facebook LinkedIN LinkedIN - follow
Exkluzivní partner sekce
Tematické sekce
 
Branžové sekce
Přehledy
 
Tematické seriály
 

GDPR

General Data Protection Regulation zásadně mění zpracování osobních údajů a zavádí nové povinnosti...

články >>

 

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 >>

 

Komplexní svět eIDAS

O nařízení eIDAS již bylo mnoho řečeno i napsáno. A proto jediné, o čem...

články >>

 

Trendy v CRM

Systémy pro řízení vztahů se zákazníky (CRM) prochází v posledních letech výraznou změnou. Zatímco dříve...

články >>

 

Příručka úspěšného IT manažera

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

články >>

 
Partneři webu
Compas automatizace
IT řešení pro výrobní podniky II , Plánování a řízení výroby , AI a Business Intelligence

Analýza dat a umělá inteligence v průmyslu

Jiří Dušička


DeloitteV současné době se může zdát, že pokročilé využití dat a umělé inteligence jsou pouhé teoretické diskuze a často jde pouze o marketingové aplikace. V mnoha případech ale větší bariéru představuje zejména dostupnost vhodných dat a jejich příprava pro zpracování, ale také i změna myšlení, která by podpořila realizaci inovativních projektů ve firmách.


Lze vidět, že průmyslové podniky již začali experimentovat s využitím digitálních prvků v podobě různých forem konektivity – senzory, čipy či jiné software pro vzájemnou interakci zařízení a sběr dat ze strojů. S tím jak se podniky na jedné straně osmělují v adopci těchto principů, dochází na druhé straně ke generaci rozsáhlého objemu dat. To samo o sobě představuje pro některé podniky značnou bariéru, jak tato data spravovat, kde a hlavně kým. Je zřejmé, že člověk není stavěn na sběr a procesování velkých objemů informací, rozhodně ne ve větší škále a rychlosti. Velmi často se sice generují data, které ale bez hlubší koncepce zůstanou v datových skladech a čekají, než je někdo přetvoří v poznatek nebo přidanou hodnotu.

Pokud chceme pochopit, jak lépe využívat data společně s umělou inteligencí, je potřeba se ohlédnout do evoluce v této oblasti. Historicky lze spatřit čtyři etapy vývoje, kdy první tzv. deskriptivní analýza představovala pohled retrospektivní, tedy co se stalo. Dnes se bude většina firem pohybovat v druhé vývojové fázi a tou je tzv. diagnostická analýza, tedy jsou schopnost odhalit příčiny, proč se nějaký jev stal. Navíc lze dnes již běžně spatřit u průmyslových podniků různé formy použití Business Intelligence (BI) nástrojů pro vizualizace těchto závěrů. Tyto dva přístupy byly vhodné v době, kdy pro řízení podnikové výkonnosti dostačovaly monolitické transakční systémy spojené se standardními datovými sklady a nebylo potřeba sofistikované nástroje a dovednosti. Zároveň obchodní vztahy byly relativně stabilní v čase, nevznikaly významné odchylky a výstupy analýz z těchto systémů nevyžadovaly rychlé korekce obchodních plánů.

Některé zralejší průmyslové podniky více dotčené externími vlivy se směle pustily do třetí tzv. prediktivní fáze, aby dokázaly poskytnout odpovědi na to, co se pravděpodobně může stát v budoucnu na základě historického vývoje. V této chvíli je zapotřebí lidská interakce pro tvorbu datových příkazů, validaci trendů, tvorbu a testování předpokladů. Již v této fázi ale dokáže významně pomoci zapojování prvků umělé inteligence v podobě strojového učení, které vyhodnocuje, tvoří a testuje tyto předpoklady samostatně a to v reálném čase pro různé metody předpovědí. Největší výzvu představuje způsob trénování těchto modelů a důvěra v jejich výsledky.

Je tedy důležité, aby společně s úsilím digitalizovat provozní činnosti byly zohledněny možnosti umělé inteligence v podobě strojového učení, která data dokáže jak normalizovat, tak i zpracovat pro další interpretace. To vše samozřejmě závisí na již zmiňované kvalitě vytrénování těchto modelů. Pak už je to malý krůček do poslední fáze vývoje datové analýzy a tou je tzv. preskriptivní analýza. Tento stupeň spočívá v podpoře či úplné automatizaci rozhodovacího cyklu v podniku nebo taktéž nazýváno jako kognitivní automatizace. Tato forma má za cíl vytvořit vrstvu, která čerpá data ze všech interních či externích aplikací několikrát denně a poskytuje možnosti pro monitoring malých odchylek, upozornění či sledování výjimek. Pomocí těchto platforem lze podnikovým uživatelům generovat v reálném čase návrhy úprav operativních rozhodnutí napříč celým hodnototvorným řetězcem či dokonce nechat prvky umělé inteligence rozhodovat samostatně bez zásahu člověka. Zní to velmi lákavě, ale otevíráme tím tak trochu pověstnou Pandořinu skříňku. Vyvstávají nám úplně nové otázky, které jsme dříve vůbec neřešili. Jako první je zamyšlení nad výběrem datové množiny pro vytrénování umělé inteligence, což vyvolává další velmi důležitou otázku, a to otázku etiky umělé inteligence. Ale to už je jiný příběh.

Jiří Dušička Jiří Dušička
Autor článku je manažerem v poradenském oddělení strategie a provozních činností ve společnosti Deloitte.
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

Covid jako katalyzátor digitalizace a fenomén homeworkingu

IT Systems 1-2/2021V aktuálním vydání IT Systems jsme se zaměřili na odvětví, která v současné době prochází velmi turbulentním vývojem. Vím, že se to dnes dá říct prakticky o všech oblastech našeho života, ovšem retail, logistika a potravinářský průmysl jsou navíc názorným příkladem, proč je pandemie onemocnění covid označována za katalyzátor digitalizace desetiletí. Pokud totiž ještě někdo pochyboval o významu digitalizace, musel v loňském roce prozřít.