Choć termin sztuczna inteligencja powstał już w 1956 roku, AI w obecnych czasach zyskała na popularności dzięki gromadzeniu większej ilości danych, tworzeniu zaawansowanych algorytmów oraz ulepszeniom w zakresie mocy obliczeniowej[1]. Poprzednie rewolucje technologiczne opierały się głównie na automatyzacji czynności związanych z pracą fizyczną. Dziś mówimy o generatywnej sztucznej inteligencji, która prawdopodobnie będzie miała przełomowy wpływ na pracę bazującą na wiedzy i konieczności podejmowania na jej podstawie kluczowych decyzji.

Sztuczne sieci neuronowe

Modele generatywnej sztucznej inteligencji naśladują działania biologicznych obwodów nerwowych. Sztuczna sieć neuronowa (ang. artificial neural network, ANN) to wiele połączonych ze sobą neuronów. Wyjście pierwszego neuronu przekazuje sygnał do wejścia następnego, ten przetwarza sygnał i wysyła go następnemu – i tak dalej… Sztuczna sieć neuronowa to potężne narzędzie do nauki sztucznej inteligencji. Skoro mowa o uczeniu niezbędny jest pewien termin z tej dziedziny, jakimi jest deep learning, czyli uczenie głębokie.

Uczenie głębokie

Jedną z technik uczenia maszynowego (ang. machine learning, ML) jest uczenie głębokie. Niektóre sieci głębokie potrafią uczyć się bez potrzeby stosowania etykiet i nadzoru człowieka. Sztuczne neurony ułożone są w kilka warstw. Warstwa zewnętrzna wejściowa (input layer) odbiera bodźce i przekazuje je kolejnym warstwom. Podobnie jak u człowieka, po przejściu informacji przez kilka poziomów, trafia ona do „mózgu” maszyny. W ten sposób, od prostego bodźca odbieranego przez nasze zmysły, w naszym mózgu pojawia się informacja: „boli”, „ciepło” czy „znajoma twarz”. Do „mózgu” maszyny trafia natomiast liczba. W zależności od jej wartości maszyna odpowiednio działa, np. rozpoznaje przedmiot albo wykonuje konkretne działanie[2]. Obecne modele głębokiego uczenia, w przeciwieństwie do poprzednich, mogą przetwarzać niezwykle duże i zróżnicowane zbiory nieustrukturyzowanych danych oraz wykonywać więcej niż jedno zadanie.

Potencjał generatywnej sztucznej inteligencji

Tradycyjne algorytmy zaawansowanej analityki danych i uczenia maszynowego są bardzo skuteczne w obserwacji i klasyfikowaniu wzorców. Generatywna sztuczna inteligencja przesuwa jednak granice kreatywności i rozwiązywania problemów. Najnowsze narzędzia oparte o generatywną AI mogą wykonywać szereg rutynowych zadań, ale i pisać teksty, komponować muzykę czy tworzyć grafiki.

Technologia ta znalazła natychmiastowe zastosowanie w dziedzinach, w których ludzie spędzają znaczną ilość czasu na czytaniu i pisaniu, mając na celu usprawnienie gromadzenia i syntezy informacji. Wykorzystując generatywną sztuczną inteligencję, organizacje starają się zoptymalizować produktywność i zrewolucjonizować sposób przetwarzania i zbierania informacji.

Elementy generatywnych systemów AI

System generatywnej sztucznej inteligencji składa się z trzech głównych komponentów: generatora, dyskryminatora i hiperparametrów. Generator tworzy próbki danych, a dyskryminator ocenia je na podstawie danych zaobserwowanych wcześniej. Hiperparametry to zmienne parametry, które definiują działanie generatora i dyskryminatora, determinując ich wagę – czyli stopień, w jakim konkretny parametr jest lub nie jest istotny. Te trzy komponenty współpracują ze sobą, aby wyszkolić generatywny model sztucznej inteligencji tak, by tworzył wysokiej jakości dane przypominające dane szkoleniowe, czyli starannie wyselekcjonowane i oczyszczone informacje[3].

Wartość dla biznesu

Potencjał biznesowy generatywnej sztucznej inteligencji tkwi w jej zdolności do automatyzacji i usprawniania procesów twórczych, oszczędzając w ten sposób czas pracujących i zasoby firm. Stoimy więc w obliczu istotnej zmiany w zakresie siły roboczej, transformują się także procesy produkcyjne w gospodarce, wykonywane zadania i umiejętności potrzebne do osiągnięcia sukcesu w biznesie. Biorąc pod uwagę zdolność generatywnej AI do dostarczania wyników w szerokiej gamie formatów (tekst, obraz, kod i inne), możliwości są nieograniczone. Kluczowe jest zatem zrozumienie sposobów jej wykorzystania, które przyniosłyby największą wartość w danej branży.

