Umiejętności Jutra: AI 3.0 – Webinar na żywo – Tydzień 4. — Transcript

Webinar Umiejętności Jutra AI 3.0 omawia strategiczne wdrożenie AI, egzamin certyfikacyjny oraz praktyczne zastosowania w biznesie.

Key Takeaways

Strategiczne i rozsądne podejście do wdrożenia AI jest kluczowe dla sukcesu organizacji.
Egzamin Google SGH to ważny element certyfikacji uczestników programu Umiejętności Jutra AI.
AI nie jest panaceum – wymaga zrozumienia, odpowiedniego kontekstu i uwzględnienia kosztów.
Szybkie zwycięstwa (quick wins) pomagają efektywnie wdrażać AI w firmach.
Bezpieczeństwo i zgodność z regulacjami to fundamenty odpowiedzialnego korzystania z AI.

Summary

Webinar jest częścią programu Umiejętności Jutra AI, skupiającego się na strategicznym i rozsądnym podejściu do wdrożenia AI.
Przedstawiono szczegóły dotyczące egzaminu końcowego i certyfikatu Google SGH, w tym warunki dostępu, format i zasady zdawania.
Gościem webinaru jest Barbara Sobkowiak, AI team lead w firmie Erbacher The Food Family, która dzieli się swoim doświadczeniem we wdrażaniu AI w organizacji.
Omówiono naturalny cykl entuzjazmu wokół AI, który przechodzi od hype’u do bardziej realistycznego podejścia i zrozumienia technologii.
Podkreślono znaczenie kontekstu biznesowego i bezpieczeństwa przy wdrażaniu AI, zwracając uwagę na koszty i wyzwania organizacyjne.
Dyskutowano o różnych zastosowaniach AI, w tym automatyzacji, wsparciu decyzyjnym i prognozowaniu w firmach.
Poruszono temat minimalnej złożoności AI i szybkich zwycięstw (quick wins) jako praktycznego podejścia do wdrożeń.
Przedstawiono różnice i komplementarność klasycznego uczenia maszynowego oraz generatywnej sztucznej inteligencji.
Omówiono przykłady zastosowań AI w logistyce, marketingu i zarządzaniu przestrzenią magazynową.
Zwrócono uwagę na rosnącą autonomię systemów AI i związane z tym wyzwania oraz konieczność zgodności z regulacjami prawnymi.

Chapters

Full Transcript — Download SRT & Markdown

Speaker A

[muzyka] [muzyka] [muzyka] Hej! [muzyka] [muzyka] [muzyka] [muzyka] [muzyka] [muzyka] [muzyka] [muzyka] [muzyka] [muzyka] [muzyka] [muzyka] [muzyka] [muzyka] [muzyka] [muzyka] [muzyka] [muzyka] [muzyka] [muzyka] [muzyka] [muzyka] Cześć. Witam was wszystkich bardzo serdecznie na trzecim już webinarze Umiejętności Jutra. AI. Jesteśmy w

Speaker A

połowie tygodnia czwartego, w którym skupiamy się na strategicznym, rozsądnym podejściu do wdrożenia AI. Co już dobrze zauważyliście, wiemy, jak intensywne tygodnie nauki za wami.

Speaker A

Pojawiło się wiele narzędzi, wiele propozycji podejść, przykładów zastosowań i to dla różnych branż czy zespołów. Czytam też wasze posty i wiadomości na LinkedInie czy wpisy na Discordzie i widzę, jak wiele u was się dzieje. Ale mam nadzieję, że ten

Speaker A

czwarty tydzień pozwoli wam spojrzeć z góry na to wszystko, czego uczycie się w tym programie i podjąć rozsądną decyzję.

Speaker A

Co z tego, czego was uczymy, jest dla mnie. No i do tego chłodnego spojrzenia na możliwości wykorzystania AI u siebie z perspektywy własnych wyzwań, potencjalnych korzyści, bardzo was zachęcamy i pewnie jeszcze nie raz podczas dzisiejszego spotkania to wybrzmi, czy ze strony mojej, czy

Speaker A

naszych gości. Widzimy też, że wiele osób zaczyna już myśleć o egzaminie i certyfikacie Google SGH. To bardzo cieszy. Coraz częściej pytacie o ten temat w wiadomościach, komentarzach.

Speaker A

Dlatego zanim przejdziemy do zapowiadanej rozmowy z Barbarą Sobkowiak oraz prezentacji Daniela Kaczyńskiego, mam dla was kilka kluczowych informacji organizacyjnych o egzaminie końcowym i spójrzmy na szczegóły. Egzaminy ruszają w poniedziałek 8 czerwca. Zostaną odblokowane na platformie o godzinie 20:00 i będą aktywne przez dwa tygodnie

Speaker A

do 21 czerwca do godziny 23:59. Co ważne, dostęp zostanie odblokowany automatycznie na platformie tym uczestnikom i uczestniczkom, które zrealizują minimum 70% materiałów.

Speaker A

Pamiętajcie, że wliczają się w to 20 kursów obowiązkowych i pięć quizów. Możecie to zrobić w dowolnej konfiguracji, na przykład realizując 18 kursów bez quizów lub 15 kursów i trzy quizy. To już zależy od was. A co jeśli skończycie kursy w trakcie trwania

Speaker A

egzaminu? Tutaj też bez obaw. Jeśli osiągniecie wymagany próg po 8 czerwca, egzamin również zostanie dla was odblokowany. Będzie jednak nadal dostępny wyłącznie do 21 czerwca.

Speaker A

Pamiętajcie też, że swój progres możecie sprawdzać na platformie w prawym górnym rogu strony głównej. No to dobrze.

Speaker A

Skupmy się teraz na tym, jak będzie wyglądał już ten egzamin. To po prostu test jednokrotnego wyboru składający się z 50 pytań. A na rozwiązanie całości będziecie mieli aż 60 minut. Co ważne, próg zaliczenia to 75% poprawnych odpowiedzi. A ile macie tych

Speaker A

prób? To aż pięć podejść. Jeśli nie uda wam się osiągnąć minimalnego wyniku, kolejna próba odblokowuje się następnego dnia po północy. Pytania są losowane z większej puli pytań. Warto mieć to na uwadze. W związku z tym zestaw pytań w

Speaker A

każdym z tych pięciu podejść oraz kolejność prawidłowych odpowiedzi będzie się różnić. No a co po zdanym egzaminie?

Speaker A

Certyfikat od Google i SGH pojawi się w ciągu powiedzmy kilkunastu minut, choć będziemy starać się szybciej, na waszym profilu, na platformie w zakładce Moje certyfikaty. No i moi drodzy, to wszystko, jeśli chodzi o te kwestie organizacyjne na dzisiaj. A teraz czas na naszego

Speaker A

pierwszego gościa. Zaczynamy główną część naszego dzisiejszego spotkania. Jest już ze mną Barbara Sobkowiak. Bardzo mi miło, Basiu.

Speaker A

Miło. Jesteś AI team leadem w firmie Erbacher The Food Family. Bardzo miło cię gościć po raz kolejny w Umiejętnościach Jutra.

Speaker A

Miło. Cieszę się, że znowu się widzimy, bo to już trzeci raz. To już trzeci raz. Dokładnie. Czyli już idziemy w kierunku tradycji. Y, natomiast tak jak w trakcie całego programu, bardzo często pokreślamy naszym uczestnikom i uczestniczkom, jak ważny jest kontekst. Więc na sam

Speaker A

początek ogromna prośba właśnie, żebyśmy podzielili się tym kontekstem dla uczestników. Basiu, czym się zajmujesz i jak zaczęła się twoja przygoda ze sztuczną inteligencją?

Speaker A

Tak, no może od tego, czym się zajmuję. Tak jak wspomniałeś, jestem AI team leadem w firmie The Erba Food Family, w firmie, która produkuje paszę dla zwierząt hodowlanych oraz karmę dla psów i kotów, więc raczej kojarzymy ją z

Speaker A

marką Josera niż z tą pełną nazwą. I faktycznie jestem odpowiedzialna za wdrożenie AI w organizacji, za adopcję, za narzędzia, za różnego rodzaju wykorzystanie, ale nie zajmuję się tym AI-em od wczoraj, nie zajmuję się w tej firmie, tylko no i cóż, jest wiele,

Speaker A

wiele lat, zanim w ogóle pojawił się ChatGPT i pojawił się ten wielki entuzjazm na tę technologię. W związku z tym przez wiele lat budowałam różnego rodzaju rozwiązania i korzystając z uczenia maszynowego i korzystając z technologii obecnych genjowych i

Speaker A

zarządzałam zespołami budującymi te rozwiązania w organizacjach lub dla organizacji, bo też byłam po drugiej stronie. Yyy, jak również dbałam, zawsze staram się zadbać o to, żeby yyy ludzie, którzy korzystają z tej technologii, obojętnie której części technologii AI, rozumieli,

Speaker A

umieli z niej skorzystać, wiedzieli dlaczego, wiedzieli jak skorzystać, co możemy osiągnąć dzięki niej, yyy, no i żeby to też było kwestią po prostu było bezpieczne, tak? No bo tutaj jest dużo różnych niebezpieczeństw, więc żeby to było bezpieczne dla nas, dla naszej

