Podcast

Dobrý den všem, mé jméno je Hinek Völner a vítám vás u dnešního DataTalku. Dnešní díl je skutečně speciální, protože neuslyšíte svůj oblíbený hlas Jiřího Vycherka ani žádného z dalších moderátorů kromě mě. Bohužel nám to časově nevyšlo, takže dnes tu budu pouze já. Nejsem tu však sám, mám tu samozřejmě hosta, a tím hostem je Adam Hanka, vedoucí oddělení dat a umělé inteligence ve společnosti Creative Docu. Ahoj, Adame.

Ahoj, Hynku.

Dnes si s Adamem budeme povídat o transformaci umělé inteligence a její roli v Creative Docu, ale nejen tam ve výsledku. Ještě než se do tohoto tématu pustíme, Adame, jak ses ty dostal k transformaci umělé inteligence? Kde začala tvoje vášeň?

Jak jsem se dostal k transformaci umělé inteligence? Moje cesta začala po ukončení střední školy, kdy jsem studoval Matematicko-fyzikální fakultu, klasicky MatFyz, bakalářský obor programování a informatika. To bylo ještě v době, kdy umělá inteligence nebyla zdaleka tak populární a hypovaná. Poté jsem magisterské studium absolvoval v Německu na Institutu Maxe Plancka v Saarbrücknu, což je místě někde mezi Francií a Německem. Tam jsem poprvé přičichl k umělé inteligenci, protože jsem se hodně zabýval počítačovým viděním, kde je samozřejmě umělá inteligence velkou součástí.

V roce 2016 jsem se vrátil do Prahy a začal pracovat ve společnosti Avast jako výzkumník v oblasti strojového učení. Vyvíjeli jsme tam řadu různých a zajímavých algoritmů, které především zjišťovaly, zda je nějaký software „hodný“ nebo „zlý“. Po dvou letech mě vždy táhlo inovacím a start-upovému prostředí. Přidal jsem se do jednoho start-upu a zjistil jsem, že tento start-up je součástí Creative Docu.

Před téměř šesti lety jsem tedy přišel do Creative Docu a nastoupil jako datový vědec, zabýval jsem se jazykovými modely a vším, co se ohledně umělé inteligence dalo dělat zpočátku.

Jaké to bylo před šesti lety v Creative Docu?

Byla to o něco menší firma, řekl bych asi pětkrát menší. Sídlili jsme v Praze na Arbesově náměstí a dělali jsme spoustu zajímavých projektů, ale většinou pro české klienty. Od té doby se nám Creative Docu pod rukama trochu rozrostl. Dnes nás je pět set, možná pět set padesát, a máme klienty všude od Budapešti až po Budabést, což nám dává ohromnou síť lidí, se kterými můžeme spolupracovat a kteří nám umožňují rozvíjet generativní umělou inteligenci.

Myslím, že Creative Doc nebo já ho možná takto i „on the record“ přejmenuji na Kreatč — bude to příjemnější. Kreatč není neznámý mezi českou datovou scénou, ale jak bys tu firmu představil například lidem, kteří o Creative Docu slyší poprvé nebo mají představu zhruba z před pěti let?

Kreatč, tak jo, pojďme mu říkat Kreatč. Kreatč je firma, která dělá něco, čemu říkáme Corporate Venture Building. Je to kombinace, kdy si vyzobete ty nejlepší kousky nebo „třešně“ z korporátního světa i ze startupového světa a z toho vznikne to, co my děláme.

Když se nad tím zamyslíte, ve chvíli, kdy chcete inovovat a přinést na trh úplně nový projekt nebo nějakou skvělou inovaci, málokdy se to podaří pouze skrze startupy. Startupy mají spoustu výhod, například nadšené lidi, agilní vývoj a touhu něčeho dosáhnout, ale zároveň mají i nevýhody. My dokážeme ty nevýhody pokrýt spoluprací s většími firmami, které mají znalosti o svých zákaznících, produktové znalosti a také dostatek financí.

Pokud tohle propojíte, vznikne vám corporate venture building, tedy disciplína, ve které stavíte pro větší firmy inovativní projekty.

Ta představa zní skvěle — vybrat si to nejlepší z obou světů a spojit to. Ale předpokládám, že realita asi není tak růžová a jednoduchá. Na čem projekt stojí? Jak těžké je to vůbec realizovat?

Realita na papíře vypadá skvěle a v PowerPointové prezentaci ještě lépe, ale…

Já jsem se to naučil trochu složitějším způsobem. Už na univerzitě v Německu jsem spoluzakládal startup, který jako většina studentských startupů nakonec zanikl.

Co jste dělali, co jste řešili?

Počítali jsme průchod světla skrz zrcadlový systém patentovaný jednou německou výzkumnou institucí a na základě toho jsme získávali 3D informaci do 2D fotoaparátů. Jednalo se o takovou čočku, asi 20 cm dlouhou, která se přidělala na fotoaparát a obsahovala zrcadlový systém, který „rozhrnul“ paprsky přicházející na čočku tak, aby snímek obsahoval 3D informaci pomocí takzvané disparity.

