W odcinku siódmym Dobrego Podcastu o Biznesie rozmawiamy o wykorzystaniu sztucznej inteligencji w systemach ERP. Dowiesz się z niego m.in.: jakie korzyści firmy mogą czerpać dzięki oprogramowaniu ERP opartego o AI, dlaczego warto stosować taką technologię oraz jaki potencjał biznesowy tkwi w sztucznej inteligencji. W temat wprowadzi nas Dariusz Kuśmierek, pełniący funkcję Dyrektora Działu Produkcji Systemów ERP w Asseco Business Solutions.


Darku, to Ty między innymi czuwasz nad rozwiązaniami opartymi o AI w systemach ERP by Asseco. Na czym polega Twoja praca?

Asseco Business Solutions pracuje już ponad 15 lat, z czego prawie połowę czasu w obecnej roli, czyli jako osoba odpowiedzialna za dział rozwijający nasze systemy ERP (Softlab i Safo, oprogramowania dla średnich i dużych przedsiębiorstw). Zajmuję się też usługami wspólnymi dla wszystkich linii produktowych ERP.

W ostatnich latach wszelkiego rodzaju sztuczna inteligencja budzi duże zainteresowanie. To nie jest całkiem nowy temat, bo w IT funkcjonuje już od dobrych kilkudziesięciu lat. Jednak rzeczywiście od niedawna obserwujemy wzrost popularności AI, co wynika z paru rzeczy, m.in.:

  • Dużo więcej danych dostępnych jest na wyciągnięcie ręki, zwłaszcza w znanych systemach informatycznych, a to sprzyja stosowaniu takich metod.
  • W wyniku rewolucji technologicznej mamy znacznie łatwiej dostępne algorytmy i sprzęt, które pozwalają te dane analizować.

W Asseco Business Solutions od kilku lat szukamy takich zastosowań i to nie tylko w systemach ERP.

Najbardziej spektakularnym przykładem jest Image Recognition, czyli nasze rozwiązanie dla producentów FMCG, które potrafi inteligentnie rozpoznawać obrazy. Technologia ta wspiera przedstawicieli handlowych w analizowaniu półek sklepowych, sprzyjając tym samym optymalizacji ich pracy. Dzięki temu wiele biznesowych i rutynowych czynności w sklepie zostaje zautomatyzowana, np. weryfikacja obecności produktów na regałach i ich ułożenie, czy też przestrzeganie wcześniejszych ustaleń producent-dystrybutor-właściciel sklepu w tym kontekście.
Tak, sztuczna inteligencja nie jest czymś nowym – jej początki to lata 50 XX w. Jednak zanim zagłębimy się w temat, rozwiejmy wątpliwości co do destrukcyjnych wizji, że zastąpi ona człowieka. W końcu my mówimy o AI stricte w ścisłym i technologicznym kontekście.

Tutaj warto sobie zadać pytanie – czym jest sztuczna inteligencja? To sformułowanie tak naprawdę nie ma jednej jasnej definicji lub ma ich bardzo wiele. Na przestrzeni czasu powstawało ich wręcz sporo, co też bywa różnie wykorzystywane w literaturze i marketingu. Myślę, że dla uporządkowania tematu, warto dokonać pewnego podziału rodzajów AI.

  • Na pierwszym miejscu wyróżniamy inteligencję ogólną, czyli działania, które prowadzą do stworzenia odpowiednika inteligencji ludzkiej. Jest to bardziej dyscyplina i utopijna wizja, mająca na celu sprawienie, że komputery będą myślały jak ludzie i zastąpią nas we wszystkim. W tym obszarze obserwujemy jakiś postęp, ale bardzo powolny. Możemy zatem uspokoić, że w najbliższych latach nie dojdzie do rewolucyjnych zmian.
  • Ciekawym rodzajem AI jest natomiast obszar, który nazywamy zawężoną sztuczną inteligencją. Tutaj następuje istotny postęp. Są to wszelkie algorytmy, które pozwalają na wykonanie jednej, ściśle określonej czynności w sposób znacznie bardziej wydajny, a często też i bardziej skuteczny, niż zrobilibyśmy to ręcznie. Innymi słowami rozwiązania, które automatyzują i wspierają ludzi w powtarzalnych, codziennych działaniach. Niektóre zadania komputer wykona po prostu szybciej i dokładniej od człowieka, a także bez pomyłek. Szczególnie jeśli są one w jakiś sposób uporządkowane i powtarzalne. Natomiast nie ma też się co oszukiwać, algorytmy AI również popełniają błędy. Rolą ich twórców jest ograniczenie liczby i zakresu błędów przy jednoczesnym zapewnieniu dalszej przydatności dla użytkownika. Odpowiedni system powinien wspierać ludzi, aby mogli sobie z takimi pomyłkami poradzić.
Jak działa sztuczna inteligencja i jak mają się do niej te bliskie, ale nie tożsame pojęcia, m.in.: machine learningdeep learning?
Sztuczna inteligencja to bardzo szeroka rodzina algorytmów, które wykonują konkretne działania. To pojęcie obejmuje zarówno uczenie maszynowe nadzorowane i nienadzorowane, jak i ich specyficzny podzbiór, jakim są sieci neuronowe. W tym obszarze mieszczą się też algorytmy statystyczne, nadające inteligencję różnym narzędziom i systemom.

