Dátový dlh

Keďže sa UI systémy učia z dát, je nevyhnutné, aby mali prístup k dostatočnému množstvu relevantných, konzistentných a komplexných dátových súborov. Kvalita a rozsah dostupných dát priamo ovplyvňujú výkon a účinnosť UI systémov. Správne spracované a štruktúrované dáta poskytujú potrebný základ na trénovanie modelov UI, čo zlepšuje ich schopnosť rozpoznávať vzory a vykonávať úlohy, na ktoré sú navrhnuté. V podstate môžeme povedať, že dáta sú pre umelú inteligenciu pohonným palivom, čo zdôrazňuje ich kľúčovú úlohu v modernom svete technológií.

Rýchla implementácia UI môže naraziť na problémy, ak sa použije nedostatočne škálovateľné riešenie na zber a analýzu dát. To môže viesť k zastaraniu systému, nízkemu výkonu, obmedzenému prehľadu a obmedzeným možnostiam integrácie. Samotná technológia nedokáže napraviť základné nedostatky. Myšlienka, že mechanické pripojenie vlastných dát k externým systémom UI prostredníctvom konektorov API, je riešením všetkých problémov, je častá a chybná. Aj najlepšie pripravená integrácia s UI nemá bez správnych a presných dát význam. Platí zásada, že čo do systému vstúpi, to z neho aj vystúpi (garbage in – garbage out). Naopak, systematicky čistené a overované dáta prinesú organizáciám výraznú pridanú hodnotu. Tzv. dátový dlh môže vyžadovať významné investície ešte pred samotným nasadením UI.

Efektívna správa dát

Rôzne obmedzenia v zdieľaní dát vnútri organizácie, či už medzi pobočkami, tímami, oddeleniami, alebo divíziami, predstavujú samostatný problém. Tieto obmedzenia sú často spôsobené ukladaním dát mimo oficiálne vyhradených priestorov, napríklad na externé účty vo verejnom cloude. Tento prístup môže priniesť dodatočné náklady spojené s konektivitou a integráciou. Rozptýlené ukladanie dát môže komplikovať prístup a výmenu informácií medzi rôznymi časťami organizácie, čo má za následok zvýšenie výdavkov a potenciálne aj bezpečnostných rizík spojených s dátovým manažmentom.

Efektívna správa dát a politika ich uchovávania, ako aj schopnosť agregovať dáta predstavujú náročné úlohy. Napriek náročnosti sa investície do týchto oblastí dlhodobo vyplácajú, najmä ak sa podarí spojiť neštruktúrované dáta s existujúcimi štruktúrovanými informáciami do tzv. data lake. Integrácia rôznych typov dát môže odhaliť nové a dôležité súvislosti, ktoré môžu byť pre organizáciu kľúčové pri formovaní stratégií, reakcii na trhové preferencie a podobne. Je dôležité mať zabezpečený jednotný zdroj pravdy (single source of truth), aby bol základ učenia UI čo najvernejší realite.

Odstránením dátového dlhu v organizácii a implementáciou účinnej správy údajov sa spoločnosť pripravuje na úspešné nasadenie systémov umelej inteligencie. V nasledujúcom texte preskúmame tri oblasti, ktoré prispievajú k zvýšenej efektivite a kvalite firemných procesov.

UI monitoring

Jedným z kľúčových prínosov UI v oblasti monitoringu je schopnosť kontinuálneho sledovania a analýzy veľkého množstva údajov v reálnom čase. To umožňuje rýchle rozpoznávanie nepravidelností, identifikáciu potenciálnych rizík a predchádzanie problémom ešte predtým, než sa stanú kritickými. Vyhodnocovanie kvality procesov sa tak stáva presnejším a dynamickým procesom, kde UI automaticky vyhľadáva odchýlky a navrhuje optimalizačné opatrenia.

