Historia sztucznej inteligencji
Początki sztucznej inteligencji sięgają połowy XX wieku, kiedy to Alan Turing, który wprowadził test Turinga, i John McCarthy, który ukuł sam termin, zaczęli badać koncepcję maszyn zdolnych do symulowania ludzkiej inteligencji.
W latach 60. i 70. dziedzina ta zaczęła się rozwijać wraz z powstawaniem systemów eksperckich, które wykorzystywały modele oparte na regułach do naśladowania zdolności ludzkich ekspertów do podejmowania decyzji. Postęp spowolnił jednak w latach 80. z powodu ograniczeń mocy obliczeniowej i trudności w uchwyceniu ludzkiej wiedzy w regułach. Doprowadziło to do zimy AI – okresu, w którym zainteresowanie sztuczną inteligencją spadło.
Lata 90. i początek XXI wieku przyniosły odrodzenie AI, napędzone zwiększoną mocą obliczeniową, postępem w algorytmach i dostępnością dużych zbiorów danych. Najważniejszymi przyczynami tego odrodzenia był rozwój uczenia maszynowego, poddziedziny sztucznej inteligencji skoncentrowanej na opracowywaniu systemów, które mogą uczyć się na podstawie danych, oraz technik takich jak sieci neuronowe, które zostały zainspirowane strukturą ludzkiego mózgu.
Pod koniec 2022 roku sztuczna inteligencja rozwinęła się jeszcze bardziej wraz z udostępnieniem dla wszystkich chętnych ChatGPT stworzonego przez OpenAI. Jest to chatbot zdolny do angażowania się w interakcje podobne do tych między ludźmi. Jego niezwykła zdolność do generowania spójnych i zgodnych z kontekstem odpowiedzi udowadnia ogromny potencjał generatywnej sztucznej inteligencji. OpenAI zaprezentowało również DALL-E 2, czyli narzędzie, które generuje obrazy na podstawie opisów tekstowych. Jest to kolejny aspekt prezentujący możliwości generatywnej sztucznej inteligencji. 
Główne podobieństwa i różnice między tradycyjną sztuczną inteligencją a generatywną sztuczną inteligencją
Tradycyjna sztuczna inteligencja i generatywna sztuczna inteligencja mają wspólną podstawę, a także podobne ryzyka związane z kwestiami etycznymi, ale różnią się zakresem i zastosowaniem technologii. Tradycyjna sztuczna inteligencja usprawnia lub automatyzuje zadania, podczas gdy generatywna sztuczna inteligencja specjalizuje się w tworzeniu nowych treści.
Przyjrzyjmy się bliżej ich głównym podobieństwom i różnicom.
Tradycyjna sztuczna inteligencja
Sztuczna inteligencja rozwija systemy komputerowe zdolne do wykonywania zadań, wymagających zazwyczaj ludzkiej inteligencji. Zadania te obejmują uczenie się, rozumowanie, rozwiązywanie problemów, percepcję, rozumienie języka i podejmowanie decyzji. Tradycyjne modele AI są szkolone do wykonywania określonych, stosunkowo prostych zadań, w przeciwieństwie do generatywnych modeli AI, które mogą być wykorzystywane na wiele sposobów.
Tradycyjna sztuczna inteligencja wykorzystuje algorytmy, uczenie maszynowe i dane do naśladowania funkcji poznawczych, dzięki którym usprawnia lub automatyzuje procesy w różnych branżach, takich jak opieka zdrowotna, finanse i technologia.
Generatywna sztuczna inteligencja
Generatywna sztuczna inteligencja prezentuje znaczący skok w rozwoju możliwości sztucznej inteligencji. W przeciwieństwie do tradycyjnych systemów sztucznej inteligencji, które wykonują zadania w oparciu o predefiniowane reguły lub wyuczone wzorce, generatywna sztuczna inteligencja może tworzyć nowe, oryginalne treści. Technologia ta uczy się na podstawie istniejących danych, aby generować artefakty podobne do tych danych bez potrzeby ich replikowania.
