David Křivanec: Inovace v oblasti AI by v Česku měly jít „hybridní cestou“

V návaznosti na nedávnou roadshow se David Křivanec z HPE zamýšlí nad odlišnostmi v přístupu k AI mezi Českou republikou, Evropou a zbytkem světa. Představuje praktické kroky pro úspěšnou implementaci umělé inteligence a zdůrazňuje, proč je pro budoucnost klíčový hybridní model IT infrastruktury, který spojuje to nejlepší z cloudu i on-premise řešení. Dále se zamýšlí nad rolí AI ve vzdělávání a povzbuzuje firmy, aby se nebály a začaly s jednoduchými projekty, které přinesou okamžitou hodnotu.

Když porovnáme přístup českých firem k AI se zahraničím, zejména s ohledem na to, co zaznělo na konferenci, jsou zde výrazné rozdíly?

Mezi Českou republikou a zahraničím není v přístupu k AI tak velký rozdíl v tom smyslu, že bychom byli nějak pozadu, možná spíš naopak. Je to spíš o konkrétních oborech a velikosti firem – na jedné straně si velké korporace uvědomují, že implementace AI dokáže ve velkém měřítku zefektivnit, na straně druhé, malé firmy většinou zvládají implementaci lépe díky jejich flexibilitě. Velkým rozdílem je přístup Evropské unie k regulaci AI. Máme zde AI Act a snahu regulovat AI výrazně víc než v Americe nebo Číně. Zatímco v USA je regulace stran ochrany osobních údajů a etiky malá, o Číně ani nemluvě, v Evropě klademe na tyto oblasti výrazně větší důraz.

Regulace zajišťuje etičtější a bezpečnější využití AI, což je velice důležité, obzvlášť u technologie, u které si stále nejsme jistí, jaký dopad na nás bude v důsledku mít. Ovšem přílišná regulace je bohužel také brzdou inovace. Všechny největší AI modely pochází z Ameriky, což staví Evropu na vedlejší kolej, protože naše modely nedosahují takové velikosti. Naštěstí je spolupráce mezi americkým a evropským trhem je velmi úzká, takže máme k dispozici americké modely, ale i to se může změnit, obzvlášť ve světle aktuální politické situace. Evropa je silná ve specifických oblastech, jako je medicína nebo finance, pro které využití AI je naprosto zásadní. Celkově Česká republika drží tempo s ostatními zeměmi, ale velká většina firem je stále v začátcích implementace AI do svých byznysových procesů.

Jak moc složité je mít pilotní projekt v generativní AI a převést jej pak do velkého měřítka? A co by měly firmy udělat jako první, když chtějí začít?

Na panelové diskuzi se všichni shodli: začněte snadným, rychlým a jednoduchým byznys casem. Často se stává, že firmy si stanoví nereálná očekávání, chtějí, aby AI dělala všechno, nahradili lidi, kompletně změnila celý value chain a interní procesy.

Tak to ale většinou nefunguje, koneckonců jako jakákoli jiná změna. Takové projekty trvají roky a nikam se nepohnou, protože jsou příliš komplexní. Analýzy ukazují, že devět z deseti AI use casů selže. Ne proto, že by to AI nezvládla, ale proto, že to to firma nezvládne.

Jde o to si sednout a vymyslet jeden rychlý „easy win“. Mít ve firmě expertízu, minimálně někoho, kdo se AI zajímá a dokáže o AI mluvit a dělat ji osvětu. Jde o jednoduché use casey: automatizace procesů, chatbot, analýza interních dokumentů, vyhodnocování zpětné vazby od zákazníků, zpracování životopisů. Využít generativní AI, která je nejjednodušší.

Důležité jsou tři cíle:

• Mít reálná očekávání od toho, co AI dokáže.
• Rychle implementovat (ne projekt na tři roky).
• Přinést konkrétní hodnotu.

