MIT ukazuje, jak předpovídat katastrofu, která se ještě nestala

MIT chce předpovídat extrémy bez záznamu o katastrofě

Pojišťovny, města a provozovatelé energetických sítí často plánují podle toho, co už zažili. To funguje u běžného počasí. Horší je to u události, která se objeví jednou za sto let a v datech jednoduše ještě není.

Výzkumníci Kai Chang a profesor Themis Sapsis z MIT proto vytvořili metodu Extreme Event Aware, zkráceně η-learning. Výzkum publikovaný v časopise Nature Communications kombinuje statistiku výskytu extrému s prostorovými mapami jeho průběhu.

Rozdíl oproti běžnému modelu je podstatný. Model se nesnaží pouze zopakovat historickou bouři. Z existujících údajů odvodí, jaké intenzity jsou pravděpodobné, a následně vytvoří prostorový obraz události, která v záznamech zatím není.

Vědci metodu testovali na srážkách v kontinentálních Spojených státech. Použili 25 let hodinových údajů o dešti, které seskupili do denních map. Prostorovou část modelu však trénovali pouze na prvních šesti měsících záznamu, tedy na období s malým počtem skutečně silných dešťů.

Výsledek má praktické využití. Nejvyšší zaznamenaný denní úhrn srážek v New Yorku je 200 milimetrů. Model dokáže vytvořit pravděpodobnou mapu bouře s úhrnem 300 milimetrů, přestože takový případ v historickém záznamu není.

Každá simulace obsahuje také odhad trvání, intenzity, velikosti a zasažené oblasti. Město si tak může prověřit protipovodňovou ochranu, elektrickou síť nebo zásoby hasičských kapacit proti scénáři, který zatím nikdo nezažil.

Je však třeba oddělit výsledek výzkumu od jeho marketingového titulku. Metoda není univerzální generátor katastrof. Jak upozorňují sami autoři, u nového typu rizika potřebuje relevantní bodové statistiky a prostorové údaje. Demonstrace navíc proběhla na amerických srážkách, nikoli na povodních v povodí Dunaje nebo Moravy.

Co si z toho odnést? Pro slovenskou a českou firmu to není důvod k okamžitému nákupu AI nástroje. Je to důvod propojit historická data o počasí, lokalitě a provozu s otázkou, co se stane při scénáři, který zatím nemáte v tabulce.

Robotický model S1 se učí úkoly z jediného videa

Skild AI představila robotický model S1, který se podle firmy dokáže naučit nové úkoly z jediného videa bez dolaďování modelu. Jde o odlišný směr než programování každého pohybu nebo dlouhý trénink v simulovaném prostředí.

Průmyslový robot se dnes často chová výborně na přesně připraveném pracovišti. Když se změní poloha předmětu, osvětlení nebo pořadí kroků, potřebuje zásah člověka. Model, který si dokáže z videa odvodit postup, by mohl zkrátit dobu potřebnou k nastavení.

Tvrzení však zatím pochází od samotného dodavatele. Bez nezávislého testu nevíme, jak si S1 poradí s neznámými předměty, chybou v obrazu nebo bezpečnostními pravidly. Jedno video může ukázat postup, ale nemusí obsahovat všechny výjimky. Robot, který výjimku nezná, má ve skladu potenciál stát se velmi drahým zaměstnancem s jedním pracovním úrazem.

Co si z toho odnést? Pokud S1 vstoupí do provozu, začněte jedním opakovaným úkolem s jasným bezpečnostním limitem. Nejprve měřte počet zásahů člověka a chybovost, teprve potom uvažujte o širším nasazení.

Ringg posouvá hlasovou AI od telefonátů k vyřízení úkolu

Indický startup Ringg získal od Peak XV Partners dalších 10 milionů dolarů. S předchozím kolem dosáhlo jeho financování série A celkem 15,5 milionu dolarů. Firma zpracovává přibližně 20 milionů pokusů o hovor měsíčně, uvádí TechCrunch.

Ringg začínal jako firma s technologií převodu textu na řeč. Později se přesunul k hlasovým agentům pro podniky. Jednoduchá použití, jako jsou odchozí hovory, kvalifikace leadů a vymáhání úvěrů, začal doplňovat o rezervaci termínů ve zdravotnictví, obnovu opuštěných košíků a onboarding s kontrolou KYC, tedy ověřením klienta.

Hlas tvoří stále více než 70 % jeho podnikání. Platforma však přidává chat, WhatsApp a automatizaci požadavků v prohlížeči. Agent Ringg podle firmy funguje v 1 200 klinikách napojených na aplikaci Practo.

Ringg přitom přiznává, že jednoduché hlasové případy jsou cenová hra. Hodnota se přesouvá k výsledku, například k rezervovanému termínu nebo dokončenému ověření klienta. To je rozdíl mezi hlasovým chatbotem a procesem, který dokáže něco vyřídit.

Co si z toho odnést? U hlasové AI nehodnoťte počet automatizovaných hovorů. Sledujte dokončené objednávky, vyřešené požadavky a počet případů předaných člověku.

Co ještě stojí za přečtení?

