AI optimalizace CI a využití prompt engineeringu

Úvod

Pod pojmem konkurenčního zpravodajství (angl. Competitive Intelligence, dále jen CI) rozumíme proces shromažďování, analýzy a následné interpretaci informací no nově zjištěná fakta (Bloomenthal, 2022). CI může být dobrou pomůckou jednotlivcům, no pro firmy je důležité pro pochopení a navigaci v konkurenčním prostředí. Tento proces se zaměřuje na analýzu trhových trendů, sledování konkurenční činnosti a identifikaci faktorů, které mohou ovlivňovat pozici organizace na trhu. Následná identifikace rizik a nových příležitostí přináší benefity pro strategické rozhodování.

CI proces je ale s narůstajícím objemem dostupných dat a zvyšující se komplexností trhů, tradiční metody průzkumu a analýz se stávají méně efektivními. V tomhle kontextu se může umělá inteligence (angl. Artificial Intelligence, dále jen AI) jeví jako skvělý nástroj na zlepšení a optimalizaci CI. Od zautomatizování sběru volně přístupných dat po jejich analýzu. AI může také nacházet skryté vzorce chování trhu mezi milióny záznamy (Walton, 2024), nebo přesněji navrhnout model pro predikci budoucího stavu (Mike, 2021), které by člověk za svůj život nenašel.

S využitím AI se ale ponouká taky otázka na její správné využití a optimalizaci. Tuto otázku může zčásti odpovědět disciplína dotazového inženýrství (angl. Prompt Engineering), která je zaměřená na návrh a zefektivnění neboli optimalizaci vstupu pro generativní AI modely, jako třeba velké jazykové modely (angl. Large Language Model, dále jen LLM) (Bozkurt, 2024). Cílem je tedy prozkoumat, jak může AI a prompt engineering společně pomoci optimalizovat a zlepšit procesy CI. Představíme možné oblasti implementace AI technologií za pomoci technik prompt engineeringu a poskytneme doporučení pro jejich integraci do CI procesů. Aby organizace mohly plně využít jejich potenciál. Tento přístup by měl společnostem umožnit rychlejší a přesnější rozhodování, lepší pochopení konkurenčního prostředí a zvýšenou adaptabilitu na tržní změny.

Role AI v optimalizaci CI

AI přináší do procesů CI zásadní změny z pohledu rychlosti zpracovávání dat a také jejich objemu. Přináší taky schopnost identifikace vzorů a poskytnutí predikce budoucího vývoje trhu (Taherdoost & Madanchain, 2023)
. Tato kapitola podrobně popisuje klíčové oblasti uplatnění AI v CI:

• Automatizovat sběr dat: Nástroje jako Meltwater nebo Crayon sledují média a webové stránky konkurence v reálném čase.
• Analyzovat data: Algoritmy strojového učení identifikují trendy, korelace a nové příležitosti ve velkých datových souborech.
• Predikovat budoucí vývoj: Modely jako Prophet umožňují odhadnout sezónní výkyvy nebo změny na trhu.

Na tyto jednotlivé role se může použít škála modelů a typů AI, mezi základné rozdělení a budeme uvažovat následující:

• Strojové učení (angl. Machine Learning) – Zpracování historických dat, analýza konkurence, identifikace vzorů a generování predikcí.
• Zpracování přirozeného jazyka (angl.Natural Language Processing) – Dovoluje analýzu a interpretaci textu z různých zdrojů jako články, sociální média nebo dokumenty. Může sloužit na analýzu sentimentu nebo sumarizaci správ a automatické generování přehledů.
• Generativní AI – Modely LLM, jako GPT-4, produkují textové výstupy na základě dotazů. Mohou automatizovat generování CI analýz nad velkým množstvím dat, dále simulovat tržní situaci a predikci dopadů plánovaných změn. Generování personalizovaných reportů a analýz nejvíce ovlivňuje správné zadávaní dotazů – prompt engineering.
• Prediktivní modely – Je konkrétní kombinace machine learningu a statistických modelů k odhadování budoucnosti na základě historických dat.
• Počítačové viďení (angl. Computer Vision) – Může pomoct monitorovat, analyzovat a interpretovat produktových změn na stránkách konkurence, analýza reklamních kampaní nebo analýza zákaznických reakcí z veřejných prezentací.

