Čtvrtek, 26 prosince, 2024
Domů Blog

AI a VR v moderním zdravotnictví

Autor:
StepankaDostalkova
-
0
doctor with oculus

1      Úvod

Umělá inteligence dnes zasahuje do každodenního života téměř každého člověka. Od využívání mobilních telefonů, přes chytré ledničky, až po sázení a plnění povinností v práci a ve škole. Tato práce se však bude zaměřovat na tu nejdůležitější věc, kterou člověk vlastní – jeho zdraví a jak jsme schopni využívat moderní technologie, jako je umělá inteligence nebo virtuální realita, k tomu abychom se o to zdraví dokázali postarat lépe a efektivněji.

Umělá inteligence (AI) a virtuální realita (VR) se stávají stále významnějšími technologiemi v moderním zdravotnictví. AI nabízí revoluční možnosti v diagnostice, léčbě a prevenci nemocí. Například díky strojovému učení mohou lékaři přesněji diagnostikovat různé choroby, analyzovat obrovská množství zdravotnických dat a navrhovat personalizované léčebné plány. VR na druhé straně umožňuje simulovat různé lékařské scénáře pro trénink zdravotnického personálu, poskytovat terapii pacientům nebo plánovat složité chirurgické zákroky.

Cílem této práce je analyzovat, jak mohou AI a VR přinést konkurenční výhody pro nemocnice a zdravotnická zařízení, a jaké jsou potenciální přínosy investic do těchto technologií. Budeme se zabývat současným stavem využití AI a VR ve zdravotnictví, zkoumat ekonomické aspekty a přínosy a výzvy spojené s jejich implementací.

2      Historie a současný stav AI a VR ve zdravotnictví

2.1    Vývoj AI a VR technologií

Když se podíváme zpět tak umělá inteligence začala být ve zdravotnictví aplikována již v 50. letech 20. století. První významné kroky byly učiněny s vývojem digitálních počítačů a prací průkopníků, jako byl John von Neumann. V 60. letech vznikly první chatboty, jako například ELIZA, který simuloval konverzace s pacienty.  Skutečný pokrok v AI ve zdravotnictví však ale přišel až s rozvojem hlubokého učení (deep learning) na počátku 21. století, kdy se AI systémy staly schopnými analyzovat složité algoritmy a učit se z obrovských datových sad. Například v roce 2017 byla schválena první cloudová aplikace založená na hlubokém učení pro použití v medicíně, což otevřelo dveře pro širší aplikaci AI technologií v diagnostice, léčbě a predikci nemocí (ScienceDirect, 2023)​.

Na druhé straně Virtuální realita se začala ve zdravotnictví objevovat v 90. letech 20. století. Tedy až 40 let po startu využívání AI. Původně byla VR používána především v oblasti kognitivně-behaviorální terapie a tréninku lékařských postupů.

V roce 2009 proběhla první simulovaná operace mozkového nádoru pomocí VR, kterou provedl profesor neurochirurgie Dr. David Clarke. S rozvojem spotřebitelských VR platforem, jako jsou Oculus Rift a HTC Vive, došlo k významnému nárůstu využití VR technologií ve zdravotnictví. Tyto technologie se nyní používají nejen pro chirurgickou simulaci, ale také pro rehabilitaci, trénink lékařského personálu, a dokonce i pro zmírnění bolesti a úzkosti pacientů. VR umožňuje vytvářet interaktivní prostředí, která mohou pomoci pacientům lépe porozumět svému zdravotnímu stavu a terapeutickým postupům, což přispívá k lepší kvalitě péče (Built In, 2023).

2.2    Aktuální aplikace ve zdravotnictví

Nyní se AI a VR stávají nedílnou součástí moderního zdravotnictví, kde přinášejí řadu inovací.Tyto technologie se využívají v různých oblastech zdravotnictví, včetně diagnostiky, léčby a rehabilitace. Níže se podíváme na podrobnější přehled aktuálních aplikací těchto technologií v jednotlivých oblastech.

2.2.1   Diagnostika

AI se v diagnostice osvědčuje zejména díky své schopnosti analyzovat obrovská množství dat a identifikovat vzorce, které by lidskému oku mohly uniknout. Algoritmy hlubokého učení mohou být trénovány na velkých datových sadách zobrazovacích studií, jako jsou rentgenové snímky nebo MRI, a následně mohou detekovat abnormality s vysokou přesností. Například algoritmy AI se používají k detekci nádorů, identifikaci zlomenin nebo diagnostice onemocnění srdce. Podle studie publikované v časopise Nature AI systémy dosahují při detekci rakoviny prsu vyšší přesnosti než lékaři samotní (ScienceDirect, 2023).

2.2.2   Léčba

VR technologie se ve zdravotnictví využívá i k léčbě různých zdravotních problémů. Jedním z nejvýznamnějších využití je v oblasti bolesti a úzkosti, kde VR může pomoci pacientům zvládnout stresové situace a zmírnit bolest. VR se také používá při psychoterapii, například při léčbě posttraumatické stresové poruchy (PTSD) nebo fobií, kde pacienti jsou postupně vystavováni stresovým situacím v kontrolovaném virtuálním prostředí. Například projekt Bravemind na Univerzitě Jižní Kalifornie využívá VR k léčbě veteránů s PTSD tím, že je postupně vystavuje situacím, které jim způsobují úzkost, a pomáhá jim tak zvládnout jejich traumata (Built In, 2023)​.

2.2.3   Rehabilitace

VR a AI technologie se také úspěšně používají v rehabilitaci pacientů. VR může vytvořit simulované prostředí, které pacientům umožňuje procvičovat fyzické aktivity v bezpečném a kontrolovaném prostředí. Například VR hry mohou motivovat pacienty k provádění rehabilitačních cvičení, což může zlepšit jejich fyzickou kondici a urychlit zotavení.

Nadále se používá AI například k monitorování pokroku pacientů a k přizpůsobení rehabilitačních programů jejich individuálním potřebám. Technologie jako Corpus VR umožňují lékařům sledovat pohybová data pacientů a přizpůsobovat úroveň obtížnosti cvičení, aby byly co nejefektivnější (BioMed Central, 2023).

3      Potenciální přínosy AI ve zdravotnictví

3.1    Zlepšení diagnostických procesů

Jedním z klíčových přínosů umělé inteligence ve zdravotnictví je zlepšení přesnosti diagnostiky. Například studie ukázaly, že AI může výrazně zlepšit prognózu pacientů s akutními stavy, jako je například infarkt myokardu, tím, že poskytuje lékařům pokročilé nástroje pro rozhodování a predikci výsledků léčby. Díky strojovému učení je možné analyzovat obrovské množství dat z lékařských záznamů a identifikovat vzorce, které by lidským lékařům mohly uniknout (Cureus, 2023)​

3.2    Personalizovaná medicína

Personalizovaná medicína představuje další oblast, kde AI přináší významné přínosy. Umělá inteligence umožňuje lékařům navrhovat léčebné plány, které jsou specificky přizpůsobeny jednotlivým pacientům na základě jejich genetických informací, životního stylu a dalších zdravotních údajů. AI dokáže analyzovat velké množství dat a identifikovat, které léčebné metody budou nejúčinnější pro konkrétního pacienta. To vede k lepším výsledkům léčby a snížení vedlejších účinků. Například v onkologii se AI používá k analýze genetických profilů pacientů a doporučení personalizované léčby, která je nejvhodnější pro daný typ rakoviny (ScienceDirect, 2023).

3.3    Prediktivní analýza a preventivní péče

Prediktivní analýza je dalším klíčovým přínosem AI ve zdravotnictví. Pomocí prediktivních modelů dokáže AI předpovídat budoucí zdravotní problémy pacientů na základě jejich současných zdravotních dat. To umožňuje lékařům zasáhnout dříve, než se onemocnění plně rozvine, a tím výrazně zlepšit výsledky léčby. Například AI může předpovídat riziko vzniku chronických onemocnění, jako je diabetes nebo srdeční choroby, a navrhovat preventivní opatření, která mohou tato rizika snížit. Tímto způsobem může AI přispět k lepšímu zdraví populace a snížit náklady na zdravotní péči (Frontiers, 2023; Implementation Science Communications, 2023).

4      Potenciální přínosy VR ve zdravotnictví

4.1    Virtuální trénink pro lékaře a zdravotní sestry

AR a VR technologie poskytují realistickou 3D vizualizaci lidské anatomie, což usnadňuje pochopení složitých lékařských konceptů. Lékaři a studenti tak mohou získávat praktické dovednosti v bezpečném a kontrolovaném prostředí. Tento způsob výuky zvyšuje jejich přesnost a jistotu při reálných lékařských zákrocích. Například VR simulace operací umožňuje chirurgům procvičovat složité zákroky bez rizika pro pacienta, což vede k lepšímu zvládnutí technik a postupů (Omnia Health, 2020).

Navíc AR a VR technologie umožňují zdravotnickým profesionálům rychle se seznámit s novými postupy a medicínskými inovacemi v interaktivním prostředí. Tímto způsobem mohou lékaři a další zdravotnický personál zůstat na špici svého oboru a poskytovat nejmodernější péči. Interaktivní tréninkové programy mohou zahrnovat různé scénáře, které simulují reálné situace, čímž podporují lepší uchování informací a adaptaci na rychle se měnící lékařské znalosti (Word-of-Health, 2020).

4.2    Zlepšení péče o pacienty a jejich vzdělávání

Pacienti mohou prostřednictvím AR a VR lépe porozumět svému zdravotnímu stavu a léčebným postupům.Zvyšuje to tak jejich angažovanost a důvěru v léčbu. VR technologie například mohou být použity k zmírnění bolesti a úzkosti během lékařských zákroků nebo při rehabilitaci, což přispívá ke zlepšení celkové kvality péče​ (Omnia Health)​.

AR může pomoci s navigací v nemocnicích a klinikách, což zjednodušuje orientaci pacientů i personálu a zvyšuje efektivitu práce v krizových situacích. Virtuální asistence prostřednictvím AR může také zlepšit orientační zkušenosti v nemocnicích a lékařských klinikách, což zajišťuje, že se návštěvníci lépe zorientují a pochopí poskytované informace​ (Word-of-Health, 2020).

Jedním z konkrétních příkladů využití AR v nemocnicích je aplikace nazvaná ARnatomy, která využívá rozšířenou realitu k tomu, aby pomohla pacientům lépe porozumět jejich zdravotnímu stavu. Pomocí chytrých brýlí nebo mobilních zařízení mohou pacienti vidět 3D modely svých orgánů, což jim umožňuje lépe pochopit, jak fungují a jaký vliv má nemoc nebo zranění na jejich tělo. Tento typ vzdělávání může zvýšit angažovanost pacientů v jejich léčbě a zlepšit jejich dodržování léčebných postupů (Built In, 2023).

4.3    Terapie pomocí VR (např. fyzioterapie, psychiatrie)

Virtuální realita (VR) se stává účinným nástrojem v oblasti terapie, a to jak ve fyzioterapii, tak v psychiatrii. Ve fyzioterapii může VR pomoci pacientům provádět rehabilitační cvičení v interaktivním a motivujícím prostředí. Například VR hry mohou být navrženy tak, aby pacienti prováděli specifická cvičení, která jim pomáhají obnovit mobilitu a sílu po úrazech nebo operacích. Tato forma terapie může být zábavnější a motivující než tradiční cvičení, což vede k lepším výsledkům rehabilitace (Built In, 2023).

V oblasti psychiatrie se VR využívá k léčbě různých psychických poruch, včetně posttraumatické stresové poruchy (PTSD), fobií a úzkostí. VR terapie umožňuje pacientům bezpečně čelit svým obavám v kontrolovaném prostředí. Například pacienti s PTSD mohou být vystaveni simulovaným situacím, které jim způsobují úzkost, a postupně se naučí tyto situace zvládat. Studie ukazují, že VR terapie může být stejně účinná jako tradiční terapeutické metody, přičemž pacienti hlásí snížení úzkosti a zlepšení kvality života (BioMed Central, 2023).

4.4    Simulace a plánování chirurgických zákroků

VR také hraje klíčovou roli v oblasti simulace a plánování chirurgických zákroků. Chirurgové mohou pomocí VR trénovat na simulovaných operacích, což jim umožňuje získat zkušenosti a zlepšit své dovednosti bez rizika pro pacienty. Například VR simulátory mohou být použity k procvičování složitých operací, jako jsou mozkové operace nebo srdeční chirurgie, což zvyšuje přesnost a bezpečnost skutečných zákroků (BioMed Central, 2023).

