Řekněme si to na rovinu – vznešené označení „AI“

Řekněme si to na rovinu – vznešené označení „AI“ dnes znamená kombinaci pokročilé analytiky a automatizace. Podstatné je, že právě takové pojetí dává smysl napříč podnikem – tedy jak ve „front office“, tak v „back office“ – například v oblasti financí, kde je nicméně využívání „AI“ stále víceméně v plenkách – podle analytiků s ní většina organizací začala v této oblasti experimentovat až v posledních dvou letech.

Analytici v současné době doporučují zaměřit se na úvodní kroky, jako je nábor (často spíše externích) AI talentů, jež umožní rychlejší škálování, nákup technologií využívajících AI pro rychlejší a větší dopad a viditelnější efekt, četné experimentování – tedy tvorbu a zkoušení raných pilotních projektů umožňujících nacházet nové způsoby využití a v konečném důsledku zvyšování efektivity a  výběr a jmenování problematiky znalého lídra odpovědného za AI v oblasti financí, který bude zodpovídat za transformaci.

V případě náboru externích AI specialistů mají analytici na mysli zejména jejich „vypůjčení“ z IT oddělení (možná ale bude třeba hledat i mimo podnik). Důvodem, proč nejít cestou vzdělávání dosavadních pracovníků, je zejména pomalejší náběh iniciativ a také omezení na tradiční procesy a postupy, které je častější u interních kandidátů.

Nákup hotových řešení umožní rychlejší tvorbu pilotních projektů a snadnější experimentování. Organizace by se neměly snažit vytvářet „domácí“ AI řešení, protože podobně jako školení původních pracovníků často nejdou nad existující rámec, v němž finance uvažují a fungují.

Tvorba četných raných pilotů (v podstatě fail fast přístup) znamená zkoušet řadu menších věcí a sledovat, které se ujmou, namísto sázení všeho na několik rozsáhlých projektů. V současné době ostatně platí, že ty úspěšnější organizace stále experimentují ve stejných oblastech jako ty méně úspěšné – nejčastěji se zaměřují na účetní procesy, zpracování v back office a předpovědi cashflow. Výjimku představuje forecasting zákaznických plateb – tomu se věnuje asi polovina „lídrů“, ale jen velmi málo ve využívání AI méně úspěšných organizací.

Lídr odpovědný za nasazení analytické AI by v ideálním případě měl vést agendu a případně i (budoucí) AI tým spadající pod CFO (podobně jako tomu bylo v minulosti u některých organizací v případě BI). Nemusí jít o samostatnou funkci a pozici – může tak být pověřen například ředitel či vedoucí finančního plánování a analýz nebo finanční analytiky (spíše než kontrolér).

Digitální transformace financí cestou outsourcingu využívajícího AI

Rychlou cestou pro CFO, kteří usilují o digitální transformaci financí v oblasti back a middle office provozu, může být využití AI v rámci outsourcingu byznys procesů (BPO). Analytici očekávají v této oblasti poměrně rychlý vývoj, jak naznačují i tři aktuální předpovědi.

  • Do roku 2024 vzroste četnost outsourcingu AI procesních technologií z dnešních 6 % na 40 %, a to primárně s cílem digitálně transformovat transakční provozní oblast.
  • Do roku 2024 začnou finanční oddělení čelit problémům se škálováním AI řešení, což povede k odložení či zrušení poloviny iniciativ.
  • Do roku 2026 zahrne třetina poskytovatelů BPO v oblasti financí a účetnictví podporu AI v oblasti vývoje a provozu finančních front office procesů s cílem zvýšit svůj obrat.

S tím, jak roste počet řešení i uživatelů ,stoupá obtížnost škálování a údržby systémů pokročilé analytiky a AI, což komplikuje jejich další rozvoj. Civilní vývojáři (citizen developers) často postrádají odpovídající dovednosti pro návrh rozsáhlejších AI systémů a věnují svůj čas a energii primárně do oblastí, kde lze nejsnáze dosáhnout výsledků.

CFO tak hrozí, že nepřenesou-li alespoň část AI provozu mimo své oddělení, narazí záhy na pomyslný strop jeho možností. Automatizace transakčních procesů back a middle office má navíc často nižší prioritu než AI projekty, které pomáhají zvyšovat tržní podíl či příjmy podniku. Řešení mohou nabízet poskytovatelé BPO.

