Je totiž podle nich třeba odlišovat realitu od sci-fi a naučit se umělé inteligenci rozumět a dobře s ní zacházet. Což zároveň neznamená popírat její rizika.
Na vstupních datech záleží
Jak se tedy s touto optikou postavit k umělé inteligenci ve firemní praxi? Především, umělá inteligence (Artificial Intelligence, AI) a její podoblast strojové učení (Machine Learning, umožňující počítačovým systémům učit se), o němž se hodně hovořilo, nejsou magické entity, které do firmy bleskově přinesou zázraky. Bez kvalitních vstupních dat, která jsou strukturovaná a pročištěná, firmu žádný sebedokonalejší algoritmus pro jejich zpracování nezachrání. Lidé z praxe, kteří vystoupili na konferenci New Media Inspiration 2018 (pořádá TUESDAY Business Network a Internet Info), se shodují na tom, že firmy, které sice sbírají velké množství dat, ale nic o nich nevědí, nerozumí jim, ani je nemají nijak strukturované, určitě nemohou očekávat, že za ně technologie všechno vyřeší.
Podle Jiřího Materny, který pracuje jako nezávislý konzultant pro strojové učení, pod hlavičkou Machine Learning College nabízí oborové vzdělávání a jako Machine Learning Guru také bloguje, se dá dokonce říci, že za 90 procenty úspěchu stojí data a jen 10 procent dodá dobře připravený algoritmus pro jejich zpracování.
Z neuronové sítě interpretaci těžko vyrazíte
Hodně firem žádá jako řešení pro svá zadání umělé neuronové sítě (výpočetní modely v rámci umělé inteligence, které se inspirují biologickými strukturami a ovládají paralelní zpracování dat), tvrdí také lidé z praxe. Odborníci ale varují, že pak firmy narážejí na potíže.
Jednou z nich je to, že neuronová síť sice podle zadání najde nejlepší řešení a podle konkrétních kritérií vygeneruje výsledek, čímž zrychlí a zautomatizuje rozhodování, ale interpretovat výsledekpodrobně bývá složité. Stroj nevysvětlí, proč k rozhodnutí dospěl,
uvádí Jiří Materna.
Přitom pro obhajobu výsledků jsou ve firemním prostředí a při komunikaci se zákazníky argumenty, podporující určité rozhodnutí, zpravidla potřeba. Může jít totiž například o situaci, kdy stroj rozhoduje na základě dat o zákazníkovi o tom, zda klient nějakou službu (typicky třeba půjčku nebo úvěr) dostane nebo nedostane. A prosté zamítnutí pak pro další komunikaci stačit nemusí.
Čtěte také: Vyfotíte a nakoupíte v e-shopu. Jak s chytrou novinkou pracují online obchody?
Pro firmy je tedy podle Jiřího Materny v každém případě nejdůležitější, aby porozuměly datům, která mají k dispozici, aby rozuměly principům strojového učení a identifikovaly problémy, které mohou strojem a pomocí algoritmů řešit. Spíše než aby na stroje vsázely bezhlavě, bezmezně jim věřily a investovaly do nich velké finanční prostředky.
Za vším stojí lidé
I když se může z určitého pohledu a na základě probíhajících debat zdát, že stroje spasí firmy, které se potýkají s nedostatkem lidí, podle expertů to tak jednoznačné není. Jak připomíná Tomáš Mikolov z Facebooku, i za takovými technologiemi, jako je hluboké učení a neuronové sítě, stojí manuální práce spousty lidí. Například těch, kteří připravují data pro strojové zpracování. Stroj pak dokáže generalizovat,
připomíná Tomáš Mikolov.
S tím, že největší úspěchy v oblasti strojového učení zatím vidí u rozpoznávání obrazů a řeči. Takovým příkladem je třeba stále vylepšovaný Google Translator, tedy online překladač. S ostatními odborníky i praktiky se ale Tomáš Mikolov v jednom shoduje: Pro úspěch jsou nutná vysoce kvalitní a vyčištěná data.
A jak dodává Jan Romportl z O2 Czech Republic, firmy, které myslí práci s daty vážně, k nim budou muset zaujmout skutečně vědecký postoj a investovat do data science finanční prostředky.
Strojové učení v podnikatelské praxi
Jiří Dobeš, Director of Business Operations z firmy GoodAI Applied, nabízí několik konkrétních příkladů skutečného využití strojového učení v podnikatelské praxi. V prvním případě se jedná o řešení pro společnost, která nabízí poradenství pro zájemce o nákup diamantů. Hodnocení čistoty kamenů, které je důležité pro určení jejich odpovídající ceny, dosud prováděli lidé. V GoodAI Applied vyvinuli řešení, kdy čistotu diamantů hodnotí stroj. Vstupními daty jsou přitom v tomto případě fotografie kamenů.