Machine Learning, to taka klasa rozwiązań, w których program uczy się na podstawie zbioru danych. Zazwyczaj są to zgromadzone dane historyczne. System dzięki nim jest w stanie ekstrapolować pewne reguły i przenieść je na kolejne przypadki. W klasycznym ujęciu zadaniem programisty jest stworzenie algorytmu, który implementuje konkretne reguły i zapisanie go w taki sposób, aby potem przy pojawieniu się danych, program mógł sam sobie z nimi poradzić tj. dać z nich sensowne wyniki. W Machine Learning jest to odwrócone – programista dostaje przede wszystkim duży zbiór danych, dla których w większości przypadków znane są już wyniki, tylko to są dane historyczne, a algorytm ma z nich wydobyć wiedzę i reguły do zastosowania w przyszłości.

Ciekawym typem Machine Learning jest nadzorowane uczenie maszynowe – w tej sytuacji nie dajemy programowi żadnych wstępnych odpowiedzi. System sam musi przeanalizować dane i spróbować wydobyć z nich reguły. Tu przykładem może być segmentacja kontrahentów, czyli tzw. klasteryzacja.

Deep learning jest szczególną klasą algorytmów, bazującą na strukturach sieci neuronowych. Są to rozwiązania inspirowane funkcjonowaniem ludzkiego mózgu. Mamy w nich algorytm zbudowany z wielu warstw, które komunikują się ze sobą za pomocą sygnałów. Poszczególne komórki sieci są ze sobą połączone – przekazują sobie informacje z danych źródłowych i poddają je niezbędnym przekształceniom, aby zaprezentować wyniki końcowe. Wielowarstwowa struktura powoduje, że często ciężko jest wytłumaczyć, dlaczego algorytm prezentuje akurat taką, a nie inną odpowiedź.

Z biznesowego punktu widzenia: jak algorytmy sztucznej inteligencji znajdują zastosowanie w działaniu firmy i w jakich obszarach?

Każda wystarczająco zaawansowana technologia jest nieodróżnialna od magii.
~ Arthur C. Clarke, twórca science fiction, prawie 60 lat temu

Często trudno jest zauważyć, jaki algorytm działa pod spodem każdego mechanizmu. Sztuczna inteligencja stanowi tylko niewielki fragment procesu, który wspiera. Myślę, że to chyba nie jest aż tak istotne, które dokładnie algorytmy są stosowane i w jakich miejscach. Zastanówmy się bardziej, w jakich obszarach można wykorzystać AI:

  1. wszelkiego rodzaju automatyzacje i podpowiedzi, uzupełniania pól w dokumentach, sugestie w procesach workflow, w jaką stronę dany proces skierować czy też do kogo wysłać plik do akceptacji,
  2. algorytmy prognostyczne wykorzystywane w zarządzaniu zapasem i w kontroli płatności,
  3. algorytmy wykrywania anomalii przydatne do alarmowania nas o potencjalnych problemach, na przykład w kontekście płatności czy zapasów, które mogą zostać przeterminowane,
  4. wspieranie decyzji biznesowych przez inteligentne analizy wykorzystujące zaawansowane metody prognostyczne czy klasyfikacje,
  5. User Experience i interfejsy – dla nas jako twórców oprogramowania ważny jest ten obszar, ponieważ to on wspiera pracę użytkowników w systemie i zapewnia jego intuicyjność oraz łatwość obsługi.
W kontekście systemów ERP – czy możesz podać przykłady takiej automatyzacji analizy danych i usprawnień komunikacji?

