Inteligența artificială este percepută, de cele mai multe ori, prin ceea ce devine vizibil pentru utilizator: o aplicație conversațională care răspunde aproape instantaneu, un instrument capabil să genereze un text sau o imagine, un sistem care recomandă produse, o funcționalitate care identifică obiecte într-o fotografie ori o aplicație care estimează evoluția unor indicatori pornind de la date existente. În activitatea profesională, această reprezentare este însă incompletă, deoarece utilizarea competentă a inteligenței artificiale începe înainte ca sistemul propriu-zis să fie accesat, atunci când o situație reală de lucru este înțeleasă suficient de bine pentru ca problema, obiectivul urmărit, informațiile relevante, constrângerile și tipul de rezultat necesar să poată fi formulate într-o manieră pe care tehnologia o poate procesa.
Din această perspectivă, formularea unei sarcini pentru AI nu poate fi redusă la capacitatea de a scrie un prompt mai bun și nici la familiarizarea cu o anumită aplicație, pentru că înaintea interacțiunii cu instrumentul există o etapă mai importantă: aceea în care o nevoie profesională este delimitată și transformată într-o problemă suficient de clară pentru a putea fi reprezentată prin date, procesată printr-un algoritm sau printr-un model și, ulterior, readusă în activitatea reală sub forma unei estimări, clasificări, recomandări, identificări sau variante de conținut.
De la situația profesională la problema pe care tehnologia o poate procesa
Într-un magazin, o dificultate aparent simplă, precum faptul că anumite produse nu sunt disponibile la raft atunci când clientul le caută, poate ascunde situații operaționale foarte diferite: produsul există în stoc, dar nu a fost reaprovizionat la timp; informația din sistem nu corespunde situației fizice; ritmul vânzărilor a fost mai mare decât cel anticipat; anumite articole au fost amplasate greșit; există o eroare de înregistrare; sau problema apare numai în anumite intervale ori în anumite perioade. Pentru angajat, toate acestea pot fi percepute ca o singură dificultate, însă, din perspectiva tehnologică, ele pot conduce la tipuri foarte diferite de soluții, deoarece fiecare presupune o altă reprezentare a problemei și, implicit, alte date și alte mecanisme de procesare.
Dacă interesul întreprinderii este exclusiv acela de a compara valorile existente în sistemul de gestiune, poate fi suficientă o analiză convențională a datelor; dacă obiectivul este anticiparea momentului în care un produs riscă să devină indisponibil, problema se mută în zona analizei predictive; dacă se urmărește observarea automată a situației fizice a rafturilor, devin relevante tehnologiile de viziune computerizată, clasificarea imaginilor și recunoașterea sau detecția obiectelor; iar dacă toate aceste informații trebuie corelate, problema poate necesita o arhitectură care integrează date operaționale, imagini, modele predictive și reguli de business. Alegerea tehnologiei nu ar trebui, așadar, să pornească de la întrebarea „unde putem introduce AI?”, ci de la înțelegerea precisă a situației pe care întreprinderea încearcă să o îmbunătățească.
Realitatea profesională și reprezentarea ei prin date
Un sistem de inteligență artificială nu lucrează direct cu magazinul, restaurantul, clientul sau situația operațională, ci cu reprezentări digitale ale unor fragmente din această realitate, ceea ce înseamnă că informația disponibilă pentru algoritm este întotdeauna selectată, măsurată, înregistrată și transformată într-o formă pe care sistemul o poate procesa. În comerț, aceste reprezentări pot proveni din tranzacții, stocuri, cataloage, comenzi, imagini sau fluxuri generate de alte sisteme digitale; în alimentația publică, pot include comenzi, rezervări, consumuri, intervale orare, disponibilitatea produselor, timpi de procesare, livrări și istoricul vânzărilor.
Datele nu reprezintă tot ceea ce există, ci numai ceea ce a fost observat și înregistrat, motiv pentru care un restaurant poate dispune de un istoric foarte bine organizat al comenzilor fără ca acesta să conțină automat informația că într-o anumită săptămână a existat un eveniment local, că un ingredient a fost temporar indisponibil sau că programul de funcționare s-a modificat. Calitatea unui rezultat algoritmic depinde, prin urmare, atât de performanța modelului, cât și de măsura în care informația pusă la dispoziția acestuia surprinde fenomenul relevant, iar experiența profesională poate interveni încă din etapa în care se decide ce date trebuie considerate și ce limite trebuie luate în calcul.
