Technologie AI w zarysie: jaka metoda odpowiada na jakie pytanie biznesowe
Zalecamy najprostszą metodę, która w mierzalny sposób odpowiada na Państwa pytanie. Nie musi to być metoda najnowsza.
Jaka metoda pasuje do Państwa pytania biznesowego i jaki prosty punkt odniesienia musi pokonać, pokazuje tabela poniżej.
Technologie AI: definicja i kontekst
Technologie AI to metody, za pomocą których oprogramowanie wyprowadza z danych prognozę, rekomendację, tekst lub decyzję. Pojęcie to nie oznacza jednej metody, lecz całą rodzinę metod, które odpowiadają na różne pytania i potrzebują różnych danych. Unijny akt w sprawie sztucznej inteligencji definiuje system AI na własny użytek, między innymi przez działanie z różnym poziomem autonomii [1]. Ten przegląd porządkuje natomiast metody według pytania biznesowego.
Metody sztucznej inteligencji można przedstawić jako koła, które zawierają się jedno w drugim. Zewnętrzne koło to AI jako pojęcie nadrzędne. Mieści się w nim uczenie maszynowe, po angielsku machine learning, które uczy się reguły na przykładach i stosuje ją do nowych przypadków. Korzysta ono z tej samej matematyki co statystyka, która sprawdza, czy zależność w danych jest czymś więcej niż przypadkiem. Wewnątrz uczenia maszynowego mieści się deep learning, który wykorzystuje wielowarstwowe sieci neuronowe i sam uczy się z surowych danych, jakie cechy mają znaczenie [2]. Generatywna AI, która tworzy teksty lub obrazy, jest raczej zadaniem niż osobnym kołem. Wczesnym znanym przykładem jest model językowy GPT-3 z 2020 roku ze 175 miliardami parametrów, czyli wartości, które sieć dostosowuje podczas treningu [3].
Deep learning i oparta na nim generatywna AI przebiły się jako ostatnie. W 2012 roku głęboka sieć neuronowa klasyfikowała obrazy wyraźnie dokładniej niż metody, które przodowały do tamtej pory [4]. W 2017 roku pojawiła się architektura Transformer, oparta w całości na tak zwanym mechanizmie uwagi (attention) [5].
To, że deep learning i generatywna AI przebiły się jako ostatnie, nie czyni ich automatycznie właściwym wyborem. Dane z ERP, systemu magazynowo-handlowego i sterowania maszyn mają postać tabel i szeregów czasowych. Na tabelach liczących około 10 000 wierszy metody oparte na drzewach, takie jak gradient boosting, który łączy wiele prostych drzew decyzyjnych, wypadły w dużym badaniu porównawczym z 2022 roku lepiej niż głębokie sieci [6]. W 2025 roku twórcy wstępnie wytrenowanego modelu tabelarycznego opartego na architekturze Transformer podali, że na zbiorach danych do 10 000 wierszy wyraźnie przewyższył on wszystkie dotychczasowe metody [7]. W praktyce liczy się więc nie rodzina metod, lecz porównanie na Państwa własnych danych z prostym punktem odniesienia.
Mocną stroną generatywnej AI jest przetwarzanie języka, na przykład streszczanie lub analiza wolnego tekstu. Natomiast prognoza sprzedaży czy oszacowanie pozostałego czasu pracy maszyny to zadanie dla metod, które porównuje się z punktem odniesienia na Państwa liczbach. Dlatego tabela poniżej podaje dla każdego pytania prosty punkt odniesienia, z którym trzeba porównać metodę uczenia maszynowego.
Mapa technologii AI: sześć obszarów
Mapa porządkuje technologie AI według kolejnych etapów przedsięwzięcia, od danych aż po eksploatację. Każdy obszar prowadzi do swojej sekcji poniżej.
Najczęstsze pytania o technologie AI
Czym są technologie AI?
Technologie AI to metody, dzięki którym oprogramowanie wyprowadza z danych prognozy, rekomendacje, treści lub decyzje. Należą do nich uczenie maszynowe z jego klasycznymi metodami, głębokie sieci neuronowe i generatywna AI. Statystyka dostarcza podstaw i punktu odniesienia. Każda metoda odpowiada na inny rodzaj pytania i potrzebuje innych danych.
Jaki jest związek między sztuczną inteligencją a machine learning?
Sztuczna inteligencja to pojęcie nadrzędne. Machine learning to jej część, w której reguły powstają z przykładów, zamiast być programowane ręcznie. Model uczy się na przykład ze sprzedaży z poprzednich lat, ile danego artykułu schodzi w konkretnym tygodniu sezonu, i stosuje tę wiedzę do nadchodzącego sezonu.
