Jak jsme v Lékárna.cz zrychlili listing nových produktů o 40 % pomocí AI automatizace

Většina firem dnes ví, že by se umělá inteligence dala/měla NĚJAK využít. Jak ale najít konkrétní místo, kde opravdu pomůže? Jak AI využít, aby úkony, které dnes lidem zabírají hodiny, zkrátila na zlomek času? Přesně takové řešení jsme navrhli pro Lékárna.cz.

Šlo o listing nových produktů na e-shopu. Na první pohled běžná interní agenda, na druhý pak proces, ve kterém bylo hodně mravenčí a repetitivní práce, ale taky hodně prostoru pro automatizaci. Pomocí AI jsme zrychlili listingu nových produktů o více než 40 %.

Zpomalit, zanalyzovat, pochopit

U AI automatizací je lákavé začít rovnou řešením. Vezmeme model, napíšeme prompt, připojíme API a něco se vygeneruje. Jenže pak často vznikne nástroj, který sice vypadá zajímavě, ale v běžném provozu příliš nepomůže. Ve Futured chceme nejdřív pochopit práci, kterou má automatizace zlepšit.

Některé z otázek, na které chceme (= potřebujeme) odpovědi:

• Kdo úkon dělá?
• Jak často?
• Co mu zabírá nejvíce času?
• Co je jednoduché?
• Kde je lidský faktor nezbytný?
• Kde jsou citlivá data?
• Kde se v žádné případě nesmí udělat chyba?

Ideální první krok je kombinace úvodního zadání, osobního setkání a workshopu, kterého by se ale neměli účastnit jen manažeři. Potřebujeme mluvit i s lidmi, kteří práci opravdu dělají. Stejně tak je důležité mít u stolu IT člověka nebo tým, který nám řekne, jaké jsou technické možnosti, omezení a kam se řešení může napojit. Dobré je také zapojit UX pohled. Automatizace totiž není jenom to, co se děje na pozadí.

Jak to vypadalo v Lékárna.cz

V Lékárna.cz jsme řešili proces, který začínal různorodými vstupními daty pro listing nových produktů. Tato data měla určitou strukturu, ale nebyla jednotná do té míry, aby šla spolehlivě zpracovat jednoduchým deterministickým postupem. V praxi se objevovaly různé formáty, odlišná úroveň detailu, různé pojmenování informací a někdy i doplňující obsah, který bylo potřeba vzít v úvahu.

Před automatizací se tahle práce dělala ručně. Člověk vzal podklady a postupně z nich připravoval produktový obsah pro e-shop: název produktu, krátký popis, výhody, benefity, parametry a další informace, které má produktová stránka obsahovat. U některých typů produktů navíc nestačilo napsat jen hezký text. Texty se často řídí pravidly, protože se jedná o zdravotnictví. Zkrátka pečlivá práce s podklady, pravidly a kontrolou výsledku.

Nejdřív prototyp, ne velký systém

Když najdeme vhodný proces, nesnažíme se hned postavit finální systém.

Nejdřív chceme rychle ověřit tři věci:

• Umíme z dostupných dat získat dostatečně dobrý výstup?
• Je výstup použitelný pro lidi, kteří s ním budou pracovat?
• Šetří řešení opravdu čas, nebo jen přesouvá práci jinam?

Proto má smysl začít prototypem. Vezmeme několik reálných vstupů a několik očekávaných výstupů. Na nich se postaví první verze, která nemusí být dokonalá. Musí být dost dobrá na to, aby ji lidé mohli vyzkoušet a dát k ní konkrétní zpětnou vazbu. U AI je tento krok extrémně důležitý, protože pokud má být výsledné řešení dobré, nedá se zkrátka navrhnout jen od stolu, ale musí se zkoušet na reálných datech. A hlavně s lidmi, kteří potvrdí (nebo ne), že odpovídá jejich práci.

Prototyp

V Lékárna.cz jsme si vzali několik typických produktů a ukázky toho, jak má vypadat hotový výstup. Na základě toho vznikla první verze nástroje. Nebyl to jen prompt v chatu, ale jednoduchý pracovní nástroj, ve kterém mohl uživatel zadat podklady, spustit zpracování a následně zkontrolovat výsledek.

