Trzy mity technologiczne. Pułapki wdrażania nowych technologii oraz AI

Wdrażanie nowych technologii, w tym sztucznej inteligencji, może wydawać się prostą i szybką drogą do usprawnienia działania firmy. Jednak rzeczywistość bywa bardziej skomplikowana, a wokół tego procesu narosło wiele mitów, które mogą prowadzić do poważnych błędów. Czy open source to naprawdę raj dla hakerów? Czy wdrożenie nowego oprogramowania zawsze jest gotowe do działania od razu? I wreszcie – czy implementacja sztucznej inteligencji wymaga czasu? My już znamy odpowiedzi na te pytania i nie zawahamy się przed tym, by Ci je zdradzić.

Panuje przeświadczenie, że open source, czyli oprogramowanie otwarte, bardzo łatwo złamać, ponieważ kod źródłowy jest dostępny dla wszystkich. Rzeczywistość jednak weryfikuje ten mit. Testy penetracyjne pokazują, że włamanie się do aplikacji, której kod źródłowy nie jest dostępny publicznie, wcale nie jest trudniejsze, choć może zajmuje nieco więcej czasu.

Poza tym, jeżeli firma korzysta z oprogramowania open source, traktując je jako bazę, na której buduje własne rozwiązania, musi dbać o aktualizację własnego kodu, by był on kompatybilny z aktualizacjami, jakich dokonano w tym wyjściowym otwartym oprogramowaniu.

Na drugim biegunie mamy podejście zgoła inne do pierwszego mitu. Są pewne organizacje, które podchodzą do wdrażania nowych rozwiązań bez opracowania strategii, traktując nowe technologie jak lek na wszystkie bolączki w firmie. To rodzi szereg zagrożeń. Jak się przed nimi ustrzec? Jakich błędów nie popełniać?

Zacznijmy od tego, że bezpieczeństwo w kontekście systemów IT można rozważać na dwóch płaszczyznach:

Jeżeli mamy na przykład firmy produkcyjne, w których wdrażamy software, to te testy są podzielone na kilka etapów. Wpierw są testy automatyczne – na tym etapie stworzone przez programistę oprogramowanie jest testowane. Po tzw. unit testach przychodzi czas na testy manualne oraz user testy.

W końcu oprogramowanie jest testowane na serwerze firmowym. Takie testy symulacyjne nie wykorzystują danych firmowych, lecz fikcyjne, dzięki czemu ewentualne błędy nie wpływają bezpośrednio na produkcję.

Co więcej, w tych testach mogą brać udział różne grupy użytkowników, w tym również operatorzy, którzy na tym systemie symulacyjnym są szkoleni, a jednocześnie ten system testują.

Po tych wszystkich etapach tworzy się scenariusze testowe dla oprogramowania wykorzystującego już rzeczywiste dane produkcyjne. To pozwala sprawdzić, w jaki sposób oprogramowanie wpływa na obciążenie systemu. Takie testy obciążeniowe w firmach produkcyjnych pomagają przewidzieć stabilność systemu w rzeczywistym środowisku.

Dużym problemem z wdrażaniem nowych technologii w modelu B2B jest zbyt ostrożny i wydłużony proces decyzyjny. Sztuczna inteligencja nie jest tutaj wyjątkiem.

Wiele firm podchodzi do testowania nowych rozwiązań technologicznych w niewłaściwy sposób. Zakłada, że by przekonać się, czy dany software będzie użyteczny, musi zbudować pełną koncepcję, która rozwiąże wszystkie dotychczasowe problemy i przewidzi wszystkie możliwe scenariusze. Prawda jest jednak taka, że o wiele korzystniej byłoby zbudować projekt pilotażowy, który sprawdzi daną hipotezę na stosunkowo małej skali. To już da obraz, w jakim stopniu software te problemy rozwiąże.

To podczas wdrożenia, podczas fazy testowej dostrzec można inne obszary, w których ta technologia mogłaby być pomocna, i inne problemy, które może rozwiązać. To jest zasadnicza różnica w podejściu, dlatego że software bardzo trudno jest zaplanować od początku do końca przed realizacją takiego wdrożenia. Stąd warto podejmować decyzje o wdrożeniu nowego rozwiązania szybciej i poświęcić odpowiedni czas na koncepcję, a następnie zdecydować się na dużo mniejszy projekt pilotażowy, którego zasięg stanowi 5–10% tego docelowego. Taka strategia ułatwia budżetowanie, a jednocześnie pozwala w bezpiecznych warunkach sprawdzić, czy ten proces zakończy się sukcesem.

Jeśli chodzi o wdrożenie AI, jest dużo takich narzędzi, które są w stanie po podłączeniu odpowiednich źródeł danych wykonać całą analitykę za nas.

Natomiast podstawą takiego rozwiązania powinny być dobre i właściwie przygotowane dane. Każda firma musi więc poświęcić dużo czasu na to, żeby się zastanowić, w jaki sposób zbudować bazę danych, która będzie wzorcem dla sztucznej inteligencji, a dzięki temu organizacja zyska rzetelny i niezawodny system.

Wdrażanie systemów bazujących na sztucznej inteligencji stało się pewną modą, czymś atrakcyjnym, co może przyciągnąć klientów, ale bywa, że niczym więcej. Dlatego wpierw należy się zastanowić, czy ta technologia, którą dobraliśmy do rozwiązania naszego problemu, faktycznie ma tutaj zastosowanie i czy inwestowanie w nią jest opłacalne.

Żyjemy w czasach, kiedy pewne problemy możemy rozwiązać przeróżnymi sposobami. Natomiast istotne jest to, czy dobieramy rozwiązanie do problemu, czy problem do rozwiązania. Zdarza się bowiem, że przedsiębiorstwa wdrażają sztuczną inteligencję, a potem dopiero zastanawiają się, jaki problem mogą dzięki niej rozwiązać.

Jeżeli już się faktycznie decydujemy na takie wdrożenie, to najważniejsze zawsze są bazy danych. Jeśli dobierzemy dane w za słabej rozdzielczości, nie zbudujemy odpowiedniej struktury, która nadaje im odpowiedni kontekst, a to całe wdrożenie będzie nieskuteczne.

Nie chodzi o to, by zniechęcać przedsiębiorstwa do rozwiązań opartych o sztuczną inteligencję, lecz by zachęcić je do tego, by robiły to z rozmysłem, by dobrze zastanowiły się, czy to jest dokładnie ta technologia, która rozwiąże konkretny problem, czy ona jest skalowalna dla tego przypadku, czy jest efektywna kosztowo i czy jest aktualna (jeżeli wszystko wskazuje na to, że za parę lat pewne rozwiązania będą wycofywane z rynku, to nie warto w nie inwestować).

Chcesz wdrażać nowe rozwiązania bez porażki? Przygotuj strategię:

Niech te trzy kroki pomogą Ci obalić przedstawione powyżej trzy mity technologiczne!

Jeśli masz pytania dotyczące cyfryzacji przemysłu, skorzystaj ze wsparcia technologicznego explitia.