Přinášíme vám pravidelné shrnutí zajímavých článků z odborného tisku a specializovaných webů. Pro členy Asociace máme k dispozici podrobnější rozbor obsahu. Přihlášení zde.
AI pomáhá v prostředí edge i IoT
COMPUTERWORLD 7-8/2021, Maria Korolov, příloha Umělá inteligence pro podnikové nasazení, str. II-IV
V dnešní době již nutnost posílat všechna data k centralizovanému zpracování do cloudu narazila na limity síťové šířky pásma a latence. Pro tuto situaci je vhodným řešením edge computing, který využívá AI. Například společnost Akamai, která provozuje největší celosvětovou síť pro distribuci obsahu, bojuje s robotickými systémy. Boti útočí na její zákazníky prostřednictvím automatizovaných útoků credential stuffing a DoS a také ucpávají přenosové trasy neužitečným provozem. Proti těmto útokům pomáhá zavedení umělé inteligence v edge prostředí, která zjišťuje zda je konkrétní uživatel skutečným člověkem nebo jestli se jedná o bota. Ve firmě Akamai také využívají AI pro centralizované hluboké učení, které zkoumá chování botů a pro analýzy hrozeb. Výsledkem je šetření peněz, protože firma nemusí přenášet provoz generovaný boty či malwarem. AI na okraji sítě může také snížit datové a síťové zatížení pocházejí z technologií internetu věcí, který chrlí velké množství zpráv. Například pro zjištění signálu, kde hrozí selhání, lze využít technologii strojového učení v edge prostředí, která se naučí rozpoznávat kritické signály a daná data předem připraví k odeslání. Zpracování na okraji sítě je vhodné jak pro rychle se pohybující zařízení (např. auto), tak pro pomalu se pohybující či nehybná zařízení (např. solární panely). Distribuovaná inteligence společnostem umožňuje snížit objem přenosů zpráv zpět ze zařízení a to snižuje náklady na síťové připojení a související spotřebu energie. AI se také v edge prostředí používá k tomu, aby zařízení získala další funkce, jako u chytrých hodinek vyhodnocení lidských funkcí jako je tep nebo rytmus dýchání. Obor služeb má velký zájem o distribuovanou inteligenci. Například ve firmě Itron, která spravuje energetické a vodní zdroje používají měřiče na okraji rozvodné sítě. AI v prostředí edge nemá pouze výhody. Mnoho hardwarových zařízení, datových formátů a protokolů pro edge computing je navzájem nekompatibilní. Některá edge řešení jsou jednorázová, nejsou škálovatelná a chybí jim interoperabilita. Další výzvou je kybernetická bezpečnost. Řešením může být použití strojového učení k detekci hrozeb.
Mýty, které brzdí zavádění AI
COMPUTERWORLD 7-8/2021, Saniye Alabeyi, příloha Umělá inteligence pro podnikové nasazení, str. VI-VII
Stále existuje řada mýtů o umělé inteligenci, které brání ve firmě naplánování správné strategie při řízení implementací projektů AI. Prvním mýtem je, že AI je během krize covid-19 luxusem. Zájem a investice do AI rostou i uprostřed covidové krize. Je to proto, že AI pomáhá nejen při poskytování zdravotní péče, ale také pomáhá firmám fungovat i v době pandemie. AI optimalizuje ceny, zajišťuje kontinuální provoz, podporuje růst příjmů a zlepšuje komunikaci se zákazníky. IT oddělení ve firmě by proto mělo brát AI ne jako luxus, ale jako technologii, kterou lze v krizi použít. Druhým mýtem je, že firma nepotřebuje strategii pro AI. Umělou inteligenci lze využít pro řešení celé škály firemních problémů, za předpokladu vhodné strategie. Je dobré identifikovat možnosti použití AI, které se hodí pro strategické iniciativy a kritické firemní funkce, jako je třeba automatizace administrativních činností. Třetím mýtem je, že AI jen nahradí obyčejné a opakované činnosti. V průběhu let některé profese zmizely, zatímco vznikají profese nové. Například se dnes již nepíše na psacím stroji nebo ručně. AI bude mít významný dopad na způsob lidské práce a způsob učení a i na to, jaká práce se vykonává. AI automatizuje nejen opakované úlohy, ale také zlepšuje nebo mění pracovní místa přetrvávající dosažením důležitých úkolů. Zaměstnance je možné přeškolit, aby se práce uskutečňovala s pomocí AI s lepšími výsledky nebo rychleji. Čtvrtý mýtus je že AI a ML je totéž. AI zastřešuje širokou řadu počítačových metod. ML je podoblast umělé inteligence. ML lze použít k rozpoznávání vzorů v rámci dat a je dobrá pro řešení jedné konkrétní úlohy. Machine Learning není také totéž, co hluboké učení (deep learning). DL je typ machine learning, které má skvělé výsledky. Ale nejnovější špičkové možnosti AI nejsou vždy nejefektivnějším řešením firemních potřeb. Pátým mýtem je, že AI se týká jen algoritmů a modelů. Návrh a použití algoritmů ML pro vytvoření prediktivního modelu je často nejjednodušší částí projektu AI. Náročnější je pak zajištění, aby byl problém řešený pomocí AI dobře specifikovaný, aby byla k dispozici vhodná data a aby vše začalo fungovat v reálu. Šestým mýtem je to, že všechny černé skříňky AI musejí odpovídat regulačním předpisům. AI, která generuje poznatky pro interní použití, nemusí nutně splňovat aspekty vysvětlitelnosti. Naopak umělá inteligence, která rozhoduje o lidech vysvětlitelnost vyžaduje.
