Hans Roth, senior viceprezident a generální ředitel pro region EMEA ve společnosti Red Hat
Počátky umělé inteligence (AI, Artificial Intelligence) sahají až do 50. let 20. století. Ale i když se umělá inteligence zdokonaluje již několik desetiletí, ve srovnání s jinými technologiemi, jako jsou telefonování, domácí výpočetní technika nebo internet, je pokrok v AI poměrně pomalý.
Teď se ale zdá, že nastala doba, kdy je umělá inteligence dostupná téměř všem a technologické odvětví dostává nový impulz. V této chvíli si ale všichni musíme položit otázku, jak nám může umělá inteligence pomoci zvládnout více s menším úsilím. Aplikování umělé inteligence na každodenní úkoly, jako psaní textů, vytváření obrázků nebo produkování hudby, představuje přelomový okamžik z hlediska povědomí veřejnosti. Při rozhovorech se zástupci firem je ale nabádám, aby se na umělou inteligenci nedívali jen jako na další technologii, ale jako na nástroj k řešení problémů a využití příležitostí. Stejně jako cloud computing reagoval na problém se škálovatelností, blockchainy vyřešily problémy centralizace a software pro digitální reklamu zajistil efektivnější vynakládání marketingových rozpočtů, měla by být AI posuzována podle výsledků, které dokáže generovat.
A jaké jsou tedy tyto výzvy a příležitosti? S kolegy ve společnosti Red Hat jsme o AI začali diskutovat na základě sedmi hlavních problémů, které dnes firmy řeší.
1. Efektivita vs. inovace: Ve snaze o provozní efektivitu jsou podniky často nuceny dosáhnout více s menšími náklady. Maximalizovat výkon s omezeným počtem zaměstnanců předpokládá lépe využívat stávající dovednosti, překlenout mezery ve znalostech, rozvíjet nové schopnosti a vytvářet podmínky pro úsporné inovace.
2. Zvládnutí složitostí: Neustálý postup softwarových inovací slibuje neomezený potenciál, ale může také přinášet složité problémy. Každý nový systém a integrace s sebou nesou rizika, jako jsou bezpečnostní hrozby, narušení provozu služeb nebo náhlý nárůst poptávky. A tuto zátěž může ještě zvýšit obliba hybridního cloud computingu. Systémy monitorování událostí sice nabízejí určitou úroveň kontroly, ale týmy IT mohou být rychle zahlceny samotným rozsahem rostoucího ekosystému a objemem dat.
3. Podpora automatizace: V kontextu předchozích dvou problémů se klíčovou prioritou stává automatizace. Právě automatizace totiž umožňuje uvolnit zaměstnance od všedních úkolů a převést je na práci, která přináší vyšší hodnotu. Automatizace ale vyvolává otázky, co automatizovat, jakými nástroji a jak věřit, že to bude fungovat
4. Přizpůsobení se poptávce: Fungování s omezenými zdroji je pouze jednou z výzev, před kterou týmy IT stojí. Současně mají za úkol rozšiřovat svoje aktivity, aby uspokojili prudce rostoucí poptávku po aplikacích a službách. Udržet krok s poptávkou po DevOps i plnohodnotných produkčních prostředích není jen o nasazování nových technologií, ale také o jejich následné správě.
5. Zapojení edge computingu: Pokud výše uvedené body nejsou pro oddělení IT dostatečnou výzvou, pak se pusťte do světa edge computingu, aby byl váš život ještě o něco komplikovanější. Datová centra totiž už nejsou jediným místem pro zpracování dat. Okraj sítě však není jen jiným „umístěním“ pro výpočetní techniku – představuje i zcela odlišný přístup. Jádrem problému je zde hlavolam, jak aplikovat standardy zpracování dat, přístupnosti a zabezpečení na infrastrukturu a stroje na okrajích sítě, které byly navrženy tak, aby byly různorodé.
6. Vyvážení inovací a bezpečnosti: Neomezené inovace sice jsou bezpečnostním rizikem, ale přílišný důraz na bezpečnost potlačuje vůli a možnosti kreativity. Podniky si v tomto spektru musí najít vlastní bod rovnováhy a tomu pak průběžně přizpůsobovat své aktivity i kulturu. Integrace bezpečnostních funkcí a protokolů do vývoje softwaru překonává pohled na bezpečnost a inovace jako na kompromis. Místo toho je tento přístup staví do pozice doplňkových funkcí a dává vývojářům jistotu a důvěru v bezpečnost jejich práce.
7. Plánování udržitelnosti: Vlády, akcionáři, zákazníci a zaměstnanci požadují, aby se organizace postavily ke své odpovědnosti za udržitelnost jako nikdy předtím. Pro týmy IT to může znamenat rozporuplný požadavek – na jedné straně dělat více a na druhé straně šetřit energií. Klíčová je schopnost sledovat a vykazovat poznatky o udržitelnosti a upravovat pracovní metody tak, aby podporovaly udržitelnější postupy.
AI bez lidí problémy nevyřeší
Umělá inteligence slouží jako všestranný nástroj, který může organizacím s řešením těchto problémů pomoci. Těchto sedm problémů ale nespojuje jen to, že na všechny lze aplikovat umělou inteligenci, ale především fakt, že samotná AI na ně nestačí. Tou skutečnou tajnou zbraní jsou v každém případě lidé. Bez lidí, kteří identifikují, prioritizují, vyprojektují a vyhodnotí problémy a jejich řešení, nebude mít umělá inteligence v lepším případě žádný dopad, v tom horším bude mít hluboce negativní důsledky.
To je klíčové a já často nabádám manažery, aby vzali v úvahu, že aplikace umělé inteligence bude tak dobrá, jak dobrá jsou data, na kterých je vyškolena. Ale kritériem by neměl být jen samotný objem dat. Důležité je zaměření, tedy jak relevantní jsou tréninková data v rámci kontextu vaší organizace. Říkáme tomu „doménově specifická AI“ a představuje to přelomový okamžik ve vývoji umělé inteligence. Pokud je aplikace AI vyškolena na soukromých, cíleným způsobem připravených datech a přizpůsobena standardům a postupům konkrétního podniku nebo odvětví, má větší schopnost poskytovat skutečně jedinečné a diferencované služby.
A zdaleka nejlepší možností pro vytváření řešení AI pro konkrétní doménu je open source. Jakýkoli otevřený software těží z širší výměny nápadů a spolupráce více talentů, a v podstatě každý podnikový nástroj s AI je příkladem open source technologie. Ano, včetně ChatGPT! Manažery firem může mást a znepokojovat nesprávné chápání pojmu „open source“ – jedná se o kódovou základnu softwaru – v tomto případě aplikace umělé inteligence, která je otevřená a dostupná komukoli k nahlédnutí a sdílení. Data, na kterých se trénuje a která generuje, jsou pak soukromá, jak budete sami chtít.
Skutečná síla umělé inteligence nakonec nespočívá v samotných algoritmech, ale v synergii lidského vhledu, lidské spolupráce, relevance dat a počítačového zpracování. Manažeři, kteří tuto základní skutečnost pochopí, budou moci velmi brzy tvrdit, že stojí v čele něčeho nového.