Disparita je to, co se stane, když zavřete levé nebo pravé oko a obraz vám poskočí. Díky tomu vidíme 3D. My jsme vlastně učili foťáky vidět prostorově.

Spálili jsme neskutečné množství času na výrobě hardwarového prototypu a psali jsme celý systém v C++. Vlastně jsme udělali skoro všechno špatně, ale až časem, když jsem přišel do Creative Docu, jsem pochopil, co všechno jsme mohli dělat efektivněji.

S těmi zkušenostmi, které jsem později nabyl, bych dnes přistupoval úplně jinak. To je také součást mé cesty.

Do Creative Docu jsem přišel jako výzkumník umělé inteligence, klasicky z akademické sféry, po dvou letech v Avastu.

Později jsem zjistil, že kolem celé AI a NLP funguje obrovská mašinérie lidí, kteří vytvoří produkt, po kterém někdo skutečně touží — tedy který někdo potřebuje.

Hodně pracujeme na zjišťování potřeb uživatelů, pomáháme klientům s mapováním potřeb, UX výzkumem a vytvářením wireframů. Fungujeme podle metodologie, kdy se nejdříve tvoří nápady, které se testují. Teprve potom se staví MVP — minimum viable product.

MVP znamená, že otestujete tu nejzákladnější, nejdůležitější část aplikace, pak ji uvedete na trh, iterujete a teprve poté škálujete.

Tak máte jasně definované kroky, abyste dokázali včas ukončit projekt, pokud zjistíte, že o nápad nebude zájem, a nabídnout klientovi alternativní řešení.

To pro mě bylo ohromné zjištění. Doslova mi to otevřelo oči, protože jsem si dříve vždy kladl otázku, jak napsat co nejlepší algoritmus — ať už strojově učený, nebo klasický — abych problém vyřešil.

Protože mám analytickou povahu, je to asi i trochu matfyzácké. Toto zjištění mi ukázalo úplně nový svět a možná je to jeden z důvodů, proč jsem se do Kreatče tak zamiloval.

Super, Adame, tak nás prosím provázej tím, jaký to bylo, když ty jako matfyzák s tímto mindsetem po neúspěšném fyzikálním startupu přišel do Kreatče, kde to, jak říkáš, bylo nastavené trochu jinak, a ty jsi tam sbíral tyto užitečné lekce.

Kreatč byl vždy hlavně byznysové prostředí, což znamená, že před zhruba šesti lety datový tým pracoval zejména na datových analýzách, reportingu apod.

Postupně jsme začali řešit složitější zakázky, které vyžadovaly i data engineering kompetence. To nám přineslo nový pohled na potřebu zvyšovat naše znalosti.

Začali jsme se učit programovat v Pythonu a následně jsme přecházeli na algoritmy umělé inteligence.

K projektu, na kterém nyní budujeme výzkumný a vývojový tým zabývající se generativní AI, jsme se dostali před dvěma lety.

Pracovali jsme na projektu, kde bylo potřeba „parsovat“, tedy získávat informace z nestrukturovaných dat, například z Excelových tabulek či PDF dokumentů.

Psali jsme vlastní neuronové sítě, které nám pomáhaly tuto informaci extrahovat.

Když se projekt blížil ke konci, náš produktový manažer a tehdejší vedoucí projektu Tomáš Kovařík přišel s informací o technologii GPT, která by velkou část té práce dokázala provést automaticky.

Bylo to zhruba před rokem a půl, tedy v říjnu.

V té době šlo o GPT-3, možná ještě před jeho půlročním vývojem, když se tato technologie poprvé objevila.

Creative Docu je firma, která je velmi otevřená novým technologiím a inovacím, a tak jsme technologii začali zkoumat.

Zjistili jsme, že by nám mohla pomoci nejen u tohoto projektu, ale i v interních procesech.

Jak těžké je podle tebe udělat správný kompromis mezi byznysovým a projektovým mindsetem a současnou inovací v oblasti technologií? Není to jednoduché, protože se lze snadno dostat do pasti, kdy řešíte: bude to drahé; pojďme raději dělat to, co umíme, protože to přinese rychlý zisk.

Přitom inovace je spojená s velkými investicemi a rizikem.

Jak se toto udržuje v Kreatči?

Myslím, že díky tomu, že máme za sebou množství různých úspěšných projektů, ve kterých jsme pro klienty postavili inovace — a to nejen v oblasti AI, ale i mimo IT, například marketingové strategie prodej neviditelných rovnátek, která si člověk vloží do úst a nejsou vidět — máme spoustu partnerů, kteří nám důvěřují.

A existuje důvěra, že když s nimi pracujeme na inovacích, tak sice technologický vývoj může být složitý a drahý, ale pokud je podložený UX výzkumem a srozumitelným byznys plánem, klient pochopí hodnotu a dá nám více svobody k vývoji inovací, které skutečně dávají smysl.

