4. Superaplikacje

Superaplikacja łączy w sobie wiele aplikacji, platformę i ekosystem (przykładem jest chiński WeChat). Zapewnia ona użytkownikom końcowym nie tylko zestaw podstawowych funkcji, ale także dostęp do niezależnie tworzonych mini aplikacji. Poprzez udostępnioną niezależnym podmiotom platformę mogą one tworzyć i publikować własne mini aplikacje.

Chociaż większość przykładów superaplikacji to aplikacje mobilne, tę koncepcję można również zastosować do aplikacji klienckich na komputery stacjonarne, takich jak Microsoft Teams czy Slack. Zdaniem Gartnera kluczem jest zdolność superaplikacji do konsolidowania i zastępowania wielu aplikacji używanych przez konsumentów lub pracowników. Firma analityczna przewiduje, że do 2027 r. osoby używające na co dzień wielu superaplikacji stanowić będą ponad 50 proc. światowej populacji.

Przykład użycia superaplikacji: PayPay

PayPay to japoński dostawca systemu płatności z prawie 50 milionami użytkowników. Kluczowym elementem strategii rozwoju firmy jest integracja zakupów produktów i usług stron trzecich w ramach jednej superaplikacji. Już teraz PayPay, oprócz własnych aplikacji do zarządzania finansami i zakupów detalicznych, zapewnia dostęp do mini aplikacji stron trzecich, służących do kupowania biletów kinowych, zamawiania dostaw żywności czy wypożyczania rowerów.

5. Adaptacyjna sztuczna inteligencja

Systemy adaptacyjnej AI mogą nieustannie, w oparciu o wciąż nowe dane, trenować modele i uczyć się w środowiskach wykonawczych i programistycznych. Ich celem jest jak najszybsze dostosowywanie się do zmian w okolicznościach, które nie były przewidziane lub dostępne przy wstępnym tworzeniu modeli.

Systemy takie wykorzystują w czasie rzeczywistym informacje zwrotne, aby dynamicznie zmieniać swoje uczenie się i dostosowywać do nich określone cele. W rezultacie nadają się do operacji, w których nagłe zmiany w środowisku zewnętrznym lub zmieniające się cele przedsiębiorstwa wymagają zoptymalizowanej i szybkiej reakcji.

Według Gartnera wartość zoperacjonalizowanej AI polega na możliwości szybkiego rozwijania, wdrażania, dostosowywania i utrzymywania sztucznej inteligencji w różnych firmowych  środowiskach IT. Biorąc pod uwagę złożoność inżynierii i zapotrzebowanie na krótki czas wprowadzania produktów na rynek, kluczowe znaczenie ma opracowanie mniej sztywnych schematów inżynieryjnych AI lub budowanie takich modeli sztucznej inteligencji, które mogą się same dostosowywać do bieżących potrzeb w procesie w produkcji.

Przykład użycia adaptacyjnej sztucznej inteligencji: Dow

W celu ulepszenia analityki korporacyjnej amerykański koncern chemiczny wdraża adaptacyjne systemy sztucznej inteligencji, które wykorzystują informacje zwrotne dotyczące wzorców użytkowania i optymalizacji wartości biznesowej. Zaowocowało to 320-procentowym wzrostem wartości generowanej przez platformę analityczną.

6. Zarządzanie zaufaniem, ryzykiem i bezpieczeństwem AI

Jak twierdzi Gartner wiele organizacji nie jest wystarczająco dobrze przygotowanych do zarządzania ryzykiem związanym ze sztuczną inteligencją. Z przeprowadzonego w USA, Wielkiej Brytanii i Niemczech badania wynika, że 41 proc. organizacji doświadczyło naruszenia prywatności lub incydentu związanego z bezpieczeństwem AI. To samo badanie Gartnera wykazało, że organizacje, które aktywnie zarządzały ryzykiem, ochroną prywatności i bezpieczeństwem AI, osiągnęły lepsze wyniki w projektach związanych ze sztuczną inteligencją.

Sztuczna inteligencja wymaga nowych, niezapewnianych przez konwencjonalne mechanizmy kontrolne form zarządzania zaufaniem, ryzykiem i bezpieczeństwem, które Gartner ochrzcił mianem TriSM (Trust, Risk and Security Management). Zdaniem Gartnera w 2023 r. organizacje powinny wdrożyć nowe funkcjonalności AI TRiSM w celu zapewnienia niezawodności modeli, wiarygodności, bezpieczeństwa i ochrony danych. Takie wdrożenia będą wymagać współpracy uczestników z różnych jednostek biznesowych.

Przykład użycia AI TRiSM: Abzu

Duński startup Abzu stworzył oparty na AI produkt, który generuje matematycznie wyjaśnialne modele, identyfikujące związki przyczynowo-skutkowe. Takie modele umożliwiają klientom Abzu łatwiejszą walidację wyników. Przykładowo, doprowadziły do opracowania skuteczniejszych leków na raka piersi.