Kromě toho může VR pomoci při plánování chirurgických zákroků tím, že poskytuje detailní 3D modely pacientova těla, které chirurgové mohou prozkoumat a analyzovat před samotným zákrokem. To umožňuje lékařům lépe se připravit na operaci, identifikovat potenciální komplikace a navrhnout optimální chirurgické postupy. Tento přístup nejen zvyšuje úspěšnost operací, ale také zkracuje dobu zotavení pacientů a minimalizuje riziko komplikací (Built In, 2023)​.

5      Ekonomické aspekty a konkurenční výhody

Investice do AI a VR ve zdravotnictví mohou přinést významné ekonomické přínosy. Nemocnice, které integrují tyto technologie, mohou zlepšit kvalitu péče, zvýšit efektivitu a snížit náklady na provoz. Dlouhodobě může investice do AI a VR zvýšit atraktivitu nemocnic pro pacienty a zdravotnický personál, což poskytuje konkurenční výhodu (Cureus, 2023)​.

5.1    Náklady a investice do AI a VR

Investice do technologií umělé inteligence a virtuální reality ve zdravotnictví mohou být značné, avšak potenciální přínosy často převažují nad počátečními náklady. Náklady na implementaci AI zahrnují vývoj a nasazení softwaru, školení personálu a integraci do stávajících systémů. Podobně náklady na VR zahrnují nákup hardwaru, vývoj softwaru pro specifické lékařské aplikace a školení personálu. Tyto náklady mohou být vysoké, ale díky neustálému technologickému pokroku a zvyšující se dostupnosti se investice do těchto technologií stávají stále dostupnějšími pro nemocnice a zdravotnická zařízení (Cureus, 2023; MDPI, 2021).

5.2    Návratnost investic

Návratnost investic (ROI) do AI a VR technologií ve zdravotnictví může být značná. Efektivnější diagnostika a léčba mohou vést ke snížení nákladů na léčbu, zkrácení doby hospitalizace a snížení počtu komplikací. Investice do AI může přinést návratnost prostřednictvím zlepšené efektivity práce lékařů, optimalizace pracovních procesů a snížení chyb v diagnostice. VR technologie pak mohou zvýšit efektivitu rehabilitačních programů a zlepšit výsledky pacientů, což také přispívá k pozitivní ROI (Cureus, 2023; MDPI, 2021).

5.3    Konkurenční výhody pro nemocnice

5.3.1   Zlepšení kvality péče

Nemocnice, které implementují tyto technologie, mohou nabídnout lepší kvalitu péče. AI může zlepšit přesnost diagnostiky a personalizovat léčbu, což vede k lepším výsledkům pro pacienty. VR může zlepšit terapeutické postupy a rehabilitaci, což přispívá k rychlejšímu zotavení pacientů a zlepšení celkové kvality péče (Built In, 2023; Omnia Health Insights, 2020).

5.3.2   Efektivita a úspora nákladů

Implementace AI a VR může vést k výrazným úsporám nákladů. AI může automatizovat rutinní úkoly, což umožňuje zdravotnickému personálu soustředit se na komplexnější případy. To zvyšuje efektivitu a snižuje provozní náklady. VR může zkrátit dobu rehabilitace pacientů, což vede k úspoře nákladů na dlouhodobou péči (Cureus, 2023; MDPI, 2021).

5.3.3   Větší atraktivita pro pacienty a zdravotnický personál

Nemocnice, které využívají nejmodernější technologie, jsou atraktivnější jak pro pacienty, tak pro zdravotnický personál. Pacienti preferují zařízení, která nabízejí pokročilé diagnostické a léčebné metody, zatímco zdravotnický personál hledá pracoviště, která jsou inovativní a podporují jejich profesní rozvoj. To může vést k vyšší spokojenosti pacientů a personálu a zvýšení reputace nemocnice (Built In, 2023; Omnia Health Insights, 2020).

AR a VR mohou tak být využity i k vytváření poutavých marketingových kampaní, které přitáhnou pozornost pacientů a posílí značku zdravotnického zařízení. Tímto způsobem mohou zdravotnická zařízení zlepšit svou viditelnost a přitažlivost pro potenciální pacienty (Word-of-Health, 2020).

6      Výzvy a překážky při implementaci AI a VR ve zdravotnictví

Implementace AI ve zdravotnictví čelí několika výzvám, včetně technologických bariér, etických a právních otázek a přijetí ze strany zdravotnického personálu. Například zabezpečení dat a ochrana soukromí pacientů jsou kritické aspekty, které je třeba pečlivě řešit. Rovněž je důležité zajistit, aby zdravotnický personál byl dobře vyškolený a připravený na práci s novými technologiemi (Cureus, 2023)​.

6.1    Technologické bariéry

Jednou z hlavních technologických výzev je integrace AI a VR systémů do stávající zdravotnické infrastruktury. Starší systémy a technologie nemusí být kompatibilní s novými AI a VR aplikacemi, což může vést k technickým problémům a vyžaduje značné investice do modernizace. Další technologickou bariérou je potřeba velkých objemů kvalitních dat pro trénování AI modelů. Získávání, správa a zpracování těchto dat může být náročné a časově nákladné (Implementation Science Communications, 2023).

6.2    Etické a právní otázky

Implementace AI ve zdravotnictví vyvolává řadu etických a právních otázek. Jednou z hlavních překážek je potřeba zajištění vysvětlitelnosti a transparentnosti AI rozhodnutí. Lékaři a pacienti potřebují rozumět, jak a proč AI systém dospěl k určitému rozhodnutí. To zahrnuje nejen výsledky, ale i principy, na kterých jsou tyto výsledky založeny, včetně vysvětlení vstupních dat, algoritmických procesů a výstupních výsledků. Kromě toho existují právní a etické výzvy spojené s ochranou osobních údajů pacientů a zajištěním, že AI nástroje splňují všechny příslušné regulace a normy. Zajištění souhlasu pacientů se zpracováním jejich dat je dalším kritickým aspektem, který vyžaduje pečlivé zvažování (BioMed Central, 2023).

6.3    Přijetí ze strany zdravotnického personálu

Další významnou výzvou je přijetí AI a VR technologií ze strany zdravotnického personálu. Mnoho zdravotnických pracovníků může mít obavy z nových technologií, které mohou změnit jejich pracovní návyky. Nedostatek znalostí a dovedností potřebných pro efektivní využívání těchto technologií může vést k odporu a nízkému přijetí. Klíčovým faktorem pro úspěšnou implementaci je tedy poskytnutí adekvátního školení a podpory zdravotnickému personálu, aby se cítili sebejistí a kompetentní při používání AI a VR nástrojů (Cureus, 2023).

7      Závěr

V této práci jsme se zabývali významem a aplikací umělé inteligence a virtuální reality ve zdravotnictví, s důrazem na jejich přínosy, ekonomické aspekty a výzvy spojené s jejich implementací. AI a VR představují revoluční technologie, které mají potenciál výrazně zlepšit kvalitu zdravotní péče, zvýšit efektivitu zdravotnických zařízení a přinést konkurenční výhody.

Umělá inteligence umožňuje přesnější diagnostiku, personalizovanou medicínu a prediktivní analýzu, která může předcházet rozvoji chronických onemocnění. AI tak nejen zlepšuje výsledky léčby, ale také snižuje náklady na zdravotní péči tím, že umožňuje včasné zásahy a preventivní opatření. Virtuální realita přináší inovace v oblasti rehabilitace, terapie a chirurgického plánování. Umožňuje lékařům a zdravotním sestrám trénovat na simulovaných scénářích, čímž zvyšuje jejich dovednosti a připravenost na reálné zákroky.

Investice do AI a VR technologií mohou být značné, avšak návratnost těchto investic je vysoká. Efektivnější diagnostika a léčba vedou ke snížení nákladů na zdravotní péči, zkrácení doby hospitalizace a snížení počtu komplikací. Nemocnice, které implementují tyto technologie, mohou nabídnout vyšší kvalitu péče a atraktivitu pro pacienty a zdravotnický personál. To zvyšuje jejich konkurenceschopnost a reputaci na trhu zdravotnických služeb.

Implementace AI a VR technologií ve zdravotnictví čelí řadě výzev, včetně technologických bariér, etických a právních otázek a přijetí ze strany zdravotnického personálu. Klíčovým faktorem úspěchu je zajištění vysvětlitelnosti a transparentnosti AI rozhodnutí, ochrana osobních údajů pacientů a adekvátní školení zdravotnického personálu. Překonání těchto překážek je nezbytné pro plné využití potenciálu těchto technologií ve zdravotnictví.

Budoucnost AI a VR ve zdravotnictví je velmi slibná. S pokračujícím technologickým pokrokem a zvyšující se dostupností těchto technologií se očekává, že jejich využití bude nadále růst. Další výzkum a inovace v oblasti AI a VR mohou přinést nové možnosti diagnostiky, léčby a rehabilitace, které ještě více zlepší kvalitu a efektivitu zdravotní péče. Klíčovou roli budou hrát také etické a právní rámce, které zajistí bezpečné a odpovědné využívání těchto technologií.

Na závěr můžeme říct, že AI a VR představují zásadní krok vpřed v oblasti zdravotnictví. Jejich správná implementace a využití mohou přinést významné přínosy jak pro pacienty, tak pro zdravotnická zařízení, a tím přispět k celkovému zlepšení zdravotní péče.

1      Zdroje

  Cureus. (2023). A Systematic Review of the Barriers to the Implementation of Artificial Intelligence in Healthcare. Cureus. https://www.cureus.com/articles/170025-a-systematic-review-of-the-barriers-to-the-implementation-of-artificial-intelligence-in-healthcare

  MDPI. (2021). AI-Enabled Framework for Fog Computing Driven E-Healthcare Applications. Sensors. https://www.mdpi.com/1424-8220/21/23/8039

  Built In. (2023). How Virtual Reality in Healthcare Is Changing Medicine. Built In. https://builtin.com/articles/ar-virtual-reality-healthcare

  Omnia Health Insights. (2020). How VR and AR are empowering healthcare industry. Omnia Health Insights. https://insights.omnia-health.com/technology/how-vr-and-ar-are-empowering-healthcare-industry

  BioMed Central. (2023). Explainability for artificial intelligence in healthcare: a multidisciplinary perspective. BMC Medical Informatics and Decision Making. https://implementationsciencecomms.biomedcentral.com/articles/10.1186/s43058-023-00442-2

  Frontiers. (2022). Opportunities and Challenges of Virtual Reality in Healthcare – A Domain Experts Inquiry. Frontiers. https://www.frontiersin.org/articles/10.3389/frvir.2022.837616/full

  Word-of-Health. (2020). AR and VR Applications in Healthcare. Word-of-Health. https://word-of-health.com/

Právní a etické aspekty webscrapingu

Autor:
hort17
-
0
Justice lady

1 Úvod do webscrapingu

Díky digitalizaci napříč světem a odvětvími je k dispozici prakticky neomezený zdroj dat ve formě webových stránek a webových aplikací. Informace obsažené na těchto stránkách dokážou poskytnout firmám podklady pro lepší rozhodování tím i výhodu na trhu. Tato data ale nemusí být použita jen komerčně, ale jsou také často využívána v akademickém výzkumu. Získávání těchto dat je tedy kritickým procesem, který může zajistit úspěch projektu. Problémem je ovšem obrovské množství a typ těchto dat, jde o miliardy gigabytů dat, které nejsou strukturované, nejsou na jednom místě a neustále přibývají nová. Naštěstí, pro uživatele dat se jako řešení nabízí možnost tato data sbírat automaticky, namísto manuálního prohledávání mohou použít techniky webscrapingu. (Krotov, et al., 2020)

Webscraping je technika, která je využívána při dolování znalostí a informací z webu. Tato data jsou následně ukládaná ve strukturované nebo nestrukturované podobě do databáze pro následnou analýzu. Při automatizovaném dolování informací jsou používané scrapery či web crawlery, které přistupují na webové stránky stejně, jako by to dělal běžný uživatel neboli přes uživatelské rozhraní. Scraper následně prohledává obsah daného webu a ukládá relevantní informace. Webscraping může být zásadní zdroj informací a poskytovat informační výhodu při rozhodování poskytnutím velké báze informací, která není běžně dostupná. Problémem může být právní regulace tohoto stahování dat, ale i etický aspekt. (Zhao, 2017)