Myslíš si, že přístup k inovacím se s tím, jak se technologie vyvíjí, mění? Například s rozvojem generativní AI, kdy je snadnější lidi ohromit, nebo jim technologie vysvětlit?

Rád bych řekl, že ano, ale musím přemýšlet, co je správná odpověď.

Největší poptávka po AI algoritmech přišla někdy loni v březnu a dubnu.

V Německu se generativní AI stala známou až poté, co bylo téma probíráno v televizním pořadu, který bych přirovnal ke snídani s novinami.

Manažeři firem potřebují pocit, že právě toto je technologie budoucnosti.

Dokud to slyší jen od nás odborníků, a neexistuje celospolečenská akceptace, může být přesvědčování složité.

Samozřejmě jsou výjimky — lidé s vizí, kteří chtějí jít s technologií dopředu od jejích začátků.

Velmi často však manažeři, tedy ti, kdo nakupuje technologie, jsou lidé a musí být přesvědčeni.

Někdo je technooptimista, toho přesvědčujete rychle, nebo přichází s vizí, kterou jim pomáháme naplňovat.

Jiný nejsou technooptimisté, a u nich přesvědčování trvá déle.

S některými klienty proto přicházíme o půl roku později, když už je technologie na trhu a manažer cítí, že vlak mu ujíždí.

V takovém případě je spolupráce jednodušší.

Adame, když už mluvíme o lidských překážkách, které mohou zpomalit nasazení inovací, máš nějakou oblíbenou, co tě ještě dnes budí ze sna?

Nemyslím si, že máme výrazné „failures“, ale určité problémy a obtíže přicházejí.

Vzpomínám si na jeden nejmenovaný projekt, na kterém jsme strávili dva roky vývoje.

Jednalo se o technologickou inovaci pro jednu velkou pojišťovnu, která měla přinášet nové pojišťovací modely pro pojištění velkých objektů.

Po tom, co jsme algoritmy vyladili a vytěžili maximum, a já jsem na tým velmi hrdý, se v té firmě kvůli interní politice rozhodlo inovaci „vytáhnout ze zásuvky“.

Jeden člověk financoval vývoj a chtěl inovaci, jiný měl platit provoz.

Kvůli interním politickým hrám byl provoz nakonec zamítnut.

To je velmi zajímavá lekce, protože když pomáháte někomu v adaptaci umělé inteligence a měnit jeho myšlení, jde hodně o práci s lidmi.

V tom konkrétním projektu jsme nakonec vyhodnotili, že jsme měli být s klientem mnohem častěji v kontaktu.

Postupně jsme se nejen zvyšovali kompetence v datovém týmu, ale zároveň se rozvíjely týmy IT, které staví backendy a frontendy, a máme skvělé IT analytiky.

Učili jsme se víc pracovat s klienty.

Když firma expandovala třeba na Blízký východ, nastala další úroveň složitosti.

My už jsme měli výhodu principů práce s klienty, které jsme získali z předchozích zkušeností v Německu či Švýcarsku.

Ale znovu jsme museli celou tu práci naučit a znovu ji nastavit.

Výzev na téhle cestě k inovacím je opravdu mnoho.

Občas si říkám, jestli to všechno ještě má smysl, protože i já osobně mám dnes více šedivých vlasů než před třemi lety.

Někdy je to i stresem a prací s klienty, ale pořád mě fascinuje, že dokážeme přinášet inovace na trh.

Dokážeme pomáhat nejen evropským, ale i…

[Text byl přerušen.]

Tímto způsobem jsem upravil text do spisovné češtiny, zachoval veškerý obsah a význam, rozdělil ho do odstavců a opravil chyby v gramatice i v diakritice. Pokud budete potřebovat, rád upravím i pokračování, jakmile mi jej poskytnete.

Těm i evropským firmám pomáhat s tím, aby byly více konkurenceschopné. A myslím si, že v tomhle je přístup Krajáče hodně unikátní. A to vlastně i v tom, že jsme jako česká firma, kterou vlastně Češi založili, vzniklo to celé ani nevím kde, údajně v jednom pražském bytě a potom přes nějakou menší kancelář. V Arbesáku teď končíme sídlo v budově Expo 58 na Letné, tak to je taky takové velmi inspirativní, krásné a prosvětlené prostředí. A vlastně tam člověk jako cítí trochu to, že my děláme něco malinko speciálního a že těm klientům poskytujeme službu, která jim opravdu dokáže pomoci.

