Štěpán Kopřiva, Blindspot Solutions, Adastra Group

Štěpán Kopřiva (Blindspot Solutions): Když člověk ráno nahlásí, že je v karanténě, dokážeme přeplánovat směny v řádu vteřin díky umělé inteligenci

Ačkoliv se umělá inteligence v Česku prosazuje pomaleji, progresivní společnosti už nyní sledují první přínosy a návratnost. A nejsou vůbec marné. „Pojítkem našich projektů je objem. My třeba zlepšíme dílčí výsledek o jednotky či desítky procent, ale v celkovém objemu to může firmě přinést i několik milionů eur ročně,“ popisuje v novém ADASTRA podcastu Štěpán Kopřiva, Chief Technology Officer v Blindspot Solutions – dceřiné společnosti Adastry, která mimo jiné za své AI řešení Optikon pro optimalizaci logistiky ve ŠKODA Auto získala vloni ocenění Microsoft Digital Award.


  • Jak české firmy přistupují k umělé inteligenci a co je nejvíc pálí? 
  • Co brání jejímu většímu rozšíření? 
  • Dají se algoritmy využít i v procesech, kde se často vyskytují časté nahodilé změny? 
  • Proč zapojit AI řešení i do oblasti, jakou je například obalový management? 
  • A jak funguje mechanismus slev v retailu řízený umělou inteligencí?

Poslechněte si podcast

Přečtěte si podcast jako rozhovor

Ivana Karhanová: Jak české firmy přistupují k umělé inteligenci? Jaká řešení poptávají? A co je nejvíc pálí? Co brání většímu rozšíření umělé inteligence? O tom si dnes budu povídat se Štěpánem Kopřivou, CEO a spoluzakladatelem společnosti Blindspot Solutions, která je součástí Adastra Group.

Štěpán Kopřiva: Ahoj.

Ivana Karhanová: Blindspot Solutions se specializuje na řešení, která využívají umělou inteligenci. Co české firmy poptávají úplně nejvíc?

Štěpán Kopřiva: Myslím si, že rozšíření umělé inteligence je, řekněme, nyní střední. Není takové, jaké ho vidíme na západních trzích. V současnosti se hodně poptávají řešení směřující k logistice a k výrobě, to znamená k jejich řízení a rozvažování. Dále jsou to řešení, která slouží k úspoře lidské práce – věci týkající se customer support, automatického odesílání zpráv, automatického čtení a zpracování dokumentů nebo řešení vedoucí k predikci událostí v budoucnosti.

Ivana Karhanová: Zmínil jsi, že na Západě je umělá inteligence rozšířena víc. Evropská komise dokonce v listopadu vydala Index digitální ekonomiky a společnosti za rok 2021 a Česko tam má z evropské sedmadvacítky krásné 18. místo. Proč to české firmy zatím tolik neprosazují?

Štěpán Kopřiva: Já si myslím, že to je částečně tím, že český trh je za západním trhem o něco zpožděný a neměl tuto potřebu v historii. Taky je to ovlivněno covidem. Nicméně v dnešní době se ukazuje problém sehnat zaměstnance. To znamená, že motivace v umělé inteligenci už není. Chceme jen ušetřit, inovovat nebo něco nového získat, aby firmy vůbec mohly fungovat. To si myslím, že je jeden z důvodů. Možná druhý driver je ten, že v Čechách je hodně firem, které mají matku někde jinde a adopce trendu je zpomalená i z toho důvodu.

Ivana Karhanová: Co je v očích Blindspot Solutions skutečná umělá inteligence? A jaká jsou řešení, která jen využívají machine learning?

Štěpán Kopřiva: Z našeho pohledu patří machine learning do umělé inteligence. Fakt, že se software umí něco naučit a generalizovat, to je pro nás důležité slovo. To znamená, že když software umí vyřešit i příklad, který předtím neviděl, tak je to podle nás umělá inteligence. Samozřejmě se s tím pojí další věci typu škálovatelnost a do určité míry také impact, který poskytuje.

Ivana Karhanová: Můžeš to uvést na nějakém příkladu?