Tieto systémy sú schopné nielen identifikovať vzťahy a príčinné súvislosti (kauzalitu) v rôznych oblastiach, ako sú monitorovanie IT infraštruktúry, účtovníctvo, nákup, logistika, vzťahy s dodávateľmi alebo zákazníkmi, ale pomocou ľudského dohľadu týmto informáciám aj hlbšie porozumieť. Sú schopné komplexne analyzovať, vizualizovať a modelovať dané procesy a tým poskytovať kvalifikované odporúčania.

Monitorovacie aplikácie a automatizačné platformy, ako sú Datadog, New Relic, Dynatrace alebo Platform X, dnes už štandardne integrujú umelú inteligenciu do svojich produktov a služieb. Tradičnými metódami v nich možno dosiahnuť značné zlepšenie, napríklad redukciu počtu incidentov o 30 % vďaka zníženiu redundancií a spojenie viacerých incidentov do jedného, ak majú rovnaký koreň problému (root cause). Podobnú funkcionalitu prinášajú produkty, ktoré dovtedy slúžili najmä na dokumentovanie a manažment štandardných IT procesov, napríklad ServiceNow. Teraz podobné nástroje umožňujú integráciu zákazníckej inštancie (dát) na generatívnu umelú inteligenciu a aj do jednotlivých firemných aplikácií.

Podnikové analytické produkty ako Splunk, SAP Solution Manager, SAP Focused Run (SAP FRUN) a SAP BI4, v kombinácii s monitorovacou infraštruktúrou a správou biznis procesov, transformujú tradičný end-to-end monitoring na všetko obsahujúci inteligentný nástroj s tzv. observability. Tento prístup zahŕňa pochopenie kauzality spojením udalostí z rôznych oblastí, reťazenie týchto udalostí a dokonca navrhovanie preventívnych opatrení (filtre, spúšťače akcií, príspevky do manažmentu problémov atď.). Integrácia s inteligentnými analytickými a vizualizačnými nástrojmi (dashboardy) z oblasti business intelligence umožňuje okamžité pochopenie nielen existujúcich procesov, ale aj ich problémov na základe výkonnostných ukazovateľov (KPI), pripravenosti na reakciu a plánovanie preventívnych opatrení.

Koncept inteligentných digitálnych dvojčiat predstavuje ďalšiu pokročilú formu monitorovania, ktorá využíva virtuálne kópie fyzických systémov alebo procesov, či už ide o stroje alebo dokonca vrcholových športovcov. Tieto digitálne repliky sú označované ako inteligentné vďaka ich schopnosti učiť sa, čo im umožňuje simulačne reprodukovať a predvídať správanie v rozličných situáciách. Táto technológia otvára brány optimalizácii, testovaniu a inovácii bez nutnosti fyzických zásahov do skutočných systémov. Vďaka tomu možno lepšie pochopiť fungovanie systémov, zlepšiť rozhodovacie procesy a zvýšiť ich efektivitu v oblasti riadenia a údržby.

Problematike monitoringu z hľadiska kybernetickej bezpečnosti sa budeme venovať v samostatnej časti nášho seriálu.

Manažment kvality

V oblasti manažmentu kvality UI umožňuje organizáciám identifikovať a riešiť problémy s kvalitou v reálnom čase. Algoritmy strojového učenia sú schopné rozoznať vzorce a trendy v dátach, ktoré môžu naznačovať problémy s kvalitou. To umožňuje organizáciám rýchlo reagovať a zabraňovať vzniku vážnych problémov.

Jedným zo základných prínosov UI v manažmente kvality je schopnosť detegovať odchýlky od stanovených štandardov a normatívov. Algoritmy môžu analyzovať údaje z výrobných liniek, zákazníckych hodnotení a iných zdrojov, aby identifikovali anomálie. Napríklad, ak v určitom období došlo k náhlemu zvýšeniu počtu reklamácií, UI môže upozorniť na potenciálny problém a umožniť organizácii rýchlo zareagovať. V praxi to znamená, že manažéri kvality budú schopní sledovať kvalitu produktov alebo služieb v reálnom čase. Táto rýchla reakcia umožní organizácii okamžite prijať opatrenia a predchádzať vzniku vážnych problémov, ktoré by mohli poškodiť povesť značky a spokojnosť zákazníkov.