2 Použití v tématice Competitive intelligence

Cílem prakticky každé firmy je zisk a pro zajištění zisku je potřeba zajistit konkurenceschopnost vůči ostatním firmám na trhu. Některé firmy proto sbírají relevantní informace ohledně konkurenčního prostředí za účelem podpory rozhodování a informovanosti. Samotný proces sbírání, filtrování a zpracování dat k dalšímu využití je často přehlížený a firmy mnohdy nevykládají dostatečné úsilí na zajištění kvalitních a relevantních dat. Tato data by jim přitom mohla poskytnout značný náskok nad konkurencí. Obecně je proces sbírání dat považován za zdlouhavý, a ne vždy vede k užitečným závěrům. (Bulley et al., 2014) 

Jako řešení se může ukázat webscraping, který díky prohledávání veřejného webu dokáže získat potřebná data ohledně tržního prostředí. Příklady dat, které dokáže sesbírat jsou následující:

  • informace o cenové politice konkurence
  • Informace ohledně změn cen konkurence
  • katalogy existujících produktů a jejich hodnocení.
  • Informace týkající se veřejných právních dokumentů, jako jsou veřejné listiny
  • Lokality, ve kterých se konkurence pohybuje

Firma se na základě těchto dat může efektivně rozhodovat a dokáže pružně reagovat na nabídky konkurence z hlediska ceny či kvality. (Zhao, 2017)

3 Implementace

Data, která jsou volně dostupná na internetu se dají označit jako Big Data, jejich objem je extrémně velký, jsou různorodá z hlediska sktruktury, jejich věrohodnost je proměnlivá a jsou dostupná prakticky okamžitě. Proto je webscraping poměrně rozmanitá a náročná činnost, která vyžaduje expertízu v oblasti technologií a zpracování textu. Implementace závisí na požadavcích, která má proces splnit, může jít o vyhledávání specifických informací na pár webech, ale také o stahování tisíců textových dokumentů. Proto je nutné správně dimenzovat technologické řešení podle daného zadání. (Khder, 2021)

Proces webscrapingu se dá rozdělit do čtyř částí:

  • Crawler – načtení dokumentů
  • Parsing a extrakce
  • Formátování
  • Ukládání

V závislosti na implementaci je možné, že zde budou kroky navíc, ale pro přehled stačí tyto čtyři. (Ho, 2020)

3.1 Crawler

První úkol, který je potřeba splnit, je posílání požadavků na specifikovanou webovou adresu za pomoci HTTP dotazu. HTTP je Hyper Text Transfer Protocol, který používají prohlížeče na získání obsahu ze serveru, který pak zobrazují uživateli. Některé scrapery používají http dotazy napřímo a některé používají prohlížeče jako prostředníka, jelikož dokážou pracovat s dynamickým obsahem. (Ho, 2020)

3.2 Parsing a extrakce

Po získání HTML obsahu je potřeba vybrat části obsahu, který je pro potřeby úlohy relevantní. Data jsou často uložena ve stromové struktuře a je potřeba je převést na požadovanou strukturu. K tomu se používají regulární výrazy, specializované knihovny pro zpracování HTML či XPath dotazy. (Ho, 2020)

3.3 Formátování

Tento krok úzce souvisí s krokem extrakce a jsou v něm data transformována do podoby, která je snadno čitelná pro člověka. Často používané formáty jsou JSON, CSV nebo XML. (Krotov a Silva, 2018)

3.4 Ukládání

Při ukládání dat je potřeba vybrat správný typ úložiště na základě datového formátu. Může jít o excely, pokud je dat opravdu málo, či o relační či jiné typy databází.

Z hlediska technologií má uživatel poměrně širokou paletu, ze které může volit. Pokud by šel cestou vlastního řešení, tak se nabízejí dostupné knihovny v Pythonu a R. Jde například o knihovny typu beautiful soup pro Python či rvest pro R. (Krotov a Silva, 2018)

Na trhu jsou ale i již hotová řešení, často v podobě webových aplikací. Jde o služby typu Import.io, což je cloudová služba, která poskytuje mnoho nástrojů na scrapování, extrakci dat, a i jejich následné uložení. Poskytuje také možnosti jako je plánování scrapingu či vizualizace dat. Další příklady mohou být Dexi.io, Octaparse, ParseHub a další. (Krotov et. al, 2020)

4 Právní a etické problémy

Z obecného hlediska není webscraping nelegální, i samotný Google a jiné vyhledávače jsou na něm závislé. Využívají jej totiž pro generování obsahu, který je uživatelům zobrazován při vyhledávání. Před samotným procesem je potřeba vzít v úvahu některé formální aspekty. Například je nutné, aby scraper reagoval na složku Robots.txt, ve které je specifikováno, ke kterým částem webu má mít přístup. Další faktor, na který je potřeba si dát pozor jsou zákony týkající se ochrany dat. Může jít například o GDPR či o americký Privacy Act. (Ho, 2020)

4.1 USA

Ve Spojených státech amerických může potencionálně při webscrapingu dojít k porušení několika zákonů. Od nelegálního nabytí dat, nelegálního přístupu k počítači až po porušení obchodního tajemství. Problematika je ještě složitější kvůli tomu, že USA má mnoho států, které také mohou aplikovat vlastní právní úpravu. Například Kalifornie je známá pro své přísné zákony. (Krotov et. al, 2020)

4.1.1 Nelegální nabytí a použití dat

Ilegální či podvodné použití dat získaných z webscrapingu je zakázán několika zákony. Jde například o Computer Fraud and Abuse Act (CFAA) a zákony implementované na úrovni jednotlivých států. CFAA zakazuje úmyslný neoprávněný přístup k počítači nebo přístup, který překračuje autorizaci. Takovéto jednání může být považováno za trestný čin. Ve více než 60 případech se touto problematikou zabýval soud v kontextu dolování znalostí z webu. Soudy zatím nedospěly jednotného názoru, takže se každý případ musí posuzovat individuálně na základě specifik daného případu. (Krotov et. al, 2020)

4.1.2 Porušení smluvních podmínek

Majitelé často umisťují na web podmínky užívání, které specifikují, jak může být obsah na webu využíván. V právní oblasti se proto používá argument, že majitel stránky může zamezit webscrapingu tím, že ho výslovně zakáže v podmínkách užití. Názor odborníků je ale takový, že aby bylo možné vymáhat tyto smluvní podmínky, musí uživatel webu explicitně souhlasit s uvedenými podmínkami, například kliknutím na tlačítko. Znamená to tedy, že i výslovný zákaz nemusí chránit obsah webu před webscrapingem. Aby mohl Majitel vymáhat škodu po pachateli, tak by navíc musel dokázat, že webscrapingem došlo ke hmotné škodě, aby byla žaloba na porušení smlouvy relevantní. (Paggallo a Sciolla, 2020)

4.1.3 Porušení autorského práva

Dolování a následné využití dat, která podléhají autorskému právu může vést k žalobě za porušení autorských práv, zvlášť pokud jsou data využita k výdělečné činnosti. Autorský zákon ale nezamezuje samotnému scrapingu dat, záleží hlavně na následném využití těchto dat. Pokud spadá využití dat pod „fair use“, například pokud je tento materiál transformován či využit novým originálním způsobem, tak se nemusí jednat o porušení autorských práv. Tyto případy se posazují individuálně, jelikož má každý případ svá specifika. (Krotov et. al, 2020)

4.1.4 Poškození majetku

Během webscrapingu může být na cílovou webovou adresu vysláno velké množství požadavků na data. To může mít za následek dočasné přetížení serveru a tím i odepření služeb zákazníkům. Aby se ale mohl majitel stránek dožadovat náhrady, tak musí dokázat, že mu daná škoda vznikla, což není snadné. Množství požadavků by také muselo být ohromné. Tato problematika se proto často v soudních sporech webscrapingu neobjevuje. (Krotov et al., 2020)

4.2 EU 

Evropská unie se skládá z mnoha států a každý z nich má specifickou legislativu, která by mohla legalitu webscrapingu ovlivňovat. Například je potřeba prozkoumat rozdíly v autorských právech daného státu, ve kterém chceme webscraping aplikovat.

Z pohledu legislativy evropské unie může být scrapováním dat porušeno nejčastěji GDPR. General Data Protection Regulation vytváří právní rámec v evropské unii, který má za cíl zajistit ochranu osobních dat. Ochranu dat označuje za základní právo a zakazuje zpracování osobních údajů, pokud není zpracováno na základě jednoho ze šesti zákonných důvodů. Zákonné důvody jsou například souhlas se zpracováním, veřejný zájem či právní povinnost. Správce dat musí také jasně dát najevo, jaká data zpracovává a jak a za jakým účelem tak koná. (Joshi, 2021)

To se ale týká hlavně přímého sbírání dat, u nepřímého sbírání dat, jako je webscraping se aplikuje směrnice 14 GDPR. Podle ní musí být subjekt, jehož data jsou zpracována, kontaktován ohledně zpracování dat buď do 1 měsíce od nabytí dat, během prvního kontaktu subjektu či při poskytnutí dat další osobě. Má to ale výjimku, kterou je, že poskytnutí informací ohledně zpracování dat není nutné, pokud by to bylo nemožné, či by bylo potřeba neadekvátního úsilí. Vzhledem k objemu dat, který se dá scrapingem získat, by se dala tato výjimka za specifických podmínek uplatnit. (Williamson a Lambertus, 2023) 

4.3 Použití webscrapingu při trénování AI

S velice rychlým rozvojem v oblasti generativních jazykových modelů, který v posledních letech zažíváme je nutné se zaměřit i na zdroj dat, který se pro trénování používá. Jeden z důležitých zdrojů dat pro trénování je právě webscraping. Při trénování jazykových modelů jsou použity miliony dokumentů, na kterých se model učí jazykové vzory a poznatky. Vyvstává ale otázka, zda se výstup těchto modelů dá brát jako nový poznatek z hlediska autorského práva. Touto otázkou se nyní zabývají soudy, státní orgány i Evropská unie. (Gallese, 2024)

5 Etika webscrapingu

Scraping má velké množství aplikací a je často používán jednotlivci, kteří slouží veřejnému zájmu. Scrapování je užitečné i pro majitele webů a dat, jelikož na základě jejich zpracování získávají publikum přes vyhledávače. Novináři používají scrapery pro sběr a analýzu velkého množství informací, aby mohli svému publiku přinést relevantní informace. I přes to se dá tento způsob získávání informací zneužít, může jít o emailový spam až po vydírání. (Paggallo a Sciolla, 2020)

Přehled vybraných etických problémů:

5.1 Reprezentativnost vzorku

Scrapuje-li výzkumník pouze jeden informační kanál, například specifické mediální publikace, můžou být výsledky jeho výzkumu nereprezentativní kvůli specifickému publiku, které předmětem studie. Následný výzkum může dělat chybné závěry o celé skupině lidí a tím je poškozovat. Je proto potřeba brát v úvahu nejenom výsledky z dat, ale i jejich původ a případný bias těchto dat. Příklad může být otázka, zda z chování osob na Facebooku můžeme dělat závěry o jejich běžném životě. (Rao, 2021)

5.2 Nedostatečná transparentnost

Mnozí výzkumníci nejdou do detailu, jak získali data, které jsou předmětem studie. Je tedy možné, že získání těchto dat porušilo podmínky užívání. Toto chování může být přehlíženo, zvláště když nejsou stanovena jasná pravidla, podle kterých by se mělo postupovat. (Rao, 2021)

5.3 Zvýšení latence služeb

Jak již bylo zmíněno, dolování dat vyžaduje vyslání mnoho požadavků na cílový server, což může standardním uživatelům způsobit větší latenci. Toto zahlcení serveru by se také v opravdu velkém množství dalo označit jako DDoS útok. Je potřeba, aby scrapingové projekty byly šetrné k internetové službě a neovlivnili její běžný chod. (Rao, 2021)

5.4 Poškození postavení na trhu

Pokud je služba postavena na poskytování informací a její podnikání stojí na reklamě, tak vyscrapováním jejího obsahu a použití toho obsahu pro vlastní podnikání, může dojít k tomu, že zákazník odejde od původního poskytovatele informací. (Krotov et. al, 2020)

5.5 Zamezení scrapingu

Z druhé stránky ale může být neetické i zamezení scrapingu jako takového. Internet má být otevřený a zamezování může omezovat svobodný přístup k informacím. (Densmore, 2017)

6 Framework pro webscraping

Johnson a Silva na základě jejich práce sestavili sadu otázek, které dokáží napovědět, zda je scrapingový projekt legální a etický. Podobnou sadu vytvořil i Moaiad Ahmad Khder. Vybrané otázky jsou následující:

  • Je k získání dat dostupné API?
  • Je scraping explicitně zakázaný ve smluvních podmínkách webové stránky? 
  • Podléhá obsah webu autorskému právu?
  • Může scraping poškodit webovou stránku či server, na kterém je hostována?
  • Obsahuje složka robots.txt instrukce k tomu co může být a nemůže být předmětem scrapingu?
  • Mohou vytěžená data a způsob jejich použití porušovat ochranu osobních údajů?
  • Může projekt, který vyžaduje těžení dat ohrozit kompetitivnost těžených stránek?

