VIEW SPEECH SUMMARY
Rozwój i znaczenie modeli AI
- Do niedawna modele językowe były ograniczone: mała pamięć, nieaktualna wiedza, brak rozumowania i interakcji ze światem zewnętrznym.
- Obecnie modele potrafią pracować z dużą ilością danych (milion tokenów w kontekście), rozumują krok po kroku, wykonują złożone zadania, takie jak rozpoznawanie i tłumaczenie tekstów, nawet z obrazów.
- Modele wchodzą w interakcję ze światem, wykonując zadania programistyczne (np. pisanie i uruchamianie kodu), korzystają z API i baz danych.
- Dynamiczny rozwój AI sprawia, że trudno nadążyć za nowościami, a bariery techniczne szybko znikają.
Aktualna sytuacja na rynku i biznesie
- Spadek zatrudnienia w dużych firmach technologicznych jest często przypisywany AI, choć wyniki finansowe wskazują raczej na restrukturyzacje z innych powodów.
- Zyski na AI czerpią przede wszystkim producenci sprzętu (np. NVIDIA).
- Świat infrastruktury AI „się zbroi”, ale nadal jest miejsce na wdrożenia i eksperymenty – dla firm, które jeszcze nie zaczęły, nie jest za późno.
Praktyczne zastosowania AI w bankowości (mBank)
- Rozwiązania oparte na Gen AI ułatwiają zarządzanie ogromem informacji i aktualizacji, np. tworzenie szybkich podsumowań o klientach przed spotkaniami.
- Efektywna analiza wszystkich interakcji z klientami (czat, rozmowy głosowe), co umożliwia lepsze rozumienie potrzeb i utrzymanie jakości obsługi.
- Ułatwienie dostępu do danych firmowych poprzez naturalny język i automatyczne generowanie zapytań SQL na dużych zbiorach danych.
- Automatyzacja trudnych procesów, takich jak rozwiązywanie reklamacji, gdzie AI pomaga zrozumieć problem i zasugerować odpowiedź.
Kluczowe wskazówki i rekomendacje
- Twórzcie aplikacje integrujące modele AI, a nie skupiajcie się na budowaniu własnych modeli – korzystajcie z gotowych narzędzi.
- Nie stosujcie AI do rozwiązywania problemów, które już mają dobre tradycyjne rozwiązania; koncentrujcie się na wyzwaniach nowych, trudniejszych.
- Przyszłość to korzystanie z AI „w tle” w codziennych aplikacjach, często bez świadomości użytkownika.
Zadania i rekomendacje do wdrożenia
- Rozpocząć lub kontynuować eksperymenty z generatywną AI w firmie, aby nie zostać z tyłu.
- Skupić się na wykorzystaniu AI do analizowania dużych i zmieniających się zbiorów danych, aby poprawić efektywność i jakość obsługi klienta.
- Wdrożyć narzędzia do automatyzacji analizy interakcji z klientami (czat, głos), w celu lepszego zrozumienia ich potrzeb i podnoszenia standardów komunikacji.
- Ułatwić pracownikom dostęp do wewnętrznych danych poprzez aplikacje wykorzystujące naturalny język i automatyczne generowanie zapytań.
- Stosować AI do rozwiązywania skomplikowanych problemów, które tradycyjnymi metodami są trudne lub niemożliwe do rozwiązania.
- Do niedawna modele językowe były ograniczone: mała pamięć, nieaktualna wiedza, brak rozumowania i interakcji ze światem zewnętrznym.
- Obecnie modele potrafią pracować z dużą ilością danych (milion tokenów w kontekście), rozumują krok po kroku, wykonują złożone zadania, takie jak rozpoznawanie i tłumaczenie tekstów, nawet z obrazów.
- Modele wchodzą w interakcję ze światem, wykonując zadania programistyczne (np. pisanie i uruchamianie kodu), korzystają z API i baz danych.
