Dlaczego każda organizacja powinna inwestować w predykcyjną sztuczną inteligencję

David Rice: Firmy inwestują miliony w generatywną sztuczną inteligencję. Budują agentów i podążają za modą. Często ignorują jednak pozostałe 50% stosu AI — tę część, która faktycznie dostarcza mierzalną wartość biznesową. Predykcyjna sztuczna inteligencja nie jest efektowna. Nie pisze wierszy ani nie generuje obrazów. Po prostu przewiduje, kto kliknie i kto dokona zakupu. Kieruje działaniami marketingowymi. Wykrywa oszustwa, zanim do nich dojdzie, oraz automatyzuje decyzje na dużą skalę bez udziału człowieka. Jeśli z niej nie korzystasz, często dzieje się tak dlatego, że nie wydaje się wystarczająco podobna do człowieka.

Dzisiejszym gościem jest Eric Siegel, autor książki „AI Playbook” i założyciel Machine Learning Week. Jego zdaniem większość organizacji powinna inwestować w predykcyjną sztuczną inteligencję co najmniej tyle samo co w generatywną AI, ale zbyt wiele uwagi pochłania szum wokół generatywnej AI — i wszyscy na tym tracą. Oto problem, który Eric wciąż obserwuje: firmy traktują predykcyjną AI jak projekt z zakresu analizy danych.

Wysyłają analityka danych, aby zbudował model, cieszą się, gdy praca zostaje ukończona, a następnie uznają to za wartość. Model nie jest jednak wartością. Wartością jest działanie na podstawie prognoz. Wartością jest integracja operacyjna. A to wymaga ścisłej współpracy z interesariuszami biznesowymi w ramach sześciu kroków, które Eric opisze, a nie tylko trzech kroków technicznych.

Większość firm całkowicie pomija kroki biznesowe. Nie definiuje, co jest przewidywane i jakie działania zostaną podjęte. Pomija integrację operacyjną, a następnie zastanawia się, dlaczego inwestycje w AI nie przynoszą rezultatów. Dlatego dziś omówimy, dlaczego predykcyjna AI jest mniej efektowna, ale bardziej autonomiczna niż generatywna AI.

Jak predykcyjna AI stanie się warstwą niezawodności, dzięki której generatywna AI będzie faktycznie możliwa do wykorzystania. Sześć kroków modelu Biz ML oraz trzy z nich, które najczęściej pomijają interesariusze biznesowi. Dlaczego dokładność na poziomie 95% brzmi imponująco, ale może sprawić, że system stanie się bezużyteczny. Oraz co liderzy biznesowi muszą rozumieć na temat prawdopodobieństw. Bez obaw — to nie fizyka jądrowa.

Nazywam się David Rice. To jest „People Managing People”. Jeśli podążasz za generatywną AI, pozostawiając predykcyjną AI niewykorzystaną, ta rozmowa pokaże ci dokładnie, co tracisz. Zaczynajmy.

Eric, witaj! Miło gościć cię dziś w programie.

Eric Siegel: Dzięki, David. Wspaniale tu być.

David Rice: Generatywna AI przyciąga wiele uwagi, ale nazywasz predykcyjną AI niejako zapomnianymi 50% stosu AI, prawda? Jest jednak kluczowa dla rzeczywistej wartości biznesowej. Zastanawiam się, dlaczego twoim zdaniem organizacje są o wiele bardziej podekscytowane modelami generatywnymi i co właściwie zostaje przeoczone, gdy systemy predykcyjne są spychane na dalszy plan?

Eric Siegel: Tak, podoba mi się sposób, w jaki to ująłeś. Predykcyjna AI jest starsza, ale nie przestarzała. Większość jej wartości w dużej mierze pozostaje niewykorzystana. To swego rodzaju druga, oryginalna AI. W pewnym sensie tym właśnie większość ludzi nazywała AI przed pojawieniem się ChatGPT i innych rozwiązań generatywnej AI kilka lat temu. To uczenie się na podstawie danych w celu przewidywania, aby kierować i usprawniać istniejące operacje na dużą skalę. Przewiduje, kto kliknie, kupi, odejdzie lub popełni oszustwo — dowolny wynik albo zachowanie, które ma wartość dla organizacji prowadzącej działalność na dużą skalę.

Pytasz, dlaczego generatywna AI przyciąga tak wiele uwagi? Odpowiedź jest bardzo prosta. Jest znacznie bardziej efektowna i łatwiejsza w użyciu. Żadna z tych cech nie oznacza jednak, że jest koniecznie bardziej wartościowa.

