“AI inženjer ne može biti samo podatkovni znanstvenik” – mnogi u industriji su još Katice za sve

“Što uopće radi strojno učenje u telekomu”, pitala je na početku retorički i sama Andrea:

Odgovor na to pitanje je – svašta. Činjenica je da telekomi leže na ogromnim količinama podataka – od različitih mrežnih sustava, različitih komunikacijskih sustava – podataka koje dobivamo kroz komunikaciju s našim korisnicima putem društvenih mreža, mailova, chatova, različitih podataka o korištenju usluga i sl. A1 je tako vrlo rano prepoznao da u ovakvim skupovima podataka leže ogromne količine informacija i putem primjene strojnog učenja možemo doći do novih vrijednosti u kompaniji. Znali smo da trebamo početi “kopati” po podacima.

A tako je i bilo. Uz te podatke cilj je bio naučiti i predvidjeti moguće pogreške kako bi se iste spriječile prije nego dođu do korisnika. Testiranjem NLP (natural language processing) algoritama u konačnici su dobili rješenje kojim su uspjeli smanjiti broj zadataka IT support odjela.

Konkretno, ostvarili su da njihov chatbot može odrađivati i semantičko pretraživanje – ako se pojavi neki problem kod korisnika chatbot može jako brzo kroz pismeni input korisnika odnosno zaposlenika detektirati o kojem je problemu riječ i kako ga riješiti. Sve je to omogućeno analizom više od 20 tisuća tzv. ticketa.

Kako je protekao proces razvoja takvog rješenja koje je u konačnici postalo i mnogo robusniji alat, više saznajte kroz samo predavanje koje je dostupno na našoj službenoj Facebook stranici, a uskoro i na našem YouTube profilu.

Kako primijenjuju AI tehnologije?

Od nedavno službenim imenom Nets CEE, bivši Mercury PSI čiji su klijenti primarno banke, uglavnom je dosad koristio AI tehnologije u području prevencije prijevara, ističe Marija Drašković. Svrha rješenja koja razvijaju je – iz povijesnih podataka transakcija, ali posebno podataka u stvarnom vremenu – što prije uočiti moguće probleme.

U Poslovnoj inteligenciji pak, Slađana Krpić ističe kako su orijentirani najviše prema klijentima i njihovim potrebama. Tako se prije par godina krenulo sa standardnim slučajevima kao što je churn prediction ili fraud detection za naprednije klijente. Prešlo se s vremenom i na predikciju potražnje za neke od klijenata iz područja distribucije ili retaila na temelju povijesnih podataka i vanjskih parametara koji mogu utjecati na to. A i oni se u zadnje vrijeme sve više bave NLP-jem.

Airt je najviše prisutan u financijskoj industriji, nastavio je Davor Runje. Njihov posao se tiče procesa prije nego što podatkovni znanstvenici preuzmu svoju domenu, kaže. Ukratko, kako smo već pisali i na Netokraciji, razvijaju alate koji će procesiranjem svih tih podataka napraviti dobre profile korisnika koje onda omogućavaju financijskim institucijama bolju pripremu ponude na osnovu korisničkih potreba – od toga kada im ponuditi kredit koji im treba, do toga da ih spase iz minusa u koji će par mjeseci zaroniti i slično.

Nina Erceg nam je više rekla o doticaju Includea s umjetnom inteligencijom kako za njihove poznate klupe, tako i za druge proizvode koje imaju i planiraju. Na njima se nudi prostor za oglašavanje, ali oni su htjeli ponuditi nešto više svima koji se žele oglašavati – prvenstveno statistiku o tome koliki broj ljudi je pogledao te oglase, ali i mnoge druge podatke, u skladu sa svim pravilnicima.

