Agent AI czy zwykła automatyzacja? Test, zanim zapłacisz za model

Holenderska firma ASML produkuje maszyny, bez których nie powstałby żaden nowoczesny procesor. „New York Times” nazwał jej urządzenie najbardziej skomplikowaną maszyną na świecie. Można by się spodziewać, że firma na takim poziomie technologii używa sztucznej inteligencji wszędzie, gdzie się da.

Tymczasem Martin van den Brink, przez lata prezes i dyrektor techniczny ASML, nazywa uczenie maszynowe „oprogramowaniem voodoo”. W książce Marca Hijinka „ASML. Chipy, wojna technologiczna i najważniejsza maszyna świata” tłumaczy dlaczego:

Nikt tak naprawdę nie wie, jak dokładnie działa uczenie maszynowe. (…) Jeśli jednak całkowicie polegasz na sztucznej inteligencji, nie wnosisz żadnej dodatkowej wartości. Przestajesz rozumieć, co się dzieje, i tu zaczynają się problemy.

Van den Brink nie walczy z AI. ASML używa uczenia maszynowego tam, gdzie danych pomiarowych jest tyle, że nie da się ich już ująć we wzory. Traktuje je jednak, jak pisze autor, „tylko w roli ostatniego kroku”. Najpierw idzie fizyka i modele, które da się policzyć i zrozumieć, a AI dochodzi na końcu, żeby szybciej znaleźć rozwiązanie. Pracownikom zadaje jedno pytanie: „dlaczego wybieracie uczenie maszynowe zamiast modelowania opartego na zasadach fizyki?”.

W małej firmie fizyki jest mniej, ale pytanie brzmi podobnie: dlaczego model językowy, skoro mogłaby wystarczyć zwykła reguła?

Reguła, asystent i agent to trzy różne rachunki

Słowo „AI” przykleja się dziś do wszystkiego, więc zacznę od pojęć.

Reguła to zwykła automatyzacja typu „jeśli X, to Y”. Te same dane na wejściu zawsze dają ten sam wynik. Kosztuje grosze, łatwo ją przetestować i zawsze wiesz, dlaczego zadziałała tak, a nie inaczej.

Asystent AI robi to, o co go poprosisz: napisze szkic maila, streści dokument, zaproponuje opis produktu. Kamila Kierzek-Mechło i Radosław Mechło w książce „Zatrudnij AI, odzyskaj czas” piszą, że asystenci działają „w modelu polecenie-odpowiedź”.

Agent AI dostaje cel i sam planuje kroki. Sprawdza, szuka, porównuje i korzysta z Twoich narzędzi. Według tych samych autorów agenci „samodzielnie planują i realizują złożone cele bez ciągłego nadzoru człowieka”.

Od reguły do agenta rosną możliwości, ale razem z nimi koszt każdego wykonania. Spada przewidywalność i coraz trudniej ustalić, skąd wziął się wynik. Dlatego kolejność ma znaczenie.

Jak to działa w porównywarce cen

W tekście o spisywaniu procesów opisałem bufor w Upoluj eBooka. Trafiają tam nowe produkty z plików księgarni i trzeba zdecydować, pod którą kartę książki je podpiąć. Zdecydowana większość ofert nigdy do bufora nie trafia i nikt ich nie ogląda. Zawdzięczamy to warstwom, przez które przechodzi każda oferta, a AI ma w tym niewielki udział:

1. Reguła. Jeśli znamy już ten produkt w tej księgarni, aktualizujemy tylko cenę. Nikt tego nie ogląda.
2. Dopasowanie po kluczu. Nowy produkt system próbuje podpiąć po ISBN, a potem po dokładnym tytule, zawsze w tym samym formacie, żeby e-⁠book nie trafił na kartę audiobooka. To pięć kolejnych prób, od najpewniejszej do najmniej pewnej, bez zgadywania. Każde takie podpięcie przechodzi jeszcze kontrolę tytułu, autora, wydawcy i okładki. Jeśli podobieństwo przekracza progi, oferta jest zatwierdzana automatycznie.
3. Agent AI. Pracuje w buforze, czyli na tym, czego nie załatwiły reguły. Nawet tam najpierw sięga po regułę: jeśli znajdzie ISBN, szuka karty po ISBN. Z własnego osądu korzysta dopiero wtedy, gdy ISBN-u nie ma. Wchodzi na stronę księgarni, ustala pełny tytuł, autorów i wydawcę, szuka w katalogu i łączy tylko wtedy, gdy wszystko się zgadza.
4. Człowiek. Dostaje to, czego agent nie rozstrzygnął, razem z opisem tego, co już sprawdzono.

