Vyzkoušeli jste si některé AI nástroje, jste nadšení až fascinovaní jejími možnostmi, dobyli jste tím první výškový tábor a cítíte, že se chcete posunout do druhého tábora a vyzkoušet implementaci prvního AI řešení ve firmě. Pro první aplikaci se budete dívat primárně na datově bohaté oblasti (data AI „chutnají“), anebo oblasti s vysokou pracností a časovou náročností, budete se orientovat primárně dovnitř do firmy, na málo rizikové scénáře. Nejen že si projekty zvyšující efektivitu naspoříte, ale zároveň si nasbíráte potřebnou kritickou masu zkušeností a odbornosti do pomyslného třetího výškového tábora. Třetím výškovým táborem bude implementace komplexních AI řešení jako základu pro růst a inovace. Po celé cestě poroste důvěra, budete si snižovat nejistotu, ale rozhodně si uvědomíte zodpovědnost: AI totiž není ani dobrá ani zlá, AI je nástroj, to podstatné je právě způsob jejího nasazení (deployment).
Následující manuál je letmým průvodcem toho, jak se k implementaci AI postavit, na co všechno pamatovat, co si rozmyslet, na co si dát pozor.
- AI může být dobrý nástroj, ale rozhodně je špatný důvod. Pokud nemáte představu o stavu, kterého chcete po implementaci AI dosáhnout, nejdřív si ji udělejte. V ideálním případě bude tato představa ladit se směrováním firemní strategie. Výsledkem tohoto cvičení si zformulujte velmi konkrétní business zadání a jemu přiřadíte konkrétního vlastníka, který na něm může nakopnout svoje KPIs.
- Nalaďte si správné očekávání. AI projekty jsou více průzkumné povahy a nejsou sekvenční jako IT projekty (tzv waterfall, kdy každá fáze musí být dokončena, než může začít další). AI projekty jsou navíc extrémně závislé na datech, jejich kvalitě, dostupnosti a relevantnosti. Připravte se také, že je v AI projektech větší nejistota ohledně výsledků. Modely strojového učení mohou vyžadovat mnoho iterací a experimentů, aby se dosáhlo požadovaných výsledků. K Pilotu přistupujte s důvěrou jako k Pilotu.
- Posuďte interní kapacity pro takový projekt. Pokud máte vlastní AI/Data science tým, ideální. U nich se potkávají očekávání businessu, IT zadání, ostatní dodavatelé a budou tak nezastupitelným protějškem externímu partnerovi. Zavedený tým a osvědčené analytické prostředí je obrovská výhoda.
- Zvolte dobře partnera. Kromě znalosti různých technik a algoritmů strojového učení, by měl být schopen integrace AI řešení do stávajících IT systémů a procesů vaší firmy, garantovat zabezpečení dat a vyhovět veškerým compliance požadavkům, mít zkušenosti s používáním agilních metodik projektového managementu a hlavně prokázat schopnost účinně komunikovat a spolupracovat s vaším týmem. Přemýšlejte v delším horizontu – po úspěšném pilotu a nasazení a vyškolení vašeho personálu, budete pravděpodobně potřebovat asistovat s dalším rozvojem, podporovat škálování řešení a zajistit jeho údržbu a aktuálnost.
- Ujasněte si financování a jeho limity. Investujete pouze do pilotu, jste ochotni obětovat krátkodobé cíle? Potřebujete mít přesně spočítané ROI, jinak experiment neobhájíte? Kdo je sponzorem a jakou váhu pro něj má dosažení nastavených KPIs?
Těch nových rozhodnutí budete po cestě dělat hodně a budete se u toho učit. Tady si však neodpustím připomenout fundamenty projektového řízení, které – ať už pro AI anebo IT projekty bez rozdílu – jejichž absence vždycky vygeneruje nějakou formu selhání (vím, toto není nic převratného, ale pořád se to děje):
Tak odkud začít?
AI je pro všechny bez ohledu na velikost firmy, zato s ohledem na velikost příležitosti (tj jak významnou agendu ve firmě může obsloužit). Při identifikaci AI příležitosti se prvně zaměřte na obchodní ukazatele (až sekundárně na finanční ukazatele), například:
– business metriky: potenciál křížového prodeje, zvýšení cen, odhad poptávky
– zákaznické metriky: udržení, spokojenost zákazníků, podíl peněženky
– efektivita: snížení zásob, výrobní náklady, řízení znalostí
Vybrané příležitosti dále prioritizujte podle přidané hodnoty promítnuté do výsledku hospodaření s dopadem na EBITDA. Zaměřte se na scénáře s nízkým rizikem (zvažte interní scénáře před zákaznickými) a především: zhodnoťte schopnosti jako stávající datové struktury, talent pool, technickou infrastrukturu a rizika.
Rizika, bezpečnost, governance a právo
S experimentálním AI projektem se dostáváme na neméně experimentální půdu nastavování politik, norem a procesů, které budou mít za cíl zajistit etické, transparentní a bezpečné využívání AI technologií ve firmě. AI je nová entita a my se musíme snažit ji uhlídat a vychovat našim hodnotám. Na trhu se v poslední době objevují velmi kvalitní konkurenční modely z Číny, navíc v nákladech na interferenci levné, ovšem bezpečnostními experty varovně klasifikované jako nástroje psyops a pro sdílení dat jako vysoké bezpečnostní riziko. Jde o jednu z nejcitlivějších otázek, pro přehled zmíním 7 oblastí, které si budete chtít ošetřit a pohlídat:
- Etika coby schopnost AI vyhýbat se zaujatosti a diskriminaci a zajištění spravedlivého a nestranného zacházení pro všechny uživatele.
- Vysvětlitelnost jako schopnost vysvětlit rozhodnutí a akce AI.
- Spolehlivost coby schopnost AI fungovat konzistentně a přesně za různých podmínek.
- Soukromí v podobě opatření pro ochranu osobních údajů a zajištění, že se s daty zachází bezpečně a v souladu s příslušnými zákony o ochraně dat.
- Odpovědnost za AI systémy, včetně toho, kdo je zodpovědný za rozhodnutí učiněná AI.
- Bezpečnost a robustnost v podobě zajištění, že AI systémy jsou bezpečné, odolné proti cíleným útokům a manipulacím.
- Společenský dopad coby vlastnost AI dosahovat svých cílů v souladu s cíli a preferencemi lidí
Aktuálně na MPO vzniká legislativa, která otázky a nastavení pravidel pro aplikaci AI řeší. Prozatím je dobrou firemní praxí doložkami ošetřovat povinnost zaměstnanců informovat o používání AI nadřízeného a dodavatelské služby podmiňovat dodatkem, podle kterého ponese případná rizika a důsledky dodavatel.
Připravme se, že podobných otázek bude přibývat a doufejme, že právo a vládní regulace se budou v těchto nových reáliích pohybovat vzdělaně, včasně a konzistentně.