Choć generatywna AI jest niezwykle cenna i nie krytykuję samej technologii — jestem nią zachwycony — krytykuję część narracji i przesadnego entuzjazmu wokół niej. Większość organizacji powinna inwestować w predykcyjną AI co najmniej tyle samo co w generatywną AI. Obie technologie rozwiązują różne problemy i nie powinny ze sobą konkurować bardziej niż park wodny z ośrodkiem narciarskim.

W praktyce jednak konkurują o uwagę, czas analityków danych i zasoby. To niestety gra o sumie zerowej. Zbyt wiele uwagi pochłania generatywna AI, co działa na naszą niekorzyść. Jest to strata dla wszystkich. Predykcyjna AI kieruje marketingiem, przewidując, kto dokona zakupu, oraz wykrywaniem oszustw, przewidując, która transakcja okaże się nieuczciwa.

Mówiąc dokładniej, pozwala wskazać, którą transakcję zablokować, wstrzymać lub poddać audytowi. Za każdym razem, gdy mamy do czynienia z operacjami na dużą skalę, zasoby są ograniczone. Biznes jest grą liczb. Nie posiadamy magicznej kuli, ale możemy przechylić szanse na swoją korzyść, przewidując lepiej niż zgadując. Na tym właśnie polega gra liczb z wykorzystaniem predykcyjnej AI.

Oblicza ona prawdopodobieństwa na podstawie historii. Prawdopodobieństwo nie jest najbardziej fascynującym tematem rozmów, ale jeśli interesuje cię wartość i usprawnianie istniejących operacji na dużą skalę, właśnie tam należy się zwrócić. Generatywna AI wydaje się atrakcyjna, ponieważ przypomina człowieka i dobrze pasuje do długoterminowej narracji o sztucznej inteligencji.

Od pojawienia się tego pojęcia w latach pięćdziesiątych, a także dzięki niezwykle rozrywkowym filmom i podobnym przekazom, AI wydaje się tak ludzka. Jest to niezwykłe i ma związek z jej potencjalną wartością: może pełnić funkcję partnera do rozważań, tworzyć pierwsze wersje tekstów, kodu i wiele innych rzeczy. W większości zastosowań potrzebny jest jednak człowiek w pętli.

Paradoksalnie, ponieważ generatywna AI wydaje się bardziej ludzka, stosuje się ją do zadań, które normalnie wykonywaliby ludzie i w których jesteśmy mniej tolerancyjni wobec błędów. Predykcyjna AI jest mniej podobna do człowieka, ale może być bardziej autonomiczna, ponieważ automatycznie zdecyduje na przykład, którą transakcję kartą kredytową zablokować jako potencjalnie oszukańczą.

To był mój krótki wywód na temat różnicy między tymi dwiema dziedzinami.

David Rice: Nie ma problemu. Zabawne, bo przypomina to osobę w grupie znajomych, która organizuje wszystkie wspaniałe kolacje, ale nikt nie uważa jej za smakosza, ponieważ jej Instagram nie wygląda jak kanał kulinarny.

Ciekawe jest to, że ta technologia istnieje od dawna. Myślę, że wiele firm, szczególnie na poziomie przedsiębiorstw, od dłuższego czasu pracuje nad takimi systemami. Jeśli wdrożyłeś niektóre z nich i wykonałeś już tę pracę, nadchodząca rewolucja agentów prawdopodobnie nie będzie dla ciebie czymś zupełnie nowym, ponieważ wiele tych procesów jest już zautomatyzowanych.

Eric Siegel: Mam zastrzeżenia do terminów „agentowa AI” i „agenci AI”. Napisałem kilka artykułów w „Forbes”, w których wyjaśniałem, że moim zdaniem jest to określenie w większości mylące i nieprzydatne.

To termin oparty na modzie. Nie odnosi się do żadnego konkretnego nowego rodzaju technologii. Odnosi się jedynie do intencji, czyli dalszej automatyzacji. Jest to oczywista intencja — po to budujemy maszyny, aby wykonywały zadania, które w przeciwnym razie musiałby wykonywać człowiek.

Samo dodanie określenia „agentowa” nie oznacza, że pojawiła się nowa technologia. Chodzi raczej o stosunkowo oczywiste zastosowania, które można próbować realizować za pomocą generatywnej AI, jednak bardzo szybko napotykają one ograniczenia zakresu i ambicji projektu. System nie może działać autonomicznie bez człowieka w pętli.

