Přinášíme vám pravidelné shrnutí zajímavých článků z odborného tisku a specializovaných webů. Pro členy Asociace máme k dispozici podrobnější rozbor obsahu. Přihlášení zde.
Návratnost umělé inteligence a její skryté náklady
CIO Business World 01/2021, Vít Petrjanoš, str. 26-27
V současné době je investice do umělé inteligence nejenom otázkou návratnosti, ale také nutností k tomu, aby firma přežila. Mnoho podniků a organizací působících v různých odvětvích chce, aby jejich CRM systémy, chatboty nebo aplikace pro předpovídání zásob a pro logistiku mohly využívat umělou inteligenci. Aby to bylo možné, manažeři odpovědní za nasazení tohoto softwaru musí vykázat pozitivní vliv těchto opatření na chod firmy. Jak tedy odhadovat a měřit návratnost AI projektů? Nejdříve by si měli manažeři AI zodpovědět čtyři otázky. První otázkou je jakou obchodní komplikaci se snažím vyřešit, tedy vzít si skutečný, na začátku malý obchodní problém a na něm ukázat, jak nové řešení pomůže s jeho řešením. Druhou otázkou je to, zda nové řešení daného problému poskytuje konkurenční výhodu. Jinak by docházelo ke ztrátě času, kapitálu a zdrojů. Třetí otázkou je jaký má daný projekt vliv na náklady? Aplikace AI může firmě šetřit čas a zdroje, pokud ale stojí dvakrát tolik v lidském kapitálu, výpočetních prostředcích nebo jiných zdrojích, nemusí být potom zdrojem návratnosti investic. Čtvrtou otázkou je jakou rychlostí lze dospět k očekávaným přínosům (speed to value). Přínosy by měly přijít brzy a často. Je nutné kontrolovat, že jednotlivé funkce systému se uskutečňují včas. Je nutné také přemýšlet o skrytých nákladech. Takovým skrytým nákladem může být získání tréninkových dat. Ne všechny data jsou vhodná pro nasazení umělé inteligence. Získání vhodných dat z externích zdrojů může být velmi nákladné. Náklady na přípravu a označení dat je další položkou, kde se mohou zvednout náklady. Před začátkem trénování dat v AI je nutné se ujistit, že data jsou správná, přístupná, vyčištěná a označená. Pro tvorbu AI řešení, existuje celá řada možností. Ať už open source nebo komerční nástroje je třeba vyzkoušet a popřípadě hlídat u komerčních řešení skutečné náklady. Více nákladů si vyžádá i nevhodně fungující tým. Měřitelná návratnost investic je pro každou firmu jiná, ale je nezbytná.
Inteligentní automatizace je budoucností RPA
CIO Business World 01/2021, Clint Boulton, str. 28
RPA transformuje podnikové procesy ve všech odvětvích činností tím, že zjednodušuje zadávání dat a jiné nenáročné činnosti. Spojením strojového učení s umělou inteligencí vzniká inteligentní automatizace (IA). Tato chytřejší verze RPA, je schopná se naučit celé podnikové procesy v kontextu. Inteligentní automatizace využívá algoritmy schopné zvládat úkoly jako ošetřování výjimek, koordinace rozhodování nebo zapojení do konverzačních rozhraní. Budoucnost s IA umožní přesunout zaměstnance a přeorientovat investice na inovace, zlepšení UX nebo zvyšování efektivity provozu. Holistická IA bude schopná koordinovaně zpracovávat stovky až tisíce událostí v podnikových procesech. Například společnost Automation Anywhere, která již nasadila v různých podnicích přes dva miliony RPA systémů, nyní zkouší u vybraných klientů řešení Discovery Bot, které s využitím ML a AI zachytává a analyzuje činnosti uživatele s cílem odhalit repetitivní úkony při práci s různými podnikovými aplikacemi. První výsledky ukazují až 80 % repetitivních úkonů, které lze zautomatizovat a které nebyly dřívější RPA odhaleny. Nové IA řešení se také využívá ke zlepšení způsobu, jakým softwarový robot vidí obraz na monitoru počítače a jak extrahuje informace z dokumentů ke zpracování. Takový robot je vybaven počítačovým viděním využívajícím ML, optickým rozpoznáním znaků a technikou vyhledávání nepřesné shody (fuzzy matching). Díky tomu systém umí automaticky rozpoznávat prvky aplikace a dělat příslušné úkony. Takové řešení nabízí firma UiPath. Ta také zdokonaluje schopnost svých robotů číst dokumenty. Díky kombinaci čtení údajů a extrakci dat pomocí pravidel je robot schopný rozpoznat strukturované, nestrukturované a částečně strukturované datové prvky. Tak zpracovává dokumenty podobným způsobem jako člověk. Automatizace se jeví jako nezadržitelný trend, a to jak ovlivní pracovní místa a v jaké míře se rozšíří je věcí prognóz.
