Wdrożenie sztucznej inteligencji

Wdrożenie AI — to wbudowanie modelu w proces, który już działa, a nie uruchomienie osobnego systemu obok. Model czyta dane firmy, znajduje w nich prawidłowość i wydaje decyzję; czynność na podstawie tej decyzji wykonuje system, w którym proces żyje — CRM, ERP, program magazynowy, kasa, portal, komunikator.

Dlatego projekt zaczyna się nie od wyboru modelu, lecz od czterech odpowiedzi: jakie dane są i w jakim są stanie; jaką decyzję trzeba podjąć; kto tę decyzję wykonuje i czym; oraz która liczba pokaże, że zrobiło się lepiej. Bez którejkolwiek z tych czterech model dokłada kolejne źródło danych, za które nikt nie odpowiada.

Gdzie AI nie jest potrzebna. Jeśli regułę da się zapisać jedną linijką — stan poniżej pięciu sztuk, powiadom zakupy — zapisuje się ją jako regułę: taniej, przewidywalnie i sprawdzalnie wiersz po wierszu. AI należy tam, gdzie sygnałów są dziesiątki, zmieniają się w czasie, a człowiek dotąd decydował na oko: przypisać zgłoszenie do tematu, oszacować popyt, wychwycić nietypową operację, wyciągnąć pola z dokumentu o dowolnej formie.

Zebrane dane nie są gotowe do użycia: ta sama pozycja nazywa się na trzy sposoby, jednostki miary są pomieszane, w połowie zapisów brakuje obowiązkowego atrybutu, a część wierszy to duplikaty jednej operacji. Model nauczony na takim zbiorze odtworzy bałagan, zamiast znaleźć prawidłowość.

Przetwarzanie AI obejmuje tu trzy zadania: doprowadzenie zapisów do jednej postaci, uzupełnienie atrybutów tam, gdzie ich nie ma, i rozłożenie obiektów do kategorii, których w danych źródłowych nie było.

• Normalizacja — jeden format dat, liczb, jednostek miary, numerów telefonów, adresów i danych rejestrowych
• Dopasowanie nazw — „przewód YDYp 3x2,5”, „YDYp-3*2,5” i „przewod ydyp 3x2.5 PN” sprowadzają się do jednej pozycji katalogowej
• Uzupełnianie luk — brakującą kategorię, markę albo jednostkę miary przewiduje się z pozostałych pól karty
• Klasyfikacja — towar przypisuje się do grupy, zgłoszenie do tematu, płatność do pozycji kosztowej, kontrahenta do segmentu
• Wyciąganie cech — z opisu wyciąga się charakterystyki: objętość, wagę, moc, skład, termin przydatności
• Wykrywanie duplikatów — dwie karty jednego kontrahenta albo dwa dokumenty jednej dostawy znajduje się po kombinacji pól, a nie po dokładnej zgodności tekstu
• Kontrola spójności — ujemny stan, data wysyłki wcześniejsza niż data zamówienia, pozycje niesumujące się do kwoty dokumentu

Czynność: poprawki pewne stosuje się automatycznie i zapisuje w dzienniku razem z wartością pierwotną; graniczne idą do właściciela danych słownikowych do potwierdzenia jedną listą, a nie osobnymi e-mailami.

Dlaczego to osobne zadanie

Jakość danych to nie jednorazowe porządki przed projektem, lecz proces ciągły: dane słownikowe rosną każdego dnia, dostawcy zmieniają formaty cenników, a kierownicy tworzą karty od zera, zamiast szukać istniejącej. Dlatego reguły i modele czyszczenia żyją w systemie obok danych i stosują się przy każdym ładowaniu.

Każda poprawka ma autora — regułę albo model — godzinę oraz wartość starą i nową. To nie biurokracja: bez historii nie da się ustalić, dlaczego zeszłomiesięczny raport pokazuje dziś inne liczby.

Wynik

Dane słownikowe przestają się rozgałęziać, raporty według grup towarowych i pozycji kosztowych zgadzają się ze sobą, a przygotowanie danych przestaje zjadać większość harmonogramu każdego projektu analitycznego.

Zwykły raport odpowiada na pytanie, które mu zadano: przychód według miesięcy, sprzedaż według oddziałów, stany według magazynów. Pytania zadaje człowiek, więc widać dokładnie to, co komuś przyszło do głowy sprawdzić.

