Pilot má odpovídat na úzkou otázku
Malý pilot umělé inteligence by neměl začínat větou, že firma „chce AI“. Měl by začít otázkou, zda určitý úkol dokáže nový nástroj dělat s přijatelnou mírou chyb a za kratší čas než současný postup. To je podstatný rozdíl. Pokud firma testuje například předběžné třídění příchozích požadavků, cíl nemá být „co všechno AI umí“, ale „zda pomůže rozlišit běžné dotazy od těch, které musí řešit člověk“. Stejně dobře může jít o interní vyhledávání ve firemních dokumentech nebo o návrh odpovědi, kterou pak někdo upraví.
Takový pilot je užitečný právě tím, že je malý. Na omezeném vzorku lze porovnat výsledek stávajícího postupu a nového nástroje bez toho, aby se rovnou měnil celý provoz. V praxi to může znamenat, že dva týdny nebo určitý soubor případů projdou jak běžným postupem, tak pilotním systémem, a tým pak vyhodnotí rozdíly. Důležité je, že pilot není důkaz obecné pravdy o AI, ale test konkrétního použití v konkrétní firmě. Pokud má mít smysl, musí být od začátku jasné, kdo výsledky čte, kdo je opravuje a co se stane, když systém navrhne nevhodné řešení.
Co se dá měřit bez velkých datových ambicí
Nejjednodušší měření často stačí. Firma může sledovat, kolik případů systém zařadil správně, kolik jich bylo nutné opravit, jak dlouho zabralo ověření a zda uživatelé výsledku důvěřovali. Důležité je nehodnotit jen rychlost. Pokud nástroj práci urychlí, ale zvýší počet oprav nebo ztíží dohledání důvodu rozhodnutí, přínos je sporný. Stejně tak není vhodné zaměnit dojem z „chytrého“ výstupu za skutečnou kvalitu. Malý pilot má ukázat i to, zda zaměstnanci vůbec chtějí výstupy používat, nebo je raději obejdou.
Užitečné je také určit hranici, kdy pilot končí. Má rozhodnout, zda se má nástroj rozšířit, upravit, nebo odložit. Bez předem stanovené hranice se z testu snadno stane trvalý experiment bez jasného výsledku. Když firma předem určí kontrolní vzorek, roli člověka a kritéria úspěchu, může pilot skutečně sloužit jako ověřovací krok. A právě to je jeho největší hodnota: neprodat sen, ale zmenšit nejistotu. V malé firmě bývá nejcennější vědět, že něco funguje jen v omezeném režimu, protože i to je lepší než drahé zklamání po plošném zavedení.
Jak se vyhnout zkreslení výsledku
Aby pilot něco vypověděl, musí být srovnatelný se současným způsobem práce. Není dobré testovat AI na nejjednodušších případech a pak usuzovat na celý provoz. Stejně tak není fér nastavit jí tak málo času nebo tak nekvalitní podklady, že výsledek předem nemůže uspět. Podmínky testu mají být realistické a popsané dopředu. Jen tehdy má smysl srovnávat chybovost, čas i nároky na kontrolu. Dobré je přitom vybrat i hraniční případy, nejen ty pohodlné, protože právě na nich se ukáže, kde systém končí.
Druhá důležitá věc je lidská interpretace výsledku. Pokud systém navrhne odpověď nebo kategorizaci, je třeba vědět, kdo ji schvaluje a co se děje při sporných případech. Pilot tedy nezkoumá jen model, ale i pracovní disciplínu kolem něj. Firma si díky tomu může ověřit, zda AI opravdu pomáhá, nebo jen přidává další mezikrok. A právě to je otázka, která by měla předcházet jakémukoli rozšíření do provozu. Pokud pilot skončí s jasným zápisem o tom, co bylo lepší, horší a co zůstalo nevyřešené, splnil svůj účel i bez velkého vítězného příběhu.
OD ČTENÍ K PRAXI
Co si odnést
- Jakou jednu konkrétní úlohu má pilot AI otestovat?
- Jak budete porovnávat chybovost, čas a nároky na kontrolu?
- Kdo bude výsledky schvalovat a co se stane při sporném případu?
- Jak poznáte, že pilot prokázal přínos, nikoli jen atraktivní demo?
Zdroje a další čtení
- Popis kategorie Umělá inteligence ↗
- Národní kofinancování Evropských center digitálních inovací II ↗
- One Communication Tool You Should Add to Your Toolkit ↗
Materiál slouží k obecnému porozumění ekonomice. Nejde o osobní finanční, investiční ani právní doporučení. Aktuální hodnoty ověřujte v uvedených oficiálních zdrojích.