Speaker A

organizacji, więc takie całe spektrum. Jasne. Czyli jakby podsumowując na przestrzeni twojego doświadczenia zawodowego obecnych poprzednich stanowisk zajmowałaś się transformacją w obszarze technologii, a teraz mówimy o AI, całych organizacji, tak jakby to jest myślę, że tak zawsze dokładałam ten swój

Speaker A

tutaj dość ważny kawałek, żeby to się udało. Dobra, to już mamy ten kontekst zbudowany. No i teraz przygotowując się do tego spotkania, coś co odróżnia te przygotowania z poprzednich edycji, jak dobrze pamiętam, to pojawił nam się w dyskusji taki temat, który będzie być

Speaker A

może trochę kontrowersyjny. Wrzucimy go na początek jako taką rozgrzewkę. Mianowicie obydwoje mam wrażenie, że chodząc na różne spotkania, spotykając się z ludźmi biznesu, na różne konferencje, mamy takie wrażenie, a przynajmniej ja je mam, że taka niepohamowana euforia wokół AI,

Speaker A

niektórzy określają to hype-m na AI, bez zrozumienia potencjału tak naprawdę tej technologii, zanim zrozumiemy ten potencjał, powoli opada, jakby coraz częściej. E, to nie jest często, ale częściej niż przed drugą edycją tego programu. Można spotkać się z takim głosem, nawet

Speaker A

bardziej sceptycznym do wdrożeń AI w firmach, w zespołach, do konkretnych projektów, procesów i te teksty. No prawdopodobnie zrobiłbym to szybciej sam, bez sztucznej inteligencji.

Speaker A

No i teraz moje pytanie, z czego, twoim zdaniem, bo to jest istotne, mam takie wrażenie w perspektywie właśnie tego czwartego tygodnia, może to wynikać ta zmiana, ten entuzjazm ostudzony nieco? To wynika z tego, że każda technologia, nieważne czy to jest AI czy

Speaker A

jakakolwiek inna, która wchodziła, ma swój naturalny cykl i zawsze naturalnie gdzieś znajduje się na tym szczycie entuzjazmu, potem naturalnie sobie opada i wraca na takie powiedzmy normalne tory. Więc tutaj AI nie jest żadnym wyjątkiem. Te same reguły yyy są wokół

Speaker A

tego, ale myślę, że to też wynika z tego, że po prostu yyy pojawiło się właśnie bardzo dużo mitów wokół AI, wokół tego, co możemy z nim zrobić, do czego służy, yyy co z niego będziemy mieli, yyy i to powoduje potem, że

Speaker A

zderzamy się z tymi mitami, no i mamy rozczarowanie. Mhm. Coś na przykład, o czym myślimy, no często myślimy sobie: "AI jest taniej".

Speaker A

No bo koszt tokena jest bardzo niewielki, koszt nawet jakiegoś konta to jest tam kilkanaście dolarów, zależy która platforma i z czego korzystamy.

Speaker A

Więc myślimy sobie, no nie jest to takie drogie, ale jeśli weźmiemy to w skali firmy, mamy kupić na przykład licencję na 500 osób, na 1000, na 2000, miesięcznie płacić, robi się już sporo.

Speaker A

Jeśli mamy budować jakieś rozwiązania, uczyć modele, no potrzebują infrastruktury, potrzebują ludzi, którzy to umieją zrobić, nie są to małe koszty.

Speaker A

Więc to jest jedna rzecz. Druga rzecz, myślę, że pojawiło się w internecie czy w ogóle społeczeństwie bardzo dużo różnego rodzaju przykładów, gdzie to można wykorzystać i obietnice, że AI nam zrobi wszystko, zaoszczędzi pieniądze, zwiększy zyski, już w ogóle będziemy

Speaker A

mogli po prostu spać na pieniądzach. A tak do końca nie jest, żeby czy zyskać, czy zaoszczędzić pieniądze, no możemy zrobić bardzo dużo różnego rodzaju rzeczy w firmach. Ja jest jednym z rozwiązań, które trzeba też dopasować odpowiednio, a nie na zasadzie, że każde

Speaker A

rozwiązanie będziemy teraz AIem y rozwiązywać. No bo to trochę wygląda jakbyśmy mieli młotek i wszystko dla nas było gwoździem. O i to jest ta analogia, którą mocno zapamiętałem z drugiej [śmiech] edycji programu, do której wracaliśmy.

Speaker A

Dokładnie. Nie każdy problem jest z gwoździem, tym samym wyzwaniem i nie do każdego problemu użyjemy tego samego narzędzia. I to jest coś, co wydaje mi się jest też istotne i staramy się w tym czwartym tygodniu podkreślać w kontekście budowania tego osądu, który

Speaker A

nazwaliśmy powiedzmy w lekcji Przemka Modrzewskiego tym judgementem budowania tej kompetencji, później wprowadzenie matrycy decyzyjnej, do której też będzie odwoływał się w kolejnej części dzisiejszego spotkania Daniel Kaszyński, żeby budować w sobie taki umiejętność, kompetencje rozeznawania tego, co jest dla mnie, jeżeli chodzi o poziom

Speaker A

zaawansowania technologii i gdzie tą technologię wykorzystać. No to mamy te mity, mamy potencjalny sceptycyzm. Natomiast to nie jest tak, że dzisiaj w trakcie tego spotkania my chcemy przestraszyć. Wręcz przeciwnie.

Speaker A

Ja myślę, że warto być tym realistą i i chcemy tak zdroworo rozsądkowo w takim razie przejść do tego to jak można się uchronić przed tym sparzeniem. Tak. I i takie pierwsze pytanie, które ja sobie wypisałem, przez które chciałbym,

Speaker A

żebyśmy przeszli właśnie yyy w tym uchronieniu, w kierunku tego uchronienia się przed tym sparzeniem z AI, to jest y jaki powinien być pierwszy mały krok dla firmy, która chce wdrożyć AI.

Speaker A

Ten pierwszy krok to przede wszystkim znaleźć sobie tak zwane miejsce, gdzie nas coś boli. Czy to jest proces, czy to są jakieś nasze zadania osobiste, czy zadania naszego teamu, które zajmują dużo czasu, czy też może jakieś miejsce w procesie, które zajmuje dużo czasu,

Speaker A

albo które potrzebuje jakiegoś wsparcia decyzyjnego. To pamiętajmy o tym, że AI nie tylko pomaga generować czy automatyzować, ale też dostarcza jakiś na przykład prognoz, które pomagają nam podjąć jakąś decyzję. Więc dobrze jednak sobie znaleźć jakieś takie konkretne faktycznie miejsce, gdzie nas boli w

Speaker A

organizacji, gdzie spędzamy dużo czasu albo tracimy tracimy po prostu tracimy czy pieniądze, czy czas i tam się zastanowić, czy AI jest dobrą dobrą metodą, bo być może nie, być może coś innego, ale jeśli jest i tam zacząć sobie wdrażać i tutaj m też zalecam,

Speaker A

żeby to nie był taki największa bolączka firmy, na którą wiadomo, że trzeba poświęcić na przykład d lata, żeby zbudować wielki system, bo to co możemy najgorszego sobie zrobić to zacząć z tą technologią od budowania jakiś wielkich ogromnych rozwiązań, bo

Speaker A

będzie to bardzo trudny projekt, który po prostu sam w sobie jest trudny. Dwa, my właśnie zbieramy jako organizacja swoje umiejętności, uczymy się tego procesu, uczymy się tej technologii, uczymy naszych ludzi, więc na dużym projekcie ten proces będzie dużo

Speaker A

trudniejszy i dużo dłuższy. Jeśli wybierzemy coś mniejszego, ale nadal znaczącego, będzie nam dużo łatwiej.

Speaker A

Więc nie szukajmy na na początek jakiś ogromnych projektów transformacyjnych albo zmieniających nasz biznes. Raczej weźmy coś, co po prostu jest takim wiszącym jabłkiem. Możemy sobie chwycić i zebrać i już poprawić czy proces, czy czy naszą efektywność i tam sobie to

Speaker A

szukać. I to jest jedna rzecz. Druga rzecz, myślę, żebym jednak zaczynała też od uświadamiania i szkolenia ludzi, bo możemy nawet zapomizować so jakiś tam proces, ale nadal ludzie, w międzyczasie powinna iść pewna adopcja wśród ludzi, świadomość, nie każdy będzie AI

Speaker A

inżynierem. No nie, mamy różne zawody, ale chociażby świadomość co to jest, co to jak można z tego skorzystać, jakie to ma przewagi, jakie to ma jakieś wady, bo też ta technologia ma swoje wady. No i warto w międzyczasie uruchamiać ten proces, bo

Speaker A

jest to po prostu długi proces. No dzisiaj mamy pięciotygodniowe szkolenie, ale wszyscy wiemy, że to nie na tym się kończy. To się dopiero na tym zaczyna tak naprawdę. Dokładnie.

