Gulyás Attila
A generatív AI hype a Gartner elemző intézet szerint épp fénykorát éli. Nem meglepő, hiszen rádiós reggeli műsorokban, konferenciákon, TV-ben, újságok címlapjain, baráti összejöveteleken gyakran felmerül, mint téma. Kis túlzással, szinte már a csapból is ez folyik. Jogosan?
Fő felhasználási területeként általában az ügyfélszolgálat személyre szabását és ezáltal az ügyfélélmény javítását szokták említeni. Talán kevesebb szó esik arról, hogy van-e a generatív AI-nak relevanciája a pénzügyi és controlling területen. Jelen cikkben néhány controlling szempontból releváns alkalmazási példát mutatok be.
Az AI (mesterséges intelligencia) gyűjtőfogalom. Komplex algoritmusokat foglal magába, amelyek képesek nagy mennyiségű adatot feldolgozni és kielemezni. Ezt olyan komplex feladatok megoldása érdekében teszik, amelyek hagyományosan humán intelligenciát igényeltek.
Számos részterülete van, de üzleti szempontból igazából kettő releváns. Az egyik a generatív, a másik a prediktív AI. (Utóbbit mostanában már hagyományosként szokták emlegetni, s ebbe most a machine learning algoritmusokat értem bele).
Egy újabb fogalom behozása remélem nem zavar senkit össze, de azt gondolom, hogy a generatív AI megértését az segíti a legjobban, ha összehasonlítjuk a prediktív (vagyis az üzleti életben hagyományosnak hívott) AI-jal.
Mind a prediktív, mind a generatív AI esetén vannak jó alkalmazási példák a pénzügyi és controlling területen. A teljesség igénye nélkül néhány példa:
Egy korábbi cikkünkben összefoglaltuk a generatív AI alkalmazásának fő dilemmáit, a kapcsolatos félelmeket. Ezek közül én most kettőt emelek ki.
Az egyik az üzleti működésre kiemelt hatással bíró adatminőség témaköre. Az AI modellek működési elve a minta alapú tanulás (“learning by example”). Ez azt jelenti, hogy a modellek nagymennyiségű adat alapján tanulják meg az összefüggéseket. Emiatt a tanuláshoz használt adathalmaz kritikus fontosságú az output minőségét tekintve (“garbage in garbage out”). Az AI alkalmazását tehát korlátozza az adatminőség, mivel a modellek csak annyira jók, mint azok az adatok, amelyeken tanultak.
Egy másik fontos dilemma az adatbiztonsággal kapcsolatos félelem. Azaz, hogy a vállalat saját adatain szeretnénk-e a modelleket betanítani. Egyes funkciók (pl. összegzés, fordítás) a publikus adatokon betanított modellekkel szuperül működnek (pl. a publikusan elérhető ChatGPT-vel). Más funkciók (pl. tartalomgenerálás) esetén azonban speciális, egyénileg testreszabott kontextust szeretnénk alkalmazni, amihez a generatív modellt számunkra releváns (ergo saját) adatokon szükséges betanítani. Pl. az üzleti insightok generálása csak akkor valósítható meg jól generatív AI-jal, ha az érti a kontextust. Emiatt az adatbiztonsággal kapcsolatos félelmeket kiemelten kell kezelni.
Így a legalacsonyabb belépési korlát generatív AI alkalmazására – úgy gondolom – a tartalomösszegzés (c), illetve fordítás (d) funkció esetében van. Elsőként ezek elterjedését várhatjuk leginkább vállalati környezetben. A többi funkció elsősorban a BI (business intelligence) érettségben előrébb tartó vállalatoknál fog elterjedni, ami komoly hatékonysági versenyelőnyt jelenthet majd számukra. A Gartner várakozása szerint a következő 5-10 évben fog a technológia beérni, a széleskörű alkalmazás elterjedését (plateau of productivity) ilyen időtávon várja az elemző intézet (ld. a hype cycle ábrát a cikk elején).
Ahhoz, hogy az AI-ban rejlő üzleti potenciált ki lehessen aknázni, át kell gondolni a vállalati adatmenedzsment alapjait is (pl. data governance, adatintegráció, adatbiztonság stb.). Bármilyen fejlesztés, technológiai újítás előtt érdemes egy alapos jövőképet kidolgozni.
A fentiek tükrében a generatív AI-nak 5 fő hatása várható a CFO területen:
A szerző vezető tanácsadó