Štěpán Kopřiva: Můžeme to rozvést na příkladu počítačového vidění. Máme například řešení, které se jmenuje Macula. Když trénujeme algoritmus a chceme, aby program třeba rozpoznával kočičky, tak našemu modelu nebo programu ukazujeme tréninkovou sadu kočiček. Trénuje si rozpoznávání obrázků, na kterých jsou kočičky a obrázku, na kterých kočičky nejsou. Program to naučíme a jakmile mu později ukážeme obrázek kočičky, který nebyl v testovací sadě, a on ho správně rozpozná, říkáme, že umí generalizovat. Čili dává výsledek k něčemu, co předtím nikdy neviděl.

Ivana Karhanová: Maculu jste používali k identifikaci roušek během lockdownu.

Štěpán Kopřiva: Ano. Maculu jsme používali pro detekci roušek v retailu, kde řešení jednak detekuje, jestli člověk má nebo nemá roušku a jednak počítá zákazníky v obchodě. My jsme ho trénovali na obličejích. Když řešení rozpozná u někoho nového, jestli má nebo nemá roušku a dokáže třeba i poznat roušku od šátku, tak to je přesně generalizace, o níž hovoříme.

Ivana Karhanová: Takže to už je umělá inteligence?

Štěpán Kopřiva: Ano. Je potřeba říci, že to je specifická umělá inteligence. Není to něco, čemu se říká obecná umělá inteligence (general AI). Tedy něco, na čem pracují společnosti jako Google. Nikdo neví, jestli jí vůbec dosáhneme.

Ivana Karhanová: To je ta umělá inteligence, které bychom se měli potenciálně bát?

Štěpán Kopřiva: Ano. Já se ale nebojím, těším se na ni. Pokud se k ní někdy dostaneme, tak pro mě to bude velký krok v historii lidstva. Otázka je, jestli to vůbec zvládneme.

Ivana Karhanová: Podívejme se na to, jak Blindspot přistupuje k úlohám, které trh poptává. Zmínil jsi příklady využití v logistice a optimalizaci. Dělali jste například pro Škodovku, kde vaše algoritmy říkají, jak se má naložit kontejner.

Štěpán Kopřiva: Ano, je to tak. Máme řešení Optimus. Konkrétně v projektu pro Škoda Auto naše algoritmy říkají, jak se mají palety nakládat do kontejneru tak, aby se využil prostor na maximum. Problém je v tom, že palety jsou různě široké, vysoké a těžké. Není v lidských silách v reálném čase naplánovat, jak palety naskládat na sebe a vložit do kontejneru. To je jedna z úloh, které řešíme.

Ivana Karhanová: Měli bychom říct, že bez vašeho algoritmu byli schopni kontejnery naplnit, ale s vaším řešením dokáží ušetřit další asi tři metry krychlové prostoru.

Štěpán Kopřiva: Ano. Algoritmus ušetřil několik metrů krychlových. V celkovém objemu kontejnerů a vyjádřeno v penězích jsou to velmi zajímavá čísla za jeden rok. My jsme díky tomu za naše řešení dostali Microsoft Digital Award 2021. Dopad je tedy skutečně vidět, a to nejen byznysově, ale i s ohledem na odpovědné a ekologické chování, protože zároveň ušetří spoustu CO2 emisí.

Ivana Karhanová: Když jsme si o řešení před podcastem povídali, zaznělo také, že jim pomáhá i v tom, že když přijde nový člověk, nemusí se učit stohy papírů, jak má kontejner naskládat. Jak dlouho trvá nasadit takové řešení do provozu?

Štěpán Kopřiva: Záleží, jestli se vyvíjí na míru, nebo jestli firma využívá některý z našich produktů. V současnosti máme optimalizační sadu Optimus, která umí řešit úlohy plánování a rozvrhování, kde se pracuje s velkými pooly zdrojů. Když dám příklad, je to plánování trasy v interní nebo externí logistice pro kamiony. Už pro počty kamionů v řádu vyšších jednotek (8, 9, 10, 15) dává řešení smysl. Řešení umí říct, který kamion má kdy a kam jet tak, aby se využíval jejich optimální počet. To znamená, aby například  kamiony mohly vozit na výrobní linku obalové materiály a z výrobní linky rovnou zase hotové výrobky. Celé se to může dít třeba v perimetru pěti kilometrů. Když to převedu do situace před nasazením softwaru, řekněme, že předtím tam jezdí třeba 15 kamionů. Po nasazení softwaru máme zkušenost od několika klientů, že se množství kamionů, řidičů i nákladů může snížit v malých desítkách procent, třeba o 10 až 20 %, což je během několika let signifikantní úspora.