Przetwarzanie AI odwraca tu kierunek: model sam przegląda przekroje i przynosi te, w których wskaźnik zachowuje się inaczej, niż się spodziewano. Nie „narysuj mi wykres”, lecz „oto trzy miejsca, w których dzieje się coś nietypowego, a oto z czym to koreluje”.

Co robi inteligentna analityka:

• Segmentacja — klientów, punkty sprzedaży i towary grupuje się według rzeczywistego zachowania, a nie według kategorii wymyślonych z góry
• Rozkład wskaźnika — spadek przychodu rozkłada się na udziały kategorii, oddziałów, kanałów i średniego paragonu: staje się jasne, co dokładnie spadło
• Związki między zdarzeniami — które cechy zamówienia, klienta albo punktu najczęściej towarzyszą odmowie, zwrotowi, opóźnionej płatności albo odejściu klienta
• Ocena ryzyka — prawdopodobieństwo, że zamówienie zostanie anulowane, faktura nie zostanie opłacona w terminie, a klient przestanie kupować
• Porządkowanie uwagi — lista obiektów wymagających wyjaśnienia, posortowana według możliwych strat, a nie alfabetycznie
• Zapytania prostym językiem — pytanie zadane danym słowami, z obowiązkowym wskazaniem źródła i okresu w odpowiedzi

Czynność: znalezisko nie zostaje na pulpicie — zamienia się w zadanie z adresatem i terminem: zbadać punkt ze spadkiem, skontaktować się z klientem z grupy ryzyka, sprawdzić kategorię z rosnącymi zwrotami.

Rutyna to operacje powtarzające się dziesiątki razy dziennie, wymagające uwagi i niewymagające kwalifikacji: przepisanie danych z e-maila do karty, przypisanie płatności do pozycji kosztowej, wyznaczenie wykonawcy, sprawdzenie kompletności dokumentu, ustawienie statusu.

Przetwarzanie AI jest potrzebna tam, gdzie wejście nie jest sformalizowane: e-mail napisano słowami, dokument przyszedł w cudzym formacie, a zapytanie każdy klient formułuje inaczej. Model doprowadza takie wejście do struktury, po czym proces przejmują zwykłe reguły — przewidywalne i sprawdzalne.

Operacje, które stają się automatyczne:

• Sortowanie przychodzących e-maili i zapytań
• Ustalanie tematu i pilności zgłoszenia
• Wyznaczanie wykonawcy i terminu
• Tworzenie karty klienta i transakcji
• Wyciąganie danych z dokumentów
• Porównywanie dokumentu z zamówieniem i fakturą
• Przypisywanie płatności do pozycji kosztowej i umowy
• Sprawdzanie kompletności pakietu dokumentów
• Przygotowanie projektu odpowiedzi na typowe zapytanie
• Tłumaczenie tekstów i doprowadzanie ich do jednej postaci
• Przygotowanie zestawień i zaświadczeń z szablonu
• Uzupełnianie pól karty towarowej z opisu
• Sprawdzanie kompletności zgłoszenia przed uruchomieniem
• Ustalanie priorytetów kolejki zadań
• Podsumowania według zmian, dni i obiektów
• Alerty do osób odpowiedzialnych przy zdarzeniach

Czynność i wynik: operację wykonuje system i zapisuje ją w dzienniku z autorem, godziną i wartością pierwotną. Pracownik przechodzi od wprowadzania danych do obsługi wyjątków — przypadków, w których model nie jest pewny albo koszt błędu jest wysoki.

Dane: listy przewozowe, faktury, protokoły, umowy, specyfikacje, polecenia zapłaty, wnioski, karty katalogowe sprzętu, e-maile z załącznikami. Formaty bywają różne: pdf, zdjęcie z telefonu, skan, plik eksportu, papierowy oryginał.

Przetwarzanie AI: rozpoznanie tekstu, ustalenie typu dokumentu, wyciągnięcie pól i części tabelarycznej, dopasowanie pozycji do katalogu i powiązanie dokumentu z zamówieniem, umową albo kontrahentem. Dla każdego pola zwraca się wartość i liczbę pewności.

