Az üzleti szoftverek új korszaka
Dan a reggelizőasztalnál kortyolgatta a kávéját, miközben Debbie-t, az új pénzügyes kolléganőt próbálta fürkészni az irodára nyíló ablakon át. Sajnos Debbie egy oszlop takarásában ült, ezért Dannak minden figyelmére szüksége volt, hogy úgy fordítsa a fejét, hogy láthassa. Összerezzent, amikor a telefonja felberregett – push up üzenet: “Az A12-656 gépjármű az AGP Plastics-tól előreláthatólag 20 percet késik.”.
Az üzenet jó érzéssel töltötte el Dan-t. A cég rendszere összeköttetésben van a beszállító GPS lokalizációs rendszerével, és a forgalmi helyzetből nagy pontossággal tudja előre jelezni, hogy mikor ér oda a szállítmány. Ezek szerint még van 25 perce, lehet beugrik Debbie-hez valamilyen mondvacsinált kérdéssel, hacsak…
A telefonra új üzenet érkezett: “Szia Dan, kérlek, menj a 3-as rámpához, Ricknek segítségre van szüksége a kitárolásnál.”
Ennyit a szabadidőről, gondolta bosszúsan Dan, miközben csodálattal töltötte el, hogy a háttérben dolgozó mesterséges intelligencia milyen gyorsan ki tudta tölteni üres idejét egy hasznos feladattal. A raktárosok között heti pontverseny van: a rendszer értékeli a teljesítményüket, például milyen gyorsan, milyen pontosan dolgoznak, és a segítségadásért ráadásul plusz pont jár. Sőt Rick-nek kell segíteni, aki kicsit előrébb jár a pontversenyben.
Felhörpintette a kávéját, majd egy mozdulattal felkelt az asztaltól, fejére emelte a Hololenst, ami azonnal felismerte és köszöntötte: “Szia Dan, mutatom az utat Neked a 3-as rámpához.”
Persze Dan pontosan tudta merre kell menni, hiszen 7 éve dolgozott a cégnél, de így mégiscsak biztonságosabb, a rendszer tudja, ha valahol a targoncák dolgoznak, és figyelmezteti erre, vagy más útvonalon vezeti.
Ahogy közeledett a 3-as rámpához láthatóan Rick is kapott egy üzenetet a Hololensére, mert Dan felé nézett, és biccentett. Dan viszonozta, és már meg is jelent a pick-lista a szeme előtt. Sorban az első elemet mutatta a Hololens a mellette lévő polcon a látóterében kizöldítve a területet, ahová nyúlnia kell, és egy határozott hang mondta a fülébe: 3 dobozt vegyél ki a C256-21-es cikkből. Mire Dan kivette a 3 dobozt, az automata robot a tálcával már ott volt mellette, és bele tudta rakni. Majd ment a következő helyre, amit a Holones mutatott neki. A tizenharmadik pick-lista pozíció kiszedéséig minden rendben ment, de ott a Hololens pirosan villogni kezdett a szeme előtt: “Csak 6 db cikket vettél ki, vegyél ki még 1 db cikket!” Az lehetetlen, gondolta Dan, biztos, hogy 7-et vettem le. Újra megszámolta a tálcán – és tényleg csak 6 db. Vajon honnan tudja ezt a rendszer: a tálcán méri a súlyt vagy a dobozok számát ismeri fel a Hololens? Dan bízott benne, hogy ezért a hibáért nem fog rossz pontot kapni a “Legjobb raktáros” játékban.
18 perc után már egészen jól álltak Rick-kel a picklisták összeszedésével, segítségének köszönhetően a kamion időben el fog tudni indulni.
Ekkor kapta az üzenetet a Hololens képernyőjén: “Az A12-656 gépjármű megérkezett a kapuhoz. Kérlek Dan menj a 12-es rámpához, használd B3-as targoncát.” A Hololens zöld útvonallal mutatta is neki a targoncát, ami kb. 10 méter távolságra volt tőle. A targoncára felszállva a rendszer engedélyezte neki az indítást, és a Hololens mutatta a legrövidebb biztonságos utat a 12-es rámpához. Időben odaért, ezért még volt ideje megnézni, hogy hová javasolja a rendszer az új szállítmány betárolását. Tudta, hogy a mostani szállítmányt gyorsan ki kell majd adnia a gyártásban dolgozóknak, és remélte, hogy egy közeli, jól hozzáférhető helyre kell tennie.
A terminálhoz lépett, és felhajtva a Holones kijelzőjét azt mondta a monitornak: “Raktározási stratégia”. A felvillanó ablakba a szállítólevél számát beírva (amit a Holonensen látott, és megjegyzett) csalódottan konstatálta, hogy nem a legjobb rakhelyre kell betennie cikkeket. A listában azt is hamar felfedezte, hogy miért: a rendszer látja, hogy 30 perc múlva fog érkezni egy másik szállítmány, amit még gyorsabban a gyártásba kell majd adni.
“Akkor biztos azt is én kapom” – gondolta magában, és közben már be is gurult a rakodási helyre a kamion. Megvárta, amíg a sofőr elérhetővé teszi a rakományt, és megindult a targoncával a rámpa felé.
Kb. 3 méterre lehetett, amikor a közben lehajtott Hololens képernyője pirosan villogni kezdett, és a targonca vészfékezést csinált. Dan mérgesen nézett ki oldalra, és rákiáltott a sofőrre:
– Hé öreg, látod ott azt a kamerát? – mutatott a raktár szemben lévő falán egy térfigyelő kamerára? Az a kamera is lát téged, és rohadtul nem jöhetsz be erre a területre, amíg itt vagyok a targoncával!
A sofőr megszeppenve ült vissza a kamionba, és Dan miközben pakolt a targoncával már nagyon megbánta, hogy megint elvesztette a türelmét.
5 évvel ezelőtt volt egy nagyon csúnya baleset, amikor még a rendszer nem üzemelt. Szerencsére nem ő okozta, de akár ő is lehetett volna. Egy megrakott targoncáról nem lehet előrefelé látni, és könnyen megvan a baj.