Cílem nebylo, aby AI hned všechno udělala perfektně, ale zjistit, kde pomáhá, kde dělá chyby a jak má vypadat pracovní postup kolem ní. První verze nám dala zpětnou vazbu, od které jsme se mohli tzv. odpíchnout:

• Zjistili jsme, které části se dají automatizovat dobře.
• Viděli jsme, kde je potřeba doplnit pravidla.
• Vyostřila se místa, kde musí mít člověk stále možnost zasáhnout.

Díky tomu se z prototypu nestala slepá ulička, ale základ pro další iterace. To je mimochodem zkušenost, kterou dnes vidíme u většiny AI projektů:

Samotný prompt bývá jen malou částí řešení. Skutečnou hodnotu často vytváří až systém kolem něj, napojení na interní data, databáze, firemní pravidla, validační mechanismy nebo další služby. Právě tato kombinace z AI experimentu vytváří nástroj, který lze bezpečně používat v každodenním provozu.

Automatizace musí respektovat práci lidí

U podobných projektů není cílem odstranit člověka z procesu, ale odstranit rutinu. Člověk má zůstat tam, kde je potřeba úsudek, kontrola a odpovědnost. AI má pomoct s tím, co je zdlouhavé, opakované a datově náročné.

Proto je důležité, aby měl uživatel nad procesem kontrolu, aby viděl, co se zpracovává. Musí mít možnost doplnit informace. Musí umět výsledek upravit. A hlavně musí rozumět tomu, co se děje. Dobrá AI automatizace není černá skříňka, ale pracovní nástroj, který zapadá do běžného dne lidí, kteří ho používají.

Jak funguje výsledné řešení

Výsledný nástroj funguje jako webová aplikace. Uživatel do ní vloží podklady k novým produktům, vybere potřebný kontext pro generování a může doplnit další informace, které mají být při zpracování zohledněny. Systém pomáhá připravit jednotlivé části produktové stránky, od názvu a krátkého popisu až po výhody, benefity, parametry a další texty, které jsou pro listing potřeba.

Součástí řešení je také práce s pravidly pro konkrétní typy produktů. Některé texty musí respektovat omezení, která určují, co se o produktu může tvrdit. Systém proto pomáhá pracovat s povolenými formulacemi a zohledňuje je při tvorbě výsledného obsahu. V praxi ale nešlo jen o to, aby AI psala hezké texty. U některých kategorií produktů musí obsah splňovat přísná pravidla. (Příkladem jsou zdravotní tvrzení u doplňků stravy. Pokud produkt obsahuje například vitamin C, nelze o něm napsat libovolné tvrzení, i kdyby znělo věrohodně. Používat lze pouze formulace, které jsou pro danou látku oficiálně schválené, kde chybné tvrzení může znamenat nejen nekvalitní obsah, ale i reputační problém nebo vysoké pokuty.)

Neřešili jsme to pouze promptem. Součástí řešení byla integrace s databází schválených zdravotních tvrzení. Systém nejprve identifikoval účinné látky obsažené v produktu, následně pro ně vyhledal odpovídající schválená tvrzení a ta poskytl agentovi jako závazná pravidla při generování textu. Díky tomu AI nevycházela jen z vlastních znalostí modelu, ale z ověřených dat, která byla součástí celého procesu.

Ani tím ale kontrola nekončí. Uživatel má vždy možnost výsledek zkontrolovat a systém zároveň připojuje odkazy na použitá schválená tvrzení. Díky tomu lze snadno ověřit, z jakých podkladů konkrétní formulace vychází.

U podobných řešení totiž nejde o slepou důvěru v AI, ale o vytvoření procesu, který je transparentní, dohledatelný a bezpečný.

Vedle textů se řeší také doplňkové části procesu, například příprava produktových obrázků nebo překlad obsahu do slovenské verze. Důležité ale je, že uživatel nedostává jen izolovaný výstup z AI. Dostává připravený podklad pro reálný listing produktu.

Kategorie a atributy

Další část řešení pomáhá se zpracováním kategorií a atributů. U velkého e-shopu není vždy jednoduché správně určit, jak má být nový produkt zařazen a jaké informace jsou pro něj důležité. Kategorie a atributy mají vlastní logiku a pro člověka to znamená další rozhodování, kontrolu a ruční práci.

