W poprzednich odcinkach podcastu Destination AI skupialiśmy się na teorii i na tym, jak ze sztucznej inteligencji mogą korzystać użytkownicy końcowi. Tym razem patrzymy na AI z praktycznego punktu widzenia i rozmawiamy o tym, jak wdrażać ją w przedsiębiorstwach. Gośćmi Pawła Pilarczyka są założyciele firmy ByteLake, która specjalizuje się we wdrażaniu AI między innymi w przemyśle i handlu detalicznym: Marcin Rojek i Mariusz Kolanko. Pomysłodawcą podcastu jest TD SYNNEX.
Paweł Pilarczyk: Panowie, przedstawcie się trochę bliżej. Czym dokładnie zajmuje się ByteLake?
Marcin Rojek: ByteLake to przede wszystkim rozwiązania AI dla przemysłu. Działamy w różnych branżach, od typowego manufacturingu po nisze takie jak papiernie czy automotive. W dobie agentów AI coraz szerzej wchodzimy też w back office, który w zasadzie w każdej branży wygląda podobnie: księgowość, finanse, kancelarie prawne, handel detaliczny i hurtowy. Przechodzimy więc przez naprawdę różne sektory.
Paweł Pilarczyk: Czyli nie tylko fabryki.
Mariusz Kolanko: Nie tylko. Można powiedzieć, że jesteśmy głodni danych. Gdzie są dane, tam jesteśmy i my.
Paweł Pilarczyk: Dziś wiele firm wdraża AI tak, że kupuje licencje na ChatGPT, instaluje je wszystkim na komputerach i mówi: mamy AI, jesteśmy AI ready. A to przecież nie tędy droga. Jak wygląda ten właściwy pierwszy krok?
Marcin Rojek: ChatGPT bardzo pomógł. Kiedy zaczynaliśmy firmę, musieliśmy tłumaczyć, czym w ogóle jest AI, na czym polegają algorytmy i czym różnią się od zwykłej statystyki. Narzędzia też nie były jeszcze gotowe, żeby budować tak zaawansowane rozwiązania jak dzisiaj. ChatGPT przebił się do mainstreamu. Każdy wie, że może nim napisać piosenkę, dopracować maila czy wygładzić wypowiedź. Ale wdrożenie AI zaczyna się od świadomości, gdzie tego AI naprawdę potrzebujemy. ChatGPT pomógł nam zacząć rozumieć, co potrafi sztuczna inteligencja. Prawdziwe wdrożenie zaczyna się jednak tam, gdzie pojawia się konkretna potrzeba biznesowa: chcę wyeliminować odpad, chcę przewidywać awarie, w kancelarii chcę szybciej przetwarzać dokumenty. Musi być jedno i drugie: inspiracja, co AI może zrobić, oraz realna potrzeba.
Mariusz Kolanko: Marcin dobrze to ujął. ChatGPT to łatwy krok dla każdego. Dzięki niemu klient przychodzi do nas i mówi: słyszałem o AI, co to może mi dać? My pokazujemy nasze wdrożenia i sposób, w jaki to rozumiemy. Spotykamy się w punkcie styku: my zaczynamy rozumieć, czego klient potrzebuje, a klient zaczyna rozumieć, gdzie AI może wykorzystać. Dochodzimy nawet do kancelarii, gdzie spokojnie można automatyzować tłumaczenia, streszczenia czy wyszukiwanie fragmentów w umowach. Jak mówię na początku: dajcie mi dane, a ja dam wam informacje.
Marcin Rojek: Dodam, że faktycznie nie tędy droga, żeby kupować AI na kilogramy. Mieliśmy klienta, który przyszedł i powiedział, że wdrożył już dwadzieścia różnych narzędzi AI i pytał, ile jeszcze ma dosypać. Inny zapytał, czy jak wrzuci dane do jakiegoś mitycznego AI, to ono zrealizuje także te tematy, które ma w głowie, ale o których jeszcze nie pomyślał. Tak to oczywiście nie działa. Każdy klient mówi: chcę takie AI, ale bardziej moje. A takie bardziej moje trwa na przykład sześć miesięcy, bo trzeba zebrać dane i doświadczenie. Nie kupujemy AI na kilogramy, kupujemy narzędzia, które mają zrealizować konkretne cele biznesowe.
Paweł Pilarczyk: Czyli ChatGPT był takim door openerem, który podniósł świadomość.
Mariusz Kolanko: Albo przekleństwem. Na początku musieliśmy tłumaczyć, po co komu AI, a wszyscy patrzyli z rezerwą. Teraz jest druga skrajność: ja też to chcę, na pewno zrobicie to szybko i tanio, bo w sieci widziałem, że to kosztuje parę centów za zapytanie.
Paweł Pilarczyk: Zakładam, że dziś firmy są dużo bardziej otwarte. Wcześniej gdzieś słyszały o AI, ale myślały, że u nich się nie sprawdzi. A jak pobawiły się ChatGPT, to stwierdziły: może jednak u nas to wdrożymy.
Mariusz Kolanko: Nawet więcej. Ostatnio klient zadzwonił podekscytowany: spróbowałem, jestem zafascynowany, pomóżcie mi to uruchomić u siebie. Te rozwiązania naprawdę są dobre. Entuzjazm jest.
Paweł Pilarczyk: Ale teraz musimy trochę ostudzić emocje i zejść na ziemię. Od czego zacząć przygotowanie do wdrożenia?
Marcin Rojek: Przede wszystkim trzeba sobie odpowiedzieć na pytanie, po co chcemy wdrażać AI i jaki jest nasz cel biznesowy. To cel mówi nam, co robić dalej. Skoro mają być konkrety, weźmy ostatni przypadek: eliminacja odpadu w produkcji. Koszt odpadu to nie tylko ten ostatni, nieudany produkt. To jest ten koszt razy pięć albo razy dziesięć, bo zanim odpad zostanie rozpoznany na końcu, to po drodze już się wydarzył. Ktoś coś źle przemieszał, temperatura była zła, materiał kiepskiej jakości, czynnik ludzki, błędny raport. Mnóstwo rzeczy, które trzeba powtórzyć, usunąć i oczyścić.
