| REKLAMA |
 |
Sztuczna inteligencja to technologia stworzona przez człowieka, który ma w swojej naturze tendencję do uprzedzeń i bycia stronniczym. Na co dzień korzystamy z konstrukcji myślowych, uproszczonych schematów i wyobrażeń, które pomagają nam porządkować otaczającą nas rzeczywistość. Twórcy rozwiązań AI muszą brać pod uwagę te uwarunkowania, gdyż subiektywna interpretacja danych może mieć wpływ na informacje wyjściowe, którymi zasilane są systemy AI. Dane dobrane w sposób tendencyjny prowadzą do błędnych, a nawet szkodliwych wyników. W związku z dynamicznym rozwojem i rosnącym wykorzystaniem systemów AI w różnych sektorach gospodarki, ważna jest świadomość tych zagrożeń i praca nad ich ograniczeniem.
Błędy w edukacji uczenia maszynowego
Uczenie maszynowe, będące dziedziną sztucznej inteligencji, pozwala na tworzenie samodoskonalących się systemów, które „uczą się” na podstawie dostarczanych danych. Technologia ta początkowo korzysta z danych treningowych, dzięki czemu można dopracowywać modele analityczne, tak aby z biegiem czasu prezentowały coraz bardziej precyzyjne wyniki. Pierwsze pakiety informacji są przygotowywane przez człowieka, który już na początku decyduje o doborze danych wyjściowych i kierunku, w którym będzie ewoluował system. Jeżeli już w początkowej fazie rozwoju modeli system przyjmie błędne założenia, jego późniejsze wnioski również nie będą właściwe.
Zasilenie systemu niepełnymi lub błędnymi danymi, które wpłyną na to, że wyniki analiz będą stronnicze to dopiero początek problemu. Nie udało się jeszcze opracować rozwiązań, które potrafiłyby same się naprawiać. Przeciwnie, istnieje duża szansa, że system będzie stawał się coraz mniej obiektywny. Technologia, którą obecnie dysponujemy, ogromna moc obliczeniowa i zaawansowane algorytmy pozwalają maszynom podejmować tysiące decyzji w ciągu minuty. Niestety oznacza to, że małe błędy szybko się rozrastają i z czasem zaczynają stanowić realne zagrożenie dla wyników analiz, które mogą prowadzić do złych decyzji.
Różnorodność w projektach AI
Odpowiedzialny rozwój sztucznej inteligencji wymaga różnorodności. Wprowadzane dane muszą uwzględniać na przykład różne grupy wiekowe, etniczne czy społeczne. Dlatego już na etapie tworzenia zespołów pracujących przy projektach AI, należy o to zadbać. Takie podejście umożliwia spojrzenie na dany problem z różnych perspektyw, co przełoży się na większą różnorodność wprowadzanych danych.
Brak różnorodności już na etapie zasilania systemu danymi może sprawić, że użytkownicy końcowi nie będą mogli korzystać z rozwiązania AI, np. gdy system nie uwzględnia różnic pomiędzy poszczególnymi akcentami. Użytkownik z Irlandii będzie mówił po angielsku zupełnie inaczej niż Amerykanin. Korzystając z chatbota może mieć trudności z załatwieniem swojej sprawy, gdy system nie rozpozna jego akcentu. Takie doświadczenie skutecznie zniechęci go do dalszych kontaktów z firmą, co w szerszej perspektywie może stanowić poważną przeszkodę w budowaniu dobrych doświadczeń i lojalności klienta. Jak wynika z badania SAS Experience 2030: Has covid-19 created a new kind of customer?, 34% konsumentów w regionie EMEA jest gotowych skorzystać z usług konkurencji już po pierwszym złym doświadczeniu z daną firmą.
To jeden z przykładów, który obrazuje ryzyka i wyzwania, które muszą być brane pod uwagę przy projektowaniu, rozwoju, wdrażaniu i wykorzystaniu sztucznej inteligencji. Dlatego warto być na bieżąco, poszerzać wiedzę i śledzić najlepsze praktyki w zakresie rozwoju rozwiązań AI.
