V prvním blogu nového roku bych chtěl propojit dvě věci, kterým se dlouhodobě věnuji a to je inovační management a využití umělé inteligence. Generativní umělá inteligence dokáže novým přístupům otevřeným firmám značně zefektivnit inovační proces. Loňský rok jsem řadu oblastí osobně prozkoumával a v několika příspěvcích jsem již některé poznatky prezentoval. Nyní bych chtěl tuto problematiku pojmout trochu více uceleně. Bude to pravděpodobně ve více než v jednom newsletteru.
V tomto čísle se budu primárně věnovat první oblasti Inovačního hodnotového řetězce, tedy: opakovanému, dlouhodobému generování nových idejí. Konvertování vybraných idejí do inovací, které jsou schopny přinést klientům a firmě dostatečnou hodnotu a jejich komercializaci si pak ponechám pro příští newsletter.
Knowledge Brokering Cycle (KBC)
Při generování nových idejí může umělá inteligence, pakliže je dobře využita, hrát významnou roli. Schválně nepoužívám slovo správně, protože v této vysoce kreativní oblasti, nic jako správně neexistuje. Je jen mnoho cest, po kterých lze jít k cíli, a ten také není nikdy zcela konstantní. Inovační proces má mnoho proměnných, které způsobují, že není deterministický.
Knowledge Brokering Cycle (Hargadon & Sutton, HBR 05/2000) je cesta pro opakující se získávání nových idejí a jejich konverzi do inovačních aktivit, ve které rozlišujeme čtyři navzájem provázané praktiky. Zavedením tohoto přístupu k idejím, umožníme firmě být inovativní v dlouhém časovém horizontu. To je ostatně jediný způsob, jak může firma dlouhodobě prosperovat. První praktika je schopnost dávat dohromady nové ideje. Ideje máme buď vlastní, tedy máme nějaký nápad, na začátku života firmy často intuitivně, následně se sofistikovanějším způsobem jako R&D zabýváme určitou oblastí systematicky. Tento přístup většinou kombinujeme s externacionalizovaným zdrojem inovací, pro který také existuje řada účinných strategií. Druhá praktika je mít přehled o idejích, které jsme již někdy měli, ale ještě v době jejich vzniku pro ně prostě nenazrál čas, a tak jsme je nechali být. Třetí praktikou je schopnost identifikovat ideje jež jsme již uplatnili v rámci nějaké dotažené inovace a nyní zkoumáme jak tyto původní nápady přetavit do něčeho nového. Čtvrtou praktikou je pak schopnost rychle testovat všechny tyto naše ideové koncepty a zavrhnout cestu, která nevede k cíli, bez zbytečného ztrácení limitovaných zdrojů. Je zřejmé, že tyto čtyři postupy nejsou sekvenční, ale firma by je měla uplatňovat provázaně vedle sebe.
V oblasti tvorby a získávání idejí nachází generativní umělá inteligence široké uplatnění. V průběhu loňského roku jsem věnoval několik příspěvků na LinkedIn využití top tier modelů pro ideation fázi vývoje nových produktů a v květnovém článku pro blog jsem se detailně zaměřil na využití GenAI v oblasti User Research. Tyto oblasti již tedy v dnešním článku vynechám a zaměřím se na několik dalších velmi přínosných metod.
Většina firem, zvláště pak firem žijících již delší dobu, zápasí s tím, čemu se říká firemní paměť. Jedná se o schopnost dlouhodobě využívat neustále vznikající data a s kontextem z nich sestavené informace. Firmy samozřejmě ukládají všechny důležité dokumenty, faktem ovšem je, že zřídka se tak děje v oblasti produktového designu. Kdo z lidí, kteří mají na starosti produktové inovace, ideové návrhy nerealizovaných produktů, odmítnuté prototypy vzniklé v prvních fázích vývoje nového produktu uchovává jiným způsobem, než že je má ve svém skicáři (fyzickém nebo elektronickém), který má někde založený v práci a až odejde z firmy, tak u sebe doma. Přitom i ve slepých uličkách, které nikdy nevedly k cíli pro jeden produkt se nachází možná řešení problémů budoucích inovací. Stejně tak vzniká řada myšlenek, které se založí, protože v tu chvíli na ně není čas. A i když existují firmy, které takovéto informace ukládají, je často velmi složité a časově náročné v těchto informacích hledat. Někdy se přidává také jazyková bariéra, kdy nadnárodní firmy s více vývojovými centry často v okrajových pracovních postupech používají pro komunikaci jednoduše lokální jazyk a to hledání v celofiremních knowledge bázích znesnadňuje, protože se do nich nedávají dokumenty jiné než třeba v angličtině.