Každý z uvedených podtypů AI přináší unikátní funkcionality pro zlepšení CI, no dopady jejich použití se dají shrnout do 3 výstupů:

• Zrychlení analýzy.
• Přesnost predikcí.
• Komplexní pohled na trh.

Avšak je nutno dodat, že takovéto použití modelů je třeba brát se zodpovědností a nenasazovat nové modely bez rozmyslu a rozsáhlého testování. Nejnovější zjištění ukazuje schopnost LLM modelů, jako o1, Claude 3.5 Sonnet, Claude 3 Opus, Gemini 1.5 Pro, and Llama 3.1 405 B, jsou do jisté míry klamat a ohýbat pravdu na základě nekalé práce s daty pro jejich vlastní prospěch (Meinke, Schoen, & spol., 2024).

Automatizace sběru dat

Automatizace tohoto proces je klíčové, snižuje totiž zátěž lidských analytiků a zrychluje proces CI. Mezi již existující nástroje můžeme zařadit:

• Meltwater – Monitoruje média a analýza sentimentu v reálném čase. Zahrnuje škrábání dat z webů (angl. Web Scraping) správ, blogů a sociálních sítí.
• Crayon – Monitoruje konkurenci, změny na webu, marketingové a PR kampaně.
• Talkwalker – Specializace na sledování sociálních sítí a analýzu názoru veřejnosti.

Automatizace umožňuje sběr dat v reálnem čase, které mohou být ihned zpracovávány, což poskytuje rychlejší a přesnější podklady pro strategické rozhodování (Taherdoost & Madanchain, 2023).

Analýza dat

AI umožňuje hlubší analýzu dat pomocí strojového učení a pokročilých algoritmů, v reálném čase. Tyto schopnosti mohou poskytnout konkurenční výhodu prostřednictvím identifikace trendů a korelací které jde vidět jen z pohledu na miliony záznamů. Přičemž existuje množství nástrojů zaměřených na analýzu sociálních trendů (Skill Upwards, 2023):

• Brandwatch.
• Hootsuite Insights.
• Crimson Hexagon.
• Sprout Social.
• NetBase Quid.

Tyto nástroje nabízejí širokou škálu funkcí, jako je analýza sentimentu, sledování zmínek o dané značce nebo monitorování trendů, a to vše rovněž jak při sběru dat, jde dělat v reálnem čase. AI algoritmy dokážou také segmentovat trhy a zákazníky dle podobnosti chování, což umožní přesněji cílit marketingové kampaně (Bhagat, Singh, Bhandari, & Lal, 2024). Tyto techniky dokážou detekovat jinak skryté vzory a následnou smysluplnou segmentaci zákazníků, která by běžnému lidskému analytikovi unikla.

Prediktivní analytika

Prediktivní modely na bázi AI již pomáhají společnostem odhadovat budoucí chování trhu, vývoj konkurence a preference zákazníků. Dovolí nám tedy předem přizpůsobit naši strategii na základě datových predikcí (Taherdoost & Madanchain, 2023). Mezi také modely patří například:

• Prophet (open-source model od Mety) – Ponouká predikci časových radů, jako jsou sezónní výkyvy cen u konkurence a predikovat změnu poptávky na trhu.
• H20.ai – Na základě strojového učení modeluje trhové podíly konkurence a dokáže předpovědět jejich vývoj.

Tento druh analytiky nám tedy umožňuje nejen reagovat na trhové změny, ale také aktivně předcházet a připravit se na potenciální hrozby.