Ucząc się na dużych zbiorach danych, generatywna sztuczna inteligencja pomaga tworzyć nowe treści lub skracać czas i koszty ich konceptualizacji. Oprócz tego pomaga uczynić dane bardziej użytecznymi i łatwiejszymi do interpretacji.

Odciążenie pracujących

Sztuczna inteligencja we współpracy z innymi dostępnymi technologiami pozwala zautomatyzować czynności pracujących, które pochłaniają obecnie od 60 do 70% czasu pracy[4]. Jeszcze niedawno ta wartość wynosiła blisko 50%, lecz usprawnienie wykonywania obowiązków wynika w dużej mierze ze zwiększonej zdolności generatywnej sztucznej inteligencji do rozumienia języka naturalnego.

Generatywna sztuczna inteligencja, współpracując z pracownikami i usprawniając ich pracę, jednocześnie zwiększa ich produktywność[4]. Zmniejsza obciążenie rutynowymi obowiązkami i umożliwia jednocześnie skupienie się na bardziej wymagających, kreatywnych zadaniach.

Stały związek finansów z technologią

Rynek finansowy obecnie jest nierozerwalnie związany z technologią, a więc stał się i od niej zależny. Można zaryzykować stwierdzenie, że ten obszar nie jest już w stanie funkcjonować bez technologicznego zaplecza. Praktycznie wszystkie kluczowe procesy sektora finansowego zostały przeniesione do domeny cyfrowej. Przeważnie jednak AI pozostaje za kulisami, optymalizując funkcje biznesowe czy wydając rekomendacje dotyczące kolejnego produktu do zakupu.

Filarem rynku finansowego jest klient zarówno indywidualny, jak i instytucjonalny, któremu zapewnia się dostęp do produktów i usług umożliwiających zarządzanie posiadanymi aktywami.

Innowacyjna obsługa klienta

Tworzone w ramach firmy chatboty są w stanie udzielać natychmiastowych i spersonalizowanych odpowiedzi na złożone zapytania klientów. Ponownie więc zostaje przekroczona bariera związana z rodzimym językiem czy lokalizacją potrzebującego – asystenci głosowi i chatboty są dostępni w każdym miejscu i czasie, posługując się przy tym szerokim spektrum językowym. Poprawiają jakość i efektywność interakcji, jednocześnie wpływając na pozytywne doświadczenie konsumentów. W rezultacie nieskomplikowane problemy są rozwiązywane z pomocą automatycznych narzędzi, a zespoły obsługi klienta skupią się na interakcjach, z którymi nie poradzi sobie algorytm.

Technologia wpływa więc bezpośrednio na satysfakcję i zadowolenie klientów, które wynikają z pozytywnych doświadczeń z firmą. Tym samym sprzyja utrzymywaniu długoterminowych relacji z konsumentami, umożliwiając lepsze zrozumienie ich potrzeb i zapewnienie bardziej spersonalizowanych rekomendacji w przyszłości.

Badania i rozwój produktów

Wykorzystanie modeli generatywnej sztucznej inteligencji zarówno skraca czas badań, jaki usprawnia późniejsze symulacje i testowanie. Notuje się, że ta technologia jest w stanie przynieść wzrost produktywności o wartości od 10 do 15% całkowitych kosztów badań i rozwoju. Projektowanie generatywne może również umożliwić ulepszenia samych projektów. Co więcej, przyczynia się także do obniżenia kosztów produkcji poprzez pomoc w wyborze bardziej efektywnych materiałów. W rezultacie pozwala optymalizować projekty, redukując koszty związane z procesami produkcyjnymi i logistycznymi. Dzięki temu wzrasta jakość oferowanych przez firmy produktów.

AI w IT, czyli szczęśliwi programiści

Badanie McKinsey wskazało, że wyposażenie programistów w narzędzia potrzebne do osiągnięcia maksymalnej wydajności znacznie poprawiło ich doświadczenia. To z kolei może pomóc firmom zatrzymać najlepsze talenty. Programiści korzystający z generatywnych narzędzi opartych na sztucznej inteligencji ponad dwukrotnie częściej zgłaszali ogólne zadowolenie i poczucie spełnienia zawodowego. Przypisali to zdolności narzędzi do automatyzacji monotonnej pracy, która uniemożliwiała im wykonywanie bardziej satysfakcjonujących zadań.

