Jak zapewnić właściwe dane do projektów AI?

Dane od zawsze stanowiły podstawę systemów informatycznych, jednak wraz z rozwojem sztucznej inteligencji ich rola wyraźnie się zmieniła. Nie są już jedynie podstawą raportowania i podejmowania decyzji przez człowieka. Zasilają modele sztucznej inteligencji, które generują rekomendacje, a coraz częściej także automatycznie realizują kolejne działania. To sprawia, że jakość, kontekst, bezpieczeństwo i zakres udostępnianych danych stają się warunkiem powodzenia projektów AI.

Systemy informatyczne od początku opierały się na danych. Rolą większości aplikacji biznesowych – począwszy od tych działających w środowisku MS-DOS, przez arkusze kalkulacyjne i bazy danych, po nowoczesne aplikacje biznesowe – było i jest gromadzenie informacji w uporządkowanej i przystępnej dla użytkowników formie. Rolą użytkowników była zaś interpretacja danych liczbowych, przygotowanie raportów i podjęcie decyzji na ich podstawie.

Dane biznesowe, a więc indywidualna wiedza każdej organizacji, mogą tworzyć realną przewagę konkurencyjną. W szczególności źródłem takiej przewagi może być dziś wykorzystanie rozwiązań bazujących na sztucznej inteligencji. To właśnie zasoby wewnętrzne i ich jakość decydują o tym, jakie rekomendacje otrzyma firma i jaką wartość będzie mogła uzyskać z zastosowania AI. Takiej przewagi nie da się łatwo skopiować wyłącznie przez wykorzystanie tego samego modelu.

Zacznijmy jednak od wskazania obszarów, na których koncentrują się dzisiejsze projekty AI. Jednym z najszerszych i najbardziej widocznych zastosowań sztucznej inteligencji jest obsługa klienta. Rozwiązania oparte na AI są często pierwszym punktem kontaktu z organizacją, zanim użytkownik trafi do konsultanta. W praktyce są to m.in. czaty i mechanizmy automatycznej obsługi zapytań.

Kolejnym obszarem jest prognozowanie sprzedaży i popytu. W systemach ERP, takich jak Microsoft Dynamics 365 Business Central, można wykorzystywać zgromadzoną historię sprzedaży. Jeżeli firma od lat korzysta z rozwiązań ERP i systematycznie migrowała systemy, np. od Navision lub Dynamics do Business Central, może dysponować naprawdę cennymi, wieloletnimi danymi.  Przykładowo, na danych historycznych obejmujących sprzedaż za ostatnie 20 lat można budować prognozy adekwatne do każdej sytuacji rynkowej. AI powszechnie wspiera dziś także automatyzację procesów wewnętrznych – od akceptowania wniosków urlopowych i HR, po analizę oraz tworzenie dokumentacji.

Jednocześnie, wobec rosnącej popularności projektów biznesowych, zakładających wykorzystanie sztucznej inteligencji, znaczenie danych dodatkowo wzrasta. Zmienia się przede wszystkim waga błędów.

Nadzór człowieka ciągle potrzebny

W przeszłości poprawność danych była zwykle wielokrotnie weryfikowana przez ludzi – na kolejnych etapach ręcznie realizowanych procesów, m.in. na podstawie wiedzy i doświadczenia poszczególnych użytkowników. W realiach AI takiej weryfikacji często brakuje. Mylnie zakładamy, że AI podejmuje właściwe wnioski, chociaż nawet w prostym procesie istnieje wiele kroków, w których sztuczna inteligencja zachowa się inaczej od oczekiwań. Jeżeli zaś model AI wygeneruje błędny wynik, który nie zostanie skorygowany, to może on zostać uznany za prawidłowy i wykorzystywany w kolejnych zapytaniach do modelu. W ten sposób błędna odpowiedź lub decyzja już na etapie wprowadzania danych może być powielona w przyszłości. Powstaje ryzyko zapętlenia, co może doprowadzić do powstania systemowego błędu, wpływającego na szerszy układ procesów biznesowych w organizacji.

Niemniej istotny jest fakt, że każdy model AI uczy się i działa na podstawie dostarczonej mu wiedzy. Oprócz danych potrzebuje właściwego kontekstu oraz odpowiednio sformułowanych promptów, które określają oczekiwany rezultat.

Istotne jest również stosowanie mechanizmów pozwalających weryfikować odpowiedzi. W podejściu RAG z silnym groundingiem można wymagać od modelu wskazania źródła i uzasadnienia, dlaczego formułuje określoną rekomendację. Takie podejście wspiera kontrolę nad wynikiem, ale nie eliminuje potrzeby udziału człowieka. Czynnik ludzki pozostaje ważny w analizie danych i wyników dostarczanych przez sztuczną inteligencję.

