AI vie pandémiu skôr odhaliť než zastaviť

AI zrýchľuje dohľad nad zoonózami, pandémiu však sama nezastaví

Choroby prenášané zo zvierat nevznikajú v dátovom centre. Vznikajú na farmách, trhoch, v lesoch, pri presunoch zvierat a ľudí. Umelá inteligencia preto môže pomôcť najmä pri skoršom zachytení signálu, nie pri odstránení jeho príčiny.

Časopis Nature opisuje využitie AI pri monitorovaní zoonóz, teda infekcií, ktoré sa môžu preniesť zo zvierat na ľudí. Modely dokážu prehľadávať veľké množstvo vedeckých publikácií, zdravotníckych hlásení, genetických údajov, správ o výskyte chorôb a ďalších signálov. Ich prínos je v tom, že môžu spojiť informácie, ktoré by človek spracovával príliš dlho.

To je užitočné pri sledovaní zmien v správaní vírusov, pri odhade rizikových oblastí alebo pri hľadaní nezvyčajných vzorcov. Model môže upozorniť, že sa v určitom regióne opakuje kombinácia príznakov, hostiteľov a podmienok, ktorá si zaslúži pozornosť. Upozornenie však nie je potvrdená epidémia.

Najslabším miestom zostáva kvalita vstupov. Ak sú údaje oneskorené, neúplné alebo skreslené tým, čo sa v konkrétnej krajine vôbec hlási, model môže vyrobiť presvedčivý, ale nesprávny obraz. Rýchlosť výpočtu nezmení realitu v teréne. Vírus sa nebude riadiť tým, že dashboard má zelenú.

Nature zároveň upozorňuje, že prevencia závisí od epidemiológov, laboratórií, zdravotníckych systémov a rozhodnutí ľudí priamo v ohnisku. Niekto musí signál overiť. Niekto musí zabezpečiť testovanie, izoláciu, liečbu, komunikáciu a logistiku. A niekto musí mať právomoc konať skôr, než je istota úplná.

Pre slovenskú a českú firmu je podstatný širší princíp. AI môže zlepšiť monitoring rizík v dodávateľskom reťazci, bezpečnosti práce alebo verejnom zdraví, ale nesmie sa stať náhradou za zodpovedného človeka. Pri kritických rozhodnutiach má byť radarom a asistentom, nie posledným článkom reťazca.

Čo si z toho zobrať? Ak používate AI na sledovanie rizika, vytvorte spolu s modelom aj proces overenia, eskalácie a zásahu. Bez neho nekupujete prevenciu, ale iba rýchlejšie upozornenia.

GPT-4o zlepšil známky, nie nevyhnutne vedomosti

Experiment na Bocconi University sledoval 1 053 prvákov v úvodnom kurze manažmentu. Študenti písali marketingové odporúčania pre univerzitný obchod s limitom 180 slov. Výskumníci ich náhodne rozdelili do skupín s kontrolou, lekciou kauzálneho uvažovania, prístupom ku GPT-4o alebo s oboma zásahmi.

Študenti s GPT-4o získali na päťbodovej škále takmer o bod viac. Ich texty obsahovali približne o dve myšlienky viac, boli logickejšie a viac sa približovali odporúčaniam troch odborníkov. Výskum zverejnený cez The Decoder však meral výkon na konkrétnej úlohe, nie to, čo si študenti odniesli v hlave.

Lekcia o kauzálnom uvažovaní známky nezvýšila. Študenti však častejšie vysvetľovali, prečo by návrh mal fungovať, kedy by zlyhal a v čom sa ich riešenie líši od riešení spolužiakov. Hodnotiaca rubrika viac odmeňovala uhladenosť, štruktúru a úplnosť než originalitu alebo overiteľnosť predpokladov.

Výhrada je zásadná. Po experimente neprišiel test bez ChatGPT, ktorý by ukázal, čo si účastníci skutočne zapamätali. Navyše išlo o prvákov z jednej univerzity a úzku marketingovú úlohu. Aj časť dodatočných meraní robili modely od OpenAI a Anthropic, pričom OpenAI sa na výskume podieľala.

Čo si z toho zobrať? Pri školení alebo firemnom vzdelávaní nehodnoťte iba výstup vytvorený s AI. Pridajte kontrolný krok bez nástroja, inak meriate najmä schopnosť vyrobiť presvedčivý dokument.

Čo ešte stojí za prečítanie?

• EnvHarness od Google, Washington University v St. Louis a UNC Chapel Hill má pod licenciou Apache 2.0 meniť statické prostredia pre agentov na adaptívne tréningové svety.
• Systém Code-as-World premieňa reálne video na upraviteľný program pre fyzikálne simulácie MuJoCo a tréning robotického uvažovania.
• Taiwanské úrady podľa Nikkei Asia a Techmeme prehľadali kancelárie výrobcu dosiek Unimicron pre podozrenie z označovania čínskych súčiastok ako taiwanských.
• TechCrunch upozorňuje, že americké bariéry voči zahraničným dronom a robotom nemusia odstrániť výhodu čínskej výrobnej škály.
• Kvantové počítače sa podľa Bloombergu a Techmeme menia z technologickej súťaže na geopolitické súperenie s dosahom na kybernetickú bezpečnosť a financie.

