Rozwój szeroko rozumianej sztucznej inteligencji nabiera tempa. Świadczy o tym powszechne zainteresowanie tą tematyką, a wraz z nim rosnąca liczba artykułów medialnych oraz publikacji. Tym co zwraca szczególną uwagę są dane, które obrazują, ile środków finansowych jest przeznaczanych na  inwestycje w technologie półprzewodnikowe, czyli możliwości obliczeniowe i pamięciowe nowych centrów danych AI. Wszystko wskazuje, że ten rozwój w najbliższych latach będzie bardzo dynamiczny.

Raporty takie jak „The Future of Jobs Report 2020” opracowany przez Światowe Forum Ekonomiczne oraz badania przeprowadzone przez firmę doradczą McKinsey & Company zawracają uwagę na dynamiczne zmiany na rynku pracy, które będą miały miejsce w najbliższych latach. Oba źródła zgodnie wskazują, że będziemy świadkami znaczących przemian w zakresie zawodów i obowiązków, wynikających z postępu technologicznego, automatyzacji oraz zmieniających się potrzeb gospodarczych i społecznych.

W artykule „Większość zawodów 2030 roku jeszcze nie została wynaleziona”[1] możemy przeczytać:

„IFTF, organizacja non-profit, która stara się identyfikować pojawiające się trendy i ich wpływ na globalne społeczeństwo, prognozuje, że wiele zadań, obowiązków i zawodów, które dzisiejsi młodzi ludzie będą pełnić w 2030 roku, jeszcze nie istnieje.”

źródło: https://www.voanews.com/a/most-of-2030-s-jobs-haven-t-been-invented-yet/4778002.html

Obecna sytuacja, z punktu widzenia kadry zarządzającej jest to nie lada  wyzwanie. To jak będą się kształtować relacje i obowiązki pomiędzy pracownikami różnych działów, znacząco zmieni sposób pracy wielu organizacji. Identyfikacja tych obszarów oraz ewentualnych konsekwencji wynikających z rewolucji AI będzie decydować o sukcesie w nadchodzących latach.

„W mojej ocenie, rozumienie możliwości jakie dają nowe technologie oraz ocena tego jak mogą usprawnić daną organizację, będzie kluczową umiejętnością menadżerską w najbliższej dekadzie. – Podkreśla CEO Inero Software Andrzej Chybicki

Wskazuje on na dwa sposoby rozwoju świadomości technologicznej przedsiębiorstw w zakresie AI:

Pierwszym jest eksploracja dostępnych na rynku produktów lub usług, które mogą być zastosowane jako gotowe rozwiązania. Decyzja o ich wdrożeniu zależeć będzie od stopnia, w jakim te rozwiązania mogą być dopasowane do specyficznych procesów wymagających optymalizacji i automatyzacji. Ważne jest jednak, aby być świadomym, że takie oprogramowanie jest dostarczane w formie pewnej „bryły”, którą trzeba nie tylko zaimplementować, ale również dostosować procesy wewnątrz organizacji, aby mogły efektywnie współpracować z nowo wdrożonym produktem.

Alternatywą jest tworzenze wewnętrznych rozwiązań opartych o AI, na które już teraz decydują się duże firmy. To na  przykład, projektowanie własnych modeli językowych, dopasowanych do  indywidualnych potrzeb i wymogów danego przedsiębiorstwa. To zwykle wielomilionowe  projekty, ale są też takie, które mogą zamknąć się w mniejszym budżecie.

Jedną z globalnych marek, która zdecydowała się stworzyć własny model LLM jest Amazon. Zadaniem modelu „Rufus” jest wsparcie potencjalnych klientów na każdym etapie ścieżki zakupowej. Celem jego wdrożenia jest asystowanie użytkownikom i optymalizacja procesu składania zamówień.

„W Inero stosujemy podejście produktowo- usługowe. Mając wiedzę jak się rozwiązuje pewne problemy, za pomocą naszych autorskich systemów jak DocQuality lub DeliverM8 – Freight Matching Platform, staramy się zaprezentować pewien szablon rozwiązania i jego potencjał. Następnie dostosowujemy go do konkretnych potrzeb i procesów realizowanych w strukturze firmy klienta, a nie na odwrót. Nasze produkty stanowią pewien szablon możliwości jakie dają nowe technologie.” – zaznacza Andrzej Chybicki

Jest to rozwiązanie, które ma w sobie dobre cechy podejścia produktowego, ale zarazem daje pewną elastyczność, wynikającą z podejścia usługowego, przy czym koszt jest zdecydowanie  bardziej przystępny. Jako przykład można wskazać aplikację DocsQuality, która wykorzystuje techniki uczenia maszynowego do kategoryzacji dokumentów i rozpoznawania nieczytelnych fragmentów plików. Program ten można w łatwy i szybki sposób zintegrować z wewnętrzną infrastrukturą klienta, optymalizując proces obiegu dokumentów o wykrywanie problematycznych dokumentów.

Podsumowując, rozwój sztucznej inteligencji w zarządzaniu przedsiębiorstwami niesie ze sobą przestrzeń dla innowacji. Wyzwania związane z adaptacją nowych technologii wymagają strategicznego podejścia, zarówno w kontekście implementacji gotowych rozwiązań, jak i tworzenia wewnętrznych systemów AI. Sukces w nadchodzącej dekadzie będzie zależał od zdolności menedżerskich w zrozumieniu i wykorzystaniu potencjału technologicznego oraz umiejętności zarządzania zmieniającym się zespołem, który będzie wymagał wdrożenia nowych narzędzi, dopasowanych do nowych zadań.