Speaker A

A jest o długi proces, więc dobrze zaczynać ten proces, bo ty to nam się po prostu zwróci w przyszłości, a w międzyczasie zacząć pracować nad jakimś konkretnym przypadkiem, gdzie nam to może pomóc. No taka jest też geneza programu, tak mi się wydaje i też

Speaker A

staramy się to gdzieś przemycić w naszej komunikacji i warto to podkreślać, że umiejętności jutra to jest początek. Tak to dlatego my w jakiś sposób staramy się podkreślać że kształtujemy, pomagamy zdobyć wiedzę osobom, które chcielibyśmy, aby stały się takimi liderami w organizacji, być

Speaker A

może w zakresie nawet tych szkoleń podstawowych. Jaki jest problem? Widzę na Discordzie jak wiele osób tworzy notatki, dzieli się tymi notatkami, żeby po zakończonym programie zaproponować nawet szkolenie dla swojego zespołu w swojej organizacji i dzielić się tą wiedzą jak najszerzej tak naprawdę. Więc

Speaker A

ten komponent ludzki, o którym mówisz i dzielenia się tą wiedzą i szkoleniami jako pierwszy krok, myślę, że jest bardzo bardzo ważny.

Speaker A

A jakbyś miała się powiedzieć w jaki sposób ty lub organizacje, w których pracowałaś ten proces identyfikowania problemów biznesowych byś zaczęła z twojego doświadczenia? Co powinno być właśnie?

Speaker A

Z mojego doświadczenia prz wszystkim trzeba pamiętać o tym, że proces identyfikowania powinien się odbywać z osobami, które pracują przy tych obszarach.

Speaker A

Czyli to nie jest tak, że ja jako AI team lead czy czy jakiś menadżer wejdę sobie do jakiegoś obszaru i to ja teraz zacznę szukać. Nie wiem, czy to w marketingu, czy w logistyce, czy w backoficie, nieważne. To potrzebne są mi

Speaker A

osoby z tego, z tej z tego obszaru, bo to one wiedzą, co tam się dzieje. One znają te bolączki, one wiedzą, z czym się borykają. Ja mogę doradzać, czy to jest dobry przypadek na AI, czy nie, czy może jednak po prostu tradycyjna

Speaker A

automatyzacja, bo tradycyjne jakieś rozwiązania. Więc to jest przede wszystkim rozmowa i to jest zadanie kilku różnych kluczowych pytań. Czy mamy w ogóle dostępne dane na ten temat, z czym tam się borykamy, czy ten proces jest częsty. No bo nie

Speaker A

warto automatyzować czegoś, co robimy 5 minut raz na pół roku albo nawet poświęcamy godzinę, ale raz na rok.

Speaker A

Tylko jednak warto pomyśleć o takich procesach, takich miejscach, gdzie to się po prostu często pojawia.

Speaker A

Czy mamy technologię do tego, żeby użyć na na pokładzie? Nie zawsze musimy kupować ogromne środowiska obliczeniowe.

Speaker A

Często możemy skorzystać z narzędzi SASowych, czyli po prostu tych dostępnych gdzieś na platformach, gdzie wykupujemy dostępy. Oczywiście pamiętając o kwestiach bezpieczeństwa, umów i tak dalej. Y więc dobrze przepytać po prostu ludzi i no z takim partnerem, no jeśli

Speaker A

chcę komuś pomóc, to muszę zrozumieć jego problem, więc tu na rozm tu trzeba po prostu porozmawiać tutaj. No AI tego nie zrobi za mnie, tak? może wesprzeć, może mnie wesprzeć, żeby mi poszukiwania czy zadać jakieś pytania, ale ale to

Speaker A

jest nadal rozmowa i między człowiekiem a człowiekiem, żeby sobie tutaj odpowiedzieć. I dobrze, gdyby faktycznie w tej rozmowie były osoby nie tylko z biznesu, ale osoby, które faktycznie gdzieś o tym AI już wiedzą trochę więcej, żeby wsparły, nie? I też czasami może pohamowały pewne

Speaker A

oczekiwania, że ej, właśnie zrobisz wszystko za mnie, bo to nie o to chodzi, ale właśnie powiedziały gdzie gdzie są te ograniczenia, gdzie są możliwości i przez to właśnie potem mieć jakieś zidentyfikowane miejsca. A mówię, takie osoby bardzo często, bardzo dobrze wiedzą, że ich

Speaker A

zespoły poświęcają najwięcej czasu na takie i takie zadania. Tu się i tu się borykają, więc to jest kwestia po prostu zebrania tego i potem odpowiedzenia sobie, gdzie są priorytety, co możemy zrobić jako organizacja, co jest w ogóle pod AI, a co jest może

Speaker A

pod inne technologie albo jakiekolwiek inne rozwiązania, bo bo nie zawsze chodzi o AI. Nie zawsze chodzi o AI, nie zawsze chodzi o technologię. Czasem wystarczy po prostu zmienić proces i nic więcej.

Speaker A

Więc tutaj bym pewnie to to w taki sposób mniej więcej sobie układała. To co ja w takim razie biorę jakby dla nas z perspektywy tego czego uczymy to ten sam mechanizm działania który podjęliśmy jako my jako na przykład uczestnicy

Speaker A

programu audyt mojej własnej pracy mapowanie procesów ich powtarzalności tej częstotliwości jak często się zdarzają w naszej pracy ile czasu konsumują to myślę że to wszystko możemy teraz przełożyć na zespół i osoby z którymi pracujemy i dokładnie do takiego

Speaker A

samego ćwiczenia zachęcić osoby osoby wokół nas, tak żebyśmy nie zatrzymywali się tylko na poziomie efektywności osobistej czy ewentualnie zespołowej, ale też myśleli o efektności firmowej, bo no my wykonujemy jakieś zadania oczywiście, ale no są pewne procesy w firmie, które

Speaker A

czasami idą automatycznie, ale potrzebują jakiś danych, potrzebują jakieś analityki czy potrzebują jakieś automatyzacji. No i tam możemy też szczyknąć. Więc nie tylko zatrzymujmy się na tym, jak to może mi pomóc być efektywnym, ale jak to może pomóc być

Speaker A

efektywnym firmie, w której pracuję i w procesach, które tam się dzieją. No okej, to mamy teraz jakiś idealny scenariusz i załóżmy, że tak może wyglądać rzeczywistość. Rzeczywiście po tym programie jedna, dwie, trzy osoby pójdą do swojego zespołu, swojego

Speaker A

przełożonego i będą chciały zaproponować wdrożenie jaj u siebie. Mhm. być może zacznie się od przekonania do prostej licencji do narzędzia tylko dla mnie, a być może będzie to jakiś większy projekt związany z jakąś automatyzacją.

Speaker A

No ale wiemy, że z doświadczenia nie zawsze jest tak kolorowo i tak prosto. M czego się w takim razie wystrzegać w tych drożeniach w projektach i jakie są główne bariery, które ty widzisz właśnie czy to jest bariera technologiczna, czy

Speaker A

czy barierą może być na przykład opór wśród osób, z którymi pracujemy, wśród przełożonych. jak to wygląda z twojego doświadczenia i jak temu zaradzić.

Speaker A

Opór jest raczej po tej stronie ludzkiej, bo technologia może sporo y dzisiaj na to co mówiłam, że no jest tak zbadane, że [parsknięcie] technologia rozwija się dużo szybciej niż rozwijają się organizacje y i nieważne jakiego typu jest to organizacja i jak duża. M

Speaker A

więc to raczej po tej stronie ludzkiej i jeśli chcemy kogoś przekonywać do tego, że faktycznie warto tego jaja wdrożyć w organizacji, no to zaczniemy od tego, żeby właśnie znaleźć sobie te use casy.

Speaker A

No bo nie kupujemy tego narzędzia. czy nie budujemy jakichś swoich komponentów po to, żeby je mieć. Myślę, że żaden zarząd tego nie kupi. Mhm.

Speaker A

Nie, jednak robimy to po coś, żeby firma na tym coś zyskała. Albo zyskała w rozumieniu faktycznych pieniędzy, albo zyskała jakieś efektywności ludzkiej, czy wygody, czy czasem niektórzy robią to po prostu dla PR. Nie, nie, nie, nie, nie oszukujmy się. Niektórzy niektóre

Speaker A

niektórych firm to, że są postrzegane jako bardzo takie innowacyjne będzie bardzo, bardzo ważne. Więc musimy znaleźć sobie te use casey yyy dosyć jasno powiedzieć jakie będą benefity z tego, że tam wykorzystamy AI i co z tego zyskamy i też sobie zaplanować po prostu y jak

Speaker A

to zrobimy. czy kupujemy rozwiązanie z rynku, czy może właśnie wystarczy jakaś licencja, bo jest to jakieś rozwiązanie sasowe, czy nie wiem, jakiś zespół zewnętrzny albo wewnętrzny nam to buduje, żeby mieć po prostu też plan, że to nie jest tylko takie o zróbmy tylko jednak

Speaker A

jakiś plan i faktycznie przemyśleliśmy. wiedzieć sobie, mieć na to plan, mieć też plan na to, jak chcemy zadbać o tą adopcję tego narzędzia czy rozwiązania w firmie, bo inaczej jest kiedy kupujemy narzędzie klasy czat, czyli po prostu no wszyscy

Speaker A

mają jakiś dostęp, żeby sobie ułatwić pracę, generować teksty, obrazy, pracować z tam z plikami, a inaczej kiedy kupujemy narzędzie, które ma wesprzeć, nie wiem, jakiś proces logistyczny albo jakiś proces dokumentacji, przepływu dokumentu jakieś to jednak są trochę inne rozmowy niż to,

Speaker A

że kupujemy narzędzie dla całej organizacji, więc musimy też zadbać o to, żeby nasi użytkownicy no zaadaptowali się do niego, nie? Więc do czata kupowanego dla całej firmy inaczej się adaptują ludzie.

