Strategie AI w dużych organizacjach

Od eksperymentu do wartości – jak skalować AI w przedsiębiorstwie

Generative AI otworzyło przed organizacjami ogromne możliwości, wszyscy zachłysnęliśmy się nowymi rozwiązaniami, każdy i wszędzie chciał pokazać, że „używa AI”. Ale prawdziwym wyzwaniem nie jest już stworzenie kolejnego POC. Jest nim przejście od eksperymentowania do rozwiązań, które są wykorzystywane w codziennej pracy, wspierają realne decyzje biznesowe i przynoszą mierzalne rezultaty.
Na przykładzie programu Contract Digitalization w GE HealthCare opowiem o naszej drodze od zidentyfikowania konkretnych problemów biznesowych, przez wykorzystanie LLM-ów, danych przedsiębiorstwa oraz wiedzy ukrytej w dużej liczbie dokumentów, aż po wdrożenie AI w rzeczywistych procesach biznesowych. Pokażę, jak wraz z rozwojem programu zmieniało się nasze podejście – od koncentracji na możliwościach technologii do skupienia się na użytkowniku, adopcji oraz wartości, którą rozwiązanie powinno dostarczać organizacji.
Prezentacja będzie również spojrzeniem na praktyczne wyzwania związane ze skalowaniem AI w dużym przedsiębiorstwie: jakość i dostępność danych, integrację z istniejącym ekosystemem technologicznym, współpracę biznesu i IT, budowanie zaufania użytkowników oraz przejście od POC do stabilnego rozwiązania produkcyjnego.
Podzielę się także najważniejszymi lekcjami z tej drogi – tym, co zadziałało, co okazało się trudniejsze niż początkowo zakładaliśmy oraz dlaczego sukces rozwiązania AI powinien być mierzony nie tylko jego możliwościami technologicznymi, ale przede wszystkim adopcją i realnym wpływem na biznes.

Jak zespoły produkcji, jakości i innowacji identyfikują i priorytetyzują możliwości wykorzystania AI

Wiele organizacji ma setki pomysłów na wykorzystanie AI, ale tylko nieliczne z nich kończą się udanym wdrożeniem. Podczas tej sesji pokażemy, jak zespoły produkcji, jakości i innowacji identyfikują oraz priorytetyzują możliwości wykorzystania AI, przekształcają je w Proof of Concept (PoC), a następnie oceniają ich potencjał do szerszego zastosowania w organizacji.

Na praktycznych przykładach z obszarów takich jak Computer Vision, Predictive Maintenance, analiza akustyczna czy pozyskiwanie danych inżynieryjnych uczestnicy zobaczą, czego potrzeba, aby skutecznie identyfikować, rozwijać i skalować rozwiązania AI w organizacjach produkcyjnych.

Co może pójść nie tak, gdy AI pyta bazę danych

Narzędzia takie jak Databricks Genie pozwalają zadawać pytania dotyczące danych w języku naturalnym i otrzymywać odpowiedzi bez konieczności pisania zapytań SQL. W większości przypadków działają dobrze. Ta prezentacja skupia się jednak na sytuacjach, w których zawodzą – i na tym, dlaczego tak łatwo tego nie zauważyć.

Na przykładzie trzech rzeczywistych zbiorów danych biznesowych zobaczymy, jak Genie radzi sobie z prostymi, jednoznacznymi pytaniami, a następnie z tymi, które tylko pozornie są równie proste. Efektem mogą być odpowiedzi, które wyglądają wiarygodnie i są poprawnie sformatowane, ale prowadzą do błędnych wniosków – na przykład przez sumowanie wartości w różnych walutach, nieuwzględnienie charakteru transakcji czy pominięcie rekordów, które istotnie zmieniają wynik.

Pokażemy również, które z tych problemów można ograniczyć za pomocą odpowiednich instrukcji i przykładowych zapytań oraz gdzie kończą się możliwości takiego podejścia. Nie każde pytanie powinno trafiać do agenta SQL – szczególnie pytania o zależności przyczynowo-skutkowe wymagają innego podejścia. Zobaczymy, gdzie przebiega ta granica i jakich narzędzi warto użyć zamiast niego.