Končí sa fáza AI nadšenia a firmy sa pýtajú na skúsenosti a prínos

Tlačové správy
1

Trendová konferencia pod názvom Ako AI mení svet prepojila strategický pohľad s praktickými ukážkami.

IT profesionáli, projektoví manažéri aj inovátori sú vždy zvedaví na prínos umelej inteligencie v rôznych oblastiach, aby našli nové cesty na jej využitie. „Skúsenosti s využitím umelej inteligencie v manažmente onkologického pacienta môžu byť inšpiráciou pre rôzne procesy, napríklad aj vo finančných službách,“ vysvetľuje Martin Sůra, riaditeľ spoločnosti Atos Eviden na Slovensku.

Atos sa dlhodobo sústreďuje na to, aby AI riešenia podporovali rozhodovacie procesy a lepšie využívanie dostupných zdrojov. Význam umelej inteligencie je už v súčasnosti viditeľný v mnohých medicínskych odboroch. AI dokáže analyzovať napríklad výsledky magnetickej rezonancie mozgu či iné rádiologické nálezy, koronarografiu, ultrazvuk či mamografiu. V kardiológii vie interpretovať EKG či výsledky z holtera a predpovedať riziko srdcového zlyhania alebo arytmií. V diabetológii podporuje personalizované riadenie liečby a predikciu hypoglykémií, zatiaľ čo v neurológii dokáže analyzovať biomarkery Alzheimerovej choroby a predpovedať progresiu ochorenia.

V dermatológii klasifikuje kožné lézie a melanómy, čím poskytuje cennú podporu najmä v regiónoch, kde chýbajú špecialisti. V oblastiach, kde je kritický nedostatok odborníkov, napríklad v reumatológii na Slovensku, môže AI zásadne zlepšiť dostupnosť odbornej diagnostiky a rýchlejšie nasmerovať pacienta k adekvátnej liečbe.

Umelá inteligencia má zásadný dosah aj na administratívne procesy, ktoré výrazne zaťažujú zdravotníkov. AI dokáže prečítať lekársku správu, vytvoriť jej sumár, pripraviť odporúčania, automatizovať komunikáciu s poisťovňami, plánovať termíny vyšetrení a operácií či analyzovať lôžkové kapacity a tým aj vyťaženosť lekárov. Práve na Slovensku, kde sú ambulancie chronicky preťažené a v čakárňach denne sedia desiatky pacientov, môže AI pomôcť skrátiť čakacie doby a vrátiť lekárom čas, ktorý by mali venovať pacientom.

AI bude čoskoro pomáhať so všetkým – od anamnézy a záznamov cez analýzu laboratórnych výsledkov až po návrh diagnostického a liečebného postupu s odkazom na najnovšie odborné poznatky. Opakovane však treba zdôrazniť, že aj keď umelá inteligencia prináša vyššiu presnosť a rýchlosť, konečné rozhodnutie musí vždy zostať v rukách lekára.

Adela Bobovská z HPE však upozorňuje, že najväčšou výzvou dnešných organizácií nie je samotná tvorba pilotného AI projektu, ale jeho bezpečné a udržateľné dotiahnutie do produkcie. Väčšina firiem naráža na rovnaké prekážky, ako sú nejasné možnosti prepojenia interných dát s AI systémami, prísne bezpečnostné požiadavky či „dátová anarchia“.

Chýbajúca dátová architektúra  zásadne znižuje kvalitu akéhokoľvek modelu, pretože AI je vždy len taká presná, ako presné sú jej dáta. Ďalším problémom je nízka pripravenosť ľudí. Iba 18 percent zamestnancov má vzdelanie alebo formálny tréning na prácu s AI aplikáciami, čo výrazne brzdí adopciu.

Na tomto mieste Adela Bobovská zdôrazňuje, že AI nie je iba o generatívnych modeloch. V zdravotníctve či iných regulovaných sektoroch je nevyhnutné trénovať modely na kvalitných, doménovo špecifických dátových súboroch a až potom ich nasadzovať do praxe. V najbližších rokoch bude úspešná len tá organizácia, ktorá dokáže spojiť kvalitné dáta, bezpečnú architektúru, infraštruktúru pripravenú na vysoké výpočtové nároky a pripravených ľudí.

Peter Sedliak z Tatra banky sa zaoberá analýzou dát a využitím umelej inteligencie a rozvíja tvrdenie: „Pre každého je dôležité naučiť sa narábať s AI aplikáciami. Rozdiel medzi nadšencami a tými, ktorí by sa mali naučiť ju bežne používať, sa stále zväčšuje. Aby sme sa naučili využívať výhody AI aplikácií, musíme investovať čas do učenia.“ 

Aby sme nadchli používateľov, nestačí jedna alebo dve prezentácie. Každý vo svojej profesii si tam dokáže nájsť benefity a úžitok, ale treba hľadať a skúšať. Umelá inteligencia totiž definitívne mení spôsob, ako interagujeme so svetom.  Ak hovoríme o prínose AI, prirovnávame to k internetu. Sme iba v začiatkoch, mnohé očakávania sú falošné, ale zároveň vznikne mnoho príležitostí, ktoré ešte netušíme. Umelá inteligencia tu je, bude tu a nemôžeme si ju dovoliť ignorovať.