Pokud si dokážeme na tyto otázky odpovědět tak, že splňují požadavky, tak se snižuje pravděpodobnost, že projekt bude podléhat právnímu stíhání či etickým problémům. (Khder, 2021)

Z druhé strany této problematiky pohlíží James Densmore, který vytvořil principy pro majitele stránek. Vybrané body jsou následující:

  • Budu tolerovat scrapování dat, pokud moc nezatěžují server
  • Dříve, než zablokuji scrapování dat, tak se pokusím oslovit majitele scraperu
  • Chápu, že web má být otevřený a scrapování k němu patří
  • Je-li to možné, tak vytvořím veřejné API

7 Známé soudní případy

Meta x Bright Data

Bright Data z platforem Facebook a Instagram vyscrapovala velké množství dat, které následně prodala. Celkem šlo o 615 milionů záznamů o uživatelích. Obsažené informace byly jména, země a informace obsažené na profilech. Meta tuto společnost soudila za to, že údajně použila při scrapingu uživatelský účet, což je ve smluvních podmínkách zakázáno. Metě se toto tvrzení ale nepovedlo dokázat a žalobu zrušila. (Perez, 2024)

eBay vs Bidder’s Edge

Jedna z hlavních funkcí eBay je aukce zboží. Bidder’s Edge je firma, která scrapovala data ohledně cen nabízeného zboží a používala je ve formě srovnávače cen. To umožnovalo jejím zákazníkům snadno porovnávat ceny na stránkách jako je eBay ve srovnání s jinými službami. Množství HTTP dotazů, které bylo na server eBay vysláno bylo přibližně 100 000 denně, což bylo zhruba 1,53 % ze všech požadavků. eBay žaloval úspěšně Bidder’s Edge na základě doktríny narušení movité věci. Na základě toto byly aktivity Bidder’s Edge přerušeny. (Samson, 2024)

Facebook vs Power Ventures

Power Ventures byla služba, která spojovala jendotlivé sociální sítě v jednu platformu. Uživatel jí poskytl přihlašovací údaje k sociálním sítím a Power Ventures integrovala jejich účet na platformu. Podle Facebooku během přihlašování udělala Power Ventures kopii jejich stránky a tím přímo i nepřímo porušilo autorská práva. Facebook proti Power Ventures podal žalobu za porušení autorského práva, DMCA, CFAA, ochranné známky a další. Soud uznal žalobu podle CFAA a podle CAN-SPAM Act. CFAA se zabývá využitím neoprávněné autorizace a CAN-SPAM Act slouží proti rozesílání komerčních emailů, které mají zavádějící obsah. Power Venture podle rozhodnutí soudu mělo zaplatit 3 miliony dolarů. (Shrapiro et al., 2017)

8 Závěr

Webscraping je technika, která je široce využívaná pro získávání informací z webu. Uplatnění má v komerční, ale i akademické sféře. V kontextu Competitive intelligence je webscraping používán pro získávání informací o konkurenci a externím prostředím. Tyto informace můžou být následně využívány pro podporu rozhodování. Technologická implementace je závislá na specifické úloze, jelikož můžou být velké rozdíly ve struktuře dat a jejich objemu.

Z hlediska práva není webscraping ilegální, ale často se pohybuje v „šedé zóně“. Před implementací je potřeba se zamyslet, zda projekt neporušuje některý ze zákonů, například GDPR, autorské právo, ochrannou známku či poškození majetku. Důležitá je i etická stránka projektu, aby projekt neškodil okolí. Může proto být vhodné při posuzování projektu následovat framework pro webscraping, například ten, co byl v této práci zmíněn. Ten stanovuje otázky, které je potřeba zodpovědět a dá se podle nich posoudit legálnost a etičnost projektu.

9 Zdroje

Krotov, V., Johnson, L., & Silva, L. (2020). Tutorial: Legality and Ethics of Web Scraping. Communications of the Association for Information Systems, 47, pp-pp. https://doi.org/10.17705/1CAIS.04724 

ZHAO, Bo. Web Scraping. Online. 2017, s. 3. Dostupné z: https://doi.org/10.1007/978-3-319-32001-4_483-1. [cit. 2024-05-30].

Competitive Intelligence Information: A Key Business Success Factor. Online. 2014, roč. 2014, č. 2. 2014. ISSN 1925-4733. Dostupné z: https://www.academia.edu/67642377/Competitive_Intelligence_Information_A_Key_Business_Success_Factor?auto=download. [cit. 2024-05-31].

AHMAD KHDER, Moaiad. Web Scraping or Web Crawling: State of Art, Techniques, Approaches and Application. Online. International Journal of Advances in Soft Computing. Roč. 2021, s. 24. Dostupné z: https://doi.org/10.15849/IJASCA.211128.11. [cit. 2024-05-31].

KROTOV, Vlad a SILVA, Leiser. Legality and Ethics of Web Scraping. Online. 2018. Dostupné z: https://www.researchgate.net/publication/324907302_Legality_and_Ethics_of_Web_Scraping. [cit. 2024-05-31].

HO, Hoang Phuong Thao. LEVERAGING WEB SCRAPING FOR COLLECTING COMPETITIVE MARKET DATA. Online, Bachelor’s thesis. LAB UNIVERSITY OF APPLIED SCIENCES LTD, 2020. Dostupné z: https://www.theseus.fi/bitstream/handle/10024/352844/Ho_Thao.pdf?sequence=2&isAllowed=y. [cit. 2024-05-31].

PAGALLO, Ugo a SCILLA, Jacopo Ciani. Anatomy of web data scraping: ethics, standards, and the troubles of the law. Online. Roč. 2024, s. 12. Dostupné z: https://deliverypdf.ssrn.com/delivery.php?ID=156082089114108071084095083118112102002054084092007058124026030088064094014089125096027019013002018046016025092064088076081117059084071008033070124011067080028004094019081083091002081013116096118100115016023083077119011117005067088082027083080101006074&EXT=pdf&INDEX=TRUE. [cit. 2024-05-31].

JOSHI, Asmit. Legality of Web Scraping — An Overview. Online. Medium. 2021. Dostupné z: https://medium.com/grepsr-blog/legality-of-web-scraping-an-overview-3cf415885e16. [cit. 2024-05-31].

WILLIAMSON, Neil a LAMBERTUS, Colin. EU: Data scraping – navigating the challenges old and new. Online. Data Guidance. 2023. Dostupné z: https://www.dataguidance.com/opinion/eu-data-scraping-–-navigating-challenges-old-and-new. [cit. 2024-05-31].

DENSMORE, James. Ethics in Web Scraping. Online. Medium. 2017. Dostupné z: https://towardsdatascience.com/ethics-in-web-scraping-b96b18136f01. [cit. 2024-05-31].

GALLESE, Chiara. Web scraping and Generative Models training in the Directive 790/19. Online. Roč. 2024, s. 16. Dostupné z: https://doi.org/10.6092/issn.1825-1927/18871. [cit. 2024-05-31].ko

SHAPIRO, Ilya; BURRUS, Trevor a WATKINS, Devin. Power Ventures v. Facebook. Online. Cato institute. 2017. Dostupné z: https://www.cato.org/legal-briefs/power-ventures-v-facebook. [cit. 2024-05-31].

PEREZ, Sarah. Meta drops lawsuit against web-scraping firm Bright Data that sold millions of Instagram records. Online. Cato institute. 2024. Dostupné z: https://techcrunch.com/2024/02/26/meta-drops-lawsuit-against-web-scraping-firm-bright-data-that-sold-millions-of-instagram-records/. [cit. 2024-05-31].

SAMSON, Martin. Ebay Inc. v. Bidder’s Edge, Inc. Online. Internet Library of Law and Court Decisions. 2000. Dostupné z: http://www.internetlibrary.com/cases/lib_case249.cfm. [cit. 2024-05-31].

Data Governance: přehled trendů pro rok 2024

Autor:
data governance
-
0
turned on monitoring screen

Úvod

V současném digitálním světě se zvyšuje význam správy a řízení datových aktiv. Data Governance je organizací DAMA International definována jako výkon autority a kontroly nad řízením datových aktiv. Organizace si postupně uvědomují, že data nejsou jen vedlejším produktem jejich činnosti, ale strategickým aktivem, které může přinést konkurenční výhodu. Data Governance neboli správa dat, se proto stává zásadním prvkem v podnikových strategiích. Tento koncept zahrnuje celou řadu procesů, pravidel a standardů, které mají za cíl zajistit kvalitu, bezpečnost a dostupnost dat v rámci organizace. (Data Administration Management Association et al., 2017)

Cíle analýzy

Hlavním cílem této analýzy je zhodnotit současný stav a význam správy dat (Data Governance). Zaměřuje se na identifikaci trendů a na hodnocení celkové atraktivity tohoto odvětví a jeho budoucího vývoje. Specifické cíle zahrnují:

  • Analýzu rostoucího významu správy dat.
  • Identifikaci klíčových oblastí a trendů správy dat na základě aktuálních studií a statistik.

Metodologie dosažení cílů

Pro dosažení cílů analýzy bude použita následující metodologie:

  • Prozkoumání odborné literatury, článků a studií týkajících se správy dat (Data Governance).
  • Analýza historického vývoje a aktuálních trendů v oblasti Data Governance s důrazem na významné události a změny.
  • Analýza vývoje a frekvence zmínek o Data Governance od roku 1990 do současnosti s využitím dostupných statistik a grafů.
  • Vyhodnocení výsledků studií jako BARC Data, BI and Analytics Trend Monitor 2024 a predikcí od Gartneru pro oblast dat a analytiky do roku 2028.

Rostoucí zájem o data governance

Napsané zmínky o „data governance“ od roku 1990 ukazují zajímavý trend. Termín „data governance“ se začal objevovat častěji v polovině až koncem 90. let, kdy se začínají rozvíjet praktiky správy dat. V prvním desetiletí 21. století narůstá frekvence, protože digitální data se stávají důležitými pro obchodní operace. Významný nárůst používání v druhém desetiletí 21. století odráží rostoucí důležitost správy dat s příchodem velkých dat, předpisů o ochraně dat (jako GDPR) a obecného důrazu na rozhodování založeného na datech. (Google Books Ngram Viewer, b.r.)

1 Vývoj frekvence používání termínu „Data Governance“ v knihách od roku 1990 do roku 2019

Graf vyhledávání termínu „Data governance“ na Google v období od roku 2004 do května 2024 ukazuje, že zájem o správu dat postupně rostl a v posledních letech dosáhl nových vrcholů. V počátečních letech byl zájem nízký, ale od roku 2008 začal pomalu růst, což odráží rostoucí uvědomění si významu kvalitních dat pro podnikání. Od roku 2015 zájem výrazně vzrostl, pravděpodobně v reakci na rychlou expanzi digitálních dat, přísnější regulační požadavky a dostupnost pokročilých technologií pro správu dat. V posledních letech, zejména během pandemie COVID-19, se význam správy dat ještě více zvýšil. (Google Trends, b.r.)

