W serii Author Spotlight redaktorzy TDS rozmawiają z członkami naszej społeczności o ich karierach w dziedzinie analizy danych i sztucznej inteligencji, ich pisarstwie i źródłach inspiracji. Dziś z radością dzielimy się naszą rozmową Doktor Janna Lipenkova.
dr. Janna Lipenkova jest specjalistką ds. strategii sztucznej inteligencji, przedsiębiorcą i autorką książek Sztuka rozwoju produktów AI. Dzięki doktorat z lingwistyki obliczeniowej łączy głęboką wiedzę techniczną ze strategią biznesową, aby pomóc organizacjom przekształcić sztuczną inteligencję w wymierne rezultaty. Janna założyła i prowadziła liczne przedsięwzięcia na styku języka, danych i inteligencji – m.in Anakodktóry koncentruje się na transformacji sztucznej inteligencji w przedsiębiorstwach oraz EquintelPlatforma AI wspierająca zrównoważony rozwój przedsiębiorstwa. Poprzez swoje przywództwo myślowe i działalność doradczą Janna stale kształtuje i udoskonala swoją kompleksową metodologię rozwoju i integracji sztucznej inteligencji.
Nazywasz swój „Poradnik strategii sztucznej inteligencji” zestawem modeli mentalnych, które pomagają zespołom ustalić, co i dlaczego mają zbudować. Które modele najczęściej zapewniają przejrzystość w salach konferencyjnych i dlaczego rezonują?
Jednym z największych wyzwań w pokojach biznesowych jest komunikacja. Ludzie mają na myśli różne rzeczy, gdy mówią o sztucznej inteligencji, która blokuje wykonanie. Używam trzech modeli mentalnych, aby stworzyć ustrukturyzowaną wspólną płaszczyznę, która pozwoli nam iść do przodu bez wymówek i nieporozumień.
Zwykle zaczynam od Drzewo funkcji AIco pomaga nam mapować krajobraz możliwych przypadków użycia sztucznej inteligencji. Menedżerowie często przychodzą z mieszaniną ciekawości i podekscytowania – „musimy coś zrobić ze sztuczną inteligencją” – ale brakuje im jasnego obrazu tego, gdzie tak naprawdę leży wartość. Domyślną ścieżką, którą wybiera większość zespołów, jest budowanie chatbotów, ale tego typu projekty rzadko kiedy odnoszą sukces (por. ten artykuł). Drzewo możliwości przełamuje ten schemat, systematycznie odkrywając potencjalne przypadki użycia sztucznej inteligencji i zapewniając ustrukturyzowaną, obiektywną podstawę do ustalania priorytetów.
Kiedy już wiemy, co i dlaczego budować, przechodzimy dalej Jak i wypełnij Projekt systemu sztucznej inteligencji. Model ten pomaga mapować dane, modele, doświadczenia użytkownika i ograniczenia zarządcze wyobrażonego systemu sztucznej inteligencji. Jest szczególnie przydatny w środowiskach wielostronnych, gdzie zespoły biznesowe, zajmujące się analizą danych i zgodnością potrzebują wspólnego języka. Plan zmienia złożoność sztucznej inteligencji w coś namacalnego i iteracyjnego — możemy to narysować, omówić i wspólnie ulepszyć.
Na koniec przedstawiam Mapa przestrzeni rozwiązań AI. Rozszerza dyskusję poza dominujące obecnie technologie – głównie duże modele i agenty językowe – i pomaga zespołom uwzględnić całą przestrzeń typów rozwiązań: od klasycznego uczenia maszynowego po architektury hybrydowe, systemy wyszukiwania oraz podejścia oparte na regułach lub symulacji. To szersze spojrzenie pozwala nam dostarczać właściwe rozwiązania, a nie tylko nowoczesne.
Razem modele te tworzą podróż odzwierciedlającą skuteczność opracowywania produktów AI: od odkrywania możliwości, przez projektowanie systemu, po ciągłe badania. Rezonują z kadrą kierowniczą, ponieważ łączą strategię i wykonanie.
Jak piszesz, wiedza dziedzinowa jest ważna przy tworzeniu produktów AI. Gdzie zauważyłeś, że wiedza dziedzinowa zmieniła cały kształt rozwiązań AI, a nie tylko poprawiła dokładność na marginesach?
