DAPIS: Faza Define – zanim zaczniesz wdrażać AI, odpowiedz sobie na jedno pytanie

DAPIS: Faza Define – zanim zaczniesz wdrażać AI, odpowiedz sobie na jedno pytanie

Seria: Metodyka DAPIS – jak wdrażać projekty z generatywną sztuczną inteligencją

Większość projektów z AI nie upada z powodu złego modelu. Upada dlatego, że nikt na początku nie zadał prostego pytania: po co?

Faza Define w metodyce DAPIS to właśnie odpowiedź na to pytanie. Zanim napiszesz pierwszy prompt, zanim wybierzesz model, zanim otworzysz Jupyter Notebook – musisz wiedzieć, dlaczego w ogóle zaczynasz.

Czym jest metodyka DAPIS?

DAPIS to ustrukturyzowane podejście do wdrażania rozwiązań opartych na dużych modelach językowych (LLM) w organizacjach. Każda z faz metodyki skupia się na innym aspekcie projektu, a faza Define jest pierwszą i najważniejszą z nich. Bez solidnego zdefiniowania problemu każdy kolejny krok budujemy na piasku.

Pytanie przewodnie: PO CO?

Każda faza DAPIS ma swoje pytanie wiodące, które ułatwia zapamiętanie jej sensu. Dla fazy Define to właśnie „po co?'.

„Po co' oznacza:

  • Jaki konkretny problem chcemy rozwiązać?
  • Komu ta zmiana ma pomóc i dlaczego teraz?
  • Co się stanie, jeśli nie zrobimy nic?

Karta projektu – centralny dokument fazy Define

Głównym wyjściem fazy Define jest karta projektu – zwięzły dokument (canvas) zawierający podstawowe informacje o planowanym przedsięwzięciu. Metodyka DAPIS proponuje gotowy formularz wzorowany na znanych technikach, takich jak Lean Canvas czy Business Model Canvas.

Karta projektu odpowiada na pytania:

  • Jaki problem rozwiązujemy i kto go zgłasza?
  • Jakie są spodziewane korzyści i jak je zmierzymy?
  • Kto jest sponsorem projektu i kto nim kieruje?
  • Jak wygląda wstępna koncepcja rozwiązania?
  • Jakie są kroki wdrożenia i ryzyka?

Karta nie musi być idealna. Ma być wystarczająco dobra, żeby sponsor projektu mógł podjąć świadomą decyzję: tak, robimy to.

Bez przekonania sponsora wręcz nie uruchamiałbym projektu. Jeśli osoba odpowiedzialna za dany proces nie wierzy, że warto przy nim „grzebać' – projekt jest skazany na opór i bojkot jeszcze przed startem.

Szkic koncepcji rozwiązania – na serwetce też można

Równolegle z kartą projektu warto przygotować prosty szkic koncepcji rozwiązania – wizualne przedstawienie tego, jak ma działać system. Kto zadaje pytanie? Co załącza? Co dostaje w odpowiedzi? Jak to dalej wykorzystuje?

Taki szkic można narysować na tablicy, w prezentacji lub dosłownie na serwetce. Chodzi o to, żeby wszyscy – od programisty po dyrektora finansowego – rozumieli, o czym mówimy. Nie o architekturze systemu, ale o przepływie wartości.

Pytania kontrolne – test dojrzałości projektu

Faza Define w metodyce DAPIS obejmuje też zestaw pytań kontrolnych, które pomagają ocenić, czy projekt jest gotowy do realizacji. Dotyczą one m.in.:

  • Natury problemu – czy chodzi o przetwarzanie języka naturalnego? LLM-y najlepiej działają tam, gdzie na wejściu i wyjściu jest tekst.
  • Skali – jak często występuje krok procesu, który chcemy usprawnić? Mnożymy częstotliwość przez liczbę użytkowników.
  • Mierzalności – czy da się policzyć korzyści z projektu? Jeśli nie, trudno będzie obronić projekt po wdrożeniu.
  • Skalowalności – czy rozwiązanie można przenieść do innych obszarów firmy?
  • Ryzyk – co się stanie, gdy model popełni błąd? Czy organizacja może ponieść kary, straty reputacyjne lub finansowe?
  • Wrażliwości danych – czy dane wysyłane do modelu są poufne?
  • Akceptacji użytkowników – czy pracownicy mogą poczuć się zagrożeni automatyzacją?

Negatywna odpowiedź na część pytań nie dyskwalifikuje projektu. Sygnalizuje jednak ryzyka, które trzeba zaadresować – lepiej wcześnie niż podczas wdrożenia produkcyjnego.

Jak zebrać informacje? Rozmawiaj z ludźmi

Najprostsze metody są najlepsze. Zidentyfikuj interesariuszy – czyli wszystkich, którzy wiedzą coś o problemie lub mogą pomóc bądź utrudnić wdrożenie. Następnie po prostu z nimi porozmawiaj. Pytaj otwarcie:

  • Co wam przeszkadza w tym procesie?
  • Co jest najbardziej żmudnym zadaniem?
  • Kto jest sfrustrowany obecną sytuacją?
  • Jakich korzyści można się spodziewać po wdrożeniu?
  • Czy próbowaliście już wdrażać AI w tym obszarze?

Rozmowy można uzupełnić ankietą lub mailowymi pytaniami. Ale nic nie zastąpi bezpośredniej rozmowy – właśnie w niej wychodzą problemy, których nikt nie wpisałby do formularza.

Przykład z życia: faktury i pięciu zmęczonych pracowników

Wyobraźmy sobie dział operacyjny, który na koniec każdego miesiąca zmaga się z lawiną dokumentów księgowych. Pięcioosobowy zespół jest w stanie przetworzyć 1000 faktur dziennie – tymczasem wpływa ich 1500. Do tego 5% dokumentów zawiera błędy wynikające z ręcznego przepisywania, a zamknięcie miesiąca opóźnia się średnio o 8 godzin roboczych.

To jest właśnie dobrze zdefiniowany problem: mierzalny, kosztowny, powtarzalny. Koncepcja rozwiązania jest prosta: pracownik załącza fakturę w PDF do gotowego promptu, model zwraca dane w formacie JSON, a firmowy system księgowy importuje plik automatycznie.

Co więcej – podczas rozmów z interesariuszami okazuje się, że podobne ręczne przepisywanie dokumentów odbywa się też w obsłudze klienta, reklamacjach i sprzedaży. Projekt od początku ma więc potencjał do skalowania.

Na tym polega wartość fazy Define: nie tylko definiuje problem, ale otwiera oczy na szerszy kontekst.

Co jest wyjściem fazy Define?

Faza kończy się formalną decyzją sponsora o zatwierdzeniu projektu. Zostaje on zarejestrowany w portfelu projektów danej jednostki organizacyjnej. Na tym etapie mamy:

  • Zatwierdzony canvas projektu
  • Szkic koncepcji rozwiązania
  • Wypełnioną ankietę pytań kontrolnych

Dopiero wtedy przechodzimy do kolejnych faz metodyki: analizy problemu i planowania wdrożenia.

Podsumowanie

Faza Define to inwestycja czasu, która zwraca się wielokrotnie. Projekty AI, które pomijają ten etap, mają zwyczaj dryfować – zmieniają zakres, tracą sponsora, kończą się jako proof-of-concept lądujący w szufladzie.

Odpowiedz sobie na pytanie „po co?' – zanim zaczniesz pytać „jak?'.

Wpis jest częścią serii poświęconej metodyce DAPIS – ustrukturyzowanemu podejściu do wdrażania projektów opartych na dużych modelach językowych w organizacjach.

Wróć do wszystkich artykułów