Ak bolo cieľom prezentácií inšpirovať sa, konferencia ho vrchovato naplnila. „Technológie často napredujú rýchlejšie, ako ich dokážeme implementovať do procesov či legislatívnych rámcov. Preto spoločným menovateľom AI iniciatív vo všetkých oblastiach bude čoraz väčší dôraz na bezpečnosť, súlad s reguláciami a merateľné výsledky,“ uzatvoril konferenciu Martin Sůra.

https://digitalnabuducnost.sk

 

Atos Eviden

Všetky autorove články

1 komentár

podprahová analýza reakcia na: Končí sa fáza AI nadšenia a firmy sa pýtajú na skúsenosti a prínos

17.11.2025 19:11
Zaujala ma podprahová analýza "problémov", ktoré patria do kategórie "neriešiteľné/bojíme sa povedať, že nevieme ako ďalej" — tieto kategórie skrývajú zložité, ťažko pomenovateľné/"posunovateľné" problémy. Tieto problémy nie sú len technické chyby; ide o prepojené slabiny v dátach, infraštruktúre, v ľudských prístupoch, riadení rizík a v meraní hodnoty. Čiste ilustračne, som napočítal asi štrnásť principiálnych ukazovateľov, ktoré poukazujú na "čo je podstatou problému", prečo sa to len ťažko rieši a ako sú jednotlivé časti/ukazovatele medzi sebou previazané.

Dáta sú koreňom problému. V mnohých firmách panuje dátová anarchia — údaje sú roztrúsené v oddeleniach/„silách“ (data silos/údajové silá), bez metadát a štandardov. (Príklad 1: Dátová anarchia — rôzne oddelenia majú svoje CRM záznamy, každý so svojou štruktúrou kontaktov a rôznymi definíciami "zákazníka"; spojenie týchto zdrojov vedie k duplicitám a nekonzistentným profilom.) To spôsobuje skrytú slabú kvalitu dát, ťažkosti pri anotácii a nedostatok doménovo relevantných datasetov. (Príklad 2: Skrytá slabá dátová kvalita — v historických objednávkach chýbajú štandardizované kódy produktov a množstvá sú niekedy textovo zadané, čo spôsobuje chyby v agregácii predajov.) Výsledkom je, že modely fungujú zle alebo nie sú spoľahlivé mimo pilotných scén. Tento súbor problémov zvyčajne označujem ako "neriešiteľné" v krátkodobom horizonte, pretože si vyžaduje systematickú reorganizáciu dát, investície a jasné vlastníctvo.

Z dátových slabín plynú technické dôsledky pre infraštruktúru. Keď sú dáta neusporiadané, infraštruktúra sa musí opakovane prispôsobovať rôznym ad‑hoc transformáciám a náklady eskalujú. (Príklad 3: Nejasné prepojenie interných dát s AI systémami — dátové toky z účtovníctva nie sú navrhnuté pre realtime scoring, takže inžinieri budujú komplikované ETL skripty, ktoré bežia noc čo noc.) Piloty často končia ako jednorazové experimenty bez plánu na produkciu — tzv. pilot‑itis. (Príklad 10: Prehnané očakávania pilotov — marketingový pilot pre odporúčania produktov prinesie zlepšenie konverzií v testovacej skupine, ale firma nemá plán ako to škálovať do všetkých webových kanálov.) K tomu sa pridáva fragmentácia zodpovedností medzi biznisom a IT, čo vedie k deadlockom pri rozhodovaní a brzdí to škálovanie. (Príklad 12: Fragmentované zodpovednosti — obchod tvrdí, že výsledok patrí im, IT tvrdí, že bez SLA a deploy pipeline to nie je produkčný projekt; projekt uviazne na mesiace.)

Ľudia a kultúra tvoria tretiu kľúčovú vrstvu. V tímoch chýbajú potrebné zručnosti a vedenie často očakáva rýchle výsledky. (Príklad 8: Nízka pripravenosť ľudí — dátoví analytici majú základné Python zručnosti, ale chýbajú im skúsenosti s MLOps a verziovaním modelov.) Strach z chýb, neistota ohľadom zodpovednosti a rezistencia k zmene spôsobujú, že organizácie radšej predstierajú, že majú situáciu pod kontrolou, než aby priznali, že potrebujú hlbokú transformáciu. (Príklad 9: Kultúrna rezistencia — manažéri sú obozretní k odporúčaniam modelu pri prijímaní výstupov/ľudí, pretože sa obávajú právnych dôsledkov a reputačného rizika.) Tento typ problému patrí medzi "bojíme sa priznať", pretože riešenia si vyžadujú citlivé personálne a kultúrne zásahy.

