MIT chce predpovedať extrémy bez záznamu o katastrofe

Poisťovne, mestá a prevádzkovatelia energetických sietí často plánujú podľa toho, čo už videli. To funguje pri bežnom počasí. Horšie pri udalosti, ktorá sa objaví raz za sto rokov a v dátach jednoducho ešte nie je.

Výskumníci Kai Chang a profesor Themis Sapsis z MIT preto vytvorili metódu Extreme Event Aware, skrátene η-learning. Výskum publikovaný v časopise Nature Communications kombinuje štatistiku výskytu extrému s priestorovými mapami jeho priebehu.

Rozdiel oproti bežnému modelu je podstatný. Model sa nesnaží iba zopakovať historickú búrku. Z existujúcich údajov odvodí, aké intenzity sú pravdepodobné, a následne vytvorí priestorový obraz udalosti, ktorá v záznamoch zatiaľ nie je.

Vedci metódu testovali na zrážkach v kontinentálnych Spojených štátoch. Použili 25 rokov hodinových údajov o daždi, ktoré zoskupili do denných máp. Priestorovú časť modelu však trénovali iba na prvých šiestich mesiacoch záznamu, teda na období s malým počtom naozaj silných dažďov.

Výsledok má praktické využitie. Najvyšší zaznamenaný denný úhrn zrážok v New Yorku je 200 milimetrov. Model dokáže vytvoriť pravdepodobnú mapu búrky s úhrnom 300 milimetrov, hoci takýto prípad v historickom zázname nie je.

Každá simulácia obsahuje aj odhad trvania, intenzity, veľkosti a zasiahnutej oblasti. Mesto si tak môže preveriť protipovodňovú ochranu, elektrickú sieť alebo zásoby hasičských kapacít proti scenáru, ktorý zatiaľ nikto nezažil.

Treba však oddeliť výsledok výskumu od jeho marketingového titulku. Metóda nie je univerzálny generátor katastrof. Ako upozorňujú samotní autori, pri novom type rizika potrebuje relevantné bodové štatistiky a priestorové údaje. Demonstrácia navyše prebehla na amerických zrážkach, nie na povodniach v povodí Dunaja či Moravy.

Čo si z toho zobrať? Pre slovenskú a českú firmu to nie je dôvod na okamžitý nákup AI nástroja. Je to dôvod prepojiť historické dáta o počasí, lokalite a prevádzke s otázkou, čo sa stane pri scenári, ktorý ešte nemáte v tabuľke.

Robotický model S1 sa učí úlohy z jediného videa

Skild AI predstavila robotický model S1, ktorý sa podľa firmy dokáže naučiť nové úlohy z jediného videa bez dolaďovania modelu. Ide o odlišný smer než programovanie každého pohybu alebo dlhý tréning v simulovanom prostredí.

Priemyselný robot sa dnes často správa výborne v presne pripravenom pracovisku. Keď sa zmení poloha predmetu, osvetlenie alebo poradie krokov, potrebuje zásah človeka. Model, ktorý si vie z videa odvodiť postup, by mohol znížiť čas potrebný na nastavovanie.

Tvrdenie však zatiaľ pochádza od samotného dodávateľa. Bez nezávislého testu nevieme, ako si S1 poradí s neznámymi predmetmi, chybou v obraze alebo bezpečnostnými pravidlami. Jedno video môže ukázať postup, ale nemusí obsahovať všetky výnimky. Robot, ktorý nepozná výnimku, má v sklade potenciál stať sa veľmi drahým zamestnancom s jedným pracovným úrazom.

Čo si z toho zobrať? Ak S1 vstúpi do prevádzky, začnite jednou opakovanou úlohou s jasným bezpečnostným limitom. Najprv merajte počet zásahov človeka a chybovosť, až potom uvažujte o širšom nasadení.

Ringg posúva hlasovú AI od telefonátov k vybaveniu úlohy

Indický startup Ringg získal od Peak XV Partners ďalších 10 miliónov dolárov. S predchádzajúcim kolom dosiahlo jeho financovanie série A celkovo 15,5 milióna dolárov. Firma spracúva približne 20 miliónov pokusov o hovor mesačne, uvádza TechCrunch.

Ringg začínal ako firma s technológiou prevodu textu na reč. Neskôr sa presunul k hlasovým agentom pre podniky. Jednoduché použitia, ako odchádzajúce hovory, kvalifikácia leadov a vymáhanie úverov, začal dopĺňať o rezerváciu termínov v zdravotníctve, obnovu opustených košíkov a onboarding s kontrolou KYC, teda overením klienta.

Hlas tvorí stále viac než 70 % jeho podnikania. Platforma však pridáva chat, WhatsApp a automatizáciu požiadaviek v prehliadači. Agent Ringg podľa firmy funguje v 1 200 klinikách napojených na aplikáciu Practo.

Ringg pritom priznáva, že jednoduché hlasové prípady sú cenová hra. Hodnota sa presúva k výsledku, napríklad k rezervovanému termínu alebo dokončenému overeniu klienta. To je rozdiel medzi hlasovým chatbotom a procesom, ktorý vie niečo vybaviť.

Čo si z toho zobrať? Pri hlasovej AI nehodnoťte počet automatizovaných hovorov. Sledujte dokončené objednávky, vyriešené požiadavky a počet prípadov odovzdaných človeku.

Čo ešte stojí za prečítanie?