Dan rekord gyorsasággal betárolta a szállítmányt, és leparkolta a targoncát. Kiszállva a járműből, a Hololens kijelzőjét felhajtva, felsandított a raktár elején lévő óriáskijelzőre, ahol az egyes kamionok által a gyárterületen eltöltött idők látszanak. Az általa kezelt kamion éppen elhagyta a gyárterültetet, és a teljes sor zölden világított.
Egy kamion útját 6 kamera kíséri végig, és a mesterséges intelligencia pontosan kiszámítja, hogy mennyit tartózkodott a rakodási ponton, és összesen a gyár területén. Ez most bőven a tervezett szintidő alatt volt, ezért zöld minden, és ez plusz pontokat jelent Dan-nek a hét dolgozója játékban.
“Meg is nézem mi az állás” – gondolta, de mielőtt kivehette volna a mobilját a zsebéből, valaki gyengéden megkocogtatta a vállát.
- Hello Dan, Debbie vagyok a pénzügyről.
- Tudom. – mondta mosolyogva, és olvadozva Dan.
- Van egy kis gondom ezzel a szállítólevéllel, ami most jött. Nem stimmelnek a mennyiségek a számlán. Ebből a cikkből – mutatott a tabletjén egy sorra Debbie 5 darab jött elvileg, és csak 4 van a számlán.
Dan néhány lépéssel a terminálnál termett, és beírta a cikkszámot a raktári lekérdezésbe.
- 5 darab van beraktározva, de – mondta egy hirtelen ötlettől vezérelve – nézzük meg a rakhelyen, hogy tényleg annyi van-e ott. – mosolygott rá Debbie-re, és már indultak is.
Dan tudta, hogy a rendszer figyelmeztette volna, ha nem 5-öt tárol be, szóval biztosan a szállító cég állította ki rosszul a számlát, de jó messze van gyalog az a rakhely, a rendszer nem fogja háborgatni feladatokkal, mert látja, hogy ügyet intéz, és talán az odaúton végre össze tudja szedni a bátorságát, és meghívja Debbie-t egy vacsorára ma estére…
“You promised me Mars colonies, and instead, I got Facebook”
A Vállalati Digitális Idegrendszer
Cégmenedzsment feladata
A stratégia megalkotása után a cégvezetés már csak rutin, de azért bármikor kialakulhatnak vészhelyzetek, amiket kezelni kell.
Ahogyan az első fejezetben kifejtettem, a cégvezetés ugyanolyan szakma, mint a szántóföldön dolgozó gazda vagy az orvos munkája, ráadásul rengeteg kutatás és információ áll rendelkezésre a céges folyamatokat vezérlő
- emberek,
- végrehajtás,
- és pénz
kontrolljáról. Ezek a feladatok automatizálhatók, és arról is gyorsan információt lehet szerezni, ha valami baj van a működésben, hiszen akkor valami nem a tervek szerint alakul, és erre lehet figyelmeztetni a megfelelő munkatársakat, vagy akár automatikusan javítani a problémát.
Egy “cégvezető mesterséges intellgenciá”-nak tehát semmi mást nem kellene csinálnia, mint ezeket az esszenciális feladatokat elvégeznie érzelmek nélkül. (Illetve bocsánat, az érzelmek és a hormonok informatikai megfelelőinek azért fontos szeperük lesz egy ilyen rendszerben is… , de erről majd később.)
Sajnos, ilyen cégvezető AI még nem létezik.
Az ember néha úgy érzi, hogy az élet bizonyos területein rengeteg innováció jelenik meg, míg más területeken indokolatlanul kevés. Egyik legjobb példa erre az üzleti szoftverek területe, ahol a modern infrastruktúrán az aktuális állapottól 5-10 évvel elmaradt szoftverek futnak általában, még az innovációban elöljáró vállalatoknál is.
Ennek egyik oka lehet, hogy az üzlet nehezen standardizálható (még ipari szinten is), és olyan komplex rendszerekkel lehet csak lefedni az üzleti igényeket, amelyek monolitikussá válnak.
Ha valóban ez a fő ok, akkor a jelenleg felemelkedő Microservices technológia megoldást jelenthet. Ebben az elosztott architektúrában az alkalmazásokat úgy fejlesztik, mint szolgáltatások összességét.
Microservice technológia
Képzeljünk el egy nagy plázát, amit arra építettek, hogy egy adott városrész sokszínű lakosságát kiszolgálják. Bár elvileg felmérhető, hogy az adott populációnak mire van szüksége, de ezek az igények időben akár drasztikusan is változhatnak, ezért olyan univerzális üzlethelyiségeket alakítanak ki a plázában, amelyek a bejárattól közel azonos gyorsasággal elérhetők, és az üzletek mérete és felszereltsége is dinamikusan változtatható. Az üzletek ha nem jól működnek vagy túlhaladottak lesznek, akkor könnyű lecserélni őket egy másikra. Van egy service desk a bejáratnál, ahol az adminisztrátor a beérkező vásárlókat pontosan ahhoz az üzlethez irányítja, ahol a megkapják a kívánt szolgáltatást, vagy amivel leghatékonyabban ki tudják elégíteni a szükségleteiket.
A fenti hasonlatban a Microservice-s technológia szolgáltatásai az üzleteknek felelnek meg és a helyzet a szoftvernél még ennél is kényelmesebb, mert itt a pláza mérete is nőhet vagy csökkenhet, és ezernyi “service desk”-kel lehet teljesen elosztottá tenni a kiszolgálást. Ráadásul minden szolgáltatás adatait látni tudom egy helyen, és olyan mesterséges intelligencia ügynököket tudok telepíteni, akik az adatok elemzésével még hatékonyabbá tehetik a működést.
Elsősorban nem a digitális eszközök integrálása a probléma, hanem a szoftverek bekapcsolása az elosztott rendszerbe. Ennek megkönnyítéséhez a mikroszervíz technológia mellett szükség van arra, hogy a rendszer a felhőben legyen, minden adat ki- és bevihető legyen interfészeken (API) keresztül, és elosztott módon, központi adatfeldolgozás nélkül működjön (headless), amennyire lehetséges.