Speaker A

mh do jakiegoś rozwiązania, które robi konkretny proces. Yyy też inaczej się ludzie adaptują, no bo jest ich mniej, jest konkretny proces, jest są jakieś punkty, często dostają po prostu wynik, nic nie generują, więc y o tym też pamiętajmy, żeby o to zadbać. No i

Speaker A

ostatnie, czwarte, ale wcale nie najmniej ważne, czyli kwestia bezpieczeństwa. No jednak jedno to jest bezpieczeństwo po prostu technologiczne, drugie AIA, który mamy w Unii. No i musimy być po prostu z nim zgodni, więc dobrze, żebyśmy byli jednak zgodni z

Speaker A

tym. jakie mamy prawo w państwie. I tu byśmy wrócili na pierwszy tydzień programu, gdzie też o tym wspominaliśmy dla przypomnienia, ale to co pojawiło się u ciebie w twojej wypowiedzi też wcześniejsze to były te małe kroki.

Speaker A

Zaczynamy od prostszych rzeczy, tych szybkich zwycięstw, które możemy mieć. My to w jakiś sposób często nazywamy eksperymentowaniem za jaj i taka otwartość na eksperymentowanie.

Speaker A

Śmiejemy się często, że w Googleu kiedyś to akurat Cezary z którym prowadziłem lekcje w pierwszym tygodniu, ma taką swoją ulubioną anegdotę o nagrodzie pingwina, która była wprowadzona w Googleu dla tych osób, które tak jak pingwiny idące w swoim stadzie, w swojej grupie,

Speaker A

zanim wszystkie wskoczą do morza w poszukiwaniu jedzenia, zawsze jestem pierwszy, który wskoczy, żeby sprawdzić, czy jest bezpiecznie, aby reszta mogła też dołączyć. Stąd powstało coś takiego właśnie jak nagroda pingwina. No i teraz taka nagroda pingwina dała mi i Cezaremu

Speaker A

właśnie to przemyślenie, że warto jest nagradzać lub zachęcać do eksperymentowania, ale żeby zachęcić do eksperymentowania trzeba pogodzić się i zgodzić się z tym, że można popełnić błąd. I teraz mamy w programie wielu menadżerów i właścicieli firm po statystykach jest to dość liczna grupa.

Speaker A

Jak zbudować tą kulturę tak naprawdę? Tak, z porażką trzeba się oswoić. W moim zawodzie, czyli obszaru AIowo data scienceowego, to większość rzeczy się nie udaje.

Speaker A

Raczej rzadziej rzadziej się udaje, więc to trzeba się do tego przyzwyczaić. Myślę, że to jest kwestia zmiany mindsetu i to jest bardzo trudna rzecz, bo to trzeba zmienić mindset nie tylko swój, nie swojego zespołu, no ale w organizacji,

Speaker A

bo bardzo często wiem o tym, że menedżerzy po prostu no nie może się nie udać. Musi się udać. E, projekty MLO, AIowe, zawsze mówię, to są projekty wysokiego ryzyka. To jest bardzo duże ryzyko, że się nie uda i to jest

Speaker A

normalne. To jest po prostu wpisane w ten zawód. I tu myślę, że trzeba po prostu zachęcać ludzi do eksperymentowania nawet takiego prostego, że jeśli dajemy ludziom narzędzia typu czat, będę się trzymać tego, bo jest po prostu najprostsze i

Speaker A

najbardziej rozpoznawalne, to niech ludzie się nie boją pisać promptów. Niech napiszą trzy razy złego prompta i w końcu się złapią na tym, że aha, musiałem zrobić to tak i tak.

Speaker A

Niech jeśli ludzie przychodzą z pomysłami, to nie od razu ich, że tak powiem, odsywać z kwitkiem, potocznie mówiąc, tylko wysłuchać i zastanowić się i może spróbować. Poza tym w tej dziedzinie akurat jest bardzo, bardzo popularne robienie tak zwanego POC,

Speaker A

czyli takiego małego, szybkiego pilota czy też małego jakiegoś rozwiązania, któ ma szybko przetestować, czy to o czym myślimy w ogóle działa. I to też często o tym trzeba myśleć, a nie od razu robić wielki projekt na rok czy na całą

Speaker A

skalowalność. I jeśli na przykład myślimy o kupnie nawet jakiegoś narzędzia, to dobrze je kupić na przykład dla pięciu osób.

Speaker A

zobaczyć jaki jest feedback [parsknięcie] rozszerzeń na 20 osób, zobaczyć jaki jest informacja zwrotna, co tam się podoba, co się nie podoba i dopiero iść dalej. Nie od razu musimy kupować licencje na całą organizację.

Speaker A

No i myślę, że dużo łatwiej menadżerom czy czy osobom prowadzącym firmy łatwiej się wycofać z licencji dla pięciu osób niż z licencji dla 500 osób.

Speaker A

Czy jeśli jest mniejsza skala, to nie wiem, dla dwóch versus 100 osób. Tak więc y idźmy tymi sobie małymi krokami iteracyjnie, żeby sobie razę trochę niwelować to ryzyko porażki albo po prostu zaw czasu powiedzieć sobie to się nie udało, nie

Speaker A

inwestowałem odpowiednio dużo czasu no i po prostu mieć starać się budować sobie taki mindset, który jest po angielsku nazywany fast, czyli bardzo szybkiego upadania, bo im szybciej próbujemy, tym no szybciej się dowiemy, czy to działało, czy nie. Zresztą no

Speaker A

Thomas Edison coada to jest anegdota, nigdy nie wiem czy to jest prawda, no powiedział, że 1000 razy próbował wynaleźć żarówkę za 1001 się udało.

Speaker A

Okej. No okej. Nigdy nie wiem czy to jest poprawna liczba, na ile to jest prawda, ale myślę, że no nie wynalazł żarówki za pierwszym razem, kiedy wpadł na pomysł, że oho, to tak to będzie wyglądało, tylko wykonał całą masę prób. No w tej

Speaker A

dziedzinie się tak niestety trzeba robić, inaczej się nie da. Tak, Basiu, to y jakby zbliżając się powoli do końca, ale też w międzyczasie staram się przeglądać czat. Jest z nami prawie 4000 osób. Ja pozdrawiam serdecznie czat.

Speaker A

Przeczytałem, że lekcje Eleven Labs się podobały. Mamy też pytania o egzaminy. Myślę, że w takim razie jeszcze na Discordzie będę do tego wracał i starał się na to odpowiedzieć, żeby nie nie próbować robić tego teraz. Natomiast mamy jeszcze takie właśnie dwa pytania,

Speaker A

które wydaje mi się, że są bardzo istotne. Jedno, które bardzo lubię ze względu na to, że czytam co piszą ludzie, czy co mówią o sobie w trakcie różnych szkoleń i warsztatów, na których jestem wokół sztucznej inteligencji, to jest kwestia wyzwań i przewag we

Speaker A

wdrażaniu AI. małe, średnie firmy versus duże organizacje. To co można zobaczyć, yyy nawet podkreśliłem sobie to zdanie na zielono, żeby pamiętać o tym, że trawa jest zawsze zielona bardziej yyy po drugiej stronie ulicy yyy niż u nas.

Speaker A

Często małe pracownicy, właściciele małych firm mogą narzekać na przykład: "O, nie mamy tak dużych budżetów na wdrożenie AI, zatrudnienie specjalistów, którzy mogą nam postawić całą infrastrukturę związaną z danymi i z procesami. Z drugiej strony duże organizacje mówią, że chciałyby być dużo bardziej zwinne,

Speaker A

tak jak te małe organizacje, które mogą eksperymentować, popełniać błędy, u nas by to nigdy nie przeszło. Troszczymy się o swoją pracę. Yyy, więc z tej perspektywy ja jak ty na to patrzysz i jakbyśmy mogli właśnie wyłapać yyy takie

Speaker A

yyy wyzwania i przewagi między małą, średnią, dużą yyy firmą, żeby też yyy pokazać yyy uczestnikom, którzy reprezentują właśnie małe, średnie, duże firmy, że to jest bardzo różne i w każdej organizacji jest jakieś trudność, wyzwanie, które trzeba dobrze znać,

Speaker A

zmapować i na nie odpowiedzieć. Dokładnie tak. No środnie jest czarno-biały, nigdzie nie jest idealnie.

