Speaker A
Cześć. Cieszę się, że znowu się widzimy. Na ostatniej lekcji zbudowaliśmy nasz system i mówiliśmy o tym, dlaczego bez strategii wdrożenie sztucznej inteligencji przypomina wsadzanie przypadkowej osoby do wielkiej koparki.
Omówienie roli myślenia analitycznego w erze AI i jak sztuczna inteligencja wspiera analizę danych w biznesie.
Key Takeaways
- Myślenie analityczne jest niezbędne, aby skutecznie korzystać z AI i nie ufać ślepo jej wynikom.
- AI znacząco usprawnia procesy związane z danymi, ale nie zastępuje ludzkiego osądu.
- Różne typy danych wymagają odpowiedniego podejścia i kategoryzacji przed analizą.
- Automatyzacja i uczenie maszynowe pozwalają na prognozowanie i szybkie reagowanie na zmiany rynkowe.
- Analityk dzięki AI może skupić się na strategicznym wykorzystaniu danych, a nie na żmudnej obróbce.
Summary
- Wprowadzenie do myślenia analitycznego jako kluczowej kompetencji w dobie sztucznej inteligencji.
- Omówienie paradoksu łatwości uzyskiwania odpowiedzi przez AI i ryzyka osłabienia krytycznego myślenia.
- Przykłady wyzwań AI: halucynacje, stronniczość, brak zdrowego rozsądku i etyki.
- Znaczenie ludzkiego osądu jako najważniejszego elementu procesu decyzyjnego z AI.
- Podział danych na ilościowe i jakościowe oraz ustrukturyzowane i nieustrukturyzowane.
- Proces pracy z danymi wspierany przez AI: zbieranie, czyszczenie, imputacja, deduplikacja.
- Zastosowanie uczenia maszynowego do prognozowania i analizy sentymentu w czasie rzeczywistym.
- Automatyzacja raportowania i podejmowania decyzji dzięki naturalnemu językowi i interaktywnym dashboardom.
- Przemiana analityka z rzemieślnika danych w strategicznego decydenta dzięki AI.
- Podkreślenie konieczności ciągłej weryfikacji i krytycznego podejścia do wyników generowanych przez AI.
Full Transcript — Download SRT & Markdown
Speaker A
Mam nadzieję, że pamiętacie. Dzisiaj idziemy o krok dalej i wchodzimy na poligon. Brzmi serio. Będziemy rozmawiać o myśleniu analitycznym i o tym, że AI może nam pomóc w wyciskaniu z danych prawdziwej wartości. Zacznijmy jednak od fundamentów, bo w SJAI łatwość
Speaker A
uzyskiwania odpowiedzi potrafi uśpić naszą czujność. Żyjemy w czasach, w których AI może przetwarzać informacje i generować odpowiedzi z niewiarygodną prędkością. Ta wygoda rodzi jednak ogromny paradoks. Im narzędzia stają się potężniejsze i łatwiejsze w obsłudze, tym większe jest ryzyko, że osłabią one
Speaker A
nasze zdolności do krytycznego myślenia. Zaczynamy traktować sztuczną inteligencję jak wyrocznie, akceptując to, co wypluje model jako prawdę objawioną. Tymczasem AI, choć genialna, nie jest idealna. Musimy być bezwzględnie czujni, ponieważ jest kilka poważnych wyzwań z AI. Na przykład AI
Speaker A
potrafi halucynować. Modele potrafią z pełnym przekonaniem przedstawiać fałszywe informacje jako prawdziwe. Świetnym przykładem ze świata, poza tutaj naszymi źródłami, jest głośna sprawa prawnika z Nowego Jorku, który używał czata do przygotowania pisma procesowego, a system całkowicie zmyślił wyroki i precedensy, co skończyło się
Speaker A
dla prawnika gigantyczną karą. AI bywa też stronnicza, uczy się na danych. A te są pełne po prostu ludzkich uprzedzeń.
Speaker A
Jeśli system do rekrutacji był na przykład trenowany na danych historycznych firmy, w których kierownikami byli głównie mężczyźni, no to AI zacznie naturalnie faworyzować męskie CV.
