I když se to na první pohled nemusí zdát, technologie umělé inteligence už dnes výrazným způsobem ovlivňují to, jak firmy fungují, a jejich význam bude v příštích letech ještě více akcelerovat. Týká se to celé podmnožiny souvisejících oborů od počítačového vidění po zpracování jazyka a nedílnou součástí je také strojové učení.

Právě strojové učení, v angličtině označované jako machine learning, má do budoucna velký potenciál měnit procesy ve firmách všech velikostí. Jak přesně mohou být tyto technologie užitečné? O tom pro CzechCrunch napsal Lukáš Ontl, vedoucí pro inovace a rozvoj produktů tuzemské společnosti Asseco Solutions.

Asseco Solutions loni oslavilo třicet let od vstupu na trh a zaměřuje se na vývoj podnikových informačních systémů na českém a slovenském trhu. Jeho ERP systémy z rodiny Helios zaměřené na různě velké společnosti i státní správu přitom výrazně řeší automatizaci, a to jak prostřednictvím technologie strojového učení, tak nově také robotické automatizace procesů (RPA).

***

Strojové učení (ML) je podmnožina umělé inteligence (AI), která počítačům umožňuje učit se a reagovat, aniž by byly definovány přesné algoritmy. Uživatel nemusí na počátku přesně definovat podmínky, dle kterých chce vytvářet předpovědi či analýzu dat. Strojové učení je naopak proces, který kontinuálním sběrem dat vytváří a zpřesňuje matematický model, na jehož základě jsme schopni identifikovat a formulovat souvislosti či predikce.

Jako analogii ke strojovému učení si můžeme představit lidské učení, kdy se na základě zkušenosti dokážeme rozhodovat a v čase, kdy získáváme další a další zkušenosti, může být náš úsudek přesnější a má tak pro nás větší hodnotu. To znamená, že obdobně, jako se učí člověk, se snažíme vytrénovat počítače tak, aby dokázaly analyzovat data a uměly se z nich dále učit.

Ač se některé příklady užití zdají přehnané nebo (z dnešního pohledu) příliš vizionářské, existuje mnoho praktických aplikací strojového učení, se kterými se běžně setkáváme – spamové filtry na e-mailu, doporučení produktů od Amazonu a Netflixu, Google jeho pomocí upřednostňuje výsledky vyhledávání a nabízená videa na YouTube, využívají ho chatboti, systémy rozpoznávání obrázků (například obličejů nebo SPZ) či zvuku a další.

Společnost Gartner například předpovídá, že v následujících letech bude různé formy strojového učení používat až 70 procent organizací ve Spojených státech a západním světě. Níže uvedené oblasti by mohly být způsobem, jak zavést strojové učení do našich ERP systémů a umožnit našim zákazníkům jejich praktické využití.

Technologie strojového učení nabízí několik scénářů, jak je možné data zpracovávat. Každý z nich je zaměřen na jiný typ problému – a právě na pět nejčastějších z nich se níže podíváme podrobněji. Paralelně k této kategorizaci je zároveň možné praktické využití dělit po procesních liniích, tedy například pro obchod, HR, marketing, finance, zákaznickou péči a podobně.

Segmentace

Hledání neznámých kategorií v datech. Příkladem může být automatické rozdělení zákazníků, výrobků, zaměstnanců do kategorií na základě identifikovaných společných charakteristik či vlastností. Bez nutnosti znalosti „co hledám“ tak strojové učení poskytuje praktickou alternativu, kdy bez „předsudků“ systematicky vyhodnocuje a segmentuje data do automaticky definovaných logických skupin.

Strojové učení tak dokáže najít souvislosti mezi zdánlivě nesouvisejícími daty tam, kde je běžně uživatel není schopen identifikovat. Může se jednat například o:

• Snižující se odbyt u zákazníků z regionu x.
• Nižší výkonnost pracovníků ve skupině 20 až 30 let.
• Vyšší úspěšnost prodeje u sortimentu y.
• Vyšší aplikace slev na zboží prodané mezi 16. a 17. hodinou.
• Vyšší úspěšnost nabídek podaných prostřednictvím e-mailu.