Systém proto pomáhá s doporučením vhodných kategorií a atributů na základě dostupných informací o produktu a struktury, se kterou e-shop pracuje. AI tady nepřebírá odpovědnost za finální rozhodnutí, ale připravuje návrh, který může uživatel zkontrolovat a upravit. To šetří čas, ale zároveň zůstává zachovaná kontrola nad obsahem.

Kontrola kvality není detail, ale základ

U klasického softwaru jsme zvyklí psát testy: Když něco změníme, chceme vědět, že jsme nerozbili funkce, které dříve fungovaly. U AI automatizací je to podobné, jen složitější. Výstup není vždy jednoznačný a modely se mohou časem měnit. Mění se jejich chování, kvalita i způsob, jakým reagují na zadání, proto je potřeba mít způsob, jak kvalitu průběžně ověřovat.

V praxi to znamená sbírat referenční příklady, tedy vstupy, u kterých víme, jak má vypadat dobrý výstup. V angličtině se pro takové referenční výstupy často používá slovo „goldens“. V češtině bychom mohli říct zlaté vzorky nebo referenční výstupy. Ty pak slouží jako kontrolní sada.

Když změníme prompt, model, pravidla nebo část systému, můžeme ověřit, jestli se výsledek zlepšil, zhoršil, nebo zůstal v přijatelné kvalitě. Stejně důležité je ale ověřovat i to, odkud jednotlivá tvrzení pocházejí. Nestačí, že text působí správně. U regulatorně citlivých oblastí potřebujeme být schopni doložit, na základě jakého pravidla nebo zdroje byla konkrétní formulace vytvořena. Proto je vhodné, aby AI nejen generovala výstup, ale zároveň poskytovala i reference na pravidla nebo data, ze kterých vychází.

Jak jsme to řešili v Lékárna.cz

V průběhu projektu jsme sbírali reálné příklady vstupů a očekávaných výstupů. Postupně z nich vznikaly referenční případy, na kterých se dalo ověřovat, jestli systém funguje správně. Nešlo jen o technickou kontrolu, že aplikace doběhne bez chyby. Důležité bylo ověřovat kvalitu výsledků:

• Obsahuje text správné informace?
• Respektuje text pravidla pro daný typ produktu?
• Jsou návrhy kategorií a atributů použitelné?
• Odpovídá text nastavenému stylu?

Tato kontrolní sada byla důležitá hlavně při dalších úpravách, protože skutečně funkční AI řešení se vyvíjí: mění se modely, prompty, pravidla i požadavky na výstup.

Bez referenčních případů by každá změna znamenala riziko, že něco nenápadně zhoršíme. Díky průběžné kontrole jsme měli lepší přehled o tom, jak se systém chová, a mohli jsme ho rozvíjet s větší jistotou.

Zpětná vazba z provozu

Samotná kontrolní sada ale nestačí. U AI automatizací je důležité sledovat i to, co se děje v reálném provozu:

• Včas odhalit, kde řešení selhává, tedy kde lidé výstupy často opravují.
• Zjistit, které části jsou pro ně užitečné a které jim naopak přidávají práci.

Teprve živé používání ukáže věci, které se na začátku nedají úplně odhadnout. Přesně proto dává smysl zachytávat zpětnou vazbu přímo v procesu.

Například:

• porovnávat vygenerovaný listing s tím, jak ho člověk nakonec upravil,
• sbírat ruční hodnocení od lidí, kteří s nástrojem pracují,
• sledovat časté typy oprav
• a vyhodnocovat, jestli se určité chyby neopakují.

Taková data pomáhají pochopit, jak dobře řešení opravdu funguje, ne jen jak dobře vypadalo v prototypu.

Zpětná vazba

V Lékárna.cz jsme proto nepracovali jen s prvními referenčními příklady. Sledovali jsme také živou zpětnou vazbu z používání. Sbírali jsme vygenerované listingy a jejich reálně opravené verze. K tomu jsme přidávali i ruční hodnocení od lidí, kteří s výstupy pracovali.

Díky tomu jsme viděli nejen to, jestli systém něco vytvořil, ale i to, kolik práce ještě zůstalo na člověku.

To je důležité, protože podobné řešení není nikdy úplně hotové v den nasazení. Na začátku se snažíme dobře podchytit hlavní pravidla, typické případy a rizika, ale až praxe ukáže, kde se systém může zlepšovat.