Artykuł Możliwości, które niesie rozwój i popularyzacja sztucznej inteligencji w zarządzaniu przedsiębiorstwami pochodzi z serwisu Inero Software - Rozwiązania IT i Konsulting.

Optymalizacja procesu gromadzenia danych dzięki algorytmom AI

W dobie postępu i licznych osiągnięć w dziedzinie przetwarzania języka naturalnego, widzimy coraz większe możliwości w zakresie analizy i wnioskowania, na podstawie danych zgromadzonych w nieustrukturyzowanych archiwach tekstowych i dokumentach. Koniecznym krokiem staje się więc, usprawnienie działań biznesowych i wdrożenie do nich narzędzi związanych z NLP i LLM. Digitalizacja procesów biznesowych sprawia, że wiele zadań przenosi się do świata wirtualnego, a kontrola i analiza dużej ilości zgromadzonych danych staje się poważnym wyzwaniem.

Kluczowy jest oczywiście czas

W erze ciągłego pośpiechu, żmudne zadania analityczne, wymagające skupienia, dokładności i sumienności stają się prawdziwym ciężarem dla sprawnych i często rozproszonych zespołów. Nowoczesny biznes działa szybko. Jest wiele branż, w których dbałość o jakość dokumentacji odgrywa bardzo ważną rolę i znacząco wpływa na efektywność pracy w grupie. To między innymi sektor księgowy, kancelarie prawnicze, branża ubezpieczeniowa czy transportowa. Właśnie tą ostatnią posłużymy się jako przykładem. Firmy TSL codziennie realizują nawet po kilkadziesiąt frachtów. Każdy z nich generuje dużą ilość dokumentacji, jak faktury, umowy, polisy, WZ, karty pracy kierowców itp.. Dodając je do wewnętrznego obiegu administracyjnego, łatwo przeoczyć dokument nieczytelny (np. pośpiesznie zeskanowany), który na pewnym etapie zakłóci proces obiegu dokumentów i będzie wymagał korekty, przez co liczba zadań do wykonania znacznie się wydłuży. Może mieć to wpływ na zachwianie przepływów pieniężnych. Optymalizacja procesu gromadzenia danych we właściwej jakości staje się więc kluczowa.

Tradycyjne metody stają się mniej skuteczne

Tradycyjne metody rozwoju oprogramowania stają się mniej skuteczne w przypadku dużych baz danych. Często opierają się wyłącznie na strukturalnie przetwarzanych danych i z góry określonych regułach, które mogą być nieodpowiednie do pracy z nieustrukturyzowanym tekstem i subtelnościami naturalnego pisma. Klasyczne podejście do tworzenia oprogramowania załamuje się w obliczu wielkoskalowych baz wiedzy. Pracując nad DocsQuality obniżamy barierę dostępu zespołów do narzędzi związanych z NLP (programowaniem neurolingwistycznym) i LLM (z ang. Large Language Model), aby mogły one w sposób prosty pobierać dane z archiwów nieustrukturyzowanych tekstów i dokumentów.

Zadaniem oprogramowania DocsQuality jest ocena atrybutów dokumentu, przed jego zaimportowaniem do obiegu księgowego. Oceni on w czasie rzeczywistym, między innymi czytelność, wyrazistość i jakość pliku. Oprogramowanie od razu poinformuje o problemach związanych np. z załącznikiem do maila, dając sygnał, że już na tym etapie system nie powinien przyjąć tego dokumentu do obiegu.

Modele NLP i LLM

Połączenie i zastosowanie modeli NLP i LLM to nowa, innowacyjna metoda oceny jakości dokumentacji. Przy tworzeniu oprogramowania, NLP może być używane do wyodrębnienia tekstu ze zdjęć dokumentów. Jest to związane z techniką OCR (Optical Character Recognition) i pozwala przekształcić tekst z obrazu na tekst edytowalny, który można ocenić pod kątem jakości. Z kolei modele LLM, mogą przeczytać i zrozumieć tekst w dokumencie PDF, pozwalając na ocenę czytelności, gramatyki, składni oraz poprawności ortografii w dokumencie, a w kolejnym etapie analizę, wnioskowanie i rozumienie treści.

DocsQuality

Inżynierowie Inero Software wiąż rozwijają funkcjonalności, które oferuje DocsQuality. Tworzenie nowego oprogramowania  w tak dynamicznym środowisku, wymaga ciągłego udoskonalania i szukania optymalnych rozwiązań. Potencjał, który ma w sobie wdrożenie do niego narzędzi związanych z NLP i LLM, pozwoli w przyszłości na jeszcze dokładniejszą analizę dokumentacji.

Jeśli zainteresowało Cię oprogramowanie DocsQuality zapraszamy na stronę https://docsquality.com/ oraz do kontaktu mailowego hi@docs-quality.com. Chętnie odpowiemy na wszystkie pytania i przedstawimy jego funkcjonalność i sposób wdrożenia. DocsQuality można z powodzeniem zintegrować z działającym systemem ERP.  Pozwoli to na rozszerzenie oferowanych funkcjonalności o skuteczny monitoring jakości dokumentów, pozwalający wyłapywać problematyczne pliki przed ich wdrożeniem do obiegu księgowego.

Artykuł Optymalizacja procesu gromadzenia danych dzięki algorytmom AI pochodzi z serwisu Inero Software - Rozwiązania IT i Konsulting.