Sztuczna inteligencja staje się integralną częścią procesów badawczych. Jednym z przełomowych narzędzi, które oferuje swoim klientom EDISONDA jest Research System wspierany AI. System badawczy wspierany sztuczną inteligencją, który umożliwia organizacjom efektywniejsze gromadzenie, analizowanie i udostępnianie wiedzy ze realizowanych badań.
W tym artykule przyjrzymy się bliżej temu, czym jest Research System wspierany AI, jakie elementy go tworzą oraz w jaki sposób może on pomóc firmom w podejmowaniu decyzji.
W czym jest problem?
W tradycyjnym cyklu badawczym wyniki badań są zazwyczaj przedstawiane w postaci raportów. Podsumowania te zawierają opis badania, przykłady odpowiedzi użytkowników oraz wnioski i rekomendacje do wdrożenia. Chociaż dokumenty te przygotowywane są z bardzo dużą starannością, to zazwyczaj ich żywotność kończy się na etapie prezentacji. Długie raporty są trudne do przeglądania, a zawarta w nich wiedza ciężko dostępna. Każdorazowo kiedy chcemy zapoznać się z obserwacjami, musimy odnaleźć właściwy raport, a następnie przeszukać go pod kątem pożądanych informacji. Wiedza zawarta w raportach nie jest ustrukturyzowana, a zarządzanie nią i dystrybucja bardzo utrudnione. Ten tradycyjny model gromadzenia wiedzy z badań boryka się z kilkoma problemami:
Ograniczona pamięć badacza
Jednym z najczęstszych problemów jest utrata wniosków lub zapominanie o wynikach wcześniejszych badań. Sytuację tą nazywamy „ograniczoną pamięcią badacza”. W wielu organizacjach często zdarza się, że przeprowadzane badania nie są odpowiednio archiwizowane lub dostęp do nich jest utrudniony poprzez rozproszony system folderów i dysków, przez co dochodzi do duplikacji wysiłków badawczych lub braku wykorzystania już istniejącej wiedzy.
Silosy wiedzowe
W dużych organizacjach poprzez brak ogólnodostępnego repozytorium wiedzy często obserwujemy, że poszczególne działy pracują niezależnie od siebie. Prowadzi to do braku komunikacji i dzielenia się wiedzą. Taki podział utrudnia współpracę i blokuje przepływ informacji pomiędzy kluczowymi departamentami.
Nieprzystępny format danych
Jak już wspomnieliśmy, raporty z badań często przyjmują formę długich i złożonych dokumentów, które z jednej strony są czasochłonne do tworzenia, a z drugiej trudne do przeglądania. Zamknięta w dokumencie wiedza utrudnia korzystanie z wyników badań w szczególności przez osoby, które nie były bezpośrednio zaangażowane w ich tworzenie.
Ogólność i aktualności danych
W tradycyjnych systemach badawczych, wyniki badań często stają się nieaktualne lub tracą kontekst w miarę upływu czasu. Niestety wniosków zgromadzonych w raportach nie da się aktualizować czy nadpisywać. Może to prowadzić do posługiwania się nieaktualnymi danymi bądź przestarzałymi rekomendacjami.
Co zmienia Research System?
Research System przede wszystkim porządkuje wiedzę i wnioski z badań. Dzieje się to dzięki repozytorium wiedzy, które stanowi serce Research Systemu, pozwala na spójne kategoryzowanie i przechowywanie wyników badań oraz daje łatwy dostęp każdemu szukającemu wiedzy. Taka ogólnodostępna baza wiedzy zdecydowanie ułatwia współpracę między działami, umożliwiając centralne zarządzanie wiedzą i udostępnianie jej w ramach całej organizacji.
Natomiast Research System wspierany AI to pójście o krok dalej. To bardziej nowoczesne rozwiązanie, które wykorzystuje sztuczną inteligencję do usprawnienia procesu badawczego.
Wykorzystuje możliwość dużych modeli językowych, poprzez co różni się od tradycyjnego podejścia zdolnością do przetwarzania dużych ilości danych i znajdowania w nich wzorców (tzw. patterns).
Możliwości, jakie daje konfiguracja LLM’s, pozwalają na inteligentną asystę przy wyszukiwaniu wyników badań oraz klastrowanie wiedzy w taki sposób, aby tworzyć interaktywne reprezentacje użytkowników tzw. AI Persony.
Co stanowi fundament dla AI Research Systemu?
Żeby lepiej zrozumieć budowę AI Research Systemu, przyjrzyjmy się elementom, które stanowią fundament tego sposobu gromadzenia i wykorzystywania wiedzy z badań. Wyróżniamy cztery filary, na których powinien zostać zbudowany nowoczesny system badawczy: strategia badawcza, wspominane już repozytorium wiedzy oraz elementy wspierane przez sztuczną inteligencję, czyli AI Asystent i AI Persony.
Strategia badawcza
Strategia badawcza to kluczowy element AI Research Systemu. To plan, który umożliwia regularne prowadzenie badań z realnymi użytkownikami. Dostarcza ona systemowi cyklicznie porcję aktualnych danych, które są podstawą do analizy.
