Dirbtinis intelektas šiandien yra investicinių prioritetų viršūnėje, tačiau didelė dalis projektų vis dar baigiasi nesėkme. Dažniausios priežastys – aiškios strategijos ir verslo tikslų stoka, techninis nepasirengimas, abejotinos kokybės sprendimų įsigijimas arba pasidavimas rinkos spaudimui. Rečiau kalbama ir apie tai, kad pati technologija nėra nei pigi, nei tobula: jos diegimas sudėtingas, o pažangūs DI modeliai vis dar linkę „halucinuoti“, t. y. generuoti įtikinamai skambančius, bet realybės neatitinkančius rezultatus.
Robotizuotas procesų automatizavimas (RPA) – tai algoritmai, atliekantys pasikartojančias, taisyklėmis pagrįstas užduotis, tačiau neturintys gebėjimo mokytis. Toliau seka pažangi prognozavimo analitika ir mašininio mokymosi (ML) sprendimai, o aukščiausiame lygmenyje – generatyvinis dirbtinis intelektas, pasižymintis ribotu „kūrybiškumu“ ir galintis kurti naują turinį, reaguodamas į natūralios kalbos užklausas.
Tai supaprastinta, bet naudinga schema, rodanti, kaip palaipsniui didėja autonomija ir „intelektualumo“ lygis programinėje įrangoje. Pastaroji inovacijų banga pasirodė esanti tikras proveržis – Tarptautinio valiutos fondo (TVF) duomenimis, generatyvinis DI per kelis mėnesius pasiekė 100 mln. vartotojų, gerokai aplenkdamas interneto, kabelinės televizijos ar mobiliojo ryšio įsisavinimo tempus.
Šiandien vis dažniau kalbama apie DI agentus – naują požiūrį į dirbtinio intelekto sistemų architektūrą, sujungiančią skirtingus autonomijos lygius. Remiantis kūrėjų komunikacija, galima susidaryti įspūdį, kad DI agentas yra beveik universalus įrankis, galintis padaryti viską. Tačiau realybė yra gerokai griežtesnė nei rinkodaros pažadai.
DI agentas – kas jis iš tikrųjų?
DI agentas – tai autonominė algoritmų sistema, naudojanti pažangų mašininį mokymąsi ir natūralios kalbos apdorojimą, kad suprastų aplinkos kontekstą, mokytųsi iš ankstesnių veiksmų, pasirinktų tinkamus įrankius ir savarankiškai priimtų sprendimus siekiant apibrėžto tikslo.
Skirtingai nuo tradicinės automatizacijos, veikiančios pagal iš anksto nustatytas taisykles, DI agentas gali analizuoti kelias sistemas ir duomenų šaltinius vienu metu, prisitaikyti prie besikeičiančių sąlygų ir imtis dinamiškų veiksmų arba teikti rekomendacijas.
Ar agentas gebės mokytis ir keisti savo elgesį, priklauso nuo jo tipo, tačiau tokie sprendimai jau egzistuoja. Dažniausiai agentas veikia gavęs aiškiai apibrėžtą tikslą, o jo sprendimai grindžiami iš aplinkos gaunamais duomenimis.
Svarbu pabrėžti: DI agentas nėra humanoidinis robotas ir nėra skirtas pakeisti žmonių. Tai programinė įranga, kurios tikslas – padidinti sprendimų priėmimo efektyvumą realiuoju laiku. Kelių agentų veikla gali būti koordinuojama, o žmonės išlieka atsakingi už kontekstą ir galutinius sprendimus.
DI potencialas tiekimo grandinėje – jau pripažintas
Remiantis „Gartner“ duomenimis, 27 proc. tiekimo grandinės vadovų investicijas į dirbtinį intelektą laiko vienu iš trijų svarbiausių konkurencinio pranašumo veiksnių, o 9 proc. – absoliučiu prioritetu. Panašias išvadas pateikia ir IDC, nurodydama, kad pažangi analitika ir DI jau 2024 m. tapo pagrindiniais investiciniais prioritetais artimiausiems trejiems metams.
„Norint suprasti, kas yra DI agentas, būtina jį aiškiai atskirti nuo pokalbių botų ar virtualių asistentų“, – pabrėžia Sławomir Rodak, „ID Logistics“ tyrimų ir plėtros bei komercijos direktorius. Pasak jo, agentai veikia savarankiškai ir orientuojasi į tikslą, o didžiausią vertę kuria srityse, kur būtina dinamiškai priimti sprendimus.
Praktiniai pavyzdžiai – darbuotojų ir technikos planavimas, rampų paskirstymas, įeinančių ir išeinančių srautų balansavimas ar reagavimas į nenumatytus siuntimus. Kelių DI agentų sistema, apdorojanti YMS, WMS ir TMS duomenis, gali optimizuoti sprendimus greičiau nei žmogus, mažindama vėlavimus ir baudų riziką.
Tačiau, kaip pabrėžia ekspertas, be brandžios IT infrastruktūros ir kokybiškų duomenų agentas ne tik neduos naudos, bet gali tapti problemų šaltiniu.
Duomenys – kritinis ribojantis veiksnys
PwC duomenimis, 37 proc. tiekimo grandinės vadovų didžiausiu DI plėtros iššūkiu įvardija duomenų prieinamumą ir kokybę, o 42 proc. – integracijos sudėtingumą. Ne mažiau svarbus veiksnys – vidinių kompetencijų stoka.
Be patikimos duomenų architektūros DI agentai tampa tik dar viena perspėjimų sistema, generuojančia triukšmą. Tai patvirtina ir Pasaulio ekonomikos forumas, pabrėžiantis, kad pasenę ir nesuderinti duomenys rimtai riboja dirbtinio intelekto efektyvumą.
Rinka tarp optimizmo ir realybės
„Gartner“ prognozuoja, kad iki 2030 m. pusė tarpfunkcinių tiekimo grandinės sprendimų gali naudoti pažangius DI agentus. Tačiau šiandien tik apie 10 proc. organizacijų DI naudoja strategiškai, o aiškią viziją turi vos 9 proc.
Situaciją apsunkina ir vadinamasis „agentų plovimas“ – kai esami sprendimai pervadinami DI agentais. „Gartner“ skaičiuoja, kad iš tūkstančių tiekėjų tik apie 130 iš tiesų siūlo brandžius agentinius sprendimus.
Didžiausia problema – haliucinacijos
DI agentai vis dar linkę „halucinuoti“, t. y. generuoti logiškai skambančius, bet klaidingus atsakymus. Tai viena rimčiausių kliūčių visiškai autonominių sprendimų diegimui. Tik 19 proc. IT vadovų teigia visiškai pasitikintys savo tiekėjų gebėjimu kontroliuoti šią riziką.
Nepaisant to, dauguma vadovų pripažįsta, kad DI agentai turės reikšmingą poveikį produktyvumui. Tačiau kol haliucinacijų problema nebus patikimai valdoma, agentais grindžiamas dirbtinis intelektas liks pagalbinė, o ne savarankiška sprendimų priėmimo sistema.