Composable technológia
Az ún. composable (adaptív moduláris összeállítható)-technológia a fenti ábrán látható technológiák együttes használatával valósítható meg (ez az utolsó fejezetben kerül részletesebb kifejtésre). A composable-technológiával az akadályok elhárulnak, hiszen extrém esetben lehetséges akár azt is megoldani, hogy egy cég pl. kétféle CRM programot használjon két különböző területen (de akár azonos részlegen), és ezek szinkronban tudjanak működni (látszólag ennek nincs értelme, de az elvárás tud nagyon bonyolult lenni az üzleti életben).
Több elterjedt ERP rendszer licenc-politikája költségessé teszi az ilyen rendszerekhez történő külső kapcsolódást (hiszen a modul-kapcsolódásokért is fizetni kell). Véleményem szerint ez változni fog, hiszen az új architektúra előretörése olyan gyors, hogy előbb-utóbb akár ERP rendszert is válthat egy cég, ha az nem támogatja az új trendet.
A composable filozófiában hívők sokkal inkább a platform építésben és a szállítói közösség formálásban érdekeltek. Az egyéni üzleti érdekek nyomása itt nem lesz győztes stratégia. Fel kell adnunk az egoizmusunkat. A Composable Platformnak nyitnia kell a többi szállító és szolgáltató felé, ahol a felek nem egymás legyőzésében, hanem az együttműködésben érdekeltek, még ha rövid távon mindez rontja is az üzleti érdekeiket.
A Microservice-s technológia és felhő kombinációjából bizonyosan az üzleti szoftverek virágzása fog kiemelkedni, és végre az üzleti világ is megkapja az igazi modularizáltságot, a “Lego” élményt. A nagy monolitikus rendszereknél azonban ez csak akkor lesz elérhető, ha újraírják a teljes kódot a mikroszervízes technológia elvei alapján, bár ezek a “legacy” rendszerek egy-egy modulként is megjelenhetnek egy microservice struktúrában. És ez a struktúra teszi azt is lehetővé, hogy például a mesterséges intelligencia képességekhez minden modul, minden funkció hozzá tudjon férni.
Az üzleti szoftverek esetén hasonló paradigmaváltás várható, mint a mobil telefonoknál a NOKIA korszak leáldoztával. Az átalakulás lassabb lesz, már csak azért is, mert itt nem csak egy kütyü érintett. Az említett újdonságok bizonyosan gyökeresen meg fogják változtatni az iparágat, és ma még elképzelhetetlen területeken fognak nekünk segíteni az üzleti szoftverek. Új szállítók fognak feltűnni és berobbanni ezen a színen. Sokan visszasírják a Nokiákat, de ha őszintén magunkba nézünk, elképzelhetetlen lenne már az életünk okostelefonok nélkül.
A composable-architektúra az egyik (de nem az egyetlen) paradigmaváltás, ami lehetővé teheti a mesterséges intelligencia valódi megjelenését a vállalati döntésekben.
Valós idejű adatelérés
A számítógép sokkal jobb a “gondolkodásban”, mint az agyunk, amennyiben sok dolgot egyszerre kell megvizsgálni. A valós idejű döntést sokkal gyorsabban és sokkal pontosabban tudja végrehajtani, és óriási memória-kapcitásával nemcsak a vezető ismereteit, hanem az egész iparág “koponyáinak” tudását fel tudja használni. Fontos azonban, hogy a múltban rögzített adatok mellett látnia kell az éppen aktuális adatokat is, hiszen egy adatnak annál nagyobb a jelentősége minél közelebb van az aktuális időponthoz.
Az alábbi f(x)=e/x függvény gráfja vizuálisan is mutatja, hogy az információ időben elértéktelenedik (a vízszintes időskála egysége az információ formájától függ, kritikus vállalati információknál akár másodperc vagy kisebb egység is lehet), de legtöbbször az információtartalom soha nem éri el a nullát.
A 4. fejezet végén írtunk a SingleStoreDB technológiáról, ami lehetővé teszi, hogy az információt valós időben értelmezze az informatikai rendszer. Ha a composable-szemlélet paradigmaváltás, akkor az OLTP/OLAP struktúra egybeolvadása is biztosan az. Még az üzleti felhasználók sem mindig látják, hogy mennyi korlátot okoz az jelenleg, hogy az ERP-ben tárolt információk csak bizonyos feldolgozás után tudnak a BI-ban megjelenni. A kisebb adatbázisokban próbálják ezt ügyesen elrejteni, de a valósidejűség a mesterséges intelligencia korában elengedhetetlen.
A mindenki által várt AI üzleti felhasználásához tehát – a composable-struktúra mellett – elengedhetetlen a SingleStore adatfeldolgozás. Az új architektúra segítségével az algoritmusok valós időben képesek elemezni az adatokat, mintha a (korábbi hasonlat alapján) plázában mindenki mögött ott lenne egy segítő asszisztens, aki viszi a csomagjait, és tökéletesen ismerve a pláza üzleteit és az üzleten belül a termékeket a lehető legjobb tanácsokkal látja el a vásárlókat, hogy éppen hová kell menniük, ahol a legolcsóbb és legjobb kiszolgálást kapják.
Példa a valós idejű döntéstámogatásra
A 2022-es energiaválság minden közép- európai vállalatvezető emlékezetébe beégett, ezért egyre többen igyekeznek a napelemek és energiatároló megoldások (pl. akkumulátorok) segítségével minimálisra csökkenteni az áramszámlájukat. Ha viszont nem kapcsolódik ehhez valós idejű elemző megoldás, akkor nem tud elég hatékony lenni a rendszer. A Dyntell energiamenedzsment rendszere nem csak az időjárás előrejelzést figyeli, hanem az égbolt felhőmintázatát is és percre pontosan előrejelzi a napelemek teljesítményét. Párhuzamosan elemzi azt is, hogy milyen tevékenységek történnek a vállalatnál: milyen fogyasztók fognak ki- vagy bekapcsolódni, milyen új készletek jönnek, miket visznek el, hányszor fogják kinyitni az ajtót, hol tart a targoncák töltöttsége, a termelési terv optimális-e az energiamenedzsment szempontjából és még sorolhatnám. A sok száznyi szemontot ha nem valós időben vizsgáljuk, akkor csak azt tudjuk megmondani, hogy mit kellett volna másképpen csinálni, hogy ne szökjön az egekbe az energiaszámlánk.