Żywym przykładem sytuacji, w której specjalistyczna wiedza branżowa całkowicie zmieniła rozwiązanie, był projekt logistyczny, w ramach którego początkowo przewidywano opóźnienia w dostawach. Kiedy dołączyli się eksperci dziedzinowi, ponownie sformułowali problem: opóźnienia nie były zdarzeniami przypadkowymi, ale objawami głębszych zagrożeń biznesowych, takich jak zależność od dostawców, wąskie gardła regulacyjne lub niestabilność sieci. My, „eksperci od sztucznej inteligencji”, nie mogliśmy dostrzec tych wzorców.
Aby uwzględnić tę wiedzę dziedzinową, rozszerzyliśmy warstwę danych poza czasy przesyłania, aby uwzględnić sygnały ryzyka dostawcy i wykresy zależności. Architektura sztucznej inteligencji ewoluowała od pojedynczego modelu predykcyjnego do systemu hybrydowego, który łączy przewidywanie, wykresy wiedzy i rozumowanie oparte na regułach. Doświadczenie użytkownika zostało rozszerzone z przewidywań opóźnień reaktywnych na scenariusze ryzyka z sugerowanymi środkami łagodzącymi, które były bardziej praktyczne dla ekspertów.
Ostatecznie wiedza dziedzinowa nie tylko poprawiła dokładność, ale także na nowo zdefiniowała problem, projekt systemu i wartość, jaką uzyskała firma. Dzięki temu model AI stał się prawdziwym narzędziem wspierającym podejmowanie decyzji. Po tym doświadczeniu zawsze nalegam, aby eksperci dziedzinowi dołączyli do nas na wczesnych etapach inicjatywy związanej ze sztuczną inteligencją.
Oprócz postów na temat TDS napisałeś książkę: The Art of Artificial Intelligence Product Development: Delivering Business Value. Jakie są najważniejsze wnioski, które zmieniły Twoje podejście do tworzenia produktów AI (zwłaszcza wszystko, co Cię zaskoczyło lub obaliło wcześniejsze przekonanie)?
Napisanie tej książki zmotywowało mnie do przemyślenia wszystkich fragmentów wiedzy teoretycznej, doświadczenia praktycznego i moich własnych przekonań oraz ułożenia ich w ramy nadające się do ponownego wykorzystania. Ponieważ książka musi pozostać aktualna przez lata, zmusiło mnie to również do rozróżnienia między podstawami z jednej strony a szumem z drugiej. Oto niektóre z moich własnych odkryć:
- PierwszyNauczyłem się znajdować wartość biznesową w technologii. Często wahamy się pomiędzy dwiema skrajnościami – albo gonimy za sztuczną inteligencją dla samej sztucznej inteligencji, albo polegamy wyłącznie na odkryciach dokonywanych przez użytkowników. W pierwszym przypadku nie tworzysz prawdziwej wartości. W przeciwnym razie, kto wie, jak długo będziesz musiał czekać, aż pojawi się „idealny” problem ze sztuczną inteligencją. W praktyce najlepsze rozwiązanie leży pośrodku: wykorzystanie wyjątkowych zalet technologii w celu odblokowania wartości, którą użytkownicy mogą wyczuć, ale niekoniecznie wyrażą. Wiemy to od wielkich innowatorów, takich jak Steve Jobs i Henry Ford, którzy stworzyli radykalnie nowe doświadczenia, zanim klienci ich zażądali. Aby jednak odnieść sukces, potrzebujesz magicznej mieszanki wiedzy technicznej, odwagi i intuicji na temat potrzeb rynku.
- InnyZdałem sobie sprawę, jak ważne jest doświadczenie użytkownika dla sukcesu sztucznej inteligencji. Wiele projektów AI kończy się niepowodzeniem nie dlatego, że modele są słabe, ale dlatego, że inteligencja nie jest jasno przekazywana, wyjaśniana lub nie nadaje się do użytku. Sukces produktu AI zależy od tego, jak intuicyjnie użytkownicy mogą wchodzić w interakcję z jego możliwościami i jak bardzo ufają jego wynikom. Pisząc tę książkę, czytałem ponownie klasyki projektowania, takie jak „The Design of Everyday Things” Dona Normana, i zawsze zastanawiałem się – jaki to ma związek ze sztuczną inteligencją? Myślę, że wciąż jesteśmy na wczesnym etapie nowej ery UX. Czat jest ważnym elementem, ale z pewnością jest tylko częścią równania. Jestem bardzo podekscytowany rozwojem nowych koncepcji interfejsu użytkownika, takich jak generatywny UX.
