Hogyan NE használjuk az AI-t

A generatív AI az egyik legizgalmasabb technológiai eszköz napjainkban, de nem minden problémára jelent megfelelő megoldást. Sok csapat azért fordul hozzá, mert korszerűnek és innovatívnak tűnik, miközben nem mindig ez a leghatékonyabb választás. Ez a cikk nem az AI kritikája, hanem egy útmutató ahhoz, hogy felismerjük, mikor érdemes valóban használni.

Elsőnek: mi is a generatív AI?

A generatív AI olyan modellek családja, amely olyan eszközök alapját képezi, mint a ChatGPT, a Claude vagy a Gemini. Működésének lényege, hogy egy megadott bemenet alapján megjósolja a legvalószínűbb következő elemeket, legyen szó szövegről, kódról vagy más tartalomról. A modellek betanítása során hatalmas mennyiségű emberi szöveget, gondolkodási mintát, programkódot és specifikus szakterületekről szerzett tudást dolgoznak fel. Ennek eredményeként képesek szöveget írni, összefoglalni, osztályozni, fordítani, magyarázni és új tartalmakat létrehozni. Gyakran olyan minőségben is, amely első pillantásra alig különböztethető meg az ember által készített munkától.

De itt van az a kulcs különbség, amelyet a legtöbb AI-bevezetési döntés figyelmen kívül hagy: a generatív AI valószínűségi alapú következtető, nem determinisztikus számológép. Nem a helyes választ számítja ki, hanem a legvalószínűbb választ adja.

Sok feladatnál pontosan erre van szükség. Másoknál viszont pontosan ezt nem engedheted meg magadnak.

Az alapkérdés, amelyet minden AI-projekt előtt fel kell tenni:

Ez a feladat megbízható, ellenőrizhető, szabályalapú kimenetet igényel, vagy összetett, változó bemenet rugalmas értelmezését?

A válasz szinte mindent elárul.

Ahol az AI valóban kiemelkedik

Mielőtt a visszaélésekről beszélnénk, érdemes konkrétan meghatározni, hogy az AI hol teremt valódi értéket.

Következetes minta: az AI akkor ragyog, ha a logika túl összetett vagy változékony ahhoz, hogy szabályokba lehessen önteni, és a pontatlanság tűréshatára érdemi.

Az ideális terep: Olyan feladatok, amelyekre egy tapasztalt szakértő azt mondaná: „attól függ”. A feltételek annyira sokrétűek vagy kontextustól függőek, hogy nem lehet őket folyamatábrán rögzíteni.

Összetett következtetés a strukturálatlan bemenetből

Ha egy ügyfél hosszú, nehezen követhető panaszos e-mailt ír, amelyből azonosítani kell az érintett terméket, a hangvételt, a sürgősség mértékét és a megfelelően illetékes csapatot az már valóban összetett osztályozási feladat. Egy hagyományos, szabályalapú rendszerhez akár több ezer feltételt és kivételt kellene definiálni. A generatív AI ezzel szemben gyakran egyetlen lépésben képes elvégezni ezt az elemzést.

Első vázlatok készítése kontextuális árnyalatokkal

Egy ajánlat, álláshirdetés, projektterv vagy értekezlet-összefoglaló megírása azonban nem pusztán szövegírási feladat. A megfelelő hangnem, a célközönség figyelembevétele, a hangsúlyok kijelölése és a megfelelő struktúra kialakítása olyan ítélőképességet igényel, amelyet nem lehet egyszerű sablonokra redukálni. Az AI ugyanakkor mindegyik esetben képes egy használható első vázlat elkészítésére.

Szintézis sok dokumentumból

• Egy ügyvéd, aki 200 szerződést vizsgál át nem szabványos kikötések után kutatva.
• Egy termékmenedzser, aki 500 támogatási jegyet olvas át témacsoportok azonosítása céljából.
• Egy elemző, aki 30 vállalat negyedéves eredmény beszélgetéseit foglalja össze.

Ezek olyan feladatok, ahol az emberi felülvizsgálat lassú és drága. Az AI elvégzi a szintézist, az ember pedig érvényesíti a kimenetet.

Az AI akkor a leghasznosabb, amikor rendezetlen információból kell használható eredményt előállítani. Ha viszont a feladat strukturált adatok pontos feldolgozását igényli, általában a hagyományos szoftveres megoldások a jobb választások.

