Generativna umetna inteligenca (genAI) je z razvojem orodij, kot je Chat GPT in velikih jezikovnih modelov, postala eden od najpopularnejših tehnoloških trendov v zadnjih letih. Uporaba orodij, ki slonijo na genAI, je del vsakdanjika večine zaposlenih, vse pogosteje pa genAI želijo uporabljati tudi podjetja za optimizacijo delovnih procesov, avtomatizacijo zamudnih nalog in s tem razbremenitev zaposlenih. 

Najpogostejša oblika uporabe genAI v podjetjih so inteligentni virtualni asistenti. Le-ti predstavljajo s tehnološkega vidika relativno enostavno rešitev, ki naslavlja določen poslovni problem. Inteligentni virtualni asistenti se pogosto uporabljajo kot pomoč zaposlenim pri iskanju podatkov v interni dokumentaciji, pomoč strankam pri odgovorih na vprašanja ali pa pomoč zaposlenim pri komunikaciji s strankami. Uporaba genAI v podjetjih pa nikakor ni omejena le na pogovorne virtualne asistente oz. t.i. chatbote. Njen glavni potencial lahko izkoristimo predvsem z integracijo povezanih tehnologij, kot so npr. podatkovne platforme in ostali interni sistemi. Za doseganje najboljših rezultatov pa je smiselno uporabiti tudi druge oblike umetne inteligence, npr. pristope klasičnega strojnega učenja.

INTELIGENTNI VIRTUALNI ASISTENTI – varna in učinkovita uporaba generativne umetne inteligence v podjetjih

Razpoložljivost 24 ur na dan, 7 dni v tednu. Inteligentni virtualni asistenti lahko vodijo uporabnike skozi postopke iskanja informacij, odpravljanja težav in jim tako pomagajo najti odgovore, oziroma rešiti težave brez človeškega posredovanja. Zasnovani so za obvladovanje rutinskih in ponavljajočih se nalog, kar ljudem omogoča, da se osredotočajo na bolj zapletene vidike svojih vlog z dodano vrednostjo. To vključuje naloge, ki zahtevajo čustveno inteligenco, ustvarjalnost, kritično razmišljanje in kompleksno reševanje problemov.

Inteligentni virtualni asistenti simulirajo človeški pogovor z uporabniki prek besedilnih sporočil v klepetu. V zgodnjih fazah razvoja virtualnih pomočnikov so prevladovali sistemi, ki temeljijo na pravilih in pristopu prepoznavanja vzorcev. Ti asistenti delujejo na podlagi nabora vnaprej določenih pravil in sledijo odločitvenemu drevesu ali diagramu poteka, da se odzovejo na vnose uporabnikov. Programirani so za prepoznavanje določenih ključnih besed ali vzorcev v uporabniških sporočilih in ustrezno generiranje vnaprej določenih odgovorov. Z integracijo strojnega učenja, obdelave naravnega jezika in tehnik globokega učenja, je razvoj vodil k ustvarjanju bolj inteligentnih in prilagodljivih virtualnih asistentov. Razvoj tovrstne tehnologije se nadaljuje s poudarkom na izboljšanju razumevanja naravnega jezika in zagotavljanju odzivov, ki se bolj zavedajo konteksta in z zmožnostjo sklepanja. Trendi, ki bodo oblikovali prihodnost velikih jezikovnih modelov, gredo v smeri razvoja multimodalnih modelov, torej integracije besedila z drugimi oblikami, kot so slike, zvok in video. 

Najbolj očitna prednost inteligentnih virtualnih asistentov je, da lahko klepetajo z več uporabniki hkrati in posredujejo informacije v nekaj sekundah, torej nudijo takojšen odgovor in skrajšajo odzivni čas podpore strankam. Dostop imajo lahko do različnih formatov vira podatkov, na primer do sistema za upravljanje odnosov s strankami ali CRM podatkov, do vsebine na spletni strani, ter do drugih sistemov in podatkovnih zbirk ali tako imenovanih baz znanja. S tem uporabnikom nudijo boljšo in prilagojeno uporabniško izkušnjo. Virtualne asistente lahko integriramo z različnimi komunikacijskimi kanali in platformami, vključno s spletnimi mesti, družbenimi mediji in drugimi aplikacijami za sporočanje. Na ta način virtualni pomočniki z umetno inteligenco uporabnikom oziroma strankam omogočajo interakcijo s podjetjem preko svojih priljubljenih kanalov. Če so asistenti namenjeni le zaposlenim, se jih lahko enostavno umesti v pogovorne vmesnike kot je npr. Microsoft Teams, s čimer preprečimo pretirano nasičenost z različnimi aplikacijami in zaposlenim približamo novejšo tehnologijo.

Za podjetja je v postopku vpeljave generativne umetne inteligence v svoj delovni proces, ključnega pomena tudi varnost pogovorov in podatkov. Virtualni asistenti, razviti s pomočjo storitev Microsoft Azure zagotavljajo, da se zaupni podatki in pogovori ne uporabljajo za trening velikih jezikovnih modelov, prav tako pa je ob pravilnem razvoju zagotovljena varnost aplikacije v ozadju inteligentnih virtualnih asistentov.  