Deep learning: definicja, metody i kiedy się opłacaKtóre technologie AI sprawdzą się w średnich firmach?
Dla danych z ERP, systemu magazynowo-handlowego i sterowania maszyn, czyli tabel i szeregów czasowych, pierwszymi kandydatami są metody klasyczne, takie jak gradient boosting, modele szeregów czasowych i wykrywanie anomalii, a ostatnio także wstępnie wytrenowane głębokie sieci do tabel. Przy obrazach i długich przebiegach z czujników dochodzą inne głębokie sieci, a przy tekstach modele językowe. Wybór zależy od Państwa pytania i danych.
Czy każdy projekt AI potrzebuje deep learningu?
Nie. Na tabelach średniej wielkości metody oparte na drzewach, takie jak gradient boosting, wypadły lepiej w badaniu porównawczym z 2022 roku [6]. W 2025 roku twórcy wstępnie wytrenowanej głębokiej sieci do tabel podali, że przewyższa je do 10 000 wierszy [7]. Decyduje porównanie na Państwa danych, gdzie głęboka sieć musi pokonać prostszą metodę. Przy obrazach i języku głębokie sieci są naturalnym wyborem.
Deep learning: definicja, metody i kiedy się opłacaDo czego generatywna AI nadaje się w firmie, a do czego nie?
Generatywna AI nadaje się do zadań związanych z językiem: streszczania dokumentów, ułatwiania dostępu do wiedzy i analizy wolnego tekstu. Model językowy, który pisze teksty, nie został zbudowany do prognozowania sprzedaży, popytu ani awarii. Do tego służą metody, których błąd można zmierzyć na danych historycznych.
Jakich danych potrzebują metody AI?
Potrzebują danych, w których występuje przewidywane zdarzenie, z datą i w wystarczającej liczbie. Model awarii potrzebuje udokumentowanych awarii, prognoza sprzedaży z sezonowością co najmniej dwóch pełnych cykli sezonowych, a kontrola obrazu opisanych przykładów. Jeśli tej podstawy brakuje, przedsięwzięcie zaczyna się od zbierania danych.
Ile kosztuje wdrożenie technologii AI?
Oprócz kosztów samej metody proszę uwzględnić przede wszystkim koszty danych i integracji z Państwa systemami. Rachunek staje się wiarygodny, gdy korzyść jest z góry wyrażona w euro, a koszty monitorowania i ponownego trenowania zostały odjęte. Dzięki temu przedsięwzięcie bez solidnego uzasadnienia ekonomicznego da się wcześnie rozpoznać.
Jak dobrać metodę AI do własnego pytania?
Proszę zacząć od decyzji, którą chcą Państwo poprawić, i od kryterium sukcesu wyrażonego w euro. Następnie trzeba sprawdzić, czy Państwa dane pozwalają odpowiedzieć na to pytanie. Dopiero wtedy porównuje się dwie lub trzy metody z prostym punktem odniesienia i wybiera najprostszą, która wyraźnie go pokonuje.
Technologie AI w szczegółach: strony tematyczne
Każda karta prowadzi do strony z definicją, metodami i ograniczeniami.
Dane
To dane rozstrzygają, czy reszta nakładów się opłaci, bo żadna metoda nie uzupełni tego, czego w nich nie ma.
Czyszczenie danych
Pytanie przewodnie: które braki w Państwa danych kosztują pieniądze lub zniekształcają decyzję, a które mogą pozostać? Wynik: oczyszczony zbiór danych do określonego celu, z zestawem reguł, dziennikiem zmian i potokiem przetwarzania (pipeline).
Czyszczenie danych: proces, koszty i przykład obliczeńInżynieria cech
Pytanie przewodnie: które cechy zamieniają surowe dane w sygnał i co cecha może wiedzieć w chwili prognozy? Wynik: cechy zbudowane z wiedzy Państwa działu, sprawdzone tak, by żadna nie zawierała informacji z przyszłości.
Inżynieria cech: jak budować cechy i unikać data leakageJakość danych
Pytanie przewodnie: czy Państwa dane w ogóle pozwalają odpowiedzieć na postawione pytanie? Wynik: ocena każdego źródła danych według sześciu kryteriów z miarami.
Jakość danych: kryteria, pomiar, kosztyEksploracyjna analiza danych
Pytanie przewodnie: co pokazują rozkłady, zależności i wartości odstające, zanim powstanie model? Wynik: obraz Państwa danych i prosty punkt odniesienia, z którym musi się zmierzyć każdy model.