Přínosy center excelence pro AI
COMPUTERWORLD 02/2021, Maria Korolov, str. 21-24
První centrum excelence pro AI (AI CoE) otevřela firma Shell v roce 2013 za účelem prediktivní analytiky. Podporovalo firemní oddělení pracující na projektech s potřebou analýz. Postupem času se ukázala potřeba vytvořit společné standardy a shodné platformy pro přístup k datům a rozvíjet procesy pro garanci výsledků v celé firmě. AI CoE tak zahrnulo i personál s hlubšími a specializovanými dovednostmi. Organizace, které chtějí dosáhnout úspěchu projektů umělé inteligence ve velkém měřítku, je klíčové zavést centralizovaný přístup jak pro technologie AI, tak pro výběr jejich dodavatelů. Centra excelence mohou společnostem pomoci vytvářet prototypy projektů, ověřit koncepty a poté nasadit AI ve velkém měřítku. Společnost QTS, která poskytuje řešení datových center, si vytvořila vlastní centrum excelence AI, svoji inovační laboratoř. Díky ní došlo k digitalizaci procesu kontroly zařízení v budovách QTS po celém světě, kterou dříve zajišťovali osobně zaměstnanci společnosti. Díky tomu má tato společnost kompletní digitální evidenci svého provozu. Získaná data jsou použita k předpovídání požadavků na odběr elektrické energie, k optimalizaci údržby a ke snižování uhlíkové stopy. Výhody nejsou jen pro interní účely, stejné prediktivní nástroje pomáhají u zákazníků odhadnout výpadky, poruchy a spotřebu energie. Společnost Ernst & Young založila svoje globální centrum excelence v roce 2016. Umělá inteligence pomáhá s řešením problémů globální finanční kriminality, komplexních daňových práv a nařízení nebo dopadem digitální transformace. AI dokáže identifikovat podezřelé vzorce chování a je vidět, jak se síť chová jako celek. Jakmile AI CoE vytvoří interní základnu znalostí a společné platformy, následuje další fáze a tou je sdílení osvědčených postupů v rámci celé společnosti. AI není limitováno organizačními hranicemi. Příkladem může být strojové vidění nebo prediktivní údržba. Vytvořením AI CoE a zaváděním osvědčených postupů do celého podniku získávají organizace lepší schopnost zjišťovat nové poznatky z pilotních projektů AI. To výrazně napomáhá transformaci způsobu fungování podniku. Taková proměna také vyžaduje více zaměstnanců, kteří jsou schopní s novými technologiemi pracovat. Centrum AI CoE může pomoci koordinovat veškerý personál firmy, který má zájem o práci s AI, což zlepšuje a zrychluje přijetí AI v podniku. Nasazení AI se samozřejmě neobejde bez rizik. Změna způsobu podnikání může zasáhnout zaměstnance, klienty, akcionáře a obecnou populaci. Vždy je dobré zhodnotit všechny aspekty přechodu na technologie AI.
