Generativní AI může výrazně zlepšit produktivitu a konkurenceschopnost podniků. Musíme však realisticky zvážit rizika a omezení, které tato technologie přináší, a také podmínky pro její škálování.
Chatboti jsou dlouho považováni za jednu z aplikací umělé inteligence (AI) s největším potenciálem. Skutečnost, že robot jako ChatGPT má dnes schopnosti, které bychom u chatbota nikdy nepředpokládali, je výsledkem inovací superpočítačů pro umělou inteligenci. Tím, že superpočítače umožňují využívat AI ve velkém, dramaticky urychlují rozšiřování takzvaných velkých jazykových modelů, které jsou de facto pokusem o simulaci procesů probíhajících v našem mozku – obdoby neuronových sítí. Výsledkem jsou stále se zdokonalující schopnosti počítačů správně formulovat i složité věty v různých jazycích.
Až příliš lidský stroj
V důsledku toho jsme svědky rychlého vývoje – od původní myšlenky zpracování přirozeného jazyka k tomu, čemu se dnes říká generativní AI, se kterou dnes pracují už miliony lidí. Dnešní modely umožňují nejen konverzace v přirozeném jazyce, ale píší vědecké práce a hackerské instrukce, nacházejí chyby v kódu a vytvářejí obrázky ve stylu van Gogha.
To ale vytváří obavy a představuje pro společnost množství praktických, právních a etických problémů. Zjistili jsme, že stroj není jen lidský, ale dokáže být lidský až příliš: dělá chyby, lže s pokerovou tváří a jeho úsudky mohou být zaujaté. To bývá normální u prototypů jako například ChatGPT, ale ani další intenzivní trénink stroje nepovede k úplné dokonalosti.
Směrem k obecné podnikové inteligenci
Mnohé ze současných experimentů s generativní AI nesou překvapivé výsledky a odhalují obrovský potenciál této technologie pro optimalizaci podnikových procesů, zvýšení jejich produktivity a posílení jejich konkurenční výhody.
Mezitím se probírá a v praxi testuje celá řada využití. Jedná se například o klasickou funkci chatbota v zákaznickém servisu, zodpovídání odborných dotazů z právního oddělení nebo z oddělení vývoje a výzkumu. Velmi užitečná je AI při vytváření na míru šitých návodů pro odstraňování závad na výrobních zařízení, prostě při všech činnostech, které vyžadují logický opakovatelný postup a širokou analýzu vstupních dat.
Ale takové aplikace jsou pouze jednou fází na cestě k tomu, aby se AI rozšířila do celého podniku a jeho okolních procesů. Ve hře je AI, která by dokázala formulovat odpověď prakticky na jakoukoli otázku, například jaký je aktuální stav uvedení produktu na trh, jaké jsou relevantní změny v daňovém zákoně nebo jaká je vhodná reakce na geopolitické události.
Začít, nebo vyčkat?
V nedávném grafu životního cyklu AI od Gartneru, který byl zveřejněn před spuštěním ChatGPT online, byla očekávání vůči generativní AI na nejvyšším bodě. Za předpokladu, že jsme nyní dosáhli vrcholu, můžeme brzy očekávat období zklamání a pochybností, zda technologie skutečně dokáže naplnit naděje, které jsou do ní vkládány. Gartner předpovídá, že vrcholu produktivity generativní AI bude dosaženo během dvou až pěti let.
Takže si klademe otázku – je řešením implementovat AI hned, nebo vyčkat? To samozřejmě závisí na individuální inovační strategii, nicméně firmy, které chtějí zvyšovat svou konkurenceschopnost a inovovat, by rozhodně měly začít hned. Technologie sice nemusí být ještě ve všech ohledech vyzrálá, ale to mnohdy ani ostatní procesy uvnitř společnosti.
