Přinášíme vám pravidelné shrnutí zajímavých článků z odborného tisku a specializovaných webů. Pro členy Asociace máme k dispozici podrobnější rozbor obsahu. Přihlášení zde.
Tajná ingredience vaší AI strategie
CIO Business World 2/2022, Maria Korolov, str. 38-40
Mnoho firem má problém přesunout umělou inteligenci do běžného provozu. Důvodem jsou kulturní bariéry. Nedostatek důvěry je jednou z největších překážek přijetí AI. Bez důvěry se projekty AI setkávají s nízkou mírou přijetí a to vede k nižšímu přínosu pro podnikání a to zase přispívá k nižší úrovni důvěry v AI. Klíčem k zajištění úspěšného zavedení umělé inteligenci do provozu jsou tedy lidé. Firma Herr’s Food chtěla zavést novou technologii pro bezpečnost řidičů. Aby ji zaměstnanci přijali, bylo nutné důkladné školení, při kterém se zaměstnanci s novou technologií seznámili. S daty které aplikace vytváří, pracují jak samotní řidiči, tak manažeři řidičů. Nasazení systému vedlo ke snížení vážných událostí a k úsporám. Firma Alliance Data se rozhodla budovat důvěru umělou inteligenci zdola. Ve firmě požádali obchodní jednotky, aby popsali problémy, které potřebují vyřešit. Poté byly stanoveny priority. Podniky, kterým se daří úspěšně realizovat projekty umělé inteligence, jsou ty, které spolupracují se svými zaměstnanci. Jde o rozšiřování lidských schopností, ne jejich nahrazování. Je tedy důležité zacházet s lidmi jako partnery umělé inteligence.
Ovládněte AI pomocí syntetických dat
CIO Business World 2/2022, Maria Korolov, str. 41-43
Syntetická data jsou uměle generované informace, které lze použít k učení modelu umělé inteligence namísto skutečných historických dat, nemají-li potřebnou kvalitu, objem nebo rozmanitost. Jsou důležitá pro zavádění umělé inteligence v podniku, pokud dostupná data nesplňují obchodní potřeby. Syntetická data nacházejí řadu využití v podnikových strategiích AI. První využití je pro školení modelu, kdy chybějí data z reálného světa. Syntetická data mohou také snížit náklady, pokud je pořízení dat z reálného světa neúnosně drahé. Za druhé lze syntetická data využít k zaplnění mezer v tréninkových datech. Může vyvstat problém s vyvážeností v souborech dat. Syntetická data mohou pomoci soubor dat vyvážit. Třetí způsob využití je k urychlení vývoje modelu. Se syntetickými daty lze modely trénovat a kalibrovat, než budou k dispozici data z reálného světa. Čtvrtý způsob využití je simulace budoucnosti. Nahrazení nebo rozšíření historických dat syntetickými daty, které odrážejí změnu zákaznických preferencí může pomoci zachovat relevantnost výstupů doporučovacích nástrojů. Pátý způsob je simulace alternativy budoucího vývoje a simulace neočekávaných událostí. Další způsob využití je simulace metaversa. Díky syntetickým datům lze také tvořit marketingové grafiky, testovat software, vytvořit digitální dvojčata, nahradit lékařské a finanční údaje nebo je použít pro potřeby prodeje a marketingu. Dá se s nimi také testovat systém umělé inteligence na zkreslení. Jak generovat syntetická data? Většina souborů dat je stále vytvářena ručně extrakcí a anonymizací pomocí SQL a data jsou následně očištěna prostřednictvím standardních programových jazyků. Hotová komerční řešení ještě nejsou na trhu. Většina datových vědců využívá ke generování syntetických souboru dat předpřipravené balíčky. Někteří datoví vědci v současné době využívají generativní sítě GAN. Nástroje pro generování syntetických dat jsou GPT-J, Synthea, SDV, faker nebo symPy. Podniky, které chtějí začít používat syntetická data, by měly začít s dobře strukturovanými vzorky.