MLOps: Lepší provozování strojového učení
COMPUTERWORLD 02/2021, Isaac Sacolick, str. 26-27
Správa a provoz datových modelů se začíná označovat termínem MLOps, jedná se o soubor kulturních, metodických a technologických aspektů potřebných k vytvoření a údržbě modelů strojového učení. Správa dat v produkčním prostředí může být náročná. Je nutné rozpoznávání posunu modelů a jejich opětovné trénování s využitím aktualizovaných datových sad. Také se musí zlepšovat výkon a udržovat nosné technologické platformy. Bez těchto disciplín mohou modely produkovat chybné výsledky, které ovlivňují celkový dopad jejich nasazení. Vytvoření a spravování modelů připravených pro produkční prostředí není snadné ani pro zdatné týmy datové vědy. Správu a provoz modelů mohou usnadnit platformy a knihovny jako open source MLFlow a DVC a komerční nástroje od společností Alteryx, Databricks, Dataiku, SAS, DataRobot, ModelOp a jiných. Poskytovatelé veřejných cloudů také sdílejí postupy jako je MLOps od Azure. Pro dobrou správu a provoz je nutné sjednocení metod vývoje softwaru s vědeckými metodami. Modely strojového učení jsou ve své podstatě softwarový kód vyvinutý v jazycích jako je Python a R, s využitím knihoven strojového učení jako je TensorFlow nebo PyTorch. Jsou provozované na platformách jako Apache Spark a nasazené v cloudové infrastruktuře. Tento vývoj a provoz vyžaduje optimalizaci, experimentování, nepřetržitou údržbu a vylepšování. Posun modelu se objevuje, pokud s výskytem nových dat dojde u předpovědí, shluků, segmentací a doporučení poskytovaných modely strojového učení k odchylce od očekávaných výstupů. Aby bylo možné zjednodušit vývoj modelu, musí datoví vědci vytvořit solidní popis problému, je potřeba si klást otázky týkající se big data investic do DataOps. Poté přichází na řadu agilní metodiky pro iterace při hledání řešení. Přesná definice problému je důležitá i pro průběžnou správu a monitorování modelů v produkčním prostředí. K novým funkcím v oblasti MLOps patří v současné době například možnost spouštět více experimentálních modelů současně a kontrolovat přesnost produkční verze. Také vznikl nový Analytics Hub, který má nabídnout týmům datové vědy pomoc se spoluprací a sdílením dat.
Budoucnost přišla kvůli covidu rychleji
IT Systems 03/2021, Karel Beran, str. 14-15
Rok 2020 jasně ukázal naprostou nevyhnutelnost digitalizace pro všechna odvětví a obory, které chtějí dlouhodobě přežít a prosperovat. Úspěch zaznamenaly společnosti, které byly připravené komunikovat a prodávat produkty a služby plně digitální cestou. Změny v chování zákazníků se dotkly i bank, které měly zcela uzavřené, nebo jen v omezeném režimu fungující pobočky. Současná situace v bankách významně urychlila dlouhodobé trendy digitalizace a automatizace. Řešením je implementace moderní digitální bankovní platformy, která bance umožní integrovat bankovní služby a data roztříštěná nejen skrze bankovní IT systémy, ale často skrze celé finanční skupiny, a poskytnout je ve sjednocené a konzistentní podobě jednotlivým digitálním aplikacím. Technologie umělé inteligence a strojového učení nacházejí v bankovnictví už delší dobu široké uplatnění. Pomáhají s detekcí hackerských útoků a finančních podvodů, s úvěrovým hodnocením klientů, výběrem vhodného produktu pro každého jednotlivého klienta a prostřednictvím samoučících chatbotů často zajišťují i samotnou komunikaci s klienty. Banky mohou technologie AI a strojového učení využít ve všech fázích práce s klienty. Prvním krokem je získáním klienta v digitálním prostoru, a to způsobem, který klienta neodradí a vyžaduje na jeho straně co nejméně času a úsilí. Pokud jde o komfortní obsluhu klientů, mohou banky celou řadu procesů svěřit pokročilým technologiím a dosáhnout tak produktivity, ale také vyšší rychlosti reakce na požadavky klientů a menší chybovosti. Běžné, opakované dotazy nebo servisní úkony mohou zajistit chatboti využívající technologie AI, ve spojení s programy pro robotickou automatizaci