Tanuljunk az evolúciótól
A változás motorja, a mesterséges intelligencia meghökkentő dolgokra képes, de – ahogyan az előző fejezet végén írtam – nem hiszek abban, hogy a jelenlegi AI eszközrendszer elegendő az áttöréshez. Jelenleg elönt minket a híráradat a mesterséges intelligencia új alkalmazásaival kapcsolatban. Ezek a hírek kiemelnek néhány emergens megoldást a tömegből, de amint megpróbáljuk az üzleti életünket átrendezni egy új AI alkalmazás használatára, hamar rádöbbenünk, hogy a cikkben olvasott mesterséges intelligencia a valós üzleti életben legtöbbször egy béna-AI (bullshit-AI) tud lenni. Persze hiszek az AI eszközök megállíthatatlan fejlődésében, és gyakran használom ezeket én is, de jelenlegi formájukban nem fogjuk tudni erre alapozni az üzleti működésünket.
Közhely, hogy az evolúcióban nem a legerősebb, leggyorsabb, legokosabb, stb. győz, hanem az, aki legjobban tud alkalmazkodni a környezeti változásokhoz. Az emberi faj azért tudott az evolúció csúcsává válni, mert az idegrendszere képes újrakonfigurálni önmagát a neuronok közötti kapcsolatok felépítésével és lebontásával. Ezt hívjuk neuroplaszticitásnak, és miután megtanítottuk a modellalkotást a mesterséges intelligenciának, ennek a lemásolása lesz a következő lépés az AGI felé.
Minderre csak akkor lesz lehetőségünk, ha visszatérünk az evolúciós játékszabály gyűjteményhez, az emberi idegrendszer biológiai struktúrájához, és onnan építjük fel újra a már meglévő gépi tanuló elemek felhasználásával a mesterséges intelligencia eszközeinket.
Ahhoz tehát, hogy megalkossuk a Digitális Vállalati Idegrendszert, fel kell térképezni, hogyan működik az idegrendszerünk.
Hogyan működik az igazi idegrendszer?
Fizikai testünk a központi idegrendszer irányítása alatt áll, ami az agyból és a gerincvelőből tevődik össze. Amikor eldöntjük, hogy beülünk az autóba, és elvezetünk a munkahelyünkre, akkor a döntést az agyunk hozza meg és indítja el, viszont a tényleges cselekvésnél már sokkal nagyobb szerepet játszik az autonóm idegrendszerünk, ami öntudatlanul irányítja lépteinket, miközben a garázs felé haladunk, működteti a légzésünket, a szívünket és minden életfunkciónkat.
Míg a gerincvelő az ingerek agyba juttatásáért és a motorikus vezérlésért felelős, az agy végzi
- az érzékelést (érzelmeket is),
- az esztétikai értékelést,
- a döntéshozatalt,
- a cselekvés elindítását,
- és az emlékezést.
Emellett okosan figyelmen kívül hagy és eldob információkat, miközben más infókra fókuszál, és más “agyak”-nak is beszámolhat a fentiekről.
Mindezt egy olyan rendszerrel érjük el, aminek elemei az idegsejtek (neuronok), az agy alapvető jelzésátvivő egységei, melyek összekapcsolódnak egymással. Az emberi agy körülbelül 86 milliárd neuronból áll, amelyek legalább ezer különböző típusba sorolhatók. Mégis az idegsejtek típusainak különbözősége kevésbé fontos tényező az emberi viselkedés bonyolultságában, mint azok szerveződése pontos funkciókkal rendelkező anatómiai körökbe. Valójában az agy egyik kulcsfontosságú szervező elve az, hogy az azonos tulajdonságokkal rendelkező idegsejtek különböző műveleteket, funkciókat hozhatnak létre azáltal, hogy hogyan vannak összekapcsolva.
Ezek a kapcsolatok ún. szinapszisokon keresztül valósulnak meg két idegsejt között, és módosulhatnak is (lebontódnak, felépülnek), ezáltal történik a tanulás és emlékezés. Az idegrendszerünk közel 100 billió szinapszist tartalmaz.
Ezek alapján az idegtudomány két fő terület megismerésére fókuszál:
- Különböző kapcsolódási minták hogyan viszonyulnak a különböző viselkedés-típusokhoz, és
- hogyan módosítják a tapasztalatok az idegsejteket és kapcsolataikat.
Az idegrendszer mellett a hormonális rendszerünk is fontos szerepet játszik a fenti funkciókban (legismertebb talán az érzelmek hormonális befolyásoltsága), ezért gyakran együtt vizsgálják az idegrendszert az endokrin rendszerrel.
Ezek alapján az alábbi képességeknek kell megfelelő reprezentációt keresnünk a vállalati idegrendszer struktúrájában:
- adatgyűjtés,
- szokásos folyamati ciklusok (Business As Usual – BAU) végrehajtása,
- döntéshozatal,
- vezérlés,
- emlékezés,
- fókusz,
- kommunikáció,
- tanulás,
- esztétikai érzékelés,
- érzelem.
A neurobiológia másik nagy kérdése, hogy az egyes funkciókért bizonyos agyi területek felelősek, vagy az agy működése szétosztott feldolgozással történik az egyes területeket összekötő neuronhálózatok mentén. Az ábrán látható struktúrában például a homlok- (frontális) lebeny a rövid-távú memóriáért, mozgásért, beszédért és a jövőbeli tevékenység tervezéséért felel, a falcsonti (parietális) lebeny a szomatikus érzékelésért és a testképért, a nyakszirti (occipitális) lebeny a látásért, a halánték- (temporal) lebeny a hallásért, tárgyak/emberek felismeréséért, ezen belül is az Amygdala és Hippocampus a tanulásért, hosszútávú memóriáért és érzelmekért felelős.