To prowadzi do głównego punktu, o którym coraz częściej mówię: miejsca, w którym spotykają się oba światy i w którym predykcyjna oraz generatywna AI naprawdę potrzebują siebie nawzajem. Uważam, że kolejnym przełomowym zastosowaniem predykcyjnej AI będzie pełnienie funkcji warstwy niezawodności dla generatywnej AI.

Wszyscy szybko formułujemy ambitne plany dotyczące generatywnej AI, niezależnie od tego, czy nazywamy ją agentem. Wyobrażamy sobie system działający jako agent obsługi klienta, który bezpośrednio komunikuje się z konsumentami w wielu tematach, a nawet przeprowadza transakcje.

Pomysł pełnej automatyzacji szybko staje się trudny do opanowania, zależnie od zakresu zadań systemu. W pewnym momencie system może popełniać krytyczny błąd w 5% przypadków: ujawniać informacje, których nie powinien ujawnić, albo przeprowadzać transakcję, której nie powinien przeprowadzić.

Jeśli działa poprawnie w 95% przypadków, jest to niezwykłe i imponujące — coś, czego kilka lat temu nie mogliśmy sobie wyobrazić. Cały system nie ma jednak wartości. Nie jest możliwe jego wdrożenie. Wskaźnik błędów na poziomie 5% jest zbyt wysoki.

Możemy czekać, aż wszystkie problemy zostaną rozwiązane i technologia się poprawi, ale jest to znacznie trudniejsze, niż nam się wydaje. Różnica między możliwościami generatywnej AI a możliwościami ludzi mieści się właśnie w tych 5% lub innej wartości zależnej od zadania. W miarę poprawy technologii będą widoczne malejące korzyści z dalszego doskonalenia.

Możemy jednak zrealizować dużą część obietnicy autonomii, dodając warstwę predykcyjną. Wykorzystując predykcyjną AI, analitykę predykcyjną lub uczenie maszynowe w przedsiębiorstwie, uczymy się na podstawie przykładów automatycznie oznaczać przypadki najbardziej narażone na problemy, a następnie przekierowywać je do droższego człowieka w pętli.

Na przykład 15% najbardziej ryzykownych momentów interakcji chatbota z konsumentami można przekazać człowiekowi. System zostaje wstrzymany, a człowiek modyfikuje odpowiedź lub interweniuje, jeśli jest to konieczne. Nie mamy magicznej kuli, ale jeśli skierujemy do człowieka więcej przypadków, niż wynosi przewidywany odsetek błędów, możemy wykryć większość problemów.

Być może końcowy wskaźnik błędów wyniesie 1%, co w zależności od zastosowania i kontekstu biznesowego pozwoli wdrożyć system. W ten sposób realizujemy 85% ambitnej obietnicy autonomii — znacznie więcej niż 0%, które otrzymujemy, gdy system nie nadaje się do wdrożenia.

David Rice: Wspomniałeś o warstwie maszynowej. Niedawno wydałeś książkę „AI Playbook”, której podtytuł brzmi „Mastering the Rare Art of Machine Learning Deployment”. Dlaczego wdrażanie uczenia maszynowego jest tak rzadkie?

Eric Siegel: To niewygodna prawda. Wdrażanie uczenia maszynowego odnosi się do projektów predykcyjnej AI i analityki predykcyjnej. Tworzymy model predykcyjny na podstawie danych. Uczenie maszynowe uczy się z danych, a następnie zapisuje wyniki jako reguły, wzory lub inną strukturę modelu.

Dla jasności: zarówno generatywna AI, jak i predykcyjna AI są budowane z wykorzystaniem uczenia maszynowego. Są jednak kategoriami zastosowań uczenia maszynowego, które prowadzą do bardzo różnych systemów i służą bardzo różnym celom.

W przypadku predykcyjnej AI prognozy dotyczą jednostek organizacyjnych, takich jak klient, pacjent, transakcja mogąca być oszustwem, satelita mogący wyczerpać baterię czy koło pociągu mogące ulec awarii. Zastosowań jest niemal nieskończenie wiele.

