanih s podacima za obuku još uvijek nije preporučljivo prepustiti joj 100 posto odluka u poslovno kritičnim procesima bez dodatne provjere. To ne znači da je treba ignorirati. Naprotiv, već je vidljivo da može donijeti veliku korist, naravno uz adekvatnu pažnju.
