Renomovaný německý časopis COMPUTERWOCHE si v letošním roce pozval do panelové diskuse zástupce nejvýznamnějších německých firem a všem položil jednu základní otázku: Jak jste na tom se zaváděním AI a ML ve vaší firmě? Důvod je jednoznačný: zdá se, že rozruch okolo strojového učení (ML) a s ním související technologie umělé inteligence (AI) zvolna utichá a začíná být pomalu, ale jistě nahrazován pragmatičtějším přístupem. „V Microsoftu v současné době vidíme, že firmy projevují opravdovou zvědavost, pokud jde o strojové učení a umělou inteligenci. Mnoho firem odstartovalo v nedávné době na tomto poli různé menší projekty,“ říká například Jürgen Wirtgen ze společnosti Microsoft Germany. Podle jeho názoru se oba tyto přístupy vyvíjejí takovým směrem, aby se staly pro firmy prakticky upotřebitelnými nástroji, které lze použít stejně jako jakýkoli jiný software. Pozitivní přístup německých společností ke strojovému učení vnímá i Telefonica. Sám tento poskytovatel telekomunikačních služeb strojové učení využívá: „Strojové učení a AI pomáhají při údržbě a optimalizaci mobilních sítí, podporují mediální analýzu sociálních sítí, urychlují zpracování servisních požadavků a vylepšují vzájemnou komunikaci mezi zaměstnanci,“ dodává Thorsten Kühlmeyer. Průkopníkem v oblasti strojového učení je ale bezesporu finanční a pojišťovací sektor. „Například v souvislosti s vyhodnocováním rizik při schvalování půjček a úvěrových žádostí,“ vysvětluje Kay Knoche ze softwarové společnosti Pegasystems. Žádný důvod ke spokojenosti Existují ale i kr it ické názory na situaci ohledně strojového učení. „Ve srovnání s ostatními země, jako jsou např. USA, německé společnosti strojové učení ještě v podstatě nepřijaly. Důvodem je to, že německé firmy jsou méně ochotny riskovat oproti svým americkým protějškům,“ tvrdí Karl Schriek z konzultační společnosti Alexander Thamm. Podle jeho názoru německé společnosti narážejí na vlastní perfekcionismus, který jim brání v tvorbě úspěšných marketingových řešení. Podle jiného názoru německé společnosti trpí nedostatkem nápadů, pokud jde o praktické případy použití. Firmám údajně často chybí představivost ohledně rozsahu a typu aplikací strojového učení. Na druhé straně pak stojí částečně nerealistické nápady ohledně možností této technologie. Musí se hledat „správné“ příklady použití Příklady použití, které lze snadno implementovat, jsou pro firmy obzvláště dobrým výchozím bodem. „Cílem by nemělo být řešení konkrétní obchodní záležitosti, ale získat pocit, že rozumíme možnostem této technologie,“ zdůrazňuje Karsten Johannsen ze společnosti Tech Data. Pro správné fungování ML i AI je nejdůležitější vůbec dopředu vlastnit potřebná data a také umět zkontrolovat jejich kvalitu. „Příprava dat je v současné době opravdu tou největší výzvou,“ potvrzuje Christian Dyballa ze společnosti Capgemini. Zajímavý postoj prezentoval během panelové diskuse Dieter Mayr z A1 Digital: „Jednou z možností by bylo využití uživatelsky přívětivé platformy s nízkým kódem, která by usnadnila rychlý vývoj a testování aplikací AI a ML. Tímto způsobem by mohly firmy snadno získat zkušenosti se strojovým učením.“ Podle Mayra je konečným cílem „formovat“ odborné znalosti do modelů a tyto modely dávat k dispozici pro řešení AI a ML. Kontroverzní téma: transparentnost Názory odborníků se začaly poměrně rozcházet, jakmile došlo na téma transparentnosti algoritmů a sledovatelnosti výsledků stanovených strojovým učením a systémy AI. Christian Dyballa ze společnosti Capgemini považuje za zcela zásadní, a dokonce životně důležité, abychom věděli, jak se mají systémy vybavené ML rozhodovat. „Pomyslete jen na takové citlivé oblasti, jako je zdravotní péče nebo autonomní řízení vozidel.“ Kay Knoche z Pegasystems uvádí další příklad: „V našem oboru musí být jasné, které prediktory, jako je věk nebo pohlaví, mají vliv na schvalování žádosti o půjčku.“ Pouze tak si lze ověřit, že nejsou brány v úvahu takové faktory, jako je například země původu. Podle Knocheho „každé rozhodnutí musí být sledovatelné“. Je tady ale ještě další aspekt: lidé by měli být schopni rozpoznat, zda bylo dané rozhodnutí učiněno systémem se strojovým učením, nebo AI systémy. Toto je však velmi těžko implementovatelné, vysvětluje Karsten Johannsen z Tech Data: „Porozumění tomu, jak a proč AI přijímá určitá rozhodnutí, lze obecně získat pouze na základě klasických ML přístupů, jako jsou rozhodovací stromy a ostatní konvenční klasifikační faktory nebo ploché neuronové sítě.