No a teď samozřejmě, když se zamyslíte nad tím, že pomáhat někomu s nějakou inovací, to znamená třeba i opravdu změnu myšlení, je složité, tak si dokážete představit, kolika různým výzvám na té cestě čelíte. A to vlastně třeba i z toho pohledu, že si vás objedná jedna část nějaké velké korporace, ale vy tam možná někomu dalšímu šlapete na kuří oka, že jo. A to je vždycky potřeba ošetřovat, je potřeba pracovat. Takže okolo vývoje inovací, a teď si můžete říct: jasně, to jsou data, to je umělá inteligence, to je IT, to je UX výzkum, to je nějaký návrh toho, jak to má celé vypadat, to je uživatelské testování, tak je to vlastně vždycky taky ošetřování nějakých lidských obav, lidských frustrací.

No a v tom samozřejmě každý, kdo to dělá, se to musí naučit, protože na to se nestuduje, abyste v tom byli více či méně úspěšní. A s našimi zkušenostmi, které máte v tom samozřejmě, budete zkušenější. To znamená přinášet dobré inovace na trh vlastně také znamená nejdřív se to sami naučit. A to je třeba něco, co mě na Matfizu neřekli a já jsem hrozně rád, že jsem to potom časem zjistil.

Tak dáme, myslím, že můžeme vykopnout tady naše hlavní téma. Už několikrát jsme kolem toho tancovali a házeli udice, a to je téma transformace, digitální transformace, change management, jestli to můžu takto zaznít. Já bych skoro řekl AI transformace. Podle mě digitální transformace je to, co probíhalo třeba před deseti lety, a teď právě bude mnohem víc firem přecházet na nějakou adaptaci nástrojů, kterým budou pomáhat využívat současnou umělou inteligenci, která se samozřejmě ještě bude rozvíjet a zlepšovat.

Tak pojďme do toho, pojďte nás s tím provést. Proč zrovna Creative Dog je to správné místo na AI transformaci a jaká byla ta vaše vnitrofiremní cesta? Já už jsem tady zkoušel malinko naznačovat, jakým způsobem funguje proces toho, že my přinášíme inovace na trh.

A když přišla umělá inteligence, tak spousta lidí ve firmě, tak jsme se s tím hráli a pozorovali, co to dělá. Tak samozřejmě takové ty první nápady byly: Ježiši, to nám dokáže skvěle získat nějaké informace z dokumentů, to nám pomůže se softwarovým vývojem, to nám pomůže třeba v týmu, kde hodně děláme parsování HTML, scrapování informací. Samozřejmě dřív jsem to bral v BeautySoftu a tři dny jsem prostě bastil HTML tagy, aby to fungovalo, dneska to napíšu GPT, mám to za 20 minut hotové. A my si opravdu začali všímat, že některé části našeho byznysu to dokáže extrémně zefektivnit.

U některých je to třeba složitější, ale zejména co se týče našich technických týmů, třeba u nějakého copilota, přes code review, klidně i klasicky v GPT-4, všechno toto to umí. Zároveň jsme si tím začali generovat obrázky do prezentací, takže už žádné fotobanky, všechno v prezentacích, všechny obrázky máme jako AI generované a vždycky s nimi ukládáme prompty.

A tak jsme si s tím hráli a říkali jsme si, že super, že to je hrozně efektivní a my budeme vydělávat strašně moc peněz, protože to zefektivní celý náš business model, tedy zjišťování informací o firmách, o konkurenci, o trhu. Máte inovační analytiky, kteří sedí u počítače a dělají desktop research, tak jsme říkali, tohle zrychlíme. Pak ale někdo přišel s myšlenkou: „Co když to někdo udělá ještě lépe než my? Tak co pak? Odejdem z trhu.“ Takže v podstatě šlo z nadšení dolů na obavy.

Nadšení, vyděšení. Nechci říkat panika, ta tam nebyla, protože Krajáč nepanikaří, ale byla tam tahle příležitost.

Dobře, tak pojďme zjistit, jestli dokážeme celý proces zefektivnit pomocí umělé inteligence strukturovaným způsobem. Protože o to nám jde. Pokud dokážeme věci přinášet na trh rychleji, pokud dokážeme rychleji vytvářet nápady, rychleji je testovat, tak budeme efektivnější, ale zároveň rezilientnější. A třeba dnes, když představujeme jedinou propozici, tak za stejné peníze dokážeme udělat víc propozic, nebo to bude dražší, ale dokážeme jich otestovat několik najednou.

Z toho vznikla naše interní transformace na využití umělé inteligence, kdy jsme opravdu od inovačního oddělení přes datové, přes IT, přes HR až po business začali všichni používat umělou inteligenci v těch oblastech, kde to opravdu přinášelo hodnotu.

Samozřejmě takto to zní skvěle, ale stejně jako ve všem, cesta byla trochu složitější. Zjistili jsme například, že nám vzniká něco, čemu říkám sila kompetencí. V podstatě jsme přišli i s novou pracovní pozicí prompt engineer. Teď v datovém týmu máme lidi, kteří dělají prompt engineering. Přivedli jsme několik vynikajících lidí s doktoráty v oblasti umělé inteligence, kteří tomu skutečně rozumí. Začali jsme promptovat a zároveň vyvíjet další technologie a v datovém a IT týmu už to lidi docela dobře znali.