Připravte se na hyperautomatizaci
COMPUTERWORLD 7-8/2021, Bob Violino, str. 20-22
Hyperautomatizace je nově vzniklý koncept, který kombinuje ML, AI a RPA, aby pomohl zajistit širší možnosti automatizace. Týká se velké řady nástrojů, které se mohou automatizovat. Ve firmě se jedná o disciplinovaný přístup, který slouží k rychlé identifikaci, kontrole a automatizaci co největšího počtu procesů IT a procesů celé firmy. Může kromě ML, AI a RPA obsahovat také softwarovou architekturu řízenou událostmi, sadu pro inteligentní správu firemních procesů, integrační platformu v podobě služby, zpracování přirozeného jazyka a další typy řešení. Běžně se hyperautomatizace využívá při registraci zákazníka do systému, přijímání objednávek nebo aktualizaci zákaznických dat. Hyperautomatizace pomáhá i v bankách se správou hotovosti a se správným stanovením finančních opatření. Hyperautomatizace ale proniká i do jiných oborů než je logistika, finančnictví a výroba, objevuje se i ve zdravotnictví. Jaký je přínos hyperautomatizace? Přináší účinnější automatizaci a tím pádem i snížení nákladů. Také firmám pomáhá získat hmatatelné zdokumentovatelné pochopení současných organizačních procesů. Může vytvořit prostředí kde se zaměstnanci doplňují s digitálními pomocníky. Také lze mít digitální dvojčata (digital twins) pro testování organizačních změn. Vzestup digitálních dvojčat se shoduje se vzestupem IoT. Je to proto, že digitální dvojčata mají schopnosti, které snižují složitost ekosystémů IoT a zvyšují efektivitu. Firmy tak tvoří DTO (digitální dvojče organizace), které firmě umožňuje vizualizovat funkce a procesy. Společnosti by měly plánovat integraci digitálních dvojčat do svých strategií vývoje produktů, zejména pokud jde o obory s vyššími nároky na vybavení, IoT nebo riziko ztráty jasných obchodních příležitostí. Co je potřeba překonat pro zavedení hyperautomatizace? Je potřeba vědět, kde se firma nachází z hlediska existujících automatizačních řešení. Na strategii zavedení je potřeba spolupracovat s IT a provozem firmy. Po zavedení je nutné měřit počáteční výstupy. Je dobré zautomatizovat všechno co lze, využít automatizaci k optimalizaci a zrychlení experimentů s novými příležitostmi nebo holistické mapování kolektivních iniciativ namísto izolovaných automatizovaných úloh. Firmy ignorující příležitosti k automatizaci nakonec mohou prohrát se svou konkurencí.
