Jaké je využití strojového učení ve výrobních firmách a které procesy má strojové učení obecně schopnost zefektivnit či nahradit? Jaké typy pozic budou doplněny či nahrazeny?

Strojové učení vnímám jako oblast umělé inteligence, kdy má počítačový systém schopnost se vzdělávat na základě svého užívání.  Podkladem pro toto studium jsou data, která systémem projdou za nějaké období.  Zpravidla se výrobnímu podniku vyplatí uvažovat o strojovém učení nad nějakým komplexním procesem nebo v místech, kde je sběr dat velmi obsáhlý a lidsky velmi obtížně zpracovatelný. Cílem učení je zvýšení efektivity, dosažení nějakého cíle či předpověď stavů. Pro pochopení, kde ideálně implementovat takový SW přístup si řekněme, že existují dva typy strojového učení. První je učení bez učitele, kde pro vstupní data není jasný výstup, tedy dopředu nevíme zda je výsledek správný. To jsou místa, kde nás zajímá určitá predikce počítaná statistickou metodou. Učení s učitelem je vhodné používat tam, kde známe výstup a pomocí trénovacích dat stroj naučíme správnému chování. To je pak používáno v praxi. Lze tedy říci, že pro správné použití je nutné se poradit s odborníky, jaké metody pro daný cíl je nutné použít a jaká vstupní data máme k dispozici.

Jaké kompetence budeme pro využití AI a strojového učení potřebovat a dají se tyto kompetence outsourcovat? Jsme obecně na průmysl 4.0 z pohledu kompetencí a dopadu na lidský kapitál připraveni?

Samotná oblast umělé inteligence obsahuje prvky počítačové algoritmizace a matematické analýzy. Ačkoliv je umělá inteligence pojmem o dvou slovech, v reálném životě se jedná o kombinaci analytické metody výpočtu dat a softwarového algoritmu. Existují algoritmy, které se více hodí na zpracování nestrukturovaných informací a naopak algoritmy, které jsou vhodnější pro zpracování popsaných procesů. Pro to, aby výrobní podnik zavedl prvky umělé inteligence, nemusí hned začít vzdělávat svůj personál v těchto oblastech. Z mého pohledu je nutné budovat znalosti, kde lidé budou schopni více pracovat s vstupy a výstupy takových řešení. Od zaměření na technické znalosti strojů budou nuceni umět reagovat na podněty v těchto výstupů. Lidé, kteří se věnovali čistě výrobě, se budou zabývat více statistikou a naopak. Data a jejich porozumění budou hybatelem výroby.

Jak ve firmách poznáme, že už je dat mnoho a my je nedokážeme efektivně využít pro řízení? Pokud už AI a strojové řízení zapojíme, jak poznáme přínos, když dat pořád přibývá?

Obecně velmi těžko. Existují stavy, kdy se algoritmus tzv. přeučí a začne se chovat nedeterministicky. To jsou nechtěné stavy a lze pomocí matematických metod zjistit, kdy se tomu tak děje. Osobně se na tuto problematiku dívám jako na statistiku. Vždy hledáte opověď a jen nevíte její hodnotu. Tu pomocí statistických metod zjistíte. Umělá inteligence je podobná, vy zpravidla víte, co očekáváte, jen nemáte ty hodnoty. Pokud se k odpovědi nejste schopni dopracovat, jistě Vám chybí určitá datová množina. Naopak můžete zjistit, že ať jsou jakékoliv změny v procesech a nějaká datová řada se se změnami nepohybuje, můžete ji vypustit, nemá vliv na své okolí. Položte si ale otázku jinak. Máte dostatek čistých dat? Problém nemusí být množství dat, ale jejich kvalita. Čím kvalitnější data máte a čím více takových dat přibývá, vidíte i jednoznačný přínos.

Mohou mít podle vás umělé neuronové sítě vědomí, zvláště pokud připustíme, že umělé neuronové sítě jsou univerzální a tvárné?

Strojové učení a neuronové sítě nejsou umělou inteligencí v tom smyslu, že by se jednalo o bytosti s vědomím. Myslím, že ani nikdo dnes netuší, jak uvědomění si sebe sama vlastně funguje a co je k tomu potřeba. Umělá inteligence je de facto architektura softwaru chovající se podobně jako síť biologických neuronů, které primitivními rozhodovacími signály, které si mezi sebou posílají, zpracovávají vstupní informaci a budují statistický pravděpodobnostní model, tedy znalost. Abychom dokázali pojmenovat, že daný algoritmus splňuje paradigma vědomí, musíme nejdříve pojmenovat, co to vědomí vlastně je.

Jaký dopad podle vás bude mít strojové učení a AI na řízení firem? V čem se bude lišit řízení firem, které budou strojové učení využívat a jaké konkurenční výhody jim to přinese? Poznám nějaký rozdíl jako zákazník?

Dnešní podobu výroby vnímám tak, že je definován způsob výroby, metoda zásobování, procesy jsou pojmenované. Vše, co vybočí z těchto definic je nazváno chybou a kolikrát se to děje náhodně. Vyhrává ten, kdo jich má nejméně a kdo udrží tempo výroby ve vztahu ke kvalitě výroby. Umělá inteligence pomůže firmám eliminovat náhodnost stavů. Mnoho chybových stavů, které dnes řeší člověk, si stroj vyřeší sám, upraví si instrukce, jednoduše zareaguje na vznikající situaci. Nebo si zavolá pomoc, pokud se daný stav blíží. Jsem přesvědčen, že pomocí těchto metod dojde ke zvýšení efektivity a snížení chybovosti. Ale realisticky si uvědomuji, že budou nastávat stavy, které dnes nenastávají a budou pro výrobu nové. Přáním každého výrobního podniku je fakt, kdy se mu nevrátí žádný výrobek do reklamačního řízení. Pokud touto metodou zvýší kvalitu výroby natolik, že k takovému stavu nedojde, pocítíte to Vy jako zákazník, a také samotný podnik.

Jaké úskalí či nebezpečí využití strojového učení skrývá?

Změnu myšlení a předání důvěry. Dnes je softwarový kód posloupností prováděných instrukcí. Programátor ví přesně co se děje a když nastane chyba, dokáže ji najít. Úskalím může být fakt, že výstupem umělé inteligence může být tvorba programového kódu jako taková, tedy definování instrukcí, které nevytvořil člověk. Ten pak může ale důvěru v takový kód ztrácet.

Děkujeme za rozhovor a těšíme se na viděnou 30.8.2017 v Brně!