Zagrożenia w finansach

Rynek finansowy od zawsze był celem działań przestępców. Wraz z ewolucją technologii rozwinęła się nielegalna działalność finansowa w obszarze cyfrowym, początkowo nazywana przestępczością internetową, a obecnie określana głównie mianem cyberprzestępczości. W ocenie NASK i Cyber Policy[5] wykorzystanie AI przez grupy przestępcze zwiększa ich skuteczność, zwłaszcza w odniesieniu do klientów indywidualnych na rynku finansowym. To może prowadzić do strat finansowych, zarówno dla klienta, jak i dla obsługujących go instytucji.

Cyberbezpieczeństwo i regulacje

Sztuczna inteligencja nie stanowi już nowinki technicznej, o której rozmawia się wyłącznie w kręgach akademickich. Stosowana jest nie tylko przez naukowców, ale coraz częściej przenika do naszego codziennego życia. Aby w pewny i godny zaufania sposób można było wykorzystywać AI na szeroką skalę, niezbędna jest dyskusja o koniecznych środkach bezpieczeństwa. W Unii Europejskiej prace nad AI Act, czyli przede wszystkim regulacją systemów AI wysokiego ryzyka, weszły w decydującą fazę. Jednak są pewne obszary, które znacząco przekraczają granice aktów prawnych. Do tych kwestii należy rozstrzygnięcie tego, jakimi zasadami winniśmy kierować się podczas budowy systemów AI, jakie niekorzystne tendencje mogą w nich występować oraz jak ta technologia może być wykorzystywana przez przestępców.

Szansa czy zagrożenie?

Innowacje technologiczne mogą budzić w równym stopniu podziw co niepokój. Obie te reakcje towarzyszyły nam jesienią 2022 roku, kiedy powszechnie dostępny stał się ChatGPT – program generatywnej sztucznej inteligencji w postaci dużego modelu językowego – urzeczywistniając wizję niezrównanej potęgi AI. Wszyscy jesteśmy na początku wspólnej podróży w kierunku zrozumienia potęgi, zasięgu i możliwości technologii. W obliczu galopującej rewolucji AI potrzeba przyspieszenia transformacji cyfrowej i przekwalifikowania pracujących jest ogromna. Rozwiązania oparte na uczeniu maszynowym, wcześniej dostępne jedynie nielicznym jednostkom, od niedawna stały się udziałem przeciętnego użytkownika internetu. Jednakże warto pamiętać, że innowacyjne obecnie rozwiązania, takie jak Github Copilot, czy ChatGTP, to dopiero początek zmian cywilizacyjnych i społecznych, które czekają nas w przyszłości.

Wspomniane narzędzia, jak i sam potencjał generatywnej AI już teraz pozwalają na optymalizację i zwiększenie wydajności codziennych czynności specjalistów wielu branż, w tym IT – programistów, grafików, analityków czy badaczy bezpieczeństwa. Każda nowa technologia, tworzona i używana w służbie ludzkości, oprócz niewątpliwych korzyści niesie jednak za sobą cały szereg zagrożeń, które mogą wpłynąć na nasz sposób postrzegania i wykorzystywania przestrzeni cyfrowej.

Powszechna dostępność AI została dostrzeżona i zaczyna być wykorzystywana nie tylko jako narzędzie usprawniające prace, ale również jako wsparcie dla działań przestępczych zarówno w obszarze dezinformacji, jak i cyberprzestępczości. Nie są to zagrożenia tak spektakularne jak znana nam z Hollywood wizja przejęcia władzy nad światem przez AI w postaci humanoidalnych robotów. Jednak im mniej oczywiste są te konsekwencje, tym bardziej powinniśmy o nich pamiętać.

Źródła:

• [1] „Sztuczna inteligencja. Czym jest i dlaczego ma znaczenie”, SAS.
• [2] „Kurs sztuczna inteligencja dla początkujących. Sieci neuronowe”, Si.
• [3] ‘’Generative AI opportunities”, Maven.
• [4] Raport ‘’The economic potential of generative AI: The next productivity frontier”, McKinsey, 2023.
• [5] Raport „Cyberbezpieczeństwo AI. AI w cyberbezpieczeństwie”, Nask Cyber Policy, 2023.
• Raport ‘’The economic potential of generative AI: The next productivity frontier”, McKinsey, 2023.

Autor: Wiktoria Jackowska

Redaktorka Grupa MBE

Magistrantka filologii polskiej na Uniwersytecie Warszawskim. Czynna uczestniczka konferencji naukowych. Pasjonatka kultury, lingwistka. 

W Grupie MBE jest odpowiedzialna za redakcję tekstów do magazynu „Kariera w Finansach i Bankowości” oraz na stronę KarierawFinansach.pl.

Członkini Stowarzyszenia Bliżej ADHD działającego z misją edukacji o neuroróżnorodności.