Co się wyciąga:

• Dane stron — nazwa, numery rejestrowe, adres, dane bankowe
• Numer i data dokumentu, odniesienia do umowy, faktury i zamówienia
• Część tabelaryczna — pozycje, ilość, cena, kwota, stawka podatku
• Sumy — kwota netto, podatek, razem do zapłaty, waluta
• Warunki i terminy — warunki płatności, warunki dostawy, gwarancja, kary umowne
• Podpisy i pieczęcie — obecność, a nie autentyczność: autentyczność to sprawa obiegu dokumentów o mocy prawnej

Czynność: dokument porównuje się z zamówieniem i fakturą, rozbieżności wypisuje się listą, a dokument albo księguje się, albo kieruje do przeglądu do konkretnego pracownika. Wynik: wprowadzanie dokumentów przestaje być osobnym zajęciem, a rozbieżności znajdują się przed zapłatą, a nie przy zamknięciu miesiąca.

Gdzie przebiega granica

Rozpoznawanie nigdy nie daje stuprocentowej dokładności na żadnym zbiorze dokumentów — i dawać nie powinno. Chodzi o co innego: system pokazuje, którym polom ufa, a które prosi potwierdzić. Operator sprawdza kilka oznaczonych pól, zamiast przepisywać cały dokument.

Kiepska jakość źródła nie jest usprawiedliwieniem dla cichego błędu: rozmyte zdjęcie, ucięta strona, brakująca druga strona specyfikacji — wszystko to oznacza się wprost i odsyła nadawcy z podaniem powodu.

Wynik

Szybkość przetwarzania przestaje zależeć od wolumenu strumienia przychodzącego, a księgowość i zakupy widzą stan dokumentów na jednej liście, a nie w skrzynkach poszczególnych pracowników.

Dane: e-maile, zapytania ze strony, wiadomości w komunikatorach, transkrypcje rozmów, korespondencja z czatu wsparcia, opinie i oceny. Wszystko to tekst o dowolnej formie, który dotąd musiał czytać i sortować człowiek.

Przetwarzanie AI: zgłoszenie przypisuje się do tematu i podtematu, ustala się pilność i wydźwięk, z tekstu wyciąga się numer zamówienia, nazwę towaru, adres i inne encje, a zgłoszenie wiąże się z historią klienta. Powtórne zgłoszenia w tej samej sprawie scala się w jedną sprawę.

Czynność: zapytanie trafia do kolejki właściwej grupy z już wypełnionymi polami, termin odpowiedzi liczy się z pilności, powtórne zgłoszenie podnosi się w priorytecie, a klient dostaje potwierdzenie z numerem i przewidywanym terminem.

Wynik: zgłoszenia przestają leżeć we wspólnej skrzynce do rana, a kierownik widzi nie „dużo reklamacji”, lecz strukturę: w jakich tematach strumień rośnie, gdzie rośnie czas odpowiedzi i które produkty generują zgłoszenia powtórne.

Co daje badanie całego strumienia

Pojedyncze zgłoszenie mówi o przypadku, cały strumień — o produkcie i procesie. Klasyfikacja tematyczna za okres pokazuje, co dokładnie budzi pytania: niejasna instrukcja, błąd w opisie towaru, awaria na konkretnym kroku składania zamówienia, opóźnienie u jednej firmy kurierskiej.

Dlatego tematów się nie wymyśla: najpierw zgłoszenia grupuje się według sensu automatycznie, potem powstałe grupy poprawia się ręcznie i utrwala jako dane słownikowe. Od tej pory żyją one obok produktu, a nowe grupy podpowiada system.

Bot to nie jeden model, lecz kilka połączonych części. Podział ma znaczenie praktyczne: każda część ma własny sposób psucia się, własne metryki i własny sposób naprawy.

• Zrozumienie zapytania — co człowiek chce zrobić i jakie parametry podał: numer zamówienia, datę, towar, adres
• Wyszukiwanie wiedzy — dobór fragmentów dokumentów i zapisów, na których zbuduje się odpowiedź
• Dostęp do systemów — zestaw dozwolonych operacji: zobaczyć zamówienie, utworzyć zgłoszenie, zmienić datę dostawy. Każdą opisuje się wprost; bot nie ma czynności dowolnych
• Złożenie odpowiedzi — model składa odpowiedź wyłącznie z tego, co znaleziono i co zwróciły systemy; czego nie ma w źródłach, tego w odpowiedzi nie ma
• Sprawdzenie przed wysłaniem — odpowiedź weryfikuje się ze źródłami, a czynność z uprawnieniami i limitami użytkownika
• Przekazanie człowiekowi — reguły eskalacji: niska pewność, powtórzone pytanie, reakcja negatywna, temat z listy zastrzeżonej
• Dziennik — o co pytano, co znaleziono, co bot zrobił i na jakiej podstawie. Bez tego nie da się zbadać reklamacji

Kanały podłączenia — strona i konto klienta, komunikatory, poczta, linia telefoniczna z rozpoznawaniem mowy, portal wewnętrzny i miejsca pracy pracowników. Logika wszędzie jest ta sama: kanał zmienia formę wejścia, a nie to, co botowi wolno.