procesů. Kombinace analýzy velkých dat a umělé inteligence také umožňuje ve větším měřítku nasazovat vysoce personalizovaný přístup ke klientům. I přesto, že dnes mají banky o svých klientech k dispozici obrovské množství dat, zatím je využívají jen v minimální míře. Výhodu získají banky, která zvládnou rychle uvádět nové služby, obsluhovat svoje klienty prostřednictvím kanálů, které zákazníci preferují, a přitom si udržet nízké náklady a vysokou efektivitu. Klientům dnes může spravovat investiční portfolia robot, který nejen že pracuje nonstop a s nižšími náklady, ale díky lepším algoritmům, vyšší rychlosti, přístupu k datům a absenci emocí dosáhne také lepších výsledků. Umělá inteligence a strojové učení otevírá příležitost poskytovat klientům služby prostřednictvím dalších kanálů, jako jsou hlasové asistenční systémy, které pronikají do stále více domácností. Digitální bankovním platforma musí v dnešní době umožnit především dokonalé poznání klienta nejen na základě analýzy jeho transakcí, ale především jeho chování v digitálním prostoru, aby mu banka byla schopná nabídnout ve správný čas a na správném místě ten nejvhodnější produkt nebo službu, a neobtěžovala zbytečnými nabídkami.
Efektivní digitální onboarding je počátkem dobrého a dlouhodobého vztahu se zákazníkem
IT Systems 03/2021, Ondřej Vaněk, str. 30-31
Digitální onboarding je proces, pomocí kterého se stávají součástí zákaznického kmene určité společnosti, aby si mohli sjednat její služby či produkty. Tento proces přináší výhody také společnostem. V něm zahrnuté společnosti nabízejí příležitosti, jak pojmout onboarding komplexně, tedy jako proces, během kterého mohou pomoci poznat zákazníka, zjistit o něm více informací a nabízet mu další služby či produkty na míru jeho potřebám na základě dat, která společnost sesbírala. To vše v řádu vteřin, maximálně minut a za co nejlepší zákaznické zkušenosti. Příchod pandemie umocnil nároky zákazníků na pohodlný onboarding. Zákazníci očekávají, že onboarding zvládnou pomocí jedné aplikace, z jakéhokoliv elektronického zařízení a během chvíle. Proto je dobré k onboardingu přistupovat holisticky, pomocí přístupů a nejmodernějších technologií tak, aby byl pro zákazníka co nejpřívětivější. Proto je nutné využití umělé inteligence. Vzdálený onboarding, při kterém zákazník nemusí navštívit kamennou pobočku společnosti, je v době covidu nutností. Ve finančním sektoru onboarding vyžaduje identifikaci a případně doložení dalších dokumentů, které je následně potřeba projít a ručně zadat potřebné údaje do systémů. Systémy založené na optickém rozpoznání znaků (OCR) a zpracování přirozeného jazyka (NLP) tyto procesy přebírají a dokumenty ihned zpracují. Výstupem jsou data ve strojově čitelném formátu, která jsou připravená k dalšímu zpracování. Ať už u společnosti hledá zákazník cokoliv, mnohdy při onboardingu nebo vyplňování složitějších dokumentů využívá virtuálního asistenta nebo chatbota, který mu s daným úkonem pomůže. Chatboti dokážou interagovat a vyhodnotit, na co se uživatel ptá, a sestavit a odeslat mu relevantní odpověď. To vše díky propojení vrstvy asistenta/chatbota s vrstvou porozumění, pro kterou jsou esenciální kvalitní data, ze kterých se asistent učí. Pro společnosti jsou zásadní data. Čím víc dat, tím lepší obraz mohou společnosti mít a zároveň se mohou efektivněji rozhodovat v celkovém kontextu. Zároveň data slouží k upravování a vylepšování digitální zkušenosti s danou společností. Vždy se tak vyplatí mít na data holistický pohled, v případě zákazníků jde o tzv. zákazníka 360. Na základě online i offline dat může vzniknout obraz sloužící k následnému vytváření personalizovaných interakcí během životního cyklu zákazníka. Kromě nabídek na míru umělá inteligence významně pomáhá také při upsellu (přístup, při kterém prodeje nabízí zákazníkovi ke koupi dražší verze zboží nebo služby, nebo upgrade) a cross-sellu (techniky prodeje souvisejícího zboží nebo služeb doplňující ty, které již zákazník má).