Jenže to znamená, že máte znalost, ale nemáte toho zákazníka, protože chcete pomáhat i někomu z HR, z produktu, chcete pomáhat projektovým manažerům, chcete, aby i tito lidé začali využívat umělou inteligenci.

To jsem se chtěl zeptat, možná trochu skáču, ale má naivní představa byla, že firma se rozhodne: „Skvělé, pojďme vše, co děláme, transformovat AI, ale každá funkce není na tom stejně dobře, co se týče kompetencí, a tam je spousta lidských výzev, strachů a obav.“ Vy vlastně chcete, aby se to celé propojilo, aby se sila kompetencí rozlila do celé firmy. Jak jste to zvládli? Jaká byla taktika?

Na začátku jsme si to představovali jednodušší, jako hudební válku, ale zjistili jsme, že je třeba lidi propojovat do týmů, aby vždy byl někdo, kdo umí s AI zacházet velmi dobře, a zároveň někdo, kdo má potřebu AI implementovat do svého procesu, protože to bude rychlejší, efektivnější a bezbolestnější, nebo třeba i povede k lepším výsledkům.

Celé to začalo jedním hackatonem, což byla otevírací session, kdy jsme propojili lidi napříč firmou, vypsali výzvy, někdo přidal další, a pak je nechali 24 hodin hackovat. Vzniklo mnoho skvělých nápadů, jeden z nich používáme dodnes – panel založený na generativní umělé inteligenci, který pomáhá vytvářet a testovat nápady.

Dnes, když stavíme ventures, máme v ideaci stále živé lidi, co vytvářejí nápady, na kterých to testujeme, ale zároveň to zkoušíme dělat pomocí AI. Funguje to a do panelů potřebujeme výrazně méně než tři živé lidi, což šetří náklady i čas. Díky znalostem, jak probíhaly minulé výzkumy, dokážeme i porovnávat, jak se to chová, měříme varianci, zda online panel neodchází jinam než živí lidé.

To byl první signál, že AI může silně zefektivnit inovační proces, a že už nejde jen o code review nebo generování obrázků do prezentací, ale dobře zapadá do metrologického rámce, který používáme.

Pak jsme uspořádali další hackatony, mezi tím naši prompt inženýři objížděli různé departamenty a sledovali, jak kdo promptuje. Začali jsme vytvářet prompt library, aby každý mohl vidět, jak prompty fungují a jak je co nejlépe využít.

Vytvořili jsme interní vzdělávací systém s webináři, například o efektivnějším používání e-mailu, promptování, nástrojů jako Midjourney či DALL-E. Měli jsme i pokročilý webinář na uživatelské průzkumy částečně s AI.

Vidíme, že když dokážeme rozbít tyto silové kompetence, lidé to využívají, protože to pro ně má hodnotu. Byla to cesta, až jsme dospěli k tomu, že to je vlastně change management. Já osobně jsem toto slovo neznal, ale v minulém roce jsem se naučil nová slova: halucinovat, promptovat a change management. To jsou tři nové přírůstky do mého slovníku – dokonalá výbava moderního muže 21. století.

Adame, co byl další krok? Předpokládám, že všichni v Creative Dog byli nadšení, jeli na té vlně: „Toto je skvělé, vyřešilo nám spoustu problémů.“ Byl ten další krok nabídnout to klientům a používat v byznysu?

Určitě ano. Postupně spoustě lidem začaly svítit očička. Já jsem přiznávám, že mě rozzářily možná o trochu pomaleji než některým kolegům, protože když jsem se poprvé podíval, jak funguje generativní umělá inteligence a že lidé ji používají i na programování kódu, tak ve mně vyvolal takový rigorózní matfizácký pocit. A první, co jsem řekl, bylo: halting problém, to nemůže fungovat, je to dokázané od roku 1936, Alan Turing měl pravdu. Matematická pravidla říkají, že stroje se nemohou samy programovat.

Postupně se ukazovalo, že hranice halting problému je velmi vysoko a že mnoho věcí, které AI dělá, je dobrých a opravdu pomáhá. Takže se nám všem oči rozsvítily a já přiznávám, že jsem byl v tomhle pomalejší než někteří optimističtí kolegové z Krajáče.

Už si nepřilepuješ vytisknuté články z roku 1936 po zdech?

Teď to nechávám generovat AI a každý týden se jí ptám, co si myslí o halting problému a jak se to vyvíjí.

Jak to pokračovalo? I tebe to mezi tím nakoplo, rozsvítily se ti oči? Jak jste to vyvedli ven z firmy?

Mě to hodně nakoplo, ale díky tomu, že máme spoustu klientů, s nimiž jsme v minulosti pracovali na inovačních projektech, můžeme si dovolit říct, že jsme vytvořili metodologii a že jsme sami prošli AI transformací, a pokud byste měli zájem, dokážeme tuto službu nabídnout i vám.