Źródło: SAS Institute
Błędy w edukacji uczenia maszynowego
Uczenie maszynowe, będące dziedziną sztucznej inteligencji, pozwala na tworzenie samodoskonalących się systemów, które „uczą się” na podstawie dostarczanych danych. Technologia ta początkowo korzysta z danych treningowych, dzięki czemu można dopracowywać modele analityczne, tak aby z biegiem czasu prezentowały coraz bardziej precyzyjne wyniki. Pierwsze pakiety informacji są przygotowywane przez człowieka, który już na początku decyduje o doborze danych wyjściowych i kierunku, w którym będzie ewoluował system. Jeżeli już w początkowej fazie rozwoju modeli system przyjmie błędne założenia, jego późniejsze wnioski również nie będą właściwe.
Zasilenie systemu niepełnymi lub błędnymi danymi, które wpłyną na to, że wyniki analiz będą stronnicze to dopiero początek problemu. Nie udało się jeszcze opracować rozwiązań, które potrafiłyby same się naprawiać. Przeciwnie, istnieje duża szansa, że system będzie stawał się coraz mniej obiektywny. Technologia, którą obecnie dysponujemy, ogromna moc obliczeniowa i zaawansowane algorytmy pozwalają maszynom podejmować tysiące decyzji w ciągu minuty. Niestety oznacza to, że małe błędy szybko się rozrastają i z czasem zaczynają stanowić realne zagrożenie dla wyników analiz, które mogą prowadzić do złych decyzji.
Różnorodność w projektach AI
Odpowiedzialny rozwój sztucznej inteligencji wymaga różnorodności. Wprowadzane dane muszą uwzględniać na przykład różne grupy wiekowe, etniczne czy społeczne. Dlatego już na etapie tworzenia zespołów pracujących przy projektach AI, należy o to zadbać. Takie podejście umożliwia spojrzenie na dany problem z różnych perspektyw, co przełoży się na większą różnorodność wprowadzanych danych.
Brak różnorodności już na etapie zasilania systemu danymi może sprawić, że użytkownicy końcowi nie będą mogli korzystać z rozwiązania AI, np. gdy system nie uwzględnia różnic pomiędzy poszczególnymi akcentami. Użytkownik z Irlandii będzie mówił po angielsku zupełnie inaczej niż Amerykanin. Korzystając z chatbota może mieć trudności z załatwieniem swojej sprawy, gdy system nie rozpozna jego akcentu. Takie doświadczenie skutecznie zniechęci go do dalszych kontaktów z firmą, co w szerszej perspektywie może stanowić poważną przeszkodę w budowaniu dobrych doświadczeń i lojalności klienta. Jak wynika z badania SAS Experience 2030: Has covid-19 created a new kind of customer?, 34% konsumentów w regionie EMEA jest gotowych skorzystać z usług konkurencji już po pierwszym złym doświadczeniu z daną firmą.
To jeden z przykładów, który obrazuje ryzyka i wyzwania, które muszą być brane pod uwagę przy projektowaniu, rozwoju, wdrażaniu i wykorzystaniu sztucznej inteligencji. Dlatego warto być na bieżąco, poszerzać wiedzę i śledzić najlepsze praktyki w zakresie rozwoju rozwiązań AI.
Źródło: SAS Institute
Najnowsze wiadomości
Customer-specific AI: dlaczego w 2026 roku to ona przesądza o realnym wpływie AI na biznes
W 2026 roku sztuczna inteligencja przestaje być ciekawostką technologiczną, a zaczyna być rozliczana z realnego wpływu na biznes. Organizacje oczekują dziś decyzji, którym można zaufać, procesów działających przewidywalnie oraz doświadczeń klientów, które są spójne w skali. W tym kontekście coraz większe znaczenie zyskuje customer-specific AI - podejście, w którym inteligencja jest osadzona w danych, procesach i regułach konkretnej firmy, a nie oparta na generycznych, uśrednionych modelach.
