Koszty wdrożenia AI - co trzeba wziąć pod uwagę?

Sztuczna inteligencja (AI) to jeden z najgorętszych trendów biznesowych początku XXI wieku. Technologia uczenia maszynowego stojąca za nowoczesnymi rozwiązaniami opartymi na AI bywa porównywana do maszyny parowej, gdy myślimy o jej wpływie na biznes i społeczeństwo. Ale czy ta technologia jest w zasięgu firmy, która nie jest graczem wielkości GAFA? 

Sztuczne sieci neuronowe, które napędzają dominującą część współczesnej sztucznej inteligencji, wcale nie są nowym pomysłem. Pierwsze podejście teoretyczne powstało podczas II wojny światowej za sprawą Warrena McCullocha i Waltera Pittsa, którzy stworzyli obliczeniowy model sieci neuronowej. W tamtym czasie temat był jednak wyraźnie badaniem akademickim, bez realnych perspektyw zastosowania w codziennym życiu. 

W początkach sztucznych sieci neuronowych trzeba było pokonać dwie bariery. 

Moc obliczeniowa - świetnym pomysłem stojącym za budową sztucznej sieci neuronowej było odwzorowanie działania ludzkiego mózgu. A to zadanie niemal niewykonalne. Różne szacunki wskazują, że ludzki mózg - i to wcale nie wybitnie genialny - pracuje z mocą obliczeniową sięgającą 1 eksaFLOPa, co odpowiada miliardowi operacji na sekundę. Najsilniejsza istniejąca dziś maszyna, Summit, obecnie najszybszy superkomputer świata, ma docelowo pracować z mocą 200 petaFLOPS. Ale jeszcze jej nie osiągnął. 

Każda ludzka czaszka mieści więc moc obliczeniową wartą pięciu lub więcej najsilniejszych maszyn liczących na tej planecie. Siostry Wachowski - może to dobra podpowiedź na nadchodzącego Matriksa?

Dane - żeby być skuteczne, każde rozwiązanie Machine Learning potrzebuje niewyobrażalnej ilości danych. I znów: naturalna sieć neuronowa w naszej głowie uczy się na danych z wielu lat i łączy wiele kanałów, by cały system działał. Twórcy oczekują, że sieć neuronowa osiągnie dokładność eksperta nie w ciągu całego życia, lecz w rozsądnym czasie. Zależnie od projektu Machine Learning może to być godzina, tydzień albo miesiąc, ale na pewno nie kilkanaście lat. 

Wraz z eksplozją big data i chmury obliczeniowej oba wyzwania zostały pokonane. Gromadzenie danych jest łatwiejsze niż kiedykolwiek, a koszt ich składowania systematycznie spada. Spada też koszt mocy obliczeniowej w chmurze 

Dzięki temu firmy zyskały dostęp do nowoczesnych rozwiązań opartych na AI, a wszystkie naukowe koncepcje trafiły do codziennych operacji biznesowych.

Co możesz zyskać dzięki tworzeniu oprogramowania z AI?

Nowoczesna AI może przynieść istotne korzyści każdej firmie - i międzynarodowemu gigantowi z tysiącami pracowników, i sprytnej, zwinnej małej firmie, która chce rozwinąć działalność. Zastosowań sztucznej inteligencji jest wiele:

• Obniżanie kosztów stałych - jest wiele kosztów uznawanych za zamrożone, z którymi biznes musi sobie radzić bez narzekania i bez możliwości ich obniżenia. Zwykle są to media albo najem. Ale AI może przynieść na nich istotne oszczędności. Dzięki modelowi AI opracowanemu przez DeepMind Google zdołał obniżyć rachunek za chłodzenie w centrum danych o 40%. A przy obliczeniach chłodzenie jest jednym z najistotniejszych kosztów. 
• Automatyzacja i podnoszenie jakości procesów - sztuczna inteligencja może wesprzeć każdy proces wymagający żmudnej i powtarzalnej pracy, czy to odpowiadania na zapytania klientów, czy czytania w kółko tych samych dokumentów. Amtrak, amerykańska spółka kolejowa, zaoszczędziła ponad 1 milion dolarów, używając chatbota zamiast tradycyjnej obsługi klienta. Chatbot o imieniu Julia odpowiada klientom na pierwszej linii i podaje im dokładne informacje o rozkładzie i dostępnych biletach. 
• Wykrywanie anomalii - anomalia w biznesie jest zwykle oznaką czegoś podejrzanego i niepożądanego. Może dotyczyć wykrywania oszustw albo kontroli jakości w firmie, zależnie od rodzaju prowadzonej działalności.  
• Oszczędność na kosztach ekspertów (w długim okresie) - sztuczne sieci neuronowe już dziś przewyższają człowieka w wielu dziedzinach. Powstają rozwiązania, które wspierają lekarzy w porównywaniu skanów ciała i dostarczają dokładnych informacji o zdrowiu pacjenta. Według różnych szacunków komputer potrafi przetworzyć obraz nawet 1000 razy szybciej bez utraty dokładności i skupienia.  

