Relevance před měřítkem: Budování AI, která přežije kontakt s realitou

Proč jsou menší, úkolově specifické modely nezbytné pro AI v terénu

Týmy nyní dokážou přejít od AI výzvy k prototypu rychleji než kdykoliv předtím. Tyto prototypy se však často rozpadnou ve skutečných pracovních postupech, jako jsou terénní služby, výroba nebo správa zařízení, kde jsou nejdůležitější přesnost, konzistence a odpovědnost. Problém spočívá v tom, že zatímco AI vám může vždy poskytnout odpověď, co skutečně potřebujete, je správná odpověď ve správném kontextu pokaždé.

Právě zde většina velkých jazykových modelů (LLM) ztrácí svou hodnotu. U LLM stačí položit stejnou otázku různými způsoby a získáte naprosto odlišné výstupy. Je to důsledek toho, že mnoho LLM se zaměřuje na šíři, nikoli na specializovanou hloubku. A zatímco flexibilita může být užitečná při kreativní práci, tato šíře znalostí může být pro každého, kdo hledá přesnost, zátěží.

Provozní prostředí vyžaduje konzistenci. Aktiva jsou známá, postupy jsou zdokumentovány a bezpečnostní protokoly a regulační požadavky určují přijatelné parametry. Jakákoli variabilita výstupu založená na obecných internetových znalostech může problém zhoršit. Například při opravě klimatizačních systémů technici potřebují výstupy založené na konkrétním zařízení – jeho servisní historii a známých vzorcích poruch.

Představte si technika, který reaguje na selhání zařízení pod časovým tlakem. Pokud systém poskytuje nejednotné odpovědi v závislosti na formulaci otázky nebo nedokáže propojit svá doporučení s důvěryhodnými daty, vzniká okamžitě velký problém. Doba odezvy je důležitá pro zákazníky i pro úspěch podniku.

Posun od měřítka k relevantnosti

Současný posun směřuje od obecné AI k relevantní AI. Místo toho, aby se AI požadovalo dělat vše, více organizací omezuje její roli na konkrétní, opakovatelné úkoly. Menší, úkolově specifické modely a úzce vymezené AI systémy získávají na popularitě, protože mohou být zakotveny v živých provozních datech, omezeny obchodními pravidly a přímo začleněny do stávajících pracovních postupů.

Menší modely se ukázaly být lepší v:

• Řešení problémů: Menší modely dokážou proměnit vysoce nuancované vstupy, jako jsou příručky, předchozí zkušenosti a neformální sdílení znalostí, na destilace znalostí, což umožňuje méně zkušeným členům týmu učit se rychleji a jednat s větší jistotou. Malé AI modely mohou toto doplnit začleněním konkrétně relevantních historických zakázek, opravárenských protokolů a vzorců selhání, aby navrhovaly pravděpodobné další kroky. To snižuje čas strávený hledáním napříč systémy.
• Předání práce: Neúplná nebo nekonzistentní dokumentace může učinit předání mezi směnami nebo týmy nebezpečným. Úkolově specifické modely trénované na servisních datech však mohou shrnout, co bylo provedeno, jaké součásti byly vyměněny a co zůstává otevřené. To může dalšímu technikovi umožnit začít s jasným přehledem místo toho, aby vše skládal dohromady.
• Shoda s předpisy a bezpečnost: V regulovaných prostředích může vynechání kroku představovat skutečné riziko. Úkolově specifické malé jazykové modely mohou vést standardizované inspekční pracovní postupy, potvrzovat požadované kroky a v reálném čase identifikovat nebo označovat nesrovnalosti.

Tyto menší modely lze trénovat a omezovat na základě známých dat, schválených pracovních postupů a definovaných akcí. Místo toho, aby fungovaly jako samostatný nástroj, jsou součástí existujících systémů, kde mohou získávat živá data, aktualizovat záznamy a navrhovat další kroky.  

Budování AI, které operativní týmy mohou důvěřovat

Aby AI uspěla v prostředí terénních služeb a výroby, musí být zakotvena v realitě toho, jak se práce provádí: propojené systémy, strukturovaná provozní data a pracovní postupy, kterým týmy již důvěřují. A musí být důvěryhodná.

Důvěra začíná na základě konzistentních, strukturovaných dat, aby modely interpretovaly aktiva, zakázky a metriky vždy stejným způsobem. Výstupy také potřebují ohraničení a řízení, aby pokyny zůstávaly v rámci schválených pracovních postupů, ověřených zdrojů dat a nevyzývaly pracovníky k jednání mimo jejich roli či dovednosti. Pokud nelze doporučení zpětně navázat na známá data, AI by jej neměla navrhovat.

AI také musí být integrována – vložena do systémů, které týmy již používají při rozhodování; jinak bude méně užitečná nebo bude ignorována. Lidský dohled zůstává nezbytný. Cílem není, a nikdy by neměl být, nahradit operátory – jde o spolupráci s nimi. To znamená, že lidé by vždy měli schvalovat kritické akce, přepisovat doporučení, provádět kritické úkony a eskalovat, když se něco vymyká očekávaným vzorcům.

Důvěra v AI se vytváří stejným způsobem jako u jakéhokoli provozního systému: konzistentním výkonem a sladěním s tím, jak se práce provádí. Vždy můžete od AI získat odpověď, ale skutečně záleží na tom, aby byla spolehlivě správná a konzistentní. Provozní prostředí, kde AI může přinést největší hodnotu, jsou také ta, kde může být jen minimální nebo žádná nejednoznačnost.

Účinnost AI správné velikosti

Existuje také praktická výhoda menších modelů. Jsou lehčí, rychlejší a snáze se spravují. Také vyžadují méně výpočetních zdrojů, generují výsledky s nižší latencí a mohou být aktualizovány, když se procesy mění. 

A je možné spojit oba přístupy k AI. Některé společnosti používají větší, obecnější modely k zachycení širokých vzorců a uvažování, a poté tuto znalost destilují do menších modelů laděných pro konkrétní úkoly.

Úspory jsou nejzřetelnější u procesů s vysokým objemem, jako je správa zakázek nebo monitorování výroby, kde lze zlepšení výkonu měřit v provozních ukazatelích, například rychlejšími časy řešení a sníženým prostojem.

Předefinování úspěchu

Důvěra je jádrem další fáze AI. Systémy uspějí, když fungují v reálných podmínkách, a ne podle toho, jak chytré vypadají jako prototyp. AI je nejefektivnější, když dokáže konkrétně učinit procesy bezpečnějšími, snížit předání práce nebo učinit odpovědnost jasnější. AI je spolehlivá, když je konzistentní. Nekontrolované rozšiřování inteligence jen pro její rozšíření nepřináší žádnou provozní výhodu. Systém navržený tak, aby na něj bylo možné spoléhat v terénu, kdy a jak jej potřebujete, je klíčem k skutečnému pokroku.