• Stability AI získala dalších 76 milionů dolarů a celkové financování zvýšila na 232 milionů, informuje TechCrunch AI.
• Jihokorejská platforma Wrtn uzavřela kolo při valuaci nad 722 milionů dolarů, uvádí Reuters přes Techmeme.
• Keenable získala 26 milionů dolarů na webový index pro AI agenty, píše TechCrunch AI.
• Meta má podle The Decoder v nejbližších týdnech spustit placeného agenta Hatch a v říjnu představit model Watermelon.
• OpenAI přišla o Chrise Malonea, šéfa datových center od března 2025, informuje TechCrunch AI.

Co si o tom myslím a co z toho plyne pro firmy

Názor

Na modelu MIT se mi líbí jedna věc: neslibuje, že minulost bude přesně pokračovat. Pracuje s tím, že extrémní událost může být mimo historický záznam, přesto však musí být statisticky možná. To je užitečnější než další dashboard s pěknou křivkou, která končí u nejhoršího případu, jaký jsme dosud viděli.

Zároveň bych byl opatrný u slova předpovídat. Model vytváří pravděpodobné scénáře, nikoli věštbu konkrétní bouře v konkrétní den. Rozdíl není akademický. Pokud vedení firmy použije simulaci jako rozhodnutí bez kontroly kvality dat, pouze urychlí špatný odhad.

Největší slabinou dnešní AI není vždy model. Jsou to data, která do něj firma vloží, a proces, který má podle výstupu jednat. MIT ukázal techniku na amerických srážkách. To ještě neznamená, že slovenská nebo česká pojišťovna dostane bez další práce spolehlivou mapu rizika pro konkrétní obec.

Podobně u Ringgu vidím správný posun od technologie k výsledku. Hovor s přirozeným hlasem není podnikový přínos. Přínosem je potvrzený termín, vyplněný formulář nebo vyřešený požadavek. I zde však platí, že firemní proces musí být před nasazením popsán. Agent, který neví, kdy případ předat člověku, je jen automatizovaný způsob, jak vyrobit další stížnost.

Důsledek pro slovenskou a českou firmu

Pro provozní firmy, logistiku, energetiku, výrobu a pojišťovnictví vzniká praktický úkol na nejbližší čtvrtletí. Sepište tři události, které nemáte v historických datech, ale mohly by zastavit provoz. Může jít o přívalový déšť, delší výpadek elektřiny nebo přerušení dodávky od jediného subdodavatele.

Ke každé události přiřaďte měřitelné vstupy. Lokalitu, dobu obnovy, kapacitu skladu, počet pracovníků, náhradní trasy a finanční dopad za hodinu. Bez toho bude AI pouze kreslit scénáře, které nelze převést na rozhodnutí.

Na Slovensku i v Česku je proces stejný, lišit se budou lokální data a odpovědnost podle odvětví. U kritické infrastruktury je navíc třeba ověřit požadavky regulátora a bezpečnostní pravidla. Firma nemusí hned trénovat vlastní model. Může začít konzultací s meteorologickými, pojistnými nebo provozními daty, která už platí.

U hlasové AI je horizont kratší. Obchod, zákaznická podpora a recepce mohou během týdne vybrat jeden proces, který má jasný začátek a konec. Například potvrzení objednávky nebo rezervaci servisu. Výstupem nemá být počet hovorů, ale počet úspěšně dokončených případů a cena jednoho výsledku.

Do smlouvy patří také export dat, kontrola záznamů a pravidlo pro předání člověku. To je ochrana před tím, aby se úspora z prvního měsíce neztratila při změně API, ceny modelu nebo firemního procesu. U robotiky platí stejná disciplína, jen s vyšším bezpečnostním rizikem.

Co si z toho odnést? Nezačínejte otázkou, který AI model je nejlepší. Začněte scénářem, který chcete zvládnout, daty potřebnými k jeho posouzení a člověkem, který má právo automatizaci zastavit.

Na závěr

Školy budou muset přehodnotit, jak zkoušejí studenty v době, kdy AI dokáže připravit odpověď rychleji, než student otevře sešit. Nature tím neotevírá pouze debatu o podvádění. Otevírá otázku, co vlastně zkouška měří.

Pokud měříme schopnost zopakovat text, stroj má náskok. Pokud měříme úsudek, vysvětlení postupu a práci s chybou, člověk stále dostává užitečný úkol. Možná tedy nejde o konec zkoušek, ale o konec pohodlných zkoušek. To je méně dramatické, ale pro školství mnohem nepříjemnější.

Výzva k AI implementaci dne

Během jednoho týdne nasaďte jednoduchý hlasový pilot na potvrzování servisních termínů nebo objednávek. Použijte stávající telefonní rozhraní, přepis hovorů a automatizaci v Make nebo n8n. Hlasový agent zavolá zákazníkovi, ověří termín, zapíše výsledek do CRM a nejisté případy pošle pracovníkovi.

Tímto odeberete recepci nebo zákaznické podpoře opakované telefonáty. Při 20 potvrzeních denně a čtyřech minutách na hovor jde přibližně o 27 hodin měsíčně, tedy zhruba tři pracovní dny. Pilot lze připravit za 2 až 5 dní bez vývoje vlastního modelu.

Nejčastěji selže na nejasných pravidlech, kdy má agent přestat mluvit a přivolat člověka. Sepište je ještě před prvním hovorem a tento týden zautomatizujte jeden konkrétní výsledek.