Ivana Karhanová: Co všechno se s řešením Optimus dá plánovat?

Štěpán Kopřiva: Plánujeme zdroje, jako jsou auta nebo lidé. Například plánujeme, kdy má který člověk přijít na směnu, zejména ve složitějších provozech, továrnách nebo i kancelářích, kde ne každý umí všechno. Je to komplexní úloha zejména v případech, kdy do toho třeba zasahuje hodně agenturních pracovníků. Pro našeho klienta z Německa jsme například řešili plánování jejich inspektorů v Číně. Jejich inspektoři tam jezdí po továrnách na východním pobřeží a my plánujeme skrze software, kdo, kdy a kam má jet. V reálném čase umíme plánovat směny pro velký počet lidí a přeplánovat nahodilé změny.

Ivana Karhanová: Třeba když má člověk pozitivní test na covid.

Štěpán Kopřiva: Přesně tak. Nebo když měl vánoční večírek 🙂 Software dokáže v řádu desítek vteřin najít nové řešení. Plánujeme i věci z fyzického světa, které se na první pohled nezdají tak důležité. Jsme schopni například určovat velikosti obalů. Je to jeden z projektů, který jsme řešili pro význačného klienta z Německa z kosmetického průmyslu. Má e-shop, který posílá různé zásilky. Problémem je, do čeho zásilku zabalit, jestliže má pět různých druhů krabic. Navíc v delivery se platí cena podle velikosti krabice a poptávka po zboží se může měnit v čase. Řešení, které jsme vyvinuli, umí třeba jednou za měsíc nebo za kvartál předplánovat velikosti krabic, aby odpovídaly poptávce po výrobcích.

Ivana Karhanová: Na tohle potřebuji umělou inteligenci? Já si představuji, že vezmu výrobky, které jsme prodali třeba za kvartál, nějak to spočítám a objednám správné krabice.

Štěpán Kopřiva: Ano. Problém je v tom, že krabice se dají dělat na míru. Druhá věc je, že objednávek a dat je tolik, že manuální propočet bude trvat strašně dlouho. Kombinací je v tom objemu moc. A to je v zásadě znakem většiny našich projektů. My třeba zlepšíme výsledek o jednotky nebo malé desítky procent, ale v celkovém objemu to může udělat i několik milionů eur za rok.

Ivana Karhanová: Říkal jsi, že plánování využíváte nejen ve fyzickém světě.

Štěpán Kopřiva: Umíme ho použít i ve virtuálním světě. Například když někdo používá více cloudových řešení nebo providerů, nebo používá různé výpočetní stroje a má různé výpočetní úlohy, jsme schopni díky software plánovat, na jakém stroji se mají pouštět které úlohy.

Ivana Karhanová: To znamená třeba využití virtuálních serverů a podobných věcí?

Štěpán Kopřiva: Přesně tak. Dám jednoduchý příklad. Zákazník má dva druhy cloudů. Jedno jsou interní počítače, jedno je cloud od většího providera. Interní počítače stojí míň, ale není to škálovatelné, interních počítačů má třeba deset, a potřebuje počítat nějaké úlohy – typicky vědecké výpočty nebo predikce a podobně. Ty úlohy se dají posílat buď na interní stroje, nebo do cloudu. V cloudu to stojí mnohem víc. A když je úloh relativně hodně a ví se, jak dlouho trvá je spočítat a kdy potřebujeme výsledek, tak software umí říkat, kde se to vyplatí, jestli interně, nebo na cloudu. Tím pádem optimalizuje náklady.

Ivana Karhanová: Pomocí umělé inteligence jsem tudíž schopna řešit cost management?

Štěpán Kopřiva: Přesně tak, ale za splnění určitých podmínek. Plán garantuje, že každá úloha je spočítána přesně do času, kdy je potřeba výsledek, zároveň to celé stojí co nejméně peněz.

Ivana Karhanová: Vlastně jsem tím schopna eliminovat boty v řízení nákladů na cloudu, když mi třeba někde zůstávají běžet mašiny, které nepotřebuju.