A csapdák: feladatok, ahol az AI rossz eszköz

Az alábbiakban olyan AI-projekt kategóriák szerepelnek, ahol az ambíció gyakran találkozik a valósággal és kiderül, hogy egy egyszerűbb, determinisztikusabb megközelítés végül jobb döntés lett volna.

1. Felhasználási eset: Szerződéses díjak kinyerése

Kockázat: Magas kockázatú visszaélés

Feladat: Pontos számadatok kinyerése jogi szerződésekből

A tipikus érv: „10 000 szerződésünk van. Hadd nyerje ki az AI a díjakat, kötbéreket és fizetési feltételeket.”

A probléma az, hogy a szerződéseket természetes nyelven írják, rengeteg változattal. Például: „a fennálló tőke évi 1,5%-ának megfelelő összeg, havonta kamatos kamattal, ÁFA nélkül” nem ugyanaz, mint „havi 1,5%-os díj.” Az AI kinyeri a számot. De lehet, hogy nem a helyes értelmezést nyeri ki. Pénzügyi vagy jogi kontextusban ennek a kétértelműségnek valós következményei vannak. Egy ügyvéd és egy mérnök által készített determinisztikus elemző ellenőrizhető, tesztelhető és tervezésből adódóan helyes.

AI-megközelítés

A modell elolvassa a szerződést, és kimenetként ezt adja: „díj: 1,5%”.

• Bizalom: magas.
• Helyesség: bizonytalan.
• Ellenőrizhetőség: nulla.

Jobb megközelítés

Strukturált kinyerés meghatározott mezőkkel, érvényesítési szabályokkal és emberi felülvizsgálati lépéssel a határesetekhez. Unalmas, megbízható, ellenőrizhető.

2. Felhasználási eset: Pénzügyi és számlázási számítások

Kockázat: Magas kockázatú visszaélés

Feladat: AI használata végösszegek kiszámítására, kedvezmények alkalmazására vagy számlák egyeztetésére

Megjegyzés: Ha egy pénzügyi csapat AI-t kér fel számlák feldolgozására, tételek ellenőrzésére, ÁFA alkalmazására, korai fizetési kedvezmények kezelésére és eltérések jelzésére, egy nyelvi modellt kérnek fel aritmetikai műveletek elvégzésére. A nyelvi modellek képesek aritmetikára. De tévedhetnek is, szinte láthatatlan módon.

A számlafeldolgozás helyes eszköze a determinisztikus függvény: bemenet érkezik, számítás történik, kimenet keletkezik, minden alkalommal ugyanúgy. Egy táblázatkezelő képlet megbízhatóbb itt, mint a ma elérhető legelőrehaladottabb AI-modellek. Az AI pénzügyi számításokra való alkalmazása bizonytalanságot visz egy olyan területre, ahol a pontosság alapkövetelmény.

Javaslat: A számításokat bízza determinisztikus (szabályalapú) rendszerekre! Erre ajánlottak a dedikált szoftverek.

3. Felhasználási eset: Adatérvényesítés és ETL-folyamatok

Kockázat: Architekturális visszaélés

Feladat: Az adatellenőrzési szabályok kiváltása AI-alapú következtetéssel

Az ETL (Extract, Transform, Load) folyamatok az adat infrastruktúra csőrendszerei. Arra valók, hogy az adatokat megbízhatóan mozgassák egyik helyről a másikra, meghatározott átalakításokat és minőségi ellenőrzéseket alkalmazva közben.

Amikor csapatok AI-t használnak adatok ellenőrzésére vagy transzformációk kikövetkeztetésére, egy bizonytalan, valószínűségi modellt tesznek egy olyan helyre, ahol valójában egy egyértelmű, determinisztikus szabályrendszerre lenne szükség.

Ha a szabály az, hogy: „egy érvényes brit irányítószámnak meg kell felelnie ennek a reguláris kifejezésnek, és a körzetnek szerepelnie kell ebben a keresési táblában”, akkor írd meg azt a szabályt.

Egy AI-modell, amely következtet arra, hogy egy irányítószám érvényesnek tűnik-e, késleltetést, költséget és kiszámíthatatlanságot visz egy olyan folyamatba, amelynek gyorsnak, olcsónak és mindig helyesnek kell lennie.

Javaslat: Használj AI-t a folyamat előtt az adatok tisztítására és osztályozására, de ne a folyamatban magában.

