Velké množství dat z různých nepropojených zdrojů a neschopnost odhalit klíčové trendy, problémy a příležitosti jsou nejčastějšími nešvary v oblasti datové analytiky, kterými české firmy stále trpí. V kombinaci s umělou inteligencí jsou data faktory, které jim umožňují být daleko před konkurencí. Jak na digitální transformaci a co firmy brzdí při inovacích v datových řešeních?
Data nestačí jen sbírat, je nutné je mít správná, úplná, ve vysoké kvalitě a v neposlední řadě jim i rozumět. „Správná rozhodnutí se dělají na správných datech. Schopnost získat je a interpretovat definuje budoucí vítěze,“ vzkazuje Ivo Kramoliš, obchodní ředitel NTT Data Business Solutions, která provází firmy digitální transformací.
Využívání datové analytiky a umělé inteligence může výrazně zefektivnit činnosti uvnitř firmy. Uplatňování těchto technologií je přitom široké – od monitorování zásob a řízení dodavatelského řetězce přes segmentaci potenciálních zákazníků a rozhodování o investicích do marketingových aktivit až po plánování logistických operací a prediktivní údržbu.
Typické nešvary českých firem
V Evropě je za vzor implementace datových řešení považováno Německo či Švédsko. Naproti tomu Česko v porovnání s jinými evropskými státy stále zaostává. „Hlavními důvody jsou starší technologická infrastruktura, nedostatek povědomí o potenciálu, který tato řešení nabízí, tedy takzvaná nízká digitální kultura, a nedostatek odborníků s potřebnou specializací,“ říká Marián Lojka, vedoucí technologického oddělení poradenské společnosti Accenture pro střední Evropu.
Realitou českých firem je velké množství dat z různých nepropojených zdrojů, řada vzájemně neintegrovaných systémů a nutnost sdílet a zpracovávat data na více místech. To způsobuje nepřesnosti a lidem zbytečně přidělává práci.
„Většina dat se stále zpracovává manuálně, což vede k rizikům spojeným s chybovostí i prodlevám,“ doplňuje Ivo Kramoliš a připomíná, že zpracování dat ručně v excelových souborech rozesetých po firmě limituje schopnost managementu činit kvalitní rozhodnutí rychle. „Než jsou data připravena, tak situace už může být jiná,“ varuje obchodní ředitel NTT Data Business Solutions.
„Pokud data není možné efektivně analyzovat, může snadno dojít k omezení schopnosti odhalit klíčové trendy, problémy, ale i příležitosti,“ vysvětluje Ivo Kramoliš.
Firmy si postupně začínají uvědomovat, jak je pro ně využívání dat klíčové. „U řady našich klientů již vidíme, že potřeba lepšího využití dat dominuje v jejich dlouhodobých strategiích. Velmi často si ale uvědomují, že nevědí, jak na to, a že nemají interní kompetence nutné k uskutečnění změny,“ vysvětluje Marián Lojka.
Nutná je změna kultury i obchodních modelů
Řešení pro průmyslová data mohou zahrnovat širokou škálu technologií, mezi které se řadí platformy průmyslového internetu věcí, které umožňují sběr a analýzu dat z připojených zařízení a senzorů, nástroje pro analýzu velkých objemů dat, případně algoritmy strojového učení vytvářející například předpovědi na základě vzorců a trendů.
Samotná instalace nové technologie ale nestačí. Výsledky se dostaví až v kombinaci se změnou obchodních modelů, procesů a technologií. „Klientům vždy doporučujeme, aby změny prováděli postupně a pečlivě sledovali návratnost investice,“ doplňuje Marián Lojka.
Oslovení odborníci se shodují, že při digitální transformaci musí nutně dojít ke změně firemní kultury. Právě přístup lidí, kteří s technologiemi následně pracují, je zásadní. V souvislosti s digitální transformací se pak v praxi objevuje řada chyb, například v podobě lpění na řešeních na míru i tam, kde by bylo efektivnější využít prověřená řešení, nebo v podobě neefektivního využívání dat, která firma vlastní.
„V praxi se nám také osvědčuje nediskutovat o plánech nad teoretickými výkresy, ale všechny myšlenky a přání hned demonstrovat ‚v živém‘ prostředí, tedy přímo v systému,“ doplňuje k nutnosti pružného řízení projektu transformace Ivo Kramoliš.
V konečném důsledku nejde až tolik o data samotná, ale o příběh, který data vypráví. „Osvědčuje se nám myslet na to, aby i složitá data byla prezentována srozumitelným a vizuálně poutavým způsobem. Tedy namísto bloků textu a čísel využívat přehledné grafické vizualizace a interaktivní sestavy, které dají data do obchodního kontextu a umožní těm, kdo s nimi pracují, rychle porozumět trendům, příležitostem i rizikům,“ doplňuje Ivo Kramoliš.
„V neposlední řadě je pak zásadní promítat data a zjištěné informace a příběhy do reálného rozhodování. Pokud budu mít skvělá data a budu z nich umět extrahovat cenné informace, ale stejně budu spoléhat více na dojmy, tak hodnotu nezískám. To je opět aspekt, který souvisí s kulturní změnou firmy při digitální transformaci,“ dodává Ivo Kramoliš.
Umělá inteligence ve firmách
Práci s obrovským množstvím dat, která generují stroje, pomáhá zjednodušit umělá inteligence spolu se strojovým učením. Její využívání ve firmách neustále roste. Podle odhadů by se mělo globálně do vývoje AI v roce 2023 investovat zhruba 50 miliard dolarů, tedy více než bilion korun.