Ciekawostka z panelu: użytkownik, który automatycznie zatwierdza podpięcia z drugiej warstwy, nazywa się tam „AI”. W rzeczywistości to porównanie tekstu i okładek z progami, bez żadnego modelu językowego. Działa, bo jest przewidywalne.

Dlaczego najpierw reguły

Pierwszy powód to koszt. Reguła może zadziałać milion razy i nic za to nie zapłacisz, a każde wywołanie modelu kosztuje i trwa kilka sekund.

Drugi to przewidywalność. Reguła na tych samych danych zawsze da ten sam wynik, model za drugim razem może odpowiedzieć inaczej. Przy cenie, ISBN-ie albo kwocie na fakturze od tego zależy, czy masz porządek, czy reklamację.

Trzeci to wyjaśnialność. Gdy pomyli się reguła, wiesz, którą poprawić. Gdy pomyli się model, często możesz tylko zmienić polecenie i liczyć, że pomoże.

Czwarty powód jest dla mnie najważniejszy. Van den Brink mówi:

Musimy się wyróżniać. Jeśli nie uwzględnimy wartości dodanej, jaką dają nasze modele fizyczne, to każdy mógłby robić to samo.

W małej firmie takim „modelem fizycznym” jest wiedza o własnym biznesie. Jeśli cały proces sprowadza się do „wklej do ChatGPT”, konkurencja ma dokładnie ten sam ChatGPT. Reguły opisujące, jak naprawdę działa Twój proces, ma tylko Twoja firma.

Kiedy model jest naprawdę potrzebny

Reguły też mają granice. Automatyczne łączenie w porównywarce porównuje identyczne napisy, więc „Tom 1” i „część 1” to dla niego dwie różne książki. Takich wyjątków nie opłaca się dopisywać w nieskończoność. Model ma sens, gdy:

• na wejściu jest wolny tekst: mail od klienta, odpowiedź na pytanie otwarte w ankiecie, opis produktu,
• brakuje informacji i trzeba ją znaleźć oraz zinterpretować, tak jak przy ofertach bez ISBN,
• lista wyjątków rośnie szybciej niż lista reguł.

Nawet wtedy model nie dostaje wolnej ręki. W automatyzacji formularza Google wybiera tag z zamkniętej listy, a niejasne odpowiedzi odkłada do ręcznego przejrzenia. W buforze łączy tylko przy pełnej zgodności, nie zakłada kart bez ISBN, a wątpliwe przypadki oddaje redaktorowi z opisem.

Test dla Twojego procesu

Weź jeden proces i przejdź po kolei przez każdą decyzję, którą ktoś w nim podejmuje. Przy każdej zadaj pytanie van den Brinka: dlaczego model, a nie reguła?

Jeśli decyzja wygląda tak	Wystarczy
Da się ją zapisać jako „jeśli X, to Y”	reguła w zwykłej automatyzacji
Trzeba napisać albo streścić tekst na polecenie	asystent AI
Trzeba zrozumieć wolny tekst albo znaleźć brakujące dane	model AI z zamkniętą listą możliwych wyników
Trzeba przejść kilka kroków w kilku narzędziach, żeby dojść do celu	agent AI, z człowiekiem przy decyzjach, które mają skutki

Zwykle okazuje się, że większość decyzji to reguły, których nikt nie zapisał. Wtedy zaczynam od spisania procesu, a model zostawiam na ostatni krok, tak jak ASML. W porównywarce reguły załatwiają większość, agent dostaje resztę, a człowiek wyjątki.

Zastanawiasz się, czy Twojej firmie potrzebny jest agent AI, czy wystarczy prosta automatyzacja? Porozmawiajmy. Często tańsza odpowiedź okazuje się też lepsza.