---
title: Sama budowa nie wystarczy
description: Firmy przodujące w wykorzystywaniu AI, dużo lepiej zdają sobie sprawę, że warto i należy dbać o rozwój modeli AI.
---

[Blog PRO.Display](https://blog.prodisplay.ai/pl)

# [Sama budowa nie wystarczy](https://blog.prodisplay.ai/pl/sama-budowa-nie-wystarczy)

 Autor: [Adam Beniowski](https://blog.prodisplay.ai/pl/author/adam-beniowski) | 24 marca 2022

W grudniu 2021 McKinsey opublikował raport “The State of AI in 2021”. Ten artykuł to część mojej subiektywnej analizy tej publikacji. Kluczowe wnioski znajdziesz pod tym [linkiem](https://blog.prodisplay.ai/pl/wykorzystanie-ai-wed%C5%82ug-mckinsey), zawarłem tam też odnośniki do innych części analizy.

## Firmy przodujące w wykorzystywaniu AI, dużo lepiej zdają sobie sprawę, że warto i należy dbać o rozwój modeli AI.

Raz wyprodukowany model teoretycznie może sprawdzać się przez kilka miesięcy. W praktyce, często okazuje się, że był on adekwatny do rzeczywistości jedynie przez krótki okres, np. do momentu, gdy nastąpiło gwałtowne załamanie rynku. 

Nawet bez gwałtownych zmian rynkowych, co w świecie VUCA jest rzadkością, większość modeli AI, wraz z mijającym czasem, staje się coraz mniej skuteczna. Wiemy to z własnej praktyki, jednak jak wskazuje McKinsey zdają sobie z tego sprawę jedynie firmy z dużym doświadczeniem w wykorzystaniu AI. Oczywiście czas trwałości modelu bardzo zależy od branży i wykorzystania AI. W przypadku, do którego najczęściej wykorzystujemy AI, jako PBS, a więc przy wykorzystaniu Image Recognition do kontroli dostępności i ekspozycji produktów w punktach sprzedaży. Swego rodzaju bieżąca dbałość i opieka nad siecią są szczególnie istotne. Aby model w pełni wykorzystywał swój potencjał, konieczne jest jego zasilanie nowymi danymi i trenowanie z ich użyciem. Dla przykładu, w ofercie każdej firmy ciągle pojawiają się nowe produkty, a te obecne dotychczas, zmieniają opakowania, wymiary, kształty lub  komunikowane na nich promocje. W przypadku Image Recognition nie rozwijana AI “umiera” dość szybko. 

**Badanie McKinsey wskazuje kilka poziomów najlepszych praktyk dbania   
o sieć AI: **

1. Podstawowe, 
2. Zaawansowane zarządzanie danymi, 
3. Zaawansowane modelowanie, narzędzia i technologie,
4. Angażowanie użytkowników.

*Na podstawie raportu McKinsey "The state of AI in 2021".*

Te różnice w pojmowaniu jak ważny jest rozwój AI, dostrzegalne są w każdym z w/w obszarów. Na mnie szczególne wrażenie zrobił trzeci poziom najlepszych praktyk a w nim świadomość, że **modele AI należy regularnie odświeżać**, bazując na jasno zdefiniowanych kryteriach. Tu różnica między “AI high performers” (czyli organizacjami, które przodują w wykorzystaniu AI) a pozostałymi respondentami przekraczała 100%. Doświadczeni użytkownicy deklarują, iż nawet trzy razy częściej postępują zgodnie z tą praktyką. 

Kolejnym elementem, jaki dużo częściej zauważają  zaawansowani użytkownicy AI, jest **konieczność odświeżania pakietu technologii wspierających AI, przynajmniej raz w roku**. Respondenci w tych firmach wskazują tę praktykę, jako istotny czynnik zdobywania trwałej przewagi konkurencyjnej i robią to aż 3 razy częściej niż, początkujący użytkownicy AI. 

Praktycznie co miesiąc powstają nowe opracowania naukowe z zakresu rozwoju AI. Co miesiąc pojawiają się nowe techniki i technologie trenowania sieci AI. Nowe mechanizmy ułatwiające i usprawniające trening, kontrolę i rozwój funkcjonowania AI, wchodzą na rynek. Jeszcze kilka lat temu zbudowanie sieci funkcjonującej w środowisku bez dostępu do internetu, zainstalowanej na telefonie średniej klasy, obsługującej rozpoznawanie kilkuset produktów z prędkością kilkudziesięciu weryfikacji na sekundę byłoby niemożliwe. Mówimy o aplikacji, która działa offline i może być zainstalowana na ogólnodostępnym urządzeniu, np. z systemem Android. Wydawało się to niedoścignionym celem, jeszcze 2-3 lata temu. Od kilkunastu miesięcy budujemy takie sieci i sami wyprodukowaliśmy aplikację, która to umożliwia. 