Štěpán Kopřiva: Tohle je část, kterou se úplně nezabýváme. Nezabýváme se vlastní detekcí běžících mašin na cloudu, ale tím, kde má výpočet proběhnout.

Ivana Karhanová: To ne. Myslela jsem, že algoritmus řekne: „A teď to pošli na tento server a pak ho vypni.“

Štěpán Kopřiva: Ano, to dělá. Vždycky je to práce s velkými daty. Čili využíváme cloudovou automatizaci, vytáčení strojů, infrastructure servis a podobně. Naše řešení říká, kde se má úloha pustit.

Ivana Karhanová: Dalším z řešení, která využívají umělou inteligenci, je customers support. Firmy řeší, že na trhu nejsou lidé, které by posadili do všech svých call center. Jak tady pomáhá umělá inteligence?

Štěpán Kopřiva: Umělá inteligence pomáhá formou automatického odpovídání na textové zprávy. Máme řešení, které se jmenuje Aris, které umí přicházející e-maily klasifikovat a třídit. Vysvětlím to na příkladu e-shopu, kterému chodí hodně e-mailů typu: Dobrý den, nedostal jsem svůj balíček. A podobně… Aris umí zprávu zařadit a připravit odpověď a zástupce customer support pak stráví mnohem méně času na zpracování jednoho e-mailu. Dostáváme se z desítek sekund nebo minuty až někam k jednotkám sekund – na sedm osm vteřin. Zástupce customer support jenom řekne, která odpověď je správná a dá ji odeslat. A to pominu to, že na některé zprávy se odpověď může odesílat úplně automaticky.

Klíč je v tom, že těch zpráv, které jsou jednoduché na odpověď, jsou desítky procent. Například 40 až 50 % zpráv jsme schopni odbavit téměř automaticky a úspory jsou díky tomu obrovské. Například před Vánoci je sezona nakupování a v e-commerce všichni řeší, jak mít v customer centru dost lidí. Můžeme se bavit o stovkách lidí pro jednoho zákazníka. A když je najednou polovina dotazů vyřešena téměř za nulový čas, tak to znamená, že potřebujete jen polovinu lidí.

Ivana Karhanová: V případě těchto reakcí na textové zprávy se bavíme o AI, nebo o machine learningu?

Štěpán Kopřiva: Je to machine learning, konkrétně NLP – natural language processing, což je zpracování přirozeného jazyka. NLP šlo strašně dobře dopředu kvůli rozšíření deep learningu a transfer learningu, a na tom stavíme při budování našich produktů.

Ivana Karhanová: Za jak dlouho jste schopni u klienta takovou platformu nasadit?

Štěpán Kopřiva: Když za námi přijde klient a dá nám historická data, na kterých systém učíme, tak se jedná o jednotky dní. Během té doby jsme schopni na cloudu vytočit instanci a připravit to pro klienta tak, aby viděl na svých datech, jak systém funguje. Integrace do reálného provozu záleží pak na tom, jaké má klient interní systémy. I s integrací to může trvat několik týdnů. Není to tedy záležitost na roky nebo na dlouhé měsíce a podobně.

Ivana Karhanová: Blindspot také predikuje poptávku. Je jasné, že když prší, budou se prodávat deštníky. Když jsou prázdniny a je hezky, tak v obchodech bude míň lidí. To je asi hodně triviální. Co všechno jste schopni predikovat?

Štěpán Kopřiva: Většinou predikujeme nějaké veličiny, které jsou závislé na dalších veličinách. V nakupování hraje roli den v týdnu, hodina, počasí, roční doba nebo třeba to, jestli se koná ve městě nějaká akce. Téměř jakákoliv data, která jsou dostupná ve strojově podobě, jsme schopni zakomponovat. Když se podívám na to, co po nás chtějí zákazníci, je to typicky poptávka po zboží. To, kolik se prodá zboží, ovlivňuje potřebu zaměstnanců ve skladech, na rozvoz zboží nebo potřebu aut a podobně. Tady se už trochu kombinuje dohromady predikce poptávky a optimalizace, plánování a rozhodování. Jsme totiž schopni predikovat, kolik se bude prodávat zboží, a na základě toho optimalizovat potřebu lidí, aut nebo rozložení pracovních směn.

Ivana Karhanová: Teoreticky to může fungovat i jako minimalizace plýtvání řetězců a podobných úloh.