Okrem toho môže UI pomôcť organizáciám predchádzať opakovaniu problémov. Na základe historických dát môže algoritmus identifikovať príčiny problémov a odporúčať opatrenia na ich odstránenie. To zabezpečuje, že organizácie nie sú len reaktívne, ale aj proaktívne voči možným problémom s kvalitou.

Prediktívna analytika

V súčasnom dynamickom podnikateľskom prostredí sa organizácie stretávajú s neustálym tlakom na to, aby predvídali budúce udalosti, trendy a potreby zákazníkov. V tomto kontexte predstavuje prediktívna analytika s využitím umelej inteligencie kľúčový nástroj pre organizácie, ktoré hľadajú presnejšie a efektívnejšie prognózy.

Algoritmy prediktívnej analytiky sú schopné automaticky sa učiť zo vstupných dát a zdokonaľovať svoje predikčné schopnosti. Táto schopnosť učenia a adaptácie je kľúčovým faktorom, ktorý robí z UI neoceniteľný nástroj v oblasti prognóz. Keďže algoritmy neustále spracovávajú nové informácie, sú schopné identifikovať vzorce a trendy, ktoré by boli pre ľudský analytický proces ťažko zvládnuteľné.

Jedným z hlavných prínosov prediktívnej analytiky s využitím UI je neustále zlepšovanie presnosti prognóz. Na začiatku môžu byť predikcie založené na obmedzených údajoch, ale algoritmy sa automaticky prispôsobujú novým informáciám, korigujú svoje modely a poskytujú presnejšie výsledky. Toto neustále zdokonaľovanie sa znamená, že organizácie môžu mať dôveru v predikcie, čo je kľúčové pre ich strategické rozhodovanie.

Adaptívne algoritmy UI sú schopné identifikovať nielen zjavné vzory, ale aj zložité interakcie medzi rôznymi faktormi. To umožňuje manažmentu lepšie porozumieť komplexným vzťahom a faktorom ovplyvňujúcim ich budúcnosť. Napríklad v odvetví maloobchodu môže prediktívna analytika s UI identifikovať sezónne trendy, preferencie zákazníkov a dosah externých faktorov, ako je ekonomická situácia.

V praxi to znamená, že firmy nie sú obmedzené na používanie jednej metódy alebo jedného typu UI. Na dosiahnutie komplexného a multidimenzionálneho pohľadu na predvídanie a plánovanie je bežné kombinovať rôzne prístupy, produkty a typy umelej inteligencie, ako sú strojové učenie (ML), konverzačná UI a generatívna UI. Táto synergia umožňuje organizáciám využívať špecifické výhody každého typu technológie, čím zvyšujú presnosť svojich predpovedí a efektívnosť plánovacích procesov. Integrácia rôznych foriem UI tak otvára nové možnosti inováciám a zlepšovaniu operácií vo všetkých aspektoch podnikania.

Čoraz viac firiem sa obracia na nástroje generatívnej UI vrátane veľkých jazykových modelov (LLM), ktoré sú špecializované na konkrétne oblasti ako strojárstvo, financie, programovanie, legislatívu a ďalšie. V týchto oblastiach sú schopné poskytovať špecifické analýzy a riešenia, od identifikácie akustických a optických defektov v obrábacom priemysle a metalurgii až po analýzu burzových operácií či rizík alebo dokumentovanie kódu. Napríklad pre oblasť strojárstva existuje na trhu niekoľko desiatok tisíc špecializovaných modelov na prediktívnu údržbu zariadení, čo dokazuje ich rozsiahla aplikácia a význam v praxi.

Umelá inteligencia je v dnešnom podnikateľskom prostredí nevyhnutným nástrojom. Jej úlohu ako kľúčového akcelerátora pri transformácii biznis procesov budeme podrobnejšie rozoberať v nasledujúcich častiach tohto seriálu.

Marián Možucha
marian.mozucha@dxc.com

Peter Hanzlík
peter.hanzlik@dxc.com

DXC Technology