Freestyle Data/AI Jam

Egy banknál a naprakész tudás minden. De mihez kezdünk, amikor ez a tudás több ezer oldalnyi, folyamatosan változó szabályzatban és utasításban rejlik, és azonnali, pontos válaszok kellenek, mindig, mindenhol?
A mi válaszunk a „brain” volt, egy RAG és ágens alapú chatbot – amiről hamar kiderült, hogy a bevezetése nem csak technológiai, hanem kőkemény emberi és szervezeti kihívás is.
Az előadásom egy őszinte, bennfentes történet. Bemutatom a teljes utat, ahogy egy ígéretes tech-demóból a bank központi tudásplatformja lett, miközben a RAG megoldás finomhangolása és a kritikus architektúra-döntések mellett a vállalati szkepticizmust és a belső falakat is le kellett győznünk. A célom, hogy egy teljes, szépítetlen képet adjak arról, mit jelent ma a gyakorlatban sikerre vinni egy ilyen AI projektet – az igazgatósági tárgyalótól a kollégák napi munkájáig.

Mi történik, amikor a BI nemcsak adatokat mutat, hanem üzleti összefüggéseket is ért?
Előadásomban bemutatom, hogyan egészíti ki a mesterséges intelligencia a Power BI-t üzleti kontextusra hangolt elemzésekkel.
Egy valós projekt tapasztalatain keresztül megmutatom, hogyan támogatja az AI a gyorsabb és megalapozottabb döntéshozatalt.
Megosztom a legfontosabb kihívásokat és tanulságokat, amelyekkel menet közben szembesültünk.

A BI megmutatja, mi történt, de ha az AI-t is mellé tesszük, azt is kideríthetjük, miért történt – és várhatóan mi fog történni legközelebb. Az AI ráteszi a turbót a klasszikus BI-ra: természetes nyelven kérdezhetünk a chatbotoktól, predikciókkal előre láthatjuk a trendeket, az automatikus insightok pedig olyan összefüggéseket villantanak fel, amelyek eddig rejtve maradtak.
Az AI nem csak a vezetőknek és a végfelhasználóknak adja kezükbe az adatokat, hanem az elemzők és adattudósok munkáját is megkönnyíti: a dashboardok és riportok már promptokra épülhetnek, a KPI-ok meghatározása is gyorsabbá válik, az adattervezők pedig extra támogatást kapnak az adatmodellek építésében és karbantartásában.
De mindez csak akkor ér valamit, ha biztonságosan és okosan használjuk: az AI-nak ismernie kell a mi adatainkat, üzleti logikánkat és saját modellünket. Az előadás megmutatja, hogyan lesz az AI és a BI együtt több, mint a részek összessége – és hogyan válik az adat még okosabbá, ha jól párosítjuk őket.

A mesterséges intelligencia nem csupán felgyorsítja a kutatási és innovációs folyamatokat – alapjaiban alakítja át azok természetét. Az előadás azt vizsgálja, hogyan alkalmazhatók LLM-ek, generatív és prediktív modellek a vállalati innováció különböző szintjein, az insight-alapú UX kutatástól a termékfejlesztésen át egészen a stratégiai döntéstámogatásig. Szó lesz arról is, hogy milyen mérhető mutatókkal határozható meg az AI-alapú kutatás hatékonysága, illetve milyen új készségekre lesz szükség az innovációs szakemberek részéről ebben az átalakuló ökoszisztémában. Végül bemutatom, hogyan vezethető be az AI a szervezeti innováció kultúrájába – a kezdeti kísérletektől a skálázható működésig.

"Meggyőző történeteken, iparági példákon és szakértői kommentárokon (többek között Yann LeCun, Arvind Krishna, Daron Acemoglu) keresztül lebontjuk a gyakori tévhiteket (például azt a hitet, hogy a ChatGPT egyenlő az emberi szintű intelligenciával), és józan képet ad arról, hol hoz valódi értéket a mesterséges intelligencia. A hallgatók megtudhatják, miért bukik el a legtöbb vállalati MI-projekt a proof-of-concept szakaszon túl, és hogyan rejlik az igazi átalakulás kulcsa az adatok stratégiai előkészítésében, a fokozatos bevezetésben és az ember–MI együttműködésben. Van egy szakadék a mesterséges intelligencia ígéretei és jelenlegi, valós képességei között. A vezető nemzetközi konferenciákon (MIT Sloan, ODSC, Babson College) elhangzott legfrissebb gondolatokra támaszkodva, megkérdőjelezzük a generatív MI-vel és a nagy nyelvi modellekkel (LLM-ek) kapcsolatos túlzott elvárásokat, amelyeket a cégek gyakran „csodafegyverként” látnak az MI-versenyben való lépéstartás érdekében."