Čo si o tom myslím a čo z toho plynie pre firmy

Názor

Pri AI v kritických oblastiach odmietam predstavu, že lepší model automaticky znamená lepšiu prevenciu. Príbeh zoonóz to ukazuje presne. Model môže prečítať viac správ, spojiť viac premenných a upozorniť skôr než človek. Pandémiu však nezastaví, pretože nemá laboratórium, právomoc uzavrieť ohnisko ani dôveru miestnych ľudí. To nie sú nedostatky konkrétnej verzie modelu. To je hranica medzi predikciou a konaním.

Rovnaký problém vidím vo firemných AI projektoch. Tímy ukážu pekný prototyp, ktorý klasifikuje riziko alebo sumarizuje dáta. Potom sa zistí, že nikto neurčil, čo sa má stať po varovaní. Ak upozornenie nemá vlastníka, termín a povolený zásah, systém iba vyrába ďalšiu správu do inboxu. Inbox už dnes nie je ohrozený nedostatkom správ.

Experiment s GPT-4o pridáva druhú lekciu. Lepší výsledok na papieri neznamená automaticky lepšie učenie. V marketingu aj v automatizácii sa často pozeráme na výstup, ktorý sa dá ľahko ukázať. Menej často overujeme, či človek alebo proces po odstránení nástroja stále funguje. To je rozdiel medzi pomocou a závislosťou.

Dôsledok pre slovenskú a českú firmu

Pre bežnú stredoeurópsku firmu z toho vyplýva jednoduchý návrh. Pri každom AI procese spíšte štyri body: aký signál systém sleduje, kto ho overuje, aký zásah môže nasledovať a čo sa stane pri výpadku. Týka sa to nákupu, zákazníckej podpory, kybernetickej bezpečnosti aj kontroly kvality. Ak neviete pomenovať štvrtý bod, ešte nemáte automatizáciu, ale demo.

V zdravotníctve a potravinárstve bude latka vyššia. Slovenská aj česká firma potrebuje okrem technického riešenia dohľad odborníka, audit dát a dokumentovaný postup pri chybnom odporúčaní. Konkrétne požiadavky sa môžu líšiť podľa sektora a národnej regulácie, no princíp je rovnaký v oboch krajinách. Zodpovednosť zostáva na organizácii, nie na modeli.

Pri internom vzdelávaní zaveďte dvojité meranie. Prvé hodnotenie nech sleduje kvalitu dokumentu s AI. Druhé nech overí, či pracovník dokáže vysvetliť rozhodnutie, upraviť ho a zopakovať postup bez asistenta. Firmu to stojí trochu viac času na začiatku, ale chráni ju pred tým, aby si za rast produktivity zamieňala krajší výstup.

Horizont je krátky. Monitoring procesu sa dá upraviť v priebehu týždňa. Zmena hodnotenia práce potrebuje niekoľko týždňov, pretože treba vybrať vzorku, nastaviť kontrolu a dohodnúť zodpovednosť. Investícia má zmysel až vtedy, keď sa ušetrený čas použije na overovanie, rozhodovanie alebo kontakt so zákazníkom. Inak iba zrýchlite výrobu ďalších dokumentov, ktoré nikto nečíta.

Čo si z toho zobrať? AI nasadzujte spolu s vlastníkom rozhodnutia a testom bez AI. Pre slovenskú a českú firmu je to lacnejšia poistka než neskoré zisťovanie, že systém iba dobre napodobňoval výsledok.

Na záver

Postoj ľudí k AI sa podľa analýzy Glassdooru zhoršil. Podiel pozitívnych zmienok klesol z 81 % v roku 2019 na 43 % v polovici roka 2026, zatiaľ čo negatívne dosiahli 53 %. Najväčšiu frustráciu vyjadrovali pracovníci poisťovacích likvidácií, ktorým firmy často vnucujú chybné nástroje bez podpory.

To je užitočná pripomienka aj mimo technológií. Zamestnanec väčšinou neodmieta AI preto, že nerozumie budúcnosti. Odmieta nástroj, ktorý mu pridá kontrolu, zoberie úsudok a ešte ho nechá niesť následky.

Výzva na AI implementáciu dňa

Do jedného týždňa nasaďte pri jednom internom AI procese jednoduchý AI incident log v Google Sheets alebo Microsoft Lists. Každé upozornenie modelu má obsahovať dátum, vstup, odporúčanie, rozhodnutie človeka a výsledok overenia. Začnite napríklad pri triedení zákazníckych reklamácií alebo pri kontrole podozrivých objednávok.

Obchodu alebo zákazníckej podpore to zoberie z rúk opakované zapisovanie a hľadanie starých prípadov. Pri piatich až desiatich prípadoch denne môže tím ušetriť približne 30 až 60 minút denne. Spustenie zvládnete za 2 až 4 hodiny, ak už máte údaje na jednom mieste.

Najčastejšie to padne na tom, že nikto nie je vlastníkom záznamu a ľudia prestanú zapisovať výnimky. Priraďte preto konkrétne meno a týždennú kontrolu. Vyberte si jeden proces, zapíšte prvé varovania a dajte im človeka, ktorý na ne zareaguje.