Když jsou data o používání dobře zachycená, mohou z nich vznikat konkrétní doporučení:

• Co upravit v procesu.
• Kde změnit pravidla.
• Které části výstupu jsou slabé.
• A kde má automatizace největší přínos.

Živé řešení se musí umět zlepšovat

AI automatizaci je dobré brát jako živý systém, nikoliv jako jednorázově dodaný nástroj, který se předá, a tím práce končí. Modely se mění, vstupy se mění, požadavky se mění a lidé se s nástrojem postupně učí pracovat jinak. Pokud chceme, aby řešení dlouhodobě fungovalo, musí mít způsob, jak se zlepšovat.

Zpětné vazby může být časem hodně. Ruční komentáře, opravy textů, hodnocení výstupů, opakované chyby nebo rozdíly mezi vygenerovanou a finální verzí. To všechno by bylo těžké pravidelně procházet ručně. Dobrá zpráva je, že i tento feedback se dá částečně zpracovávat automaticky. Pokud jsou data správně uložená a popsaná, může systém pomáhat hledat vzorce a navrhovat, kde má smysl proces upravit.

Iterace jsou důležitější než první verze

U AI projektů se často mluví o modelech, promtech a technologiích. V praxi je ale často nejdůležitější schopnost iterovat.

‍První verze ukáže směr. → Lidé ji vyzkouší. → Najdou chyby a řeknou, co je matoucí. Ukážou případy, které jsme na začátku neviděli. → My podle toho upravíme pravidla, rozhraní, zpracování dat i samotné generování.

Tento cyklus se několikrát opakuje a pokračuje i po nasazení. Právě v tom je rozdíl mezi demem a použitelným nástrojem:

Demo ukáže, že něco jde, produkt musí fungovat i ve chvíli, kdy přijde horší vstup, neúplné podklady, zvláštní produkt nebo nečekaný případ. Bez iterací, kontroly kvality a živé zpětné vazby by zůstalo jen u hezké ukázky.

Co jsme si z toho odnesli

Projekt nám dobře ukázal, jak má vypadat smysluplná AI automatizace. Nezačíná technologií, ale procesem. Neřeší všechno najednou, ale začíná konkrétním úzkým místem. Neslibuje, že AI nahradí člověka, ale pomáhá mu dělat práci rychleji, konzistentněji a s menším množstvím rutiny.

Důležité je také zapojení správných lidí. Potřebujeme vhled:

• uživatelů, kteří s nástrojem budou pracovat,
• technický, aby řešení zapadlo do existujícího prostředí,
• UX, aby automatizace nebyla složitější než původní práce.

Když se tyto pohledy spojí a doplní se o průběžnou kontrolu a zpětnou vazbu z provozu, vzniká řešení, které má šanci dlouhodobě fungovat.

Výsledek

Proces listingu se zefektivnil o více než 40 %. To je pro nás důležitý výsledek, protože ukazuje praktický dopad. AI automatizace má největší smysl tam, kde se spojí reálný problém, dobrá znalost procesu, rychlé ověřování na skutečných datech, průběžná kontrola kvality a zpětná vazba z provozu.

Stejně důležité ale je, že projekt neskončil ve fázi prototypu. První verze vznikla jako samostatný nástroj, na kterém jsme společně ověřovali, co funguje, co je potřeba upravit a jak má celý proces vypadat. Jakmile se řešení osvědčilo v běžném provozu, jednotlivé části se postupně integrovaly přímo do interních systémů.

To je podle nás jeden z největších rozdílů mezi demem a úspěšným projektem v rámci AI. Demo ukáže, že něco funguje. Skutečná hodnota ale vzniká ve chvíli, kdy se řešení propojí s existujícími procesy, daty a systémy firmy a začne být přirozenou součástí každodenní práce.

Přesně takové projekty nás baví stavět. Nenasazovat umělou inteligenci pro efekt, ale navrhovat a konkrétní nástroje, které lidem šetří čas a firmám pomáhají dělat práci lépe.

–––

Líbí se vám, jak o technologiích přemýšlíme? ‍

Chcete se s námi pobavit, co bychom mohli vymyslet společně? Napište Lukášovi, který Futured založil:

Lukáš Strnadel – lukas.strnadel@futured.app – ‭+420 605 312 459‬