2 Trend vyhledávání termínu „Data Governance“ na Google v období od roku 2004 do roku 2023

BARC Data, BI and Analytics Trend Monitor 2024 ukazuje, že Data Governance zaujímá podstatnou roli v aktuálních trendech datové analytiky a řízení dat. Data Governance se v roce 2024 umístila na třetím místě v důležitosti, což zdůrazňuje její rostoucí význam pro organizace. Vysoké hodnocení Data Governance svědčí o tom, že organizace stále více investují do strategií a procesů, které zajišťují kvalitu, bezpečnost a dostupnost dat. Rovněž to ukazuje na důraz, který organizace kladou na data jako strategický zdroj pro rozhodování a inovace. Celkově infografika potvrzuje, že data governance je zásadním faktorem pro úspěšné využívání dat v podnikání a technologických strategiích.(BARC, 2023)

Predikce pro oblast dat a analytiky do roku 2028 od Gartneru zdůrazňují rostoucí význam data governance. Do roku 2026 bude 15 % velkých podniků hodnotit propojené governance programy pro efektivní řízení složitých meziorganizačních problémů. Očekává se, že 80 % organizací zavede více datových center v rámci své datové infrastruktury pro sdílení a řízení dat, a 20 % velkých podniků bude používat jednotnou platformu pro správu a automatizaci governance programů. Do roku 2026 se také rozšíří používání podnikových datových katalogů, což sníží adopci analytických katalogů alespoň o 20 %, a počet organizací využívajících aktivní praktiky metadat se zvýší na 30 %. Tyto trendy podtrhují význam Data Governance jako podstatný faktor pro úspěšné využívání dat a analytiky v organizacích. (Sarah James, Alan D. Duncan, 2023)

Hype cycle pro data a analytiku

Hype Cycle for Data and Analytics Governance 2023 poskytuje podrobný přehled o fázích vývoje různých technologií a inovací v oblasti správy dat a analytiky, znázorněných na grafu, který rozděluje tento vývoj do pěti hlavních fází. Na vodorovné ose je zobrazen čas a na svislé ose jsou očekávání. Každá technologie je také označena odhadem, za jak dlouho dosáhne svého vrcholu produktivity, přičemž bílý kruh znamená méně než 2 roky, modrý kruh 2–5 let, tmavě modrý kruh 5–10 let a žlutý trojúhelník více než 10 let. Symbol červeného kříže označuje technologie, které se stanou zastaralými před dosažením produktivní fáze. (Guido De Simoni, Saul Judah, Andrew White, 2023)

Fáze „Innovation Trigger“ je počátečním bodem, kdy se objevují nové technologie, které vyvolávají zájem médií a průmyslu. V této fázi se nacházejí oblasti jako „Connected Governance“ a „D&A Governance Platforms“. Tyto oblasti jsou teprve na začátku svého vývoje, a ještě nejsou široce adoptované ani osvědčené v praxi. (Guido De Simoni, Saul Judah, Andrew White, 2023)

Následuje fáze „Peak of Inflated Expectations“, kde technologie dosahují vrcholu nadsazených očekávání. Zde se nacházejí například „Governance of Digital Twins“, „Augmented MDM“, „AI Governance“ a „Augmented Data Quality“. V této fázi technologie získávají velkou pozornost a očekávání často přesahují reálné možnosti. Investice a zájem o tyto technologie jsou na vrcholu, ale reálné výsledky častokrát nedosahují očekávání. (Guido De Simoni, Saul Judah, Andrew White, 2023)

Ve fázi „Trough of Disillusionment“ dochází k poklesu nadšení, když se projeví problémy s výkonem a adopcí technologií. Technologie jako „D&A Stewardship“ a „Application Data Management“ se v této fázi nacházejí, protože organizace zjišťují, že realita neodpovídá počátečnímu nadšení. Některé technologie mohou být v této fázi dokonce opuštěny. (Guido De Simoni, Saul Judah, Andrew White, 2023)

Fáze „Slope of Enlightenment“ nastává, když se technologie začínají zotavovat z předchozí fáze a organizace začínají získávat reálné zkušenosti a pochopení jejich skutečné hodnoty. Příkladem jsou „Customer MDM „, „Master Data Management“ a „Multidomain MDM Solution“. V této fázi se technologie postupně zlepšují a organizace začínají chápat, kde a jak je lze efektivně využít. (Guido De Simoni, Saul Judah, Andrew White, 2023)

Poslední fáze „Plateau of Productivity“ představuje moment, kdy technologie dosahují široké adopce a prokazují svou hodnotu v praxi. Technologie jako „Product Data MDM“ se zde nachází, protože již prokázala svou užitečnost a stala se běžnou součástí praxe v mnoha organizacích. Adopce těchto technologií je na vzestupu a jejich riziko je výrazně sníženo. (Guido De Simoni, Saul Judah, Andrew White, 2023)

Hype Cycle poskytuje strategické rady pro organizace, kdy investovat do nových technologií a kdy počkat na jejich zralost. Doporučuje se vyhnout investicím do technologií pouze na základě nadšení, ale zároveň neignorovat technologie, které neodpovídají počátečním očekáváním. Organizace by měly být selektivně agresivní a investovat do technologií, které jsou pro jejich podnikání potenciálně přínosné, a využívat Priority Matrix pro hodnocení potenciálních výhod každé inovace. (Guido De Simoni, Saul Judah, Andrew White, 2023)

Innovation Trigger

Inovační spouštěč zahajuje období rychlého vývoje a rostoucího zájmu a může jím být uvedení nového produktu, zlepšení cena/výkon, přijetí respektovanou organizací nebo nárůst mediálního zájmu. Může jít také o vnější podnět mimo IT, jako je nová legislativa nebo ekonomická či politická krize. Některé inovace mají dlouhé období výzkumu a vývoje před dosažením rozhodujícího bodu. Hype Cycle začíná, když dostatečný počet zainteresovaných stran diskutuje o potenciálu inovace. Časový rozdíl mezi spouštěčem a vrcholem je často krátký. Sociální média mají obzvláště krátké období před vrcholem. Indikátory že inovace překonala spouštěč, zahrnují dostupnost k prodeji, omezený počet dodavatelů, potřebu úprav pro provozní prostředí a vysokou cenu. (Understanding Gartner’s Hype Cycles, 2018)

Connected Governance

Propojená správa (Connected Governance) je rámec, který poskytuje agilní reakci na scénáře, které zahrnují více podniků a geografických oblastí. Tento rámec umožňuje představenstvu dohodnout se na odpovědnosti pro aktivity jako je například dodržování GDPR v rozhodujících obchodních procesech. Dotčené orgány správy následně posoudí proveditelnost a dopad těchto požadavků na jejich současné operace. Tým pro propojenou správu musí vytvořit rámec a virtuální organizační strukturu, která zahrnuje zapojené osoby, jejich role a odpovědnosti, definování kritických obchodních procesů a identifikaci ukazatelů výkonu. Rámec využívá části existující správy v organizacích a umožňuje řešit složité problémy bez přidávání dalších vrstev byrokracie. (Guido De Simoni, Saul Judah, 2022; Guido De Simoni, Saul Judah, Andrew White, 2023)

Nicméně propojená správa nemusí být efektivní, pokud existující orgány správy fungují špatně, silové snahy brání výhodám propojené správy nebo se technologické platformy mění a nejsou kompatibilní s budoucími potřebami. Proto je důležité identifikovat strategické otázky vyžadující koordinovanou správu a navrhnout koncept propojené správy s využitím schopností platformy pro správu dat a analytiky. Technologie by neměly bránit propojení organizačních snah, ale měly by být využity k umožnění propojené správy. Tento rámec umožňuje organizacím efektivněji reagovat na měnící se tržní podmínky a nové regulace prostřednictvím koordinované správy a technologií. (Guido De Simoni, Saul Judah, 2022; Guido De Simoni, Saul Judah, Andrew White, 2023)

D&A Governance Platforms

Platformy pro správu dat a analýz (D&A) představují sadu integrovaných technologických funkcí, které pomáhají řídit a spravovat řadu politik týkající se zabezpečení, kvality, přístupu, uchovávání, ochrany osobních údajů a etiky. Poskytuje uživatelské prostředí pro nastavení a prosazování těchto zásad všem relevantním účastníkům. V současnosti je správa a řízení dat nejednotná, protože různé organizace používají různé technologie, což brání úspěchu. Soudržná technologická podpora může výrazně zlepšit všechny aspekty správy. Vedoucí pracovníci v oblasti D&A, kteří přijmou tyto platformy, budou mít prospěch ze schopnosti zmírnit riziko problémů, zvýšené produktivity, efektivity procesů správy a důvěry v data a analytiku. Tyto platformy také přinášejí nové možnosti objevování dat a jejich vztahů. Dále je vhodné minimalizovat počet nasazených nástrojů. (Guido De Simoni, Saul Judah, Andrew White, 2023)

Data Security Governance

Správa zabezpečení dat (DSG) umožňují organizacím posoudit a stanovit priority obchodních rizik spojených se zabezpečením dat, ochranou osobních údajů a dodržováním předpisů. Tímto způsobem mohou organizace zavést efektivní správa zabezpečení dat, které podporují obchodní výsledky a vyvažují rizika. DSG nabízí vyvážený přístup k určení, jak mají být data přístupná a využívána k podpoře obchodních cílů a zlepšení zákaznické zkušenosti, přičemž současně prosazuje vhodná opatření k zabezpečení dat a ochraně osobních údajů, aby se zmírnila rizika. (Guido De Simoni, Saul Judah, Andrew White, 2023)

Adaptive D&A Governance

Adaptivní správa dat umožňuje organizacím flexibilně reagovat na měnící tržní prostředí a efektivně využívat investice, minimalizovat rizika a maximalizovat hodnotu dat. Tento přístup podporuje pružné a pohotové rozhodovací procesy, které reflektují aktuální potřeby a strategie organizace. Adaptivní správa dat a analytiky představuje transformaci způsobů, jakými organizace využívají správu dat a mají z ní prospěch. Přijímání adaptivní správy dat ovlivňuje celou organizaci, nikoliv pouze datové programy. Aby správa dat přinášela obchodní hodnotu, musí být flexibilní a dynamická, aby vyhovovala měnícím se potřebám organizace. Na rozdíl od tradiční správy dat adaptivní přístup umožňuje organizacím lépe vyvažovat omezení a volnost při implementaci změn, což jim umožňuje lépe reagovat na dynamické tržní prostředí a využívat data jako strategický zdroj k dosažení dlouhodobých cílů. Gartner odhaduje, že do roku 2025 selže 80 % organizací, které se pokoušejí rozšířit digitální podnikání, protože nepřistupují ke správě dat moderním způsobem. (Gartner, 2022; Guido De Simoni, Saul Judah, Andrew White, 2023; Laurence Goasduff, 2022)

Data Observability

Data observability je technologie, která umožňuje organizacím neustále monitorovat, sledovat, upozorňovat a řešit problémy s datovou infrastrukturou, čímž snižuje a předchází chybám dat nebo výpadkům systému. Poskytuje přehled o tom, co se pokazilo na základě dohodnutých SLA (Service-level agreement) pro kvalitu a používání dat, hodnotí dopady a doporučuje řešení, čímž zlepšuje spolehlivost dat. Využíváním profilování dat, umělé inteligence nebo strojového učení a aktivních metadat hodnotí kvalitu dat, detekuje problémy, odesílá včasná upozornění, provádí analýzu příčin a poskytuje doporučení k řešení a prevenci problémů. To zajišťuje, že technické týmy mohou udržovat data, předcházet neplánovaným výpadkům a zlepšovat viditelnost kvality dat pro obchodní uživatele. Organizacím se doporučuje otestovat programy pozorování dat, upřednostňovat spolupráci mezi obchodem a IT a demonstrovat hmatatelné výhody sledováním zlepšení kvality dat a provozní efektivity. (Guido De Simoni, Saul Judah, Andrew White, 2023)

At the peak

V období na vrcholu nafouknutých očekávání je inovace hlavním tématem na sociálních sítích. Investoři chtějí mít tuto inovaci ve svém portfoliu, což podporuje vznik podobných společností. Jak se inovace šíří, přední společnosti ji přijímají, aby nezůstaly pozadu. Dochází k hromadnému efektu, kdy je inovace považována za univerzální řešení, bez ohledu na její vhodnost. Posiluje nadšení a tlak na přijetí inovace je intenzivní, často bez úplného pochopení všech rizik. Inovace jsou mnohdy tlačeny na hranici svých možností. Nadšení může trvat několik měsíců až několik let. (Understanding Gartner’s Hype Cycles, 2018)

AI Governance

Správa umělé inteligence (AI governance) je stále více uznávána pro zajištění etického a efektivního využití AI technologií. Správa AI je definována jako struktura pravidel, praktik a procesů, které zajišťují, že technologie AI podporuje a rozvíjí strategie a cíle organizace. Správa umělé inteligence je součástí adaptivní správy dat a analytiky, která se zabývá prediktivní a generativní povahou umělé inteligence. Generativní umělá inteligence a aplikace, jako je ChatGPT společnosti OpenAI, činí správu umělé inteligence nezbytnou. Používání předtrénovaných modelů umělé inteligence násobně stupňuje obavy z možných nebezpečí a rizik. Odpovědná umělá inteligence poskytuje společné mechanismy implementace a dodržování ohledně etiky a bezpečnosti. Důvěryhodnost a transparentnost zavádění AI je zajištěna prostřednictvím vysvětlitelnosti, zmírňování zkreslení, správy modelů a norem. Správa umělé inteligence minimalizuje nesprávné interpretace výsledků AI tím, že důkladně zkoumá důvěryhodnost zdrojů dat a vysvětlitelnost rozhodnutí AI. (Guido De Simoni, Saul Judah, Andrew White, 2023; Mäntymäki et al., 2022)