Speaker A

Ani w małych średnich firmach, ani w dużych firmach. Duże firmy może i mają budżety, ale z kolei ilość procedur, akceptacji, m spotkań z odpowiednimi osobami, żeby móc zacząć coś robić jest ogromna i więc z kolei no w małej firmie

Speaker A

załatwi się to po prostu szybciej. No bo jeśli mamy 200 osób na pokładzie, to nie wiem, będziemy musieli porozmawiać szalam z pięcioma, 10. No dużo organizacji może być, to znacznie większa liczba. Jeśli chodzi o budżety, to też nie jest zawsze tak idealnie, że

Speaker A

duża firma to na pewno ma duży budżet, bo ten duży budżet globalnie jest no rozdzielany po wszystkich obszarach, więc to nie jest zawsze tak, że na pewno tam będzie duży budżet.

Speaker A

To to jest druga sprawa. Czasami nawet paradoksalnie dużo łatwiej właśnie w małej firmie załatwić konto dla dwóch osób, bo kosztuje to nie wiem 40, 50, zależy jaka tam licencja czego, niż powiedzieć sobie dużej organizacji to poproszę licencję na 500 osób.

Speaker A

Mhm. Y, więc to to nie zawsze tak jest. Jeśli chodzi o zatrudnianie oczywiście dużo łatwiej dużym firmom pewnie zatrudnić. Z drugiej strony tam jest dużo większe zarządzanie tym ile mamy etatów. Ale filmie oczywiście to też jest zarządzanie i też no jeden data

Speaker A

scientist czy jeden data czy jeden AI inżynier versus nie wiem 10 20 osób no to może być za dużo ale takie takie firmy mogą się z kolei posiłkować takimi zewnętrznymi czy firmami czy osobami które są wolnymi strzelcami które czasami robią po prostu te

Speaker A

projekty z wolnej ręki i nie nie są powiązane z nikim więc y małe firmy często myślą że w dużych jest lepiej A dużo, że w małych jest lepiej.

Speaker A

Każdy [parsknięcie] ma swoje problemy i w każdych są inne wyzwania po prostu. I uważam, że aktualnie nawet właśnie często małe filmy mogą dużo szybciej wyprzedzić w cudzysłowiu te duże filmy.

Speaker A

Bo są właśnie dużo mniej osób decyzyjnych jest potrzebnych na tym całej ścieżce, dużo mniej skomplikowane procedury, dużo, dużo mniej procesów, dużo mniej skomplikowane, więc dużo łatwiej w ogóle zidentyfikować, gdzie nam będzie to naprawdę potrzebne i przejść tą ścieżkę niż organizacja,

Speaker A

która ma dużo osób, no i teraz tysiące projektów, chęci zrobienia tych projektów musiby mocno wypriorytetyzować, bardzo porozdzielać te budżety odpowiednio, te procedury przejść odpowiednio.

Speaker A

przez różne systemy, bo pamiętajmy, im większa firma, tym zazwyczaj więcej systemów, więc trzeba przejść przez różne audyty po różnych systemach, więc to nie jest to nie jest zawsze tak biało-czarno, że gdzieś jest lepiej, gdzieś jest gorzej. Raczej po prostu

Speaker A

każdy ma inną specyfikę i do niej trzeba się przyzwyczaić, ale no nie, to nie jest tak, że wszędzie taka praca domowa w takim razie nam zostaje. Bez względu na to, jakiej organizacji jesteśmy, mała, średnia, duża, szukamy w takim razie tych naszych

Speaker A

przewag. y na czym możemy działać. Jakbym był menadżerem dużych organizacji, to na przykład w Googleu jest dość fajne, że większość procesów mamy dobrze rozpisanych, zmapowanych, więc wiemy w łatwy sposób możemy przeanalizować nawet z pomocą sztucznej inteligencji gdzie to AI w tych

Speaker A

procesach, w projektach, za które odpowiadamy może nam pomóc. Gdybym był pewnie przedstawicielem małej organizacji, budowałbym na tej zwinności, na tym, że mogę korzystać z różnych rozwiązań, które nie miałyby racji bytu w dużych organizacjach i nie sprawdziłyby się może w tym kontekście

Speaker A

lub ich wprowadzenie kosztowałoby wiele pracy i musiałoby mieć ogromny budżet i 35 000 akceptacji w tej organizacji. Więc szukajmy tych tych małych przewag, które które możemy znaleźć w swoim zespole i firmie.

Speaker A

Ostatnie pytanie. Jestem absolwentem, absolwentką umiejętności jutra. Chcę być ambasadorem transformacji tej zmiany AI w swojej organizacji. Jak skutecznie przedstawić pomysł na wdrożenie AI w swoim zespole, swoim przełożonym, aby uzyskać tą akceptację na eksperyment, wdrożenie AI, a jeżeli trzeba to i

Speaker A

budżet? Jakbyś do tego podeszła? No trochę już o tym mówiłam. Zacznijmy od tego, żeby właśnie tego eja wpasować w to, co nas boli. Czyli nie dlatego, że o to zrobimy dzisiaj a w organizacji, bo wszyscy mówili, to jest najgorsze, co

Speaker A

można sobie zrobić, co można zrobić też organizacji, tylko faktycznie powiedzieli: "Słuchajcie, podam bardzo prosty przykład. Spędzamy na spotkaniach ogromnej ilości czasu. Może byśmy zainwestowali w jakieś narzędzie, które nam przygotuje z transkrypcji, notatki, y, jakieś zadania, kolejne kroki.

Speaker A

Jeszcze roześle maila jeszcze w ogóle pozakłada zadania, jeśli ktoś korzysta z jakichś systemów takich zadaniowych, bo spędzamy na tym, ja nie, może ktoś nawet przyjść powiedzieć, ja spędzam na tym codziennie po każdym spotkaniu 10 minut. Spotkań mam pięć, niech będzie, a

Speaker A

myślę, że ich zajdą się za co więcej. Tak, no to jest 50 minut. Prosta matematyka. Ile czasu może to zaoszczędzić można, więc bardzo trzeba po prostu sobie wybrać te miejsca, powiedzieć jaki jest tego benefit dla nas, dla organizacji

Speaker A

i co właśnie chcemy zrobić. I najlepiej właśnie nie zaczynać od jakiś bardzo wysublimowanych przykładów, od bardzo trudnych przykładów, gdzie często trzeba właśnie robić jakąś inżynierię trudną, tylko od tych prosszych. A jeśli to już mamy w organizacji, bo też domyślam się, że na

Speaker A

przykład mogą być osoby, które już mają jakieś wersje czata czy tego typu narzędzi w organizacji, no to po prostu poszukajmy, gdzie na przykład możemy kupić jakieś narzędzie, czy ktoś nam zbuduje jakieś rozwiązanie, które nam zbuduje jakąś tam przewagę w tym czy tam

Speaker A

odciąży. I myśmy też o tym i pokazujmy zarządowi, że to nie jest inwestycja tylko tu i teraz na odciążenie mnie czy zespołu, ale to jest inwestycja w przyszłość, że jeśli ja dzisiaj nauczę się robić te projekty, nie wiem, kupując

Speaker A

jakieś narzędzie i wdrażając je albo budując po prostu customowe, no to ja przecieram sobie ścieżkę do kolejnych rozwiązań w organizacji, które no będą czy prędzej, czy później gdzieś tam budowane.

Speaker A

i przychodźmy po prostu z jakimś planem, co z tego organizacja ma, co my z tego mamy, kto to zrobi, jak chcemy to zrobić, ile to potrwa i też jak zadbamy o użytkowników końcowych, żeby to zaakceptowali i używali po prostu tego. Więc to musi być

Speaker A

taki dosyć kompleksowy plan y po prostu wdrożenia i nie myślmy o tym, że wdrażamy AI, tylko po prostu przychodzimy odciążyć swoją pracę czy swój proces, za który odpowiadamy, żeby wszystkim nam było lepiej, a nie dlatego, że chcemy zdrożyć. A jest po

Speaker A

prostu tylko rozwiązaniem technologicznym. I tu widzę też w czacie, że pojawiają się te pytania też dotyczące budżetu, że jest to wrażenie, że potrzeba ogromnych budżetów, aby ten sukces za osiągnąć.

Speaker A

Więc tym bardziej chyba tutaj będę starał się już kończąc tą tą część zachęcać właśnie do szukania tych szybkich zwycięstw, czyli projektów, które mogą być związane z niewielkim kosztem, ale dużym zyskiem na przykład na czasie naszych pracowników w naszym

Speaker A

zespole. Tak i to myślę, że jest bardzo istotne, żeby szukać tych drobnych rzeczy, na których możemy dzisiaj wygrywać i tą przewagę y konkurencyjną budować, bo wciąż nie tak dużo firm w Polsce z tej sztucznej inteligencji korzysta i nawet najmniejsze

Speaker A

eksperymenty mogą nas przesunąć jakby na tej drabince dojrzałości. AI, ale to już teraz zahaczam o piąty tydzień, więc tam już się teraz nie zapędzę, bo o dojrzałości AI będziemy jeszcze mówić. y mamy mamy lekcje w piątym tygodniu poświęcone właśnie temu. Więc Basiu, ja

Speaker A

bardzo ci dziękuję za to spotkanie. Myślę, że na wiele pytań jeszcze postaram się odpowiedzieć też na Discordzie, jeżeli będą dotyczące tej części. Ewentualnie będę prosił o pomoc.