- TrzeciSystemy sztucznej inteligencji muszą ewoluować w drodze cykli informacji zwrotnych i udoskonaleń, a proces ten tak naprawdę nigdy się nie kończy. Dlatego w książce używam metafory derwisza: kręcenie się, doskonalenie, ciągłe uczenie się. Zespoły, które opanowują wczesne wydanie i ciągłe iteracje, zwykle dostarczają znacznie więcej wartości niż te, które czekają na „idealny” model. Niestety nadal widzę, że wiele zespołów zbyt długo zajmuje opracowanie pierwszego planu bazowego i nie poświęca wystarczającej ilości czasu na optymalizację iteracyjną. Systemy te mogą wejść do produkcji, ale ich wdrożenie jest mało prawdopodobne i zostaną odłożone na półkę jako kolejny eksperyment ze sztuczną inteligencją.
Jakie nawyki poleciłbyś zespołom dostarczającym funkcję AI w następnym kwartale i jakich kluczowych pułapek powinny unikać, aby skupić się na dostarczaniu prawdziwej wartości biznesowej, a nie na wzbudzaniu szumu?
Najpierw, jak wyżej, opanuj sztukę powtarzania. Publikuj wcześnie, ale rób to odpowiedzialnie — opublikuj coś, co jest na tyle przydatne, aby zdobyć zaufanie użytkowników, a następnie stale to ulepszaj. Każda interakcja przynosi nowe dane, a każda informacja zwrotna to nowy sygnał szkoleniowy.
Po drugie, miej szersze spojrzenie. Łatwo jest uzyskać wizję tunelową wokół najnowszego LLM lub wersji modelu, ale prawdziwa innowacja często wynika ze sposobu łączenia technologii — wyszukiwania, wnioskowania, analiz, UX i logiki domeny. Zaprojektuj swój system w sposób modułowy, aby móc go rozbudowywać i stale monitorować rozwiązania AI oraz zmiany, które mogłyby go ulepszyć (zobacz także nasz nadchodzący AI Radar).
Po trzecie, testuj wcześnie i często z prawdziwymi ludźmi. Produkty AI żyją lub umierają w zależności od tego, jak ludzie je postrzegają i wykorzystują. Wewnętrzne demonstracje i testy syntetyczne nie zastąpią chaotycznych, zaskakujących danych wejściowych i opinii, które otrzymujesz od prawdziwych użytkowników.
Twoje długie pisanie (książka, zagłębianie się w szczegóły) pozwala uniknąć szumu i koncentruje się na dostarczaniu wartości organizacjom. Jakie jest Twoje podejście do wyboru tematów i czy pisanie na te tematy pomaga Ci je lepiej zrozumieć?
Pisanie zawsze było moim sposobem na głośne myślenie. Używam go do nauki, przetwarzania złożonych pomysłów i generowania nowych. Zwykle kieruję się przeczuciem i piszę o podejściach, w które naprawdę wierzę i które widziałem w rzeczywistych organizacjach.
Jednocześnie u mnie w firmie mamy trochę własnego „tajemniczego sosu”. Przez lata opracowaliśmy system oparty na sztucznej inteligencji do śledzenia nowych trendów i innowacji. Dostarczamy go nielicznym klientom z branż takich jak lotnictwo i finanse, ale oczywiście używamy go również do własnych potrzeb. To połączenie danych i intuicji pomaga mi dostrzec tematy, które są aktualne teraz i prawdopodobnie będą ważne nie za kilka miesięcy, ale za dwa lub trzy lata.
Przykładowo na początku 2025 roku opublikowaliśmy raport dotyczący trendów AI w przedsiębiorstwach i niemal każdy poruszany w nim temat okazał się bardzo aktualny przez cały rok. Tak więc, chociaż moje pisanie jest intuicyjne i osobiste, jest również oparte na dowodach.
Aby dowiedzieć się więcej o pracy Janny i być na bieżąco z jej najnowszymi artykułami, możesz śledzić ją na TDS, Substack lub LinkedIn.