Štěpán Kopřiva: Přesně tak. Zabýváme se i úlohami, jako je nacenění zboží, které má nějakou lhůtu spotřeby, typicky potraviny na skladu. Řetězec by rád věděl, jak potraviny prodat do té doby, než jim vyprší lhůta. Mechanismus, jak to dělat a zrychlit prodej, se jmenuje sleva. To znamená, že řetězec se ptá, na kolik zboží zlevnit tak, aby ho ideálně prodal všechno. Cokoliv, co neprodají, jde rovnou do mínusu.

Ivana Karhanová: To mi pak ovlivňuje veškeré business procesy dál – plánování skladů, plánování směn, plánování logistiky a podobně.

Štěpán Kopřiva: Ano, může být. Učíme modely na historických datech a vstupy jsou reálná data v real-time. Vždy záleží na tom, kolik položek je takovouhle slevovou akcí ovlivněno. Všechny tyhle byznysy jsou na slevové akce zařízené. Běžně mají promo akce, takže jejich systémy jsou na to připravené. Tohle je jen další vstup do slevového procesu.

Ivana Karhanová: Nemusí se predikovat jen poptávka. Vy také predikujete odchody, predikujete churn. Předpokládám, že zejména u služeb. Co všechno vstupuje do algoritmu?

Štěpán Kopřiva: Děláme to například u výrobců a provozovatelů služeb, často digitálních služeb. Díky tomu je provozovatel nebo poskytovatel služby schopen nějak zareagovat, například poskytnout slevu nebo kontaktovat zákazníka a zeptat se, co je špatně. Vstupují do toho data, která provozovatel, poskytovatel anebo my jsme schopni měřit. Když uvedu příklad nějaké digitální služby nebo aplikace, lze měřit věci typu, jak často se člověk do aplikace přihlásí, kolik tam stráví času, kolik stráví času v jednotlivých sekcích, kolikrát klikne, jak dlouhé jsou zprávy, které posílá. No, a když jsme schopni změřit podobné věci, můžeme identifikovat změnu v chování.

Ivana Karhanová: Například, že začne procházet určité sekce na webu, kde ho předtím nikdo neviděl.

Štěpán Kopřiva: Třeba. Anebo najednou do aplikace vůbec nechodí, nebo tam stráví menší část a podobně. Říkáme tomu detekce anomálií. Máme s tím dlouhou zkušenost. Detekujeme anomálie v kyberprostoru i ve fyzickém světě, například anomálie ve výrobě. Například jde o chemický proces. Něco se vyrobilo trošku jinak, než mělo, tak je to podezřelé. Jsme schopni to automaticky detekovat. Nebo detekujeme anomálie i v jiných procesech, kde se sbírají nějaká data. Například v naší společnosti sbíráme spoustu dat o tom, kolik času naši lidé tráví na projektech, kolik kódu se napíše a podobně. I na takových věcech jsme schopni zjistit, jestli se tam děje něco jinak. Nemusí to vždycky znamenat něco špatného, ale upozorní nás to. Čili ve společnostech, kde se sbírají data o téměř jakýchkoliv procesech (HR, back office procesy směrem ke zpracování faktur a další), jsme schopni data napojit do softwaru a hledat oblasti, kde se děje něco zvláštního. Může to mít hodnotu pro manažera nebo kohokoliv, kdo proces vlastní a chce sledovat.

Ivana Karhanová: Zmínili jsme predikci churnu. Co všechno se dá ještě takto detekovat? Anomálie jsou strašně široký pojem.

Štěpán Kopřiva: Je to široký pojem. Například ve výrobě, když někdo vyrábí výlisky z plastu, jsme schopni detekovat anomálie pomocí vizuální kontroly. Díky kameře zjistíme, že na výlisku je něco divného. To je jeden příklad. Druhý příklad uvedu z digitálního světa, kde jsme schopni detekovat třeba anomálie v re-endorsement procesu. Čili to, jak někdo vykazuje své náklady. Zaměstnanec například vykazuje dlouhodobě určité náklady, třeba dvakrát za měsíc vykáže deset tisíc korun za větší pracovní večeři a jeho manažer to musí schvalovat. Může mít ale nějaký limit, který už daný manažer neschvaluje, a systém najednou ukáže, že zaměstnanec začal netypicky vykazovat pět set korun téměř každý den. A to je změna chování. Systém umožní manažerovi mít přehled bez toho, aby sledoval jednotlivá data. To je problém dnešní doby – dat je mnoho a manažeři nejsou schopni je všechna sledovat.