Paweł Pilarczyk: Czyli na przykład fabryka produkuje ramy do rowerów, wszystko wygląda pięknie, a na końcu okazuje się, że przez złą temperaturę ramy się łamią. Cała produkcja do wyrzucenia, gigantyczne koszty, tylko dlatego że na początku procesu nie skontrolowaliśmy temperatury.
Marcin Rojek: Dokładnie, a czynników może być wiele. Ktoś źle zaraportował. Albo mamy proces zdigitalizowany, czujniki wszystko mierzą, ale po drodze są ludzie, którzy mówią: ten pomiar temperatury był błędny, wpisz piętnaście, bo tak chyba było. Te elementy trzeba potem cofać. Odpad to nie tylko koszt złej ramy, która wypada z obiegu, ale też koszt pracy ludzi, którą trzeba powtórzyć, zużytych maszyn, farby, spawów, naklejek. Dlatego najpierw musi być cel biznesowy. Mając go, wszystkie te elementy procesu dyktują nam, jakich danych potrzebujemy i skąd. Odpowiadają też na pytanie, czy dane są spójne. Kiedyś na prezentacji ktoś zapytał, co to znaczy. To na przykład: jeśli z jednego czujnika wynika, że coś było wyłączone, czy z drugiego wynika to samo? Czy w danych nie ma luk? Idziemy tym tropem pod konkretny cel biznesowy. Drugą częścią, której potrzebujemy, są dane.
Mariusz Kolanko: Są tu dwa aspekty. To połączenie celu biznesowego z wewnętrznym odczuciem człowieka, który pracuje z danymi. Z jednej strony każdy podskórnie czuje, kiedy jest przeciążony pracą, robi setny raz to samo i myśli: słyszałem o AI, to może mi pomóc. Z drugiej strony jest szef, który musi wyłożyć pieniądze. Te dwa elementy muszą iść w parze: realna potrzeba biznesowa, czyli że nas na to stać i że to przyspieszy pracę, oraz potrzeba pracownika, który chce zrzucić z siebie żmudną robotę. Jak tak jest, wdrożenie się udaje.
Paweł Pilarczyk: Czyli najpierw przygotować procesy i dane. Jakie błędy firmy popełniają najczęściej na tym etapie?
Marcin Rojek: Są bardzo różne, bo każda firma jest inna. Na pewno trzeba od razu skasować kilka mitów. Nigdy nie nadejdzie dzień, w którym ułożą się gwiazdy i stwierdzimy, że dziś robimy pełną specyfikację AI od A do Z. Z tym wiąże się przekonanie, że trzeba zatrudnić wielką firmę konsultingową, która zrobi porządek z danymi i przygotuje cały fundament. Takie firmy wchodzą z poczuciem, że są gotowe, a potem przychodzi etap zarządzania rozczarowaniem, bo pierwsza wersja AI coś jednak znajduje, czyli przygotowanie nie było pełne. Drugie podejście jest odwrotne: idziemy na żywioł, nic nie mamy, ale bierzemy AI i na pewno coś się wydarzy. Prawda leży pośrodku. Trzeba podejść iteracyjnie. Porządkujemy dane, definiujemy cel najlepiej jak potrafimy, budujemy AI, trenujemy, patrzymy na wyniki, ulepszamy dane, ulepszamy AI i tak w kółko. To trochę jak z pracownikami, niekończąca się historia.
Mariusz Kolanko: Albo podchodzimy do tematu zbyt optymistycznie i kiedy raz czy drugi się nie uda, od razu uznajemy, że to nie dla nas. A to proces drobnych kroków. Z każdą iteracją jest lepiej. W drugą stronę bywa tak, że od razu się poddajemy: o Boże, mamy tyle danych, to nas przerośnie, będzie za drogo. To też nieprawda. Nie musimy robić wszystkiego. Jak mamy dużo danych, to dobrze, bo od tego jest AI, żeby je poszeregować. Skupmy się na tym, co przyniesie najwięcej zysku.
Paweł Pilarczyk: Częstym problemem jest chyba to, że firmy chcą od razu zautomatyzować wszystko, wydają mnóstwo pieniędzy, a potem przychodzi rozczarowanie, bo okazuje się, że to nie działa.
Marcin Rojek: Transformacja na trzy lata.
Paweł Pilarczyk: No właśnie. Więc lepiej zacząć od MVP: zautomatyzować jeden proces, sprawdzić, czy działa i zmierzyć, czy się w ogóle opłaca.
Mariusz Kolanko: Dziś na konferencji padło, że z inwestycji w sprzęt AI, do trenowania i do inferencji, wykorzystujemy realnie około pięciu procent tego, co zakładaliśmy.
Marcin Rojek: Użyłeś słowa MVP i chciałbym to doprecyzować, bo często pojawia się podejście: zróbmy proof of concept albo MVP. Z doświadczenia: jeśli robimy MVP, to nie fragment procesu, tylko na przykład pełną automatyzację jednej z piętnastu linii. Tylko wtedy policzymy, co AI realnie dało na tej konkretnej linii. Jeśli zrobimy sam fragment, wszystkie wyliczenia będą oparte na założeniach. Mieliśmy klienta z danymi z dziesięciu lat, zdigitalizowanego, gotowego. Uruchomiliśmy AI i pytamy: skąd taki wynik? A oni: zapomnieliśmy powiedzieć, że ten czujnik poprawialiśmy w Excelu. Nasz partner wymienił czujniki, poprawił telemetrię i wróciliśmy do tematu. Inny klient miał wszystkie dane na papierze, czyli de facto nie miał danych. Trzeba było zdigitalizować, podłączyć się do maszyn. Wydłużyło to projekt, ale powstała pierwsza wersja danych i pierwsze AI. Czy klient przygotował dane z dziesięciu lat, czy z zera, zawsze kończymy na procesie iteracyjnym.