Analiza eksploracyjna danych (EDA) i modelowaniePrognozowanie
Metody prognostyczne szacują wielkość, której dziś jeszcze Państwo nie znają, na przykład sprzedaż w ciągu najbliższych dwunastu tygodni. Wiarygodna prognoza podaje także swój przedział.
Predictive maintenance
Pytanie przewodnie: kiedy maszyna prawdopodobnie ulegnie awarii i czy czas ostrzeżenia wystarczy, by zareagować? Wynik: prawdopodobieństwo awarii dla każdej maszyny i okresu, porównane z kalendarzowym planem konserwacji.
Predictive maintenance: definicja, przebieg, przykładAnaliza szeregów czasowych
Pytanie przewodnie: która część Państwa danych historycznych to trend i sezonowość, a która przypadek i ile kosztuje błąd prognozy? Wynik: prognoza z przedziałem zamiast pojedynczej liczby, sprawdzona w backteście na tle Państwa obecnego planowania.
Analiza szeregów czasowych: sezonowość i przedział prognozyKlasyczne uczenie maszynowe
Do klasycznego uczenia maszynowego należą drzewa decyzyjne, gradient boosting, klasteryzacja, która łączy podobne przypadki w grupy, oraz wiele metod wykrywania anomalii. Pracują one na tabelach z cechami, które człowiek utworzył z surowych danych.
Głębokie sieci neuronowe i dane obrazowe
Głębokie sieci neuronowe same uczą się z surowych danych, takich jak obrazy, dźwięk czy przebiegi z czujników, jakie cechy mają znaczenie [2]. Potrzebują punktu odniesienia, względem którego mierzy się ich przewagę, i z reguły opisanych przykładów. Widzenie komputerowe należy do tego obszaru, ponieważ w przetwarzaniu obrazów przełom przyniosły właśnie głębokie sieci [4]. Jeśli cechę da się zmierzyć, na przykład wymiar, wystarczy klasyczne przetwarzanie obrazu ze stałymi regułami.
Deep learning
Pytanie przewodnie: kiedy opłacają się głębokie sieci neuronowe, a kiedy wystarczy prostsza metoda? Wynik: uzasadniony wybór między nimi oraz próg, od którego głęboka sieć się opłaca.
Deep learning: definicja, metody i kiedy się opłacaWidzenie komputerowe
Pytanie przewodnie: co kamera z modelem potrafi niezawodnie rozpoznać, a kiedy wystarczy stała reguła? Wynik: kontrola obrazu, w której znane są oba rodzaje błędów, czyli przepuszczone wadliwe części i niesłusznie odrzucone dobre części (fałszywe odrzuty).
Widzenie komputerowe: korzyści i wymogi rozpoznawania obrazuJęzyk i generatywna AI
Modele językowe czytają, porządkują i tworzą teksty. Sprawdzają się tam, gdzie wiedza kryje się w dokumentach, e-mailach lub wolnym tekście. Ten obszar przybliżają strona tematyczna, dwa artykuły badawcze i jeden przypadek użycia.
Dlaczego 95% pilotaży GenAI kończy się niepowodzeniem Suwerenna AI, policzona uczciwie: ile naprawdę kosztuje on-premises Przyczyny zwrotów: analiza tekstu komentarzy klientówWalidacja i eksploatacja
Dwie kontrole dotyczą każdego modelu, niezależnie od obszaru: czy sprawdza się na nowych danych i dlaczego podejmuje takie, a nie inne decyzje. Model przynosi korzyść dopiero wtedy, gdy jego wynik trafia do procesu i ktoś na jego podstawie działa.
Walidacja modelu
Pytanie przewodnie: czy model sprawdza się również na danych, których nigdy nie widział? Wynik: raport z kontroli z miarami i rekomendacją dopuszczenia.
Walidacja modeli: jak rozpoznać overfitting i sprawdzić modelExplainable AI
Pytanie przewodnie: dlaczego model podjął taką decyzję? Wynik: czynniki, od których zależą decyzje modelu, ogólnie i w pojedynczym przypadku, opisane językiem biznesu.
Explainable AI: wyjaśnialna sztuczna inteligencjaAutomatyzacja procesów
Pytanie przewodnie: które decyzje w Państwa procesach może przygotować model, a gdzie wystarczy stała reguła? Wynik: przypadki standardowe do zbiorczej akceptacji i wyjątki z uzasadnieniem. Model proponuje, a człowiek zatwierdza.
Automatyzacja procesów z AI: najpierw pomiar, potem rachunekMLOps
Pytanie przewodnie: jak model trafia do eksploatacji i kto zauważy, że jego jakość spada? Wynik: system produkcyjny z monitoringiem, przekazany do eksploatacji Państwa zespołowi.