PROMAG S.A. rozpoczyna wdrożenie systemu ERP IFS Cloud we współpracy z L-Systems
PROMAG S.A., lider w obszarze intralogistyki, rozpoczął wdrożenie systemu ERP IFS Cloud, który ma wesprzeć dalszy rozwój firmy oraz integrację kluczowych procesów biznesowych. Projekt realizowany jest we współpracy z firmą L-Systems i obejmuje m.in. obszary finansów, produkcji, logistyki, projektów oraz serwisu, odpowiadając na rosnącą skalę i złożoność realizowanych przedsięwzięć.
SkyAlyne stawia na IFS dla utrzymania floty RCAF
SkyAlyne, główny wykonawca programu Future Aircrew Training (FAcT), wybrał IFS Cloud for Aviation Maintenance jako cyfrową platformę do obsługi technicznej lotnictwa i zarządzania majątkiem. Wdrożenie ma zapewnić wgląd w czasie rzeczywistym w utrzymanie floty, zasoby i zgodność, ograniczyć przestoje oraz zwiększyć dostępność samolotów szkoleniowych RCAF w skali całego kraju. To ważny krok w modernizacji kanadyjskiego systemu szkolenia załóg lotniczych.
Wykorzystanie AI w firmach rośnie, ale wolniej, niż oczekiwano. Towarzyszy temu sporo rozczarowań
Wykorzystanie sztucznej inteligencji w firmach rośnie, ale tempo realnych wdrożeń pozostaje znacznie wolniejsze od wcześniejszych oczekiwań rynku. Dane pokazują, że z rozwiązań AI korzysta dziś wciąż niewiele przedsiębiorstw, a menedżerowie coraz częściej wskazują na bariery regulacyjne, koszty oraz brak powtarzalnych efektów biznesowych. W praktyce technologia jest testowana głównie w wybranych obszarach, a kluczowe decyzje nadal pozostają po stronie człowieka. Również w firmach, które wdrożyły AI, nierzadko towarzyszą temu rozczarowania.
Europejski przemysł cyfryzuje się zbyt wolno – ERP, chmura i AI stają się koniecznością
Europejski przemysł średniej wielkości wie, że cyfryzacja jest koniecznością, ale wciąż nie nadąża za tempem zmian. Ponad 60% firm ocenia swoje postępy w transformacji cyfrowej jako zbyt wolne, mimo rosnącej presji konkurencyjnej, regulacyjnej i kosztowej. Raport Forterro pokazuje wyraźną lukę między świadomością potrzeby inwestycji w chmurę, ERP i AI a realną zdolnością do ich wdrożenia – ograniczaną przez braki kompetencyjne, budżety i gotowość organizacyjną.
Europejski przemysł średniej wielkości wie, że cyfryzacja jest koniecznością, ale wciąż nie nadąża za tempem zmian. Ponad 60% firm ocenia swoje postępy w transformacji cyfrowej jako zbyt wolne, mimo rosnącej presji konkurencyjnej, regulacyjnej i kosztowej. Raport Forterro pokazuje wyraźną lukę między świadomością potrzeby inwestycji w chmurę, ERP i AI a realną zdolnością do ich wdrożenia – ograniczaną przez braki kompetencyjne, budżety i gotowość organizacyjną.
Najnowsze artykuły
5 pułapek zarządzania zmianą, które mogą wykoleić transformację cyfrową i wdrożenie ERP
Dlaczego jedne wdrożenia ERP dowożą korzyści, a inne kończą się frustracją, obejściami w Excelu i spadkiem zaufania do systemu? Najczęściej decyduje nie technologia, lecz to, jak organizacja prowadzi zmianę: czy liderzy biorą odpowiedzialność za decyzje czy tempo jest dopasowane do zdolności absorpcji oraz czy ludzie dostają klarowność ról i realne kompetencje. Do tego dochodzi pytanie: co po go-live - stabilizacja czy chaos w firmie? Poniżej znajdziesz 5 pułapek, które najczęściej wykolejają transformację i praktyczne sposoby, jak im zapobiec.