Mariusz Kolanko: Dodam, bo warto to odczarować: jest różnica między PoC a MVP. Proof of concept to część programu, która udowadnia, że nasza teza ma sens w wybranej technologii, i tylko tyle. MVP to już działający produkt w minimalnej wersji, który można gdzieś wykorzystać. My to rozróżniamy, ale klienci bardzo często łączą obie rzeczy. Dla nich, czy to PoC, czy MVP, to zawsze jest MVP, które ma działać. Nauczeni doświadczeniem mówimy więc o MVP, a PoC robimy sobie wewnętrznie.
Paweł Pilarczyk: A jak odróżnić dobre demo od faktycznie użytecznego wdrożenia? Bo często mamy efektowne demo, które tak naprawdę niczego nie daje.
Mariusz Kolanko: Dobre demo od razu czuć. Jeśli pracujemy na realnym przypadku klienta, wszyscy wiedzą, że idziemy w dobrą stronę. To zasada Pareto: już na starcie, jeśli ma zadziałać, to zadziała, i nawet przy osiemdziesięciu procentach wszyscy czują, że jest dobrze. Wtedy idziemy dalej.
Marcin Rojek: U nas nie ma czegoś takiego jak demo, które nagle powstało. Każdy projekt rozbijamy na etapy: dwu-, trzy-, czterotygodniowe, zależnie od projektu. Mamy stały kontakt z różnymi częściami organizacji klienta: z zespołem produkcyjnym, z całym C-suite, z księgowością, z ludźmi w fabryce. Z nimi iteracyjnie dopracowujemy AI. Jak dochodzimy do etapu, który nazywamy demem, nie ma już opcji, żeby było złe. Złe demo wyobrażam sobie tak: zbieramy wymagania, zamykamy się na pół roku, wracamy i niespodzianka.
Mariusz Kolanko: Złe demo to takie, które jest totalnie nietrafione. My zrozumieliśmy klienta po swojemu, a klient w ogóle nie wiedział, o co nam chodzi.
Paweł Pilarczyk: Mnie chodziło o demo, które robi efekt wow, ale na tym się nie zarabia. Bardzo efektowny projekt, w którym wydajemy więcej na tokeny i obsługę procesu, niż mieliśmy zaoszczędzić. Robi wrażenie, ale kompletnie się nie opłaca.
Marcin Rojek: Powiem o naszym doświadczeniu, takiej tajnej wiedzy ByteLake. Panuje przekonanie, że AI to analityka danych. Jeśli chcemy generować ciekawe analizy, to się uda, bo jak wrzucimy dane z produkcji, AI połączy fakty i zawsze będzie ciekawie: o tym nie wiedziałem, o tamtym nie pomyślałem. Ale jeśli chcemy, żeby AI realizowało funkcję biznesową, na przykład eliminację odpadu, to oprócz danych musimy zaszyć doświadczenie naszych najlepszych ludzi i niuanse procesowe. To bardzo specyficzne dla konkretnych wdrożeń i dlatego AI kupowane na kilogramy często nie działa. Te niuanse bywają różne: jeden czujnik temperatury ma takie wahania, drugi inne, trzeba je skalibrować. Albo proces jest zdigitalizowany, ale po drodze jest zespół, który dostaje SMS-a i przepisuje dane z papieru. Bywa też, że chodzi o sposób interpretacji procesów, o to, jak działa jeden oddział firmy, a jak drugi. Tego w danych często nie widać.
Mariusz Kolanko: Z danych bardzo dużo wychodzi. Przynajmniej trend powinien się zachować. Jeśli dostajemy totalne głupoty, to pierwszy sygnał, że coś jest nie tak z danymi: albo są lewe, albo ktoś sobie z nas zażartował, albo są niekompletne, albo brakuje najważniejszego czynnika wpływającego na wynik. Innej możliwości nie ma.
Paweł Pilarczyk: W których obszarach AI zawsze daje świetne efekty, a w których teoretycznie powinna działać, ale efekty są mało spektakularne? Utrzymanie ruchu, logistyka, energetyka? Od czego zacząć, żeby od razu zobaczyć rezultat?
Marcin Rojek: Dużo zależy od branży, ale wszędzie tam, gdzie produkcja jest nieźle zdigitalizowana, AI sprawdza się świetnie. Maszyny produkcyjne generują mnóstwo danych. Czasem nie są dostępne i trzeba się do nich dobrać, ale to już kwestia techniczna. Tematy okołoprodukcyjne działają bardzo dobrze, bo wyłapanie trendów w maszynach odpowiada na wiele pytań: nie tylko utrzymanie ruchu czy przewidywanie awarii, ale też co lepiej robić w procesie. Czasem chodzi po prostu o utrwalenie wiedzy. Rozmawiałem z człowiekiem z produkcji, który mówił, że młodzi ludzie nie rozumieją już tych wielkich maszyn, nie mają doświadczenia. Doświadczony pracownik wie, gdzie w maszynę uderzyć, który kurek podkręcić. Młodsi mają wszystko sfotografowane: tu były takie ustawienia, tam inne. Chodzą z tabletami i ustawiają według zdjęć.
Mariusz Kolanko: Dodam dwie rzeczy. Spektakularne efekty można szybko dostać w pracy z dokumentami. Marcin wspomniał kancelarię. Modele językowe robią to szybko, tanio i naprawdę dobrze. Bardzo szybko widać pierwsze efekty, choćby przy streszczeniach. Wiele firm najpierw musi ocenić, które sprawy są dla nich, a które nie. Normalnie trzeba przeczytać cały dokument, a mając streszczenie, można szybko podzielić tematy na trzy koszyki: nie dla nas, dla nas i jeszcze nie wiem. Druga rzecz to mój osobisty fenomen. Założyciele fabryk i ludzie, którzy są ojcami albo matkami danego procesu, dokładnie czują, co dzieje się na linii. To jak z kucharzami. Mój szwagier kucharz gotuje na oko, wrzuca garść tego, garść tamtego i zawsze wychodzi tak samo dobrze. Ja robię ściśle według przepisu i wychodzi źle, bo nie zauważyłem, że po drodze coś było nie tak i trzeba było dodać coś innego. Ci ojcowie procesów wiedzą, że dany surowiec ma więcej wody albo metal ma inne domieszki, więc trzeba go potraktować inaczej. Nowy pracownik dostaje przepis, naciska start i potem dziwi się, że nie wyszło. Te niuanse jesteśmy w stanie zmierzyć: wilgotność, gęstość surowca, temperatury, wibracje. I wtedy zaczynamy je uwzględniać w procesie.