Augmented MDM

Augmented master data management (MDM) využívá grafovou analytiku, strojové učení a další pokročilé technologie k rozšíření tradičních schopností MDM, což snižuje manuální úkoly v oblasti správy dat. Tento přístup pomáhá nahlédnout do komplexních vztahů mezi aplikacemi a kmenovými daty, umožňující technologii aktivně podporovat adaptivnější a kontextově orientované přístupy k řízení kmenových dat. Augmented MDM je důležitý pro organizace, které chtějí urychlit digitální transformace, zejména pro oblasti zákazníků a produktů. Pomocí strojového učení a grafové analýzy lze identifikovat zdroje kmenových dat, odhalit dříve neznámé vztahy mezi entitami kmenových dat a zrychlit procesy, jako je řešení entit a kvalita dat. Augmented MDM umožňuje zvýšit příjmy díky rychlejšímu zpracování velkých datových souborů a zlepšení provozní efektivity snížením nákladů na provoz MDM programů. Přestože augmented MDM přináší mnoho výhod, je stále ve fázi vývoje, a to jak z pohledu poptávky zákazníků, tak zaměření dodavatelů. Doporučuje se pečlivě zvážit nabídky dodavatelů, kteří se zaměřují především na augmented MDM, a posoudit očekávané obchodní výsledky a případy užití. (Guido De Simoni, Saul Judah, Andrew White, 2023)

Responsible AI

Odpovědná umělá inteligence (AI) je široký pojem, který zahrnuje aspekty správných obchodních a etických rozhodnutí při přijímání AI. Odpovědná umělá inteligence zahrnuje organizační povinnosti a postupy, které zajišťují pozitivní, odpovědný a etický vývoj a provoz AI. V případech, kdy AI nahrazuje lidská rozhodnutí a vytváří nové artefakty, zesiluje jak pozitivní, tak negativní výsledky. Odpovědná AI umožňuje dosáhnout správných výsledků tím, že zajišťuje obchodní hodnotu a současně zmírňuje rizika. Vyžaduje to sadu nástrojů a metod, které jsou přijímány podniky, a stále více zavádí nové předpisy, které vyzývají organizace k odpovědným reakcím. Odpovědná umělá inteligence pomáhá získat důvěru a zajistit dodržování předpisů. Důležitost odpovědné AI stále roste, protože ovlivňuje všechny aspekty života a dotýká se všech vrstev společnosti. Zároveň s tím, jak se AI technologie rychle vyvíjejí, vznikají nové problémy, jako je používání ChatGPT nebo detekce deepfake. Organizace musí kombinovat různé aspekty odpovědné AI, jako je odpovědnost, diverzita, etika, vysvětlitelnost, spravedlnost, zaměření na člověka, provozní odpovědnost, soukromí, dodržování předpisů, řízení rizik, bezpečnost, transparentnost a důvěryhodnost.(Guido De Simoni, Saul Judah, Andrew White, 2023; Mäntymäki et al., 2022)

Governance of Digital Twins

Digitální dvojče je digitální reprezentace reálné entity nebo systému. Správa digitálních dvojčat je zásadní pro dosažení trvalé hodnoty, protože tradiční projektové přístupy k zavádění digitálních dvojčat neudrží hodnotu digitálních dvojčat po dlouhou dobu spojenou s mnoha fyzickými předměty, které představují. Organizace, které spravují digitální dvojčata, budou nejlépe připraveny dosáhnout dobrých obchodních výsledků. Neexistence průmyslových standardů nebo společných integračních rámců pro data, modely, analytiku nebo bezpečnost digitálních dvojčat často vede k jejich izolované správě, namísto integrované správy jako součásti investic. Doporučuje se vytvořit rámec pro správu digitálních dvojčat, která zdůrazňuje odpovědnost, předvídatelnost a transparentnost, a zajišťuje, aby všichni relevantní účastníci věděli, co se od nich očekává, jak budou informováni o výsledcích a jaké kroky budou podniknuty. (Definition of Digital Twin – Gartner Information Technology Glossary, b.r.; Guido De Simoni, Saul Judah, Andrew White, 2023)

Augmented Data Quality

Augmented data quality (ADQ) poskytuje schopnosti pro zlepšení objevování informací, návrhy na další kroky a automatizaci pomocí umělé inteligence (AI), strojového učení (ML), grafové analýzy a analytiky metadat. Tyto technologie mohou pracovat samostatně i společně, čímž vytvářejí síťové efekty, které zvyšují automatizaci a efektivitu řízení kvality dat napříč různými případy užití. ADQ technologie transformují konvenční a časově náročné manuální postupy tím, že zvyšují automatizaci a zlepšují vhledy. Zajištění vysoké kvality dat je zásadní pro datové a analytické snahy, zejména vzhledem k rychlému rozšiřování moderních datových prostředí a naléhavým požadavkům podniků. Augmented data quality umožňuje organizacím zlepšit provozní efektivitu snížením nákladů na provoz programů řízení kvality dat. Přijetí ADQ řešení a využití nových technologií je důležité pro zlepšení integrity dat, správy dat a celkového úspěchu v datovém ekosystému. (Guido De Simoni, Saul Judah, Andrew White, 2023)

Dvanáct trendů Data Governance

Atlan je moderní platforma pro správu dat, která umožňuje týmům efektivně spolupracovat a spravovat data v rámci celé organizace. Atlan integruje různé zdroje dat a poskytuje nástroje pro katalogizaci, profilování, monitorování a správu dat, což usnadňuje jejich nalezení, porozumění a využití. Díky využití umělé inteligence a automatizace Atlan zjednodušuje procesy správy dat, minimalizuje manuální práci a zlepšuje kvalitu dat. Na svém blogu Atlan zveřejnil 12 trendů správy dat pro rok 2024, čímž ukazuje své vedoucí postavení a aktuálnost v oblasti data governance. (The Top 12 Data Governance Trends in 2024, 2023)

Mezi klíčové trendy patří:

•          Využití umělé inteligence a strojového učení při správě dat

•          Ochrana osobních údajů a soulad s novými předpisy

•          Správa kvality dat

•          Správa datových linií a metadat

•          Integrace cloudových řešení

•          Decentralizované modely správy dat

•          Správa dat v reálném čase

•          Data jako služba (DaaS)

•          Zvýšený důraz na etiku dat

•          Spolupráce a zapojení komunity do správy dat

•          Vznik datových jezer a datových katalogů

•          Demokratizace dat

Tyto trendy ukazují směr, kterým se oblast data governance ubírá, a zahrnují nové technologie a přístupy, jako je AI, strojové učení, ochrana osobních údajů, integrace cloudových řešení a další. Každá organizace by měla tyto trendy přizpůsobit svým specifickým potřebám a nesnažit se pouze následovat přehnaná očekávání. Přijetím těchto trendů mohou organizace zlepšit správu dat, splnit regulační požadavky a strategicky využít data k dosažení svých obchodních cílů.

Závěr

Lze konstatovat, že Data Governance se stává nepostradatelným prvkem v organizacích, které usilují o získání konkurenční výhody prostřednictvím strategického využití dat. Od svého vzniku na konci 20. století prošel tento koncept významným vývojem, zejména v reakci na nárůst objemu dat a zavedení přísnějších regulačních požadavků, jako je GDPR. V posledních letech pandemie COVID-19 ještě více zdůraznila potřebu efektivní správy dat.

Současné trendy, jak ukazují různé studie a zprávy, včetně BARC Data, BI and Analytics Trend Monitor 2024 a predikcí od Gartneru, potvrzují rostoucí důležitost Data Governance. Organizace stále více investují do technologií a procesů, které zajišťují kvalitu, bezpečnost a dostupnost dat, což je klíčové pro jejich úspěch. Vývoj v oblasti adaptivní správy dat a nových technologií, jako je AI governance, poskytuje organizacím nástroje pro efektivní a etické využívání dat.

Pro úspěšnou správu datových aktiv je nezbytné nejen sledovat aktuální trendy a technologie, ale také strategicky plánovat jejich implementaci s ohledem na specifické potřeby organizace. Pouze tak mohou organizace plně využít potenciál, který Data Governance nabízí, a dosáhnout dlouhodobého úspěchu v dynamickém a vysoce konkurenčním prostředí.

Zdroje

BARC. (2023). Data, BI and Analytics Trend Monitor 2024. https://barc-research.com/research/bi-trend-monitor/bi-trend-monitor-registration/

Data Administration Management Association, Henderson, D., & Earley, S. (Ed.). (2017). DAMA-DMBOK 2: Data management body of knowledge (Second edition). Technics Publications.

Definition of Digital Twin—Gartner Information Technology Glossary. (b.r.). Gartner. Získáno 28. květen 2024, z https://www.gartner.com/en/information-technology/glossary/digital-twin

Gartner. (2022, duben 11). Why Modern Digital Organizations Need Adaptive Data Governance. Gartner. https://www.gartner.com/en/articles/choose-adaptive-data-governance-over-one-size-fits-all-for-greater-flexibility

Google Books Ngram Viewer. (b.r.). Získáno 26. květen 2024, z https://books.google.com/ngrams/graph?content=data+governance&year_start=1990&year_end=2019&corpus=en-2019&smoothing=3#

Google Trends. (b.r.). Google Trends. Získáno 26. květen 2024, z https://trends.google.com/trends/explore?date=2004-01-01%202024-05-26&q=Data%20governance&hl=cs

Guido De Simoni, Saul Judah. (2022). Connected Governance Drives Adoption of Data and Analytics Governance Platforms. https://anjanadata.com/wp-content/uploads/2023/01/Connected_Governance_766474_ndx-1.pdf

Guido De Simoni, Saul Judah, Andrew White. (2023, červenec 26). Hype Cycle for Data and Analytics Governance, 2023. https://www.gartner.com/doc/reprints?id=1-2EUSIGSM&ct=230831&st=sb

Laurence Goasduff. (2022). Choose Adaptive Data Governance Over One-Size-Fits-All for Greater Flexibility. https://www.gartner.com/en/articles/choose-adaptive-data-governance-over-one-size-fits-all-for-greater-flexibility

Mäntymäki, M., Minkkinen, M., Birkstedt, T., & Viljanen, M. (2022). Defining organizational AI governance. AI and Ethics, 2(4), 603–609. https://doi.org/10.1007/s43681-022-00143-x

Sarah James, Alan D. Duncan. (2023). Over 100 Data and Analytics Predictions Through 2028. Gartner. https://emt.gartnerweb.com/ngw/globalassets/en/doc/documents/over-100-data-and-analytics-predictions-through-2028-1.pdf?_gl=1*mal4rz*_ga*MzkxMDgxMTQyLjE3MTUyNjgyOTA.*_ga_R1W5CE5FEV*MTcxNjc5OTU4NS4zLjEuMTcxNjc5OTYxNi4yOS4wLjA.

The Top 12 Data Governance Trends in 2024. (2023, srpen 4). https://atlan.com/data-governance-trends/

Understanding Gartner’s Hype Cycles. (2018, srpen 20). Gartner. https://www.gartner.com/en/documents/3887767

Využití Competitive Intelligence v oblasti strategy consulting

Autor:
Jakub Steg
-
0

Použití termínu “dynamické odvětví“ v souvislosti se strategy connsultingem může působit jako klišé, nicméně jsem přesvědčen, že pro toto odvětí platí mnohem více než pro jiná business odvětví. Poslední roky se dramaticky do způsobu práce konzultantů a nabízených služeb promítá příchod umělé inteligence, ekonomická situace a digitalizace procesů. Co tedy všechno strategy consulting obnáší a jakou roli v této oblasti sehrává Competetive Intelligence?

Strategy consulting je oblast poradenství, která se, jak už z názvu vyplývá, specializuje zejména na strategie – jejich definování, implementace, změny. Charakteristickým rysem pro strategy konzultanty je, že na projektech u klientů pracují přímo pro vedení společnosti či vrcholové manažery jednotlivých oddělení. Důsledek jejich práce s nejužším vedením spočívá v tom, že projekty, které zpracovávají, mají často celofiremní konsekvence týkající se směru, kterým se firma bude v budoucnu ubírat. Nezřídka kdy bývají jejich klienty i veřejné instituce. Přesah strategy konzultantů bývá často tedy i celospolečenský. Toto je klíčový rozdíl oproti jiným konzultačním oblastím (IT, daně, účetnictví, udržitelnost), které v zásadě můžou mít obdobně celopodnikové dopady, nicméně řeší se primárně určitou firemní výseč, nikoliv směřování firmy jako celku.