MLOps: wdrożenie, dryf, ponowny treningJaka metoda do jakiego pytania biznesowego
Tabela zaczyna się od pytania w takiej formie, w jakiej zadaje je zarząd. Kolumna „Musi pokonać” podaje prosty punkt odniesienia. Wszystkie przykłady to obliczenia modelowe dla fikcyjnych firm z przyjętymi wartościami, a nie wyniki klientów. Każdy wiersz podaje, jak liczona jest kwota: brutto, netto czy jako przychód.
| Pytanie biznesowe | Odpowiednia metoda | Musi pokonać | Przykład (obliczenie modelowe, fikcyjna firma) |
|---|---|---|---|
| Która maszyna ulegnie awarii jako następna? | Predictive maintenance: model przeżycia (szacuje prawdopodobieństwo awarii w danym okresie) i LSTM (sieć neuronowa do szeregów czasowych) | Kalendarzowy plan konserwacji | Produkcja: 32 procent nieplanowanych godzin da się zaplanować, korzyść brutto 216 000 euro rocznie Predictive maintenance w produkcji |
| Ile towaru sezonowego wyprodukować przed szczytem? | Prognoza szeregu czasowego z gradient boostingiem i przedziałem (kwantyle) | Metoda roku poprzedniego | Żywność: błąd prognozy 9,4 zamiast 21,8 procent (wartości przykładowe), efekt brutto 331 500 euro przed kosztami wdrożenia. Ilość wynika z kosztów niedoboru i nadwyżki, a nie z samego średniego błędu Prognoza wolumenu sezonowego |
| Którzy klienci zrezygnują w ciągu najbliższych 90 dni? | Klasyfikacja z gradient boostingiem | Reguła „30 dni bez wizyty” | Wydawnictwo: 1 215 utrzymanych subskrypcji, 102 060 euro przychodu rocznie Wczesne ostrzeganie przed churnem w wydawnictwie |
| Jak długo nasza ciężarówka stoi przy poszczególnych rampach? | Sieć neuronowa do szeregów czasowych (LSTM, który nadaje większą wagę najważniejszym wcześniejszym przyjazdom) | Średnia z ostatnich przyjazdów do danego klienta | Logistyka: plus minus dwanaście zamiast 16 minut, 132 300 euro rocznie przyjęte jako możliwe do osiągnięcia, przed kosztami systemu Czas postoju przy rampie |
| Gdzie zużywamy więcej paliwa, niż wynika z ładunku? | Wykrywanie anomalii z wartością oczekiwaną dla każdej ciężarówki | Średnia floty | Logistyka: 161 688 euro rocznie z 1,5 procent oleju napędowego i unikniętych szkód następczych, przed kosztami systemu Anomalie zużycia diesla |
| Jaki rozmiar klient zatrzyma? | Collaborative filtering (uczy się z zachowań podobnych klientów) | Tabela rozmiarów bez rekomendacji | Moda: 82 procent trafności (wartość przyjęta), wskaźnik zwrotów jeansów z 38 do 31 procent Niższy wskaźnik zwrotów dzięki rekomendacji rozmiaru |
| Dlaczego klienci odsyłają towar? | Analiza tekstu (model tematyczny, który grupuje komentarze według tematów) | Powód zwrotu wybrany z listy rozwijanej | Moda: 210 000 komentarzy w wolnym tekście, pięć przyczyn kryjących się za odpowiedzią „Nie pasuje” Analiza przyczyn zwrotów |
| Na ile miesięcy utrzymujemy pokrycie surowca? | Model reżimów (rozpoznaje sytuację rynkową) z regułą pokrycia | Zakup według bieżącego zapotrzebowania | Surowce: koszty zakupu wahają się w granicach plus minus 8,1 zamiast 14,2 procent Pokrycie kakao według sytuacji rynkowej |
| Czy kontrolę wzrokową da się zautomatyzować na podstawie obrazu? | Widzenie komputerowe: stała reguła tam, gdzie cechę da się zmierzyć, w przeciwnym razie uczący się model obrazu | Obecna kontrola wzrokowa | Produkcja: błędy kontroli kosztują dziś 499 149 euro rocznie. Z kamerą scenariusz średni daje 160 851 euro oszczędności, a ostrożny 177 447 euro kosztów dodatkowych, oba przed kosztami systemu Widzenie komputerowe: przykład obliczeniowy dla przepuszczonych wad i fałszywych odrzutów |
| Które propozycje zamówień planista naprawdę musi obejrzeć? | Klasyfikacja wyjątków | Sprawdzanie każdej propozycji z osobna | Hurt: 60 000 propozycji zamówień, efekt netto 54 600 euro rocznie przed nakładami jednorazowymi, zamiast 108 000 euro wynikających z samego stopnia automatyzacji Automatyzacja procesów: przykład obliczeniowy z planowania zaopatrzenia |
W każdym wierszu obowiązuje ta sama zasada: jeśli model nie pokona punktu odniesienia, zostaje punkt odniesienia.