A zatímco řada lidí si existenci umělé inteligence uvědomila až s příchodem ChatGPT, pravidla hry zejména ve výrobních firmách mění již řadu let, ať v podobě mechanizace činností, nebo při automatizaci procesů. „Dnes se nacházíme ve třetí transformační vlně, kde vyspělá AI přináší zvýšenou flexibilitu a adaptaci činnosti dle preferencí a potřeb zákazníka v reálném čase. Firmy prostřednictvím pokročilé AI a datové analytiky přinášejí na trh hyperpersonalizované produkty a služby a tím si zákazníky k sobě přitahují, což jim přináší vyšší obrat a zisk,“ říká Marián Lojka.
„Integrace datové analytiky může přinést revoluci do všech oblastí propojené továrny. V rámci chytré výroby technologie umožňují strojům, lidem a senzorům bezproblémově a automaticky sdílet informace napříč výrobní halou. Propojená zařízení produkují obrovské množství dat a díky konektivitě a výpočetní technice lze tato data analyzovat a pochopit transformativním způsobem,“ doplňuje expert z poradenské společnosti Accenture.
Data, která generují stroje během výrobního procesu, zahrnují například informace o konkrétním dílu či dílčích parametrech výrobního procesu. Na jejich základě se lze rozhodovat v reálném čase, tedy okamžitě. „Zásadní změnou v přístupu, ke které došlo v poslední době, je prediktivní řízení. To znamená, že na základě analýzy dat v reálném čase dochází k optimalizaci či přijetí konkrétních kroků, které vedou k eliminaci vad, problémů ve výrobě například z pohledu kvality, produktivity či toku materiálu ještě předtím, než k potenciálnímu problému dojde,“ říká Slavoj Musílek, jednatel firmy Automa CZ, která dodává stroje a výrobní linky pro nejrůznější typy operací.
Datová analytika se dá využít k optimalizaci výrobního procesu. Sběr a analýza dat z různých senzorů a zařízení pak vedou ke snížení nákladů a zvýšení produktivity. V praxi jsou takto řízeny například velké továrny automobilových výrobců.
Umělou inteligenci pro práci s daty využívají také ve Škodě Auto. „Pracujeme s nejrůznějšími formáty dat, od tabulárních po multimediální. Jde například o záznamy pro prediktivní údržbu ve výrobě, kde modely založené na AI pomáhají předcházet selhání strojů včasným upozorněním na problém. Nebo obrazová data z kamer například pro kontrolu kvality laku a kontrolu přítomnosti dílů při montáži,“ říká Martin Ježek, tiskový mluvčí Škody Auto.
Data automobilka využívá i pro optimalizaci logistických procesů, například pomocí aplikace Optikon, která optimalizuje a hledá správné naložení kontejnerů tak, aby bylo co nejefektivnější. „Díky tomuto řešení ročně ušetříme až 300 kontejnerových zásilek, což odpovídá 160 tunám emisí CO2,“ doplňuje Martin Ježek.
Škoda Auto sleduje také současné trendy v oblasti umělé inteligence. „Aktuálně jde například o využití velkých jazykových modelů pro tvorbu chatbotů nebo generativních modelů pro potřeby designu, které by měly sloužit jako pomocný nástroj při tvorbě designu automobilu,“ říká tiskový mluvčí automobilky.
Projekty na úsporu energií mají přednost
V Motor Jikov Group zase do budoucna uvažují, že jim bude umělá inteligence pomáhat s překlady, protože většina výroby jde na export. „Druhou oblastí, kde může být umělá inteligence přínosná, je modelování cen energií, zejména zemního plynu a elektrické energie. Jejich cena je pro naši konkurenceschopnost zásadní. Třetí oblastí, kterou sledujeme, je automatické vytěžování psaného textu či mluveného slova a jeho přepis. Konkrétní projekty ale zatím nerealizujeme,“ říká generální ředitel firmy Miroslav Dvořák.
Zatím nejnovějším informačním systémem v Motor Jikov Group je MES, který sbírá a vyhodnocuje data z obráběcích strojů a středotlakých systémů pro výrobu hliníkových odlitků. „Cílem konkrétně tohoto systému je sbírat data o využití strojů a provozní data ze strojů, ze kterých následně získáváme informace o efektivitě daného stroje a informace pro řízení kvality. Pozitivním efektem ihned po spuštění je možnost okamžité reakce na situaci například při výpadku stroje,“ vysvětluje k nové technologii Miroslav Dvořák.
Stáhněte si přílohu v PDF
V tomto strojírenském holdingu se také připravují na implementaci nového provozního informačního systému. „Je to pro nás velký projekt a jeho cílem je přenést fyzické dění na výrobní ploše do informačního systému v reálném čase. Musíme být schopni velmi rychle reagovat na změny. Naši zákazníci poptávají menší série komplikovanějších výrobků a přichází i nové ESG požadavky (udržitelnost a společenský dopad činnosti firmy, pozn. red.). Musíme být schopni efektivně vyrábět i v situaci, kdy se zdražují a často i zhoršují dostupnosti všech našich zdrojů,“ říká Miroslav Dvořák.
Podle něho jsou pak největší překážkou k vyššímu využívání podobných technologií neustále rostoucí ceny moderních informačních systémů. „Musíme aktivně hledat menší a mladé výrobce informačních systémů, kteří dokážou dodat systémy za pro nás přijatelnou cenu,“ říká Miroslav Dvořák.
Překážkou pro inovace informačních systémů je i růst ceny energií. „Za loňský rok to bylo pro nás o více než 200 milionů korun. Z toho důvodu jsme museli omezit investice a přesměrovat investiční priority do projektů na úsporu energií,“ dodává Miroslav Dvořák.
Článek byl publikován ve speciální příloze HN Automatizace a digitalizace.