Tworząc AI Research System, musimy pamiętać, że sztuczna inteligencja nie jest człowiekiem. Nie jest zaprojektowana po to, żeby się nim stać i nigdy nim nie będzie. Dlatego niezwykle istotne jest, abyśmy tworząc Research System wspierany AI, budowali go na danych, które otrzymujemy od realnych użytkowników.
Repozytorium wiedzy
Repozytorium wiedzy to centralna baza danych, gdzie przechowywane są wyniki badań, analizy i inne istotne informacje. To miejsce, do którego trafiają ustrukturyzowane wyniki badań. Ta struktura umożliwia łatwe przeglądanie i wyszukiwanie danych bardzo często z wykorzystanie tagów, wyszukiwarek, filtrów i trybów przeglądania. Repozytorium działa jak „drugi mózg”, gdzie wiedza jest kategoryzowana i przechowywana w zorganizowany sposób. Repozytoria budowane są w oparciu o Excel. Microsoft list, Airtable czy Dovetail.
AI Asystent
AI Asystent to wirtualny pomocnik, który przeszukuje bazę danych i generuje odpowiedzi na pytania użytkowników. Jest to odpowiednio skonfigurowany dzięki Prompt Engineering model językowy, który obsługujemy przy pomocy interfejsu chata. Taki Asystent może przekierowywać nas do konkretnych dokumentów lub udzielać wyczerpujących odpowiedzi na ogólne pytania dotyczące wyników z badań.
AI Persona
AI Persona, znana również jako syntetyczny użytkownik, to wirtualna reprezentacja typowego przedstawiciela grupy docelowej. Jest to bardziej zaawansowana funkcja konfiguracji Generative AI, która pozwala na interakcję z modelem językowym, bazującym na konkretnej grupie danych z badań oraz powiązanych z charakterystyką grupy docelowej innych źródeł. AI Persona powstaje poprzez ograniczenie wiedzy modelu do grupy danych odpowiadających danemu segmentowi. Model reprezentujący AI personę trenowany jest na wnioskach dotyczących danej grupy, transkrypcjach wywiadów, wynikach ankiet czy ocenach produktów. AI Persona ma szersze zastosowanie, ponieważ możemy zadawać jej pytania oceniające lub wykraczające w przyszłość. Może pomóc nam w testowaniu hipotez, ocenianie nowych pomysłów i symulowanie zachowań różnych segmentów klientów.
Jak przebiega proces tworzenia AI Research System?
Projektowanie AI Research Systemu to proces podzielony na etapy.
- Pracę z klientem rozpoczynamy warsztatami, na których poznajemy cykl badawczy, segment klientów oraz cele, dla jakich prowadzone są badania w organizacji.
- Następnie przyglądamy się strukturze i formatom danych, jakimi dysponuje klient. W wielu przypadkach dane te będą musiały zostać uspójnione i ustrukturyzowane, aby zapewnić efektywność pracy modeli językowych.
- Kolejny krok to wybór ekosystemu oraz modelu, który będzie wspierał naszą bazę wiedzy. W zależności od tego czy firma pracuje w określonym ekosystemie narzędzi np. Microsoft, Google czy ma elastyczne podejście do oprogramowania, wybierzemy odpowiednią bazę dla repozytorium oraz jeden z dostępnych modeli językowych.
- Jak już wspominaliśmy, tworzenie AI Research System rozpoczyna się od zbudowania repozytorium wiedzy, które stanowi fundament systemu. Na tym etapie będziemy zasilali repozytorium istniejącymi danymi oraz przygotowywali procedury aktualizacji bazy nowymi wynikami badań. Ustalimy format danych oraz sposób ich kategoryzacji i opisu.
- W koleiny kroku w ramach Proof of Concept skonfigurujemy model językowy tak, aby stał się bardzo pożytecznym asystentem wspierającym nas w wyszukiwaniu treści. Po fazie testów zintegrujemy model językowy z bazą.
- W ostatnim etapie skonfigurujemy modele tak, aby swoim zachowaniem stanowiły reprezentacje wybranych grup docelowych, czyli AI Persony oraz zaplanujemy sposoby ich trenowania (fine tuning).
Wykorzystaj szansę jaką daje AI jako jeden z pierwszych
AI Research System to nowe i eksperymentalne podejście do włączenia sztucznej inteligencji w proces badawczy. Warto zdać sobie sprawę, że to dopiero początek możliwości, jakie otwiera przed nami wykorzystanie AI w celach gromadzenia, zarządzania i dystrybucji wiedzy w organizacji. Wyobraźcie sobie, że AI Persona mówi do was głosem realnego respondenta, posiada cyfrową postać i pamięć z ostatnich rozmów. To wszystko jest już teraz możliwe jednak zanim się rozpędzimy, warto zbudować podstawowy system, który opisaliśmy w tym artykule.
Pamiętajcie, że implementacja AI Research System jest procesem wymagającym doprecyzowania potrzeb organizacji, celi strategicznych oraz struktury danych, ale przynosi liczne korzyści, sprawiając, że badania stają się bardziej dostępne i użyteczne. Dzięki właściwie wdrożonym elementom takim jak strategia badawcza, repozytorium wiedzy, AI Asystent i AI Persona zbliżycie swoją organizację do miejsca, w którym decyzje podejmowane są szybciej i bardziej świadomie.
