Kdy se umělé inteligenci ve výrobě dá věřit?

Pro první týdny si stanovte malý režim: jeden nástroj, tři úlohy, jasná pravidla. Zapisujte si, co fungovalo a co ne – třeba že delší zadání s příkladem přineslo lepší výsledek než krátká otázka. Naučte se výstup zkracovat a upravovat, ne jen kopírovat. Až budete mít pocit, že rozumíte tomu, kde model pomáhá a kde škodí, teprve pak zkoušejte další nástroje. Rozdíl mezi užitečným pomocníkem a zdrojem chyb není v tom, který nástroj používáte, ale v tom, jak zadáváte a jak kontrolujete.

Začněte tím, že sepíšete, co se dnes děje skutečně, ne jak by to mělo vypadat. Kdo o dovolené rozhoduje, kolik lidí může chybět v jeden den, jak dlouho předem se žádá a co se stane při nemoci nebo nečekané události. Tato pravidla dejte na jedno místo v podobě krátkého dokumentu. Bez nich automatizace jen zrychlí chaos — systém bude posílat žádosti dál, ale nebude podle čeho rozhodovat. Typická chyba je začít výběrem nástroje a pravidla dohánět až potom.

Nezapomínejte na dokumentaci. U každého modelu je potřeba vědět, na jakých datech byl trénován, kdy a kdo jej schválil a jaké jsou jeho známé slabiny. Bez toho se při auditu nebo při změně výrobního procesu neobejdete a systém se stane nečitelným. Rovněž se vyplatí mít záložní postup pro případ výpadku: ruční kontrolu, která zůstane připravená, i když ji běžně nepoužíváte.

Prakticky se začíná u sběru dat. Snímky nebo signály ze senzorů je potřeba pořizovat přímo na lince, ve stejném osvětlení, ze stejného úhlu a se stejnou kamerou, jaká bude později v provozu. Vyplatí se nasnímat i výrobky, které jsou na hraně tolerance, a vady vzácné, ne jen ty časté. Model trénovaný výhradně na pěkných kusech selže právě ve chvíli, kdy přijde něco neobvyklého.

Umělá inteligence v kontrole kvality není černá skříňka, která sama od sebe odhalí každou vadu. Funguje tam, kde je jasně definované, co je dobrý a co špatný výrobek, a kde existuje dost nasbíraných dat z reálného provozu. První krok proto není nákup softwaru, ale popis vzorků: co je vada, jak vypadá, na jakém dílu a za jakých podmínek vzniká. Bez tohoto popisu nemá model podle čeho rozlišovat a výsledkem bude drahé zařízení, které hází falešné poplachy.

U nástrojů pro automatizaci HR se platí za tři věci: za licence, za implementaci a za údržbu. Licence bývají vidět, implementace a údržba ne. Ptejte se proto předem, kdo nastaví workflow, kdo propojí systémy a kdo bude řešit změny, když se změní legislativa nebo organizační struktura. Pokud to bude externí dodavatel za hodinovou sazbu, může provoz přerůst původní rozpočet. Rozumné je vyjednat si pevný rozsah úprav na určité období a mít v dokumentaci popsané, jak si základní změny udělá interní admin sám.

Umělá inteligence tak nahrazuje rutinní vizuální kontrolu tam, kde je únava a rychlost linky limitujícím faktorem. Nenahradí ale lidský úsudek o tom, co je ještě přijatelné a co už ne. Nejlepších výsledků dosahují provozy, kde lidé rozumí tomu, co systém dělá, a kde se výsledky pravidelně vyhodnocují proti skutečným reklamacím a vadám z montáže.

Na závěr si stanovte jednoduché měřítko: kolik žádostí se vyřeší bez ručního zásahu a jak dlouho trvá průměrné schválení. Sledujte to první měsíc a podle výsledků pravidla upravte. Automatizace v malé firmě nemá být složitá — má odstranit opakované přepisování a zapomínání. Pokud systém nutí lidi obcházet ho, není problém v lidech, ale v pravidlech, která jste nastavili příliš složitě.

Smysl má automatizace, která sama rozpozná klíčové údaje z nahraného dokumentu a předvyplní je k potvrzení člověkem. Nikdy nenechávejte extrakci běžet bez kontroly, zvlášť u dodatků a rámcových smluv, kde se podmínky mění. Nastavte pravidla pro opakované situace: automatické připomínky odpovědné osobě, eskalující upozornění nadřízenému, pokud se do daného data nikdo neozve, a přehled smluv bez přiřazeného vlastníka. Dobře funguje i napojení na účetnictví, aby se shodovaly fakturované částky se smlouvou a aby se odhalily smlouvy, které se platí, ale už dávno měly skončit.

Vyhodnocování nepodceňujte. Připravte si sadu zhruba padesáti dotazů s ručně ověřenými odpověďmi a rozdělte je na jednoduché, vicestupňové a takové, na které odpověď v datech není. Sledujte zvlášť, zda retrieval našel správný chunk, a zvlášť, zda z něj model sestavil správnou odpověď. Když selhává retrieval, opravujte chunkování a index; když selhává generování, upravte prompt nebo vyměňte model. Měňte vždy jen jednu věc najednou, jinak nepoznáte, co zabralo. A až po tomto měření řešte rychlost a cenu.