Narrow AI: czym jest wąska AI i kiedy ją stosować
Temat: Architektura systemów AI
Chcesz automatycznie kierować zgłoszenia do właściwego zespołu. Czy potrzebujesz asystenta, który rozmawia o wszystkim? Narrow AI, czyli wąska AI, to system zaprojektowany do określonego zadania lub zestawu zadań — tak definiuje ją IBM. Każde działające wdrożenie AI w firmie jest wąską AI i to jej zaleta: wynik wąskiego zadania da się sprawdzić. Pojęcie nie oznacza małego modelu ani taniego wdrożenia. Wąskie zadanie na Azure buduje się zwykle w Microsoft Foundry, a środowisko chmury opisuje poradnik o Microsoft Azure.
Stan na 5 października 2026 r. Wąska AI nie jest przestarzałą wersją „prawdziwej” AI. IBM zaznacza, że silna AI (AGI) jest obecnie teoretyczna i żaden znany system się do niej nie zbliża. Wszystko, co dziś kupisz lub zbudujesz, jest więc wąskie. Różnica leży w tym, jak jasno ograniczysz zadanie. Jak duże i małe modele językowe wpisują się w wąskie zadania, opisuje poradnik o modelach językowych dla firm.
Kiedy to ma znaczenie dla firmy
Przekonanie „zadanie wymaga najbardziej uniwersalnej AI” prowadzi do drogich, trudnych do odbioru wdrożeń. Zarząd powinien pytać inaczej: jakie jedno zadanie, jakie dozwolone wyniki, kto bierze wyjątek i jak zmierzymy poprawność. Wąski zakres daje właśnie to. Nie oznacza braku ryzyka, bo błędnie skierowana pilna sprawa ma skutek nawet wtedy, gdy wynik to jedna etykieta. Szerszy kontekst znajdziesz w filarze architektura systemów AI.
Wąski system może używać reguł, modelu klasyfikacyjnego albo modelu językowego. Rozpoznawanie kategorii zgłoszenia, wykrywanie wady na zdjęciu i prognoza zapotrzebowania to trzy różne zadania, każde z własnymi danymi i miarami. Sukces jednego niczego nie dowodzi w pozostałych. Jeśli interesuje cię rozmiar modelu, przeczytaj o małych modelach językowych.
Kontrakt zadania
Opisz wejście, dozwolone wyniki i obsługę niepewności.
| Element | Przykład dla zgłoszeń |
|---|---|
| Wejście | Treść zgłoszenia i dozwolony kontekst |
| Wynik | Jedna z ustalonych kategorii |
| Wyjątek | Brak danych lub kilka równorzędnych kategorii |
| Dalsza operacja | Skierowanie do kolejki albo propozycja dla pracownika |
| Kontrola | Osobna ścieżka dla błędu o dużych skutkach |
Nie dodawaj automatycznego priorytetu tylko dlatego, że model potrafi go wygenerować. To osobna decyzja z własnym kryterium. Użytkownik obsługujący wyjątek ma wiedzieć, czy system tylko proponuje etykietę, czy już coś wykonał.
Przykład, w którym wysoka trafność myli
Syntetyczny przykład obliczeniowy, nie wynik produktu. Zbiór ma 100 zgłoszeń, w tym 90 w kategorii „pozostałe” i 10 pilnych. Model, który wszystkim przypisuje „pozostałe”, ma 90% trafności ogólnej i wykrywa 0 z 10 pilnych spraw. Taki system wygląda świetnie na wykresie i jest bezużyteczny tam, gdzie ma znaczenie. Jedna średnia nie wystarcza, oceniaj grupy ważne dla procesu: przeoczenia i fałszywe alarmy.
Zbiór testowy powinien zawierać literówki, skróty i niepełne opisy. Dane do przygotowania oddziel od danych do końcowej oceny. Jeśli dwie osoby inaczej klasyfikują to samo zgłoszenie, najpierw uzgodnij zasadę, inaczej model utrwali spór.
Reguła czy model
Gdy wystarcza jedno jawne pole, na przykład kod produktu, reguła może być tańsza i łatwiejsza do wyjaśnienia. Model rozważ dla spraw, w których opis klienta wnosi informację niewidoczną w formularzu. Sprawdzenia jednoznaczne, jak poprawność identyfikatora klienta, zostaw regułom.
Przed wyborem zapisz z tej samej próbki trzy liczby: poprawnie przypisane sprawy, sprawy dla człowieka i koszt błędnego przypisania. Porównaj z obecnym procesem, licząc czas obsługi i poprawki. Na początku system może tylko proponować, a pracownik zatwierdzać. Obecność człowieka daje kontrolę dopiero wtedy, gdy widzi dane i ma czas zmienić propozycję. Masowe klikanie „akceptuj” to nie kontrola.
Platforma nie zastępuje odbioru
W środowisku Microsoft wąskie zadania obsługują dwie warstwy. Microsoft Foundry to platforma do budowy agentów, modeli i aplikacji z katalogiem ponad 10 000 modeli (dokumentacja). Gotowe usługi zadaniowe, jak Document Intelligence, Vision, Language, Speech czy Content Safety, to dawne Azure AI Services, dziś Foundry Tools, dostępne przez REST API. Część usług (m.in. Anomaly Detector, Content Moderator, LUIS, Personalizer, QnA Maker) jest wycofana lub zaplanowana do wycofania i nie nadaje się do nowych aplikacji (stan na 5 października 2026). Nazwa usługi nie potwierdza poprawności klasyfikacji. Potrzebujesz własnych danych, kontroli dostępu i pomiaru jakości.
Po uruchomieniu sprawdzaj próbki, powody korekt i udział spraw spoza zakresu. Wersja, która działała dobrze, nie jest dobra na zawsze. Jeśli rozważasz model publiczny, ocenisz go z licencją według poradnika Hugging Face.
W poniedziałek wybierz jedno zadanie klasyfikacyjne. Zapisz dozwolone wyniki, najdroższy rodzaj błędu i ścieżkę wyjątków. Dopiero potem porównaj regułę i model.
- Dane i analityka
- Azure
- Strategia
