A mesterséges intelligencia (AI) fogalma mára köznyelvi része lett az üzleti és technológiai diskurzusnak, ugyanakkor pontos definíciója nehezen adható meg, mivel céljai és alkalmazásai folyamatosan változnak. Az AI kutatása és korai megoldásai az 1950-es évekre nyúlnak vissza; Marvyn Minsky, az AI egyik korai úttörője arra hívta fel a figyelmet, hogy az „intelligencia” és annak abszolút meghatározása alkalmazkodik a technológiai lehetőségekhez, és amit ma intelligenciának tartunk, holnap már lehet, hogy mindennapos technika lesz.
Közelítésünk szerint a mesterséges intelligencia olyan számítógépes rendszerek képessége, amelyek emberi kognitív funkciókat képesek utánozni — egyszerűbbektől a komplexebb feladatokig.
Gépi tanulás és a működés lényege
A mesterséges intelligencián belüli legnagyobb halmaz a gépi tanulás (machine learning). Itt a rendszer matematikai modellek és példák alapján tanul meg egy feladatot elvégezni: vizuális felismerés, természetes nyelvi feldolgozás, anomália-felismerés, illetve leíró és prediktív modellek mind ebbe a kategóriába tartoznak. A gépi tanulásnál nem feltétlenül írunk elő képleteket minden egyes szabályra; a modell a példák és statisztikai módszerek alapján definiálja magának a feladatmegoldás logikáját.
Jelenlegi korlátok és működési jellemzők
Bár egyes feladatokban az AI felülmúlhatja az emberi képességeket (például nagy mennyiségű adaton végzett számításokban), több területen jelentős hiányosságok vannak: érzelmi intelligencia, etikai döntések, kreativitás és az emberi célok autonóm megfogalmazása a mai rendszerek számára nem megoldott.
További alapvető korlátok:
- A legtöbb AI-megoldás egy specifikus problémára optimalizált; az általános mesterséges intelligencia (AGI) megvalósítása továbbra is kutatási fázisban van.
- Az AI sok esetben valószínűségeken alapul: ismétlődő, strukturált feladatoknál nagyon jó pontosság érhető el, de a feladat komplexitásával csökken a megbízhatóság.
Ezek miatt a felhasználóknak tudatosan kell kezelniük az AI által adott válaszokat és a feladatok megfogalmazását úgy alakítani, hogy a modellek számára egyértelmű legyen a cél.
Melyik technológiát válasszuk vállalati feladatokra?
A generatív AI a jelenleg legnagyobb figyelmet kapó terület az AI-n belül, de nem minden esetre ez a legjobb megoldás. Konkrét példák:
- Dokumentumfeldolgozás: számos „hagyományos” NLP és képfelismerő megoldás hatékonyabb lehet strukturált információ (pl. egyedi azonosítók, üzleti partneradatok) kinyerésére, mint egy nagy generatív modell. A generatív modellek általában szélesebb feladatkört céloznak meg, működésük lassabb és költségesebb lehet, optimalizálásuk pedig hosszabb időt igényel. Emellett a GenAI hajlamos lehet a hiányzó adatok „kitalálására” (hallucináció), amit a célirányos dokumentumfeldolgozó modelleknél nem tapasztalunk.
- Anomália-felismerés: ebben a területben matematikai-statisztikai módszerek, hagyományos gépi tanulási modellek, illetve a legújabb GPT-szerű modellek is szerepet játszhatnak. Itt gyakran több modell kipróbálása és összehasonlítása hozza meg a legjobb eredményt.
Általános irányelvek:
- Használjuk a lehető legegyszerűbb, működő megoldást az adott problémára.
- Minél probléma-specifikusabb egy modell, annál hatékonyabb.
- Összetett problémákat bontsunk részekre, és alkalmazzunk célzott megközelítéseket vagy több modellt párhuzamosan.
Vállalati bevezetési javaslat: először egy kisebb, jól körülhatárolt területen vezessünk be kiforrott technológiát; ha bizonyított a haszon, fokozatosan integráljuk mélyebben a működésbe és a termék-/szolgáltatáspalettába. A bevezetéshez adatok, belső szabályzatok, szervezeti felépítés és biztonsági intézkedések kialakítása szükséges.
Trendek és piaci előrejelzések
A nemzetközi előrejelzések szerint 2024/2025-re az AI egyre nagyobb szerepet kap a közvetlen ügyfélkapcsolatokban, és 2025 után további gyors növekedés várható. A Világgazdasági Fórum (World Economic Forum) becslése szerint az AI hozzájárulása a kiskereskedelmi piacon 2028-ra 31,8 milliárd USD lesz. Egy másik elemzés szerint az AI-vel kapcsolatos beruházások 2023-ban körülbelül 500 milliárd USD-t értek el, és az AI várhatóan 2030-ig mintegy 15,7 billió USD hozzáadott értéket termel a világgazdaságban.
KPMG adatok (KPMG 2023 Global Tech Report) szerint a technológiai szakemberek 57%-a az AI/gépi tanulást tartja a vállalati hároméves technológiai ambíciók első helyén. Ugyanakkor a vállalatok 55%-a óvatosságot mutat az AI-bevezetésben a biztonsági és etikai kérdések miatt. A KPMG CEO Outlook 2023 alapján a vezérigazgatók nagy része (tízből hét) a generatív AI-t tartja középtávú befektetéseik élén, 52% pedig három–öt éven belül várja a befektetések megtérülését. A vezérigazgatók fő aggályai közé tartozik az etikai kockázat (57%), a megvalósítás költsége (55%), valamint a szabályozási és technikai képességek hiánya; 87% pedig attól tart, hogy az AI elterjedése kifinomultabb kibertámadási módszereket vonhat maga után.
KPMG Magyarország AI szolgáltatásai
A KPMG Magyarország tanácsadói csapatai a technológiai trendekhez igazodva a következő AI-szolgáltatásokat kínálják:
- Vállalati AI stratégia kialakítása
- Prediktív analitika és előrejelző modellek készítése
- Generatív AI és felhő szolgáltatások
- Applikáció fejlesztés
- Természetes Nyelvfeldolgozás (Natural Language Processing)
- Képfeldolgozás és Computer Vision megoldások
A szolgáltatások tervezésekor figyelembe veszik az ügyfelek üzleti céljait, a kockázatokat és költségeket, valamint az oktatást és a belső szabályozottság kérdését. A blog következő részeiben részletesebben tárgyalják majd a leíró és generatív AI közötti különbségeket, a felhasználási területeket, a kockázatkezelést és az AI stratégiaalkotás elemeit.
Összegzés
Az AI megoldások elterjedése folytatódik mind a napi fogyasztói interakciókban, mind a vállalati működésben, de a sikeres bevezetéshez és skálázáshoz tudatos előkészítés, megfelelőségi és biztonsági intézkedések, valamint a megfelelő technológia kiválasztása szükséges. KPMG szolgáltatásai abban segítenek, hogy a vállalatok átgondoltan, kockázatkezelve és hatékonyan vezessék be az AI-t.