SAP vs Oracle vs Microsoft: jak naprawdę wygląda chmura i sztuczna inteligencja w ERP
Wybór systemu ERP w erze chmury i sztucznej inteligencji to decyzja, która determinuje sposób działania organizacji na lata — a często także jej zdolność do skalowania, adaptacji i realnej transformacji cyfrowej. SAP, Oracle i Microsoft oferują dziś rozwiązania, które na pierwszy rzut oka wyglądają podobnie, lecz w praktyce reprezentują zupełnie odmienne podejścia do chmury, AI i zarządzania zmianą. Ten artykuł pokazuje, gdzie kończą się deklaracje, a zaczynają realne konsekwencje biznesowe wyboru ERP.
Transformacja cyfrowa z perspektywy CFO: 5 rzeczy, które przesądzają o sukcesie (albo o kosztownej porażce)
Transformacja cyfrowa w finansach często zaczyna się od pytania o ERP, ale w praktyce rzadko sprowadza się wyłącznie do wyboru systemu. Dla CFO kluczowe jest nie tylko „czy robimy pełną wymianę ERP”, lecz także jak policzyć ryzyko operacyjne po uruchomieniu, ocenić wpływ modelu chmurowego na koszty OPEX oraz utrzymać audytowalność i kontrolę wewnętrzną w nowym modelu działania firmy.
Agentic AI rewolucjonizuje HR i doświadczenia pracowników
Agentic AI zmienia HR: zamiast odpowiadać na pytania, samodzielnie realizuje zadania, koordynuje procesy i podejmuje decyzje zgodnie z polityką firmy. To przełom porównywalny z transformacją CRM – teraz dotyczy doświadczenia pracownika. Zyskują HR managerowie, CIO i CEO: mniej operacji, więcej strategii. W artykule wyjaśniamy, jak ta technologia redefiniuje rolę HR i daje organizacjom przewagę, której nie da się łatwo nadrobić.
Composable ERP: Przewodnik po nowoczesnej architekturze biznesowej
Czy Twój system ERP nadąża za tempem zmian rynkowych, czy stał się cyfrową kotwicą hamującą rozwój? W dobie nieciągłości biznesowej tradycyjne monolity ustępują miejsca elastycznej architekturze Composable ERP. To rewolucyjne podejście pozwala budować środowisko IT z niezależnych modułów (PBC) niczym z klocków, zapewniając zwinność nieosiągalną dla systemów z przeszłości. W tym raporcie odkryjesz, jak uniknąć pułapki długu technologicznego, poznasz strategie liderów rynku (od SAP po MACH Alliance) i wyciągniesz lekcje z kosztownych błędów gigantów takich jak Ulta Beauty. To Twój strategiczny przewodnik po transformacji z cyfrowego "betonu" w adaptacyjną "plastelinę".
Jak zarządzanie zmianą decyduje o sukcesie transformacji ERP i AI?
Zarządzanie zmianą decyduje dziś o tym, czy transformacja ERP lub wdrożenie AI przyniesie realną wa… / Czytaj więcej
Niezastąpiony partner w IT: rola Delivery Managementu w projektach outsourcingowych
W świecie, w którym technologia i stawki dostawców IT coraz częściej się wyrównują, prawdziwą przew… / Czytaj więcej
Cyfrowa autonomia w praktyce: nowy mandat CIO od rady nadzorczej
W raporcie McKinsey suwerenność technologiczna jest opisana jako zdolność do rozwijania i kont… / Czytaj więcej
Strategiczna przewaga czy kosztowny mit? Kto wygrywa dzięki chmurze?
Chmura miała być odpowiedzią na wyzwania sektora finansowego: przestarzałą infrastrukturę, rozprosz… / Czytaj więcej
Jak zminimalizować ryzyko strat w biznesie i zwiększyć rentowność klientów?
Prowadzenie biznesu w dynamicznie zmieniającym się środowisku gospodarczym wiąże się z wieloma wyzw… / Czytaj więcej
Nowe narzędzie, nowe możliwości – Adrian Guzy z CTDI o innowacyjności, kulturze pracy z danymi i analityce w Microsoft Fabric
W nowej siedzibie CTDI w Sękocinie Starym pod Warszawą tafle szkła odbijają poranne słońce, a wnętr… / Czytaj więcej
