Iparágra szabott AI-megközelítés
Hét iparág a pénzügytől a közszféráig, mindegyikhez saját megközelítéssel és konkrét use-case-ekkel.
Iparági AI
Miért iparáganként?
Egy bankban mások a prioritások, mint egy kiskereskedelmi cégnél, ezért az AI use-case-ek is iparáganként eltérnek. A technikai megoldás hasonló, a kockázati súlypont viszont más. Ez határozza meg, hol kell lokális telepítés és hol elég a szigorúbb szerződés.
Kapcsolódó szolgáltatások: biztonságos AI megoldás fejlesztése, helyi (on-prem) AI telepítés, biztonsági és AI-használati tréning.
Iparágak
Hét iparág, külön megközelítéssel
Iparáganként a fő kockázat és a rá adott válasz, alatta három use-case.
Pénzügy és bank
Szigorú szabályozás köti (GDPR, MiFID, DORA, NIS2). A fő kockázat az ügyféladat kikerülése és a visszakövethetetlen döntés, ezért lokális telepítés és teljes auditnapló a válasz.
- Csalásfelderítés és AML: tranzakciómonitoring és anomáliák kiemelése, magyarázható döntésekkel
- KYC-összefoglaló: dokumentumkivonat, kockázati profil és szankciós szűrés egy anyagban
- Compliance-RAG: keresés a MiFID, az MNB-rendeletek és az AML-kódex szövegében, forrásidézettel
Jogi terület
Szerződéstervezetet vagy ügyfélanyagot nyilvános AI-szolgáltatásba feltölteni adattovábbítás. Az ügyvédi titok miatt itt lokális telepítés és zárt hálózat kell.
- Szerződés-áttekintés: a sztenderdtől eltérő klauzulák kiemelése kockázati besorolással, ügyvédi jóváhagyással
- Jogesetkutatás: keresés a saját jogesettárban, minden válasz megjelöli a forrását
- Redakció és anonimizálás: a személyes adatok felismerése és kitakarása, mielőtt a dokumentum továbbmegy
Retail és e-kereskedelem
A vásárlói adat GDPR hatálya alá esik, a készlet- és árazási adat üzleti titok. A fő kockázat más vásárló adatának kiadása, ezt kontextus-korlátozás és prompt-injekció elleni védelem zárja ki.
- Termékleírás: SEO-optimalizált szöveg adatlapból, a márka hangján, több nyelven
- Ajánlás-ágens: kérdez, megérti az igényt, és személyre szabott terméklistát ad
- Ügyfélszolgálati bot: rendelésstátusz, visszaküldés, garancia; ha kell, élő ügyintézőnek adja át
Marketing
A tartalomigény gyorsabban nő, mint a létszám. Az AI a meglévő stratégiát sokszorozza, a kreatív irányt ember adja. A fő kockázat a stratégiai anyag és az ügyféllista kikerülése, ezért a bizalmas folyamatok saját infrastruktúrán futnak.
- Tartalom-előkészítés: a briefből vázlat a márka hangján és a csatorna formátumában
- Kampány-elemzés: több csatorna adatainak összefésülése egységes riportba
- Lokalizáció: anyagok nyelvi adaptációja rövidebb átfutással
Oktatás
Az AI időt szabadít fel a tanárnak. Kiskorúak adatainál lokális telepítés és korlátozott adatkör kell, a szülők és a fenntartó felé is átláthatóan.
- Tutor-ágens: kész válasz helyett visszakérdez, a tanár látja az interakciót
- Tananyag-adaptáció: egy alapanyagból külön szint a gyengébb és az erősebb tanulóknak
- Admin-automatizálás: beíratás, szülői kommunikáció, jelentések
Közszféra
Az adatszuverenitás követelmény, ezért itt kizárólag lokális telepítést javaslunk, amely internetkapcsolat nélkül is működik.
- Szabályozási RAG: válasz a jogszabályok és szabályzatok gyűjteményéből, idézettel
- Állampolgár-asszisztens: segít az űrlapok kitöltésében és elmagyarázza az ügymenetet, több nyelven
- Ügyiratkezelés: a beérkező iratok osztályozása és kivonatolása a gyorsabb szignálásért
Tanácsadás
Az ajánlatírás, a kivonatolás és a belső tudásmegosztás szakértőnként heti több órát visz el. A fő kockázat az ügyfélanyagok keveredése, ezért a jogosultsági modell projektszinten zár.
- Ajánlat és RFP: az RFP elemzése és az első változat a cég saját sablonjában
- Belső tudásbázis: a korábbi projektek, módszertanok és sablonok kereshetővé tétele
- Projektkivonatok: a státuszjelentés vázlata, a projektmenedzser csak finomhangolja
Közös módszer
Ami minden iparágban ugyanaz
A projektek nagy része a jogosultsági modellen bukik el, és azon, hogy senki nem mérte meg, mit váltott ki.
-
Először a use-case
Azzal kezdünk, hol van ismétlődő, mérhető ráfordítás. Egy jól megválasztott első use-case többet ér, mint öt párhuzamos kísérlet.
-
Adat- és jogosultsági modell
Milyen adathoz nyúl a rendszer, és kinek a nevében. Egy mindent látó szolgáltatásfiók egyetlen lépésben megkerüli az évekig épített hozzáférés-kezelést.
-
Prototípus valós adaton
Zárt körben, lezárt eseteken, mérhető kimenettel. Még az éles bevezetés előtt eldől, hogy a use-case megtérül-e.
-
Bevezetés és üzemeltetés
Naplózás, minőség-ellenőrzés, visszacsatolás. A kimenet javaslat, amit ember hagy jóvá. A bevezetés utáni üzemeltetés egyedi megállapodás alapján kérhető.
Gyakori kérdések
AI az iparágakban: gyakori kérdések
Nincs a listán a mi iparágunk. Mit tegyünk?
A felsorolt hét az, ahol kidolgozott use-case-készletünk van, de a módszertan általános. Ilyenkor a use-case felmérés hosszabb, mert közösen kell megtalálni, hol van a szervezetben ismétlődő, dokumentum- vagy adatnehéz munkafolyamat. Az első lépés jellemzően egy műhelymunka.
Mikor kell lokális telepítés, és mikor elég a felhő?
Három kérdés dönti el. Kikerülhet-e az adat a szervezetből jogi vagy szerződéses akadály nélkül? Működnie kell-e zárt, internet nélküli hálózaton? Elvárás-e a teljes naplózás és auditálhatóság saját kézben? Ha bármelyikre igen a válasz, lokális telepítés kell.
Hogyan bizonyítható utólag egy AI-támogatott döntés?
Teljes naplózással: ki, mikor, mit kérdezett, milyen forrásokat használt a rendszer a válaszhoz, milyen eszközt hívott meg és milyen paraméterekkel. A RAG-alapú megoldásoknál a válasz mellé a forráshivatkozások is bekerülnek. Enélkül egy hibás válasz nyomon követhetetlen, és javítani sem lehet.