Generatywna sztuczna inteligencja posiada zdolność tworzenia różnorodnych treści, w tym obrazów, filmów, muzyki, mowy, tekstu, kodu oprogramowania i projektów. Jest to możliwe dzięki fundamentalnym modelom sztucznej inteligencji, które są szkolone na ogromnych ilościach nieustrukturyzowanych danych i mogą być precyzyjnie dopasowane do określonych zadań. Generatywna sztuczna inteligencja jest przystosowana do tworzenia treści w odpowiedzi na żądania w języku naturalnym, co eliminuje potrzebę wprowadzania kodu przez użytkowników.
Tradycyjna sztuczna inteligencja vs. generatywna sztuczna inteligencja
Tradycyjna sztuczna inteligencja obejmuje różne technologie zaprojektowane do zadań wymagających ludzkiej inteligencji, takich jak rozwiązywanie problemów, podejmowanie decyzji i percepcja. Z kolei generatywna sztuczna inteligencja to podzbiór sztucznej inteligencji skupiający się na tworzeniu nowych treści w oparciu o istniejące dane, takie jak tekst, obrazy, muzyka i filmy. Tradycyjna sztuczna inteligencja jest wykorzystywana przy tworzeniu rekomendacji, czy wykrywaniu oszustw, oraz w pojazdach autonomicznych i jako wirtualny asystent. Generatywna sztuczna inteligencja jest wykorzystywana do zadań kreatywnych, takich jak tworzenie treści, projektowanie produktów i symulacje.
Różnią się one również technologią: tradycyjna sztuczna inteligencja wykorzystuje różne algorytmy, w tym uczenie maszynowe, deep learning i uczenie przez wzmacnianie, podczas gdy generatywna sztuczna inteligencja opiera się głównie na generatywnych sieciach współzawodniczących (GAN), autoenkoderach wariacyjnych (VAE) i transformatorach czy sieciach neuronowych (np. GPT-3). W rezultacie sztuczna inteligencja generuje dane wyjściowe, takie jak klasyfikacje, prognozy i optymalizacje, a generatywna sztuczna inteligencja generuje nowe treści, które naśladują dane szkoleniowe.
Pomimo różnic, tradycyjną sztuczną inteligencję i generatywną sztuczną inteligencję łączy też kilka podstawowych podobieństw. Obie technologie uczą się na podstawie danych, identyfikują wzorce i dokonują prognoz w oparciu o zdobytą wiedzę. Potrzebują wysokiej jakości, zróżnicowanych danych do skutecznego działania oraz znacznych zasobów obliczeniowych do szkolenia złożonych modeli.
Wpływ obu rodzajów sztucznej inteligencji na branże takie jak opieka zdrowotna, finanse, czy rozrywka są wysoce transformacyjne, z potencjałem na ich zrewolucjonizowanie. Dodatkowo, obie dziedziny stoją przed podobnymi wyzwaniami etycznymi, takimi jak obawy dotyczące stronniczości, przejrzystości i prywatności. Ważne jest więc, żeby przy ich rozwijaniu, skupić się na starannym zarządzaniu tymi technologiami, w celu zapewnienia odpowiedzialnego użytkowania.
Główne zagrożenia związane z rozwojem AI
Rozwój i wdrażanie obu rodzajów sztucznej inteligencji niesie za sobą ogromny potencjał transformacyjny, połączony ze znacznym ryzykiem. Przeciwdziałanie tym zagrożeniom wymaga przestrzegania rygorystycznych standardów etycznych, wdrożenia przejrzystych metodologii, solidnych środków bezpieczeństwa i ciągłego monitorowania, aby zapewnić odpowiedzialne wykorzystanie tych technologii.
Oto niektóre z najczęściej występujących zagrożeń w rozwoju sztucznej inteligencji. 
