Dlaczego sztuczna inteligencja zawodzi?

Kuszące hasła o inteligentnych technologiach, które same rozwiążą nasze problemy, często rozmywają się w zderzeniu z rzeczywistością. Dlaczego? W projektach AI pojawiają się typowe błędy, które mogą przekreślić nawet najbardziej ambitne plany. Jakie to pułapki i jak ich unikać? Oto najczęstsze wyzwania w projektowaniu produktów AI oraz sposoby na ich pokonanie.

Wartość rynku sztucznej inteligencji sięga obecnie 184 miliardów dolarów[1], a jego dynamiczny rozwój widać w rosnącej liczbie projektów open source. W 2023 roku GitHub zanotował wzrost ich liczby o 59,3%[2]. Jednak pomimo rosnącego zainteresowania, wiele projektów AI kończy się niepowodzeniem. Sukces zależy od wielu czynników, a jednym z kluczowych jest sposób zaprojektowania produktu. Nawet najbardziej innowacyjny pomysł może nie przynieść oczekiwanych rezultatów, jeśli popełnione zostaną podstawowe błędy. Oto trzy najczęstsze pułapki, które sprawiają, że projekty AI zawodzą:

Zły dobór danych: „Garbage in, garbage out”

Jednym z najczęstszych błędów w projektowaniu rozwiązań AI jest niewłaściwy dobór danych. To właśnie one stanowią fundament, na którym budowany jest model. Źle dobrane lub zbyt ogólne dane sprawiają, że model nie jest w stanie rozwiązywać problemów specyficznych dla grupy docelowej.

– Model, który nie uwzględnia rzeczywistej specyfiki użytkowników, nie odpowiada na ich potrzeby – a to jeden z głównych powodów, dla których wiele projektów AI kończy się fiaskiem – mówi dr Inez Okulską, Head of hAI Magazine w CampusAI i NLP Senior Research Engineer na Politechnice Wrocławskiej.

Niedopasowanie do potrzeb użytkowników

Projektowanie AI wymaga zrozumienia, kim są przyszli użytkownicy systemu. Firmy często inwestują w nowoczesne modele lub rozwiązania, które są imponujące technicznie, ale nie odpowiadają realnym potrzebom. Dlatego konieczne jest wdrożenie podejścia human-centered design – nastawionego na potrzeby konkretnej grupy.

– To, co jest innowacyjne z puntu widzenia technologii, nie zawsze jest najbardziej praktyczne w danej sytuacji. Zbyt wiele projektów koncentruje się na technologii samej w sobie, zamiast na rzeczywistych problemach użytkowników – komentuje Mateusz Kaczorek, Data Scientist w SoftServe Poland.

Skupienie na nowych technologiach zamiast na problemie

W dziedzinie AI pojawiają się coraz to nowsze, bardziej złożone modele, które kuszą obietnicami wysokiej wydajności. Jednak sięganie po najbardziej zaawansowane rozwiązania nie zawsze jest właściwe. W wielu przypadkach mniejszy lepiej dopasowany model lepiej odpowie na potrzeby użytkowników. Przykładem może być prosta analiza tekstu, do której bardziej adekwatne będzie narzędzie o niższej mocy obliczeniowej niż zaawansowane modele językowe generujące dodatkowe koszty. Taki przemyślany wybór oszczędza czas, zasoby oraz eliminuje potencjalne błędy wynikające z „przeładowania” technologicznego.

Design Thinking: Klucz do skutecznego projektowania rozwiązań AI

Jednym z najskuteczniejszych sposobów projektowania produktów AI jest metodologia design thinking, która pozwala w pełni zrozumieć potrzeby użytkowników i dopasować technologię do ich specyficznych wymagań. Proces ten rozpoczyna się od dogłębnego zbadania użytkownika, jego potrzeb, ograniczeń i nawyków – dzięki temu już na starcie można zidentyfikować obszary, które wymagają usprawnienia i zweryfikować, czy dostępne dane rzeczywiście będą w stanie odpowiedzieć na te potrzeby. Kolejne etapy obejmują precyzyjne definiowanie problemu i tworzenie prototypu rozwiązania, który jest następnie testowany przez reprezentantów grupy docelowej. Design thinking to podejście iteracyjne – model AI jest wielokrotnie dostosowywany na podstawie feedbacku od użytkowników, co pozwala tworzyć narzędzia lepiej przystosowane do realnych zastosowań. Dzięki temu już w fazie projektowania można uniknąć kluczowych błędów, a model produkt, zanim trafi na rynek, jest gruntownie sprawdzony pod kątem funkcjonalności i użyteczności.

– Kluczem jest tutaj empatia – projektowanie AI powinno zaczynać się od zrozumienia perspektywy użytkownika, a nie od technologii. Dopiero wtedy rozwiązanie naprawdę odpowiada na rzeczywiste potrzeby – podkreśla dr Inez Okulska.

Napisany przez dr Inez Okulską i ekspertów SoftServe Poland white paper „Kto, jak i po co? Zorientowanie na odbiorcę we wczesnym etapie projektowania systemów AI, czyli design thinking w praktyce” zawiera szczegółową analizę oraz praktyczne rekomendacje, jak zapobiec najczęstszym błędom, które mogą zadecydować o powodzeniu lub niepowodzeniu projektu. Eksperci pokazują, w jaki sposób stosować metodę design thinking i tworzyć rozwiązania oparte na AI, które przynoszą wymierne efekty biznesowe. Z white paper można zapoznać się tutaj.

[1] https://www.statista.com/topics/3104/artificial-intelligence-ai-worldwide/#topicOverview

[2] https://aiindex.stanford.edu/report/