Výzvy implementace AI v CI

Implementace AI v CI přináší revoluční změny, no čelí vícerým výzvám i etickým otázkám:

• Závislost na technologiích – Spoléhání na AI může vést k ztrátě know-how, nebo i úplné eliminaci analytických schopností.
• Etické problémy – Sběr a prodej osobních údajů nebo sledování zákazníků, může vyprovokovat zpřísnění legislativy na ochranu soukromí a GDPR.
• Šum dat – Velký množství nerelevantních a nepřesných údajů, analyzované za vidinou skrytého vzorce chování, může zcela skreslit analýzu a vést k chybným závěrům.
• Zaujatost dat – Jestliže bude AI trénované na zaujatých datech, analýza a predikce mohou vést k nesprávným nebo neetickým výstupům.

Dnešní technologický výzkum ukazuje, že tyto technologie bude muset dříve nebo později většina společností, pro zachování konkurence schopnosti. Je teda nutné dbát na to, aby byli tyto problémy řešeni předem a aby se AI v rámci CI nevyužívala neetickým způsobem (Poth, 2020).

Potenciál prompt engineeringu v CI

Dle definice se prompt engineering opisuje jako soubor klíčových zručností pro efektivní interakce s LLM modely. Poskytuje instrukce, které prosazují pravidla, automatizují procesy a umí také zabezpečit požadované výstupní vlastnosti (White & spol., 2023).

Tato disciplína se tedy zaměřuje na návrh a optimalizaci vstupních dotazů pro generativní AI modely (angl. prompt). Cílem je dosáhnutí požadované vstupy, které budou co nejvíce relevantní. V praxi jde o starostlivou formulaci instrukcí, otázek nebo popisů, kterých účel je usměrnit AI model k vyprodukování kvalitního výstupu (IBM, 2024). Tato disciplína, při dostatečném výzkumu a vzdělávání, může pomoct k dosáhnutí plného potenciálu AI (Černý, 2024).

Při získávaní informací o konkurenci pro strategické rozhodování, může prompt engineering výrazně zvýšit efektivitu a přesnost získávaných poznatků. Správně navržené prompty umožňují AI modelům efektivněji identifikovat relevantní informace. Pro pochopení prompt engineeringu a zlepšení našich požadavků, nám podle článku (Altus, 2024) může pomoct i tato sada pravidel:

• Konkrétnost – Je důležité být konkrétní nebo upozornit co nechceme.
• Kontext – Jak bude odpověď použita, v jakém kontextu je náš dotaz.
• Zadání role – Stanovení role, jak má AI vystupovat a nahlížet na problém.
• Jasnost a stručnost – Rozdělení úkol na kroky a odstraňme nejasnosti.
• Příklady – Jestli jde o komplexní problém, pomůže příklad výstupu, který očekáváme.
• Formát – Stanovení formátu, délky výstupu.
• Iterování – Tvorba správného výstupu může trvat několik iterací. Můžeme iterovat úplně od nuly nebo můžeme vypíchnout dobré a špatné části.

Tato sada pravidel je užitečná no ne vždy potřebná a existuje mnohem víc technik. Každá má své využití a přístup při tvorbě dotazů (viz. Tabulka 1) (Aryani, 2023).

#	Název	Popis
1	Zero-Shot učení	Zadání úkolu bez předchozích příkladů. Podrobný popis výstupu bez předchozích znalostí AI o daném úkolu
2	One-Shot učení	S výzvou uvedeme jeden příklad, pro pochopení kontextu a formátu, který očekáváme.
3	Few-Shot učení	Poskytnutí několika příkladů (2–5), pro pochopení vzoru nebo stylu odpovědi.
4	Chain-of-Tought	Zažádáme o detailní popis myšlenkového pochodu krok za krokem. Využití má při složitých argumentačních úlohách.
5	Iterativní dotazování	Jde o proces vedení AI k požadované odpovědi skrz několik iterací.
6	Negativní dotazování	Říkáme, co AI dělat nemá, například určíme, jaký obsah v odpovědi nemá být.
7	Hybridní dotazování	Kombinujeme různé metody a několikanásobný myšlenkový řetězec.
8	Dotazovací řetězení	Rozložíme složitý úkol na menší podněty a následně řetězíme výstup do konečné odpovědi.