Speaker A

Nie ma problemu. Jak wiesz dobrze odbiorę, odpiszę zawze serdecznie ci dziękuję. No a my teraz drodzy widzowie przechodzimy do naszego kolejnego gościa Daniela Kaszyńskiego ze Szkoły Głównej Handlowej w Warszawie. Daniel w swojej prezentacji pokażę wam na konkretnych przykładach z biznesu jak planować

Speaker A

właśnie to praktyczne wdrożenie AI w oparciu o te zasadę o której mówił też w swojej lekcji Kamil Stanuchuk minimalnej złożoności AI i te szybkie zwycięstwa które tutaj wielokrotnie się przewijały często nazywane quick queens ale trzymajmy się szybkich zwycięstw dajcie

Speaker A

nam dosłownie teraz chwilę na zmianę tego układu 3045 sekund scenę przejmie Daniel Ja się żegnam. Bardzo dziękuję za uwagę i przechodzimy do drugiej części dzisiejszego spotkania. Do zobaczenia.

Speaker A

Dzięki. [parsknięcie] Cześć, nazywam się Daniel Kaszyński i pracuję w szkole głównej Handlowej w Warszawie. Yyy, chciałbym dzisiaj opowiedzieć wam o narzędziach, które mogą być wykorzystywane, wdrażane w organizacjach, narzędziach AI, ale to nie będzie prezentacja akademicka, naukowa, ponieważ jako Szkoła Główna

Speaker A

Handlowa w Warszawie realizujemy również projekty dla przedsiębiorstw właśnie w obszarze AI, jak je wdrażać, w jaki sposób właśnie współpracować z tymi rozwiązaniami. Przejdę do do slajdów.

Speaker A

Podczas ostatnich trzech, czterech tygodni poznaliście już wiele terminów, które dotyczyły generatywnej sztucznej inteligencji. Były to odpowiednio prompty, asystent, automatyzacja czy agent. Są to rozwiązania, które już dobrze poznaliście i przede wszystkim te rozwiązania w organizacjach mają na celu podnoszenie produktywności i

Speaker A

kreatywności pracowników. Perspektywa biznesowa to jest właśnie wsparcie pracownika, ale już nawet na tym spotkaniu przed chwilą z Basią padło wiele razy pojęcie na przykład uczenia maszynowego. Obecnie dzisiaj i myślę stawiam taką hipotezę, że jeszcze przez najbliższych kilka lat albo kilkanaście

Speaker A

lat bardzo dużą wartość organizacjom będą dawały inne rozwiązania. Rozwiązania tak zwane klasyczne ML to są klasyczne machine learning AI. Są to rozwiązania, które są dedykowane wspomaganiu procesowi, procesu podejmowania decyzji. Perspektywa biznesowa jest taka, żeby lepiej, szybciej podejmować decyzje w firmach.

Speaker A

Te narzędzia można zaklasyfikować do takiej jednej z trzech grup. Są to symulacje, predykcje i optymalizacje. O nich chwilę dzisiaj opowiem. Natomiast ta perspektywa narzędziowa to jest jeden wymiar. Organizacje bardzo często patrzą również przez pryzmat problemu, który jest ogarniany tymi rozwiązaniami

Speaker A

i jej złożoności tego problemu. I chciałbym wskazać tutaj takie trzy przykłady, trzy trzy warstwy. Problemy strategiczne to są problemy, które są rozwiązywane stosunkowo rzadko, ale mają fundamentalne, ogromne znaczenie dla przedsiębiorstwa. taki przykład, no to no pewnie nie często się decyduje o

Speaker A

lokalizacji głównego centralnego magazynu, w którym będziemy yyy przechowywali nasze produkty. Zwróć uwagę, że taka decyzja niesie również konsekwencje w zakresie tego, jacy klienci będą mogli korzystać z naszych usług. Jeżeli zlokalizujemy ten magazyn w innym miejscu, no to inna gama

Speaker A

produktów i klientów będzie mogła z tego korzystać. [parsknięcie] Poziom operacyjny. Poziom operacyjny są to decyzje, które podejmujemy już częściej, no na przykład raz na kwartał. I są to decyzje, które dotyczą najczęściej całego procesu biznesowego. Taki przykład. Jeżeli już zdecydowaliśmy się,

Speaker A

że w jakimś konkretnym miejscu postawimy ten magazyn, to raz na jakiś czas pewnie z każdym, z każdą zmianą sezonu, będziemy musieli reanżować, zmienić ułożenie poszczególnych miejsc ładunkowych w tym magazynie. No z czysto z tego faktu, że po prostu zmieniają się

Speaker A

też preferencje klientów w różnych okresach czasu. I [parsknięcie] poziom taktyczny. Poziom taktyczny. Są to decyzje bardzo częste, niemal codzienne, a nawet mogą być codzienne. Na pewno każdy z nas korzystał kiedyś z jakieś aplikacji do zamawiania transportu, przejazdu.

Speaker A

Przecież taka aplikacja musi w czasie rzeczywistym znaleźć nam kierowcę, wyznaczyć optymalną trasę. A [parsknięcie] nie wiem czy zwróciliście uwagę, ale niejednokrotnie jeżeli jest bardzo duży popyt na właśnie przejazdy w tym momencie jakiś sezon albo jest nietypowy moment w trakcie dnia to taki

Speaker A

przejazd będzie inaczej wyceniany, będzie miał inną cenę. To jest poziom właśnie taktyczny tych rozwiązań.

Speaker A

Chciałbym teraz przejść do omówienia tych podejść właśnie klasycznego uczenia maszynowego. Opowiem też trochę o generatywnej sztucznej inteligencji, ale jedno, ale nie chciałbym, żebyśmy patrzyli na te rozwiązania jako na alternatywy, czyli wybieram klasyczne uczenie maszynowe albo generatywną sztuczną inteligencję. Mam taką

Speaker A

nadzieję, taką aspirację, że po dzisiejszym webinarze, ale w ogóle po całym po całym kursie, po całym programie będziecie chcieli używać metod symulacji, predykcji, optymalizacji. A jeżeli nie będziecie wiedzieli do końca w jaki sposób do tego podejść, to właśnie użyjecie generatywnej sztucznej

Speaker A

inteligencji, żeby sprawdzić w jaki sposób mogę w swojej organizacji symulować, predykować albo optymalizować niektóre decyzje.

Speaker A

Symulacje. Symulacje są to rozwiązania, które próbują czy umożliwiają nam odpowiedzieć odpowiedź na pytanie co jeśli. To znaczy próbujemy odtworzyć w sposób cyfrowy zachowanie jakiegoś zjawiska, jakiegoś systemu, jakiegoś mechanizmu.

Speaker A

Po to, po to właśnie, żebyśmy mogli operować na tym cyfrowym reprezentancie, cyfrowym bliźniaku. Zaraz rozszerzę to to pojęcie. jakiś przykład właśnie może z projektów, które realizowaliśmy. Otóż jednym z takich ciekawych przypadków, które realizowaliśmy był projekt modelowania kotła, które ogrzewa całe

Speaker A

miasto. Jest to ogromny obiekt o ogromnej skali i uwierzcie mi, jakakolwiek pomyłka, złe nastawienie, awaria, są to najczęściej ogromne koszty, przestoje, no bardzo trudna sytuacja.

Speaker A

Tak, żeby oddać wam skali złożoności tego problemu, to sam komputer, sam panel sterujący takim kotłem wygląda mniej więcej tak. Jest to zestaw kilkudziesięciu kilkuset nastaw elementów, którym może można manipulować, ale również monitorów, w jaki sposób taki kocioł pracuje. Ten

Speaker A

projekt jest przykładem projektu właśnie symulacyjnego. Opracowaliśmy tak zwany cyfrowy bliźniak, digital twin, tego rozwiązania. Dlaczego? Przede wszystkim dlatego, że możemy testować nasze pomysły na komputerze. To znaczy moglibyśmy zmienić niektóre nastawy takiego kotła właśnie w komputerze, sprawdzić na cyfrowym bliźniaku i

Speaker A

spróbować sprawdzić co by się wydarzyło, jakby działał taki taki kocioł właśnie w rzeczywistości. Dwa. Moglibyśmy naraz sprawdzać ileś różnych wariantów nastaw pracy takiego kotła. Dlaczego? No bo chcielibyśmy może szukać wariantu, przy którym minimalizujemy zużycie węgla albo minimalizujemy odpady, które są produkowane w takim

Speaker A

procesie przy założeniu, że utrzymujemy taką samą temperaturę samego kotła. Ale przede wszystkim uważam, że te metody są praktyczne dlatego, że ograniczają ryzyko. To znaczy najpierw jesteśmy w stanie zweryfikować nasze hipotezy na cyfrowym modelu. Jeżeli cokolwiek złego się wydarzy, zawsze możemy zrobić

