Využívání algoritmů umělé inteligence postupně proniká ze samotné výroby i do oblasti logistiky a skladového managementu. Firmy si totiž začínají uvědomovat, že sofistikované algoritmy dokážou pomoci nejen v automatizaci či optimalizaci skladu, ale také predikovat poptávku či míru spolehlivosti dodavatelů. „Nasazováním AI napříč divizemi se z firmy postupně stává propojený organismus, který dokáže pružně reagovat na potřeby trhu a získává tak obrovskou konkurenční výhodu,“ říká v rozhovoru pro Technický týdeník Pavel Wimmer, spoluzakladatel a výkonný ředitel společnosti DNAi.
Jak v současné době vypadá ve firmách řízení logistiky a skladových zásob? Doposud se k veškeré práci v logistice a skladovém hospodářství používají různé informační systémy a nástroje business intelligence. Jenomže i když jsou tyto nástroje součástí páteřní IT infrastruktury a bez nich by firma prakticky nemohla dnes existovat, jde stále o separované modely, s nimiž se musí pracovat ručně a které jsou, co se týče jejich schopností, velmi limitované. Tento stav se však právě začíná měnit. Firmy už hojně uvažují o implementaci umělé inteligence (AI), což potvrzuje i jeden průzkum společnosti Gartner, který tvrdí, že v roce 2024 chce polovina oslovených firem investovat do AI v oblasti logistiky, skladového managementu a dodavatelského řetězce. Každá firma má svou strategii a plán, kterého se drží, ale obecně vzato očekávám, že budou chtít AI využívat například pro predikce skladových zásob, případně optimalizace skladu tak, aby se například rychloobrátkové zboží nekazilo. Můžou to být ale také optimalizace prostoru nebo třeba podpora oddělení nákupu tak, aby lidem odpadla rutinní práce a mohli se soustředit více na exekutivu.
DNAi je česká firma vyvíjející aplikaci s algoritmy umělé inteligence například právě pro logistiku. V čem vidíte potenciál AI vy? Typicky třeba v optimalizaci a plánování. Každá firma má historická data ze skladových systémů a pro každou položku své dodavatele, kteří mají své ceníky a nabízejí různé slevy. Změny cen jsou tedy velmi dynamické a v globálním měřítku je extrémně náročné s běžnými nástroji provádět optimalizace. My dokážeme dát data na jedno místo a za pomoci AI z nich získat validní hodnoty, případně vygenerovat plán nákupu, který říká, že pokud chce firma dodržet svou stanovenou strategii, musí v daný den objednat daný počet položek od konkrétního dodavatele za aktuálně výhodnou cenu.
A pokud nastane třeba vlivem přírodní katastrofy či konfliktu v nějaké zemi výpadek, tak algoritmus dokáže velmi rychle najít druhou nejlepší možnou variantu. Jde o komplexní výpočty, na které právě už běžné nástroje nestačí. AI má tedy potenciál přinést flexibilitu a rychlost, což je „game changer“, který dává konkurenční výhodu.
Hovořil jste o strategiích, které firmy mají. Těch ale může být více a mohou se v podstatě dostat do konfliktu. Umí si AI poradit i s tím? Pokud optimalizační strategie vychází z plánu, který říká, že firma chce například snižovat náklady vázané v zásobách, nebo být naopak v něčem flexibilní a mít určité zboží na skladě, případně chce třeba snižovat uhlíkovou stopu, mohou se opravdu tyto strategie dostat do konfliktu, protože jsou mnohdy protichůdné. Naše řešení ale dokáže nabídnout optimalizační funkci, která všechny tyto strategie postaví vedle sebe, přepočítá a vytvoří různé scénáře. Systém také umožní udělat analýzu prioritních položek, které je nutné řešit, aby se mohly dodržet stanovené plány.
Součástí vašeho řešení Myio jsou také AI predikce poptávky. Jakou mají přesnost? Aby byly predikce přesné, je třeba mít k dispozici historická data. Ty mají většinou celkem jasný vývoj, ale vstupují do nich samozřejmě i nečekané vlivy. V logistice a ve skladovém managementu to byla například covidová krize, která přinesla úplně nestandardní hodnoty. Proto, když jsme tento modul pro jednoho našeho zákazníka vytvářeli, vzali jsme nejen jeho historická data, ale postavili jsme predikční algoritmy tak, abychom predikovali na denní bázi. Po určitém čase a zakomponování mnoha různých vlivů, s nimiž se logistika a skladový management setkává, se nám tak podařilo predikovat většinu případů s chybovostí pod 4 %. Obecně vzato to ale znamená, že firmy mohou díky AI predikovat poptávku, do toho optimalizovat skladové zásoby a pokračovat dále také do zákaznického servisu, obchodu, samotné výroby či kontroly kvality. Procesy se tak zefektivňují napříč firmou. V podstatě si už nedokážu představit oblast, kterou by AI nezasáhla.