Budoucnost je v RPA
IT Systems 03/2021, Viktoria Bracjunová, str. 32-33
Digitalizace, robotizace a automatizace se staly nezbytnou součástí strategického uvažování všech manažerů a podnikatelů, kteří neustále hledají rezervy ve firmách, aby neztratili konkurenceschopnost. Jedním z odvětví, které všudypřítomná digitalizace, je segment e-commerce. E-shopy řeší zejména administraci v rámci objednávek. Jedná se o jejich storna, vrácení peněz zákazníkům i vlastní doručování zboží. RPA má tu výhodu, že při budoucích sezonních náporech v rámci vánočních nákupů či black friday se dá pouhým klikem počet robotů navýšit a následně zase snížit. Využití RPA se nabízí i v komunikaci v kontaktních centrech. Prostřednictvím softwarových robotů je možné napojit se na jakékoli kontaktní centrum nebo komunikační kanály, které dané kontaktní centrum využívá (mail, voice/IVR, chat), a automatizovat procesy v následujících oblastech. Jakmile robot dokončí veškeré činnosti, pošle kompletní výkaz s informacemi o tom, jaké aktivity prováděl. Žádné informace se neukládají, takže citlivé údaje zůstávají ve firmě. Pracovníci kontaktních center se také často setkávají s požadavky na ověření dostupnosti určitých produktů na skladě nebo v prodejnách. Pracovník během komunikace se zákazníkem zapíše název produktu, o který má zákazník zájem. Robot ihned po zaevidování této informace vstoupí do systému a produkt vyhledá. Pracovníkovi pak do několika sekund zobrazí dostupnost na skladě a v jednotlivých provozovnách. Při výběru RPA je potřeba si položit 5 otázek. První je jakou technologii použít? Je nutné vybrat si nejen dodavatele, který provede samotné nasazení RPA, ale zajistí i softwarovou technologii, na které bude řešení postavené. Druhou otázkou je jaký typ dodavatele vybrat? Existují konzultační společnosti, softwarové firmy nebo systémoví integrátoři. Ideální volbou je dodavatel, který nabízí možnost konzultací k optimalizaci podnikových procesů a zároveň má vynikající vývojářské a integrační kapacity, díky kterým dokáže zvládnout případné technické problémy a sladit automatizaci s už používanými informačními systémy a aplikacemi. Třetí otázkou je, jak RPA provozovat? Je nutné rozhodnout, jak se má software provozovat a jak se za něj bude platit. Čtvrtou otázkou je, jak zajistit rozvoj a údržbu RPA? Je potřeba sledovat přístup dodavatele. Je rozdíl, když postupuje výhradně podle zadání zákazníka, nebo se snaží procesům detailně porozumět a analyzuje, co se stane po automatizaci v kontextu jiných procesů. Stejně důležité je otestovat celé řešení v různých scénářích ještě před předáním. Pátou otázkou je, jak při automatizaci nakládat s daty v souladu s legislativou? Při výběru RPA je proto potřeba zjistit, jestli může dodavatel prokázat, jaké činnosti robot během procesu provádí, a případně poskytnout potřebné relevantní záznamy. Zároveň je důležité, aby na projektu pracovaly firmy, které mají k dispozici vývojáře certifikované podle standardů používané technologie. Dodavatel by měl navíc garantovat, že se žádné údaje bez vědomí zákazníka trvale neuchovávají na místě, kde by mohl hrozit jejich únik nebo zneužití.