Halucynacje AI
Halucynacje AI występują, gdy systemy te generują nieprawidłowe lub bezsensowne wyniki, które wydają się wiarygodne. Zjawisko to może prowadzić do rozpowszechniania fałszywych informacji, ponieważ sztuczna inteligencja z przekonaniem generuje treści, które nie mają podstaw w rzeczywistości. Takie halucynacje są szczególnym zagrożeniem we wdrożeniach, w których dokładność ma kluczowe znaczenie, takich jak diagnozy medyczne, porady prawne, czy przygotowywanie newsów.
W celu zapobiegania halucynacjom AI należy skupić się na poprawie solidności i niezawodności modeli sztucznej inteligencji. Można to osiągnąć zapewniając dostarczanie im wiarygodnych i weryfikowalnych informacji.
Obawy dotyczące prywatności – the AI Act
Wiele zastosowań sztucznej inteligencji wymaga gromadzenia i analizowania ogromnych ilości danych osobowych. Może to prowadzić do problemów związanych z ich prywatnością, ponieważ istnieje ryzyko, że wrażliwe informacje mogą zostać ujawnione lub niewłaściwie wykorzystane. Generatywna sztuczna inteligencja jest szczególnie ryzykowna, ponieważ może generować treści naśladujące dane osobowe, co budzi ogromne obawy o bezpieczeństwo danych i naruszenia prywatności.
Proponowana ustawa o sztucznej inteligencji w Unii Europejskiej (the AI Act) ma na celu uregulowanie systemów sztucznej inteligencji, aby zapewnić ich etyczne i przejrzyste wykorzystanie. Chociaż ustawa ta ma na celu ochronę prywatności i zapobieganie nadużyciom danym, zawiera też rygorystyczne wymogi, które mogą hamować innowacje. Dodatkowo, może stwarzać wyzwania w zakresie zgodności z wymogami prywatności dla deweloperów i firm, dążąc do zrównoważenia nadzoru regulacyjnego z postępem technologicznym.
Dezinformacja i deepfake’i
Generatywna sztuczna inteligencja może tworzyć wysoce realistyczne, ale też fałszywe treści, takie jak deepfake’i. Mogą one być wykorzystywane do rozpowszechniania dezinformacji, manipulowania opinią publiczną i wyrządzania znacznych szkód poprzez tworzenie wprowadzających w błąd filmów, nagrań audio lub tekstu, które wydają się autentyczne.
“Wstrzykiwanie” poleceń
“Wstrzykiwanie” poleceń ma miejsce, gdy złośliwi użytkownicy manipulują monitami wejściowymi w celu uzyskania szkodliwych wyników. Ten rodzaj ataku może prowadzić do generowania nieodpowiednich, stronniczych lub wprowadzających w błąd treści, które zagrażają integralności i niezawodności sztucznej inteligencji. Przeciwdziałanie temu wymaga bardzo dokładnej walidacji danych wejściowych, a także ciągłego monitorowania i bezpiecznej obsługi monitów. Wszystko po to, żeby zagwarantować bezpieczne i odpowiednie reakcje systemów sztucznej inteligencji na dane wejściowe użytkownika.
Kwestie etyczne i moralne
Systemy sztucznej inteligencji podejmują decyzje, niosące za sobą implikacje etyczne i moralne. Przykładowo, w autonomicznych pojazdach sztuczna inteligencja musi w czasie rzeczywistym podejmować decyzje, które mogą mieć wpływ na ludzkie życie. Z kolei stosowanie generatywnej sztucznej inteligencji rodzi pytania etyczne dotyczące autorstwa i autentyczności stworzonych dzieł.
Zagrożenia bezpieczeństwa
Systemy sztucznej inteligencji i generatywnej sztucznej inteligencji mogą też być wyjątkowo podatne na cyberataki. Konkurenci biznesowi mogą wykorzystywać te systemy do atakowania, manipulowania danymi wyjściowymi lub wykorzystywania treści generowanych przez sztuczną inteligencję do złośliwych celów, takich jak phishing lub generowanie szkodliwego kodu oprogramowania.