Zmierzone, a nie założone: W naszych badaniach nad wykrywaniem malarii splotowa sieć neuronowa (CNN) przeoczyła na oddzielnym zbiorze testowym 3 z 1 300 zakażonych komórek, co daje czułość 99,77 procent. Spośród jedenastu wariantów przeoczyła na tym zbiorze najmniej zakażeń i dlatego została wybrana. Ta wartość jest więc raczej górną granicą. Pomiar pochodzi z publicznego zbioru danych medycznych i nie dotyczy zastosowania przemysłowego.
Wykrywanie malarii z deep learningiem: porównanie jedenastu wariantów modeluPo czym poznać solidną decyzję technologiczną
Nie muszą Państwo samodzielnie oceniać technologii AI. Wystarczy pięć kryteriów kontrolnych, niezależnie od tego, kto przedstawia propozycję.
- Kryterium sukcesu jest ustalone przed modelem. Wiadomo, która decyzja ma być lepsza i ile ta poprawa jest warta w euro.
- Zaczyna się od prostego punktu odniesienia. Kalendarzowy plan konserwacji lub metoda roku poprzedniego to miara, którą model musi pokonać.
- Dane są sprawdzone, zanim wybierze się metodę. Propozycja wskazuje, które źródła są wystarczające, które trzeba poprawić, a których brakuje.
- Ograniczenia są określone. Propozycja mówi, czego model nie potrafi i pod jakim warunkiem przedsięwzięcie zostanie przerwane.
- Eksploatacja jest przemyślana od początku. Ustalono, kto działa na podstawie wyniku, kto nadzoruje model i kiedy jest on ponownie trenowany.
Decyzja technologiczna jest solidna dopiero wtedy, gdy spełnia wszystkie pięć kryteriów. Rzetelnego dostawcę poznają Państwo po tym, że sam przedstawia te punkty, zanim zacznie mówić o metodzie, i mówi też otwarcie, kiedy przedsięwzięcie się nie opłaca.
Źródła
- Rozporządzenie Parlamentu Europejskiego i Rady (UE) 2024/1689 z dnia 13 czerwca 2024 r. (akt w sprawie sztucznej inteligencji), Dz.U. L z 12.7.2024, art. 3 pkt 1 („system AI”). https://eur-lex.europa.eu/legal-content/PL/TXT/HTML/?uri=OJ:L_202401689
- LeCun, Y., Bengio, Y., Hinton, G. (2015): Deep learning. Nature 521 (7553), s. 436-444. https://doi.org/10.1038/nature14539
- Brown, T. B. i in. (31 autorów) (2020): Language Models are Few-Shot Learners. arXiv:2005.14165. https://arxiv.org/abs/2005.14165
- Krizhevsky, A., Sutskever, I., Hinton, G. E. (2012): ImageNet Classification with Deep Convolutional Neural Networks. Advances in Neural Information Processing Systems 25 (NIPS 2012). https://papers.nips.cc/paper_files/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html
- Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., Polosukhin, I. (2017): Attention Is All You Need. arXiv:1706.03762. https://arxiv.org/abs/1706.03762
- Grinsztajn, L., Oyallon, E., Varoquaux, G. (2022): Why do tree-based models still outperform deep learning on typical tabular data? Advances in Neural Information Processing Systems 35 (NeurIPS 2022), Datasets and Benchmarks Track. https://proceedings.neurips.cc/paper_files/paper/2022/hash/0378c7692da36807bdec87ab043cdadc-Abstract-Datasets_and_Benchmarks.html
- Hollmann, N., Müller, S., Purucker, L., Krishnakumar, A., Körfer, M., Hoo, S. B., Schirrmeister, R. T., Hutter, F. (2025): Accurate predictions on small data with a tabular foundation model. Nature 637 (8045), s. 319-326. https://doi.org/10.1038/s41586-024-08328-6
Zacznijmy od Państwa pytania biznesowego
Podczas pierwszej rozmowy ustalimy, która metoda pasuje do Państwa pytania i danych, a jeśli żadna nie jest potrzebna, również powiemy to otwarcie.
Zarezerwuj bezpłatną pierwszą rozmowę