Výzkum společnosti Gartner říká, že do roku 2030 bude 80 % úkolů v oblasti řízení projektů zpracováváno umělou inteligencí. Jaký bude procentuální podíl projektů využívajících AI k plnění úkolů – to se teprve uvidí. Nicméně už nyní stojí za to zvážit, jak integrovat AI do operační strategie společnosti.
Prvním krokem je pochopit potenciál a omezení této technologie. Umělá inteligence si dobře poradí s analýzou trendů a vzorců, ale selhává v oblastech jako je vícestupňové uvažování a morální rozhodování. Vytváří senzacechtivé vizuály, ale dosáhnout toho, aby konzistentně generovala materiály, které odpovídají image značky, vyžaduje značné dovednosti. Proto, když začínáme pracovat na projektu AI, nemůžeme s pravděpodobností srovnatelnou s jinými projekty předpokládat, zda přinese konkrétní, měřitelné výsledky.
Dobrou výchozí pozicí je proto analyzovat klady a zápory:
Abychom dosáhli důvěryhodné odpovědi na tyto otázky, je nejlepší vybrat jednoduché projekty AI, které přinášejí značnou hodnotu, jsou snadno měřitelné a zapadají do strategie společnosti. Příkladem může být startup nabízející kurýrní služby. Jeho cílem je zlepšit zákaznický servis a zvýšit flexibilitu dodavatelského řetězce. Jednoduchým, ale cenným projektem AI je například implementace chatbota, který zpracovává dotazy zákazníků. Takový virtuální asistent zvládne více požadavků než tradiční call centrum, což zvyšuje spokojenost zákazníků díky rychlým odpovědím na dotazy a konzistentní kvalitě komunikace. Naopak pokročilý systém, který optimalizuje trasy kurýrů, splňuje cíl zlepšení flexibility dodání, ale je složitý a má mnohem vyšší rizika.
Jakmile byly určeny počáteční projekty AI, měl by startup posoudit jejich proveditelnost, například z hlediska rozpočtu, do kterého by se projekt AI měl vejít.
Implementace hotového řešení SaaS nebo AI jako služby (AIaaS), nebo takzvané “hotové AI”, má mnoho výhod. Jednou z nich je předvídatelná cena za používání nástroje a relativně snadno odhadnutelné náklady na implementaci projektu AI. Můžete si vybrat z řešení, jako jsou:
U projektů AI většího rozsahu mohou být jejich náklady často podceňovány. Zvláště pokud jde o zdroje a čas potřebný na sběr a přípravu dat. Například podle Arvinda Krishny z IBM může fáze přípravy dat pro učení AI představovat až 80 % doby trvání projektu.
Zdroj: DALL-E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)
Navíc, čím více vyžadujeme personalizované modely AI pro projekt, tím více kvalitativních dat musíme shromáždit. Například hluboké neuronové sítě pro učení vyžadují stovky tisíc příkladů. To zvyšuje náklady na získání a čištění tak obrovských datových sad. Naštěstí rychlý rozvoj umělé inteligence znamená, že stále více projektů AI může být realizováno bez nutnosti nákladného učení vlastního modelu.
Nicméně, společnost plánující projekt AI by měla zvážit nejen fázi vývoje řešení, ale také přípravu dat a pokračující provoz systému, včetně nákladů na údržbu, aktualizaci nebo sběr nových dat. Teprve poté můžete posoudit skutečnou návratnost investice do AI.
Klíčovou výzvou v projektech AI jsou data – jejich dostupnost, množství a kvalita. Co tedy dělat? Před zahájením projektu AI je třeba:
Obvyklým problémem je, že data jsou rozptýlena napříč několika systémy a formáty. Může být obtížné je sloučit, vyčistit a připravit pro učení AI. Dobrou praxí je, aby tým AI úzce spolupracoval s IT oddělením nebo datovými analytiky. Společně by měli zajistit, že je zajištěna správná infrastruktura a procesy pro získávání dat.
AI není jen o algoritmech strojového učení. Aby fungovaly v praxi, je potřeba celá IT infrastruktura. Mezitím může být integrace nových systémů AI se stávajícími systémy společnosti náročná. Často to vyžaduje přizpůsobení starších obchodních systémů, což pro mnoho společností znamená značné náklady na upgrade.