Avšak v dnešní době, kdy není o vágní vymezení a termíny nouze, tento termín často splyne s ostatními. Poradenské firmy často používají spojení strategy consulting jako marketingový buzzword a nabízejí pod názvem strategické poradenství jiné služby. Toto je dáno pověstí o cenách za člověkoden a kvalitách služeb, které proslavené strategické konzultační firmy nabízejí. V tomto případě mám na mysli zejména firmy jako McKinsey, BCG, Bain a další. Za posledních zhruba 15 let i všechny firmy z velké čtyřky založily oddělení či dceřinné společnosti, které se zabývají pouze strategy consultingem. EY má dceřinou společnost EY Parthenon, Deloitte založil Deloitte Monitor, PwC vlastní síť strategických konzultaček jménem Strategy&.

Calof et al. (2017) poukazuje na fakt, že aplikace CI prvků v Evropě se oproti počátku století velmi rozšířila a pro některé firmy se stala nepostradatelnou komponentou. Důraz je hlavně kladen na zpravodajství týkající se zákaznických dat, technologií a R&D. Calof zároveň poukazuje na srovnání předchozích dostupných studií s aktuálními, kdy kolem roku 2006 pouze 18% dotázaných firem mělo formalizované používání CI. V roce 2017 už to bylo kolem 83%.

Specifika práce strategy konzultantů

Pro lepší pochopení využití CI ve strategy consultingu je důležité si uvést specifika této práce. Konzultanti za prací (obzvlášť v Evropě) poměrně často cestují do zahraničí. Bývá běžné, že v průběhu roku pracují na projektech v několika zemích najednou. Což je výzva zejména z pohledu pochopení tamější legislativy, regulatoriky nebo kulturních odlišností. Velice často zpracovávají problémy nebo požadavky v oblastech, které v minulosti nikdy neřešili. Zároveň jejich práce musí obsahovat vysokou míru detailu a konzultanti samotní musí mít vysokou schopnost rozhodování. Tento výčet se do jisté míry podobá práci operativců zpravodajských služeb – pracují často v neznámém prostředí, mají omezené množství prvotních informací, ale je velký nárok na správná rozhodnutí. Toto porovnání se může na první pohled zdát neadekvátní, nicméně např. ve Spojených státech amerických je poměrně běžné, že pracovníci zpravodajských služeb přecházejí na manažerské pozice do konzultačních firem (přikládám 2 příklady Gordon Welch a John Shumadine)

Z výše uvedeného vyplývá, že prvky Competitive Intelligence jsou nedílnou součástí práce konzultantů. Denním chlebem jsou činnosti jako hledání výročních zpráv, rešerše konkurence, studie úspěšnosti na trzích, analýza legislativního prostředí, sběr dat a informací.

V následujících odstavcích se pokusím zaměřit na 3 Competitive Intelligennce praktiky (Open Source Intelligence, Competitive Landscape Analysis a užívání velkých jazykových modelů), které konzultační firmy využívají nebo mohou využívat pro splnění klientských zadání. Samotný Open Source Intelligence lze rozdělit na další podskupiny jako Geospatial Intelligence, Human Itnelligence a další. Ty však nejsou pro oblast strategy consultingu příliš relevantní nebo mohou kolidovat s určitými morálními postupy a proto se jim v následujícím textu nebudu věnovat.

OSINT[1]

Open Soure Intelligence je zpravodajství z otevřených zdrojů, tj. zpravodajství z jakýchkoliv veřejně dostupných informací, jejichž shromáždění nevyvolává důsledky právní povahy (Lutai a Mihaescu, 2023). OSINT je nejčastěji spojován s prací zpravodajských služeb nebo jako komponenta cyber security. Princip OSINT – tedy v podstatě dolování informací z otevřených zdrojů, je však bez problémů uplatnitelný a stále více aplikovaný i v business světě.

Lutai a Mihaescu (2023) rozdělují OSINT na dvě skupiny.

  1. Tradiční otevřené zdroje – Do této kategorie se řadí první otevřené zdroje, které nabývaly podoby novinových článků, knih nebo rozhlasových přenosů. Oba autoři připouští, že ačkoliv se nejedná o nejagilnější nástroj, obzvláště knihy či odborné články mohou být neustále v business světě platným pomocníkem pro řešení projektových výzev.
  2. Digitální otevřené zdroje – Do této kategorie se řadí weby, sociální sítě a stránky poskytující open data.

Vyhledávače

Na první pohled možná může působit zmínka o vyhledávačích v rámci OSINT lehce zbytečně, jelikož se jedná o nejpřímočařejší praktiku, nicméně umět dobře pracovat s vyhledávačem je klíčové a spoustu pracovníků omezuje limitující znalost jejich vyhledávacích praktik. Myšlenou nadstavbou je např. rozšířené vyhledávání pomocí operátorů a podmínek. Důležité je taky adekvátní volba příslušného vyhledávače. Nevýhoda Google nebo třeba Binu spočívá v tom, že sdružují obrovské množství výsledků, které mohou být ve finále kontraproduktivní. Navíc existují vyhledávače, které se specializují pouze na vyhledávání na určitém území (Rusko-Yandex, Asie-Baidu, Yamli-arabský svět). Zvláštním případem je pak vyhledávač DuckDuckGo, který poskytuje homogenní vyhledávání pro všechny uživatele bez ohledu na umístění či historii vyhledávání. Skrz vyhledávače pak používáme různé webové stránky, jejichž primární účel není OSINT, nicméně ho umožňují. V souvislosti se strategy consultigem jde typicky o stránky jako opencorporates.com (umožňující globální přístup k firemním finančním výkazům), databáze Passport (obsahující zdroje o trzích), statistický portál Statista (jeden z největších poskytovatelů tržních dat na světě) a další.

Open Government Data

Jedním ze zdrojů veřejně dostupných dat, které mohou konzultanti pro své účely využívat jsou tzv. Open Government Data. Dnes jsou vlády považovány za největší tvůrce dat na světě. K roku 2020 data pravidelně zveřejňovalo přes 80 vlád na světě z různých sektorů (vzdělání, težební průmysl, zdravotnictví). V ČR je příkladem takovýchto dat např. databáze na Českém statistickém úřadě nebo portál justice.cz. Výhodou těchto dat je, že byli shromážděny na náklady daňových poplatníků, a tak jsou následně vládními institucemi poskytovány většinou již zdarma. Pokud konzultanti vědí, jak správně dostupná data uchopit a kde je najít, dokáží z nich vytěžit cenné informace. Význam OGD stoupá také zejména z důvodu častějšího působení firem na zahraničních trzích, pro provedení úspěšného vstupu na trh jsou předběžné analýzy klíčové. Zvyšuje se tak důležitost vstupních a konkurenčních studií, pro které mohou často poskytnout relevantní informace pouze OGD (Gottfried et al., 2021).

Fingerprinting Organizations with Collected Archives (FOCA)

FOCA je je open-source software, který umožňuje extrakci analýzu metadat, která v sobě ukrývají elektronické dokumenty (Word, Excel, PDF, SVG atd.), FOCA extrahuje skryté informace ze souborů a zpracovává je tak, aby uživateli ukázala relevantní aspekty. Informace, které tímto způsobem může získat ze souborů jsou např. místa, kde byly dokumenty vytvořeny, použité operační systémy, emailové adresy uživatelů souborů, datum vytvoření atd. Alternativou k FOCA může být také poměrně rozšířený nástroj jménem Metagoofil. Tento způsob provádění CI by měl být však více dohlížen z etických důvodů.

SOCMINT

Zkratka SOCMINT znamená Social Media Intelligence a jde o zpravodajství ze sociálních sítí. Vzhledem k digitální době, ve které dnes žijeme, se i sociální sítě staly relevantním zdrojem informací, ze kterého lze čerpat. Sociální sítě lze např. použít k analýze cílového publika, monitorování aktivit konkurence nebo nových trendů. Ačkoliv data ze sociálních sítí nebývají primární zdroj pro definitivní rozhodnutí ve firmách, mohou konzultantům kupříkladu posloužit jako opěrný bod při argumentaci s klientem ohledně navrhovaných změn do budoucna.  

Velké jazykové modely

Velké jazykové modely jsou s příchodem boomu AI nedílnou součástí většiny velkých mezinárodních firem. Modely od firem jako Open AI nebo Mistral AI se tak staly každodenní pracovní složkou velkého množství zaměstnanců. Výhody používání LLM na úrovni jednotlivce (překlad, sumarizace textu, generování textu, psaní kódu) jsou poměrně jednoznačné a srozumitelné. Pokud bychom chtěli ale zagregovat použití LLM na vedení projektu, mohou se objevit nejasnosti jak na správné použití.

Práce strategy konzultantů lze dle Mohan (2024) rozdělit do 5 základních fází: input fáze, dignostika problémů, návrh opatření, implementace a output fáze. Mohan popisuje možný příspěvek LLM v následujících činnostech.

  • Input fáze – LLM by mohl vytvořit předběžnou analýzu řešeného problému
  • Diagnostika problému – V této fázi by LLM pomáhal se zpracováním datové analytiky za účelem diagnostiky.
  • Návrh opatření – LLM by se na základě dat pokoušel namodelovat možná řešení a s připomínkami klientů by je dále rozvíjel.
  • Implementace – Pomáhal by zavádět novou praxi do firemních struktur.
  • Output fáze – Vytvořil by finální report pro klienty.

Alternativou k používání běžných LLM na trhu může být používání vlastního upraveného LLM. Firmy mají v případě používání kustomizovaného jazykového modelu v zásadě dvě možnosti. První je velmi nákladný vlastní vývoj, který zahrnuje trénování a modelování dat, tvorbu rozhraní a integraci do softwarových systémů firmy. Druhou variantou je pak levnější hostování existujícího modelu, který lze např. natrénovat na interní data (Bratić et al., 2024).

Jazykové modely jsou nicméně poradenským prostředím obecně vnímány jako dvousečná zbraň. Na jedné straně při správné implementaci zvyšují efektivitu a šetří peníze. Na stranu druhou relativizují největší hodnotu, které poradenské společnosti mají, a to jsou znalosti zaměstnanců z projektů. Řada konzultačních společností z tohoto důvodu v nedávné minulosti koupilo technologické firmy zabývající se LLM a AI. McKinsey koupilo firmu QuantumBlack, Deloitte firmu SFL Scientific’s Business, BCG firmu Gamma a Accenture japonskou firmu ALBERT (Oaure-Itseuwa, 2024).

Competitive Landscape Analysis

Competitive Landscape Analysis (Analýza konkurenčního prostředí) je nepřetržitý proces zkoumání a vyhodnocování konkurenčních služeb/produktů na trhu za účelem pochopení jejich obchodního cíle (Maduranga, 2024).

Konzultanti se běžně setkávají s požadavky na analýzu konkurenčního prostředí. Firmy si totiž stále více uvědomují význam konkurenční výhody pro naplnění svých dlouhodobých cílů a na konzultanty se obracejí s prosbou, jak tuto výhodu odhalit a případně využít ve svůj prospěch.

Jedním z velice rozšířených nástrojů konkurenční analýzy je Porterův model pěti sil, který seskupuje do pěti skupin nejdůležitější faktory ovlivňující stav trhu a konkurence. Konkrétně zachycuje intenzitu konkurence, hrozbu potenciální konkurence, hrozbu substituce klíčového zboží a vliv kupujících a dodavatelů. Porterův model umožňuje identifikovat příčiny konkurence mezi firmami působícími v odvětví, analyzovat stav trhu v odvětví a zkoumat perspektivy jeho dalšího vývoje. Tyto poznatky lze využít v procesu formulování budoucích strategií nebo např. k odhadu míry návratnosti investice (Kostestska, 2022).

Data mining v Competitive Intelligence

Data mining je analýza nashromážděných dat, která má za cíl nalézt skryté vztahy mezi daty a popsat je tak, aby byla srozumitelná a použitelná pro toho, kdo analýzu provádí (Hand et al., 2001).

Data mining praktiky bývají často nedílenou součástí dobře zavedeného CI ve firmách, jelikož se vzájemně doplňují.  Pomocí CI praktik jsem schopný nashromáždit data v potřebné kvalitně. Následně je však musím být schopný zanalyzovat, což se často provádí za pomocí data miningu.

V souvislosti s prací konzultantů mám na mysli zejména text mining a web mining. Pomocí OSINT nástrojů můžete nalézt např. užitečné soubory či stránky relevantní pro váš projekt, ty však mohou obsahovat obrovské množství textu a dat. V momentě, kdy by se do analýzy takových souborů pustil člověk, mohla by se snadno vymazat výhoda (čas, efektivita), kterou získal pomocí OSINT nástrojů.

Dle Gupta (2024) je text mining objevování nových, dříve neznámých informací pomocí extrakce z různých textových zdrojů. Následující kroky jsou nezbytné pro provedení text miningu.