Osm kroků k úspěšné strategii BI
CIO Business World 2/2022, Mary K. Pratt, str. 44-46
Jak překonat problémy pro zavedení úspěšné BI strategie? Prvním krokem je zvážit firemní infrastrukturu při výběru nástroje. Díky tomu lze předejít zvýšení nákladů a komplikací zavedení systému. Druhým krokem je při výběru nástrojů BI mít na zřeteli obchodní cíle. Zjištění priorit podniku je nutné věnovat dostatek času, teprve na základě toho může IT hledat způsoby, jak zajistit správné odpovědi ve správné formě. Od toho se odvíjí, jaká úložiště dat bude podnik pro BI potřebovat, jaké druhy rozhraní budou nejužitečnější a jaké funkce budou nejlépe vyhovovat obchodním potřebám. Třetím krokem je věnovat řádnou péči procesu nákupu. Při uzavření smlouvy by si měla dá firma pozor na garantovanou úroveň služeb a jasně definované výstupy. Čtvrtým krokem je pěstovat kulturu důvěry k datům. Manažeři podniku musejí zpřístupnit správná data, jedinou verzi pravdy. Poté musejí obchodním uživatelům prokázat, že mohou datům důvěřovat. Pátým krokem je nezjednodušovat si řízení změn a školení. Je nutné školení uživatelů nového systému. Šestým krokem je demokratizace dat. To znamená dát obchodní uživatelům možnost zkoumat data. Jedná se například o poskytnutí funkce, která uživatelům umožní vizualizovat data způsobem, jaký jim usnadní formulovat doporučení nebo je vede k novým dotazům. Sedmým krokem je zahrnutí správné řídící praxe do strategie BI. Řízení by se mělo zabývat ochranou osobních údajů a zabezpečením a dodržováním zákonných a regulatorních předpisů. Osmým krokem je postup vpřed. To zahrnuje pokročilejší způsoby využití dat, jako je prediktivní a preskriptivní analýza.
Plánování s umělou inteligencí
CIO Business World 2/2022, Ľuboslav Lacko, str. 47-49
Některé firmy využívají k tvorbě plánu a rozpočtu klasické tabulkové aplikace. Tento proces je časově náročný a náchylný k nepřesnosti. Lze proto využít moderní business intelligence řešení umožňující lepší pochopení historických i současných údajů a získání cenných poznatků. Ty lze použít při vytváření všech druhů plánů od krátkodobých přes střednědobé až po dlouhodobé strategické. Pro plánování je klíčová obchodní analytika (BA) , což je podmnožina BI. Obchodní analytika zahrnuje data mining, neboli dolování údajů, statistickou analýzu a prediktivní modelování, které pomáhá přijímat informovanější rozhodnutí a předvídat trendy. Hlavní rozdíl mezi business intelligence a business analytikou jsou otázky, na které příslušné řešení poskytují odpovědi. BI se zaměřuje na deskriptivní analytiku s cílem ukázat co se stalo nebo co se momentálně děje. Obchodní analytika se zaměřuje na predikci. Využívá modelování a strojní učení k určení pravděpodobností budoucích výsledků. BA odpovídá na otázku proč a činí kvalifikované předpovědi o tom co se stane. Obchodní analytika je soubor postupů a nástrojů a služeb automatizované analýzy údajů, které manažerům pomohou pochopit procesy ve firmě s cílem zlepšit rozhodování a pomoci efektivně plánovat budoucnost. Analytika plánování usnadňuje vytváření efektivních obchodních záměrů. Řešení pro vytváření plánu a rozpočtu jsou v maximální možné míře samoobslužná, takže manažeři nejsou při tvorbě jednodušších analytických modelů odkázáni na specialisty z IT oddělení. Nejvíce času zabere příprava údajů pro vytvoření analytických modelů. Analytické nástroje využívající umělou inteligenci jsou klíčové pro zefektivnění podnikatelských aktivit. Moderní analytické nástroje rozumějí poptávce v přirozeném jazyce a to nejen exaktním dotazem. Umožňují průběžně upravovat plány a prognózy v reálném čase.
Sedmero mýtů o disrupci
CIO Business World 3/2022, John Edwards, str. 12-13
Digitální disrupce zasahuje do podnikového prostředí a nahrazuje nebo radikálně mění dlouho zavedené obchodní praktiky a myšlenkové postupy. Proto je dobré znát mýty, které digitální transformaci obklopují. Prvním mýtem je, že digitální disrupce je především technická otázka. Digitální disrupce by měla sloužit obchodní strategii. Výhradně technický orientovaný způsob myšlení může vést v podniku ke značnému plýtvání energií, časem a prostředky. Ignorování obchodních souvislostí může vést k tomu, že kapitálové výdaje budou směřovat do projektů, které jsou pouze volně navázané na ekonomický užitek. Druhým mýtem je, že digitální disrupce vyléčí churavějící podnik. Technologie by měly být pouze součástí strategie digitální disrupce. Je také nutné se zaměřit na změny obchodních i provozních modelů, stejně jako na řízení změny související s transformací. Také je nutné mít na zřeteli dopady změny na lidi a investovat do řízení změn v průběhu celé realizace. Třetím mýtem je, že digitální disrupce vyžaduje začít znovu od nuly. Takový přístup může být přespříliš náročný a nerealistický. Může to také vést k tomu, že se nové věci dělají starými způsoby. Realističtější přístup spočívá v hledání způsobu, jak inovovat a zefektivňovat dosavadní schopnosti. Čtvrtým mýtem je, že digitální disrupce je nezbytnou reakcí na vnější faktory. Podniky, které se bez rozmyslu vrhají do digitální disrupce, mají tendenci se donekonečna zaobírat otázkou, jak asi bude reagovat konkurence, což v důsledku brání jejich vlastnímu růstu. Pátým mýtem je, že digitální disrupce je hra největších firem. Šestým mýtem je, že digitální disrupce způsobuje úbytek pracovních míst a podkopává morálku zaměstnanců. Bez disrupce by ale podniky a lidé donekonečna měli stále stejné pracovní postupy a úkoly. Sedmým mýtem je, že digitální disrupce je volitelná. Nejlepší způsob jak čelit digitální disrupce je vést, nikoli reagovat.