Díky dlouholetým a rozsáhlým zkušenostem s poskytováním podpory pro back office procesy mají právě poskytovatelé BPO předpoklady k plnému rozvoji a využití AI v této oblasti. Disponují obrovskám množstvím dat svých zákazníků a široká klientská základna umožňuje navrhovat, nasazovat, provozovat a udržovat řešení na bázi AI ve velkém měřítku.

Využívání BPO v oblasti financí prochází postupným vývojem a aktuálně v něm AI, zejména ve vazbě na digitální transformaci financí, začíná hrát významnou roli (viz schéma).

Měnící se priority využívání BPO v oblasti financí a účetnictví

Relativní změny zaměření BPO.

Vysoká

 

 

 

 

 

 

 

Relativní úroveň finančně-účetních BPO priorit

 

 

 

 

 

 

Nízká

Rostoucí globalizace (+) Nástup nízkonákladových lokalit (+)

Velká recese (–)

Rostoucí možnosti AI (+)

Nárůst dat (+)

Pandemie covidu (–)

Snížení nákladů a počtu zaměstnanců

 

Hlavní priority:

– Outsourcing financí, back office a administrativních oblastí jako AP a AR

– Zabezpečení nejvýhodnějších sazeb za FTE

 

Náprava a zlepšování procesů

 

Hlavní priority:

– Snaha o „neustálé zlepšování“ přes BPO

– Zvyšování procesní produktivity

– Snižování nákladů na transakci

– Přístup k základní procesní analytice

Urychlení digitalizace financí

 

Hlavní priority:

– Nákup inteligentních AI technologií cestou BPO pro všechny procesy back a middle office.

– Inovace provozního modelu finance

– Hostování a vývoj provozní AI

Opravy a zlepšování procesů
Náprava a zlepšování procesů Snižování nákladů a počtu zaměstnanců Snižování nákladů a počtu zaměstnanců
90. léta – hledání alternativ k náboru dalších zaměstnanců Po roce 2000 – fenomén „investujeme do efektivity“ 2020 a dále nástup „digital by default“

 

Další podrobnosti naleznete v bezplatně dostupné studii Digital Finance Transformation via AI-Enabled Outsourcing.

Jsou syntetická data budoucností AI?

Syntetická data jsou často považována za méně kvalitní náhradu a používají se v případech, kdy je získání skutečných dat nepohodlné, drahé nebo omezené předpisy. Tato reakce však opomíjí skutečný potenciál syntetických dat. Společnost Gartner odhaduje, že do roku 2030 syntetická data v modelech umělé inteligence zcela zastíní data reálná.

Přinášíme rozhovor s Alexandrem Lindenem, viceprezidentem pro analytiku společnosti Gartner, o tom, co syntetická data slibují a proč jsou pro budoucnost AI nejdůležitější.

 

Otázka: Jaký je přínos syntetických dat a kdy je použít?

Odpověď: Syntetická data jsou kategorií dat, která jsou uměle generována. Je to protiklad k reálným datům, jež jsou přímo pozorována z reálného světa. Reálná data jsou téměř vždy nejlepším zdrojem poznání a pochopení, jsou ale často drahá, nevyvážená, nedostupná nebo nepoužitelná kvůli předpisům o ochraně osobních údajů. Syntetická data mohou být účinným doplňkem nebo alternativou k reálným datům, protože poskytují přístup k lépe anotovaným datům pro vytváření přesných a rozšiřitelných modelů umělé inteligence. V kombinaci s reálnými daty vytvářejí syntetická data rozšířený soubor dat, který často dokáže zmírnit nedostatky reálných dat.

Organizace mohou syntetická data použít k testování nového systému v případě, že neexistují reálná data nebo jsou-li data zkreslená. Mohou také využít syntetická data k doplnění malých existujících datových souborů, které jsou v současné době ignorovány. Případně se pro syntetická data rozhodnou, když reálná data nelze použít, nelze je sdílet nebo je nelze přesunout. V tomto smyslu jsou syntetická data jedním z dalších faktorů umožňujících umělou inteligenci.

 

Otázka: Proč jsou syntetická data nutností a základem pro budoucnost AI?