Vytvořili jsme prezentaci se všemi principy transformace a začali ji ukazovat navenek. Ukázalo se, že existují klienti, zejména ve střední Evropě, kteří o to mají zájem.

Ještě jsem nezmínil jednu věc. Kromě toho, že jsme se začali učit používat umělou inteligenci a vytvořili vzdělávací systém v pěkném prostředí, kde se lidé mohou učit od zkušených a mají motivaci, jsme začali tvořit i vlastní use cases.

V podstatě toolbox, který nám pomáhá AI využívat. Jeden z příkladů jsem zmínil, ale bylo jich mnohem víc, které jsme postupně uvedli do provozu.

A to jsme klientům říkali: „Můžeme zpracovávat vaše dokumenty, pročítat vaši dokumentaci nebo vytahovat informace z PowerPointů,“ ale zároveň nabízíme i change management.

To totiž skvěle ladí, protože change management je komunikace, psychologie, vzdělávání, a nástroje, které ve firmě představíte a pomůžete s jejich vývojem, jsou majákem, že se to dá použít i běžným zaměstnancem.

Protože běžný zaměstnanec si vezme GPT a začne si promptovat, nebo používá jinou, třeba zabezpečenější aplikaci, třeba GPT z Microsoft Azure, občas mu to funguje, občas ne.

Ale pokud ve firmě existují nástroje postavené na AI, říká mu to: „Hele, pro mě to něco dělá a funguje to transparentně.“

Někde jsem četl, že většina lidí bude používat generativní AI stejně, jako dnes používáme teorii relativity. Používáme ji prakticky všichni, protože se s její pomocí kalibrují pozice satelitů pro navigaci, ale nikdo neví, jak funguje.

Já, když jsem došel sem do studia, tak jsem ji taky použil.

Tímto způsobem tedy ukazujete běžným zaměstnancům, kteří mají svoji rutinu a dobře vědí, co dělají, že existují nástroje, které jim pomohou, ale nemusí si je sami promptovat.

Když mají nápad, jak něco zefektivnit, mohou přijít k vám a v týmu jsou lidé, kteří jim s tím pomohou. Oni pomůžou firmě být efektivnější a někdo zase pomůže realizovat jejich nápad.

Jaká byla průměrná nálada v borduru, když jste přišli s nabídkou? Přinášíte jim skvělý AI nástroj, ale zároveň i tu důležitou část change management.

Cítil jsi hlad ze všech stran, nebo spíše skepsi?

To asi záleží na tom, na co se přesně zeptáte. Když jsme jeli s tím poprvé například v dubnu, cítili jsme nesmírné množství obav o bezpečnost informací ve firmách, což je naprosto legitimní.

Potom přišel Micros…

Často pracuji se svým Azure a implementací OpenAI a najednou ty firmy přestávaly mít obavy a už nás nepotřebovaly vyslýchat o tom, co se stane s jejich daty. Dokonce jsem absolvoval jeden hovor s potenciálním klientem ze Spojených států, kterému jsme vysvětlovali, jakým způsobem mají nastavené proxy, aby kontrolovali veškerý datový tok firmy dovnitř a ven z firmy. A ptali se, jestli to bude fungovat i s umělou inteligencí.

Tak jsem jim vysvětloval, že ve chvíli, kdy kontrolují, co jim teče z firmy a do firmy, jim akorát potečou jiné informace z firmy a do firmy a budou to moci kontrolovat také. Na této úrovni tedy obavy byly.

Potom, v květnu, například v Německu, už po tamní německé snídani snů, na které někdo mluvil o umělé inteligenci a vysvětloval, jak to změní svět, jsme začali cítit mnohem větší hlad.

V červnu jsme již cítili takový hlad, že v červenci jsme podepsali první projekt na change management a na výrobu interních use caseů. Od té doby se nám to ohromným způsobem rozjelo.

Dnes pracujeme i pro české firmy, pro firmy v zahraničí a já absolvuji čtyři až šest různých hovorů týdně s firmami, které mají zájem, abychom jim rozpracovali use casey, rozpracovali nějaké interní procesy a vysvětlili jim, kde se dá umělá inteligence různě nasadit.

Dále jsme došli k tomu, že například pracujeme s agenty, což znamená, že dokážeme otestovat nějaký scénář pomocí toho, jak se v něm chovají agenti. Mám vždycky pocit, že u toho trochu hrajeme SimCity, což je ohromná zábava – hrát SimCity pomocí API a agentů.

Nejlepší zážitek minulého roku byl, když nás oslovil Google, jestli bychom nepředvedli, jakým způsobem my tu umělou inteligenci používáme. Řekl jsem tedy ano, i když oni mají barák, kde asi pět tisíc lidí pracuje, ale vybrali si nás.

Zaletěli jsme do Hamburgu a tam jsme dvě hodiny předváděli jejich eventovému týmu, jak se dají použít custom GPT pro vytváření například různých briefů na eventy a jak dokážou zjistit a zlepšit své interní procesy.