Słabe dane jako źródła halucynacji

Zasilenie AI danymi niskiej jakości grozi błędnym wnioskowaniem. W realiach biznesowych halucynacje modeli AI przede wszystkim oznaczają jednak niewłaściwe decyzje i działania, które mogą prowadzić m.in. do utraty zaufania klientów, także wewnętrznych.

Błędne dane w kartotece zapasów, niepoprawny opis towaru lub nieprawidłowe atrybuty mogą zostać wykorzystane przez model AI do stworzenia mylnego raportu albo stać się podstawą wykonania konkretnego działania przez agenta AI. W takim przypadku klient może otrzymać błędną ofertę lub niewłaściwy towar. Jeśli nikt nie poprawi błędu, będzie on powielany przy kolejnych zapytaniach, co doprowadzi do szybkiej eskalacji problemu.

Podobnie, jeśli użytkownik systemu kilkakrotnie otrzyma od modelu AI nieprawidłowy wynik, może uznać, że
rozwiązanie bardziej utrudnia, niż pomaga w codziennej pracy. Istnieje również ryzyko prawne, zwłaszcza gdy wyniki mają stać się podstawą działań z zakresu prawa lub compliance. Szczególnej ostrożności wymaga przetwarzanie danych finansowych i osobowych.

W praktyce, błędne wyniki generowane przez AI mogą być dotkliwe w każdym obszarze działalności. Szczególnie niebezpieczne jest jednak wykorzystywanie sztucznej inteligencji do przygotowywania dokumentów prawnych bez wsparcia i weryfikacji prawnika. Takie materiały, mimo że nie stanowią poprawnej podstawy prawnej, mogą być dalej przesyłane i wykorzystywane. Ryzyko dotyczy zwłaszcza umów przygotowywanych bez kontroli działu prawnego – w tym umów NDA, dokumentów związanych z prawami autorskimi czy szablonów używanych później w wielu sytuacjach. Jeżeli takie dokumenty nie przejdą profesjonalnej weryfikacji, mogą stać się istotnym źródłem ryzyka dla firm.

Podobne ryzyka dotyczą też praktycznych obszarów biznesowych, w których swe zastosowanie znajduje sztuczna inteligencja. Każda błędna decyzja, niewłaściwa interpretacja zgłoszenia klienta, pomyłka na etapie realizacji zamówienia czy ofertowania ma najczęściej bolesne konsekwencje.

Ograniczenia modelu i kontekstu

Dane nie są jednak jedynym źródłem halucynacji. Znaczenie mają również ograniczenia samego modelu językowego. Obecnie modele LLM rozwijają się w błyskawicznym tempie, a każda ze zmian może potencjalnie wpływać na zachowanie modelu. Powinna być też uwzględniona w ramach dostosowania raportów, procesów czy automatyzacji.

Istotne jest także sformułowanie zapytania tak, aby było w pełni jednoznaczne. Należy pamiętać, że jeśli prompt zostanie zinterpretowany na kilka sposobów, to odpowiedź może nie być zgodna z oczekiwaniem użytkownika. Równie ważny jest brak właściwego kontekstu: użytkownik może zakładać, że AI posiada określoną wiedzę, choć model nie otrzymał potrzebnych informacji do podjęcia decyzji.

Jak przygotować dane biznesowe pod kątem użycia przez AI

Tego typu wyzwania ogniskują się w wielu projektach, które realizujemy w ramach działu Systemów Biznesowych Euvic. Specjalizujemy się przede wszystkim w rozwiązaniach z serii Microsoft Dynamics. W takich projektach potrzeby klienta zwykle mamy zweryfikowane na etapie audytu, gdy pracujemy na wdrożonym wcześniej systemie albo na etapie analizy, jeśli naszym zadaniem jest uruchomienie nowego rozwiązania.

Według naszej metodyki, porządkowanie danych rozpoczyna się od inwentaryzacji i odwzorowania danych. Trzeba zatem określić, jakie dane znajdują się w systemach, jakie są ich źródła oraz czy dane są kompletne. Następnym etapem jest ich czyszczenie i standaryzacja.

Są to zresztą działania konieczne niezależnie od wykorzystania sztucznej inteligencji. W projektach mających na celu modernizację, czy też zastąpienie starszego rozwiązania nowym systemem, również nie należy przenosić błędów narosłych przez ostatnie 10 czy 20 lat działalności firmy – czy to wskutek niewłaściwego zaprojektowania procesów, czy pomyłek użytkowników. Poza tym, jeśli mamy do czynienia z rozwiązaniem bazującym na integracji kilku systemów, niezbędne staje się stworzenie spójnych słowników danych – te same pojęcia powinny mieć jedno znaczenie w każdym systemie.