Edge computing Vítejte na palubě
COMPUTERWORLD 4/2022, Vít Petrjanoš, str. 12-17
Edge computing je specifická výpočetní topologie, ve které je zpracování informací a sběr nebo doručování dat a obsahu umístěné blíže zdroji, repozitáři či uživateli této informace. Cílem je udržet provoz a zpracování dat na místě a snížit tak latenci a objem přenášených údajů. Jde o plné využití možnosti infrastruktury umístěné na okraji sítě. Příkladem uplatnění edge computing je ekosystém internetu věcí. Začíná se rozšiřovat takzvaný edge cloud, což jsou vzdálená výpočetní centra umístěna geograficky blízko k místu kde probíhají výpočty, a nabízená jako služba. Edge computing se kromě internetu věcí využívá i ve výrobních podnicích, v motorových vozidlech a v domácnostech. Svět vstupuje do éry hyperkonektivity kdy spolu zařízení a informační systémy neustále komunikují a sdílejí data mezi mnoha aplikacemi naprogramovanými k různým činnostem, od zabezpečení domovů až po provoz ropných plošin. Edge computing přesunuje výpočetní techniku z hlavního datového centra podniků a umísťuje je do blízkosti koncových zařízení, kde se generují data, což přináší výhody. K výhodám patří vyšší rychlost a snížení latence, lepší zabezpečení a ochrana soukromí, úspora provozních nákladů, spolehlivost a odolnost a škálovatelnost. Jaký je rozdíl mezi okrajem sítě a edge computingem? Okraj sítě je místo kde se podniková síť připojuje k síťovým službám třetích stran. Okraj sítě má jednu nebo více bezpečnostních hranic v rámci sítě, které určují, kdo ovládá základní zařízení síťové infrastruktury. Je to tedy fyzický bod, ve kterém se síť vlastněná podnikem připojuje k síti třetí strany. Naproti tomu edge computing je distribuovaná architektura, která zpracovává data blíže ke koncovým uživatelům. Edge computing přináší i bezpečnostní rizika. Mezi rizikové faktory patří rizika spojená s ukládáním, zálohováním a ochranou dat, rizika související s hesly a ověřováním a rizika ochrany perimetru. Cílem bezpečnostních opatření pro edge computing je co nejvíce se vyrovnat bezpečnostním standardům obvyklým u datového centra, to znamená zabezpečení přístupu k zařízením na okraji sítě, a to jak fyzicky, tak prostřednictvím uživatelského rozhraní způsobem, který bude stejně účinný jako technologie datových center, ale zároveň vhodný pro nasazení mimo datové centrum.
I běžní zaměstnanci mohou vytvářet firemní aplikace
COMPUTERWORLD 5/2022, Mary Branscombe, str. 30-32
Platformy low-code přinášejí lepší produktivitu, úsporu nákladů a často i změnu kultury, která zlepšuje vztahy mezi oddělením IT a ostatními odděleními firmy. Při správném využití může low-code pomoci organizacím zajistit neustálé zlepšování, jež firemní transformace vždy slibovali společně s kulturou digitálního řešení problémů. Aby bylo využívání platformy low-code úspěšné, nemohou k ní šéfové IT přistupovat jako ke stínovému IT a neměla by se řediteli IT považovat ani za potencionální břemeno. Platformy low-code a no-code centralizují i přístup a zdroje a sledují, jak se využívají. IT oddělení může stanovit zásady, kdo bude mít přístup k jakým datovým zdrojům a jak se jim dovolí sdílet aplikace a automatizační toky které tyto údaje obsahují (access management). Správná rovnováha mezi kontrolou a autonomií je pro civilní vývojáře velmi důležitá. Základem je princip zjištění dat a kategorizování jejich citlivosti. Je potřeba použít ochranu proti úniku dat pro všechny údaje sdílené externě a rovněž zásady varující civilní vývojáře, že v případě vytváření automatizace nebo pracovních toků to může způsobit porušení povinnosti dodržovat předpisy. Civilní vývojáři by také měli mít autonomii pro výběr platformy. Klíčem je stanovení vhodného strategického modelu pro civilní vývoj ve firmě. Existují tři běžné přístupy. První je malý, autonomní tým složený z lidí s praxí ve zlepšování procesů, se schvalováním ze strany oddělení IT, ale fungující v rámci konkrétního firemního oddělení a podřízený firemnímu manažerovi. Druhý přístup je samoobslužnost, při které může kdokoliv vyvíjet za pomocí nástrojů low-code podle zásad a mantinelů pro danou platformu. Třetí přístup kombinuje agilní týmy a rozsáhlou demokratizaci do sjednoceného modelu, centrum excelence spravujícím platformy low-code implementující mantinely a podporujícím týmy jednotlivé pracovníky na firemních odděleních, a to včetně samoobslužného vývoje low-code. Kromě řízení a zásad musí ředitel IT také nabízet zdroje a podporu. K úspěchu je potřebná i proaktivita oddělení IT pro zpřístupnění konektorů a vytváření robustních rozhraní API pro přístup k interním datům. Užitečné mohou být i metriky a kontroly které poskytují příležitosti ke zkoumání firemních procesů. Zájem o tvorbu aplikací může ve firmě mezi zaměstnanci posílit interní hackathon. Low-code může být také zdrojem významného postupu v kariéře zaměstnance. Nelze ale očekávat, že na aplikacích budou zaměstnanci pracovat přesčas.