Skąd bierze się odpowiedź

Bot nie pamięta waszych dokumentów — przeszukuje je w chwili pytania i odpowiada z tego, co znajdzie. Dlatego zaktualizowany regulamin działa od razu po wgraniu, a nie po douczeniu modelu, i dlatego każda odpowiedź ma źródło.

Jak uruchamia się bota

Najpierw składa się zestaw prawdziwych pytań — z korespondencji, zgłoszeń i czatów wewnętrznych. Na nim bada się bota przed uruchomieniem: odpowiedzi sprawdza się ze źródłami, a błędy analizuje według przyczyn. Dopiero potem otwiera się bota dla użytkowników, zwykle najpierw dla jednej grupy.

Asystent wewnętrzny różni się od bota dla klientów danymi źródłowymi: pracuje z informacją firmową i w granicach uprawnień konkretnego pracownika. To samo pytanie od magazyniera i od dyrektora finansowego daje różne odpowiedzi — bo dostępne są im różne dokumenty.

Co asystent robi na stanowisku pracy:

• Odpowiada z regulaminów — jak coś złożyć, kto to zatwierdza, jaki jest termin, jakiego formularza użyć, z odniesieniem do punktu
• Składa notatkę o obiekcie — klient, transakcja, umowa, zamówienie, urządzenie: historia, pytania otwarte, nadchodzące terminy
• Przygotowuje projekty — e-maila, ofertę, odpowiedź na zgłoszenie, opis zadania, protokół spotkania
• Prowadzi ewidencję za pracownika — wynik rozmowy albo spotkania zamienia się w zadania, terminy i zaktualizowaną kartę
• Składa wnioski — do kadr, zakupów, wsparcia technicznego: pola wypełniają się z rozmowy, a nie z formularza o dwudziestu polach
• Przygotowuje podsumowanie zmiany — co działo się na obiekcie w danym okresie, co jest wciąż otwarte, co wymaga decyzji

Wynik: pracownik poświęca czas na pracę, a nie na szukanie właściwego dokumentu, przypominanie sobie regulaminu i wypełnianie formularzy. Asystent nie podejmuje decyzji za człowieka — usuwa część przygotowawczą.

Wiedza firmowa rzadko leży w jednym miejscu: regulaminy w jednym folderze, umowy w drugim, dokumentacja techniczna w trzecim, a połowa odpowiedzi w korespondencji. Wyszukiwanie po nazwie pliku tu nie działa, bo człowiek szuka nie dokumentu, lecz odpowiedzi.

Dane: regulaminy i zarządzenia, umowy i aneksy, dokumentacja techniczna i projektowa, instrukcje, baza rozwiązanych zgłoszeń, protokoły, dane słownikowe, archiwum korespondencji — każde z właścicielem i poziomem dostępu.

Przetwarzanie AI: dokumenty rozbija się na fragmenty, a każdy fragment indeksuje według sensu; pytanie porównuje się z fragmentami, a nie z tytułami. Odpowiedź składa się ze znalezionego i przychodzi z cytatem oraz odniesieniem do dokumentu, strony i wersji.

Czynność i wynik: pracownik dostaje odpowiedź ze źródłem w kilka sekund, zamiast obchodzić kolegów; przypadki graniczne sprawdza się w cytacie; przeterminowane dokumenty widać od razu — jeśli odpowiedź przyszła z wersji sprzed dwóch lat, jest to w samej odpowiedzi napisane.

