Rok 2002, to byl – dnešníma očima – v podstatě digitální pravěk.

Ano, ale právě neustálá změna našeho oboru je pravděpodobně tím hlavním důvodem, proč zůstávám už přes dvacet let u jedné společnosti. Prošel jsem tolika různými pozicemi a tolika různorodými projekty, že to nikdy nezačalo být ploché ani rutinní. Vždycky jsem se dostal k věcem, které byly nové. Stále jsem obklopen mladými lidmi a inovativními technologiemi.

V minulosti jste hodně řešil kupříkladu Průmysl 4.0, dnes děláte na projektech týmu VPT4, který hodně šlape do oblasti umělé inteligence a strojového učení. Na čem pracujete momentálně?

Právě dokončujeme do fáze proof of concept rozsáhlý projekt, který pomůže v budoucnu zrychlit a zlevnit opravy dálničních tahů.

Jak takový projekt vypadá?

Společnost VARS má už více než pět let k dispozici vůz, s jehož pomocí najíždí jednotlivé úseky dálnic. A ten je vybaven nejen kamerami, ale také laserovými senzory. S jejich pomocí je schopen zachytit nejen větší poškození silnice, ale také mikrotrhliny, v nichž se rozšiřuje nějaké poškození. Tyto snímky potom standardně předávali partě lidí, která je manuálně kontrolovala a rozřazovala je podle rozsahu poškození na stupnici od 0 do 3. Následně pro Ředitelství silnic a dálnic připravili analýzu, jak a kde vozovku opravit, aby byl poměr cena versus výkon co nejvýhodnější. Naším úkolem bylo využít umělou inteligenci, aby to nemusel dělat člověk. A zároveň do toho vnést ještě větší přesnost. Teď jsme ve fázi, že jsme se zákazníkem prošli snímky, vyhodnotili je a potvrdilo se nám, že jsme schopni to vyhodnotit přesněji a kvalitněji, než když to dělali lidé.

Jak se vůbec „učí“ umělá inteligence?

Není to úplně nepodobné učení člověka. Umělá inteligence je dnes víceméně jen hodně pokročilá statistika v kombinaci s algoritmy, které se snaží přiblížit principům našeho mozku. V praxi tohoto konkrétního projektu to vypadalo tak, že jsme nejprve vzali fotky a označili jsme ty, na kterých jsou chyby. Tomuto principu říkáme „učení s učitelem“ – je potřeba říct systému, který tvoří neuronovou síť a který to počítá, jak vlastně vypadá výsledek, jaký je vstup a jaký by mohl být výstup. Proto jsme všechno nakrájeli na malinké dlaždice. To je příprava dat, bez které nejste schopni neuronovou síť natrénovat. Druhý krok je, že rozdělujete data na trénovací, validační a testovací. Funguje to podobně, jako když se učíte nějaký nový jazyk nebo nějakou jinou disciplínu. Tím, že algoritmus používá principy neuronů a statistiky, odvozuje výsledky z velkého počtu dat. Jakmile to natrénujete, předáte to druhé části, to je takzvaná validace. Porovnáváte faktický výsledek s tím, co umí neuronová síť. A pokud se vám to dostatečně protíná a dostanete se na zajímavou pravděpodobnost, tak ohlásíte, že to má náležitou přesnost, a začnete výsledek aplikovat v produkčním použití.

Kolik takových pokusů musí proběhnout, než je výsledek natolik uspokojivý, že ho můžete předat zákazníkovi?

V rámci tohoto projektu jsme byli poměrně rychlí a efektivní. V podobných typech bývají takzvaných iterací vyšší desítky. Nám se podařilo dávat správné vstupy a systém se rychle učil, proto jsme se dostali pod nějakých dvacet, než jsme to neuronovou síť naučili.

Může být česká firma v oblasti umělé inteligence konkurenceschopná?

Odpusťte mi trochu laický pohled – ale obecně má člověk pocit, že umělá inteligence je zejména doménou těch největších technologických hráčů, kteří do jejího vývoje investují obrovské miliony dolarů. V čem může být česká firma konkurenceschopná?

Nemáme ten model postavený na tom, že bychom měli nějaký systém nebo software, který popadneme a začneme ho aplikovat. Naši kompetenci máme postavenou na schopnostech týmu aplikovat možnosti různých, dnes používaných platforem. V našem týmu VPT4 je hodně lidí, kteří mají matematické, a nikoli IT základy. Jsme ti, kteří tvoří konkrétní řešení pro jednotlivé zákazníky, ale nemáme nějaký univerzální a prefabrikovaný produkt. Síla týmu není v tom, že bychom měli produkt a prochozenou jednu jedinou cestičku, kterou bychom pořád opakovali. Ale máme metodiku, která umožní uchopit různá témata v oblasti zpracovávání nestrukturovaných dat, jako je obraz, zvuk, a vyhodnotit to na základě toho konkrétního případu. Úplně nevěříme tomu, že někdo má naučenou neuronovou síť, která umí úplně všechno, a bude to všechno růžové, skvělé a výborné. Protože často je základ v tom, že data jsou specifická, a trénování je potřeba k tomu uzpůsobit. Naše jedinečnost je ve schopnosti aplikovat možnosti umělé inteligence a machine learningu ve prospěch konkrétních zákazníků.

Pomáhá vám nějak, že se dlouhodobě pohybuje v oblasti infrastrukturního IT?

Bezesporu. Na projekty tohoto typu máme obrovský výpočetní cluster, což je ohromná výhoda, protože v cloudu by podobné věci byly mimořádně drahé. Máme k dispozici nižší desítky grafických karet, které nám umožňují rychle popsat zadání, vytvořit výstup a poměrně rychle dosáhnout toho, že máme neuronovou síť natrénovanou. Máme dobrou infrastrukturu, která je schopná na grafických kartách neuronové sítě počítat. Všechno, co potřebujeme, máme k dispozici díky vlastnímu bezpečnému datovému centru v Lužicích u Hodonína.

Co s projektem na kontrolu a rychlou opravu děr na silnicích bude dál?

Po dokončení konceptu se z toho stane klasický projekt. Nasadíme ho v následujícím projektu jako produkční záležitost, která se bude běžně využívat pro vyhodnocování snímků.

Čím se tým VPT4 zabývá kromě rozpoznávání obrazu?

Hodně se věnujeme tématu NLP (tuto oblast zná většina z nás, kteří jsme vyzkoušeli chat GPT), což je rozpoznávání textů a přirozeného chování jazyka a generování textů. Stejně tak je pro nás atraktivní oblast DataMesh, na jejímž principu jsou budovány dnešní moderní datové sklady s možností rychlého zpracování velkých dat.

A jak to bude s umělou inteligencí dál?

Dává mi smysl nepoužívat člověka pro rutinní činnosti, v tom vnímám umělou inteligenci jako mimořádného pomocníka, protože to je oblast, která je pro ni vhodná. Ale jinak je to na obrovskou debatu. Zatím jsme to my, kdo určuje, co mají stroje udělat. Problém nastane ve chvíli, kdy tomu začne být naopak. Už dnes kolem sebe vidíme, jak efektivně se dá AI zneužívat třeba v oblasti dezinformací a manipulací s veřejným míněním. Ale nechci být škarohlíd – jsem přesvědčen, že pozitiva budou výrazně převažovat a že uhlídáme celý proces, při kterém budeme definovat a aplikovat pravidla používání AI.