Mówiąc o integracji, warto wspomnieć także o wbudowanej w platformę Microsoft Dynamics 365 Business Central funkcjonalności serwera Model Context Protocol (MCP), który pozwala połączyć zewnętrzne narzędzia i agentów AI bezpośrednio z danymi systemu, bez budowania dedykowanej integracji pod każde narzędzie z osobna.

Istotne jest przy tym, że MCP daje administratorowi pełną kontrolę nie tylko nad tym, jaki zakres danych jest udostępniony – mogą to być np. tylko wybrane obszary, jak klienci czy zamówienia sprzedaży – lecz także nad uprawnieniami, a więc tym, czy dany agent może wyłącznie odczytywać dane, czy również je tworzyć, modyfikować lub wykonywać konkretne akcje biznesowe.

Kolejny element to klasyfikacja danych i ich tagowanie pod kątem wrażliwości. Wymogi związane z RODO sprawiają, że organizacja powinna wiedzieć, które dane mają charakter osobowy i jaki jest poziom ich wrażliwości. Przed przekazaniem danych do modeli AI należy je zanonimizować albo maskować i pseudonimizować. Sztuczna inteligencja nie potrzebuje szczegółowych danych osobowych, takich jak PESEL czy adres zamieszkania konkretnej osoby, aby analizować zachowania, wartości liczbowe i powtarzające się mechanizmy. To ważne, bo raz przekazane dane wrażliwe mogą zostać zapamiętane przez model.

Potrzebne dopasowanie do celu biznesowego

Istotne jest też dostosowanie zakresu danych do specyfiki poszczególnych obszarów i funkcji biznesowych. Cały proces musi odbywać się wspólnie z klientem. To klient określa, jaki cel chce osiągnąć oraz jakie dane mają być przetwarzane. Z kolei partner wdrożeniowy pomaga ustalić ich zakres i przygotowanie. Projekt AI musi być osadzony w realiach biznesu klienta, a nie traktowany wyłącznie jako projekt techniczny.

Możliwości wykorzystania AI są bardzo szerokie, jednak wiele firm korzysta nadal ze starszych systemów, które nie zapewniają funkcjonalności dostępnych w nowszych rozwiązaniach. Przykładowo, system Microsoft Dynamics 365 Business Central posiada wbudowanego Copilota oraz standardowe funkcje wspierające pracę użytkownika. Pozwala też na tworzenie własnych rozwiązań AI. W ekosystemie Microsoftu organizacja otrzymuje nie tylko ERP i CRM, lecz także Power Platform – w tym rozwiązania Power Apps, Power Automate oraz Power BI. Dostępni są również wbudowani agenci w platformę Business Central, np. do obsługi płatności, zarządzania zamówieniami sprzedaży czy wydatkami związanymi z delegacjami. Automatyzują one działania, które wcześniej wykonywano ręcznie.

W kontekście środowiska Microsoft Dynamics warto wspomnieć też o wymiarach analitycznych. Są to dodatkowe znaczniki przypisywane do zapisów księgowych w sposób pozwalający na prowadzenie wielowymiarowych analiz danych bez konieczności rozbudowywania planu kont. Ułatwiają zatem przygotowanie danych na potrzeby analityczne, pozwalają na przypisanie danych do projektu, grupy kosztowej albo produktowej. Ponadto umożliwiają analizę i budżetowanie już na poziomie zapisów księgi głównej i wyników kont.

Kluczowe znaczenie mają również testy działania modeli AI, które powinny być prowadzone na wycinku realnych danych biznesowych. Nie można bowiem skutecznie przygotować rozwiązania dla firmy produkującej kosmetyki, na podstawie demonstracyjnej bazy danych dotyczącej produkcji rowerów.

Ograniczone zaufanie do AI

Przy projektowaniu zakresu danych, które zasilą sztuczną inteligencję, należy uwzględnić trzy kwestie: bezpieczeństwo, jakość i zasadę minimalizacji – jeżeli model AI ma realizować konkretne działanie, nie można zasilać go materiałami, które nie są potrzebne do wykonania tego zadania.

Problem jakości danych dotyczy każdej firmy, ale jego skutki zależą od skali działania organizacji. W dużej firmie, która buduje własny model i zasila go różnorodnymi danymi, każdy błąd może mieć długofalowe konsekwencje. Jeżeli model zostanie wytrenowany na nieprawidłowych danych, poprawa jego działania może wymagać ponownego trenowania. Skala problemu jest tym większa, że może on ujawnić się dopiero po pewnym czasie.