Ivana Karhanová: Ani nechcete kontrolovat nebo podezírat lidi.

Štěpán Kopřiva: Přesně tak. A není to jen o tom. Systém pomáhá tím, že ze spousty dat vybere podmnožiny. Vybere pár případů, o kterých řekne, že jsou divné. A celé to běží automaticky někde na pozadí. Manažerovi může třeba jednou denně přijít souhrn na e-mail nebo do aplikace. Dostane popis anomality a díky tomu řeší už jen důležité případy. Dá se to používat také na procesy, které nejsou úplně kritické. Když použijeme Paretovo pravidlo, tak 20 % věcí vytváří 80 % hodnoty, přičemž ta většina není pro manažera tak důležitá, a tyto věci za něj může dělat systém.

Ivana Karhanová: Předpokládám, že v těchto úlohách já nijak nemusím algoritmu nastavovat hranice, co má hlídat a co nemusí. Algoritmus by toho měl být sám schopen, jinak by se dalo systém vždycky nějak obejít.

Štěpán Kopřiva: Je to přesně tak. Pokud uvažujeme obejití systému, můžeme se bavit třeba o nějaké detekci fraudu, ale může to být klidně i ve výrobě, kdy se charakteristika stroje nějak změní, například teplota. Náš systém nepotřebuje nastavování hranic a anomálie detekuje.

Ivana Karhanová: V průběhu dnešního podcastu jsme zmínili spoustu příkladů, kde algoritmy v rámci generalizace umí pomoci v podstatě s čímkoliv. Některé úlohy ale mohou být ve výsledku děsně komplexní. S čím doporučujete firmám začít?

Štěpán Kopřiva: Děláme AI assessment, během něhož firmám radíme, jakým způsobem mají uvést AI do společnosti. Tím doporučuji začít. Bavím se i o firmách, které mají desítky tisíc zaměstnanců a jsou zahraniční. Radíme se strategií a náš assessment zahrnuje i hodnocení kvality dat, která se sbírají, a postupujeme podle toho, jaký přínos zavádění konkrétního systému má a jaká je komplexita jeho zavádění. Když se totiž povede systém zavést, má to nějaký přínos, ale často narážíme na to, že problém bývá spíše už v té technické stránce – jak systém připravit, aby fungoval.

Jde také o lidskou stránku – aby lidé systém používali. To znamená, že naše řešení musíme lidem ukázat, aby mu mohli věřit. Naše řešení totiž najdou často způsoby, které jsou jiné, než jsou lidé zvyklí dělat. Řešení také obvykle dodáváme formou softwarové aplikace, která vedle funkčnosti musí být uživatelsky přívětivá, aby se v ní lidem dobře pracovalo.

Ivana Karhanová: Když se s firmou dohodnete na nějakém POC (proof-of-concept – pozn. red.), jak dlouho pak trvá řešení zrealizovat?

Štěpán Kopřiva: Záleží, jak dynamický je zákazník. Když se udělá assessment, tak POC můžeme začít, řekněme, během jednoho měsíce. Ověření konceptu pak může trvat dalších šest týdnů nebo měsíc. Jsme zvyklí pracovat dynamicky, takže se nebavíme o letech vytváření teoretických strategií.

Ivana Karhanová: Řádově se tedy bavíme o měsících. A co návratnost?

Štěpán Kopřiva: Návratnost záleží na doméně, ale pohybuje se od jednotek měsíců. Máme případy, kdy návratnost byla 3-4 měsíce až 1-2 roky. Když je návratnost delší než dva roky, je v dnešní době pro firmu problematické do toho investovat. Pak jsou tu větší projekty, ke kterým se samozřejmě musí přistupovat trochu jinak.

Ivana Karhanová: Díky za dnešní povídání. To byl Štěpán Kopřiva, CEO a spoluzakladatel společnosti Blindspot Solutions. Díky za návštěvu ve studiu.

Štěpán Kopřiva: Já moc díky za pozvání. Bylo fakt zajímavý.