Systemy ERP to rzeczywiście dobre pole do popisu, bo gromadzą wiele informacji przedsiębiorstwa. Przykłady automatyzacji analizy danych i usprawnień komunikacji w systemach ERP to m.in.:

  • Mechanizmy zarządzania zapasem i przewidywanie zmiany stanów dzięki metodom heurystycznym, regresji liniowej, algorytmom prognostycznym i klasyfikacji.
  • Systemy wczesnego ostrzegania stosowane w różnych obszarach działalności (również dzięki wcześniej wspomnianym metodom). Muszę dodać, że w Asseco Business Solutions zbudowaliśmy bardzo przydatny moduł, który przewiduje opóźnienia w płatnościach, a tym samym je znacznie usprawnia, automatyzuje i pozwala na windykację.
  • Rozwiązania w ramach algorytmów rekomendacji, podpowiadające klientom sklepów internetowych e-commerce, jakie towary mogą ich zainteresować.
  • Adaptacyjne/inteligentne interfejsy oprogramowania ERP dostosowane do preferencji użytkownika i jego sposobu pracy – tak, aby najczęściej używane funkcje były łatwo dostępne.
  • Inteligentne i spersonalizowane proponowanie nowości. W Asseco Business Solutions wykorzystujemy to do komunikacji w systemie AVP, aby użytkownicy dostawali informacje na temat elementów, które mogą ich najbardziej zainteresować.
  • NLP, czyli przetwarzanie języka naturalnego, które jest używane do rozmów z systemem – dzięki temu rozwiązaniu możemy mieć w różnych usługach tzw. wirtualnego asystenta. To szczególnie przydatna opcja podczas pracy na urządzeniach mobilnych, bo możemy szybciej i sprawniej pozyskiwać informacje lub wykonywać konkretne działania.
Zakładam, że jeśli sztuczna inteligencja ma być skuteczna, to musi być zastosowana w sposób przemyślany, czyli nie wystarczy pójść za trendem – skoro wszyscy teraz mają AI, to my też powinniśmy. Najpierw musi być ta ludzka inteligencja i kreatywność. Jak to jest w przypadku systemów ERP, skąd bierzecie pomysły, żeby zastosować takie, a nie inne rozwiązanie? Jak potem zabieracie się za implementację?

Tutaj faktycznie tkwi nie lada pułapka. Z perspektywy twórców i programistów łatwo jest wpaść w zachwyt nad technologią, pomyśleć „o jaki fantastyczny algorytm, po prostu działa cuda!”. Tylko niestety między świetnym algorytmem a prawdziwą wartością dla firm jest przynajmniej kilka spraw, m.in.: określenie, co rzeczywiście stanowi wartość dla danego przedsiębiorstwa, co jest mu potrzebne.

Nie powinniśmy wychodzić od technologii i szukać dla niej zastosowania, tylko raczej rozpocząć od rozmowy i analizy, jakie problemy ma organizacja oraz jakie metody mogłyby je rozwiązać.

W implementacjach duże wyzwanie stanowi zapewnienie danych – twórcy często nie doceniają tego problemu, a zgromadzenie ich odpowiedniej ilości i jakości odpowiada za dużą część projektu. Przykładem może być wykrywanie oszustw, tzw. fraud detection. To są świetne algorytmy do wykrywania różnego rodzaju malwersacji w transakcjach finansowych. Tylko problematyczne jest gromadzenie zbioru danych treningowych dla takiego algorytmu. Po prostu nie jesteśmy w stanie stuprocentowo powiedzieć, które z zebranych wcześniej przypadków były oszustwem, a które nie.

Tak, jakość danych i ich pochodzenie są istotne w AI. Natomiast jeśli chodzi o cyfryzację firm, gdy mowa o przenoszeniu danych z papieru na wersje elektroniczne, np. w działach finansowo księgowych, sprzedażowych czy kadrowo-płacowych – czy takie działania mają pozytywny wpływ na jakość gromadzonych danych w systemie ERP, a co za tym idzie na wykorzystanie sztucznej inteligencji? Jak dbać o dane, które są tak niezbędne dla algorytmów do działania?

Myślę, że to mógłby być materiał na osobny podcast!

Dbanie o dane jest kluczowe do zastosowania AI i często zajmuje więcej czasu niż samo oprogramowanie.