Formularea sarcinii, obiectivul și criteriul de utilitate
Solicitările formulate prea general pot conduce la rezultate aparent utile, dar insuficient ancorate în problema reală, deoarece expresii precum „analizează vânzările” sau „anticipează cererea” definesc mai curând o intenție decât o sarcină riguroasă. Analiza vânzărilor poate însemna descrierea evoluției istorice, identificarea unor abateri, segmentarea produselor, detectarea unor relații între categorii sau estimarea unei valori viitoare, iar anticiparea cererii poate viza numărul de clienți, comenzile pe intervale orare, probabilitatea de alegere a unor preparate, necesarul unui ingredient ori încărcarea operațională a unei perioade. Fiecare dintre aceste obiective presupune alte date, alte metode și alte criterii de evaluare.
Un sistem nu știe în mod autonom ce înseamnă „mai bine” pentru o întreprindere; poate optimiza o funcție, identifica o regularitate sau calcula o probabilitate în raport cu un obiectiv definit, însă stabilirea relevanței profesionale a acelui obiectiv aparține oamenilor care cunosc procesul, prioritățile și consecințele unei eventuale erori.
De la automatizare la familiile de tehnologii AI
O regulă automată de tipul „dacă stocul scade sub valoarea X, trimite o alertă” poate fi foarte utilă fără să presupună inteligență artificială, după cum compararea unor valori sau calcularea unor indicatori poate fi realizată prin metode statistice convenționale; alte probleme devin însă potrivite pentru machine learning atunci când sistemul trebuie să identifice regularități dificil de descris prin reguli explicite. Algoritmii de învățare automată pot fi utilizați pentru clasificare, estimare, segmentare sau predicție, iar modelele de deep learning au extins considerabil capacitatea sistemelor de a lucra cu informații complexe precum imaginea, sunetul și limbajul.
Procesarea limbajului natural permite clasificarea, structurarea și analiza informației exprimate prin limbaj, tehnologiile de recunoaștere a vorbirii pot transforma semnalul audio în informație procesabilă, iar viziunea computerizată permite extragerea informațiilor din imagini și fluxuri video prin clasificare, segmentare, recunoaștere sau detectarea obiectelor. Datele istorice provenite din tranzacții și operațiuni pot alimenta modele predictive, relațiile dintre produse și comportamente pot susține motoare de recomandare, iar sistemele multimodale pot combina text, imagine, sunet și date structurate, extinzând considerabil tipurile de probleme care pot fi abordate în comerț și alimentație publică.
Algoritmul, infrastructura și capacitatea de calcul
O aplicație aparent simplă poate depinde de baze de date, servicii cloud, rețele, componente software, modele antrenate pe infrastructuri specializate și resurse de calcul aflate la distanță de locul în care se desfășoară activitatea profesională, motiv pentru care algoritmul nu trebuie confundat cu întregul sistem. Cloud computing permite utilizarea unor capacități de stocare și procesare fără ca întreprinderea să dețină local întreaga infrastructură, edge computing poate apropia o parte din procesare de sursa datelor, iar dezvoltarea și operarea modelelor complexe pot utiliza high-performance computing, procesare paralelă, infrastructuri distribuite și acceleratoare hardware, inclusiv GPU-uri.
Pentru angajatul din comerț sau alimentație publică nu este necesară cunoașterea tehnică a acestor arhitecturi, însă înțelegerea faptului că o funcționalitate AI integrată într-o aplicație poate depinde de conectivitate, servicii externe și fluxuri complexe de date contribuie la o reprezentare mai realistă asupra transformării digitale și asupra condițiilor în care tehnologia poate funcționa.