Analityka predykcyjna i uczenie maszynowe w przedsiębiorstwach istnieją od dziesięcioleci — od lat sześćdziesiątych, gdy wykorzystywaliśmy regresję do kierowania marketingiem, wykrywania oszustw i oceny zdolności kredytowej. To dojrzała dziedzina, ale podobnie jak generatywna AI wciąż nie osiągnęła pełnej profesjonalizacji.

Właśnie dlatego napisałem książkę i współzałożyłem firmę Gooder AI. Próbujemy pokonać ostatnią lukę między technologią a biznesem. Ta luka między personelem technicznym, analitykami danych i specjalistami ilościowymi a interesariuszami biznesowymi jest ogromna i wielokrotnie zabija projekty.

Analityk danych przychodzi i mówi: „Zbudowałem model uczenia maszynowego, który przewiduje, który klient odejdzie”. Można wtedy kierować ofertę retencyjną do klientów wysokiego ryzyka, zamiast oferować rabat całej bazie klientów. Podobnie można przewidywać, która interakcja generatywnej AI zakończy się źle, która transakcja okaże się oszustwem, który klient odejdzie lub który pracownik zrezygnuje.

Następnie analityk danych mówi: „Model działa bardzo dobrze. Wykonałem wszystkie kontrole techniczne, więc można go wdrożyć”. Interesariusz biznesowy pyta: „Jak dobry jest ten model?”. Nie mamy magicznej kuli i możemy jedynie określać prawdopodobieństwo, że dana osoba kliknie, kupi lub odejdzie.

Analitycy danych zazwyczaj odpowiadają wskaźnikami technicznymi: precyzją, czułością, wynikiem F, przyrostem lub polem pod krzywą. Mówią one o surowej, abstrakcyjnej jakości predykcyjnej w porównaniu z losowym zgadywaniem. Nie mówią jednak nic o potencjalnej wartości: ile pieniędzy można zarobić, kierując marketing, oferując działania retencyjne, wykrywając oszustwa lub stosując konserwację predykcyjną.

Obliczanie wyników finansowych, zysków, oszczędności i innych istotnych wskaźników biznesowych nadal nie jest powszechną praktyką w analityce danych. To zadziwiające, ponieważ pracuję w tej dziedzinie od ponad 30 lat.

Wchodzimy w tę branżę jako pasjonaci technologii i odkrywania wzorców w danych. Zaczynamy jednak idealizować technologię — ekscytować się bardziej samą nauką rakietową niż wystrzeleniem rakiety. Po zbudowaniu rakiety trzeba ją przetestować według wskaźników, które mają znaczenie, a także sprawdzić jej działanie.

Musimy nie tylko zbudować model, lecz także umieć nim pokierować i ocenić jego skuteczność. Trzeba obliczyć wyniki biznesowe, takie jak zysk i oszczędności, oraz oszacować potencjalną wartość wykorzystania prognoz modelu. Dlatego stworzyliśmy Gooder AI i dlatego jest to istotna część mojej książki „AI Playbook”.

Zła wiadomość jest taka, że większość modeli predykcyjnych opracowanych z myślą o wdrożeniu w przedsiębiorstwach nie trafia do produkcji. Dobra wiadomość: chodzi tylko o ostatni etap. Przeszliśmy już 10 000 mil. Stoimy na ramionach gigantów, czyli osób, które opracowały algorytmy uczące się na podstawie danych. Teraz potrzebujemy jedynie zmian organizacyjnych, ścisłej współpracy między technologią a biznesem oraz wspólnego języka, obejmującego również wskaźniki biznesowe.

Dzięki temu możemy poprawić niski wskaźnik wdrożeń i znacznie częściej uzyskiwać wartość.

David Rice: Rozwijanie globalnego zespołu nie powinno oznaczać żonglowania pięcioma różnymi systemami HR, płac i IT. Deel łączy wszystko w jednym miejscu, dzięki czemu możesz zatrudniać, wdrażać, opłacać i wyposażać pracowników na całym świecie bez typowego chaosu. Niezależnie od tego, czy zatrudniasz pracowników w 10 krajach, czy zarządzasz wykonawcami w różnych strefach czasowych, Deel obsługuje zgodność z przepisami, benefity i płace w jednym miejscu. Oznacza to mniej narzędzi, mniej problemów i więcej czasu na skupienie się na ludziach.

Chcesz zobaczyć, jak naprawdę wygląda zatrudnianie bez granic? Odwiedź deel.com/pmp. Powtarzam: deel.com/pmp, aby umówić prezentację. Deel — zatrudniaj, zarządzaj i płać każdemu, wszędzie.