Speaker A

restart takiego modelu i zacząć całą zabawę od początku. Natomiast już sama decyzja, którą podejmujemy, możemy tą decyzję podjąć właśnie już w realnym kotle, w realnym procesie. Jakie są przykłady dla takie w skal w skali może troszkę mniejszej, czyli dla małych,

Speaker A

średnich przedsiębiorstw, ale też uważam, że duże przedsiębiorstwa mogą z tego skorzystać. Przede wszystkim często spotykałem się z takimi propozycjami projektów, projektami, pomysłami na projekty jak wpływ zmian cen na zysk. To znaczy może opłaca nam się zmniejszyć odrobinę cenę, ale wolumen wzrostu

Speaker A

sprzedaży pokryje nam tą różnicę, która będzie wynikała z obniżonej marży. Dwa strategie marketingowe. Bardzo często chcemy zweryfikować, porównać kanały, różne kanały sprzedaży, żeby sprawdzić, który kanał generuje nam największą stopę zwrotu, który kanał jest tym najlepszym. No taki pewnie bardziej

Speaker A

oczywisty przykład, czyli decyzje inwestycyjne, czy chcemy kupować więcej samochodów, powiększać naszą flotę maszynową, zatrudnić kolejnego pracownika. Możemy to zrobić właśnie za pomocą mechanizmów symulacyjnych, a [parsknięcie] dopiero realizując ten proces już w rzeczywistości będziemy mieli już przynajmniej skalę czy kierunek zmian, które powinniśmy

Speaker A

oczekiwać. No i element ostatni, efekty zmian w ofercie. To jest taki ogólny punkt, który łączy niejako wcześniejsze.

Speaker A

Może trzeba wprowadzić nowe usługi lub produkty albo wprowadzić jakąś promocję na sprzedaż i chcielibyśmy zweryfikować w jaki sposób zmienią się sprzedaż lub zachowania naszych klientów. To jest tyle jeżeli chodzi o symulację. To jest ta pierwsza, pierwsza z metod. Druga to

Speaker A

są modele predykcyjne. Modele predykcyjne stawiają takie pytanie, co będzie? To znaczy w oparciu o dane historyczne, które zbieramy, o jakieś czynniki zewnętrzne, które możemy wprowadzić do modelu, próbujemy przewidzieć jaka jakie będą przyszłe wartości tego, co nas interesuje. Podam

Speaker A

może przykład. Jednym z projektów, które realizowaliśmy właśnie jako szkoła główna handlowa w Warszawie był projekt realizowany dla Polskiego Górnictwa Naftowego i Gazownictwa. Projekt polegał na opracowaniu, na budowie modelu długoterminowej prognozy zapotrzebowania na gaz sieciowo-wysokometanowy.

Speaker A

Co mam na myśli? No przede wszystkim obserwujemy jakąś historię. Wiemy co się działo wczoraj, przedwczoraj, rok temu, 2 lata temu. Wiemy jaka, jakie były trendy, jaka była dynamika zmian wartości tego co chcemy prognozować. A więc korzystamy z historii. Dwa. Wiemy,

Speaker A

że przyszła prognoza zapotrzebowania na gaz będzie zmieniała się z perspektywy na przykład dynamiki rozwoju jakiegoś konkretnego sektora. No na pewno musimy się zgodzić z tym, że sektor gospodarstw domowych inaczej korzysta z gazu niż sektor przemysłowy, który wykorzystuje gaz jako element krok w procesie

Speaker A

produkcyjnym. Dwa, zmiany technologiczne. Ten rynek jest bardzo, bardzo dynamiczny i występują istotne, szybkie, duże zmiany technologiczne.

Speaker A

Taką jedną z ciekawych jest na przykład wprowadzanie wodoru jako nośnika energii. W jaki sposób wpłynie to na przyszłe zapotrzebowanie na gaz?

Speaker A

Trzy. [parsknięcie] Wrażliwość popytu na cenę. Powiedziałem, że jestem ze szkoły głównej handlowej w Warszawie i takim naturalnym dla mnie krokiem jest właśnie ekonomiczna analiza tego problemu. To znaczy w jaki sposób zmiany ceny na ceny produktu wpłynął na popyt tego, na popyt

Speaker A

na ten produkt definiowany przez rynek. Aż w końcu cała warstwa regulacji, cele, technologie dekarbonizacyjne. Akurat ten przykład jest szczególnie wrażliwy na całą regulację. wynik. Możemy prognozować wartości, przyszłe wartości zapotrzebowania. Co więcej, możemy to robić również w scenariuszach. Możemy

Speaker A

zdefiniować scenariusz pesymistyczny, bazowy lub taki optymistyczny, wysoki. Ta prognoza, ten przykład prognozy to nie jest jedyny przykład. Tutaj wynotowałem jeszcze kilka, które przychodzą mi do głowy i które wiem, że są często też podnoszone właśnie w przedsiębiorstwach. Może to być prognoza

Speaker A

przepływów finansowych, przepływów gotówki, cashfow, czyli jakie są historyczne wypływy i wydatki, wpływy i wydatki gotówkowe. Próba prognozowania tego w przyszłości. Prognoza popytu to jest dokładnie to, co przed chwilą. Jaki będzie popyt na nasze produkty w przyszłości? Zapotrzebowanie na

Speaker A

surowiec. Jeżeli wiemy jakie będzie zapotrzebowanie na popy, jaki będzie popyt, możemy z tego indukować jaki element, jaką część powinniśmy już dzisiaj kupować, żeby mieć zapas, mieć pewien buforszą deeklarowany przyszły popyt. I bardzo często pojawia się pytanie o prognozę rotacji klientów. To

Speaker A

znaczy w jaki sposób możemy prowadzić nasze działania, czyli przede wszystkim żebyśmy wiedzieli co będzie się działo potencjalnie z naszą bazą klientów w przyszłości, ale również próbować przeciwdziałać tym efektom. No i trzeci bohater tego tego tej prezentacji to jest optymalizacja. Optymalizacja

Speaker A

próbuje odpowiedzieć na pytanie jak powinno być. To znaczy w jaki sposób chcielibyśmy ułożyć ten świat, ażeby dawał nam najlepszy możliwy rezultat.

Speaker A

Może będę mniej tajemniczy i pokażę pewien przykład projektu. Przykład projektu jest całkiem banalny. Mamy halę produkcyjną i mamy sektor, w której wykonujemy, dokonujemy produkcji. Tam załóżmy stoją maszyny, które produkują nasz towar. Mamy również sekcję, w której mamy doki, w których z których

Speaker A

wysyłamy nasze produkty do klientów. Pytanie naturalne, które się rodzi jest w jaki sposób powinniśmy układać przestrzeń magazynową? w jaki sposób powinniśmy zagospodarować przestrzeń magazynową, ażeby właśnie minimalizować koszty związane z tym, że ten produkt wozimy po magazynie zupełnie bez

Speaker A

bezowocnie. Co więcej, to jest jedno pytanie, jak ułożyć magazyn, ale drugie pytanie, które się pojawia, to jest jak już realizować konkretną ścieżkę kompletacji zamówienia. Mamy konkretne zamówienie i w jaki sposób wyznaczyć trasę jeżdżenia po naszym magazynie, ażeby zebrać

Speaker A

wszystkie produkty, które są potrzebne w tym w tym zamówieniu. Model optymalizacyjny, który tutaj przedstawiłem składa się z czterech elementów. Funkcja celu, czyli coś co chcemy, o co chcemy dbać. W moim przypadku jest to minimalizacja łącznej drogi kompletacji, ale w twoim to może

Speaker A

być maksymalizacja zysku. Drugi przykład, drugi element tego modelu to są zmienne decyzyjne. To jest to, czym my możemy sterować. W moim przykładzie, który pokazałem, tym czym mogę sterować jest przede wszystkim rozkład produktów w naszym magazynie. Ale dwa, również

Speaker A

sama trasa przejazdu po tym magazynie jest zmienną decyzyjną. Ograniczenia. Na pewno wiesz, że konstruując magazyn musisz przewidzieć jakieś ścieżki, drogi przeciwpożarowe. To są takie zasady BHP.

Speaker A

Jest cała masa różnych ograniczeń, które musimy wprowadzać w takich rozwiązaniach, ponieważ do tego obliguje nas prawo. Czy taki jest na przykład kształt samej hali. Zwróć uwagę, że kształt samej hali produkcyjnej jest również ograniczeniem. aż w końcu parametry, to znaczy nasze zmienne

Speaker A

decyzyjne, nasze gniazda, w których będziemy składali, magazynowali produkty, mogą mieć różną pojemność, różną odległość od doku. To są wszystko elementy, które określają nam właśnie ten problem optymalizacyjny.

Speaker A

I teraz przykłady, które warto wskazać, które na pewno małe średnie przedsiębiorstwa, ale też te duże też mogłyby być zainteresowane.