Mniejsze organizacje, zwłaszcza te korzystające z rozwiązań AI wbudowanych w różnego rodzaju aplikacje, w tym systemy ERP, mierzą się natomiast głównie z koniecznością zapewnienia właściwej higieny danych operacyjnych. W tym przypadku skutki niewłaściwie wprowadzonych danych ujawniają się zazwyczaj niemal natychmiast – dzięki temu łatwiej jest je wykryć i poprawić, a także skorygować działanie modelu.

W zdecydowanej większości przypadków firmy korzystają z modeli wstępnie wytrenowanych, które następnie są zasilane danymi organizacji. Budowanie własnego modelu pozostaje najczęściej domeną największych i najbardziej dojrzałych firm. W praktyce niemal wszystkie wdrożenia korzystają z modeli już wytrenowanych. Takie podejście pozwala też szybciej znaleźć biznesową wartość rozwiązania i uniknąć wysokich kosztów budowy własnego modelu.

Koszty pod kontrolą

Jeśli firma buduje własnych agentów, już na etapie projektowania pomysłu należy ocenić, czy automatyzacja przyniesie uzasadnioną wartość biznesową. Trzeba porównać koszt budowy i konfiguracji agenta, a następnie koszt zużywanych przez niego tokenów, z korzyścią wynikającą z automatyzacji procesu. Optymalizacja nie powinna zaczynać się dopiero w fazie operacyjnej.

Jeżeli agent ma obsługiwać prostą czynność, która nie daje firmie realnej korzyści, samo użycie tokenów nie jest jedynym problemem. Kosztem jest także czas przeznaczony na zaprojektowanie i wdrożenie rozwiązania. Dlatego decyzja o automatyzacji powinna zostać podjęta na początku, zanim firma poniesie nakłady, które się nie zwrócą.

W modelu Microsoft Dynamics 365 Business Central Online klient otrzymuje określone możliwości i rozlicza użycie agentów poprzez tokeny, bez konieczności kupowania licencji dla każdego agenta. Może przy tym obserwować zużycie tokenów oraz informacje, takie jak liczba przetworzonych dokumentów czy utworzonych zamówień sprzedaży. Pozwala to oceniać, ile procesów obsłużył agent i jak często wspierał użytkowników.

Kontrola kosztów powinna być elementem zarządzania środowiskiem. Doświadczony administrator może monitorować zużycie oraz reagować na sytuacje, w których środowisko chmurowe niepotrzebnie zwiększa skalę działania lub gromadzi nadmierną ilość danych telemetrii.

Znaczenie ma również dojrzałość dostawcy. Korzystanie z rozwiązań dostarczanych przez Microsoft ma ograniczać ryzyko przekazywania danych do niesprawdzonych modeli, których działanie mogłoby prowadzić do udostępnienia informacji innym użytkownikom.

Projekty w różnych branżach

Realizujemy bardzo zróżnicowane projekty związane z wykorzystaniem mechanizmów AI wbudowanych w środowisko Microsoft Dynamics 365 Business Central. Najczęściej dotyczą one finansów, sprzedaży i zakupów. W ostatnich miesiącach wdrożyliśmy takie rozwiązania m.in. u klientów z branży motoryzacyjnej, kosmetycznej, zbrojeniowej i logistycznej.

To zróżnicowanie pokazuje elastyczność systemu Microsoft Dynamics 365 Business Central. Elastyczność ta jest widoczna także na poziomie licencyjnym, który dotyczy dwóch typów licencji – Essential oraz Premium. Pierwsza z nich obejmuje funkcje związane m.in. z magazynami, sprzedażą, zakupami oraz finansami; druga – dodatkowo zarządzanie serwisem i produkcją. Uruchomienie kolejnych obszarów, takich jak finanse, sprzedaż, zakupy czy magazyn, nie wymaga kupowania osobnych licencji dla każdego z nich.

Wiele firm decyduje się na przejście do środowiska Microsoft Dynamics 365 Business Central z systemów typu Microsoft Dynamics NAV, Microsoft Dynamics AX lub Microsoft 365 for Finance and Operations, m.in. ze względu na niższy koszt licencji, skalowalność rozwiązania oraz szeroki wybór rozszerzeń dostępnych w Microsoft Marketplace. Partnerzy z całego świata dostarczają tam tysiące aplikacji, które można zainstalować i skonfigurować, aby istotnie rozszerzyć możliwości systemu także w zakresie AI.

Klaudiusz Kulig, Dynamics 365 Business Central, Team Manager w firmie Euvic