Marcin Rojek: Przypomniał mi się scenariusz, kiedy AI nie daje efektów. Nasza firma działa dwutorowo. Jedna część to produkty komercyjne, w stu procentach sprawdzone. Druga to część badawcza, gdzie współpracujemy z uczelniami i prowadzimy czasem szalone projekty, które na którymś etapie pozwalają nam wyprzedzać konkurencję. W tej części mamy produkt do optymalizacji symulacji inżynierskich. Zrobiliśmy kilka tematów, gdzie AI przewidywało wyniki symulacji i się sprawdzało. Przyszedł klient z symulacją spalania. Teoretycznie AI powinno dać efekty, bo proces był powtarzalny, dobrze opisany i miał dużo danych. Okazało się jednak, że każdy eksperyment u tego klienta był dziełem sztuki, niepowtarzalnym i unikalnym. AI musiałoby za każdym razem tworzyć od nowa.
Mariusz Kolanko: Tam się nie sprawdziło, bo AI musi się czegoś nauczyć. Jak mamy proces powtarzalny, pięćset czy tysiąc symulacji, super. Ale jeśli to manufaktura, gdzie za każdym razem ktoś projektuje inny piec do spalania, to musielibyśmy powtarzać tę symulację od nowa, a klient i tak sam by ją wykonał.
Marcin Rojek: Takie tematy oddzielamy. Czasem z takich pomysłów wychodzą fragmenty, które dorzucamy do produktu. Ale w projektach czysto badawczych nie wszystkie się udają. AI powinno zadziałać, a nie chce.
Paweł Pilarczyk: Jakie dane są w ogóle potrzebne, żeby wdrożenie miało sens? Co jest większym problemem: dane niskiej jakości czy brak danych?
Mariusz Kolanko: Z brakiem danych nie ma problemu, bo wtedy nie startujemy. Dane muszą być. Ale jak są kiepskiej jakości, to nie jest sytuacja beznadziejna. Owszem, wydłuża to projekt, ale klient nagle zdaje sobie sprawę, jak do tej pory w ogóle działał i po co te dane zbierał. Zaczyna sam pytać, jak może to zrobić lepiej. Robimy pierwsze symulacje, dostajemy słabe wyniki, ale klient sam dochodzi do wniosku: dołożę czujnik, kupię lepszy, żeby dostać lepsze odpowiedzi. Pracując z nami, ulepsza dane, które do niego spływają, i widzi, że wyniki są coraz lepsze. Niejednokrotnie słyszeliśmy: jeszcze dobrze nie wystartowaliśmy, a my już sobie to i to naprawiliśmy.
Marcin Rojek: To efekt uboczny: AI porządkuje dane. Widzimy to u wielu klientów. Brak danych albo złe dane wydłużają projekt, ale przy okazji AI wymusza porządek.
Paweł Pilarczyk: Jak więc przygotować te dane, z czujników, z systemów ERP, żeby nie ograniczać się wyłącznie do przemysłu?
Marcin Rojek: Ogólnej recepty nie ma. My robimy to tak: gdy mamy już wstępne cele biznesowe, prosimy klienta, żeby pokazał swoje dane. Włączają się osoby techniczne, które tłumaczą, skąd te dane pochodzą i gdzie się znajdują. Najpierw odpowiadamy na podstawowe pytania: czy dane w ogóle są dostępne, jak się do nich dostać, czy można je eksportować ręcznie, czy wpiąć się przez API. Druga sprawa to czy są kompletne i spójne, czy jest w nich ciąg przyczynowo-skutkowy, czy widać w nich awarie, jeśli chcemy je wykrywać. To dużo rozmów, eksportów przykładowych danych, pracy w Excelu, w plikach tekstowych i w bazach. Trzeba przejść przez taką analizę, kiedyś głównie ręczną, dziś w dużej mierze automatyczną. Każdy przypadek jest inny.
Mariusz Kolanko: Powiem inaczej, bo jestem fanem małych kroków. Nie chciałbym, żeby ktoś, kto nas teraz czyta, poczuł się przytłoczony myślą: mam tyle danych, muszę je przygotować, ale jak? Jako fan drobnych kroków powiem tak: jeśli chcesz to wdrożyć, po prostu zadzwoń. Mam takie dane, da się coś z tym zrobić? Wystarczy zrobić to i to, albo daj nam je na chwilę, a my sprawdzimy. Wtedy klient ma cel i wie, jak uporządkować dane. Bez tego będzie zgadywał, tworzył zespół, który przygotuje kilka wariantów. Po co? Idźmy od razu do celu.
Marcin Rojek: Mamy klientów, którzy mieli dane z dziesięciu lat, i takich, którzy mieli zero. Wszyscy kończyli na tym samym procesie iteracyjnym: trochę danych, trochę AI, trochę danych, trochę AI.
Mariusz Kolanko: Porównałbym to do nauki jazdy na nartach. Kiedyś trzeba było przewrócić się sto razy i samemu wypróbować różne ścieżki, aż w końcu wyszło. Dziś lepiej wziąć trenera, który od razu mówi, jak to zrobić.
Paweł Pilarczyk: Macie do czynienia ze starymi zakładami produkcyjnymi, które mają zwykłe wiertarki czy pilarki, maszyny niezdigitalizowane, gdzie danych nie ma w ogóle? Firma chce się unowocześnić, ale to jeszcze nie jest przemysł 4.0. Czy taka firma ma szansę na wdrożenie?
Mariusz Kolanko: Wtedy zadaję pytanie: a macie dokumenty?
Paweł Pilarczyk: Powiedzmy, że nie mają dokumentów. Czy taki klient może dołożyć czujniki, na przykład mikrofon, który nagra dźwięk silnika i po nim wykryje zbliżającą się usterkę wiertarki?