Čtyři typické omyly při nasazení mobilních robotů v logistice
IT Systems 4/2022, Michael E. Hansen, str. 10
Prvním omylem je představa, že robotické nástavby se vyřeší až po koupi vlastního robota. Robot a konkrétní příslušenství by měli být výsledkem přesné představy o automatizační aplikaci. Pokud se příslušenství pořídí ad hoc, hrozí nekompabilita s robotem či nevhodnost pro danou aplikaci, které vyústí v dodatečné náklady. Druhým omylem je to, že vývoj vlastního příslušenství je snazší a levnější. Profesionální příslušenství představuje integrovanou hlavovou a softwarovou část plnící řadu funkčních a bezpečnostních požadavků pro odladění takovéhoto systému a nastavení. Kompabilita s robotem není laciná ani rychlá. Navíc vlastně vyrobené příslušenství je zpravidla určeno pro jeden konkrétní pracovní úkol. Třetím omylem je, že ke zvýšení nosnosti je třeba koupit většího robota. Současné moderní příslušenství přináší možnost zvýšit hmotnost převáženého nákladu se stejným robotem. Čtvrtým omylem je to, že AMR a MRE jsou pouze pro velké firmy. Technologie mobilních robotů jsou zpřístupněny i menším a středním organizacím, protože náklady na mobilní robotiku včetně softwaru a periferií díky pokračující standardizaci poklesly a nasazení a ovládání aplikací je díky pokročilému softwaru snazší než kdy dříve.
Jmenuji se Adam a jsem váš virtuální kolega
IT Systems 5/2022, Michal Jäger, str. 24-26
Automatizace lidské práce jedním z hlavních aktuálních technologických témat. Používání digitálních technologií k automatizaci procesu se stalo středobodem pro získání strategických výhod. Automatizace však již dávno není pouze tématem pro jednoduché, opakující se úkoly. Moderní technologie sebou přináší nové možnosti pro zvyšování produktivity nebo snižování nákladů. Robotická automatizace procesů znamená získat možnost kompetitivní nebo finanční výhody. Další výhodou implementace RPA je, že nejsou potřeba žádné hluboké technické, programovací znalosti a žádné zásahy do architektury softwaru, který provozuje zákazník. Jak úspěšně zavést RPA technologii ve firmě? Nejdůležitější je automatizace vhodných úkolů a procesů. Významná část RPA přínosu spočívá v možnosti využít zaměstnance k hodnotnějšímu pracovnímu zatížení než k jednoduchým, opakujícím se úkolům. RPA se stává i základem pro digitální transformaci, protože rychle a s nízkými náklady dosáhne mnoho organizací cíle bez rozsáhlých změn nebo úprav stávajících systémů. Důležitá je správná příprava a výběr procesů k automatizaci. Hledání potenciálu, takzvaně Process Discovery, začíná u zaměstnanců nebo lze využít nástroje jako je task mining nebo robot process mining. Díky této analýze vznikne velmi detailní pohled, velká granularita dat až do úrovně konkrétního zaměstnance, konkrétního úkolu v interním systému. Pro výběr vhodných činností je potřeba stanovit si priority pro jejich automatizaci a ověření business case. Před samotnou realizací je potřeba vytvořit dokumentaci popisující změny procesů, automatizované kroky a výslednou architekturu. Je také dobré si připravit komunikační strategii, která vysvětlí změny a jejich přínos ve firmě. Také je nutné vytvořit si plán pro opakovanou kontrolu případných změn v podnikových aplikacích nebo revizi přínosu automatizace.