Ne postoji brzo, veliko rješenje

Kako se promijenio stav klijenata prema AI, da li ga lakše prihvaćaju i je li išta veća potražnja, upitao je Ivan Brezak Brkan Slađanu. Ona ističe kako postoje te tehnološke napredne tvrtke koje prate te trendove ili, bolje rečeno, generiraju nekakve trendove, poput A1, a postoje firme koje su više tradicionalne, imaju neke entuzijaste koji nisu toliko u tome, ali imaju solidne ideje i kojima treba pomoć da mogu oblikovati svoje potrebe u nešto što se može riješiti.

Ono što mi tada svojim klijentima savjetujemo jest da se krene korak po korak – start small ovdje definitivno vrijedi. Krenuti s nekakvim manjim primjerom pa na to nadograđivati dalje. To je pristup koji uvijek savjetujemo našim klijentima i na taj način se više odlučuju na AI i slična rješenja, nego da je to nekakav big bang koji će onda napraviti čudo ili svemirski brod odjednom.

Katice za sve ne zaobilaze umjetnu inteligenciju

U kontekstu kadrova unutar AI područja, svi su se složili da je scena još mlada, kao i tehnologija pa je očekivano da će stručnjaci na početku raditi sve i svašta, a Davor se na to osvrnuo i na svom primjeru. Kao i u digitalnom marketingu prije 10 godina, situacija nije mnogo drugačija ni u AI-ju:

To je tipično za nove tehnologije koje su se tek pojavile. Svi su Katice za sve jer nemate izbora. Ja trenutno objavljujem znanstvene članke po konferencijama iz AI-ja i u isto vrijeme slažem dockere za produkciju i sve između. Takav je život jednostavno. Kako tehnologija postaje zrelija onda pomalo dobivate ljude kojima puno više paše neki segment koji se onda specijalizira za njega jer mu baš to leži. Mnogi od nas znaju što bi radili u svemu tome, ali mora netko složiti i taj docker container – pa ću ga složiti…

Kad se traži neki ML inženjer, u pozadini toga je i još nešto, nadovezala se i Nina:

Naime, sve nas zanima AI, puno čitamo i znamo o tome, ali u pozadini nama treba jedan softver programer. Dodatno, kad se ide u produkciju, tu definitivno je potreban jedan MLOps ili DevOps ovisno na koje okruženje to ide. Znači, treba se paziti što se piše u oglasima za posao i treba tražiti ljude s tim znanjima, a ne samo nekoga tko ima “interes za AI” – to svatko može imati.

Marija se slaže te dodaje kako još vlada popriličan kaos kad je u pitanju definiranje i sadržaj uloga unutar jednog AI tima te je naglasila koliko je bitna multidisciplinarnost kako bi sve funkcioniralo:

Ja sam isto pobjegla iz churn predictiona i data mininga jer me užasno frustriralo da mjesec dana sve pripremamo savršeno i onda se ne nazovu korisnici u kampanji. Tako da sam otišla u kvalitetu i upravljanje podataka i sad zapravo ono što se ja učim je tko što radi kad treba nekakvo AI/ML rješenje raditi baš da bih motivirala ljude iz različitih domena da je svatko potreban.

Na kraju, tko je AI inženjer?

Boris se osvrnuo na razliku između toga što jedan AI kadar danas može i treba znati. Između ostalog, treniranje modela je neka osnova te uloge i dok se van stvarnog konteksta može upogoniti mnogo modela, ono gdje zapinju stvari je implementacija – te modele treba znati ugraditi u poslovne procese.

Idealno bi bilo da imamo data inženjere, data scientiste, app developere pa product ownere i da sve to bude jedan lijep agilni tim, ali stvarnost je uvijek drugačija pa imamo Cognitive computing tim koji radi sve to pa usput moraju znati i više o mikroservisima, moraju poznavati OpenShift i tako dalje. Da, čupavo je, i teško je – ali učimo, takav je svaki početak. U konačnici, da li je AI inženjer samo data scientist – po meni nije – mora znati više od toga.

Ako vas zanima još detalja iz rasprave o tome kako organizirati AI timove i kome dodijeliti kakve uloge, svakako pogledajte čitavu panel raspravu koja je dostupna na našoj službenoj Facebook stranici!