Powyższe przykłady to tylko wierzchołek góry lodowej. Więcej informacji o sposobach wykorzystania AI w biznesie i ogólnych perspektywach wspierania procesów uczeniem maszynowym znajdziesz w naszym kompletnym przewodniku po AI w biznesie. 

Ile kosztuje wdrożenie AI?

Przykłady powyżej brzmią bez wątpienia kusząco. Budowa rozwiązań opartych na AI, choć osiągalna, jest jednak daleka od taniej. Zanim firma wejdzie na pokład, musi wziąć pod uwagę kilka nieuniknionych kosztów. 

Doradztwo biznesowe i studia wykonalności

Każda firma jest inna i nie ma rozwiązań pasujących do wszystkich. Istnieją oczywiście rozwiązania SaaS czy gotowe oprogramowanie, które dają efekty, ale dostarczenie rozwiązania szytego na miarę wymaga sporo doradztwa i analiz. A w przypadku AI powiązanie z istniejącymi procesami jest ścisłe. Tak ścisłe, że w idealnej sytuacji - czy to autouzupełnianie zapytania w Google, czy automatyczne sugestie w Netfliksie - proces i rozwiązanie AI są nierozłączne. 

Data scientiści i R&D

Data scientist, czyli osoba, która rozwija modele uczenia maszynowego w biznesie i algorytmy napędzające rozwiązania oparte na AI, to rzadki okaz. Mimo rosnącej liczby takich specjalistów na rynku popyt rośnie jeszcze szybciej. Dlatego data scientist uchodzi za najlepszą pracę w USA w 2019 roku. Wraz ze wzrostem złożoności rozwiązań i rosnącym wpływem AI na codzienne życie koszt talentów data science będzie tylko rósł. 

A to tylko ludzka strona procesu badawczo-rozwojowego. Kolejnym krokiem jest zbieranie i etykietowanie danych. A to bywa podchwytliwe. Dane trzeba ustandaryzować i właściwie oznaczyć, żeby nauczyć model dawać oczekiwany wynik. Co jeszcze bardziej podchwytliwe, w zbiorze danych mogą kryć się ukryte uprzedzenia, które po cichu zaszkodzą wynikom firmy w dłuższym okresie. Albo wywołają burzę - Amazon był niedawno krytykowany za stworzenie modelu uprzedzonego ze względu na płeć, który automatycznie odrzucał wszystkie inżynierki aplikujące o pracę. 

Moc obliczeniowa 

Kolejny koszt, który może rosnąć. Uruchamianie modelu zwykle nie jest obliczeniowo ciężkie. Ale jego trenowanie to zupełnie inna historia. Żeby skutecznie trenować sieci neuronowe, firma (używająca lub tworząca AI) potrzebuje dostępu do ogromnej mocy obliczeniowej. Wyzwanie rozwiązuje się zwykle, prowadząc obliczenia w chmurze, ale to generuje koszty. Szczerze mówiąc - wysokie. 

MVP

Model wykonujący zadanie to jedno - ale model wykonujący zadanie z korzyścią dla biznesu to zupełnie co innego. Przed wdrożeniem firmy muszą zbudować Minimum Viable Product, który pokaże, że całe to uczenie maszynowe dla biznesu nie jest gadżetem i może przynieść istotną poprawę. To także koszt, ale niezbędny - próba zbudowania rozwiązania AI bez MVP to prosta droga do katastrofy, bo właśnie na tym etapie wychodzi wiele wad i błędów.

Wdrożenie

To trudna część, a wdrożenie może wygenerować nieoczekiwanie wysoki koszt. Nie jest łatwo przy żadnym oprogramowaniu ani rozwiązaniu, czy to ERP, CRM, czy innym systemie klasy enterprise. 

Sam koszt trudno nawet oszacować, bo zależy od wielkości firmy i branży. Ale żeby mieć o nim pojęcie, warto uwzględnić: 

• Koszt automatycznego przygotowania danych pobranych z innych systemów
• Dostarczenie infrastruktury, która płynnie obsłuży proces
• Samo przetwarzanie
• Uczynienie efektu użytecznym dla innych systemów i pracowników 

Utrzymanie i dalsze uczenie

Model uczenia maszynowego to nie lodówka, która przez lata służy niezmieniona, aż się zepsuje. Rozwiązanie trzeba utrzymywać i aktualizować zgodnie ze zmianami w modelu biznesowym i otoczeniu. 

Dobrym przykładem jest oprogramowanie do rozpoznawania obrazów - jakość zdjęć rośnie z czasem, a użytkownicy dostają urządzenia z coraz lepszymi aparatami. Model musi obsłużyć większe obrazy albo dostać aktualizację, która zmniejszy je do łatwego w obróbce rozmiaru. 

Podsumowanie

Budowa startupu AI albo rozwiązania napędzanego AI nie jest ani łatwa, ani tania. Ale oszczędności, jakie przynosi, i efekty biznesowe, jakie daje, są warte wysiłku. W długim okresie przyniesie dużo pieniędzy - i jako wyższy przychód, i jako niższe wydatki. 

Zastanawiasz się, czy rozwiązania AI będą opłacalne? Skontaktuj się z nami po bezpłatną konsultację.