- Dynamiczny rozwój AI sprawia, że trudno nadążyć za nowościami, a bariery techniczne szybko znikają.
Aktualna sytuacja na rynku i biznesie
- Spadek zatrudnienia w dużych firmach technologicznych jest często przypisywany AI, choć wyniki finansowe wskazują raczej na restrukturyzacje z innych powodów.
- Zyski na AI czerpią przede wszystkim producenci sprzętu (np. NVIDIA).
- Świat infrastruktury AI „się zbroi”, ale nadal jest miejsce na wdrożenia i eksperymenty – dla firm, które jeszcze nie zaczęły, nie jest za późno.
Praktyczne zastosowania AI w bankowości (mBank)
- Rozwiązania oparte na Gen AI ułatwiają zarządzanie ogromem informacji i aktualizacji, np. tworzenie szybkich podsumowań o klientach przed spotkaniami.
- Efektywna analiza wszystkich interakcji z klientami (czat, rozmowy głosowe), co umożliwia lepsze rozumienie potrzeb i utrzymanie jakości obsługi.
- Ułatwienie dostępu do danych firmowych poprzez naturalny język i automatyczne generowanie zapytań SQL na dużych zbiorach danych.
- Automatyzacja trudnych procesów, takich jak rozwiązywanie reklamacji, gdzie AI pomaga zrozumieć problem i zasugerować odpowiedź.
Kluczowe wskazówki i rekomendacje
- Twórzcie aplikacje integrujące modele AI, a nie skupiajcie się na budowaniu własnych modeli – korzystajcie z gotowych narzędzi.
- Nie stosujcie AI do rozwiązywania problemów, które już mają dobre tradycyjne rozwiązania; koncentrujcie się na wyzwaniach nowych, trudniejszych.
- Przyszłość to korzystanie z AI „w tle” w codziennych aplikacjach, często bez świadomości użytkownika.
Zadania i rekomendacje do wdrożenia
- Rozpocząć lub kontynuować eksperymenty z generatywną AI w firmie, aby nie zostać z tyłu.
- Skupić się na wykorzystaniu AI do analizowania dużych i zmieniających się zbiorów danych, aby poprawić efektywność i jakość obsługi klienta.
- Wdrożyć narzędzia do automatyzacji analizy interakcji z klientami (czat, głos), w celu lepszego zrozumienia ich potrzeb i podnoszenia standardów komunikacji.
- Ułatwić pracownikom dostęp do wewnętrznych danych poprzez aplikacje wykorzystujące naturalny język i automatyczne generowanie zapytań.
- Stosować AI do rozwiązywania skomplikowanych problemów, które tradycyjnymi metodami są trudne lub niemożliwe do rozwiązania.
GenAI bez hype’u. Jak projektować technologie, które naprawdę pasują do organizacji, a także przynoszą korzyść klientom.
11:10 - 11:30, 27th of May (Tuesday) 2025 / DEV TRENDS STAGE
GenAI rozwija się błyskawicznie, ale to nie znaczy, że musi być wszędzie.
Nie każda potrzeba biznesowa wymaga zaawansowanego modelu. I nie każde zadanie staje się lepsze tylko dlatego, że dorzucimy do niego AI.
W mBanku stawiamy na prostą zasadę: najpierw sens, potem technologia.
Zamiast wdrażać dla zasady, szukamy punktowych problemów, które naprawdę warto rozwiązać.
Czasem GenAI jest najlepszym wyborem. Czasem – zupełnie zbędnym.
To spojrzenie na AI z perspektywy organizacji, która stawia na funkcjonalność, a nie modę.
Zamiast powielać schematy, projektujemy rozwiązania dopasowane do realnych procesów — i realnych potrzeb.
LEVEL:
Basic
Advanced
Expert
TRACK:
AI/ML
IT Leaders
TOPICS:
AI
Bigdata
FutureTrends
ProductDev
SoftwareEngineering