V digitalizovaném světě je klíčem k úspěchu koexistence lidí a inteligentní automatizace
IT Systems 7-8/2021, Piotr Faderski, str. 16-17
Firmy v současnosti přistupují k příjímání nových technologií přímočařeji, protože si uvědomují jejich potenciál pro podporu inovací, zlepšení zákaznických služeb i automatizaci rutinních úloh. Díky tomu se zaměstnanci můžou soustředit na strategičtější práci. V této době jsme v raných fázích toho, jak automatizace a umělá inteligence mohou společně výrazně zvýšit spokojenost zaměstnanců. V případě využití informačních technologií existují oblasti, kde se firmy bez lidí neobejdou. Jedná se například o zvyšování spokojenosti zákazníků a budování vztahů s každým z nich. Automatizace může zaměstnance osvobodit od vykonávání opakující se práce a místo toho napomoci ke zvyšování jejich efektivity. Lidé jsou skvělí v řízení vztahů, zatímco umělá inteligence je úžasná při syntéze velkého množství informací a získávání relevantních poznatků. Přesněji řečeno, funkce jako Einstein Call Coaching přináší obchodním týmům schopnost porozumění potřebám zákazníků, klíčovým okolnostem, ale i trendům ukrytým v datech o dosavadní komunikaci. Podobně je tomu i v případě pracovníků zákaznické podpory. Díky využití automatizace již na samém začátku interakce se zákazníkem může rutinní, časově náročné požadavky zvládnout chatbot. Díky tomu se může pracovník podpory věnovat komplikovanějším případům. Integrace umělé inteligence se zkušenostmi zákazníků umožňuje pracovníkům podpory vnímat v reálném čase nejvhodnější další kroky, jako je například nabídnutí slevy založené na dosavadní obchodní historii klienta. Agenti se pak mohou zaměřit na budování vztahů se zákazníky a kreativní řešení problémů. Jak začít s automatizací? Na začátku je dobré si identifikovat rutinní úkoly zaměstnanců a poté vybrat snadno použitelné nástroje. Při přechodu na vyšší úroveň lze využívat i nízko-úrovňovou platformu vyžadující programování, která umožní lidem napříč firmou bezproblémové řešení malých i velkých problémů. Dále lze promyslet kde všude lze automatizaci využít a posoudit přínosy podle ukazatelů, na kterých skutečně záleží. Nyní je vhodná doba investovat do vztahu se zákazníky a zároveň posílit postavení zaměstnanců včetně zvýšení jejich spokojenosti na pracovišti.
3 způsoby, jak umělá inteligence změní pracovní místa v kontaktních centrech
IT Systems 7-8/2021, Zdeněk Staud, str. 18-19
Jaké jsou tři největší dopady AI na požadavky na zaměstnance kontaktních center a možnosti, jak se s nimi mohou společnosti vypořádat? První dopad je to, jak robotická automatizace procesů mění povahu práce. Jelikož AI zvládá jednodušší funkce zákaznických služeb, očekává se, že lidé budou schopni snadno zvládnout složitější interakce. To ale vyžaduje bezproblémovou multimediální spolupráci mezi agenty, zákazníky a odborníky na jednotlivé oblasti v rámci celé organizace. Každá osoba by měla být snadno dosažitelná a všechny relevantní informace by měly být snadno přístupné a mělo by je být možné sdílet, aby bylo možno okamžitě uspokojit potřeby zákazníka a zároveň byly vytvořeny příznivé podmínky pro práci zaměstnancům. Dokončení úkolů pak může trvat i déle. Druhým dopadem je to, jak chatboti zvyšují svůj podíl na kvalitě služeb. Technologie AI, jako je konverzační inteligence, jsou navrženy tak, aby byly v průběhu času stále chytřejší. Lidé pak musí být schopni zvládnout složité otázky. To by mohlo vyvolat zásadní posun ve fungování kontaktních center, například v podobě využívání lokálních agentů, kteří jsou blíže zákazníkovi a mohou vytvářet autentičtější interakce. Třetím dopadem je zapojení a udržení agentů. Organizace si potřebují najmout a udržet zkušené agenty, kteří dokážou zvládnout stále složitější interakce probíhající v zákaznických službách, ale je potřeba je lépe zaplatit. Jak tedy mohou firmy dobře fungovat i v éře digitalizace? Firmy musí zaměstnancům kontaktního centra umožnit, aby pracovali způsobem, který je jim přizpůsobený, intuitivní a propojený. Musí pro pracovníky vytvořit takové digitální prostředí, které jim umožní vytvářet nejlepší možnou zákaznickou zkušenost, což jim přinese kromě odměny také profesní uznání a uspokojení. Lze například zajistit flexibilní funkce skriptování toku hovorů ve webovém prohlížeči, otevřenou platformu pro zasílání zpráv obohacených multimediálním obsahem nebo mít otevřený přizpůsobitelný ovládací panel pro střední a vyšší management, který poskytuje holistický pohled na cestu zákazníka a umožňuje rychlejší a snadnější přístup k důležitým obchodním informacím.