“ Pokud jde o technologie, jako je hluboké učení, tak to lze pouze s určitými omezeními – pokud vůbec. To je důvod, proč odborníci zastávají názor, že databáze využívané instancí AI musejí být vždy transparentní. Kromě toho je vyžadováno komplexní testování, např. dopadů konkrétních datových poolů a modelů na výsledky. „Negativní účinky by se měly minimalizovat,“ zdůrazňuje Jürgen Wirtgen z Microsoftu. Plná transparentnost je stále pouhou iluzí Plná sledovatelnost v souvislosti se strojovým učením a umělou inteligencí nikdy nebude možná, vysvětluje Farhad Khakzad: „Rozhodování lidí také nejsou také plně transparentní – alespoň ve většině případů.“ To je důvod, že jej nelze použít jako výchozí předpoklad pro používání ML a AI. „Obzvláště ve spojení s technikou hlubokého učení (deep learning) tato zvláštnost poněkud připomíná hledání Svatého grálu,“ poznamenává Khakzad. K podobnému závěru dochází i Karl Schriek z Alexandr Thamm. Rostoucí složitost ML řešení a algoritmů může být chápána jako to, co snižuje transparentnost. Zdůrazňuje: „Otázka, kterou se musíme zabývat, nezní: Jak zajistit, aby byla řešení AI více transparentní?, ale spíše: Do jaké míry jsme připraveni spoléhat se na řešení, která transparentní nejsou?“ Aktuální situace v Německ u: tvrdá data Téměř 30 % německých firem považuje strojové učení a umělou inteligenci za nejžhavější témata v IT. Ve srovnání s rokem 2018 to představuje nárůst o 5 %. Stejné procento německých firem současně plánuje v příštím roce intenzivní zapojení do implementace strojového učení nebo umělé inteligence. To platí zejména pro velké společnosti s 1 000 a více zaměstnanci. Na žebříčku nejdůležitějších témat v oblasti IT se AI a strojové učení umístilo na třetím místě za cloud computingem a kybernetickou bezpečností. Přibližně 57 % německých firem již používá alespoň jeden typ technologie strojového učení a více než 22 % dokonce i větší počet těchto aplikací. Pouze 12 % respondentů uvedlo, že strojové učení nepoužívá vůbec nebo se dokonce úmyslně rozhodli tuto technologii nepoužívat. Zejména ve větších společnostech s 1 000 a více zaměstnanci se většinou používá i několik různých ML aplikací (28 %). U menších společností to platí pouze pro 17 % firem. Obecně: čím vyšší mají firmy rozpočet na IT, tím více společnosti využívají strojové učení: 37 % firem s rozpočtem větším než deset milionů eur využívá širokou škálu ML aplikací, na druhou stranu je ale využívá pouze 11 % těch, které disponují rozpočtem jeden milion eur. Znepokojivé je, že specializovaná oddělení ve firmách nejsou dostatečně informována o stavu ML ve firmách: pouze 30 % ví, že se takové aplikace již používají – oproti 53 % lidí odpovědných za obchod. Podíl společností s méně než 1 000 zaměstnanci, které tvrdí, že pro ně není strojové učení relevantní, klesl z 22 % v roce 2018 na součas-ných 19 %. Téměř 36 % německých firem si myslí, že strojové učení má největší přínos pro IT oddělení. To je o 13 % méně než v roce 2018. Vysvětlením může být, že firmy již začínají chápat, že řešení ML nabízejí benefity i v jiných oblastech. Nicméně, IT oddělení jsou stále ta, která z ML profitují nejvíce. Uveďme například rozpoznávání nevyžádaných e-mailů a používání strojového učení v diagnostice. Za tím následuje zákaznický servis (29 %), optimalizace výrobního prostředí (27 %) a podpora řízení (27 %). Největší překážkou je z hlediska používání strojového učení nízká kvalita dat a nedostatečná transparentnost algoritmů strojového učení. Na druhé straně, nedostatek finančních prostředků hraje v případě těchto projektů spíše menší roli. Nízkou kvalitu dat považuje za největší problém obklopující projekty strojového učení více než 34 % firem. To platí jak pro velké společnosti s 1 000 a více zaměstnanci, tak i pro ty menší. Téměř 30 % respondentů navíc bojuje se skutečností, že ML algoritmy jsou těžko pochopitelné. Dalším velkým problémem je nejistá návratnost investic. Tu vidí jako velký problém 30 % zejména vedoucích pracovníků, jako jsou generální ředitelé, obchodní ředitelé IT a vedoucí IT oddělení. Ti většinou chtějí vědět předem, jestli jim použití strojového učení nějakým způsobem vrátí investované výdaje. V rámci projektů orientovaných na ML jsou data jako taková hlavním problémem pro více než 30 % společností. To platí pro výběr, pročištění i porozumění informacím. 36 % firem potřebuje pomoc s výběrem informací, které mají být zpracovány pomocí strojového učení. 32 % respondentů uvedlo, že potřebuje pomoc i s čištěním dat a podporu pro specializovaná oddělení („jak datům porozumět“). S výběrem vhodných modelů strojového učení potřebují poradit zejména menší společnosti s méně než 1 000 zaměstnanci (39 %). Více než čtvrtina respondentů (27 %) se spoléhá při vypracování návrhu konkrétního nasazení systémů s ML na podporu externích odborníků. Je zajímavé, že toto platí zejména pro větší společnosti (31 %) a v menší míře pro společnosti s méně než 1 000 zaměstnanci (22 %). Interpretace výsledků strojového učení se však považuje za problém pouze u 18 % firem! Andrea Cejnarová Zdroj: Machine learning / Deep learning 2019, IDG Research Services
