Lekcja pierwsza. Wprowadzenie do generatywnej sztucznej inteligencji. Wyobraź sobie, że masz do przeczytania długi dokument i potrzebujesz krótkiego podsumowania. Albo chcesz przygotować pierwszą wersję odpowiedzi na wiadomość. W takich zadaniach może pomóc generatywna sztuczna inteligencja. To grupa systemów, które tworzą nowe treści na podstawie wzorców poznanych podczas treningu. Mogą generować tekst, kod, obrazy i dźwięk. W pracy biurowej najczęściej spotkasz je jako asystentów, którym opisujesz zadanie w zwykłym języku. Czym różnią się od klasycznej automatyzacji? Klasyczna automatyzacja wykonuje zapisane reguły. Jeżeli wydarzy się określona sytuacja, wykonaj przypisaną czynność. Generatywna sztuczna inteligencja pomaga interpretować mniej uporządkowane informacje, takie jak wiadomości, opisy problemów czy notatki ze spotkań. Oba podejścia można połączyć w jednym procesie. Zanim przejdziemy do przykładu, poznaj pięć pojęć. Duży model językowy, określany skrótem LLM, jest trenowany na bardzo dużych zbiorach tekstu. Prompt to instrukcja lub zestaw informacji, które przekazujesz modelowi. Kontekst to dane dostępne modelowi podczas przygotowywania konkretnej odpowiedzi. Token to fragment tekstu przetwarzany przez model. Ostatnie pojęcie to RAG. Oznacza podejście, w którym system wyszukuje informacje w kontrolowanym źródle, na przykład firmowej bazie dokumentów, i przekazuje je modelowi do przygotowania odpowiedzi. Do czego możesz wykorzystać takie narzędzia? Do streszczania dokumentów, porządkowania notatek, tłumaczenia, klasyfikowania treści i przygotowywania pierwszych wersji wiadomości. Mogą też pomagać w tworzeniu pomysłów, analizie wariantów i pracy z kodem. Zobaczmy to na przykładzie skrzynki helpdesku, czyli obsługi zgłoszeń. Reguły sprawdzają, czy zgłoszenie zawiera numer użytkownika i wymagane pola. Model odczytuje opis problemu, przygotowuje krótkie podsumowanie i proponuje kategorie. Ostateczna decyzja pozostaje po stronie człowieka lub systemu działającego według reguł procesu. Taki podział pozwala wykorzystać model do interpretacji tekstu, zachowując kontrolę nad przebiegiem sprawy. Trzeba jednak pamiętać o ograniczeniach. Odpowiedź może brzmieć przekonująco i zawierać błąd. Model może nie znać kontekstu firmy albo nie mieć dostępu do aktualnych danych. Dlatego ważne informacje sprawdzaj w wiarygodnych źródłach. Zapamiętaj cztery rzeczy. Po pierwsze, model tworzy odpowiedź na podstawie prawdopodobieństwa. Nie odtwarza po prostu bazy sprawdzonych faktów. Po drugie, jakość wyniku zależy od instrukcji i dostarczonego kontekstu. Po trzecie, odpowiedzi dotyczące ważnych decyzji wymagają weryfikacji. Po czwarte, dużą wartość daje połączenie modelu z wiedzą firmową i dobrze zaprojektowanym procesem. Na koniec krótkie ćwiczenie. Wybierz jedno powtarzalne zadanie ze swojej pracy. Zapisz, jakie informacje otrzymujesz i jaki rezultat przygotowujesz. Wskaż kroki wymagające interpretacji tekstu oraz te, które muszą przebiegać według stałych reguł. Zastanów się, gdzie model mógłby przygotować wersję roboczą, a gdzie potrzebna jest kontrola wyniku.