Kromě toho projekty AI vyžadují odborné znalosti v oblasti datové vědy a datového inženýrství. Mezitím se ve světě projevuje nedostatek specialistů v této oblasti. Podle zprávy McKinsey “Technology Trends Outlook 2023” je poměr pracovních inzerátů k dostupným specialistům 7 ku 100 a poptávka neustále roste.
Problém bezpečnosti dat také není zanedbatelný. Systémy AI zpracovávají obrovské množství citlivých informací, které musí být řádně zabezpečeny proti úniku. Mezitím se v posledních letech výrazně zvýšil počet úniků dat. To je tedy další důležité riziko, které je třeba mít na paměti při implementaci projektů AI.
Obvyklou překážkou při implementaci projektu AI může být slabé znalosti umělé inteligence mezi manažery a obchodními rozhodovateli. Bez hlubokého porozumění schopnostem technologie je obtížné posoudit životaschopnost konkrétních projektů a činit rozumná rozhodnutí. Proto je nezbytné investovat do zlepšení znalostí manažerů v oblasti nových technologií.
Pomoci může také rekvalifikace stávajících zaměstnanců. Čím dál více se hovoří o takzvaných “občanských datových analytikách” (“Citizen data scientists”). Tito specialisté využívají špičkové technologie k řešení konkrétních obchodních problémů, kterým čelí každý den. Jsou velmi znalí v oboru, ve kterém pracují. Tím, že jsou součástí týmu pracujícího na projektu AI, umožňují specialistům AI soustředit se na implementační problémy tím, že odpovídají na otázky specifické pro daný obor.
Kromě technických dovedností, jako je hodnocení doporučení AI a rozhodování, jsou důležité také měkké dovednosti, včetně vedení a strategického myšlení. To je další způsob, jak řešit nedostatek dovedností v oblasti AI ve firmách.
Na internetu koluje nepodložená (a pravděpodobně nepravdivá) fáma, že až 87 % projektů AI nikdy nedosáhne fáze produkce. I když jsme nebyli schopni získat spolehlivé studie úspěšných projektů, je klíčové včas definovat způsoby měření úspěchu pro posouzení skutečného dopadu implementace AI.
Dobrou praxí je zde experiment v malém měřítku. Ten zahrnuje testování výkonu AI, například na náhodném vzorku uživatelů a porovnání výsledků s kontrolní skupinou používající standardní řešení. Takový A/B test vám pomůže ověřit, zda nový systém AI může přinést očekávané výsledky, jako je zvýšení konverzí nebo spokojenosti zákazníků.
Zdroj: DALL-E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)
A/B testování stojí za to opakovat periodicky i po implementaci AI, protože modely mohou ztrácet přesnost a relevanci při řešení problémů. To vám umožní rychle identifikovat vznikající anomálie a potřebu kalibrace systému, aby nadále přinášel očekávané obchodní výsledky.
Zatímco AI nabízí obrovské příležitosti, projekty v této oblasti nesou značné výzvy. Abychom uspěli, musíme realisticky posoudit náklady a přínosy AI, postarat se o získávání a kvalitu dat, rozvíjet interní kompetence a vsadit na postupnou implementaci nových technologií. Je také zásadní měřit hmatatelný obchodní dopad implementací a rychle reagovat na vznikající problémy. Teprve poté se AI stane posílením, nikoli hrozbou pro společnost.
Pokud se vám náš obsah líbí, připojte se k naší komunitě včelích pracovníků na Facebooku, Twitteru, LinkedInu, Instagramu, YouTube, Pinterestu, TikToku.
Odborník na JavaScript a lektor, který školí IT oddělení. Jeho hlavním cílem je zvýšit produktivitu týmu tím, že učí ostatní, jak efektivně spolupracovat při programování.
Společnosti se potýkají s řízením obrovského množství obsahu publikovaného online, od příspěvků na sociálních médiích…
V éře digitální transformace mají společnosti přístup k bezprecedentnímu množství dat o svých zákaznících –…
Věděli jste, že můžete získat podstatu několika hodinového záznamu ze schůzky nebo rozhovoru s klientem…
Představte si svět, kde vaše firma může vytvářet poutavá, personalizovaná videa pro jakoukoli příležitost, aniž…
Aby plně využily potenciál velkých jazykových modelů (LLM), musí společnosti implementovat efektivní přístup k řízení…
V roce 2018 se Unilever již vydal na vědomou cestu k vyvážení automatizace a rozšiřování…