facebook LinkedIN LinkedIN - follow
Tematické sekce
 
Branžové sekce
Přihlášení SystemNEWSPřehledy
 
Tematické seriály

Jak uřídit IT projekt a nezbláznit se

Užitečné tipy a nástroje pro řešení problémů řízení inovací a vývoje produktů...

články >>

 

Industry 4.0

Průmysl 4.0

Jaký vliv bude mít čtvrtá průmyslová revoluce na výrobu a výrobní firmy?

články >>

 
Nové!

RPA - automatizace procesů

Softwaroví roboti automatizují obchodní procesy.

články >>

 
Nové!

IoT – internet věcí

Internet věcí a jeho uplatnění napříč obory.

články >>

 
Nové!

VR – virtuální realita

Praktické využití virtuální reality ve službách i podnikových aplikacích.

články >>

 
Nové!

Bankovní identita (BankID)

K službám eGovernmentu přímo z internetového bankovnictví.

články >>

 

Příručka úspěšného IT manažera

Dnes je řada IT manažerů opomíjena. Úspěšní bývají brouci Pytlíci a Ferdové...

články >>

 
 
Partneři webu
IT SYSTEMS 7-8/2021 , AI a Business Intelligence

Umělá inteligence v praxi

Co byste měli zvážit na cestě od pilotního projektu k produkčnímu nasazení

Abhinav Joshi


Artificial IntelligencePandemie zrychlila digitální trans­for­ma­ci v různých oblastech podnikání o tři až čtyři roky, protože manažeři byli nuceni investovat a digitálně modernizovat. S tím, jak se manažeři snaží budovat své digitální platformy, se umělá inteligence (AI) jeví jako skvělý nástroj pro podniky, které chtějí zvýšit efektivitu, nabídnout něco více zákazníkům, zvýšit příjmy a snížit náklady.


Jsme svědky toho, jak se umělá inteligence uplatňuje v mnoha odvětvích jako jsou finanční služby a pojišťovnictví, telekomunikace, zdravotnictví a automobilový průmysl, přičemž největší dopad mají strategie umělé inteligence, které upřednostňují lidi a procesy stejnou mírou jako technologie. Zde je pět klíčových námětů, které pomohou podnikům získat co největší hodnotu z jejich investic do AI.

1. Upřednostněte kvalitu před kvantitou

Manažeři by si měli položit otázku, které konkrétní operace by nejvíce získaly digitalizací nebo vylepšením pomocí AI, a poté vybrat jeden nebo dva projekty, na které se zaměří jako první. Například poskytovatel zdravotní péče by mohl těžit z vybudování řešení pro diagnostiku zdravotního stavu pacientů na základě dat, zatímco bankovní dům by mohl upřednostnit řešení pro odhalování podvodů při transakcích kreditními kartami.

Tyto iniciativy by měly být řádně financovány, namísto toho, aby datové týmy pouze experimentovaly s možnostmi. Pro větší šanci na úspěch by se na výsledku měly podílet všechny zúčastněné strany, k čemuž přispěje financování iniciativy stejně jako sdílení obchodních cílů projektu se zbytkem společnosti.

2. Dedikujte kapacity a talenty

Jakmile je identifikován problém a nastíněny cíle projektu, musí manažeři obrátit pozornost na svůj tým. Ten tým by měl být schopen využívat všechny nástroje a technologie potřebné k realizaci projektu a s největší pravděpodobností složen z vybraných analytiků, datových inženýrů, datových vědců, inženýrů zabývajících se strojovým učením (ML), vývojářů a příslušných specialistů na provoz IT – možná včetně partnerů softwarového ekosystému pro AI. Je důležité zvážit interní programy zvyšování kvalifikace oproti externím dodavatelům, protože i když projekt může být krátkodobý, jeho využití bude s největší pravděpodobností dlouhodobé. Na začátku je třeba zvážit také změny procesů v oblasti provozu a řízení.

3. Nastavení rozsahu

Strategie hybridního cloudu pomáhá zajistit konzistenci a flexibilitu při škálování a správě pracovních úloh v prostředí datového centra, na okrajích sítě a ve veřejném cloudu. Volba hybridní cloudové platformy s podporou Kubernetes a hardwarovou akcelerací, jako nabízí například Red Hat OpenShift, může datovým vědcům, vývojářům aplikací a ML inženýrům poskytnout rychlý a samoobslužný přístup ke zdrojům při budování řešení AI.

V tento moment je třeba shromáždit a připravit pro projekt správná data a stanovit způsob, jakým budou vaší architekturou proudit. Podniky shromažďují obrovská množství dat, takže vyčištěná a relevantní data umožní efektivní tvorbu a testování nových modelů AI. Vedle shromáždění vhodných dat musí manažeři vytvořit odpovídající výpočetní úložiště a hardwarové akcelerátory.

4. Automatizace a přístup

Do budoucna je nezbytné zvážit, jak automatizovat celý životní cyklus ML a kdo bude mít přístup k nástrojům a klíčovým pracovním postupům. Důležité je jmenovat podnikového architekta nebo osobu s podobnou rolí, která navrhne architekturu, a zajistit, aby příslušné týmy měly samoobslužným způsobem přístup k potřebným nástrojům MLOps (DevOps pro strojové učení), což usnadní cestu k novému řešení.

5. Měřte svůj úspěch

Na začátku vývoje strategie pro AI by měly být stanoveny hmatatelné metriky a kritéria úspěchu, aby bylo po celou dobu zajištěno správné zaměření projektu. Týmy se musí ujistit, že strojově vytvořená doporučení jsou přesná a vysvětlitelná. To slouží k legitimizaci výsledků a poskytuje cenné ověřovací body. Schopnost prokázat návratnost investic do projektu může pomoci podpořit jeho další rozšíření.

Převeďte teorii do praxe

Umělá inteligence má velký potenciál změnit průmyslová odvětví, celé společnosti i životy lidí. Manažeři podniků, kteří chtějí využít nově vznikající příležitosti v souvislosti s vývojem této technologie, by měli přijmout strategii „navrhnout pilotní projekt, ověřit, rozšířit“, která na tuto cestu přivede celou jejich společnost.

Abhinav Joshi Abhinav Joshi
Autor článku je ředitelem pro strategii a zavádění AI na trh ve společnosti Red Hat.
Chcete získat časopis IT Systems s tímto a mnoha dalšími články z oblasti informačních systémů a řízení podnikové informatiky? Objednejte si předplatné nebo konkrétní vydání časopisu IT Systems z našeho archivu.

Inzerce

Čtvrtá průmyslová evoluce

IT Systems 6/2022Brzy tomu bude už deset let, kdy se objevil pojem Průmysl 4.0, který evokoval, že digitální technologie přináší do průmyslu něco převratného, revolučního. Někdo proto může být zklamaný, že ve skutečnosti se žádná průmyslová revoluce nekoná. Ano, různé digitální technologie, jako je internet věcí, umělá inteligence a analýza tzv. velkých dat, jež jsou aplikované v továrnách, zvyšují efektivitu a výkonnost.