Odpověď: Existuje mnoho dalších forem syntetických dat, například doplňování (augmentace) dat nebo pseudomizace/anonymizace, což jsou další typy „syntézy dat“. Tyto metody jsou nezbytnou výbavou každého moderního týmu datové vědy. Pomocí syntetických dat však odborníci vkládají informace do svých modelů umělé inteligence a získávají uměle generovaná data, která jsou cennější než přímé pozorování.

Syntetická data lze využít pro hackathony, produktové demoverze a interní prototypování, aby bylo možné replikovat soubor dat se správnými statistickými atributy. Například banky a instituce poskytující finanční služby používají syntetická data tak, že vytvářejí multiagentní simulace, aby zkoumaly chování na trhu (například investice do penzijních fondů a půjček), aby mohly přijímat lepší rozhodnutí o půjčkách nebo bojovat proti finančním podvodům. Maloobchodníci používají syntetická data pro autonomní pokladní systémy, obchody bez pokladen nebo analýzu demografických údajů o zákaznících.

Kromě toho mohou syntetická data zvýšit přesnost modelů strojového učení. Data z reálného světa jsou nahodilá a neobsahují všechny permutace podmínek nebo událostí, které jsou v reálném světě možné. Syntetická data tomu mohou čelit tím, že generují data okrajová nebo pro dosud nepozorované podmínky.

Šíře jejich použitelnosti z nich učiní rozhodující akcelerátor umělé inteligence. Syntetická data umožňují použití AI tam, kde by jinak byla pro nedostatek dat nepoužitelná z důvodu zkreslení nebo neschopnosti rozpoznat ojedinělé nebo bezprecedentní scénáře.

 

Otázka: Jaká jsou rizika syntetických dat?

Odpověď: I když mohou být techniky syntetických dat poměrně dobře hodnoceny z hlediska nákladové efektivity a ochrany soukromí, mají svá významná rizika a omezení. Kvalita syntetických dat často závisí na kvalitě modelu, který je vytvořil, a na vytvořeném souboru dat.

 

Používání syntetických dat vyžaduje další ověřovací kroky, například porovnání výsledků modelu s lidmi komentovanými reálnými daty, aby byla zajištěna věrnost výsledků. Kromě toho mohou být syntetická data zavádějící a mohou vést k horším výsledkům. Ani syntetická data nemusejí být stoprocentně bezpečná, pokud jde o ochranu soukromí.

Kvůli těmto technologickým výzvám může být dalším těžko překonatelným problémem pro syntetická data také skepse uživatelů, kteří je mohou vnímat jako „podřadná“ nebo „falešná“.

A konečně s tím, jak se syntetická data šíří, mohou vedoucí pracovníci podniků vznášet otázky ohledně otevřenosti technik generování dat, zejména pokud jde o transparentnost a vysvětlitelnost.

 

 

 

 

 

Další komentáře

Jak by měli CIO reagovat na inflaci?

Jak by měli CIO reagovat na inflaci? Rozhovor s Robertem Naeglem Robert Naegle, VP Analytik, Gartner Robert Naegle je viceprezidentem pro výzkum, který se zaměřuje na otázky CIO v oblasti financí, ekonomiky a hodnoty podniku. Mezi sféry jeho zájmu patří osvědčené postupy a technologie finančního řízení IT, obchodní hodnota IT a strategie optimalizace nákladů. Vzhledem k tomu, že spotřebitelé a podniky po celém světě stále výrazněji pociťují dopady inflace, stává se růst cen hlavním problémem vrcholových manažerů. CIO...

Pokles dodávky PC v Česku

O bezmála 17 % klesnou v Česku podle nejnovější předpovědi analytiků Gartneru letos dodávky PC, tedy stolních PC, notebooků a ultrapřenosných prémiových zařízení (utrabooky, konvertibilní tablety  apod.). Největší pokles dodávek by se měl týkat stolních PC a notebooků – o 22,3 %, respektive 21 %, u ultraprémiových přenosných zařízení (ultrabooky, prémiové/konvertibilní tablety) bude pokles dodávek činit 9,2 %. Jediným růstovým segmentem by měly být prémiové chytré telefony (+6,5 %). Celkově se pak tuzemský trh...