Role a využití prompt engineeringu v CI

Prompt engineering v CI může organizacím umožnit využívaní generativní AI pro efektivnější a přesnější analýzu konkurenčního prostředí. Systematickým navrhováním vstupů můžeme více stabilizovat výstupy LLM modelů, jako jsou GPT-4, Claude nebo LLaMA, k vytváření kvalitních, kontextově relevantních výstupů, které optimalizují CI procesy. Překlenuje tak propast mezi lidským záměrem a výstupem AI. Může přizpůsobit generativní schopnosti dle konkrétních cílů CI které chceme dosáhnout.

Zlepšení sběru dat

Upřesněním datových zdrojů můžeme pomoct AI extrahovat jen relevantní data z
rozsáhlých nestrukturovaných zdrojů. Například zaměřením jen na konkrétní typ dat, jako jsou zpravodajské články, tržní zprávy a příspěvky na sociálních sítích.

Techniky, jako je Chain-of-Tought, nám umožní postupné shromažďování informací, což zvyšuje jejich spolehlivost (Chen, Zhang, Langrené, & Zhu, 2024).

Analýza dat

Integrací komplexních dotazů, které budou AI vést logickým uvažováním, můžeme lépe izolovat vhodná data a odvozovat trendy, korelace z rozsáhlých souborů dat, které by při manuální analýze byly často přehlédnuty. Například nastavením role AI při analýze, můžeme simulovat odborný pohled z více perspektiv a vytvořit tak hlubší hodnocení konkurence (Bozkurt, 2024).

Strukturované dotazy umožní LLM vytvoření matice neboli SWOT analýzy z vícerých zdrojů dat. Podněty typu Zero-Shot nebo Few-Shot mohou vést AI modely k vyhodnocení kampaní bez rozsáhlý potřeby trénovaní.

Usnadnění predikce

Pokročilé dotazy mohou pomoct nasměrovat AI k předpovědi trendů v odvětví nebo
předvídání chování konkurentů na základě známých finančních vzorců, dle historického vývoje dané společnosti a také simulace, kdyby se firma chovala jako unicorn nebo korporát.

Prompt engineeringem můžeme také simulovat různé trhové podmínky a připravit se na různé scénáře. Například podněty na stav trhu s vlnou nové pandemie, nebo zhoršení podmínek a inflace v krajině.

Výzvy implementace prompt engineeringu v CI

V implementací prompt engineeringu se krom problému imlpementace AI potýkat také se sadou nových problémů. Jedním z kritických je riziko neobjektivního nebo neúplného výstupu v důsledku chybného návrhu dotazu. Na řešení těchto problémů budou muset organizace přistoupit systematicky a jedním z prvých kroků bude vyškolení týmu v pokročilých technikách prompt engineeringu. Součástí by měla také být sada etických usměrnění pro používání údajů a interakci s AI. Možností je i také doporučení technik nebo konkrétní struktura pro formulaci dotazů. Posledním problémem je taky potřeba ověřování výstupů AI, pro zabezpečení jejich spolehlivosti. Jelikož podobný druh dotazů by měl dávat podobné výsledky.

Závěr

Optimalizace procesů CI za pomoci AI a technik promp engineeringu, představuje
revoluční přístup k analýze konkurenčního prostředí. V praxi již vidíme mnoho firem, které se orientují na sledování a sběr dat nebo i následnou analýzu pro potřeby CI. Můžeme tedy předpokládat, že s technologickým vývojem se i procesy CI z větší části plně automatizují a na lidech ostane jenom kontrolní část výstupů AI.