Praktyczne przypadki użycia tradycyjnej sztucznej inteligencji i generatywnej sztucznej inteligencji
Oto kilka praktycznych przykładów pokazujących, jak różne branże mogą z sukcesem wykorzystać tradycyjną sztuczną inteligencję i generatywną sztuczną inteligencję.
Finanse
Algorytmy oparte na sztucznej inteligencji są wykorzystywane w instytucjach finansowych do wykrywania oszustw i analizowania wzorców transakcji w celu identyfikacji nieuczciwych działań w czasie rzeczywistym.
Z kolei generatywna sztuczna inteligencja może być wykorzystywana w prognozowaniu finansowym. Używając danych historycznych generuje modele predykcyjne, które pomagają klientom w podejmowaniu świadomych decyzji.
Marketing
Sztuczna inteligencja jest wykorzystywana w marketingu cyfrowym do przygotowywania spersonalizowanych rekomendacji i reklam. Algorytmy AI analizują zachowania i preferencje konsumentów, aby sugerować produkty lub usługi, które mogą się im spodobać.
Generatywna sztuczna inteligencja może tworzyć spersonalizowane treści, takie jak reklamy lub posty w mediach społecznościowych, w oparciu o dane klientów i najnowsze trendy. Poprawia również optymalizację SEO, generując odpowiednie treści i poprawiając widoczność stron internetowych.
Ochrona zdrowia
Sztuczna inteligencja jest wykorzystywana do analizy obrazów medycznych, co może pomóc radiologom w dokładniejszym i skuteczniejszym wykrywaniu anomalii, takich jak guzy lub złamania. Generatywna sztuczna inteligencja może generować syntetyczne dane do szkolenia medycznych modeli sztucznej inteligencji, gdy rzeczywiste dane są ograniczone, co poprawia ich wydajność bez naruszania prywatności danych pacjenta.
Handel
Chatboty oparte na sztucznej inteligencji zapewniają wsparcie i pomoc klientom, obsługując zapytania i prowadząc ich przez cały proces zakupowy. Generatywna sztuczna inteligencja może być wykorzystywana do tworzenia wirtualnych doświadczeń przymierzania odzieży i akcesoriów, co pomaga klientom zwizualizować produkty przed dokonaniem zakupu.
Rozwój oprogramowania
Sztuczna inteligencja pomaga programistom generować fragmenty kodu i automatycznie uzupełniać bloki kodu, przyspieszając proces rozwoju oprogramowania. Generatywna sztuczna inteligencja potrafi tłumaczyć różne języki programowania, upraszczając interakcje i automatyzując procesy testowania w celu zapewnienia niezawodności oprogramowania.
Rozrywka
Generatywna sztuczna inteligencja przekształca branżę rozrywkową, tworząc kompozycje muzyczne, dzieła sztuki, a nawet scenariusze do filmów i gier wideo. Sztuczna inteligencja może analizować preferencje i trendy odbiorców, żeby generować treści, które z nimi rezonują i poprawiają ich ogólne wrażenia. 
TUATARA wdraża rozwiązania AI w sektorze IT
Przyjrzyjmy się naszym wdrożeniom, które pokazują, w jaki sposób technologie AI, a w szczególności modele IBM watsonx i GPT, są wykorzystywane do automatyzacji i optymalizacji procesów, zwiększając wydajność operacyjną i możliwości obsługi klienta.
Usprawnienie zarządzania pocztą elektroniczną
Jedna z firm ubezpieczeniowych dążyła do usprawnienia zarządzania pocztą elektroniczną poprzez automatyzację tagowania i przekierowywania przychodzących wiadomości w piętnastu różnych zespołach. Inicjatywa ta miała na celu zwiększenie wydajności dzięki analizie opartej na sztucznej inteligencji, a także rozpoznawanie intencji nadawcy przy użyciu modelu IBM watsonx.