Speaker A
Z kolei AI także nie ogarnia niuansów często i etyki. Ma ewidentne luki w rozumowaniu. Brakuje jej zdrowego rozsądku i nie potrafi często odróżniać dobra od zła w ludzkim tego słowa znaczeniu. Dlatego właśnie analityczne myślenie, czyli zdolność do rozkładania
Speaker A
problemu na czynniki pierwsze, weryfikacji i zadawania trudnych pytań, staje się dzisiaj kompetencją krytyczną. Nie możemy zlecić naszego myślenia maszynom. To wy jesteście mózgiem operacji, a wasz ludzki osąd to najważniejsze wąskie gardło w całym tym naszym procesie decyzyjnym. Okej, skoro
Speaker A
nie możemy wyłączyć mózgu i ślepo ufać maszynie, musimy wiedzieć, na czym ta maszyna ma pracować. W dzisiejszym biznesie kapitał intelektualny to przede wszystkim ludzie, procesy i dane. A dane to nie jest jeden wielki homogeniczny worek. Żeby je analizować, musimy je
Speaker A
kategoryzować. Na przykład wyróżniamy różne rodzaje danych, a w nich na przykład dane ilościowe i jakościowe.
Speaker A
Ilościowe to twarde liczby, z którymi się nie dyskutuje. Przychody, współczynniki odrzuceń, liczba transakcji. A jakościowe opisują emocje i cechy. To na przykład recenzje produktów, opinie w ankietach czy komentarze pod postami. Mamy też inny rodzaj, na przykład dane ustrukturyzowane i nieustrukturyzowane.
Speaker A
Ustrukturyzowane to idealny porządek w relacyjnych bazach danych czy arkuszach Excela. Z kolei nieustrukturyzowane to totalny chaos. Ściany tekstu w emailach, nagrania z call center, obrazy i wideo.
Speaker A
Te zbiory zawsze będziemy gromadzić w jednym ze źródeł wewnętrznych, na przykład systemy ERP, CRM, analityka webowa i tak dalej. I tutaj podstawowa zasada analityka jest taka: zawsze oceniajmy wiarygodność źródła, zanim wydamy jakikolwiek osąd na ich podstawie albo jakąkolwiek złotówkę.
Speaker A
Skoro już wiemy, że mamy różne rodzaje tych danych, to musimy też wiedzieć, jak z nimi efektywnie pracować.
Speaker A
Dawniej typowy dzień analityka wyglądał mniej więcej tak, że 80% czasu spędzał na żmudnym kopiowaniu danych, wklejaniu i oczyszczaniu różnego rodzaju tabelek, a zaledwie 20% czasu zostawało na to, co najważniejsze, czyli myślenie i analizowanie tych danych. Dzisiaj te proporcje diametralnie się odwracają.
Speaker A
Sztuczna inteligencja potrafi zdjąć z nas tę rzemieślniczą, nużącą robotę na absolutnie każdym etapie pracy z informacją. Prześledźmy więc to, układając proces w jedną spójną historię życia naszych firmowych danych.
Speaker A
Wszystko zazwyczaj zaczyna się oczywiście od zdobywania surowca. Wyobraźcie sobie, że musicie zebrać dane z rynku. Zapomnijcie o ręcznym przeklikiwaniu i ściąganiu dziesiątek raportów. Sztuczna inteligencja jako wasz asystent po prostu łączy się z zewnętrznymi systemami poprzez na przykład API, zaciągając w czasie
Speaker A
rzeczywistym na przykład różnego rodzaju dane, jak kursy walut czy aktualne stany magazynowe i tak dalej. A co jeśli główny konkurent sprytnie na przykład ukrywa swoje dane i nie chce się z nimi dzielić? Wtedy na przykład AI potrafi wypuścić w sieć tak zwane inteligentne
Speaker A
pająki, wykorzystując techniki typu webscraping, które nieustannie przeczesują sklepy naszej konkurencji bez problemu radząc sobie ze zmieniającymi się szablonami stron i na bieżąco wyciągają dla was każde ceny. Do tego maszyna potrafi czytać ze zrozumieniem. Dzięki przetwarzaniu języka naturalnego NLP w
Speaker A
kilka sekund system pochłonie dziesiątki tysięcy maili ze skrzynki reklamacyjnej i wyciągnie z nich twardy raport o tym, który na przykład element naszego produktu psuje się najczęściej. Teraz, gdy ten gigantyczny strumień danych informacji już do nas wpłynie, trafiamy na etap, który od zawsze był koszmarem