Protejarea informației ca parte a arhitecturii
Pe măsură ce valoarea sistemelor AI devine tot mai dependentă de accesul la date, protecția vieții private și a informației nu poate fi tratată numai ca o verificare ulterioară, ci trebuie luată în considerare încă din momentul formulării problemei, când se stabilește nu doar ce informații ar putea îmbunătăți rezultatul, ci și ce date sunt efectiv necesare, în ce condiții pot fi utilizate și ce mecanisme trebuie să limiteze accesul sau posibilitatea de identificare a persoanelor. Minimizarea datelor, controlul accesului și pseudonimizarea sunt mecanisme importante, iar ecosistemul AI include și privacy-enhancing technologies precum differential privacy și, în anumite arhitecturi, federated learning, orientate către reducerea expunerii informației în procesul de analiză sau de dezvoltare a modelelor.
Aceste tehnologii sunt avansate și nu trebuie prezentate ca instrumente pe care orice întreprindere le implementează direct; relevanța lor pentru acest articol este aceea că arată o direcție de evoluție în care performanța algoritmică și protecția informației sunt tratate tot mai mult ca dimensiuni care trebuie proiectate împreună.
Competența profesională între model și realitate
Pe măsură ce sistemele devin capabile să proceseze volume mai mari de date, să identifice tipare subtile și să genereze rezultate cu o viteză imposibil de atins manual, poate apărea impresia că experiența profesională devine mai puțin importantă, însă relația dintre model și realitate arată contrariul: tocmai pentru că sistemul operează asupra unei reprezentări selective a situației, cineva trebuie să poată aprecia dacă acea reprezentare este suficientă și dacă rezultatul poate fi utilizat în contextul concret în care a fost produs.
Un model predictiv poate indica o anumită evoluție a cererii, însă angajatul poate ști că perioada următoare este influențată de un eveniment care nu apare în datele istorice; un sistem de viziune computerizată poate identifica un produs cu probabilitate ridicată, însă persoana care cunoaște activitatea poate observa că ambalajul s-a schimbat; un motor de recomandare poate propune o asociere între produse, însă relevanța comercială trebuie apreciată în raport cu sortimentul și contextul; iar un sistem generativ poate produce un text fluent fără ca fluența să garanteze exactitatea informației. Competența profesională nu funcționează, așadar, ca alternativă la algoritm, ci ca mecanism de legătură între model și realitate.
Dincolo de prompt: competența de a formula problema
Popularizarea inteligenței artificiale generative a adus în prim-plan conceptul de prompt engineering, însă foarte multe tehnologii relevante pentru activitatea profesională nu sunt conversaționale, iar utilizatorul poate beneficia de predicții, clasificări, recomandări, analiză vizuală sau procesare automată fără să formuleze vreodată o cerere în limbaj natural. Pe măsură ce interfețele devin mai simple, competența durabilă se mută dinspre memorarea unor formule de prompt către capacitatea de a înțelege ce încearcă să rezolve întreprinderea, ce parte a realității trebuie reprezentată, ce informații sunt relevante, ce rezultat este urmărit, după ce criteriu poate fi evaluat și care sunt limitele în care acesta poate fi utilizat.
DigComp 3.0 susține această perspectivă prin neutralitatea tehnologică și integrarea transversală a AI în cele 21 de competențe ale cadrului, ceea ce plasează inteligența artificială în interiorul unei concepții mai largi despre competența digitală. Pentru participanții DigiCOMP, miza nu este transformarea în specialiști în algoritmi, ci dezvoltarea unei înțelegeri suficient de solide pentru a putea observa, testa, compara, evalua și utiliza critic tehnologii care se vor modifica în timp.
Ideea centrală
Utilizarea competentă a inteligenței artificiale nu începe în momentul în care este deschisă aplicația și nici în momentul în care este formulat un prompt, ci atunci când o situație profesională este înțeleasă suficient de bine pentru a putea fi delimitată, reprezentată prin date și transformată într-o problemă pe care tehnologia o poate procesa. Între realitatea în care lucrează omul și rezultatul furnizat de algoritm există întotdeauna o succesiune de transformări - selectarea informației, construirea reprezentării digitale, alegerea modelului, procesarea datelor, interpretarea rezultatului și integrarea acestuia într-o acțiune -, iar calitatea fiecărei etape influențează valoarea rezultatului final.