Od šanonů až po umělou inteligenci
IT Systems 03/2021, Iveta Hutníková, str. 56-57
V posledních letech se v oblasti HR nich prosazují takzvané ATS, tedy Applicant Tracking Systems. Jde o online nástroje, kde má personalista k dispozici vše v jednom a přehledně. Nemusí tak neustále překlikávat mezi různými tabulkami, dokumenty, weby, databázemi a podobně. V ATS si vytváří jednotlivé pracovní inzeráty, ty pak dále jednoduše publikuje na firemním webu či různých pracovních portálech. Do ATS následně přicházejí veškeré odpovědi uchazečů včetně jejich životopisů a motivačních dopisů. Probíhá zde i veškerá další komunikace s nimi, přičemž řada kroků se dá zautomatizovat. Personalisté prostřednictvím ATS uchazeče hodnotí a komunikují o nich se svými kolegy. Zájemcům o práci zde můžou zadávat různé testy, například jazykové či psychodiagnostické nebo jim poslat videodotazník . Poté zde recruiteři uchazeče posouvají do dalších kol výběrového řízení až do vybrání vítěze. Pokročilé ATS aplikace také pomáhají rychle zanalyzovat a protřídit došlé životopisy. Personalista si zvolí prioritní požadavky. Systém pak například ze 100 životopisů obratem vybere ty, které požadavky splňují. Tyto aplikace také pomáhají personalistům a manažerům dostát nelehkým nárokům doby na skvělou „candidate experience“, tedy zkušenost každého jednoho kandidáta z celého procesu výběru. V oblasti ATS se vývoj nezastavil, běží rychle dál, a to v několika směrech. Například se v náboru prudce rozvíjí používání chatbotů, kteří se stávají čím dál důležitější součástí zmíněných ATS systémů. Jde de facto o automatizovanou komunikaci s lidmi prostřednictvím umělé inteligence. V jednoduché a výhradně textové (chatovací) podobě se chatboti používali již dříve. Teď už komunikují i hlasem a dokážou toho daleko víc než předtím. Najít údaje, dokumenty, informace, zodpovědět časté dotazy. Dnes už chatboti někdy domlouvají i přijímací pohovor včetně rezervace času schůzky v kalendáři personalisty. Začínají také pomáhat s prescreeningem kandidátů. Dalším významným projevem automatizace je postupné využívání umělé inteligence při vytěžování dat o uchazečích z dostupných online zdrojů, jako jsou sociální sítě. Je také důležité mít k dispozici kvalitní data týkající se celého procesu náboru. S tím výrazně pomáhají moderní automatizované systémy. Firmy jejich prostřednictvím zjišťují, jak dlouho jim trvá obsadit tu kterou pozici. Také chtějí získat od uchazečů zpětnou vazbu. Rovněž tato data firmám usnadňují plánovat zdroje v rámci HR a hodnotit recruitery. Obzvláště v posledním roce během koronavirových opatření se hodně rozmohla různá alternativní řešení nahrazující pohovory „naživo“. Běžně se využívají standardní videokonference.
Můžeme nechat AI, aby převzala řízení datových center?
