Mākslīgā intelekta ieviešana – evolucionār(ai)s ceļš no stratēģijas līdz mākoņpakalpojumiem

Ja uzņēmums tomēr izvēlas MI izmantot, tad lielākoties tas ir ģeneratīvais mākslīgais intelekts (generative AI – angļu valodā). Ģeneratīvais MI spēj radīt tekstu, attēlus, video un citus materiālus, izmantojot jau uz esošiem datiem uztrenētus, gatavus modeļus un lietotāja pieprasījumu. Neskatoties uz šo funkciju potenciāli lielo pievienoto vērtību, šobrīd vien retais spēj ģeneratīvo MI izmantot pamata biznesa procesos. Lietošanas gadījumi aprobežojas ar eksperimentēšanu ar attēlu un teksta ģenerēšanu. Tomēr jau šobrīd pētījumos un aprakstītajos lietošanas gadījumos pierādīts – MI var izmantot jebkuru uzņēmuma procesu automatizācijai vai uzlabošanai (papildināšanai).

Kā sākt par to domāt uzņēmumā un kā to ieviest? Par spīti izplatītajam priekštatam, MI nav maģija. Tā ieviešana un izmantošana ir process, kura ietvaros uzņēmumam tāpat ir jāattīsta sava analītikas kapacitāte. Savukārt, lai ieviestu sarežģītāku analītiku, nepieciešams definēt MI stratēģiju, ieviest risinājumus strukturētu datu iegūšanai, infrastruktūru (piemēram, mākoņpakalpojumus) šo datu glabāšanai un integrācijai, un tikai tad izvēlēties un ieviest atbilstošu analītikas risinājumu.

MI ieviešanas process parasti sākas ar konceptuālu stratēģijas definēšanu un procesu plānošanu. Tajā brīdī viens no svarīgākajiem jautājumiem, uz ko ir jāatbild uzņēmumam - vai mēs izmantosim esošus apmācītus modeļus, kuros ieliksim savus datus, vai arī mēs modeļus veidosim paši, tos apmācot, trenējot un pēc tam pielietojot? No šīs izvēles ir atkarīgas datu glabāšanas prasības.

Daudzi uzņēmumi, kas šobrīd domā par ģeneratīvā MI ieviešanu, vairāk skatās gatavo rīku izmantošanas un papildināšanas virzienā. Šādos gadījumos datu glabāšanas vajadzības ir mazākas. Tas gan ir īstermiņa risinājums, jo papildus pievienoto datu apjoms mēdz strauji augt. Un drīz, standarta risinājumus sākot izmantot biznesā, rodas sapratne, ka, piemēram, "ChatGPT" vajadzēs specifiski pielāgot, un bezmaksas versija ar esošām datu kopām nebūs pietiekama. Un tad arī rodas jautājums, par nepieciešamo infrastruktūru un tās pielāgošanu. Savukārt, ja uzņēmums jau uzreiz saprot, ka vēlas trenēt pats savu modeli, attiecībā uz infrastruktūru vairs nevar būt kompromisi un arī tajā ir jāiegulda.

Definējot stratēģiju un datu avotu risinājumus, nākamais solis ir datu kopu strukturēšana, datu apkopošana un integrācija, kā arī IT infrastruktūras izvēle. Ne visi dati ir vienlīdz izmantojami mašīnmācībai (MM). Un te ir svarīgi uzsvērt, ka ļoti daudziem klientiem pietrūkst kvalitatīvi dati, kas ir atbilstoši samarķēti.

Ir divi izplatīti MM veidi – uzraudzīta un neuzraudzīta mācīšanās. Uzraudzītā mācīšanās (supervised learning - angļu valodā) ir mašīnmācīšanās, kuras ietvaros tiek izmantoti marķēti dati, lai trenētu algoritmus un prognozētu iznākumu līdzīgos gadījumos nākotnē. Arī neuzraudzītās mācīšanās (unsupervised learning - angļu valodā) procesā algoritmi mācās no datiem, tikai netiek izmantoti iepriekš marķēti dati. Tā vietā ar algoritmu palīdzību grupas vai paterni tiek identificēti. Sarežģītākais, izmantojot šo metodi, ir pamatot rezultātu. Tāpēc lielākajā daļā gadījumu uzņēmumi izvēlas uzraudzīto mācīšanos, kur ārkārtīgi svarīgi ir samarķēti dati. Lielai daļai uzņēmumu tas ir izaicinoši, bet jau šobrīd pastāv gan atvērtas, strukturētas datu kopas (piemēram, "Geo Riga" dati), gan plaši izmantoti, strukturētu datu avoti ("Google" vai "Facebook analytics"). Savukārt, ja nepieciešams strukturēt specifiskas datu kopas un nav iekšējo resursu, ir IT ārpakalpojumi un iespēja sazināties ar "DATI Group".

Tradicionālajā infrastruktūrā trenēt un darbināt MI ir iespējams, bet tas būs ārkārtīgi dārgi. MI nepieciešami milzīgi datu apjomi, tāpēc viens atbilstoši konfigurēts serveris var izmaksāt vairākus simtus tūkstošus eiro. Turklāt tā ir specifiska aparatūra, ar ko kādam ir jāspēj strādāt, un tādu speciālistu tirgū ir maz. Tāpēc infrastruktūras izvēles procesā ir trīs iespējami varianti - savs serveris, savs mākonis vai mākoņpakalpojums.

No šī gada "DATI Group" ir pieejams jauns pakalpojums - lielo datu analītikas platforma. Tas ir publiskais mākonis, kas ietver gan apkalpošanu, gan visas nepieciešamās iekārtas. Savukārt gala lietotājam tas nozīmē piekļuvi platformai kā pakalpojumam (PaaS, platform-as-a-service - angļu valodā). Platforma nodrošina iespējas izmantot jau iepriekš sakonfigurētus analītikas rīkus. Mākonis atrodas tepat, Rīgā un darbojas atbilstoši Eiropas Savienības likumdošanai. Lielai daļai klientu tas mazina bažas par analītikai izmantoto datu pieejamību un drošību. Protams, papildus šim pakalpojumam, "DATI Group" nodrošina arī infrastruktūras pakalpojumus klientu datu centrā, ja tas nepieciešams. Ir iespējams veidot uzņēmumam arī savu privāto mākoni – sakonfigurēt iekārtas atbilstošā veidā pietiekamai skaitļošanas jaudai un nodrošināt uzturēšanu. Savukārt, ja klientam jau ir savs mākonis, "DATI Group" nodrošina uzturēšanas IT pakalpojumus.

Sazinieties ar "DATI Group", lai atrastu atbilstošāko IT infrastruktūras risinājumu, kā arī identificētu līdzfinansējuma iespējas.