Vyvíjíte celou aplikaci sami, nebo využíváte i AI produkty třetích stran? V rámci vývoje si architekturu zjednodušeně řečeno rozsekáme na jednotlivé základní komponenty. Některé z nich, jako jsou třeba technologie na rozpoznávání hlasu, optimalizace či ChatGPT, se v současné době nevyplatí vyvíjet. Tyto komodity, které jsou dostupné v cloudovém ekosystému providerů, jako jsou Microsoft Azure, AWS či Google, proto nakoupíme. Zároveň s tím ovšem probíhá i naše vlastní práce na vývoji dalších komponent. A řetězením nástrojů dostáváme komplexní řešení, které se dá použít univerzálněji. Naším cílem je tak SaaS [software jako služba — pozn. red.] řešení, ale samozřejmě probíhá i vývoj přímo na míru, zejména pro velké a nadnárodní podniky. Optimalizace všech dat probíhá v naší aplikaci, která má i své grafické prostředí, ale jsme schopni následně zpracovaná data vracet i zpět do informačních systémů. Samotný proces učení a optimalizací pak probíhá na denní interakci. Neustále vlastně aplikaci krmíme informacemi, které navzájem porovnáváme. Do toho vstupuje i zpětná vazba od člověka, díky níž se algoritmy také učí.
Jak konkrétně vypadá vývoj těch vašich unikátních komponent? Máme téměř dvousetčlenný mezioborový tým, v němž jsou experti na matematiku, statistiku, fyziku i biomedicínu. Nechybějí ani specialisté na konkrétní součásti AI, takže máme lidi, kteří se věnují přímo optimalizacím, další pracují na rozpoznávání obrazu, na zpracování přirozeného jazyka… V R&D týmu máme více než 30 % lidí se vzděláním na úrovni Ph.D. a výše. A hodně spolupracujeme s akademickou sférou, například v oblasti statistiky, softwarového inženýrství či biomedicíny.
Zmiňujete zejména technické obory. Vstupují vám ale do vývoje i humanitní vědy, jako je sociologie, psychologie, právo či etika? Ano, samozřejmě, i humanitní obory jsou v našich týmech zastoupeny. A upřímně řečeno, čím hlouběji ve vývoji jdeme, tím více jsou tito lidé potřební, protože se otevírá více a více etických, psychologických i právních otázek. Musíme být schopní dobře ohlídat hranici, kam AI pustit a kam už ne. V oblasti logistiky to není až tak zřejmé, ale ve zdravotnictví, jemuž se také věnujeme, je to naprosto nezbytné. Jednou z našich zakázek je pomoc při zpracování lidského genomu. S naší aplikací jsme schopni najít informace, které ovšem pacientům ne-může říkat umělá inteligence. Spolu s lidmi z humanitních oborů proto hodně řešíme, jaké pravomoci předat AI a jaké nechat na člověku. To samé platí pro oblast asistované reprodukce, kde narážíme na to, že technologie je schopná při matchování dárců vyselektovat znaky, které dítě zdědí, typicky například barvu očí, vlasů apod. Kde je ale ta hranice toho, co je ještě přípustné a co už je genové inženýrství? Za mě osobně je v pořádku upozornit, že pokud se zkombinují genetické informace od těchto dvou jedinců, zvyšuje se riziko geneticky podmíněného onemocnění či postižení. A určitě se nechceme pouštět do dalších sfér, které AI umožňuje. Sám osobně sice mám nějakou představu o tom, kde ta hranice je, nicméně potřebujete někoho, kdo tomu opravdu rozumí a hranice nastaví.
Myslíte si, že už někde AI hranice překračuje? AI je nástroj, ale můžeme na ni nahlížet třeba jako na internet. Také máme klasický internet a poté darknet, který je dark právě proto, že s ním pracují lidé s nekalými úmysly. Podobné je to i s AI, kdy už získává lidskou rukou podobu softwaru, který škodí. Hovořím teď třeba o fenoménu audiovizuálního deepfake nebo svlékacích aplikací, které na základě tvaru vašeho těla velmi přesně odhadnou, jak vypadáte bez oblečení. AI je také velice dobře schopná rozeznat konkrétního člověka nejen podle obličeje, ale třeba i podle chůze a dalších charakteristických znaků. A v ten moment opět přichází na řadu otázka, kde je hranice použitelnosti třeba v oblasti bezpečnosti a kde je už hranice zneužitelnosti. Když se podíváme do Číny, kde se technologie zneužívá pro monitoring pohybu lidí, jejich skórování, a dokonce predikce pravděpodobnosti vystupování proti režimu, tak to je absolutní dystopie, k níž bychom se nikdy neměli ani přiblížit. /Kristina Kadlas Blümelová/