Predikce

Predikce chování i vývoje je jedním ze silných aspektů strojového učení. Na základě analýzy historických dat je možné predikovat budoucnost a indikovat případné nesoulady. Prognóza je jedním z nejatraktivnějších důvodů, proč se zabývat implementací strojového učení do ERP.

Příkladem může být:

• MES – předvídání poruchy strojů na základě naměřených údajů (či zvuku).
• Predikce objednávek (objem, počet, obsah atd.) a dle toho plánování zásob.
• Predikce ceny produktu na základě jeho parametrů.
• Které modely či typy výrobků mají vyšší pravděpodobnost odbytu.
• Vývoj ceny energií, nakupovaných služeb, cen komodit apod.
• Predikce nákladů, spotřeby, kapacit zdrojů na základě trendů v čase.

Detekce anomálií

Místo ruční definice pravidel toho, které anomálie mají být identifikovány, je strojové učení aktivně vyhledává. Může tak poskytovat automatizovaný způsob, jak přijímat data v reálném čase a předpovědět, která data či transakce jsou podezřelé či nestandardní:

• Detekce špiček či poklesů v prodejích či nákladech.
• Detekce nestandardní spotřeby energie, kapacit apod.
• Detekce podvodných jednání např. při monitoringu aktivit uživatele v ERP.
• Identifikace podezřelých B2B transakcí (objednávky, faktury atd.).

Doporučování

Strojové učení podporuje doporučení založené na obsahu. Pokouší se navrhnout (doporučit) takové produkty či služby, které mají relevanci k dřívějším nákupům. Vychází například z podobných nákupů jiných zákazníků nebo může doporučovat jiné produkty s obdobnými parametry.

Další možností je doporučování „atraktivních“ produktů. Tedy s aktuálně největším odbytem, zvýhodněné s akční cenou či nejlépe hodnocené, přičemž tento obsah je dynamicky aktualizován. Mimo jiné právě s tímto modelem strojového učení se dnes můžeme setkat na řadě významných e-shopů.

Klasifikace/kategorizace

Na základě analýzy historických dat umožňují metody strojového učení předpovídat chování. Například snižování objednávek, obratu či kontaktních jednání identifikuje jako „ochlazení“ vztahu, jež může být projevem odchodu klienta ke konkurenci. Některé odhady pracují s 15% úspěšností udržení takto zavčas identifikovaného odcházejícího klienta.

Dalším příkladem může být klasifikace textu například v komentářích či diskuzích na webu, elektronických dotaznících a podobně. Výsledkem může být klasifikace na pozitivní a negativní nebo roztřídění do jednotlivých oblastí.

Na základě zadání parametrů či požadovaných vlastností je strojové učení také schopné vyhodnotit a doporučit nejvhodnější alternativu – produkt, službu nebo třeba pracovníka (i na základě kvalifikace). Management tak může například dostávat automaticky generované podklady, kteří z klientů mají pro firmu největší užitek (na základě více atributů).

Data, která pomáhají

Záměrem našeho oddělení Inovace a rozvoje produktů v Asseco Solutions je hledání podobných praktických příkladů užití postavených na datech v ERP, které by byly přínosné pro naše zákazníky. Tyto příklady pak následně implementujeme přímo do našich systémů Helios tak, aby byly dostupné široké skupině našich uživatelů.

Cílem je usnadnit uživateli orientaci v datech, navrhovat opatření na základě identifikovaných souvislostí či identifikovat klíčové nebo rizikové události v ERP. Snažíme se proto dostat strojové učení do běžného života každého uživatele Heliosu, přičemž se věnujeme i řadě dalších inovačních projektů a přivítáme každého s chutí hledat nové či netradiční cesty. Více o našich volných pozicích najdete na Helios.eu.