Marcin Rojek: Można tak podejść, ale z naszego doświadczenia takich totalnie zielonych, nieprzygotowanych miejsc już praktycznie nie ma. Chodząc po wieloletnich fabrykach, nigdy nie spotkaliśmy zakładu, w którym nie byłoby choćby Arduino czy podstawowych elementów. Taki w pełni zielony klient byłby dla nas świetny, bo wchodzilibyśmy na czysty grunt deweloperski: jeden partner robi pełną digitalizację, drugi telemetrię, a my budujemy AI. Ale takich nie znajdujemy. Wszyscy mają maszyny. Częstszy problem jest taki, że maszyna teoretycznie ma dane, ale trzeba dokupić podzespół, żeby je wydobyć. To zwiększa koszt albo opóźnia wdrożenie. Albo dane są, ale jeszcze nie najlepiej zbierane, więc trzeba uruchomić jakiś system MES.
Mariusz Kolanko: Myślę, że firm z takimi problemami po prostu już dawno nie ma na rynku. Te maszyny byłyby tak stare, że precyzja byłaby nie ta. Podejrzewam, że dlatego ich nie widzimy.
Paweł Pilarczyk: Mariusz, wspomniałeś o kucharzu, który wrzuca garść mąki, garść czosnku i wychodzi mu świetna potrawa. Czyli w procesie wdrażania AI ważny jest człowiek. Na jakim etapie jest istotny, jaką pełni rolę i kto powinien być właścicielem takiego projektu?
Mariusz Kolanko: Życzyłbym sobie, żeby zawsze byli to ludzie z produkcji, prawdziwi mistrzowie swojego fachu. Oni dokładnie wiedzą, co chcą osiągnąć, nie boją się AI ani robotów, bo znają swoją wartość i lubią pracować z profesjonalistami.
Paweł Pilarczyk: Trochę bym się nie zgodził, czy aby na pewno się nie boją. Media trąbią, że AI zabierze pracę dziennikarzom, programistom, tłumaczom. Taki człowiek w fabryce może pomyśleć: przyjdzie szef, zainstaluje robota i to robot będzie wiedział, jak wrzucać te garście.
Mariusz Kolanko: Tego się nie da zastąpić. Mimo że nasze produkty dają wyjaśnialne AI i potrafimy powiedzieć, dlaczego coś się nie udaje, to w pewnym momencie ktoś tego nie zrozumie i pójdzie do takiego człowieka: wytłumacz mi, dlaczego tym razem zadziałało, a poprzednio nie. O to bym się nie martwił. Tych ludzi trzeba tylko uspokoić.
Marcin Rojek: To pojawia się czasem naturalnie. Obawa i sceptycyzm przewijają się w rozmowach, zwłaszcza że mamy dziś analizy od AI jako Terminatora po AI jako zbawcę świata. Pierwszy przełom następuje, kiedy AI dostarcza odpowiedź, którą ekspert też by dał, tylko szybciej i lepiej. Wtedy pojawia się myśl: dzięki temu mogę zrzucić z siebie część pracy, której nie lubię, a inne rzeczy robić szybciej i lepiej. Robiliśmy projekt w ciepłowni, gdzie AI było potrzebne jako druga opinia. Człowiek podejmował decyzję, ale czasem emocjonalnie. Brał prognozę pogody i odczyty, a potem ktoś bardziej odporny na ryzyko ustawiał temperaturę wyżej, ktoś ostrożniejszy niżej. AI jest tu dodatkowym głosem, który podpowiada.
Mariusz Kolanko: Znalazłem dziś po konferencji ciekawą analogię. Zobaczcie, gdzie jesteśmy. Kiedyś mówiono, że media społecznościowe zabiorą pracę dziennikarzom, że to będzie tragedia. A gdzie jesteśmy? W profesjonalnym studiu, ty robisz z nami wywiad, a technologia udostępniła rzeszom ludzi możliwość tworzenia własnych podcastów i spełniania się w roli dziennikarza. Tradycyjne media mają trochę pod górkę, ale nikt się tym specjalnie nie przejmuje, bo spójrzcie, ile mamy dziś kanałów. Tak samo będzie z AI: ile dostajemy nowych możliwości. Boimy się fake newsów, ale sto lat temu fake news był prosty: jeden pan przychodził do drugiego i prosił o odpowiedni artykuł, a była tylko jedna gazeta. Potem doszła telewizja, podobny mechanizm. Dziś mamy alternatywę i konkurencję. Sam mogę zobaczyć jednego dziennikarza, drugiego i sam zdecydować, kto zasługuje na moją uwagę.
Marcin Rojek: Zagrożeń i możliwości jest po równo.
Mariusz Kolanko: Ja patrzę bardziej z perspektywy możliwości. Pomyśl: masz dziś własny kanał i profesjonalne studio. Dawniej potrzebowałbyś całego biura i sztabu ludzi. Nawet byś nie zaczął.
Paweł Pilarczyk: Teoretycznie mógłbym wypromptować awatara AI. Wy też moglibyście być awatarami. Napisałbym ChatGPT, żeby stworzył skrypt podcastu, podłożyłbym głos i mielibyśmy gotowe wideo w krótkim czasie.
Marcin Rojek: To możliwe. Napisalibyśmy scenariusz, a AI dopracowałoby wypowiedzi.
Paweł Pilarczyk: Sklonowałoby nasze wizerunki i nikt by się nie zorientował, że tak naprawdę nas tu nie ma, że jesteśmy tylko awatarami.
Mariusz Kolanko: W pewnym momencie zaczną wchodzić narzędzia, które będą to weryfikować: algorytmy analizujące głos i wyłapujące niuanse. Tak jak kiedyś antywirusy wykrywały zagrożenia, tak teraz będą podłączać się do strumienia wideo i sygnalizować podejrzenia.
Paweł Pilarczyk: Jak przekonać pracowników, zwłaszcza w fabrykach, żeby się nie bali i traktowali AI nie jako zastępcę, tylko jako narzędzie, które pozwala pracować skuteczniej?