Pokud tyto kroky splníte, uvidíte, že to funguje, a můžete dělat další menší krůčky, které však přinášejí reálnou hodnotu. AI nemá nahradit práci, kterou chceme dělat, ale spíše uvolnit ruce lidem, aby se mohli soustředit na práci s vyšší přidanou hodnotou. Například v zákaznické podpoře může AI rozdělovat požadavky, odpovídat na jednoduché opakující se otázky, zatímco lidé mají více času na řešení komplexních problémů. Je to o nalezení hodnoty v jednoduchých use casech.

Dotkli jste se na konferenci tématu zapojení AI ve školství, nebo přístupu státu obecně? Jak se na to díváte?

Legislativa se tentokrát přímo neřešila, ale diskutovalo se o tom, kam AI pouštět a kam ne, včetně otázky AI ve školství. Zda je psaní diplomových prací s AI správné, vyvolalo různé názory. Ve výsledku se ale panelisté shodli, že důležitější než na co AI používáme, je to, proč AI využíváme, jaký je náš záměr.

AI je nástroj jako kalkulačka: sice usnadňuje život a možná brání v rozvoji některých základních dovedností, ale zároveň umožňuje posunout vzdělávání na vyšší úroveň, efektivněji hledat informace a soustředit se na hlubší pochopení a výzkum. Pokud ale chci používat AI k podvádění, je to špatně. Ale pokud ji využívám k tomu, abych já sám přinesl větší hodnotu, aby mi pomohla s rešerší nebo hledáním informací, pak je to naprosto v pořádku.

AI nekazí školství, vždycky se podvádělo – kdo z nás si nikdy neudělal tahák. Je to spíše o vzdělávání studentů (i učitelů a rodičů) v tom, jak AI efektivně využívat. Jak s její pomocí přinášet vyšší přidanou hodnotu k práci a studiu. Je potřeba vytvářet osvětu, mít koncept, vědět, jak s ní pracovat. Stejně jako ve firmách potřebujeme i ve školství AI strategii, aby pedagogové, rodiče a studenti věděli, jak AI používat k prospěchu vzdělávacího procesu.

Pokud byste měl zmínit jednu klíčovou myšlenku nebo moment, který si z této roadshow odnášíte, co by to bylo?

Asi to nejdůležitější je: „Nebojte se! Vlak vám ještě neujel!“. Každý o umělé inteligenci mluví, je spousta informací, nástrojů, všechno je AI. Pro někoho, kdo se ji nevěnuje, to může být ohromující a může z toho mít strach. Osobně si ale myslím, že se toho není potřeba bát, většina je na stále na začátku.

Je důležité si najít svůj use case a začít. Velkou výhodou je, že „AI pionýrské“ firmy již první AI projekty implementují a je tedy snadné se rozhlídnout a nechat se inspirovat. Jde o to prostě začít. Začít něčím jednoduchým a pohnout se dál.

Dalším důvodem, proč je důležité začít s něčím „simple“, je to, abychom zjistili, jak se daný AI nástroj, aplikace, platforma chová při reálném nasazení do produkce a jaké výzvy to s sebou přináší – ochrana dat, finančních náročnost využití AI modelů, dostupnost. To jsou všechno otázky, které jsou často při testovací fázi opomíjeny. Proto je potřeba mít efektivní AI strategii včetně toho, kde a jak AI poběží. Čím dál častěji se setkáváme, že firma vyvine AI aplikaci v cloudu, ale následný provoz musí přesunout na vlastní on-premis řešení.

Druhým klíčovým bodem je pak význam hybridního přístupu. Pro uživatele to sice nemusí být samozřejmost, ale firmy, které chtějí AI reálně implementovat do produkce, dříve nebo později narazí na výzvy spojené například s ochranou osobních údajů a dat nebo finančními náklady. A na tyto otázky by měla dlouhodobá AI strategie myslet. I proto je potřeba začít s jednoduchými nápady, abychom zjistili, co to znamená přesunout aplikaci z vývojového a testovacího prostředí v cloudu do produkce, kde k ní dáme přístup tisícům uživatelů a jestli není nutné uchovávat některá data v soukromí naší on-premise infrastruktury. Díky hybridnímu IT dokáží firmy tyto výzvy řešit, eliminovat rizika a naplno využít potenciál, který umělá inteligence přináší.