K tomu sa pripájajú riziká compliance a vendor lock‑in. Firmy nasadzujú externé modely a služby bez plného posúdenia bezpečnosti/zabezpečenia alebo právnych dopadov. (Príklad 14: Závislosť na vendoroch — spoločnosť nasadí proprietárnu API službu na generovanie textu bez zmluvnej záruky o dátovej provenance a neskôr zistí, že nie je schopná re‑trénovať model na vlastných dátach.) Často nerozumejú "čiernej skrinke" dodávateľov a nemajú auditovateľné záznamy o pôvode dát a modeloch. (Príklad 6: Bezpečnostné a regulačné požiadavky — v zdravotníctve chýba auditovateľný záznam, ktoré pacientske dáta sa použili pri tréningu modelu, čo znemožňuje nasadenie z dôvodu regulácie.) Tieto obavy často vedú k odkladaniu rozhodnutí a sú prípadom "bojíme sa priznať", lebo právne a bezpečnostné otázky (zabezpečenosti) sú zložité a drahé.

Meranie hodnoty je posledný, ale kritický komponent. Bez spoľahlivých dát a produkčnej infraštruktúry nie je možné presne kvantifikovať ROI. (Príklad 11: Meranie reálneho prínosu a ROI — pilot chatbot zníži počet ticketov iba v testovanej skupine, ale firma nevie prepočítať, či to skutočne zníži FTE náklady v celej prevádzke.) Piloty bez vopred definovaných KPI vedú k iluzórnym úspechom, ktoré sa nedajú presadiť v rozhodovacom procese. Manažment často uprednostní viditeľné, rýchle výsledky pred dlhodobou investíciou, čo posilňuje cyklus pilot‑itis. (Príklad 5: Nedostatok doménovo špecifických datasetov — namiesto budovania vlastných, presných datasetov sa robia testy na verejných dátach, ktoré nie sú reprezentatívne pre dané odvetvie.)

Tieto oblasti netvoria izolované bloky; ide o previazanú kauzálnu sieť. Dátové problémy (A / 1, 2, 3, 4, 5) vedú k infraštruktúrnym problémom (B / 7, 10, 12) a k nemožnosti spoľahlivo merať hodnotu (E / 11, 5, 10). Kultúra a zručnosti (C / 8, 9, 13) a compliance/vendor‑riziká (D / 6, 14) pôsobia ako brzdy a spätné väzby, ktoré zabraňujú náprave v A, B a E. Graficky vizualizované to vyzerá asi takto: A → {B, E}; C ↔ {A, B, E}; D ↔ {B, E}. To potom znamená, že bez súčasného riešenia viacerých vrstiev sa problémy len presúvajú a zotrvávajú.

Praktický postup zásahov by vychádzal z tejto topológie. Najefektívnejšie je začať súčasne s troma krátkodobými krokmi: 1) rýchly data‑discovery a definícia vlastníctva dát pre 1–2 prioritné prípady (Príklad 1 & 3: zmapovať databázy CRM a objednávok, určiť vlastníkov a základné metadáta); 2) vendor risk‑scan a minimálne bezpečnostné/auditné požiadavky (Príklad 6 & 14: preverenie pre právne doložky dodávateľských modelov a požaduje sa logging a provenance); 3) jasné KPIs a RACI pre prioritné piloty (Príklad 10 & 11: definovať konverzný KPI pre odporúčací/odporúčaný systém a kto nasadí, kto monitoruje, kto platí infra). Po tomto počiatočnom zásahu nasleduje strednodobé zavedenie dátovej governance, infra‑pipeline pre produkčné nasadenia a školiaci program s internými ambasádormi (Príklad 4, 7, 8: zaviesť metadátový register, orchestráciu ETL a tréning MLOps zručností). Dlhodobo treba budovať MLOps platformu, systematické meranie ROI a integrované právne/bezpečnostné procesy (Príklad 2, 12, 13: odstraňovať chyby v dátach, jasne rozdeľovať zodpovednosti medzi biznis/IT, obnovovať dôveru užívateľov cez transparentné audity).

Je možné, že AI neuspeje kvôli jednej chybe; zlyhá pravdepodobne preto, že množstvo menších, často skrytých problémov tvorí sieť vzájomných závislostí. Dáta sú zvyčajne koreň, infra a meranie hodnoty sú dôsledky a kultúra s compliance tvoria brzdy. Ilustračné príklady ukazujú, ako sa tieto problémy prejavujú v praxi — dátová anarchia, skrytá slabá kvalita, nejasné dátové toky, chýbajúca governance, nedostatok doménových datasetov, regulačné obavy, nevhodná infra, nedostatočné zručnosti, kultúrna rezistencia, strata dôvery, pilot‑itis, komplikované meranie ROI, fragmentované zodpovednosti a vendor‑dependence. Riešenie si zrejme vyžaduje koordinovaný, viacvrstvový zásah — súčasné/súbežné upratanie dát, jasné vlastníctvo a KPI, posúdenie dodávateľských rizík a práca na kultúrnej adopcii. Bez takéhoto prístupu si piloty zostanú len akýmisi izolovanými úspechmi bez reálneho dopadu v sériovej produkcii.
Reagovať

Pridať komentár

Mohlo by vás zaujímať

Mohlo by vás zaujímať