INTEGRACIJA S PODATKOVNIMI PLATFORMAMI (MS Fabric) – VEČAGENTNI SISTEMI

Kljub rastoči popularnosti zgoraj opisanih pogovornih virtualnih asistentov, ti predstavljajo le delček potenciala, ki ga lahko dosežemo z (generativno) umetno inteligenco. 

V svetu, kjer podatki igrajo ključno vlogo pri sprejemanju odločitev, postaja integracija naprednih tehnologij, kot je generativna umetna inteligenca, s podatkovnimi platformami kot je npr. Microsoft Fabric, vse bolj pomembna. Podatkovne platforme predstavljajo temelj, na katerem gradimo naše sisteme umetne inteligence, medtem ko visoko kakovostni podatki in učinkovito upravljanje podatkov (data governance) zagotavljajo, da naši virtualni asistenti delujejo optimalno in uporabniku zagotavljajo ustrezne podatke. 

GenAI ne izboljšuje le interakcije med podatki in uporabnikom, ampak tudi omogoča preoblikovanje neurejenih podatkov (npr. besedila, slike) v strukturirane podatke, ki jih nato lahko shranimo v podatkovne platforme, kot je Fabric. To je ključnega pomena z vidika optimizacije ponavljajočih se nalog, saj zaposlenim prihrani iskanje in ročni vnos podatkov, hkrati pa se to lahko izvede avtomatizirano do takšnega nivoja, kot ga želi posamezno podjetje. Postopek je lahko avtomatiziran v celoti, lahko pa je prilagojen na način, ki zaposlenim omogoča vmesni pregled podatkov. Orodja kot je Microsoft Fabric in Microsoft Azure namreč omogočajo razvoj podatkovnih tokov, ki prenašajo podatke med različnimi sistemi, ki so potrebni za delovanje genAI rešitev, ter sistemi, ki jih zaposleni že uporabljajo in so jim znani (npr. SharePoint ali Excel). 

V modernih podatkovnih platformah lahko uporabniki najdejo veliko število funkcionalnosti, s katerimi lahko pridobijo bolj poglobljene vpoglede, brez, da bi za to potrebovali dodatna orodja. Microsoft Fabric na primer omogoča povezovanje podatkov iz različnih virov, vsebuje pa tudi orodja za poročanje in napredno analitiko. V Fabricu je namreč mogoče izvajati projekte strojnega učenja na podoben način kot v Azure ML Studiu.

VEČAGENTNI SISTEMI

Kljub enostavnosti uporabe tovrstnih platform, pa je ključnega pomena, da vpoglede v podatke približamo uporabnikom na enostaven in hiter način. V teh primerih je idealna uporaba virtualnih asistentov, ki omogočajo interakcije med različnimi sistemi preko enega vmesnika in izvajanje nalog v ozadju.  

Na takšen način oblikovane virtualne asistente lahko imenujemo tudi večagentni sistem (ang. »multi-agent system«), pri katerem se vse zmogljivosti izvajajo na podlagi uporabniškega vnosa (vprašanja oz. navodila asistentu). Ker vsa komunikacija z asistentom poteka preko pogovornega uporabniškega vmesnika, ta ponuja uporabniku prijazno izkušnjo, brez potrebe preklopa med različnimi sistemi in tehnologijami. Na podlagi uporabniškega vnosa se tako sprožajo različni agenti (primeri opisani v prejšnjem poglavju), ki v ozadju izvajajo naloge, povratna informacija o statusu izvedbe nalog oz. določeni podatki, ki jih je zahteval uporabnik, pa se ponovno prikažejo v glavnem uporabniškem vmesniku, ki je oblikovan s pomočjo velikih jezikovnih modelov.  

Primeri tehnologij, ki so združljive z inteligentnim virtualnim asistentom:  

• Velike podatkovne baze in opravila na bazah (npr. Pridobivanje podatkov, zapis podatkov v bazo). Primer iz prakse: registracija novega uporabnika – agent preveri, če uporabnik že obstaja v internem sistemu, v nasprotnem primeru vpiše novega uporabnika s podatki, vnesenimi v uporabniški vmesnik, v bazo. 

• Klasični modeli strojnega učenja (npr. Uporabnik virtualnega asistenta prosi za klasifikacijo specifičnega dokumenta, agent ga klasificira glede na obstoječi model strojnega učenja).  

• Strojni vid (npr. Virtualni asistent uporabniku poroča o trenutnem stanju na cesti, te podatke je pridobil s pomočjo modela računalniškega vida). 

• Opravila na spletu (npr. Agent uporabniku posreduje informacije o stanju in cenah letov, na podlagi povratne informacije oz. izbora uporabnika, agent samodejno rezervira let).  

Ti večagentni sistemi so sposobni opravljati raznolike naloge, kot je zaganjanje podatkovnih tokov, vnašanje podatkov, generiranje poročil, delegacija nalog glede na prej vzpostavljene kriterije, informiranje, pošiljanje obvestil itd. Tudi te naloge lahko potekajo na nivoju avtomatizacije, ki je skladna s poslovnim procesom. Glavne prednosti večagentnega sistema so tako enostavnost (komunikacija v naravnem jeziku z enim uporabniškim vmesnikom), multifunkcionalnost (izvajanje več nalog v ozadju) ter popolna prilagodljivost, saj se vsi večagentski sistemi razvijejo v skladu z željami in potrebami strank.

https://www.add.si/sl/