Z toho vznikl nejvíce lajkovaný příspěvek mého života na LinkedInu, který měl asi patnáct tisíc reakcí, kde jsem pouze napsal, že jsme byli v Google prezentovat umělou inteligenci. Pro kluka z Liberce, který si to nějak prošlapal skrz ten math face, bylo prezentovat AI před Googlem opravdu velmi obohacující. Doufám, že si to odnesli domů, aby se tím mohli pochlubit.

Atmosféra v Google mě také ukázala, jak tato firma funguje. Měli asi čtyřicet otázek a většina z nich směřovala do budoucnosti, jak tato technologie dokáže něco využít zde a tam, jak by se aplikovala na určitý use case.

Protože vývojových kapacit v Česku není nikdy dost, navázali jsme spolupráci s ETH v Curychu, kde jsme začali vyučovat jeden předmět nazvaný Data Science Lab. V rámci toho jsme jim poskytovali dokumentaci k našemu starému projektu, který nebyl realizovaný, aby tým tří lidí mohl postavit dalšího chatbota.

Začali jsme tedy sdílet tuto kompetenci a spolupracovat s ETH, což považuji za bombastické, protože na tuto školu jsem chtěl dělat doktorát, ale nakonec jsem se rozhodl, že doktorát dělat nebudu a šel jsem do Avastu. Teď se tak trochu vracím alespoň jako spolu vyučující jednoho předmětu zase do Curychu.

Celá spolupráce se velice hezky rozjela. Myslím si, že AI transformace a přechod na využívání umělé inteligence ve firmách se stal velkou součástí našeho sales procesu.

Nyní máme projekty od Budapešti po Abú Dhabí, máme skvělou síť kontaktů od Budapešti po Abú Dhabí a dokážeme tímto způsobem své služby stále rozšiřovat.

Můžeme tedy říct, že jsme vyrostli z českého a středoevropského prostředí a nyní nabízíme naše projekty, produkty a principy transformace i na Blízkém východě.

Adame, musím využít této příležitosti a zeptat se tě, jak se dělají data na Blízkém východě? Jaký je tam pro nás středoevropany rozdíl?

V této oblasti jsou určitě větší experti než já, ale největší rozdíl vidím v regulaci a v dodavatelích služeb. Poprvé v životě jsem narazil na Alibaba Cloud, o kterém jsem do té doby málo věděl, a zdá se, že jde o běžně využívanou cloudovou platformu na Blízkém východě.

Zatímco u nás je běžné používat Azure, Google Cloud nebo AWS, na Blízkém východě je velmi často využíván právě Alibaba Cloud.

Regulace v jednotlivých zemích se liší, například v Saúdské Arábii musí být všechna data vždy uložena na serverech přímo v zemi.

Další rozdíl je v tom, že tam se mnohem častěji spolupracuje s vládními nebo polostátními agenturami. Zatímco v Česku nebo obecně v Evropě spolupracujeme převážně se soukromým sektorem, v Saúdské Arábii bývá součástí objednatelů i vládní agentura.

Je také rozdíl v tom, že generativní AI modely zatím nefungují optimálně s arabštinou. Zdá se, že existuje několik iniciativ, které se snaží vytvořit GPT modely speciálně přetrénované pro arabský jazyk.

Arabština je významný jazyk s množstvím dat a zároveň existuje mnohé dialekty, což ztěžuje vytvoření univerzálního modelu.

Myslíš, že v tomhle regionu je další velký potenciál, nebo to tam nemá smysl měřit?

Ano, vypadá to, že je to jasná odpověď.

Adame, ty pracuješ v této oblasti dlouho a máš zkušenosti s datovými, technologickými, ML a AI projekty. Kde si myslíš, že jsme teď? Je technologie už hotová, běžná, tak jako před pár lety standardní data science nebo ML modely? Nebo nás čekají ještě velké trendy? Co nás čeká v dalších letech?

Je těžké dělat predikce, zejména pokud se týkají budoucnosti. To zjistíme třeba příští rok. Co řeknu, často se děje opak.

Myslím si, že jsme v technologii stále hodně na začátku.

Nevíme například přesně, na jakých datasetech jsou trénovány jednotlivé velké jazykové modely, což má vliv na jejich biasy a způsob strukturování informací, které model pak vydává, třeba na úrovni rasismu a podobně.

Neznáme však ani přesně, kolik dat je ještě k dispozici na trénink.

Pokud považujeme umělou inteligenci za soubor algoritmů, infrastruktury a dat, algoritmy se určitě budou rozvíjet, infrastruktura bude silnější, ale nevíme, kolik dat je k tréninku zatím k dispozici – myslím ale, že jich je hodně.

Jak jsem uváděl příklad s arabskými jazykovými modely, lze předpokládat, že po nějaké době budou chtít další země specifické jazykové modely například na čínštinu, která má jinou strukturu než angličtina.