Dalším příkladem je výrobní firma, která potřebovala podle zvuku rozpoznávat stav přístrojů a jejich případné poruchy. Zatím se také jednalo o věc, kterou měl na starosti konkrétní člověk. Firma však chtěla kontrolu zautomatizovat. Stroj se v tomto případě musí naučit pracovat se zvukem a jeho učení probíhá s pomocí zvukových nahrávek. Třetím klientem je zdravotní pojišťovna, v níž by měl stroj ulehčit práci revizním lékařům, a dalším zpracovatel platebních transakcí z karet. V posledním případě je třeba překonávat překážku, kterou je náhodnost chování zákazníků – stroj totiž potřebuje objevit v chování zákazníků nějaký algoritmus, pravidlo.
Čtěte také: Sledují zaměstnance za volantem pro zlepšení jeho řidičského umu. Co na to GDPR?
Možnosti strojového učení přenášejí do praxe i ve startupovém studiu CEAI. Podle Martina Vejmelky se tu soustředí na zakládání startupů zaměřených na řešení zásadních globálních problémů. Rozjeli tedy firmu zaměřenou na řešení, které bankám usnadňuje splnit jejich povinnosti související s bojem proti praní špinavých peněz, nebo startup, jenž řeší pojištění proti kybernetickému napadení. Další startup vyvíjí technologii na automatické odhadování cen nemovitostí a ještě jiný se soustředí na medicínskou oblast, konkrétně na akceleraci klinických studií. V hledáčku mají i pojištění související s globálním oteplováním, pojištění logistické infrastruktury nebo vývoj řešení, jež by mělo pomáhat lidem trpícím bipolární afektivní poruchou.
V CEAI se přitom zajímají také o to, jaké bude mít jejich řešení, kdy část lidské práce převezme stroj, dopad na lidi. Budeme sledovat, co se následně se zaměstnanci děje. Zda je zaměstnavatel přesune na jinou práci nebo propustí,
tvrdí Martin Vejmelka a poukazuje na přístup, který se zaměřuje i na téma firemní zodpovědnosti.
Jan Janča z firmy Gauss Algorithmic pak podnikatelům, kteří uvažují o využití strojového učení pro posun svého byznysu, doporučuje: Zvažte svůj vztah k riziku a touhu i nezbytnost zavádět inovace, vzhledem k výkonnosti stávajícího business modelu.
Pokud se chce firma přeci jen do strojového učení pustit a investovat do něj nemalé finanční prostředky, radí začít menšími a dobře definovanými projekty. Na nich lze totiž v konkrétním čase ověřit reálnost hypotéz a návratnost investic,
říká.
Filozofické vzdělání se i ajťákům vyplatí
I když se i tentokrát diskutovalo o tom, zda je umělá inteligence příležitostí nebo hrozbou, a těžko se u tohoto tématu lidé s různým myšlenkovým zázemím shodnou, ukazuje se i to, že stroje mohou nakonec pomoci lidskou práci skutečně ocenit. Jak uvádí Ondřej Veselý, který nyní pracuje pro Kiwi.com, ale má také zkušenost ze svého vlastního startupu FlowerChecker, zaměřeného na rozpoznávání rostlin: Za lidskou práci jsou lidé ochotní platit víc než za strojovou. Jen jim ji musíte umět prodat.
Odráží to právě zkušenost s klienty z jeho vlastního projektu.
Čtěte také: 10 kroků pro vytvoření bezkonkurenční case study
Nejvíce optimistický pohled je takový, že se lidé s technologiemi zbaví nudné a monotónní práce, budou mít více času a budou se více věnovat tomu, co je baví a naplňuje, kde ve větší míře využijí svou tvořivost. Avšak s tak optimistickým pohledem na technologie, jejich vývoj a využití důrazně polemizuje Patrick Zandl z CZ.NIC. Stejně jako s přísně střízlivým, jen ryze prakticky orientovaným a utilitárním chápáním AI. Navrhovat AI bez vzdělání ve filozofii je jako programovat a neznat algoritmy,
tvrdí a zasazuje vývoj umělé inteligence do filozofického a náboženského kontextu, v němž lidé v průběhu historie chápali lidství a lidské nároky. A jehož znalost je dnes podle něj pro fundované uchopení celé problematiky AI nezbytná.
ČLÁNKY DO MAILU