Kromě samotné diskuse o nasazení metod umělé inteligence a strojového učení by příslušní specialisté i nejvyšší management podniků měly brát v úvahu také to, jak se příslušné technologie aktuálně mění a co lze očekávat v blízké budoucnosti. Několik trendů se v tomto ohledu pokouší zmapovat Lisa Morgan na InformationWeek. Klíčové je samozřejmě rozpoznat, jaké konkrétní nasazení AI je na trhu disruptivní a nakolik nové trendy mohou postavit na hlavu celý způsob podnikání dané firmy. Obecně lze samozřejmě říci, že technologie AI se stále vylepšuje, stává se cenově dostupnější a její potřeba roste, a to i mimo disruptivní scénáře.
K hlavním trendům má patřit stále dostupnější přístup low code a no code i pro oblast strojového učení a umělé inteligence. Zejména firmy, které nejsou zaměřeny přímo na technologie nebo speciálně software, mohou pro využívání umělé inteligence volit nějaký z těchto přístupů. Na druhé straně se jako možnost nabízí si vše koupit jako službu od specializovaného poskytovatele. V obou případech firma uznává, že sama nemá dostatečné kompetence a spoléhá se na černou skřínku (bez ohledu na to, že samotný software pro AI bývá obvykle open source).
Firmy by také měly pochopit, že obor se rychle transrormuje od vědy k inženýrství. Konkrétně to znamená, že se již podařilo dostat k fungujícímu systému algoritmů a dalších technik. Pokud jde o návratnost investic, důraz se proto přesouvá na datovou strategii, přípravu dat a jejich využití. Rozhodující pro úspěch projektu se také stává konkrétní implementace včetně detailů. Mimochodem, kvůli opomíjení těchto problémů prý stále selhává přes 80 % projektů nasazení AI.
Umělá inteligence také ve stále větší míře umožňuje vytvářet nová partnerství. Firmy prodávající potraviny a volně prodejné léky si např. prakticky nekonkurují, ale mají podobné zákazníky a snad i podobné strategie. Nemohly by sdílet data, respektive související analytické modely? Není výhodné některé věci získané pomocí umělé inteligence dále prodávat, nebo naopak využívat výsledků někoho jiného? Obecně rozšíření API zvyšuje možnost data sdílet, respektive automatizovaně využívat data třetích stran. Stejně tak by se ale firmy měly zaměřit na kvalitu vlastních dat spíše než na samotný objem.
Otázkou je i personální politika firmy. Vyplatí se zaměstnat odborníky na datové modely a příslušnou matematiku? (Viz výše v souvislosti s využíváním AI jako černé skřínky.) Nebo jinak, chcete-li nasadit AI třeba na sledování finančních toků, jaké specialisty k tomu vůbec vybrat? Více lidí s „parciálními“ dovednostmi?
Automatizace souvisejících činností znamená, že zaměstnanci se osvobodí od rutinní práce, budou se moci zaměřit na samotné podnikání, vývoj nových produktů a služeb, namísto údržby budou pro podnik přímo vytvářet přidanou hodnotu. Takhle se to alespoň hezky píše ve studiích analytických firem a tiskových zprávách dodavatelů technologií. Jenže co to konkrétně znamená? Pokud umělá inteligence uvolní dobře placeným specialistům ruce, co vlastně po nich firma bude dále chtít? (Třeba v případě samotné AI znamená automatizace to, že po lidech budeme namísto instalace systémů chtít větší důraz na tvorbu a testování modelů.) Např. v medicíně by již AI dokázala stanovit počáteční diagnostiku lépe než lidští specialisté, zdaleka nejde jen o speciální případy, jako je vyhodnocení rentgenového snímku. Co pak nadřízení určí jako práci odborníkovi?
Také ve strojovém učení / AI se vyplatí využívat edge computing. Některé modely lze třeba vyvíjet v prostředí edge a teprve výsledky pak nasadit v rámci celého ekosystému/cloudu apod. Sdílení dat napříč celým ekosystémem může být problém, pokud by se přesouvala data citlivá, která lze snadněji zpracovávat pouze u zdroje. Stejně tak může být vývoj na okraji výhodnější, pokud data generuje nějaký omezený segment Internetu věcí.
AI má samozřejmě přímý vztah ke kybernetické bezpečnosti, současně jako technologie obranná nebo útočná. Samotné systémy AI ale mohou být i cílem. V rukou útočníků lze jako trend očekávat např. snahu mást strojové učení generování/podvrhováním dat (k tomu lze opět používat umělou inteligenci, adversiální strojové učení se přímo zaměřuje tímto směrem).
Zdroj: InformationWeek a další