W ramach projektu przeanalizowaliśmy historyczne dane wiadomości w celu przeszkolenia modelu IBM watsonx w zakresie rozpoznawania intencji nadawców oraz tematów wiadomości. Wiadomości zweryfikowaliśmy pod kątem skrzynki pocztowej zespołu „Request for Proposal” i sprawdziliśmy z bazą danych nadawców z szarej listy. Wdrożyliśmy rozwiązanie, które zautomatyzowało odpowiedzi na wiadomości pochodzące od nadawców z tej listy. Dodatkowo, wiadomości były oznaczane na podstawie predefiniowanych słów kluczowych dostarczonych przez firmę.
Integracja z wewnętrznym systemem poczty elektronicznej Exchange EWS została osiągnięta za pośrednictwem interfejsu API, dzięki czemu oznaczone wiadomości były kierowane do odpowiednich zespołów zgodnie z wytycznymi firmy.
OWU Reader
Projekt OWU Reader, przygotowany dla Generali Polska, ma na celu uproszczenie przepływu pracy agentów poprzez dostarczenie dokładnych informacji zaczerpniętych z dokumentów OWU (Ogólnych Warunków Ubezpieczenia) i FAQ za pośrednictwem wewnętrznego portalu.
Projekt rozpoczęliśmy od weryfikacji założeń i przeprowadzenia testów przy użyciu GPT-3.5. Zaimplementowaliśmy test runner w celu automatyzacji procesów testowych i generowania statystyk wydajności. Ostateczny sukces osiągnęliśmy dzięki integracji GPT-4 oraz optymalizacji niestandardowych podpowiedzi. Ulepszenia te obejmowały wdrożenie nowej wektorowej bazy danych i mechanizmu osadzania, które poprawiły wydajność analizy dokumentów. W fazie rozwoju testowaliśmy różne modele i podejścia, aby zapewnić niezawodność rozwiązania.
Projekt jest gotowy do pomyślnej implementacji, w celu zwiększenia produktywności agentów i efektywności obsługi klienta w Generali.
Przyszłość generatywnej sztucznej inteligencji
Generatywna sztuczna inteligencja rozwija się w bezprecedensowym tempie, przez co może zrewolucjonizować różne branże. Dzięki wsparciu gigantów technologicznych i instytucji badawczych, powstają coraz to nowsze firmy, które wykorzystują generatywną sztuczną inteligencję do wdrażania innowacji i rozwoju. 
Sztuczna inteligencja automatyzuje branże takie jak produkcja i obsługa klienta poprzez zwiększenie wydajności i obniżenie kosztów. Może również rozwijać hiperpersonalizację w marketingu, dostosowując doświadczenia do indywidualnych preferencji odbiorców.
W opiece zdrowotnej może być też wykorzystywana do poprawy diagnostyki, czy wprowadzenia spersonalizowanych planów leczenia oraz do odkrywania nowych leków, które mogą poprawić rokowania pacjentów. Z kolei spersonalizowane systemy nauczania oraz adaptacyjne systemy korepetycji oparte na sztucznej inteligencji przynoszą korzyści w edukacji, zmieniając sposób nauczania uczniów.
Generatywna sztuczna inteligencja odegra kluczową rolę w zrównoważonym rozwoju, optymalizując systemy energetyczne, rolnictwo i planowanie urbanistyczne. Dodatkowo, może wspierać ludzką kreatywność w sztuce, czy muzyce. Do zapewnienia bezproblemowej integracji AI ze społeczeństwem niezbędna będzie również współpraca między rządami, branżami i naukowcami.
TUATARA stale monitoruje wszystkie trendy i prognozy w dziedzinie sztucznej inteligencji, aby zdobyć wiedzę, którą może wykorzystać przy tworzeniu swoich rozwiązań i usług. Jeśli chcesz dowiedzieć się więcej o naszym podejściu do generatywnej sztucznej inteligencji, skontaktuj się z nami.