businessworld.cz, 22.3.2021, Andy Patrizio
Provoz datových center s minimálními zásahy člověka není nijak nový koncept. Rozvoj umělé inteligence (AI) a strojového učení (ML) v posledních letech umožnil výrobcům serverů posunout automatizaci na zcela novou úroveň, zvláště u hyperkonvergované infrastruktury. AI přebírá monotónní a repetitivní úkony a uvolňuje ruce pracovníkům k důležitějším činnostem. Nikdo nepropaguje AI vehementněji než Oracle. Konference OpenWorld v roce 2018 byla celá o autonomní databázi s automatickou optimalizací výkonu. Viceprezident společnosti Oracle Cloud Steve Daheb tvrdí, že je umělá inteligence připravená hrát první housle, a zajímají se o ni tisíce zákazníků. Někteří udávají až stonásobný nárůst výkonu jenom u databáze. Kromě toho automatizace přináší výrazné snížení spotřeby energie. Oracle je možná v marketingu nejrazantnější, ale HP Enterprise (HPE), Dell Technologies, Lenovo a Cisco také nabízejí řízení provozu zařízení v datových centrech pomocí AI. Například HPE se zaměřuje na prediktivní analýzu, která vyhledává potenciální technické a bezpečnostní problémy a poskytuje doporučení ohledně výkonu. Cílem do budoucna je, aby umělá inteligence řešila problémy dříve, než nastanou a například automaticky zadávala požadavky na helpdesk a objednávala náhradní díly, než dojde k závadě. Jednou ze závažných překážek autonomie je heterogenita. Nestačí API rozhraní, nutné je vyvinout individuální řešení, které si vyžádá čas a peníze. Důvod k optimismu zavdává přístup společnosti HPE. Ta sice souhlasí s tím, že autonomie je jednodušší dosáhnout v homogenním prostředí, ale věří, že AI dokáže fungovat i v heterogenním prostředí, a reálně na takovém řešení pracuje. Faktorů, které nahrávají automatizaci je celá řada, ale prim mezi nimi hraje bezpečnost. V 85 % případů, kdy došlo k narušení bezpečnosti, byla více než rok k dispozici záplata. Z hlediska počítačové kriminality je nutné brát v úvahu, že útočníci využívají pokročilé perzistentní hrozby a automatizaci k narušení bezpečnosti a není v lidských silách proti nim účinně zakročit. K boji proti stroji je nutný opět stroj a umělá inteligence se této role může velmi dobře zhostit. Bez problémů není ani automatizovaná aplikace oprav, kde velmi záleží na kvalitě. Stačí připomenout bezpečnostní aktualizace Windows, kdy Microsoft musel opakovaně některé stáhnout, protože způsobovaly pády systému a jiné potíže. Klíčová rozhodnutí proto nejspíš ještě zůstanou v rukách lidí nebo alespoň pod jejich kontrolou, zatímco autonomní systémy převezmou hlavní roli v oblastech jako zabezpečení nebo doporučení pro optimalizaci.
Pohovor s robotem. Zaměstnance už v některých firmách vybírá umělá inteligence
euro.cz, 24.2.2021, Tereza Tancerová
Přijímací pohovory na dálku se v roce 2020 staly relativně běžnou věcí. V budoucnu by ale setkání s personalistou potenciálního zaměstnavatele mohlo odpadnout úplně, nebo se stát jen závěrečnou formalitou. Umožnit by to měla umělá inteligence. Software pro nábor zaměstnanců za pomoci AI momentálně poskytuje například newyorská firma Pymetrics. V počátečních fázích náborového procesu ho využívá hned několik nadnárodních společností, mezi jinými fastfoodový řetězec McDonald´s, banka JP Morgan, účetní firma PWC nebo potravinářská skupina Kraft Heinz. Nábor je postaven na otázkách a odpovědích, které jsou navrženy tak, aby vyhodnocovaly hned několik aspektů uchazečovy osobnosti od inteligence přes tolerantnost až k rychlosti, jakou reaguje na určité situace. Software pro nábor zaměstnanců poskytuje také společnost HireVue se sídlem v Utahu. AI v tomto případě zaznamenává videa uchazečů o zaměstnání, kteří prostřednictvím webové kamery odpovídají na otázky. Zvuk se následně převede na text a algoritmus umělé inteligence analyzuje klíčová slova. Význam přikládá třeba používání slova „já“ namísto „my“ v reakci na otázky týkající se týmové práce. Systémy na bázi umělé inteligence mají stále značné rezervy. Umělá inteligence například nemusí uchazeče správně pochopit. Rušivým elementem může být cizí akcent, neobvyklá slova či zaběhlé fráze. Veškeré strojové učení funguje na stejném principu, a to na tom, že robot projde data a najde vzory a podobnosti. Při náboru tak hrají důležitou roli data z minulosti. Může proto dojít k diskriminaci uchazeče o místo. Podle některých je naopak výhodou nestrannost softwaru. Jak Pymetrics, tak HireVue se shodují na tom, že by se firmy při náboru zaměstnanců neměly spoléhat pouze na životopisy jednotlivých kandidátů.