Marcin Rojek: To zawsze oznacza zmianę dla całej organizacji, taką transformację cyfrową. Jedna uwaga zanim do tego przejdę: kiedy opowiadamy historie klientów z nazwiskami i danymi, wszystkie te przypadki są prawdziwe, opisane na naszym blogu. Wracając do wdrożenia, z naszego podwórka często pojawia się temat: mamy dużo danych i czujemy, że coś w nich jest. Weźmy ciepłownię. Powstają jako hybryda systemów zbieranych przez lata. Przychodzę dziś do pracy i mam tysiące alarmów z różnych systemów. Patrzę, czy wszystko działa, kasuję alarmy, a jak coś się stanie, zaglądam do danych i okazuje się, że było to widać. Filtrowanie tych alarmów to rozwiązanie konkretnego problemu tych ludzi. Mówi się, że AI zabierze pracę, ale co to naprawdę znaczy? Jeśli tysiąc alarmów analizowało dziesięć osób, to jedna z AI przeanalizuje je sama, a dziewięć musi zająć się czymś innym. A te osoby czasem nie chcą. Dlatego trzeba mówić wprost: nasze duże wdrożenia zawsze kończyły się reorganizacją firmy. To naturalny proces. Ludzie przechodzą przez etap szkoleń i odnajdują się w nowych procesach. To nie dzieje się tak, że w piątek wymyśliliśmy AI, w poniedziałek je mamy, a we wtorek wszyscy są zwolnieni. To procesy, które trwają miesiące, a nawet lata.
Mariusz Kolanko: Dorzucę przewrotną myśl. Zamiast pytać, co zrobić, żeby ludzie nie stracili pracy, zapytajmy, czego na pewno nie robić. Na pewno nie blokować rozwoju. Jeśli zaczniemy go blokować, to zablokujemy tylko siebie, bo wszyscy wokół i tak zaczną tworzyć. Świat pójdzie dalej, a my zostaniemy w tyle. Jeśli chcemy się liczyć, nie możemy stać w miejscu.
Paweł Pilarczyk: Na konferencji ktoś mówił, że AI nie zabierze nam pracy, tylko będzie zabierać konkretne zadania. Czyli analizę alarmów, których nagle wyskakuje sto pięćdziesiąt i robi się panika, możemy zlecić AI. Robotę, której nie lubimy, oddajemy AI, a sami skupiamy się na rozwijaniu produktu, na ciekawszych zadaniach. Może w ten sposób da się uspokoić ludzi: niech zastanowią się, jakich powtarzalnych rzeczy nie lubią robić, choćby debugowania kodu.
Mariusz Kolanko: Zobaczcie, ile czasu marnujemy na poprawianie procesu, bo znowu coś nie wyszło albo jest awaria. Gdyby to zautomatyzować i pozwolić, żeby się produkowało, moglibyśmy skupić się na rozwoju i zmienić produkt.
Marcin Rojek: Przykłady można mnożyć. Kiedy zaczynałem, pracowałem na rynku mobilnym. Napisanie okna na komórce, żeby się poprawnie wyświetlało, bywało dniem pracy, który następnego dnia się kasowało przez wycieki pamięci. Dziś, gdy patrzę na naszych inżynierów, jeden doktor, który traktuje matematykę jak poezję i myśli liczbami, plus AI, to mniej więcej dwudziestoosobowy zespół sprzed lat. To potężne narzędzia i potężna wiedza, jaką mamy jako ludzkość.
Mariusz Kolanko: Na studiach uczyliśmy się mitycznego assemblera, programowania na rejestrach. Wyobraźcie sobie, że dalej robimy to w ten sposób, a świat poszedł dalej. Przychodzi klient i prosi: zaprogramuj mi system operacyjny. A my potrzebujemy dwudziestu lat, żeby napisać Hello World.
Marcin Rojek: Postępu nie zatrzymamy.
Mariusz Kolanko: Historia wielokrotnie pokazywała, że kto bardzo chciał zatrzymać postęp, ten przegrywał. Niejedno imperium od tego upadło.
Paweł Pilarczyk: Czyli zamykanie oczu na AI to najgorsze, co można zrobić. Przejdźmy do wdrożenia. Jak powinien wyglądać dobry pilotaż?
Marcin Rojek: Dobry pilotaż to taki, który realizuje funkcję celu biznesowego klienta. Brzmi banalnie: powiedz, czego chcesz, a my to dostarczymy. Ale tak nie jest do końca, bo klienci nie zawsze są świadomi, co mogą osiągnąć i jak na końcu policzyć ROI. Mają pomysły: zautomatyzujmy to i tamto. Opowiadałem dziś na konferencji anegdotę. Klient chciał zautomatyzować procesy, ale pewien fragment realizowało ulubione narzędzie jego szwagra. Nagle okazało się, że AI musiałoby je skasować, bo w łańcuchu nie jest już potrzebne. Sentyment był ogromny, dopóki nie padło pytanie, ile to narzędzie kosztuje. Wtedy nie było już o czym rozmawiać. Dobry pilotaż to taki, który realizuje konkretny cel. Mając dziesięć linii produkcyjnych, dobry pilotaż dostarcza ROI z jednej linii. Realnie widzimy wtedy, że inwestycja zaczyna się zwracać.
Mariusz Kolanko: Z wartością bywa różnie. Pilotaż może być nawet nieużywalny, a dobre MVP jest takie, które da się używać, bo zaczyna żyć własnym życiem. Ktoś go używa, inni pytają: jak to zrobiłeś, dlaczego tak szybko? I to właśnie kasuje obawy pracowników. Wszystko jest powiązane, więc dzwoni telefon: zrobiliście to i to, a chcielibyśmy jeszcze coś innego, bo nas blokuje. To musi działać, a im szybciej zadziała, tym większą zrobi reklamę. Najlepiej znaleźć kogoś, kto chce ten temat pociągnąć. W każdej firmie dobrze mieć ambasadora. Mam ulubioną klientkę, która pociągnęła temat i zaraz wróciła z kolejnym.