Warto dodać, że AI jest bardzo szerokim pojęciem, coraz szerzej wspiera ludzkość. Podążanie za szczegółowymi zdobyczami nauki w całym zakresie AI, nie jest możliwe bez posiadania bardzo zaawansowanych wiedzowo zasobów, co zresztą wg mnie, w wielu wypadkach nie ma sensu. Posiadanie ekspertyzy wewnętrznej w każdej dziedzinie, w tym w  AI, bywa bardzo drogie i często nieopłacalne dla organizacji. My, jako zewnętrzny dostawca zaawansowanych usług Image Recognition, od ponad 6 lat koncentrujemy się na rozwoju AI, właśnie w tym obszarze pogłębiając i rozwijając swoją wiedzę. Poszukujemy najnowszych technologii, rozwijamy własne narzędzia i procesy, implementując je do naszego łańcucha produkcyjnego. 

*Na podstawie raportu McKinsey "The state of AI in 2021".*

Warto przyjrzeć się też sekcji z dobrymi praktykami, dotyczącej zarządzania danymi. To co szczególnie zwróciło moją uwagę, to wyniki badania **w obszarze posiadania słownika danych oraz procesów, który można skalować, w obszarze oznaczania danych, odpowiedniego ich przygotowania do zestawu treningowego**. Dlaczego te 2 elementy są takie ważne? 

Posiadanie odpowiedniej struktury i uporządkowania danych wejściowych jest ważne z tego samego powodu, co posiadanie sprawdzonego procesu etykietowania danych wejściowych do zestawu treningowego. To nic innego jak baza do nauki AI. W dużym uproszczeniu jedna z najczęściej stosowanych metod treningu AI, polega na wskazaniu zestawu prawidłowych i błędnych odpowiedzi na określony problem (tzw. supervised learning). Zarówno prawidłowe, jak i błędne odpowiedzi powinny posiadać odpowiednie oznaczenia - etykiety. AI wypracowuje swoje algorytmy, tworząc sieć tak, aby zmaksymalizować zgodność odpowiedzi własnych, z odpowiedziami z zestawu treningowego. Aby wyprodukować dobrą AI, musimy być pewni odpowiedzi zamodelowanych w zestawie treningowym. Jeżeli w zestawie jest bałagan, jeżeli odpowiedzi posiadają złe etykiety, model wytrenowany na takim zestawie będzie mało wiarygodny. W przypadku Image Recognition, odpowiednie etykietowanie lub inaczej labelowanie danych wejściowych, to bardzo złożony  
i skomplikowany proces.

Jak wynika z raportu McKinsey, świadomość wagi w/w jest 2 razy większa u doświadczonych użytkowników AI. Warto zauważyć, że tylko co 5 z ankietowanych początkujących użytkowników, rozumie wagę tego problemu. Moim zdaniem fakt,   
iż jedynie co drugi z wysoko doświadczonych respondentów zauważyło to wyzwanie, jest również niepokojący. Wg mnie zdecydowanie zbyt mało managerów zajmujących się AI, ewentualnie zakupami tych usług zdaje sobie z tego sprawę, jak ważne są procesy nauki AI i ile detali musi zostać zaadresowanych aby AI dawała zadowalające rezultaty. 

Świadomość faktu, że raz wyprodukowana AI, nie działa w nieskończoność, jest bardzo istotna. W naszej rynkowej praktyce, często spotykamy się z propozycjami, typu: “To wyprodukujcie nam sieć, a my już później sobie z nią poradzimy”. Siecią należy się opiekować jak żywym organizmem. Wszystkie czynności z tym związane, w tej nadal pionierskiej dziedzinie, ciągle należy doskonalić. To bardzo złożony   
i skomplikowany proces. Jednocześnie jestem świadomy, że dla wielu osób chcących używać AI, jest on niewidoczny lub mało namacalny. W końcu “Sztuczna Inteligencja” zawiera w swojej nazwie słowo “Inteligencja”, czyli coś co się “samo” rozwija   
i aktualizuje.

👉 Zapraszamy do śledzenia naszej aktywności w mediach społecznościowych, aby być na bieżąco:

 

[Wyświetl kompletny wpis](https://blog.prodisplay.ai/pl/sama-budowa-nie-wystarczy)

```json
{
  "@context" : "http://schema.org",
  "@type" : "BlogPosting",
  "author" : {
    "@type" : "Person",
    "name" : "Adam Beniowski"
  },
  "dateModified" : "2022-03-24T08:27:38.327Z",
  "datePublished" : "2022-03-24T08:27:38Z",
  "headline" : "Sama budowa nie wystarczy",
  "image" : {
    "@type" : "ImageObject",
    "height" : 628,
    "url" : "https://3330910.fs1.hubspotusercontent-na1.net/hubfs/3330910/baner-nowy-123b.png",
    "width" : 1200
  },
  "mainEntityOfPage" : "https://blog.prodisplay.ai/pl/sama-budowa-nie-wystarczy",
  "publisher" : {
    "@type" : "Organization",
    "logo" : {
      "@type" : "ImageObject",
      "height" : 60.0,
      "url" : "https://3330910.fs1.hubspotusercontent-na1.net/hubfs/3330910/PRO.display%20NEW%20branding/Pro-display-logo.png",
      "width" : 283.0467
    },
    "name" : "Blog"
  }
}
```