Vývoj tedy bude pokračovat také v kvalitě, zejména v prozkoumávání schopností současných modelů.

Například v našem výzkumu pro R&D jsme dosud nedokázali kompletně vytěžit kapacitu GPT-4, a myslíme si, že to bude trvat dlouho.

Otázkou je, zda je vůbec možné ji úplně vytěžit, zda existuje nějaký skleněný strop, nebo zda budeme roky a roky objevovat další schopnosti a vlastnosti modelu, protože mezi daty a jejich navázáním může být mnoho neobjevených propojení.

Velice zajímavý je případ, kdy The New York Times se začaly soudit s OpenAI za porušení autorských práv.

Společnost tedy musí vyjasnit, jakým způsobem mohou být jazykové modely trénovány a používány.

V Evropě máme AI Act, ale ten ještě není zcela hotov. Španělské předsednictví se snažilo předložit jej před koncem roku, ale zatím je to stále ve vývoji.

Budeme tedy řešit velké regulatorní rámce a současně technologický rozvoj.

Hodně rezonovalo téma na Davosu a i mezi podnikateli a politiky v Evropě, že Evropa může technologicky zaostávat.

Příklad: Švýcaři postavili velký výpočetní cluster s množstvím grafických karet, aby tamní firmy mohly trénovat umělou inteligenci, experimentovat a posouvat ji dále.

U nás v Evropě kromě start-upu Mirai AI nemáme žádné vyvíjené velké jazykové modely.

Myslím, že existuje demokratizační snaha, aby se po různých částech světa vytvářely jazykové modely, které více reprezentují hodnoty jednotlivých území či států.

To, samozřejmě, s sebou může nést i určité zbrojení v technologické oblasti.

Adam, kde jste vy jako firma s ohledem na nadcházející změny – zda rychlejší transformace, regulace a další?

Myslím, že už máme kompletně hotovo, já už budu jen chodit do podcastů.

Nebo možná ne, protože celý proces budeme znova prozkoumávat a nabírat další skvělé lidi, kteří se budou umělou inteligencí dále zabývat.

Další směr vývoje u nás, kromě tvorby interních nástrojů a pomoci klientům s urychlením jejich AI adaptace, vidím v budování infrastruktury, která nám pomůže s dotrénováváním modelů.

To je podle mě další významný směr.

Zatím jsme ve fázi práce s velmi chytrými modely, používáme prompting a modely, jak jsou.

Dotrénovávání hrálo zatím menší roli, ale s rozvojem kompetencí a týmu přijdou složitější výzvy, a to si vyžádá větší zaměření na dotrénovávání.

Na to se těším, protože jako u každého výzkumu člověk zná směr, ale ne ví, co objeví na jeho konci.

Právě to zkoumání přináší velkou intelektuální hodnotu.

Blížíme se ke konci, ale ještě mě zajímá, když jsi říkal, že v příštím roce tě čeká hodně nových technologií a možností, mám pocit, že pro tebe endgame nejsou technologie.

Na co se osobně těšíš v dalších letech, kam by ses chtěl posunout?

První umělou inteligenci jsem se učil před lety od lidí, kteří pracovali na vývoji zdravotnických zařízení.

Tam platilo paradigma, kterému věřím i v jiných případech, že nejúspěšnější je spolupráce člověka se strojem a také spolupráce lidí mezi sebou.

Ukazuje se nám to i v tomto případě umělé inteligence, kde spolupráce člověka se strojem umožňuje člověku prozkoumávat nové možnosti, objevovat „mimozemšťany“.

Jak jsem popisoval transformaci, úspěch přišel ve chvíli, kdy jsme kompetence rozprostřeli po celé firmě a adaptovali se všichni.

Těším se také na to, že umělá inteligence je další příležitostí pro spolupráci lidí mezi sebou a učení se od sebe navzájem.

Věřím, že právě v tom je ta hodnota.

Umělá inteligence zvyšuje efektivitu, je skvělým nástrojem, ale když my jako data science a AI lidé nebudeme spolupracovat s těmi, kteří tomu rozumějí méně, nakonec budeme všichni méně úspěšní.

Děkuji ti, Adame, za tento humanisticko-pozitivní pohled do zdánlivě pesimistické budoucnosti.

Myslím, že se zde neslyšíme naposledy.

Děkuji za pozvání, zdravím naše a vaše posluchače.

Díky moc, Adame, přeji vám vše dobré do nového roku.

Díky, nashledanou.

To je vše. Děkuji, že jste poslouchali až do konce.

Děkuji také našim partnerům: Big Hubu, Recombee, Intex, Nano Energies, LifeSport, SAS.cz, Bystreetům, Colors of Data, Revolt BI a Gudatě.

Jestli vás zajímá více z české datové scény a datových technologií globálně, nechte nám svůj e-mail na datatalk.cz.

Nebo se přijďte podívat na jeden z našich meetupů na datamesh.cz.

A ať vás provází data.