Marcin Rojek: To jak z prezentacją na scenie. Trzeba znaleźć tego jednego przyjaznego słuchacza, lokomotywę, która pociągnie resztę. Nie chcemy iść na siłę i mówić: od jutra każdy ma dziesięć narzędzi AI.
Mariusz Kolanko: To chyba najgorsze, co można zrobić: zmusić i ogłosić, że od dziś robimy tak i tak. Lepiej wejść z MVP, które zaczyna działać. Ludzie podglądają, mówią: ja też tak chcę, jak to robisz? I telefon dzwoni sam.
Paweł Pilarczyk: Jakie KPI są najważniejsze przy takich wdrożeniach? Chyba pieniądze.
Mariusz Kolanko: Pieniądze. Numer jeden. Choć poszedłbym też w czas.
Marcin Rojek: Wszystko i tak przelicza się na pieniądze. Są oczywiście KPI, których część słuchaczy się spodziewa: pracownik odchodzi na emeryturę i ma wiedzę, którą trzeba zaszyć w formie agenta. Albo jest dużo pracy manualnej i ludzie potrzebują AI, które podpowie i da drugą opinię. Ale ostatecznie i tak siadamy do Excela i pada pytanie: więcej na końcu czy mniej? AI musi się zwrócić, żeby miało sens. Droga do policzenia tego bywa różna: szybciej, lepiej, taniej. Czasem chodzi o to, że bez AI znikniemy, bo konkurencja robi lepsze produkty albo ma etykietę AI, a my nie i przez to nie dostajemy zleceń.
Mariusz Kolanko: Bo na koniec już wyceniliśmy pracę, godzinę. Chcemy zaoszczędzić, a na pewno nie mieć gorzej niż dotychczas.
Marcin Rojek: Trzeba to uczciwie powiedzieć. Celem firmy komercyjnej jest zarabiać teraz i w przyszłości. Jeśli AI pomaga utrzymać ten trend, mamy wszystkie miłe rzeczy: czwartkowe owoce, dobrą atmosferę, dumę z fajnego logo. Kiedy firma przestaje działać, wszystko zaczyna trzeszczeć.
Mariusz Kolanko: Możemy mówić o skróceniu czasu pracy, zwiększeniu produkcji, zmniejszeniu liczby awarii. Ale na końcu przychodzi dyrektor finansowy i pyta: ile muszę wydać, po jakim czasie się zwróci i dlaczego tak długo? Ktoś musi w to zainwestować i będzie chciał zwrotu.
Marcin Rojek: Bywają też projekty dla fanów, które zwracają pieniądze przy okazji. Ktoś ma budżet i musi go wydać na AI, ale nie chce wydać bezsensownie. I zawsze przychodzi dyrektor finansowy: rozumiem entuzjazm, ale chodźcie na chwilę, bo mam Excela i pytanie, co tu wpisać. Właściciel dzwoni do mnie i też pyta, co tam wpisać.
Paweł Pilarczyk: Zaprosiłem was, bo jesteście praktykami. Pochwalcie się prawdziwymi wdrożeniami. Opowiedzcie krok po kroku, od zauważonego problemu do rozwiązania dzięki AI.
Mariusz Kolanko: Zacznę od najfajniejszego. Wspomniana ambasadorka z kancelarii prawnej, z którą współpracujemy, miała taki problem: dużo Exceli i konieczność przerzucania danych z jednego do drugiego z drobnymi modyfikacjami. Okazało się, że da się to zrobić za pomocą AI. Wdrożyliśmy to krok po kroku, klienci zniknęli na jakiś czas, a potem wrócili, bo potrzebowali tłumaczeń dokumentów. Później doszły streszczenia, a następnie lepsza wyszukiwarka w ich bazie. I tak krok po kroku to się rozwija. Pozdrawiamy kancelarię.
Marcin Rojek: Każdy z tych przypadków jest opisany na blogu, w szczegółach. Mnie zainspirowały wdrożenia z AI w produkcji i przetwarzaniu żywności. Robiliśmy takie wdrożenie w Foodwell, dawniej Bakalland. Niektórych klientów jeszcze nie możemy ujawnić, ale chodzi właśnie o eliminację odpadu.
Paweł Pilarczyk: Czyli problemem było zbyt dużo odpadu?
Marcin Rojek: Tak. To różne tematy: jak optymalnie ciąć batonik czekoladowy, żeby jak najmniej zostało. Problem przeważeń: nasypujemy coś do jednego pojemnika, do drugiego, wagi są niezsynchronizowane, proces się zmienia, pojawiają się przeważenia i niedoważenia, a od dostawców mamy różne KPI. Ciekawe jest to, że zawsze powtarza się ten sam dylemat. W pierwszym kroku liczymy, że odpadem jest ten źle wykonany dżem na końcu. A zanim powstał, po drodze źle poszatkowano owoce, coś podgrzano, źle wymieszano, temperatura była nie ta, masa zbyt gęsta albo zbyt rzadka. Proces jest złożony, więc zanim odpad powstanie, zaksięgowano już dziesięć razy więcej kosztów: w godzinach pracy ludzi, w zużyciu maszyn i surowca, w uszkodzeniach. Uświadomiliśmy ten koszt klientowi. To otwiera oczy: nie liczymy tylko, ile pudełek wyrzuciliśmy, ale mnożymy to przez dziesięć, bo to cały proces. Kiedy AI analizuje dane na różnych etapach, daje wyjaśnialne AI: nie tylko mówi, że tu była awaria, ale od razu wyjaśnia, dlaczego. Bo tu była za wysoka temperatura, a tam coś nie zgrało się w czasie.
Paweł Pilarczyk: Dlatego mówiłeś wcześniej, żeby nakładać AI na całą linię, a nie tylko na pojedynczy element, na przykład sam etap szatkowania owoców czy podgrzewania dżemu. Wtedy od razu mamy pełny obraz.