Jedna z věcí, která odlišuje úspěšné inovátory od těch druhých, je schopnost zužitkovat již jednou vymyšlené věci. V této oblasti hraje AI významnou roli díky možnostem sémantického vyhledávání, případně vyhledávání ve vizuálně uložených informacích.
Co je sémantické, tedy významové vyhledávání? Jedná se o způsob, kdy hledám informace na základě významu, který je obsažen v našem dotazu. Přitom nalezená informace nemusí teoreticky obsahovat žádné slovo, které zahrnoval dotaz. To je zásadní rozdíl oproti běžnému fulltextovému vyhledávání. Díky tomu, že hledám reprezentaci významu vyjádřenou matematicky, vektorem, nejsem také omezen konkrétním jazykem.
Zde je konkrétní příklad. Představte si, že máte znalostní databázi všemožných článků o automobilech. Z nějakého důvodu řešíte problém s přehříváním motoru. Co když se zeptáte jednoduše: "Jak se vypořádat s přehříváním motoru?"
Fulltextové vyhledávání bude hledat přesné výskyty slov "přehřívání" a "motor" (případně jejich variant). Vrátí například tyto dokumenty:
"5 příznaků přehřívání motoru"
"Výměna chladiče motoru při přehřívání"
"Moderní motory a jejich přehřívání"
Ale nezachytí významově související články jako:
"Co dělat, když vám začne vřít chladicí kapalina"
"Problémy s termostatem a jejich řešení"
"Když motor běží příliš horký - průvodce diagnostikou"
Sémantické vyhledávání naopak chápe význam dotazu a vrátí všechny relevantní články, i když neobsahují přesně zadaná slova. Navíc jsou seřazení vždy podle posouzení relevance a je žádoucí je také limitovat pomocí hodnot podobnosti. Tato podobnost je vyjádřena většinou jako cosine úhlu mezi vektorem reprezentujícím dotaz a vektory jednotlivých částí uložených textů. Tedy chci například odpovědi s podobností větší než 0,4 (cosine similarity nabývá hodnot mezi 0-1, kdy hodnoty pod 0,2 jsou většinou zcela nerelevantní). Navržené články pak mohou být zcela jiné:
"Problémy s termostatem a jejich řešení"
"Když motor běží příliš horký - průvodce diagnostikou"
"Co dělat, když vám začne vřít chladicí kapalina"
"5 příznaků přehřívání motoru"
"Údržba chladicího systému v létě"
Sémantické vyhledávání "chápe", že:
"vřící chladicí kapalina" souvisí s přehříváním
"běžící horký motor" je jiný způsob, jak popsat přehřívání
problémy s termostatem jsou častou příčinou přehřívání
údržba chladicího systému je relevantní pro prevenci přehřívání
U reálného hledání samozřejmě pracujeme nejen s nadpisem, ale celým článkem rozděleným do tzv. chunks, tedy kousků. V aplikacích se pak kombinují výhody obou přístupů, jak fulltextového, tak sémantického v tzv. hybridních metodách vyhledávání.
V tuto chvíli je dostupná řada framework, ostatně také jsme jeden vytvořili proto, aby bylo možné všechny výstupy designového procesu mnohem jednodušším způsobem zpřístupnit pro budoucí hledání. Ať už se jedná o audiovizuální záznamy, skici, textové dokumenty v řadě formátů atd. Vyžaduje to samozřejmě nemalé úsilí neboť, aby to mělo smysl, je nutné zpracovat minulost, ale důležité je také tyto postupy nastavit ve firmách pro budoucí využití. V principu se jedná o zpracování různých typů výstupů pomocí několika velkých jazykových modelů (LLM) a jejich přetavení pomocí embedding modelů do vektorů, reprezentujících význam textových a obrazových informací v multidimenzionálním prostoru (většinou 1000-3000 dimenzí podle typu embedderu). Vektorové souřadnice s dalšími metadaty jsou uloženy ve vektorových databázích umožňujících následné sémantické vyhledávání. Vzhledem k masivnímu rozvoji AI technologií je možné vytvořit pro firmu metodiku, která nákladově optimalizovaně pokryje její vlastní inovační proces. Prakticky si vyhledávání můžeme představit jako komunikaci s chatbotem využívajícím technologii zvanou RAG (viz. obrázek). Kdy na rozdíl od nejběžnějšího používání RAG, kdy získáváme pouze odpovědi od LLM, kterou vytvoří na základě rozšíření (augmentace) dotazu z uložených informací podle "podobnosti" vektorů, tak u sémantického vyhledávání nám jde navíc o získání dokumentů, které tento nejvíc významově podobný obsah zahrnují. Co bych chtěl ale velmi zdůraznit je, že úspěšnost vytvoření takovéto znalostní databáze je závislá na schopnosti optimálně zpracovat automatickým nebo semiautomatickým způsobem různé typy výstupů z designového/ inovačního procesu do informací uložených ve znalostní databázi. Firmy by se měly v této oblasti spolehnout raději na zkušené odborníky a vyhnout se mnoha slepým uličkám.