David Rice: Z ciekawości: jaka jest najtrudniejsza zmiana, którą firmy muszą wprowadzić, aby wyjść poza same wskaźniki biznesowe i sposób mierzenia technologii oraz skupić się na wpływie organizacyjnym?

Eric Siegel: Poszerzenie zestawu wskaźników to jedna z koniecznych zmian, ale tylko jeden element. Ogólnie rzecz biorąc, definiując projekt predykcyjnej AI, określamy parę rzeczy: co jest przewidywane i co się z tym robi. Na czym umieszczamy prawdopodobieństwa?

Co dokładnie przewidujemy — kto dokona zakupu po kontakcie, które transakcje okażą się oszustwem? Następnie określamy działanie, czyli interwencję lub sposób wykorzystania okazji. Jeśli przewidujemy, kto dokona zakupu po kontakcie, kontaktujemy się właśnie z tymi osobami.

Para „co jest przewidywane i co się z tym robi” definiuje projekt. To jednak dopiero pierwszy z sześciu kroków, które formalizuję w książce „AI Playbook” jako ramy Biz ML — praktyki biznesowej skutecznego prowadzenia projektów uczenia maszynowego aż do wdrożenia.

Kluczowym składnikiem wszystkich tych kroków jest ścisła współpraca technologii i biznesu. Analitycy danych nie mogą działać w próżni. Projekty predykcyjnej AI zawsze wymagają konsultacji. To nie jest instalacja technologii, lecz fundamentalna zmiana dużej operacji biznesowej za pomocą prognoz i prawdopodobieństw.

Największym wyzwaniem jest prawdopodobnie konieczność podniesienia kompetencji po stronie biznesowej, ale tylko w dostępnym i interesującym zakresie. Nie trzeba rozumieć dokładnego działania silnika. Trzeba nauczyć się prowadzić samochód. Jeśli nie potrafisz prowadzić, nie dotrzesz do celu.

Moja książka „AI Playbook” pomaga zdobyć to zrozumienie. Nie chodzi o wieloletnie studia, lecz o przystępne przygotowanie do rozumienia projektów predykcyjnej AI, tego, co jest przewidywane, jakie działania są podejmowane oraz jakie wskaźniki należy stosować.

Wskaźniki to po prostu arytmetyka. Dzięki wspólnemu zrozumieniu można prowadzić projekty aż do wdrożenia, operacjonalizować je i integrować z działalnością. Jeśli operacje się nie poprawiają i nie zmieniają, nie doszło do wdrożenia.

David Rice: Wspomniałeś wcześniej, że generatywna i predykcyjna AI spotykają się i wzajemnie uzupełniają. Jak wygląda dobry przykład ich współpracy w praktyce i z jakimi przeszkodami spotykają się zespoły próbujące je zintegrować?

Eric Siegel: Jednym ze sposobów jest wykorzystanie predykcyjnej AI jako warstwy niezawodności nad systemem generatywnej AI. Innym — wykorzystanie generatywnej AI jako wsparcia dla projektu predykcyjnej AI.

Generatywna AI jest łatwiejsza, ponieważ można z nią rozmawiać w języku naturalnym. Dzięki temu pomaga pokonać lukę między technologią a biznesem. W Gooder AI służy jako konsola biznesowa dla projektu predykcyjnej AI.

Jedna z głównych wizualizacji pokazuje na osi poziomej, ile przypadków należy objąć działaniem — ilu klientów skontaktować, ile transakcji zablokować lub ile urządzeń poddać inspekcji. Oś pionowa przedstawia potencjalne oszczędności, przychody lub zyski.

Krzywa zwykle rośnie, a następnie opada, ponieważ istnieje optymalny zakres, w którym poprawa wyniku finansowego jest największa. To prosta wizualizacja dwóch wymiarów, ale oba są istotne biznesowo.

Możemy również zintegrować model językowy i zadawać pytania dotyczące wykresu. Na przykład: „Dlaczego krzywa rośnie i opada? Wyjaśnij to dziecku”. System może odpowiedzieć, porównując sytuację do sprzedaży lemoniady i wyboru liczby klientów, do których warto się zwrócić. To kolejny przykład tego, jak oba obszary mogą się wzajemnie wzmacniać.