Co sprawia, że baza wiedzy działa

• Jedno wejście — źródła podłącza się do indeksu, a nie przepisuje ręcznie do nowego magazynu
• Wersje i daty — przy każdym fragmencie wiadomo, z jakiej wersji dokumentu pochodzi; bieżącą oddziela się od archiwum
• Uprawnienia się dziedziczy — z systemów źródłowych, żeby indeks nigdy nie stał się sposobem na obejście ograniczeń dostępu
• Aktualizacja przy zdarzeniu — zmieniony dokument indeksuje się od razu, a nie według miesięcznego harmonogramu
• Informacja zwrotna — „ta odpowiedź nie pomogła” zaznacza się w interfejsie i trafia do przeglądu razem z pytaniem
• Luki są widoczne — pytania, do których nie znaleziono źródła, zbiera się na listę: to zadanie na napisanie brakującego regulaminu

Czego baza wiedzy nie robi

Nie zastępuje systemu obiegu dokumentów i nie staje się źródłem prawdy: dokument o mocy prawnej zostaje tam, gdzie go podpisano i gdzie się go przechowuje. Indeks jest sposobem na jego znalezienie i zacytowanie, a nie osobną kopią żyjącą własnym życiem.

Zgłoszenie przychodzi w dowolnej formie i dowolnym kanałem: e-mail, wiadomość, formularz na stronie, telefon, załączony plik. Przed wdrożeniem człowiek je czyta, przenosi dane do systemu, ustala typ i wyznacza wykonawcę — co zajmuje od kilku minut do kilku godzin czekania w kolejce.

Przetwarzanie AI: ustala się typ zgłoszenia, wyciąga pola — obiekt, adres, termin, kontakt, numer umowy — sprawdza kompletność, ocenia pilność i wiąże zgłoszenie z klientem oraz jego historią. Czego brakuje, dopytuje się automatycznie w tym samym kanale.

Czynność: zgłoszenie tworzy się w systemie z wypełnionymi polami, grupę albo wykonawcę wyznaczają reguły, ustawia się termin i wysyła potwierdzenie z numerem. Duplikaty w tej samej sprawie wiąże się ze sobą, zamiast tworzyć drugie zgłoszenie.

Wynik: wykonawca dostaje zgłoszenie kompletne i zaczyna od pracy, a nie od dopytywania. Czas od wpłynięcia do przydzielenia przestaje zależeć od tego, kto i kiedy otworzył wspólną skrzynkę.

Droga zgłoszenia

Co trzeba skonfigurować

• Słownik typów zgłoszeń i reguły wyznaczania wykonawców
• Pola obowiązkowe dla każdego typu — inaczej dopytanie nie zadziała
• Terminy odpowiedzi według umowy i priorytetu
• Regułę scalania powtórnych zgłoszeń w tej samej sprawie

Model zawsze się myli — pytanie brzmi, jak często, gdzie dokładnie i ile to kosztuje. Dlatego każde wdrożenie ma dwa zestawy liczb: jakość samego modelu i zmianę w procesie. Pierwszy interesuje inżyniera, drugi biznes, a nie pokrywają się one automatycznie.

• Precyzja i czułość — dla każdej klasy osobno, a nie jedną średnią: klasa rzadka, ale kosztowna, znaczy więcej niż powszechna
• Udział decyzji automatycznych — ile operacji przeszło bez człowieka przy danym progu pewności
• Udział poprawek — ile decyzji automatycznych człowiek anulował albo zmienił
• Czas operacji — od wpłynięcia do zakończenia, w porównaniu z punktem odniesienia sprzed wdrożenia
• Koszt błędu — ile kosztuje przeoczenie, a ile fałszywy alarm; próg dostraja się do tej proporcji, a nie do elegancji metryki
• Dryf danych — zmiana składu danych wejściowych, przez którą jakość spada bez ani jednej poprawki w systemie

Próg pewności jest pokrętłem, a nie stałą. Podnieście go, a firma dostanie mniej automatyzacji i mniej błędów; obniżcie — odwrotnie. Wartość wybiera się według kosztu błędu w konkretnym procesie.

Co pokazuje panel

Eksploatacja po uruchomieniu

Model nie jest dostawą jednorazową. Dane się zmieniają: pojawiają się nowe towary, nowe tematy zgłoszeń, nowe formaty dokumentów, nowi dostawcy. Dlatego w projekcie zakłada się regularne sprawdzanie jakości na świeżych danych, douczanie według harmonogramu albo po przekroczeniu progu oraz przegląd przypadków, w których człowiek poprawił decyzję.

Poprawki operatorów są najcenniejszym materiałem uczącym: zbiera się je w osobny zbiór i wykorzystuje w następnej turze uczenia. Dzięki temu system poprawia się na własnej pracy, a nie na cudzych danych.