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.