David Rice: Spotkałem się z argumentem, że modele predykcyjne mogą pełnić funkcję kluczowych zabezpieczeń, szczególnie gdy systemy generatywne halucynują lub zaczynają zachowywać się nieprzewidywalnie. Jak predykcyjna AI może działać jako warstwa bezpieczeństwa w procesach operacyjnych?

Eric Siegel: Predykcyjna AI dobrze pasuje do takich zastosowań. Na przykład Shell Oil przewidywał, które zespoły są najbardziej narażone na incydenty na platformach wiertniczych. To przykład bezpieczeństwa pracy analizowanego dla zespołu, środowiska lub konkretnego przypadku.

Predykcja różni się od prognozowania. Prognozowanie zwykle dotyczy jednego wyniku: czy gospodarka wzrośnie, ile lodów sprzedamy w przyszłym kwartale. Predykcyjna AI wykorzystuje uczenie maszynowe do tworzenia prognozy dla każdego indywidualnego przypadku.

Dotyczy to milionów przypadków, z których składają się operacje na dużą skalę. Są one zbiorem milionów mikrodecyzji. Najlepszym sposobem na ich poprawę jest przewidywanie wyniku lub zachowania istotnego dla danej decyzji.

Prawdopodobieństwo może brzmieć jak trudny temat, ale wynik systemu nie jest techniczny. Jest to liczba od zera do stu wskazująca szansę wystąpienia określonego zdarzenia. Dzięki temu możemy sortować, ustalać priorytety i decydować, które przypadki potraktować w jeden sposób, a które w inny.

To właśnie muszą rozumieć interesariusze biznesowi, jeśli chcą wykorzystywać tę technologię. Muszą uczestniczyć w projekcie, a nie tylko wysyłać analityków danych do wykonania pracy. Sam model nie jest wartością. Wartością jest działanie na podstawie prognoz i włączenie ich do operacji na dużą skalę.

Potrzebna jest ścisła współpraca. Obejmuje ona zrozumienie, co jest przewidywane, co się z tym robi, jak mierzyć jakość prognoz, jak ustalać priorytety i jak podejmować decyzje dotyczące poszczególnych przypadków.

David Rice: Wiele ram predykcyjnej AI koncentruje się na modelowaniu danych. Ty podkreślasz także definicję prognozy, integrację operacyjną i ciągłe doskonalenie. Jakie mniej oczywiste, ale kluczowe kroki firmy często pomijają?

Eric Siegel: W zasadzie pomijają wszystkie kroki po stronie biznesowej. Analitycy danych próbują wykonać całość, ale są szkoleni głównie w zakresie technicznych obliczeń i technicznej oceny modeli.

Najważniejsze kroki biznesowe dotyczą tego, co jest przewidywane, jak dobrze jest przewidywane i co się z tym robi. To podstawy definiowania projektu i jego wymagań.

Sześć kroków w modelu Biz ML składa się z dwóch zestawów po trzy kroki. Trzy końcowe kroki to przygotowanie danych, wytrenowanie modelu oraz wdrożenie modelu. Są to kroki, które analitycy danych wykonują od dziesięcioleci.

Trzy wcześniejsze kroki dotyczą produkcji wstępnej: definiowania tego, co jest przewidywane, określania jakości oraz ustalania działań podejmowanych na podstawie prognoz. Wszystkie sześć kroków wymaga ścisłej współpracy z biznesem.

W „Harvard Business Review” opublikowano również artykuł przedstawiający ten model. Książka pozwala zagłębić się w sześć kroków i zdobyć przystępną, częściowo techniczną wiedzę potrzebną do aktywnego udziału w projektach.

David Rice: Niestety, to wszystko, na co mamy dziś czas. Eric, dziękuję za udział w programie. Rozmowa była niezwykle interesująca.

Eric Siegel: Doskonale, David. Bardzo dziękuję za zaproszenie.

David Rice: Drodzy słuchacze, jeśli jeszcze tego nie zrobiliście, odwiedźcie peoplemanagingpeople.com/subscribe i zapiszcie się do newslettera. Otrzymacie takie podcasty oraz wszystkie najnowsze publikowane przez nas artykuły bezpośrednio na swoją skrzynkę odbiorczą. Jeśli chcecie dowiedzieć się więcej na ten temat, koniecznie zajrzyjcie do książki „AI Playbook”. Zdecydowanie warto poświęcić jej czas.

Do usłyszenia następnym razem. Zachowajcie ciekawość wobec predykcyjnej AI. Nie dajcie się zagubić w szumie wokół generatywnej AI.