Vysvětlím vám to na následujícím příkladu – představte si AI nástroj jako nového zaměstnance. Ten musí nejprve projít obecným školením, ve kterém si osvojí základní dovednosti. To v naší analogii odpovídá předtrénování. Poté následuje zvláštní typ tréninku pro konkrétní pozici, během kterého dostává zaměstnanec zpětnou vazbu o tom, jak si vede. Tomu se říká zesilované učení. Nakonec přichází hodnocení od zkušenějších kolegů, tedy lidská evaluace, kteří mu pomohou doladit jeho výkon. Pokud se na tuto cestu vydáte, nečekejte, že bude jednoduchá. Čeká vás spoustu překážek, se kterými si budete muset poradit. Na co si tedy dát při tréninku pozor? 

S rostoucí popularitou umělé inteligence se mnoho firem snaží své produkty označovat jako „AI-powered“, aniž tato technologie přináší skutečnou hodnotu. Proto jsme si ve firmě stanovili jednoduché pravidlo – klíčové není „mít AI“, ale vyřešit prostřednictvím AI konkrétní problém. Skutečný přínos vzniká až tehdy, kdy vám umělá inteligence dodá měřitelný výsledek – úsporu času, přesnější výsledky nebo lepší uživatelský zážitek. 

V angličtině se říká: „Garbage in, garbage out“ – pokud nemáte kvalitní zdroje, nemůžete čekat kvalitní výsledky. U AI to platí dvojnásob. S problémem nerelevantních dat jsme se setkali při vývoji specializovaného asistenta pro právní analýzy. Model byl totiž trénovaný na obecných textech a právničině vůbec nerozuměl. Řešili jsme i druhou otázku – jak získat dostatek kvalitních dat a zároveň chránit osobní údaje. Kvůli tomu jsme vytvořili syntetická data, která napodobovala reálné případy, ale neobsahovala citlivé informace. To nám navíc pomohlo model trénovat přesněji pro konkrétní oblasti, které jsme potřebovali. 

Druhým úskalím byla cena. Trénovat a provozovat pokročilé AI modely totiž není vůbec levné. Často potřebujete výkonné GPU clustery, které mohou stát i miliony korun. Proto jsme se u nás zaměřili na dvě kategorie modelů. Prvním jsou infrastrukturní modely. Ty běží ve výpočetních centrech, jsou nejvýkonnější, ale běží přes internet v clusterech. Druhé jsou malé optimalizované modely běžící lokálně, které zvládají jednodušší úkoly, ale nemusejí data odesílat přes internet. Překvapivě jsme zjistili, že lokální modely nejsou vždy rychlejší a specializované výpočetní jednotky (TPU/NPU) v clusterech jsou často natolik výkonné, že překonávají i lokální nasazení.

Může se také stát, že narazíte na omezenou interpretovatelnost. To v překladu znamená, že model může generovat přesvědčivé výstupy, ale často z nich není jasné, proč se rozhodl právě takto. To v některých oblastech, kde potřebujete mít jasno v tom, jak model k závěru dospěl, může být velký problém. Proto jsme začali využívat metody takzvané explainable AI (XAI). Ty dělají systémy mnohem transparentnější a pomáhají rozumět tomu, jak se model rozhoduje. 

AI systém málokdy funguje samostatně. Většinou musí komunikovat s dalšími aplikacemi, databázemi nebo API. Když jsme vyvíjeli AI tutora pro interní záležitosti, museli jsme zajistit, aby se snadno propojil se všemi stávajícími nástroji pro projektový management a s CRM systémem. V ten moment jsme narazili na další oříšek – integrace byla technicky poměrně náročná, protože systémy používaly různé standardy a protokoly. Bez ní bychom však produkt reálně nemohli používat. 

Čekejte ale i další překážky, zvláště ty legislativní. S nástupem nařízení jako EU AI Act je stále důležitější postarat se o to, aby AI systémy neporušovaly práva uživatelů, chránily osobní údaje a nechovaly se diskriminačně. V praxi to znamená, že už ve fázi návrhu musíte řešit otázky typu: „Respektuje model soukromí uživatelů?“, „Je model spravedlivý?“ a „Je možné jej auditovat?“ Pokud v těchto aspektech model pokulhává, nezbude vám než ho přepracovat.

Opakovaně se nám vyplatilo řídit se při zavádění AI nástrojů heslem „think big, start small“ – místo ambiciózního projektu s nejistým výsledkem postupujeme v menších krocích. Nejprve se podíváme na trh a zjistíme, zda zákazníci o produkt skutečně stojí. Poté na proof of concept a ověříme, zda jsme schopni svůj plán technicky realizovat. Nakonec vytvoříme MVP, tedy jednoduchou, ale funkční verzi. Tím zásadně snižujeme riziko, že utratíme velké množství peněz za něco, co je předem předurčeno k neúspěchu, nebo produkt nebudeme moci v průběhu času vylepšovat. 

Pokud používáte velké jazykové modely jako GPT, doporučila bych vám vydat se následující cestou: nejprve model dolaďte na vlastních datech. Tím docílíte toho, že bude vysoce přesný pro účel, který potřebujete. Poté ho dobře formulovanými dotazy dostanete do podoby, se kterou budete spokojení. To, kterou strategii zvolíte, závisí na úkolu, který má model řešit, dostupnosti dat a rozpočtu. Zatímco pro některé aplikace může být efektivnější investovat do kvalitních promptů, jinde se vyplatí model doladit pro konkrétní doménu. 

Nasazením modelu ovšem práce nekončí. AI systémy musíte neustále kontrolovat, testovat a vylepšovat. Uživatelé se mění, jejich potřeby vyvíjejí a vy jim musíte své technologie přizpůsobovat. Neustále se také objevují nové a schopnější modely. 

Vyvíjet systémy využívající AI není laciné. Náklady na experty, infrastrukturu a provoz se mohou rychle vyšplhat. Proto si na začátku stanovte milníky, kterých chcete dosáhnout, a v průběhu času sledujte, zda k nim míříte. Řekněte si, co je pro vás důležité – je to růst příjmů, spokojenost uživatelů nebo úspora času? Pokud budete mít na začátku jasný plán, bude vám sloužit jako vodítko při dalším vývoji. 

Pokud vaši firmu umělá inteligence zatím obchází, pusťte ji dovnitř. Když si trénink vyzkoušíte na malých, dobře definovaných projektech, jejichž investice se vám rychle vrátí, získáte zkušenosti, které pak zúročíte na ambicióznějších řešeních. Na začátek vám stačí mít jasnou vizi, čeho chcete dosáhnout, realistická očekávání a být ochotní se učit z chyb. Pamatujte si, že AI není zázračný všelék na všechny problémy. Pokud ji ale využijete racionálně, stane se pro váš byznys mocným spojencem.