  • Stability AI získala ďalších 76 miliónov dolárov a celkové financovanie zvýšila na 232 miliónov, informuje TechCrunch AI.
  • Juhokórejská platforma Wrtn uzavrela kolo pri valuácii nad 722 miliónov dolárov, uvádza Reuters cez Techmeme.
  • Keenable získala 26 miliónov dolárov na webový index pre AI agentov, píše TechCrunch AI.
  • Meta má podľa The Decoder v najbližších týždňoch spustiť plateného agenta Hatch a v októbri predstaviť model Watermelon.
  • OpenAI prišla o Chrisa Malonea, šéfa dátových centier od marca 2025, informuje TechCrunch AI.

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

Názor

Pri MIT modeli sa mi páči jedna vec: nesľubuje, že minulosť bude presne pokračovať. Pracuje s tým, že extrémna udalosť môže byť mimo historického záznamu, no stále musí byť štatisticky možná. To je užitočnejšie než ďalší dashboard s peknou krivkou, ktorá končí pri najhoršom prípade, aký sme doteraz videli.

Zároveň by som bol opatrný pri slove predpovedať. Model vytvára pravdepodobné scenáre, nie veštbu konkrétnej búrky na konkrétny deň. Rozdiel nie je akademický. Ak vedenie firmy použije simuláciu ako rozhodnutie bez kontroly kvality dát, iba zrýchli zlý odhad.

Najväčšia slabina dnešnej AI nie je vždy model. Sú to dáta, ktoré doň firma vloží, a proces, ktorý má podľa výstupu konať. MIT ukázal techniku na amerických zrážkach. To ešte neznamená, že slovenská alebo česká poisťovňa dostane bez ďalšej práce spoľahlivú mapu rizika pre konkrétnu obec.

Podobne pri Ringgu vidím správny posun od technológie k výsledku. Hovor s prirodzeným hlasom nie je podnikový prínos. Prínos je potvrdený termín, vyplnený formulár alebo vyriešená požiadavka. Aj tu však platí, že firemný proces musí byť pred nasadením opísaný. Agent, ktorý nevie, kedy odovzdať prípad človeku, je len automatizovaný spôsob, ako vyrobiť ďalšiu sťažnosť.

Dôsledok pre slovenskú a českú firmu

Pre prevádzkové firmy, logistiku, energetiku, výrobu a poisťovníctvo vzniká praktická úloha na najbližší štvrťrok. Spíšte tri udalosti, ktoré nemáte v historických dátach, ale mohli by zastaviť prevádzku. Môže ísť o prívalový dážď, dlhší výpadok elektriny alebo prerušenie dodávky od jediného subdodávateľa.

Ku každej udalosti priraďte merateľné vstupy. Lokalitu, čas obnovy, kapacitu skladu, počet pracovníkov, náhradné trasy a finančný dopad za hodinu. Bez toho bude AI iba kresliť scenáre, ktoré sa nedajú premeniť na rozhodnutie.

Na Slovensku aj v Česku je proces rovnaký, líšiť sa budú lokálne dáta a zodpovednosť podľa odvetvia. Pri kritickej infraštruktúre treba navyše overiť požiadavky regulátora a bezpečnostné pravidlá. Firma nemusí hneď trénovať vlastný model. Môže začať konzultáciou s meteorologickými, poistnými alebo prevádzkovými dátami, ktoré už platí.

Pri hlasovej AI je horizont kratší. Obchod, zákaznícka podpora a recepcie môžu do týždňa vybrať jeden proces, ktorý má jasný začiatok a koniec. Napríklad potvrdenie objednávky alebo rezerváciu servisu. Výstupom nemá byť počet hovorov, ale počet úspešne dokončených prípadov a cena jedného výsledku.

Do zmluvy patrí aj export dát, kontrola záznamov a pravidlo pre odovzdanie človeku. To je ochrana pred tým, aby sa úspora z prvého mesiaca nestratila pri zmene API, ceny modelu alebo firemného procesu. Pri robotike platí rovnaká disciplína, len s vyšším bezpečnostným rizikom.

Čo si z toho zobrať? Nezačínajte otázkou, ktorý AI model je najlepší. Začnite scenárom, ktorý chcete zvládnuť, dátami potrebnými na jeho posúdenie a človekom, ktorý má právo zastaviť automatizáciu.

Na záver

Školy budú musieť prehodnotiť, ako skúšajú študentov v čase, keď AI vie pripraviť odpoveď rýchlejšie než študent otvorí zošit. Nature tým neotvára iba debatu o podvádzaní. Otvára otázku, čo vlastne skúška meria.

Ak meriame schopnosť zopakovať text, stroj má náskok. Ak meriame úsudok, vysvetlenie postupu a prácu s chybou, človek stále dostáva užitočnú úlohu. Možno teda nejde o koniec skúšok, ale o koniec pohodlných skúšok. To je menej dramatické, no pre školstvo oveľa nepríjemnejšie.

Výzva na AI implementáciu dňa

Do jedného týždňa nasaďte jednoduchý hlasový pilot na potvrdenie servisných termínov alebo objednávok. Použite existujúce telefónne rozhranie, prepis hovorov a automatizáciu v Make alebo n8n. Hlasový agent zavolá zákazníkovi, overí termín, zapíše výsledok do CRM a neisté prípady pošle pracovníkovi.

Týmto odoberiete recepcii alebo zákazníckej podpore opakované telefonáty. Pri 20 potvrdeniach denne a štyroch minútach na hovor ide približne o 27 hodín mesačne, teda zhruba tri pracovné dni. Pilot sa dá pripraviť za 2 až 5 dní bez vývoja vlastného modelu.

Najčastejšie padne na nejasných pravidlách, kedy má agent prestať hovoriť a zavolať človeka. Spíšte ich ešte pred prvým hovorom a tento týždeň zautomatizujte jeden konkrétny výsledok.