4. Felhasználási eset: Űrlapfeldolgozás meghatározott sémákkal

Kockázat: Túlbonyolított megoldás

Feladat: AI-alapú űrlapfeldolgozás, amikor strukturált bemenet már létezik.

Ha a felhasználók meghatározott mezőkkel rendelkező űrlapot töltenek ki, például: név, dátum, összeg, kategória, és ezután AI-t használsz annak „megértésére”, amit beírtak, komplexitást adtál hozzá érték nélkül. Egy strukturált mezőkkel rendelkező űrlap már önmagában “szerződés”. Kezeld annak megfelelően.

Az AI akkor ad valódi értéket, ha a bemenet szabad szöveges mező vagy séma nélküli feltöltött dokumentum, ahol az emberek ugyanazt a szándékot tucatnyi különböző módon fejezik ki.

Javaslat: Ha a bemenet már strukturált, tiszteld azt a struktúrát. Építs determinisztikus függvényeket. Azok gyorsabbak, olcsóbbak, tesztelhetőbbek, és nem hallucinálnak.

A döntési keretrendszer

Mielőtt megrendelnél egy AI-funkciót vagy -projektet, tedd fel ezt a négy kérdést:

• Meg tudna-e írni egy junior fejlesztő minden esetre, egy-egy explicit szabályt? Ha igen, írd meg a szabályokat. Az AI felesleges.
• Pénzügyi vagy jogi területen használják-e a kimenetet? Ha igen, minden hibának ára van. Az AI-nak ellenőrző rétegre van szüksége, és ha az elég alapos, érdemes megkérdezni, hogy az AI egyáltalán ad-e hozzá valamit.
• Van-e már meghatározott sémája a bemenetnek? A strukturált adatokat determinisztikus kóddal kell feldolgozni. Az AI strukturálatlan bemenetre való.
• Szükséges-e a 100%-os pontosság? Van lehetőség hibatűrésre vagy utólagos korrekcióra? Ha nem, akkor ebben az esetben az AI nem megfelelő eszköz. Azonban ha a magas pontosság elvárás, de a folyamat része az emberi felülvizsgálat és jóváhagyás, akkor az AI jól használható első lépésként vagy előfeldolgozó rétegként.

A rosszul használt AI valódi költsége

Egy rosszul alkalmazott AI-projekt hibája ritkán látványos összeomlás. Sokkal inkább a bizalom lassú eróziójaként jelentkezik. A modell például a díjak 97%-át helyesen nyeri ki, miközben a maradék 3% hibája hónapokon át észrevétlenül átcsúszik szerződésekbe vagy fizetési folyamatokba. A számlafeldolgozó rendszer látszólag megfelelően működik. Egészen addig, amíg egy rosszul alkalmazott kedvezmény egy nagy értékű ügyfél esetében nem okoz komoly veszteséget. Az ETL-folyamat „nagyjából helyes” validációja is működőképesnek tűnik, egészen addig, amíg egy hibás adatkészlet be nem jut az éles rendszerbe.

A determinisztikus rendszerekben a hibák reprodukálhatók és javíthatók. A valószínűségi rendszerekben a hibák statisztikai jellegűek, egy bizonyos arányban fordulnak elő, nem egyetlen pillanatban. Ez a különbség rendkívül nagy jelentőséggel bír, ha a kimenetnek üzleti következményei vannak.

A legnehezebb kérdés: Ha ez az AI-funkció az esetek 2%-ában téves választ ad, mekkora ennek a 2%-nak a költsége? Ha a válasz az, hogy „nem tudnánk, amíg már késő”, gondold újra az architektúrát.

Összefoglalás

A generatív AI nem univerzális fejlesztés minden munkafolyamatra, amelyhez hozzáér. Egy specifikus probléma osztályra való hatékony eszköz: rendezetlen, változékony, emberi nyelvű bemenet, amelyet értelmezni, összefoglalni vagy kontextuális árnyalattal generálni kell.

Minden egyébre, mint a számítás, érvényesítés, strukturált elemzés vagy szabályalapú irányítás, a determinisztikus függvény, amelyet öt évvel ezelőtt írtál volna, még mindig a helyes válasz.

A leghasznosabb készség, amelyet egy menedzser fejleszthet a jelenlegi pillanatban, nem az AI használatának ismerete. Hanem az, hogy mikor ne használja.

Kérdésed van? Írj nekünk és mi segítünk abban, hogy megalapozabb döntést tudj hozni egy ilyen helyezetben is!