AI nu diminuează automat valoarea competenței profesionale, ci modifică o parte dintre condițiile în care aceasta este utilizată: un sistem poate calcula mai repede, poate recunoaște tipare în volume de date inaccesibile analizei manuale sau poate genera variante într-un interval foarte scurt, însă definirea problemei, interpretarea contextului, aprecierea limitelor și asumarea deciziei rămân legate de capacitatea oamenilor de a înțelege activitatea în care tehnologia este introdusă.
Întrebare de reflecție
Dacă ai alege o activitate din munca ta în care consideri că inteligența artificială ar putea fi utilă, înainte de a te gândi la o aplicație concretă, încearcă să definești problema: ce anume vrei să se schimbe, ce informații descriu situația, ce informații importante ar putea lipsi, ce tip de rezultat ar fi cu adevărat util și după ce criteriu ai putea decide că acel rezultat este suficient de bun pentru a fi folosit în activitatea profesională? Capacitatea de a formula coerent aceste elemente reprezintă deja o formă importantă de competență pentru lucrul cu inteligența artificială.
DigiCOMP - de la înțelegerea problemei la înțelegerea tehnologiei
În comerț și alimentație publică, transformarea digitală nu va însemna utilizarea unei singure tehnologii, ci integrarea progresivă a unor soluții diferite în funcție de problemele concrete ale activității. Unele sisteme vor genera conținut, altele vor analiza limbaj, vor recunoaște obiecte, vor procesa imagini și voce, vor identifica relații în date, vor realiza estimări sau vor formula recomandări, iar în spatele acestor funcționalități se vor afla infrastructuri cloud, resurse de calcul și mecanisme de integrare a datelor.
Această perspectivă pregătește următoarea etapă a seriei, în care discuția va coborî din arhitectura generală a problemei către aplicațiile efective ale unor familii tehnologice care depășesc zona AI generative: viziune computerizată, recunoașterea obiectelor, analiză predictivă, sisteme de recomandare, tehnologii lingvistice, procesarea vocii și sisteme inteligente care combină mai multe surse de date în retail și alimentație publică. Articolul următor va analiza tocmai modul în care aceste tehnologii pot interveni în procese profesionale concrete și ce schimbări pot produce în activitatea angajaților.
Dacă lucrezi într-o întreprindere eligibilă din comerț sau alimentație publică, proiectul DigiCOMP îți oferă cadrul pentru evaluarea și dezvoltarea competențelor digitale necesare într-un mediu profesional în transformare.
Repere de referință
Repere obligatorii: cadrul seriei DigiCOMP; Comisia Europeană - Joint Research Centre, DigComp 3.0; DigComp 2.2; cadrul național DigCompRo. Surse suplimentare utilizate pentru extinderea tehnologică: Joint Research Centre - Data and Methodology for Advanced Digital Technologies, pentru delimitările privind machine learning, computer vision, computational linguistics, voice recognition, intelligent systems, cloud computing și high-performance computing; NIST, pentru explicațiile privind Privacy-Enhancing Technologies, differential privacy și federated learning.
Acest material face parte din campania „Munca în era digitală”, realizată în cadrul proiectului DigiCOMP – Competențe Digitale pentru Locuri de Muncă Incluzive și Sustenabile, cod SMIS 336814, cofinanțat din Fondul Social European Plus prin Programul Educație și Ocupare 2021–2027
Lucrezi într-o întreprindere eligibilă din comerț sau alimentație publică? Vino în DigiCOMP pentru a-ți evalua și dezvolta competențele digitale și pentru a înțelege și testa tehnologii din domeniul inteligenței artificiale care pot deveni relevante pentru activitatea ta profesională.
Reprezinți o întreprindere? DigiCOMP poate contribui la pregătirea angajaților eligibili pentru un mediu de lucru în care tehnologia, datele și inteligența artificială devin tot mai importante pentru organizarea și eficiența proceselor.
Pentru informațiisuplimentare, trimiterea unei solicitări de participare sau detalii despre calendarul formării scrie-ne la digicomp.adds@gmail.com și urmărește pagina de Facebook.
FĂ CLICK SPRE VIITOR ALĂTURI DE DIGICOMP.