Firmy, które wdrożyły nowoczesne systemy ERP, z reguły mają już też całkiem dobrą jakość danych transakcyjnych (przynajmniej tych podstawowych) i częściowo słownikowych, czyli tzw. master data. Digitalizacja, a także wdrożenie oprogramowania ERP lub innych usług, poprawia jakość danych i wpływa na ich usystematyzowanie. To natomiast sprawia, że jesteśmy w stanie w ogóle dalej je pozyskiwać do przeprowadzenia jakiejkolwiek analizy czy implementacji na nich algorytmów.

Czy firmy czują pewną nieśmiałość przy wdrażaniu mechanizmów AI?

Firmy z reguły nie wdrażają rozwiązań sztucznej inteligencji dla samej sztucznej inteligencji. Raczej chcą posiadać nowoczesne systemy, z którymi czują, że będą tworzyć swoją przyszłość. Z jednej strony AI jest dla nich zatem takim gorącym tematem i niektórzy pytają, czy te elementy już są dostępne itp.

Z drugiej strony, przechodząc do realizacji projektów, AI budzi pewne wątpliwości i obawy, m.in.:

  • System staje się taką czarną skrzynką, która na bazie danych generuje pewne propozycje, spostrzeżenia, insighty. Jednak, czy jesteśmy w stanie zweryfikować, skąd wzięły się te rekomendacje? Czy mamy na ślepo ufać algorytmom? To właśnie przed tym firmy często mają opór. Trzeba jednak zdawać sobie sprawę, że algorytmy machine learning różnią się pod tym względem. Niektóre mają zdolność do udzielania wyjaśnień i są w stanie wytłumaczyć, dlaczego udzieliły jakiejś konkretnej rekomendacji. Przykładem mógłby być tutaj komunikat typu „prawdopodobnie wystąpi opóźnienie płatności – klient w 90 proc. wcześniejszych przypadków nie dokonywał transakcji w terminie”. System może udzielić różnego rodzaju odpowiedzi.
    Natomiast wiele algorytmów nie udziela wyjaśnień, a niestety to te bywają skuteczniejsze. Istotnym czynnikiem jest to, jak dalece jesteśmy w stanie zaufać programowi.
    Producentom oprogramowania zależy na tworzeniu go w taki sposób, aby klient B2B dostawał z niego konkretne rekomendacje jako użytkownik i miał czas na zapoznanie się z nimi oraz na ich akceptację lub odrzucenie, a także nie tracił kontroli nad całym procesem. Z czasem firma przekona się, że ich skuteczność jest wysoka i będzie skłonna w coraz większym stopniu automatyzować pracę, o co nam też finalnie chodzi.
  • Spotykam się też z obawą o likwidację stanowisk i zastąpienie pracowników systemami. Jednak celem AI jest automatyzacja ludzkiej pracy oraz wsparcie ich w działaniach, które są powtarzalne czy rutynowe.
Dlaczego te algorytmy, które nie podają wyjaśnień, często są skuteczniejsze?

To jest trochę tak, jak z tymi rekomendacjami, które widzimy w sklepach internetowych. Tam algorytmy analizują miliony, jak nie miliardy zakupów i biorąc pod uwagę dane transakcji historycznych, mogą przewidzieć, np. że ktoś, kto kupił produkt X, wziął też Y, więc inna osoba, mająca w koszyku X, może być również zainteresowana Y. Te sugestie potrafią być bardzo trafne, chociaż nie są w stanie być wytłumaczone na zasadzie, dlaczego ja miałbym też chcieć produkt Y.

Jak widzimy, czasem warto odejść od szukania połączenia przyczynowo-skutkowego, szczególnie w tych najbardziej złożonych zastosowaniach AI. Na zjawisku koincydencji również możemy się oprzeć.

Warto jednak pamiętać, że takie podejście sprawdza się tylko w niektórych przypadkach (takich jak te rekomendacje), a nie w jakichś transakcyjnych czy raportowych działaniach.

Wiele jeszcze przed nami w kontekście działania sztucznej inteligencji… i to nie samego jej tworzenia, ale też poznawania tych mechanizmów. Bardzo dziękuję za rozmowę i za tą fascynującą wiedzę o AI, jaką się z nami podzieliłeś. Biorąc pod uwagę tempo rozwoju tej technologii i jej zastosowań, za jakiś czas pewnie będziemy mogli do tego tematu wrócić, rozmawiając o kolejnych możliwościach.

Z pewnością. Dziękuję bardzo.

Autor

Dyrektor Działu Produkcji Systemów ERP w Asseco Business Solutions S.A.