Tato optimalizace umožní rychlejší a efektivnější zpracování velkých objemů dat. Můžeme očekávat posun a další vývoj automatizace sběru dat, následnou analýzu a predikční modely. Tyto technologie již zvyšují schopnost předvídat trendy a chování konkurence. Zároveň je třeba přistupovat k adaptaci nových modelů zodpovědně a nasazovat jen plně otestované modely.

No i když tyto technologie přinášejí výrazné výhody, je klíčové přistupovat k jejich implementaci s důrazem na transparentnost, etiku a neustálé vzdělávání. Další výzkum a rozvoj těchto technik budou nezbytné pro jejich plné využití a maximalizaci přínosů pro společnost.

Zdroje

Altus, A. (21. August 2024). Outshif. Načteno z Prompt intelligence vs. prompt engineering:
Understanding the differences: https://outshift.cisco.com/blog/prompt-intelligenceversus-prompt-engineering
Aryani, A. (2. December 2023). Medium. Načteno z 8 Types of Prompt Engineering:
https://medium.com/@amiraryani/8-types-of-prompt-engineering-5322fff77bdf
Bhagat, A., Singh, N., Bhandari, P., & Lal, Y. A. (2024). AI-Powered Customer Segmentation For
Marketing.
Bloomenthal, A. (31. December 2022). Competitive Intelligence: Definition, Types, and Uses.
Načteno z Investopedia: https://www.investopedia.com/terms/c/competitiveintelligence.asp
Bozkurt, A. (2024). Tell Me Your Prompts and I Will Make Them True: The Alchemy of Prompt
Engineering and Generative AI. Anadolu University, Türkiye.
Černý, J. (2024). Prompt Engineering: Tactics and Techniques in Open-Source Intelligence.
Journal of Information Warfare. Načteno z Prompt Engineering: Tactics and Techniques in
Open-Source Intelligence: https://www.jinfowar.com/journal/volume-23-issue3/prompt-engineering-tactics-techniques-open-source-intelligence
Chen, B., Zhang, Z., Langrené, N., & Zhu, S. (2024). Unleashing the potential of prompt
engineering in Large Language Models: a comprehensive review.
IBM. (2024). IBM. Načteno z What is prompt engineering?: https://www.ibm.com/topics/promptengineering
Jennewine, T. (2. December 2024). Nasdaq. Načteno z Prediction: Nvidia Stock Will Soar in 2025,
and Not Just Because the AI Boom Is Building Steam:
https://www.nasdaq.com/articles/prediction-nvidia-stock-will-soar-2025-and-not-justbecause-ai-boom-building-steam#:~:text=nvda%20%2D1.81%25-
,Prediction%3A%20Nvidia%20Stock%20Will%20Soar%20in%202025%2C%20and%20N
ot%20Just,AI%20Boom%20Is%20Building%20Steam&
Meinke, A., Schoen, B., & spol., a. (2024). Frontier Models are Capable of In-context Scheming.
Mike, K. (15. December 2021). Marketing Artificial Inteligence Institute. Načteno z AI for
Competitive Intelligence: What You Need to Know:
https://www.marketingaiinstitute.com/blog/ai-for-competitive-intelligence
Poth, R. (2020). Implementation of Artificial Intelligence and Machine learning in Financial
services. International Journal of Engineering and Technology, 3186-3193.
Skill Upwards. (4. July 2023). Skill Upwards. Načteno z Top 7 AI Tools for Analyzing Social Media
Trends: https://skillupwards.com/blog/ai-tools-for-analyzing-social-media-trends
Taherdoost, H., & Madanchain, M. (2023). Artificial Intelligence and Sentiment Analysis: A
Review in Competitive Research. Artificial Intelligence Models, Tools and Applications
with A Social and Semantic Impact.
13
Walton, A. (8. May 2024). Competitive Intelligence Alliance. Načteno z What competitive
intelligence tasks is AI good for?: https://www.competitiveintelligencealliance.io/aicompetitive-intelligence-tasks/
White, J., & spol., a. (2023). A Prompt Pattern Catalog to Enhance Prompt Engineering with
ChatGPT.