Speaker A
każdego analityka, czyli czyszczenie danych. Surowe dane zawsze są brudne, pełne dziur i pomyłek, ale to, co kiedyś zajmowało dni spędzone nad Excelem, AI załatwia w ułamkach sekund. Algorytm w locie wyłapuje na przykład anomalie, od razu zauważając, że ktoś w formularzu
Speaker A
wpisał wiek 200 lat albo że marża na jednym produkcie nagle spadła przez zwykły jakiś czeski błąd w systemie. Co więcej, model potrafi łatać dziury. Jeśli w bazie brakuje wam danych o wieku połowy klientów, AI poprzez tak zwaną imputację nauczy się wzorców i z
Speaker A
ogromną dokładnością uszacuje ten wiek na podstawie tego, co i kiedy ci ludzie wcześniej kupowali. A jeśli jesteście akurat na przykład po fuzji dwóch firm i łączycie bazy danych, algorytm bezbłędnie przeprowadzi deduplikację, domyślając się, że Jan Kowalski z Warszawy i J.R. Kowalski
Speaker A
z tego samego adresu to ten sam człowiek. Koniec z dublowaniem wysyłek marketingowych i irytowaniem klientów. Okej. Mając wreszcie te krystalicznie czyste i uporządkowane paliwo, czyli dane, możemy wjechać z cięższym sprzętem. Klasyczna analityka mogła wam co najwyżej pokazać zgrabny wykres tego, co wydarzyło się wczoraj. Uczenie
Speaker A
maszynowe patrzy w przyszłość. System już nie tylko informuje, że sprzedaż wam spadła, on na bieżąco prognozuje tak zwany churn, czyli odejścia klientów.
Speaker A
Otrzymujecie jasny komunikat. Na przykład ci konkretni klienci z segmentu B2B, którzy nie otworzyli trzech ostatnich maili, mają 85% szans na ucieczkę do konkurencji w przyszłym tygodniu.
Speaker A
AI ma też uszy dookoła głowy. Potrafi prowadzić natychmiastową analizę sentymentu na żywo. Może monitorować tysiące wzmianek w sieci i alarmować zarząd dokładnie w tej sekundzie, gdy emocjonalny wydźwięk komentarzy o nowym produkcie gwałtownie spada, pozwalając zdusić kryzys w zarodku. No i na samym końcu tej
Speaker A
układanki zostaje nam przedstawienie wyników i podjęcie akcji. Tutaj też zapominamy o ręcznym dziubaniu wykresów kołowych. Po prostu rzucacie do systemu komendę w języku naturalnym. Wygeneruj mi raport ze spadkami sprzedaży w ujęciu tygodniowym dla grupy 18-24 lata i opisz
Speaker A
główne wnioski. Narzędzie poda nam gotowy interaktywny dashboard i zwięźle podsumuje po polsku, co się stało. Co najlepsze, te wnioski potrafią być od razu wdrażane w życie.
Speaker A
Jeśli na przykład odpalacie testy A/B, to AI kieruje ruchem z reklam w czasie rzeczywistym. Maszyna w sekundę po sekundzie przerzuca budżet na tę wersję strony docelowej, która w danej chwili konwertuje najlepiej, odcinając zasilanie słabszym wariantom. I w ten
Speaker A
właśnie sposób analityk przestaje być rzemieślnikiem od tabelek, a staje się prawdziwym strategiem. Okej. System przemielił dane, odrzucił błędy, wyrzucił genialny raport. AI zrobiło swoje, ale czy to oznacza, że wasz...
Speaker A
Same liczby nie podejmują ostatecznych decyzji. I tu na scenę wkracza myślenie analityczne. Czym ono jest? To umiejętność bezlitosnego rozłożenia problemu na czynniki pierwsze, ciągłe zadawanie niewygodnych pytań i wyciąganie logicznych wniosków w oparciu o zdrowy rozsądek, którego maszynie brakuje. Najważniejsza zasada, którą
Speaker A
analitycy mają wytatuowaną z tyłu głowy. Korelacja to nie jest związek przyczynowos-skutkowy. Statystyki pokazują twardą korelację na przykład między ilością zjedzonych lodów a liczbą ataków rekinów na plażach.