Hasonlóan csoportosítanunk kell a vállalati idegrendszerben is a funkciókat, és logikailag vagy akár hardveresen is elkülöníteni ezeket. Vegyük észre azonban, hogy kétféle szint szükséges a működéshez: a rövid-távú memória feldolgozásnál is szükség van elnagyolt információ-feldolgozási képességre, de a mély analitikai vizsgálat már csak a szűrt input adatokon zajlik.
Bár a területi tagozódás fontos, azt is bebizonyították, hogy az agyunkban pl. az alma gyümölcsről a tudásnak nem létezik egy egyedi koherens reprezentációja. Az agyunk más-más régiói hordoznak arról információt, hogy milyen a színe, rágás közben íze, állaga, hogyan tartjuk az almát a kezünkben, és a szemantikus asszociációkat, mint pl. Apple computer, kígyó, Newton, stb.
Tehát az egyes részeknek összekapcsolódva kell az információt feldolgozni és visszanyerni. (Az AI nyelvi modellekben jártas olvasónak valószínűleg itt beugrik a figyelem mátrix fogalom (lásd: Q, K, V matrices), azonban itt egy általánosabb reprezentációról van szó.)
Az idegrendszer sajátosságai, és így a viselkedés egy része is, az élőlényeknél a genetikai állomány révén öröklődik úgy, hogy a DNS-ben tárolt (örökölt) információ átíródik az RNS-re, majd ez szolgáltatja a kódot a fehérjék szintéziséhez. A fehérjék hatással vannak az idegrendszer fejlődésére és összetételére, ami bizonyíthatóan a viselkedésünkre is hatással van.
A vállalati idegrendszer szerkezete természetesen gond nélkül implementálható egy másik vállalatnál is. De vajon hogyan lehet az adott vállalati idegrendszer neuronhálózataiban és nem struktúrált adataiban rejlő tudás publikus részét átörökíteni egyik vállalatról a másikra?
Vállalati Digitális Idegrendszerhez vezető út
Ahogy láttuk, Bill Gates víziójához, a vállalati idegrendszer megjelenéséhez paradigmaváltásokon át vezet az út:
- A rendszernek a composable-technológia szerint kell működnie, azaz Microservice technológiát kell használnia a felhőben, mindent interfészelni és elosztott módon működni.
- Mindemellett az adatokat SingleStore technológiával kell tárolnia, és
- újra kell gondolni a mesterséges intelligencia rendszer struktúráját annak függvényében, hogy az emberi idegrendszerhez hasonlóan a Vállalati Digitális Idegrendszernek a való világban kell döntéseket hoznia, és itt kell megállnia a helyét.
A Dyntell szerint a fenti paradigma-váltásokkal még a 2020-as években eljuthat az iparág az ERP, a BI és a mesterséges intelligencia rendszerek egyesüléséhez, azaz nem lesz értelme már külön ERP, BI rendszerről beszélni, hanem ezek egyben jelennek meg jelentős AI támogatással, és megszületik a Vállalati Digitális Idegrendszer.
A Vállalati Digitális Idegrendszer működése
Fókuszáljunk a biológiai analógiára, vessük vizsgálat alá, mi felelhet meg az egyes biológiai idegrendszeri feladatoknak a vállalati idegrendszerben.
A testünkben a történéseket az agyunk és az idegrendszerünk menedzseli 5 fontos folyamaton keresztül. Ezek a funkciók arra szolgálnak, hogy a belső világunkat összehangoljuk a külső világgal, azaz alkalmazkodjunk, vagy cselekvéssel tegyük kedvezőbbé a körülményeket magunk számára. Az öt folyamat:
- Érzékelés
- Észlelés, percepció
- Érzelmek
- Gondolatok
- Cselekvés, viselkedés
Az alábbiakban az egyes folyamatokat megfeleltetjük a Vállalati Digitális Idegrendszer 4 rétegének:
- Data Collection Layer (DCL)
- Decision Management Layer (DML)
- Analytical Layer (AL)
- Control and Action Layer (CAL)
és kifejtjük, hogyan feleltethetőek meg ezek a rétegek a fentebb tárgyalt idegrendszeri képességeinknek:
- adatgyűjtés,
- szokásos folyamati ciklusok (Business As Usual – BAU) végrehajtása,
- döntéshozatal,
- vezérlés,
- emlékezés,
- fókusz,
- kommunikáció,
- tanulás,
- esztétikai érzékelés,
- érzelem.
1. Érzékelés
Az érzékelés a receptoraink segítségével történik, és az érzékelés információit az idegrendszer eljuttatja az agyba. A Vállalati Digitális Idegrendszerben az érzékelés az Adatgyűjtő rétegnek – Data Collection Layer (DCL) – felel meg.
A biológiai evolúció olyanra formálta a receptorainkat, hogy az életben maradásunkhoz szükséges ingereket érzékeljük, és ami ebből a szempontból nem olyan fontos (pl. ultraibolya tartomány), azok az információk ne is legyenek érzékelve.
A digitális világban nem tudjuk, hogy mi lesz fontos, és mi lesz lényegtelen, ezért lehetőleg minden adatot be kell gyűjtenünk a vállalat különböző területeiről:
- szenzorok adatai,
- gépekről, eszközökről származó adatok (pl. PLC, SCADA),
- kameraképek,
- dolgozók / fontos cikkek / eszközök helymeghatározása,
- adatok az üzleti rendszerekből (lehetőleg minden üzleti és üzletileg fontos rendszerből pl. üzleti adatbázisok, szerver logok, releváns internetes site-ok).
Az összegyűjtött adatokat valós időben kell eljuttatni a többi réteg felé, ezért a gyűjtött adat feldolgozása és tárolási technológiája kiemelt fontosságú. Ebben a rétegben gyűjtjük be az információt a belső világ állapotáról (üzleti rendszerek adatai), amit a külső világ állapotával kell összhangba hoznunk (tényleges vállalati tevékenység): például ha nem jól vitte fel az adatot a felhasználó, akkor ki kell javítani, vagy ha a tervezett munka akadályoztatva van, akkor az akadályt minél előbb meg kell szüntetni.