Speaker A

Optymalizacja tras dostaw to jest taki oczywisty przykład, zupełnie akademicki moglibyśmy powiedzieć przykład optymalizacji. To znaczy w jaki sposób, jaka powinna być trasa, żeby zminimalizować koszt przejazdu, zminimalizować koszty paliwa albo zwiększyć terminowość. Już wcześniej powiedziałem, jak mówiłem o aplikacji do

Speaker A

zamawiania przejazdów, o tym, że ceny mogą się zmieniać w zależności od popytu, od sezonowości. To jest właśnie to dynamiczny sposób ustawiania cen. To znaczy w zależności od tego, co obserwujemy na rynku konkurencji, jaki jest popyt, jaka sezonowość, możemy

Speaker A

zmieniać ceny, żeby maksymalizować całościową całościowy zysk. planowanie produkcji, to znaczy w jaki sposób powinniśmy harmonogramować, ustawiać zarówno maszyny jak i zespoły, a żeby zwiększyć wydajność pracy takiej fabryki, takiego zakładu, zmniejszyć liczbę przestoi. No i optymalizacja zamówień. To znaczy,

Speaker A

jeżeli już wiemy jaka jest prognoza, mogliśmy zrobić ją właśnie poprzez model prognostyczny albo symulacyjny, to w jaki sposób powinniśmy teraz sami składać zamówienia, żeby minimalizować ryzyko przestojów, nadwyżek lub braków magazynowych?

Speaker A

Jeżeli chodzi o generatywną sztuczną inteligencję, bardzo spodobało mi się w tym tygodniu taka drabinka pokazująca coraz bardziej zaawansowane technologie.

Speaker A

Dziękuję Kamil za nią. przede wszystkim podstawową technologią, którą możemy wykorzystywać w generatywnej sztucznej inteligencji i mam nadzieję, że już wszyscy z was korzystacie jest prompt.

Speaker A

Kolejno, jeżeli już byśmy chcieli zasilać ten prompt, wprowadzać dokumenty, budować pewną bazę wiedzy, korzystamy już wtedy z agenta. Kolejny element to jest workflow. W trzecim tygodniu staraliśmy się podać przykłady automatyzacji przepływów prac, które właśnie może zrealizować w swojej

Speaker A

organizacji. I najwyższy poziom autonomii jest ten, w którym oddajemy już właśnie decyzyjność agentowi. To są właśnie agenci. No i tutaj jak tak jak zresztą Kamil wspominał, z każdym tym kolejnym krokiem ta złożoność, ta autonomia będzie rosła. Ale mała uwaga.

Speaker A

[parsknięcie] Wdrażając te rozwiązania zawsze trzeba się trzymać zasady upraszczania. To znaczy nie powinniśmy stosować zbyt złożonych trudnych modeli do przypadków, problemów, które możemy obsłużyć prostszymi rozwiązaniami. To znaczy zawsze wchodźmy na ten niższy poziom złożoności, autonomii, rozwiązania i od

Speaker A

niego wyjdźmy. Jeżeli będziemy potrzebowali skorzystać z czegoś bardziej złożonego, zawsze mamy na to czas.

Speaker A

Chciałem podsumować krótko takie trzy myśli, które które mi towarzyszyły w tym tygodniu i które uważam, że również i wam towarzyszyły przeglądając przeglądając materiały tego modułu.

Speaker A

Przede wszystkim większość projektów, które nazywamy sztuczną inteligencją jesteśmy w stanie obsługiwać poprzez automatyzację. To znaczy wiele firm dzisiaj używa sformułowań agenci AI, sztuczna inteligencja, ale bardzo często dobre zrozumienie procesu biznesowego, który chcemy modelować, zastosowanie pewnych narzędzi, nawet tych prostszych,

Speaker A

prompt, asystent, rozwiązuje problem, który sobie będziemy stawiali. Drugi element to jest ta właśnie zasada minimalizacji złożoności. Keep it simple. To znaczy chcemy trzymać się najprostszych rozwiązań właśnie dlatego, że najlepiej rozumiemy w jaki sposób to rozwiązanie działa, w jaki sposób

Speaker A

rozwiązuje nasze problemy, w jaki sposób daje nam wartość. I trzeci element to jest osąd człowieka. To znaczy nie da się zredukować roli człowieka w tych procesach, ponieważ na koniec dnia zawsze ta odpowiedzialność decyzji, sama decyzyjność będzie po stronie człowieka.

Speaker A

Człowiek projektuje te rozwiązania. Bardzo spodobało mi się w tym tygodniu analogia AI jako koparka, którą przedstawił Przemek.

Speaker A

Narzędzia sztucznej inteligencji jest to skalowanie naszych możliwości, naszych naszych sił. Natomiast zawsze my podejmujemy tą odpowiedzialność. Zawsze my powinniśmy być u steru i to w zależności od tego, czy to są decyzje strategiczne, czy są to decyzje taktyczne, te najprostsze. Pamiętaj, że

Speaker A

zawsze wtedy, kiedy jest problem czy błąd, który zgenerujemy jest kosztowny, tym bardziej ta decyzyjność i weryfikacja powinna być po stronie człowieka. Dlaczego? Tak jak powiedziałem, przede wszystkim to człowiek posiada wiedzę o procesie, o decyzjach i o ich znaczeniu dla samego

Speaker A

biznesu, dla samego przedsiębiorstwa. Po drugie, wartość powstaje wtedy, kiedy wykorzystujemy odpowiednie narzędzie do odpowiedniego problemu i uzyskamy efekt, który oczekujemy, który będziemy w stanie zweryfikować, zmierzyć i zważyć.

Speaker A

No i na koniec, tak jak powiedziałem, błędy, które będą pojawiały się, a na pewno się będą pojawiały, tak jak przy każdym narzędziu, które wykorzystujemy, one będą tym bardziej dotkliwe, tym bardziej kosztowne będą, tym bardziej powinniśmy dbać o to, żeby człowiek był

Speaker A

operatorem, żeby człowiek mógł wziąć odpowiedzialność za to, co się dzieje w tym narzędziu. Taka mała praca domowa, sugestia, challenge, jakie podjąć kolejne kroki.

Speaker A

Trochę zainspirowałem się tym, co mówiła Basia. A więc zacznijmy od jednego prostego use caseu. Jakiś quick win, coś co daje szybką, dużą wartość organizacji, dużą jakąś oszczędność, którą potrafimy zmierzyć. Drugi krok to jest coś o czym mówiliśmy dużo w tym

Speaker A

tygodniu. A więc sprawdź jakie narzędzie będzie najlepsze do tego procesu. I w tym tygodniu mieliśmy kilka takich mechanizmów narzędzi do tego, żeby właśnie zweryfikować które narzędzie będzie najlepiej pasowało. I trzeci krok to jak już zastosowałeś to narzędzie do

Speaker A

konkretnego casu, zmierz, zważ, udokumentuj efekty twojej pracy, bo jeden taki wynik to jest oczywiście jakiś argument w rozmowie, ale jeżeli będziesz miał takich 10 argumentów, to prawdopodobnie już masz pewną strategię w zakresie sztucznej inteligencji.

Speaker A

Powiedziałem wam o pracy domowej. Ja przed tym dzisiejszym spotkaniem wykonałem również taką małą pracę domową i przejrzałem wpisy, które wykonujecie na Discordzie, za co bardzo dziękuję i zauważyłem, że jeżeli do swojego konta Gemini Pro, które uzyskaliście w ramach

Speaker A

tego kursu, dodacie jakiegoś członka, na przykład rodziny, jesteście w stanie tym samym rozszerzyć zakreszej licencji. Tak jak powiedziałem, pamiętajcie, że najlepsze rozwiązania to są te najprostsze, które działają.

Speaker A

Podsumowując, super dziękuję wam wszystkim za dzisiejszą liczną obecność, za wszystkie reakcje, wszystkie komentarze, które dawaliście nam w trakcie tego webinarium. Bardzo serdecznie za to wam wszystkim dziękuję i do zobaczenia za tydzień na kolejnym webinarze. Dziękuję.

Speaker A

Yeah.

Topics:AIsztuczna inteligencjawebinarUmiejętności Jutracertyfikat Google SGHwdrożenie AIautomatyzacjauczenie maszynowegeneratywna AIbezpieczeństwo AI

Frequently Asked Questions

Kiedy i jak można przystąpić do egzaminu końcowego w programie Umiejętności Jutra AI?

Egzaminy ruszają 8 czerwca o godzinie 20:00 i są dostępne do 21 czerwca do 23:59. Dostęp do egzaminu mają uczestnicy, którzy ukończyli minimum 70% materiałów programu.

Jak wygląda format egzaminu i jakie są warunki zdania?

Egzamin to test jednokrotnego wyboru z 50 pytaniami, na który jest 60 minut. Aby zdać, trzeba uzyskać co najmniej 75% poprawnych odpowiedzi, a do dyspozycji jest pięć prób.

Jakie są główne wyzwania i koszty związane z wdrożeniem AI w firmach?

Wdrożenie AI wiąże się z kosztami licencji, infrastruktury oraz zatrudnienia specjalistów. Konieczne jest także zapewnienie bezpieczeństwa i zgodności z regulacjami oraz realistyczne podejście do potencjału technologii.

Get More with the Söz AI App

Transcribe recordings, audio files, and YouTube videos — with AI summaries, speaker detection, and unlimited transcriptions.

App Store Google Play

Or transcribe another YouTube video here →