Speaker A
Czy lody w takim razie przyciągają rekiny? No nie. Oznacza to po prostu, że jest lato, ludzie jedzą lody i częściej się kąpią w oceanie. I to jest właśnie myślenie analityczne, które każe wam zawsze szukać tego ukrytego czynnika w
Speaker A
tym przypadku lata, zamiast zakazywać sprzedaży lodów na na plaży. Zobaczmy to na biznesowym przykładzie.
Speaker A
Właściciel sklepu odzieżowego wdraża AI do optymalizacji zatowarowania. W środku palnego lipca system nagle każe mu zamawiać setki grubych zimowych kurtek.
Speaker A
Dlaczego? No bo algorytm przeanalizował suche dane historyczne, z których wynikało, że popyt na ten asortyment zawsze rósł od sierpnia. Nie wziął jednak pod uwagę w fali gigantycznych upałów, o których trąbiły wszystkie wiadomości. Właściciel włączył jednak myślenie analityczne, zauważył ten
Speaker A
kontekst i wstrzymał zamówienie. Miał rację. Ciepła jesień sprawiła, że sprzedaż kurtek ruszyła dopiero w grudniu. Gdyby ślebo posłuchał algorytmu, zamroziłby gotówkę w magazynie na pół roku. Kontekstny król, a sztuczna inteligencja tego kontekstu nie posiada. nie wie co to
Speaker A
sezonowość czy gorące lato, dopóki jej tego jasno nie zdefiniujemy. Sztuczna inteligencja zautomatyzuje wam powtarzalne procesy i w sekundy przemieli teraby raportów, ale uwaga, nie zbuduje relacji z waszym klientem, nie wyczyta między wierszami rynkowych niuansów i nie zablokuje głupiej decyzji
Speaker A
podyktowanej chwilową anomalią w systemie. Dlatego w Eze AI wasze myślenie powinno na stałe opierać się na dwóch kluczowych trybach. Pierwszy tryb nawigatora. Zawsze kwestionujcie dokładność informacji podawanych przez system. Patrzcie na tę piękną mapę wygenerowaną przez algorytmy, ale bezwzględnie i twardo weryfikujcie ją z
Speaker A
rzeczywistym biznesowym terenem za oknem. I drugi tryb, tryb rzeźbiarza. To wy jako eksperci ustalcie jasne ramy.
Speaker A
Mówcie AI dokładnie co ma robić. Odrzucacie rynkowy szum i korygujecie pracę maszyny, kiedy ta zaczyna błądzić.
Speaker A
Te dwa tryby to absolutne podsumowanie tego, jak powinniście traktować sztuczną inteligencję. To wasza tarcza ochronna przed intelektualnym lenistwem i biznesową katastrofą. Ale tak jak wspomniałem na początku, dzisiaj wchodzimy na poligon. A na poligonie sama teoria nie wygrywa bitew. Wiedzieć,
Speaker A
że trzeba być nawigatorem, a faktycznie zweryfikować błędną mapę w boju to dwie zupełnie różne rzeczy.
Speaker A
Mam jeszcze jedną bardzo ważną zapowiedź tutaj. To o czym dzisiaj rozmawialiśmy, to zaledwie wierzchołek górodowej.
Speaker A
Oczywiście żeby wasz system i ten cały analityczny judgement w ogóle miał szansę zadziałać, musicie doskonale rozumieć skąd te dane brać i jakie technicznie procesować.
Speaker A
Pogłębianie wiedzy analitycznej to dzisiaj nie jest żaden dodatek do CV ani modne hasło. To jest całkowity i bezwzględny fundament prowadzenia jakiegokolwiek biznesu. Bez czystych i dobrze poukładanych danych z takich systemów jak big query wasze AI po prostu nie zadziała i zautomatyzuje wam
Speaker A
chaos. Dziękuję wam bardzo za dzisiaj i do zobaczenia w kolejnych etapach. Cześć.
Topics:myślenie analitycznesztuczna inteligencjaAI w biznesieanaliza danychuczenie maszynowedane ilościowedane jakościoweautomatyzacjaproces decyzyjnyNLP
![Nickelback – If Everyone Cared [Music Video] — Transcript](https://i.ytimg.com/vi/TfmD_YpyeSs/maxresdefault.jpg)