Jak využít AI pro zlepšení zákaznické zkušenosti?
IT Systems 7-8/2021, Stanislav Kuznetsov, Vojtěch Strnad, str. 20-21
Velkým trendem je v oblasti AI pro firemní využití personalizace, tedy skutečné zacílení a úprava obsahu podle uživatele platformy či návštěvníka webu. Jak lze v personalizaci využít rekomendační systémy (RS)? RS jsou dnes základními službami používanými ve všech významných digitálních platformách po celém světě, jako je YouTube, Netflix nebo třeba Amazon. Spolu s vyhledávacími službami představují rekomendační systémy klíčové služby, které pomáhají uživatelům objevovat nový obsah nebo produkty. To pro podnik znamená přidanou hodnotu, a to jak z hlediska vyšších příjmů a konkurenceschopnosti, tak z hlediska spokojenosti zákazníků. Jednou z důležitých metod algoritmů RS je kolaborativní filtrování (CF). Tyto algoritmy pracují na základě analýzy vzorců chování uživatelů v publiku a poskytují doporučení na základě podobných uživatelů nebo podobných položek. Největší výhodou této metody je, že se dokáže přizpůsobit trendům nebo reagovat na změny v systému. Tento algoritmus dobře funguje v systémech se značným množstvím interakcí. Obecně se RS dělí do dvou hlavních skupin: doporučovací systémy založené na hodnocení a techniky filtrování založené na preferencích. Systémy založené na hodnocení se zaměřují na předpovídání absolutní hodnoty hodnocení (pořadí) položky, která ještě nebyla uživateli zobrazena. Techniky filtrování založené na preferencích předpovídají doporučení top-k nebo relativní pořadí položek pro daného uživatele podle názoru komunity uživatelů. RS založené na obsahu využívají pro definici aktuálního profilu položek hodnocení, které jim uživatelé udělili v minulosti. Kolaborativní RS využívají známé hodnocení skupiny uživatelů k předpovědi neznámého hodnocení konkrétního uživatele. Existují i hybridní RS. Jak RS integrovat v podniku? Problém může být studený start, kdy firma má mnoho výstupů, ale málo reálných uživatelů. RS by měl v systémech studeného startu najít jiný typ dat nebo dodatečné informace, jako jsou metadata, geografická data atd. Na základě těchto dodatečných údajů pak mohou uživatelům poskytovat doporučení. Ústředním setem dat používaných pro tento účel jsou algoritmy založené na obsahu (CB). V oblasti e-commerce lze RS použít pro sledování chování zákazníka na e-shopu, při nákupu. Na základě jeho chování a dat, která poskytne, se pak na pozadí RS neustále modelují další doporučení. Rekomendační systémy nejsou žádnou novinkou, avšak jejich správné využití je stále poměrně složité. O jejich zapojení do rutinních procesů by měl přemýšlet každý podnik či e-shop.
Budou si s námi na zákaznických linkách povídat už jen chatboti?
IT Systems 7-8/2021, str. 22-23
To jak dobře chatboti fungují záleží na tom, kde jsou nasazováni a jak dobře je možné je naučit nejenom samotné procesy, ale také slovní zásobu a fráze. Důležité je bota odladit a průběžně učit. Další podstatnou výhodou chatbota je to, že dokáže fungovat 24/7 a bez front. Toto platí pro chatového i hlasového bota. Nasazování chatbotů a voicebotů je výhodné i z pohledu častých komplikací v zákaznických centrech při vyšší fluktuaci a komunikační špičce. Správně nasazený a funkční chatbot dokáže posloužit nejenom pro volající, ale také zjednoduší život operátorům. Pokud budou rutinní úlohy řešit roboti a lidem se dá smysluplná práce, která je bude naplňovat, sníží se i fluktuace v oboru. Živý člověk je nenahraditelný i v momentě kdy chce firma volajícímu něco prodat. Na to jsou třeba zkušenosti a hlavně emoce. Správně nasazený chatbot ale zase umí včas upozornit, že někdo má něco zkusit prodat. Chatbot, který je efektivně napojený na všechny zdroje informací, pak může fungovat i v omnichannel přístupu. Před přepojením na operátora klienta ověří a připraví potřebné podklady, může dokonce pomoci i s řešením dané záležitosti. Správně a efektivně nasazený bot dokáže odbavit 50 až 70 procent komunikace. Je možné ho nasadit třeba na web, zákaznickou linku, do chatovacích nástrojů, na sociální sítě či do mobilních aplikací. Dnešní boti navíc už poměrně dobře rozumí češtině i slovenštině. Velmi často se k tomu využívá Watson od IBM či Google Dialog Flow, tedy nějaká globální řešení, která ale v některých specifických tématech nejsou úplně ideální. Mnohá místní řešení od tuzemských firem dokážou využívat vlastní NLP (tzv. Natural Language Processing).. Dospět k opravdu dobře fungujícímu botu vyžaduje čas, kdy zákazník a dodavatel musí jasně popsat a definovat všechny scénáře, která mohou nastat. Poté je nutné převést je do postupů a dat pro bota a v dalších měsících a rocích neustále vyhodnocovat co funguje, jaké jsou slepé uličky, kde jsou další příležitosti a nechat běžet učící se proces neustále.