2. Észlelés, percepció
Bár az evolúció csak a legfontosabb érzékelési módokat hagyta meg nekünk a megfelelő érzékenységgel (pl. a szagokat a kutyák jobban érzik), de a beérkező információ mennyisége így is óriási. A percepció felel azért, hogy ebben az információ-óceánban kiválasszuk, hogy minek szenteljük a figyelmünket.
A Vállalati Digitális Idegrendszerben két együttműködő réteg felel ezért a feladatért: a Döntési Rétegben (Decision Management Layer (DML)) találhatóak azok a szabályok (üzleti prioritások, döntési fák, stb.), amely alapján eldönthető, hogy a kapott adat mennyire fontos, de az Elemző Rétegben (Analytical Layer (AL)) található általános és speciális gépi tanuló algoritmusok (Generatív AI, regressziók, neurális hálózatok, mélytanuló algoritmusok, stb.) felelősek azért, hogy felderítsék, hogy a beérkező adatokban mi gyanús, rendhagyó vagy – a beépített szabályok szerint – mélyebb elemzésre szorul.
Az idegrendszeri funkciók közül ide tartozik az esztétikai érzékelés is, amit részletesen itt nem tárgyalunk, de véleményem szerint fontos üzleti szerepe lehet, és ezt is a DML és AL rétegek együttműködésével végezzük.
3. Érzelmek
Ha a hormonális rendszert az idegrendszer részének tekintjük, akkor talán a hormonok azok, amik leginkább befolyásolni tudják a pillanatnyi érzelmeinket. Mennyire vagyunk izgatottak vagy nyugodtak, mennyire tudunk fókuszálni, vagy mennyire érezzük magunkat elégedettnek egy elvégzett feladat után.
A Vállalati Digitális Idegrendszerben megkülönböztetünk lokális és globális érzelmi szinteket, ahol az előbbiek csak egy felhasználónak vagy felhasználók egy csoportjának szólnak, míg az utóbbiak az egész vállalatra hatással vannak.
A Dyntellnél kétféle “digitális érzelmet” értelmezünk a Vállalati Digitális Idegrendszerben az elővigyázatossági (alertness) szinteket (ezt az emberi testben az adrenalin és antagonistái kontrollálják) és jutalmazási (rewarding) szinteket (ez a dopamin megfelelője).
A digitális érzelmek minden rétegre hatással vannak, ezért ez a funkciók nem köthetőek egyik specifikus modulhoz sem.
4. Gondolatok
Az agyunk öntudatlanul is elemzi a környezetünkből érkező információkat. Az éppen végzett tevékenységünkkel kapcsolatban például, hogy
- mennyi ideig tarthat,
- a lehetséges következő lépéseket
- és a végső kimenetet.
Ezeket a típusú feladatokat szintén két réteg együttműködő tevékenysége végzi. A Döntési Réteg (DML) azonosítja a tevékenységet és az azzal kapcsolatos adatot, és felhatalmazást ad az Elemző Rétegnek (AL) a vizsgálatra: normaidőben csinálja-e meg a munkatárs a műveletet, van-e annak veszélye, hogy a közeledő targonca elütheti a raktárost a polcsorok között, teljesülhet-e a havi terv a jelenlegi teljesítmény értékekkel?
A rendszer öntanuló képességei révén emlékezik, azaz az elemzésébe beépíti például egy adott dolgozó korábbi munkavégzési adatait, ilyen módon az emlékezés és tanulás idegrendszeri funkciókat is megvalósítja.
5. Cselekvés, viselkedés
Az agyunk vezérelni tudja a viselkedésünket – ez lehet tudatos vagy tudattalan, ahogy fentebb írtuk. A tudatos vezérlés természetesen a Vállalati Digitális Idegrendszerben is az emberi vezetők feladata, de az autonóm feladatokat, amihez jogosultságot biztosítunk a VDI számára, a vállalati rendszerünket vezérelheti: leállítja a gépet, mielőtt meghibásodna, bekapcsolja a kompresszort, ha emelkedik a hűtőházban a hőmérséklet, üzenetet küld a dolgozónak, hogy hová menjen/mit csináljon. A vezérlésért felelős szoftverrész az ún. Vezérlési Réteg (Control and Action Layer (CAL)). Együttműködve a többi réteggel ő van aktív kapcsolatban a “való világgal” és a külső rendszerekkel, tehát ő felel a kommunikációért is. Szintén ő biztosítja a ciklusok folyamatosságát a szokásos üzleti működés biztosítása érdekében.
Kiterjesztett Valóság
A Vállalati Digitális Idegrendszert leginkább a Kiterjesztett Valóság (Mixed Reality) eszközök használata támogatja, ahol a felhasználó egy szemüvegen keresztül – miközben a külvilágot is látja – egy 3-dimenziós virtuális valóságot a szeme elé vetítve mutatja a rendszer, például hogy hová kell mennie, és mit, hová kell tennie a raktárosnak. Ezek az eszközök beszédfeldolgozásra is képesek, detektálják, hogy a felhasználó hová néz, sőt akár az egyes objektumokat is képesek azonosítani.
Az alábbi linken egérmozgatással és -kattintással tudjuk szimulálni mindezt (az oldal betöltődése hosszabb időt vesz igénybe):
Hyper-Connected Enterprise koncepció
Egy vállalatnál a főbb stratégiai döntéseket a vezetőnek kell meghoznia, de a végrehajtást, a folyamatok és munkatársak kontrollját egy információkkal megfelelően ellátott, mesterséges intelligenciával felszerelt üzleti rendszernek is képesnek kell menedzselnie. Ezt a rendszert hívjuk mi Vállalati Digitális Idegrendszernek, aminek a létrehozásával megvalósul a hiperkapcsolt vállalati rendszer, ami a PLC-kből, szenzorokból, kamerákból, dolgozói mobiltelefonokról, logokból, belső és külső adatbázisokból folyamatosan gyűjti az információt, elemzi ezeket, és jogosultságának szintjén képes vezérelni a teljes vállalatot.