Další možností, která se dlouhodobě prolíná všemi mnou prezentovanými způsoby využití GenAI je nutnost pracovat s těmi nejpokročilejšími modely jako s co-intelligence. Výhodou modelů je, že mají velmi pokročilou znalost v doméně, o které se zde bavíme. Myslím primárně metodickou znalost a tudíž se s nimi velmi dobře řeší všechno, co je silně závislé na použité metodice. Pro oblast inovačního procesu uvedu příklad s metodou SCAMPER. Ideální rozjezdový workshop pro třetí postup v KBC metodě začíná ideálně SCAMPER session. Ilustrace, co je SCAMPER viz. obrázek.
Máte li dobře popsaný stávající produkt, což lze opět velmi dobře dosáhnout s využitím top tier jazykových modelů, lze realizovat SCAMPER session za méně než polovinu času oproti workshopu postaveném čistě na lidech. Teoreticky celou session může provést jeden člověk, ale ze zkušenosti bych to nedoporučoval. Vždy je lepší to řešit s celým design teamem. Co je ale možné pomocí modelu udělat je příprava, 0 round (předkolo) a po session v lidském týmu vyhodnocení, případně rozšíření idejí.
Pro čistě fyzické produkty, lze obdobným způsobem použít metodu TRIZ, která ovšem již vyžaduje lidi vcelku s hlubokou znalostí, ale jazykové modely opět mohou celý proces silně zjednodušit. Já osobně bych TRIZ spíše doporučil jako nástroj k uvažovaní o inkrementálním vylepšení stávajících produktů.
Na závěr jsem si nechal to, co je v KBC metodě jako první praktika, tedy tvorba, generování nových idejí. Jednou z možností je již popsaná externalizace. V předposledním blogu jsem popisoval jeden z možných externích zdrojů, ze kterého mohou firmy benefitovat a to jsou uživatelské inovace. Tyto inovace tvoří absolutní většinu toho čemu inovace říkáme, jen nejsou většinou komercionalizované a tudíž v povědomí lidí. Bylo by velkou chybou nechat tento zdroj volně ležet, když právě generativní AI přineslo nástroje, které nám jednodušeji umožní tyto ideje podchytit. V článku jsem zmiňoval, jak by firmy měly sledovat trendy v diskuzích na fórech jako Reddit, Substack nebo řadě dalších a používat Pyramiding pro identifikaci lead users, kde se dají hledat trendové ideové inspirace. Co jsem, ale nepopisoval, jak to prakticky dělat. Ideálním nástrojem je web scraping, když využívá zároveň generativní umělou inteligenci mluvíme o AI web scraping. Existuje řada otevřených knihoven (kód využívající API na LLM), které umožňují získávat automatickým způsobem potřebné informace z webů. Tyto informace se analyzují, co se týká trendů s využitím jazykových modelů napojených přes API, což celý proces velmi zrychluje. Web crawlery existují řadu let, ale až generativní AI přineslo zásadní posun pokud jde o jejich flexibilitu, rychlost a hlavně "autonomní" schopnost vyrovnat se také s antiscraping opatřeními na řadě webových stránek. Kdo nemá možnost pracovat s otevřenými řešeními, je dostupná řada komerčních produktů nebo cloudových služeb. Ostatně jedna z úspěšných firem Apify je z České republiky.
Co říci závěrem? AI není tím, co zajistí firmě schopnost inovovat. To je potřeba si otevřeně říci. AI je pro firmy nástroj. Nástroj, který mimo jiné umožní, tak jak je řečeno v nadpisu, zefektivnit inovační proces. Zefektivní ho ve smyslu požadavků na zdroje a potřebný čas. Zároveň ve formě co-intelligence přinese top kompetence v této doméně, stejně jako může být katalyzátorem kreativity.
Chcete li tedy zefektivnit váš inovační proces a pomohla by vám naše zkušenost vyhnout se slepým uličkám, neváhejte nás kontaktovat.
Comments