Umělá inteligence se zabydluje ve zdravotnictví
IT Systems 7-8/2021, Petr Moláček, příloha IT pro veřejný sektor a zdravotnictví 2021, str. 22-23
Strojové učení je přizpůsobování datových modelů pomocí statistických technik. Ve zdravotnictví je nejběžnějším využitím tradičního strojového učení prediktivní medicína. Tedy zjišťování pravděpodobnosti, zda na základě různých atributů a kontextu léčby budou konkrétní léčebné postupy u pacienta účinné. Většina aplikací pro strojové učení a přesnou medicínu také vyžaduje data, podle kterých se systémy dále učí pod dohledem neboli supervizí. Technologie neuronové sítě (ANN – Artificial neural network) se ve zdravotnickém výzkumu úspěšně využívají již několik desetiletí. Poměrně běžně se používají ke klasifikaci dat pro určení pravděpodobnosti, zda pacient může konkrétní nemocí onemocnět. Komplexní nástroj hlubokého učení (ML – Deep learning) se schopností samoučení z přibývajících dat se stále více uplatňuje například v analýze obrazových dat. Hluboké učení se rovněž využívá k rozpoznávání řeči ve formě zpracování přirozeného jazyka (NLP). Ve zdravotnictví je dominantním využitím aplikace NLP tvorba, porozumění a klasifikace klinické dokumentace a zpracování publikovaného výzkumu. Systémy NLP tak mohou být využity pro analýzu nestrukturovaných klinických poznámek o pacientech a připravovat zprávy. K dispozici jsou také diagnostické a léčebné aplikace. Zatím se jedná spíše o jednotlivé instalace ve výzkumných laboratořích a v technologických firmách. Výzkumníci se přitom nejvíce zaměřují na analýzu obrazových vstupů, což jsou většinou radiologické snímky, dále skeny sítnice nebo zobrazení genomických struktur. Na vlastních řešeních implementací AI také pracují významné technologické firmy i startupy. Prediktivní modely k předpovídání ohrožení populací konkrétními chorobami nebo k předpovědi opětovného přijetí pacientů do nemocnic používají rovněž zdravotní pojišťovny poskytovatelé zdravotní péče. Existují i aplikace pro zapojení pacientů a dodržování léčby. Rostoucí pozornost si získává tzv. navrhování behaviorální „architektury výběru“ (Choice Architecture). Ta se využívá při návrhu struktur personifikovaných výběrů možností a funkcí tak, aby ve finále posunula pacientovo chování očekávaným způsobem. AI pomáhá i v oblasti zdravotnické administrativy. Se záměrem využití AI ve zdravotnictví přichází také celá řada etických otázek. Rozhodnutí o zdravotní péči dnes jsou vydávána výhradně lidmi a používání inteligentních technologií k jejich vydávání vyvolává otázky ohledně odpovědnosti, transparentnosti, souhlasu pacienta a ochrany jeho soukromí. Nejtěžší otázkou je transparentnost. Výsledky vyšetření zpracované algoritmy AI, zejména pak algoritmy hlubokého učení používané pro analýzu obrazu, není totiž prakticky možné pacientům interpretovat nebo vysvětlit. Největší výzvou pro nasazení AI ve zdravotní péči bude zajištění jejich přijetí v každodenní klinické praxi. Systémy AI musí být schváleny regulačními orgány, standardizovány a integrovány do klinických a dalších systémů, aby fungovaly podobným způsobem jako dnešní zdravotnické systémy.