A mélyebb megértés érdekében a működési területekre hoztam néhány első nekifutásra is alkalmazható példát alább:
Automatizáció
- ”Generáld le az aktuális szerződésekhez a számlákat, és készíts egy riportot azokról az aktív ügyfelekről, akiknek nincs aktuális szerződésük, vagy probléma van velük!”
- Időszakonként lefut egy elemzés, ami a nyilvántartási (illetve önköltségi) árakat és az eladási árakat hasonlítja össze az adott kedvezmények/kedvezmény szintek figyelembe vételével, és jelzi, hogy mit kellett volna másképpen csinálni, illetve milyen árazási javaslatai vannak.
- Cikkegyenlegben X nap után negatívba futott készletszintekre gyártás vagy beszerzés indítása automatikusan, vagy engedély kérést követően.
Kontrol
Az adatok kontrolján kívül kamerakép-feldolgozás és a dolgozók és/vagy készletek lokációjának meghatározásával a vállalati folyamatok hatékonysága valós időben mérhető:
- Jó helyen van most az adott alkalmazott?
- Végezhetné hatékonyabban a munkáját?
- Történtek lopások az elmúlt időszakban?
Ha ehhez hozzávesszük a gyártó gépekből érkező információkat, akkor például a leállások megkadályozhatók, vagy még a hiba bekövetkezte előtt megállítható egy gép.
Asszisztens
A Microsoft Co-pilot-nak hívja, de általánosan egy intelligens asszisztensként jelenik meg az a fajta AI, ami a felhasználónak a számítógéphez kapcsolódó munka közben próbál segíteni. Ezek általában fejlett társalgási képességgel rendelkeznek (conversational AI), és a felhasználók múltbeli adatai alapján próbálják kitalálni, hogy az aktuális munkatárs éppen mivel foglalkozik, mit próbál adminisztrálni, és javaslatokat, segítséget nyújtanak a számára (recommendation engine). Ez egy kezdeti időszakban gyorsabb munkavállalói betanulást, később automatizációs lehetőségek sorát teszi lehetővé.
Prediktív elemzés
A 4. fejezetben részletesen írtunk a predikcióról, ami szintén a mesterséges intelligencia területéhez tartozik. Ezek a funkciók segíthetnek például az optimális készletszint meghatározásban, az árazásban, a vevőelhagyás csökkentésében, cash-flow előrejelzésben, a vállalati folyamatok elakadásainak előrejelzésében, sőt a prediktív karbantartás előre jelzi, ha valamelyik gépet javítani szükséges, mert hamarosan kritikus hiba várható.
Smart Insights
Generativ AI segítségével lehetőség van automatikus jelentéseket vagy akár műszerfalakat készíteni a nyers adatokból. Mégis a jelenlegi fejlettségi szinten tapasztalataim szerint jobb, ha inkább a felhasználók kezébe adjuk az eszközöket, hogy ők maguk elemezhessék és értelmezhessék az adatokban rejlő információt. Ugyanis az automatikus elemzések sok esetben zátonyra futnak, és csökkenthetik a felhasználók bizalmát a rendszer iránt.
A klaszterezés ún. felügyelet nélküli gépi tanulási technika, amely a címkézetlen adatokat csoportosítja különböző, hasonló adatpontokból álló klaszterekbe. Például a vevőket lehet csoportosítani különböző paraméterek alapján automatikusan (fizetési hajlandóság, profit, rendelési nagyság, stb), de a cikkek, dolgozók, illetve a vállalati adatbázis bármilyen entitásai is hasonló módon csoportokba rendezhetők. Ezeken a klasztereken tudjuk a klaszter-elemzést elvégezni, ahol a kialakított csoportok jellemzőit, viselkedését tudjuk vizsgálni az őket jellemző adatok alapján.
Az értékesítők számára segítség lehet vásárlási szokások, preferenciák vagy demográfiai jellemzők alapján konkrét ügyfélszegmensek kijelölése, lehetővé téve a személyre szabott marketing- és értékesítési stratégiák kialakítását.
A klaszter-elemzést piaci szegmentációra is használják, ahol a vevők hasonlóságai, például vásárlási magatartás és földrajzi elhelyezkedés alapján történik szegmentálás. Ez segíthet a vállalkozásoknak abban, hogy marketing tevékenységeiket hatékonyabban tervezzék meg, és termékeiket és szolgáltatásaikat meghatározott vásárlói csoportokra szabják.
Ebbe a témakörbe sorolható a kiugró adatok elemzése is, ahol a szokásostól eltérő viselkedést vizsgáljuk, kiderítve a véletlen vagy szándékos hibákat az adatbázisban.
Nagy cégek marketingesei a hangulat-elemző szoftverekre támaszkodnak, hogy valós időben megtudják, mit gondolnak az ügyfelek a vállalat márkájáról, termékeiről és szolgáltatásairól, és az eredmények alapján azonnali intézkedéseket tegyenek. Beállíthatják a szoftvert úgy, hogy riasztásokat küldjön, ha bizonyos kulcsszavakhoz negatív érzelmeket észlelnek.
Az érzelem-elemzés a kifejezésben lévő szubjektív információkat, azaz a véleményeket, értékeléseket, érzelmeket vagy attitűdöket vizsgálja egy témával, személlyel vagy entitással kapcsolatban. A kifejezéseket pozitív, negatív vagy semleges kategóriákba lehet sorolni. Például: „Nagyon tetszik a honlap új dizájnja!” → Pozitív.
Tudásmegosztás
A szervezeten belül a belső tudásanyag feldolgozása jelentős versenyelőnyt jelenthet a konkurenciával szemben. Ezeket az információkat az Elemző Réteg GenAI algoritmusai kezelik, azonban a dokumentumokat fontos rendszerezni jogosultsági körök szerint, majd pedig egy kidolgozott módszertannal végezni a tanítást. Ha jól rendszerezzük a tartalmakat, és a “feltanítás” folyamata is megfelelő, akkor egy olyan virtuális kollégához jutunk, ami a munkatársaink szinte minden kérdésére választ fog adni munkájuk során.