I když je kolem generativní umělé inteligence extrémní humbuk a podává zdánlivě dokonalé výkony, nesmíme opomenout, že její nasazení do podniku je velmi složitý proces – stejně jako u každého dalšího typu AI. Potřebujeme k tomu rozsáhlou sadu dovedností, množství příprav, procesů, technologií a nepřetržitý vývoj, aby mohla být být využita efektivně a udržitelně.
Generativní AI je jen špička ledovce
Implementace generativního AI do podniku obvykle začíná experimentálně – pilotními projekty a ověřováním předpokladů. Pokud je však cílem přejít z pilotního provozu na výrobu ve velkém, je třeba už na úplném začátku vzít v úvahu následující předpoklady a proměnné:
• Risk management: Rizika existují zejména v souvislosti s falešným obsahem a digitální suverenitou. Provozování modelu AI na soukromé infrastruktuře „on-premises“ pomáhá chránit obchodní tajemství a vyhnout se závislosti na cloudu. Samotný model musí umožnit vysvětlitelnost a ověřitelnost obsahu, který generuje. To znamená, že musí být možné obsah zpětně dohledat až k jeho datovým zdrojům. Tímto způsobem lze zachytit obsah generovaný umělou inteligencí, který nepochází z důvěryhodných zdrojů.
• Data maturity level: Iniciativa generativní AI přežije a rozšíří se pouze tehdy, pokud společnost dosáhne určité úrovně datové vyspělosti – tj. strategických, organizačních a technických schopností, které jí umožní vytvářet hodnotu z dat pomocí AI. Nedávný globální průzkum provedený společností HPE ukázal, že většina organizací musí ještě zapracovat na svých schopnostech, aby této úrovně dosáhla.
• Architektura a správa dat: Generativní AI se dnes obvykle využívá jenom ve specifických případech nasazení ve firmě, a i pro toto selektivní použití musí být průběžně trénována na firemních datech. Data tedy musí být snadno dostupná a v dostatečném množství a kvalitě. Při selektivním využití AI lze toto provést pomocí taktických datových souborů ušitých na míru jednotlivým pilotním projektům. Ale pokud se rozhodneme škálovat a rozšiřovat nasazení AI do celé firmy, je zcela nezbytné nasadit konzistentní celopodnikovou datovou architekturu a správu.
• Architektura hybridních platforem: Na centralizovaných superpočítačích s umělou inteligencí v cloudu lze spustit modelové trénování AI a ověřovat její výstupy (tj. reakce na události založené na trénovaném modelu). Existuje však řada důvodů, proč budou společnosti chtít zavést hybridní platformu, mezi jejíž výhody patří například snížení latence a posílení datové suverenity. Navíc, jak jsou školicí data stále více distribuována napříč lokalitami, podniky potřebují způsob, jak tato data agregovat bez centralizace, protože ta je příliš nákladná a pomalá.
• Integrace procesů: Při zavádění AI aplikací organizace často opomíjejí potřebu jejich integrace do stávajících provozních a technických procesů. To bývá hlavní důvod selhávání umělé inteligence při přechodu z pilotního provozu na produkční. Mezi relevantní procesy patří řízení životního cyklu aplikací a dat, důkladné zabezpečení a nasazení kontrolních procesů včetně řízení rizik.
Generativní AI nepřeceňujte ani nepodceňujte
S ohledem na extrémní trend AI však musí všechny zúčastněné strany k věci přistupovat s reálnými očekáváními. Nesmí ani přeceňovat, ani podceňovat schopnosti generativní umělé inteligence. Je schopna úžasných věcí, ale také dělá překvapivé chyby. To je opravdu výzva pro provozní bezpečnost a řízení rizik.
Říká se, že generativní AI je jako mít na dosah tisíce chytrých stážistů. To znamená, že už teď můžete dosáhnout obrovského zvýšení produktivity a čeká vás možná světlá budoucnost. Tento slib však bude splněn pouze tehdy, pokud společnosti strategicky investují do dalšího seberozvoje – a to jak do technologie, tak do schopnosti svých zaměstnanců s ní efektivně pracovat.
Autor: Jan Kameníček, Managing Director ve společnosti HPE