Marcin Rojek: Nie lubimy pojęcia proof of concept, bo PoC mówi tylko: mamy tezę, że zła temperatura coś psuje. To nie jest prosta funkcja statystyczna, która policzy średnią i zapali żółtą lampkę. Proces jest bardziej złożony, bo temperatura rośnie z jakiegoś powodu, gdzieś zmienia się ciśnienie. PoC odpowie tylko, że wykrył temperaturę poza normą, ale to za mało. Dopiero wyjaśnialne AI potrafi te rzeczy później wyjaśnić.
Mariusz Kolanko: To ciekawa uwaga. Mieliśmy projekt w ciepłownictwie, gdzie trzeba było zamówić odpowiednią ilość energii. Pierwszy pomysł był taki, żeby zainstalować czujniki w mieście i w każdym węźle ciepłowniczym przewidzieć zapotrzebowanie, a potem to zsumować. Okazało się jednak, że to podejście było mniej dokładne niż nauczenie modelu na całym mieście. Kiedy bierzemy większą masę danych, model działa lepiej. W tej masie pojedyncze anomalie, na przykład awaria jednego węzła albo odejście części lokatorów, mają mniejsze znaczenie, bo bezwładność całości jest na tyle duża, że lepiej przewiduje zapotrzebowanie na ciepło niż sumowanie pojedynczych węzłów.
Marcin Rojek: Uruchomiliśmy tam armię agentów, ponad trzysta.
Paweł Pilarczyk: A co z tymi silnikami odrzutowymi?
Marcin Rojek: To nasze flagowe case study. Wypuściliśmy duży update do produktu Cognitive Services, wzbogacony właśnie o wyjaśnialne AI, czyli takie, które nie jest czarną skrzynką, tylko tłumaczy, dlaczego podejmuje decyzje. Dodaliśmy też feature engineering: nasze algorytmy pracują nad danymi tak, by wyłapać niuanse związane z fizyką i czynnikiem ludzkim, i automatycznie wzbogacają dane. Silniki to case study, który pokazuje wszystkie możliwości produktu. Mamy problem z klientami: chcąc zrobić demo, nie dostajemy od nich danych, co jest zrozumiałe.
Paweł Pilarczyk: Nie możecie podpisać NDA?
Marcin Rojek: Możemy, ale my chcemy te dane potem pokazać publicznie. Tu jest pewne niezrozumienie.
Mariusz Kolanko: Dziś na konferencji było to samo. Mówimy o bezpieczeństwie, o tym, że to twoje dane i twoja przyszłość, więc każdy chce je zatrzymać.
Marcin Rojek: Dane naszych klientów to ich sprawa i tych danych nie zabieramy. Żeby pokazać możliwości produktu, ściągnęliśmy ogólnodostępne dane z NASA. Na nich modelujemy pełny predictive maintenance: nie tylko przewidywanie, kiedy silnik się zepsuje, ale też symulację, jak zaplanować optymalny serwis, kiedy wymienić które czujniki i podzespoły. Czy wymienić teraz, bo ROI będzie odpowiednie, czy poczekać, bo AI mówi, że tu jest jeszcze dwieście cykli, a tu tylko pięćdziesiąt. To bardzo złożona logika. Cały etap researchu, który trwał latami, zebraliśmy w całość i włożyliśmy w ten upgrade.
Paweł Pilarczyk: Na koniec: jakie złote rady dalibyście widzom i słuchaczom, którzy chcą wdrożyć AI w ciągu najbliższych sześciu miesięcy?
Mariusz Kolanko: Telefon do nas. To najlepsza rada. Jestem fanem drobnych kroków, nie wyważajmy otwartych drzwi. Wystarczy konsultacja, która nie trwa długo. My mówimy, co możemy zrobić, klient mówi, co chce osiągnąć, a my wskazujemy kierunek. Najlepiej od początku iść w dobrą stronę. Można metodą prób i błędów, ale po co.
Marcin Rojek: Dodam, że warto zastanowić się, jaki jest nasz cel biznesowy. Czy mamy pomysł, co chcemy osiągnąć? Jeśli to przemysł, może chodzi o eliminację odpadu. Może mamy w back office dużo dokumentów, które chcielibyśmy lepiej przetwarzać. Warto zrobić sobie taką retrospektywę, przejść się po firmie.
Mariusz Kolanko: Dokładnie. Jeśli nie mam pomysłu, to jako lider i właściciel po prostu przejdę się po firmie i porozmawiam.
Marcin Rojek: Zejdźmy do fabryki i zapytajmy ludzi: które z waszych prac są powtarzalne, czego nie lubicie, gdzie jest ryzyko wypadku, gdzie macie tyle danych, że już ich nie ogarniacie? Przejdźmy się po księgowości i działach wsparcia. Mieliśmy ostatnio świetne spotkanie. Kolega z dawnych lat dostał od szefa zalecenie, żeby wdrożyć AI wszędzie i na maksa. Zorganizował to mądrze: zebrał ludzi z produkcji, sceptyków i optymistów z różnych działów, i była luźna dyskusja. Opowiadaliśmy case by case, u tego klienta wdrożyliśmy to, u tamtego tamto. Ktoś czasem mówił: nuda, a po chwili: czekajcie, wróćcie, to brzmi jak u mnie. I tak rodziła się inspiracja. AI to nie magiczna naklejka, po której nagle robi się dziesięć razy lepiej. To nie jest tak, że ktoś w piątek wpadł na pomysł, a w poniedziałek został miliarderem. Trzeba podwinąć rękawy.
Paweł Pilarczyk: I najważniejsze: jeśli nie wdrożymy AI, zrobi to ktoś inny. My dalej będziemy produkować pojedyncze portfele, a inni zautomatyzują produkcję. Mówiliście też, że jeśli zautomatyzujemy jeden proces od początku do końca, a nie tylko mały fragment, i okaże się, że działa, to potem leci jak domino: tu jeszcze się da, tam jeszcze się da.
Mariusz Kolanko: Tak. Najgorsze, co można zrobić, to pozwolić, żeby tę technologię opanował ktoś, kogo byśmy nie chcieli. On nie będzie na nas czekał.
Paweł Pilarczyk: Bardzo wam dziękuję za przyjęcie zaproszenia.
Marcin Rojek: Dziękujemy.