A feldolgozást a GenAI rendszerek hallucináció elnevezésű tulajdonsága nehezíti, ami azt az érzetet kelti, hogy a kérdéseinkre nem az igaz választ adja a rendszer, vagyis hazudik. Ennek oka elsősorban az, hogy a tanított információ hiányos, vagy nagyobb súllyal szerepelnek benne bizonyos tartalmak, mint az indokolt lenne, míg a rendszer ennek ellenére válaszolni akar a kérdésre valahogyan.
Tapasztalat nélkül ezért nem javasolt a dokumentumok feldolgozásába belevágni, ugyanis ezen a területen sok zsákutcába bele lehet futni. Azt is szoktuk javasolni, hogy első körben csak belső felhasználásra készüljön a rendszer, és ha már ebben a körben megbízhatóan működik, és kialakult az új tartalmak becsatolásának a módszere is, csak ezt követően nyissuk ki az ügyfelek felé.
A hallucináción kívül a másik problémát az okozhatja, hogy mivel mindent meg akarunk tanítani a mesterséges intelligenciának, az üzleti titkaink is a tudásanyagba kerülhetnek, és ezt külsős kérdezővel (illetve bizonyos belső szinteken) nem szabad megosztani. Amennyiben ezzel a kihívással is sikerül megküzdeni, akkor egy olyan AI helpdesk alakítható ki, ami az ügyfelek felé történő információszolgáltatást forradalmasítja.
Tervezés, ütemezés, mesterséges intelligenciával támogatott szimuláció
A vállalatmenedzsment fontos feladata az optimalizálás, a tervezés és az ütemezés, ezért a vállalati idegrendszerben ezeket a feladatokat is kezeljük az elemző Réteg Optimalizáló és Gépi Tanuló algoritmusaival.
Ha a megrendelések kiszállítását vagy legyártását kell ütemeznünk, akkor egy bizonyos üzleti méretnél folyamatos kapacitásproblémákkal szembesülünk: nincs elegendő ember, nincs elegendő készlet, nincs elegendő gép, nincs elég idő. Ekkor nagyon fontossá válik a kapacitástervezés, amit már egy KKV esetén sem tudunk klasszikus matematikai számítással megoldani, mert sokszor nem létezik teljesen optimális megoldás a problémára. Az ütemezési feladatok megoldására ún. nemlineráris módszereket használunk, amelyeknek részletezése túlmutat jelen anyag keretein.
Itt említjük meg a Vállalati Digitális Idegrendszer szimulációs képességét, amellyel választ lehet adni a “Mi lenne, ha?” típusú kérdésekre, különböző kimeneteket és szcenáriókat szimulálva egy bizonyos vállalati problémára. Nagyobb döntések előtt ezek nélkülözhetetlenek annak érdekében, hogy a való világban történő alkalmazás előtt a megfelelő stratégiákat ki tudja alakítani és próbálni a menedzsment.
Mi kell ahhoz, hogy egy vállalat felépítse a digitális idegrendszerét?
Az ERP önmagában kevés. Egy mindent átfogó intelligens üzleti rendszerre lesz szükség a jövőben, ami támogatja az üzleti folyamatokat, gondoskodik az adatok pontos beviteléről és kezeléséről, szabályok alapján valós időben döntéseket hoz, végrehajtat és mindehhez kontrollt biztosít.
Az utópisztikus rendszer megvalósulásához öt paradigmaváltásnak kell megtörténnie, amelyek szerencsére már csak karnyújtásnyira vannak.
- A mesterséges intelligencia (AI) hangsúlyos szerepet kapjon a vállalati rendszerekben, és lehetőség legyen üzleti szabályok megfogalmazására, ahogyan azt az előző fejezetben kifejtettük.
- Fenti paradigmaváltással együtt egyesülnie kell az ERP + BI + AI rendszereknek. Ez azt jelenti, hogy egy és ugyanazon adatbázisban kell tárolódjanak az adatok, amit a különböző rendszerek a saját szempontjaik szerint tudnak írni/olvasni/elemezni valós időben. Ezt megoldja a SingleStore, de a következő pont szolgáltatja számára az adatokat.
- A vállalatnál elérhető minden adat- és információ-forrást be kell csatornázni az egységes rendszerbe, és elérhetővé kell tenni az ún. döntési réteg mesterséges intelligenciája számára, így kialakítva a vállalati digitális idegrendszert. Ehhez a technológiák adottak, a következő pont adja ehhez a technológiai hátteret.
- A composable filozófia (amit a következő fejezetben részletesen kifejtünk) segítségével valósítható az meg, hogy a folyamatosan változó világban a rendszer rugalmas maradjon, és ne kelljen folyamatosan újraépíteni a nulláról. Jelentős költségmegtakarítást jelent az, hogy a már meglévő elemek beépíthetők az új rendszerbe. Ahhoz, hogy ez megvalósulhasson, a következő pont szükséges.
- A folyamatok pontos definiálása (pl. SIPOC modell segítségével) és az üzleti logika feltérképezése nélkülözhetetlen ahhoz, hogy a composable modellben az egyes elemek megfelelően összeköthetőek legyenek az API rétegen (lásd következő fejezet) keresztül, valamint ahhoz, hogy a vállalat fizikai folyamatait egyértelműen megfeleltethessük a digitális tranzakcióknak. Ha ezt megtettük, akkor ez teszi lehetővé az ötödik paradigmaváltást, vagyis azt, hogy az üzletileg képzett, de programozni nem tudó felhasználók önkiszolgáló módon vezethessék be a vállalati rendszert minimális támogatási segítség igénybevételével a szállító cégtől.
A következő fejezetben a magyar frog-jump-ról lesz szó. Vagyis, hogy egy termelékenységben elmaradott magyar KKV hogyan tud a technológiák megfelelő felhasználásával, vagyonok költése nélkül az élre jutni a digitalizációs versenypályán.