AI automatizacija i integracije
Uvodimo AI i mašinsko učenje tamo gde uklanjaju konkretan ručni korak — u obradu dokumenata, izvlačenje podataka i podršku pri odlučivanju. Sve ostalo rešava se pravilom, i to je najčešće bolje rešenje.
Kada je ovo Vaš slučaj
05 znaka- Isti tip dokumenta se svakodnevno čita i prekucava u sistem.
- Podaci se ručno prepisuju iz e-pošte ili PDF-a u tabelu.
- Zaposleni troše vreme tražeći informaciju koja negde postoji zapisana.
- Unos je nestrukturisan tekst koji neko mora da pročita i razvrsta.
- Postoji istorija podataka iz koje bi procena mogla da se izvede, a danas se procenjuje po osećaju.
Gde AI stvarno pomaže
06Obrada dokumenata
Čitanje računa, ponuda, ugovora i izveštaja i pretvaranje u podatke koje sistem može da koristi, uz proveru pre upisa.
Izvlačenje podataka iz teksta
Prepoznavanje bitnih podataka u nestrukturisanom tekstu — u e-pošti, opisu kvara ili poruci klijenta.
Podrška pri odlučivanju
Model uči iz istorije i daje predlog, a odluku donosi čovek. Predlog se prikazuje kao predlog, ne kao rezultat.
Integracije jezičkih modela
Povezivanje LLM-a sa Vašim podacima, sa jasno određenim opsegom pristupa i zapisom o tome šta je model video.
Interni alati
Pretraga i sažimanje internog znanja za zaposlene, nad Vašim dokumentima umesto nad opštim internetom.
Automatizacija toka posla
Povezivanje koraka koji danas zahtevaju da neko prebaci podatak sa jednog mesta na drugo.
Gde AI nema smisla
posebnoAko se odluka mora objasniti i mora ispasti ista svaki put, pravilo je bolje od modela. Pravilo se pročita, proveri i ispravi; model se može samo ponovo obučiti i nadati se.
Ako je istorija podataka mala, rezultat je broj kome se ne može verovati, prikazan sa autoritetom kome bi se verovalo. To je opasnije od toga da procene uopšte nema.
Ovo nije teorijski stav. Iz naše sopstvene druge verzije MOS-a izbačene su AI predikcija završetka projekta i ocena pouzdanosti klijenta — upravo zato što je uzorak od nekoliko desetina projekata premali da bi rezultat nešto značio. Ono što je ostalo su izračunati pokazatelji nad postojećim podacima, koji se mogu proveriti.
Iz naše prakse
01Lokalko
u razvojuSistem za koordinaciju stacionarnog servisa: strukturisan prijem, predlozi mašinskog učenja kao podrška dijagnostici i zajednički pregled naloga u realnom vremenu.
Šta dobijate
- AI uveden u sistem koji već koristite, umesto zasebnog alata pored njega
- jasan opseg — koje podatke model vidi, a koje ne
- prikaz koji razlikuje predlog od potvrđenog podatka
- mogućnost da se funkcija isključi bez rušenja ostatka sistema
AI je deo sistema, ne sistem
granicaAI se skoro nikad ne uvodi sam za sebe — uvodi se u aplikaciju koja već postoji ili se gradi zajedno sa njom. Ako sistema još nema, počinje se od razvoja softvera po meri.
Česta pitanja
04- Odlaze li naši podaci trećoj strani?
- Zavisi od izbora modela i to je odluka koja se donosi svesno, na početku. Model koji se izvršava na Vašoj infrastrukturi ne šalje podatke nikome; komercijalni servis ih šalje i to mora biti jasno pre nego što se izabere.
- Šta ako model pogreši?
- Poći od toga da hoće. Zato se rezultat prikazuje kao predlog koji čovek potvrđuje, a AI se ne stavlja na mesto gde greška prolazi neprimećeno.
- Treba li menjati postojeći sistem?
- Najčešće ne iz temelja. AI se dodaje na mestima gde podaci već postoje, kroz integraciju, a ne kroz zamenu sistema.
- Da li je za ovo potreban veliki jezički model?
- Često nije. Za klasifikaciju, procenu i prepoznavanje obrazaca klasični modeli mašinskog učenja daju rezultat koji se lakše objašnjava, jeftiniji je i ne šalje podatke van sistema. Jezički model ima smisla kada je ulaz slobodan tekst.
Sledeći korak
Prvi razgovor ne traži gotovu specifikaciju. Dovoljno je da opišete situaciju i šta bi trebalo da bude drugačije.