  • Kolekce dat
  • Úprava dat – Aby analýza proběhla v pořádku je potřeba nastavit tzv. ignorování stop-slov. Typicky jde o spojky a předložky, které nenesou žádné informace o obsahu textu. Následně je potřeba určit kmenová slova, na základě kterých se bude řídit vyhledávací algortimus.

V text miningu existují dva základní typy úloh. První je vyhledávání informací (information retrieval), která se zaměřuje na získání dokumentů či dat z velkých databází. Druhá je extrakce informací (information extraction), která se už vyloženě zaměřuje na získávání specifických informací z textových dat.

Web mining je dle Hayath a Komarasamy (2022) proces, jenž pomáhá analyzovat a interpretovat velké objemy zdrojových dat z webu. Berka (2003) uvádí pět základních funkcí web miningu.

  • Získávání znalostí, které jsou ukryté na stránkách
  • Vyhledávání a metavyhledávání – Vyhledávání stránek relevantních k dotazu uživatele.
  • Kategorizace dokumentů – Shlukování stránek dle obsahu.
  • Klasifikace dokumentů – Filtrování stránek relevantních vzhledem k uživatelově profilu.

Pokud bychom chtěli ve firmě opravdu efektivně využívat text mining a web mining, je nezbytné pořídit licence na programy jako například Intelligent Miner for Text od IBM nebo Oracle Data Mining. Nicméně triviálnější úlohy se dají vyřešit například pomocí volně dostupného softwaru RapidMiner nebo BigLM. Google Analytics si také do jisté míry zvládne poradit s web/text miningem.

Použití nástrojů CI vůči konkurenci

Doposud byla esej psána pouze z pohledu konzultantů a toho, jaké nástroje mohou případně používat v rámci CI. V následujícím odstavci bych se rád zaměřil na samotné konzultační firmy a jak mohou ony využít CI ve svůj prospěch.

Konkurence na trhu se strategy konzultačními firmami je velmi vysoká. Pokud se podíváme na portfolio služeb, které firmy v rámci např. českého trhu nabízí, dojdeme k závěru, že služby se na první pohled příliš neliší. Nelze si pochopitelně pro exaktní porovnání obstarat veškeré potřebné materiály, které by nám umožnily porovnat kvalitu nabízených služeb a lidského kapitálu, nicméně témata a odvětví, kterým se tyto poradenské firmy věnují, jsou v zásadě stejné. Jedná se nejčastěji o finance, provoz, digitální transformace a udržitelnost.

Konkurenci na poli strategických konzultačních společností zvyšuje i zvětšující se přítomnost technologických firem v poradenském odvětví. Tyto společnosti mají obvykle navrch v oblasti poradenských služeb, které jsou založené na AI a lze předpokládat, že na základě tohoto můžou být v budoucnu rovnocenným konkurentem desítky let zavedeným firmám.

Prinsloo (2017) identifikuje následující konsekvence, které může mít správně nastavené CI ve firmě.

  • Komplexnější přehled o činnosti konkurence.
    • Identifikace silných a slabých stránek konkurence.
    • Identifikace personálního potenciálu konkurence.
  • Větší znalost trhu, na kterém se firma pohybuje.
  • Predikování budoucích vývojů a potenciálních hrozeb.

Prinsloo (2017) dále uvádí několik kroků, které by měly pomoci naplno integrovat CI politiku do společností

  • Vytvoření centrálního integračního místa (oddělení), které bude mít vlastní pracovníky a lidi zodpovědné za koordinaci CI ve společnosti. Toto oddělení by mělo neustále zvyšovat povědomí o CI mezi zaměstnanci a vyšším managementem a nabízet relevantní školení.
  • Zároveň by měly být stanovena jednoznačná etická pravidla ohledně používání CI zaměstnanci.
  • Doporučováno je také partnerství v rámci CI s veřejnou institucí nebo akademickou obcí.

Firmy, kterým se povede zavést prvky CI do svého každodenního fungování pak mohou dále zvyšovat úroveň CI například formou aplikování modelu SECI, který holisticky přistupuje k procesu tvorby znalostí.

Etika v CI

Dodržování etických způsobů provádění CI je zásadním aspektem, které firmy musí dodržovat a monitorovat. Udržování konkurenceschopnosti je pro firmy zásadní, nicméně nikdy by tato snaha neměla narušovat etické chování. Firemní špionáž a korupce bohužel nejsou ve světe businessu ničím novým.

Podle Watch my competitor (2024) vývoj etického rámce Competetive Intelligence lze vybudovat na následujících krocích.

  • Tvorba interní politiky pro užívání CI – Formulace jasných zásad pro dodržování etického CI.
  • Pravidelná školení – Provádění pravidelných školení ohledně etických zásad užívání CI nástrojů.
  • Dohled – Zavedení monitorovacího systému, který zajistí dodržování pokynů.
  • Pravidelné revize – Pravidelné přezkumy aktuálních pravidel s ohledem na vývoj v odvětví a změnu zákonů.

Jedním takovým příkladem, kde etické kodexy dodržovány nebyly, je firma Deloitte, která v letech 2005-2010 vytvořila divizi s názvem Deloitte Intelligence. Součástí této divize byl i tým, který se ze značné části skládal z bývalých zpravodajců a pracovníků tajných služeb USA. Jejich cílem bylo špehovat konkurenty jako EY, PwC a KPMG. Tento tým stojí také za tím, že v roce 2009 Deloitte odkoupil velmi výhodně část konkurenční konzultační firmy BearingPoint, která se věnovala poradenství pro federální vládu. Deloitte měl velký zájem o toto odvětí, jelikož v něm tehdy oproti konkurenci zaostával. Žádný zaměstnanec Deloittu nebyl nikdy v souvislosti s těmito věcmi zmíněnými výše potrestán, nicméně kolem roku 2015 se začali objevovat bývalý zaměstnanci Deloittu, kteří o této kauze začali anonymně informovali média. To už byl ale Deloitte jednička na poli s poskytováním poradenských služeb vládě (CNBC).

Budoucnost CI v consultingu

S ohledem na aktuální trendy a stále zvyšující se roli umělé inteligence lze předpokládat, že do budoucna se CI bude ubírat směrem zvýšené automatizace procesů sběrů dat. Některé CI nástroje možná budou muset projít nějakými úpravami, aby lépe pracovali se stále populárnějšími koncepty, např. big data.

S ohledem na očekávaný větší objem a komplexnost dat, bude také úměrně růst požadavek na analytické schopnosti konzultantů používající CI. Bude kladen větší důraz na správné porozumění datům a jejich převedení na přidanou informační hodnotu, která může pomoct klientům.

Lze se také domnívat, že s nástupem AI se zvýšilo i podvědomí o CI a firmy do něj v budoucích letech budou investovat více než v minulosti. To podporuje i fakt, že se velké množství business modelů přesouvá k modelu rozhodování, který je založen na datech. Competetive intelligence by v těchto případech mohla hrát roli spojovacího článku, který z informací vytvoří vhled, který následně podpoří rozhodovací proces.

Obecně lze také tvrdit, že doposud byl zaměstnanec nejdražší nákladovou položkou v účetnictví konzultačních firem (Lafitte, 2022). Do budoucna je možné očekávat značný přesun prostředků na náklady, které budou spojeny s umělou inteligencí, datovou analytikou a snad i CI. Nicméně navzdory velkému technologickému pokroku v posledních letech, člověk a jeho schopnost porozumět kontextu a strategickým potřebám bude stále klíčovým prvkem úspěšného projektu.

Seznam použité literatury

PRINSLOO, Yolandi, 2017. Competitive intelligence in a multinational consulting engineering company: A case study. Mousaion [online]. 34(4), 81–107. ISSN 00272639. Dostupné z: doi:10.25159/0027-2639/2162

BRATIĆ, Diana, Marko ŠAPINA, Denis JUREČIĆ a Jana ŽILJAK GRŠIĆ, 2024. Centralized Database Access: Transformer Framework and LLM/Chatbot Integration-Based Hybrid Model. Applied System Innovation [online]. 7(1), 17. ISSN 2571-5577. Dostupné z: doi:10.3390/asi7010017

CALOF, Jonathan, Rubén ARCOS a Nisha SEWDASS, 2018. Competitive intelligence practices of European firms. Technology Analysis & Strategic Management [online]. 30(6), 658–671. ISSN 0953-7325, 1465-3990. Dostupné z: doi:10.1080/09537325.2017.1337890

GOTTFRIED, Anne, Caroline HARTMANN a Donald YATES, 2021. Mining Open Government Data for Business Intelligence Using Data Visualization: A Two-Industry Case Study. Journal of Theoretical and Applied Electronic Commerce Research [online]. 16(4), 1042–1065. ISSN 0718-1876. Dostupné z: doi:10.3390/jtaer16040059

GUPTA, Subhash Chandra a Noopur GOYAL, 2024. TEXT MINING: TECHNIQUES, APPLICATIONS AND ISSUES. In: Computing for Sustainable Innovation: Shaping Tomorrow’s World: International Journal of Innovative Research in Computer Science and Technology (IJIRCST) [online]. B.m.: Innovative Research Publication, s. 283–289 [vid. 2024-05-30]. Dostupné z: doi:10.55524/CSISTW.2024.12.1.49

KOSTETSKA, Nataliia, 2022. M. PORTER’S FIVE FORCES MODEL AS A TOOL FOR INDUSTRIAL MARKETS ANALYSIS. INNOVATIVE ECONOMY [online]. (4), 131–135. ISSN 2310-4864, 2309-1533. Dostupné z: doi:10.37332/2309-1533.2022.4.18

LUȚAI, Raluca a Adina MIHĂESCU, 2023. COMPETITIVE INTELLIGENCE AND OPEN SOURCE INTELLIGENCE – USEFUL TOOLS FOR COMPETITIVE BUSINESS. BULLETIN OF „CAROL I“ NATIONAL DEFENCE UNIVERSITY [online]. 11(4), 61–68. ISSN 2284-9378, 2284-936X. Dostupné z: doi:10.53477/2284-9378-22-95

HAYATH a Dr KOMARASAMY, 2022. Web Mining and Business Intelligence: A Key Factor for Success. TechnoareteTransactions on Intelligent Data Mining and Knowledge Discovery [online]. 2(4) [vid. 2024-05-30]. ISSN 2583195X. Dostupné z: doi:10.36647/TTIDMKD/02.04.A004

MOHAN, Sai Krishnan, 2024. Management Consulting in the Artificial Intelligence – LLM Era. Management Consulting Journal [online]. 7(1), 9–24. ISSN 2631-987X. Dostupné z: doi:10.2478/mcj-2024-0002

OARUE-ITSEUWA, Esioze, 2024. Artificial Intelligence’s Impact of the Management Consultancy Sector over the Next Five Years. Management Consulting Journal [online]. 7(1), 49–58. ISSN 2631-987X. Dostupné z: doi:10.2478/mcj-2024-0005

PASTOR-GALINDO, Javier, Pantaleone NESPOLI, Felix GOMEZ MARMOL a Gregorio MARTINEZ PEREZ, 2020. The Not Yet Exploited Goldmine of OSINT: Opportunities, Open Challenges and Future Trends. IEEE Access [online]. 8, 10282–10304. ISSN 2169-3536. Dostupné z: doi:10.1109/ACCESS.2020.2965257

WATCH MY COMPETITOR, 30. května 2024. Ethical Competetive Intelligence a guide. Online. Dostupé z: https://www.watchmycompetitor.com/resources/ethical-competitive-intelligence-a-complete-guide/ [cit. 2024-05-30].

CNBC, 30. května 2024. Accountants and spies: The secret history of Deloitte’s espionage practice. Online. Dostupé z: https://www.cnbc.com/2016/12/19/accountants-and-spies-the-secret-history-of-deloittes-espionage-practice.html [cit. 2024-05-30].

CONSULTING QUEST, 30. května 2024. Consulting fees and rates. Online. Dostupé z: https://consultingquest.com/podcasts_smcs/consulting-fees-and-rates/#:~:text=A%20cost%20structure%20is%20a,Firm%2C%20regardless%20of%2 [cit. 2024-05-30].

HAND, David J., Heikki MANNILA a Padhraic SMYTH, 2001. Principles of data mining. Cambridge, Mass: Bradford book MIT Press. Adaptive computation and machine learning. ISBN 978-0-262-08290-7.

BERKA, Petr, 2003. Dobývání znalostí z databází. Vyd. 1. Praha: Academia. ISBN 978-80-200-1062-9.

[1] Subkapitoly 3.1, 3.3 a 3.4 jsou zpracovány ze zdroje Pastor-Galindo et al. (2020)

VesselFinder: 729 000 lodí na mapě světa v reálném čase, jejich databáze, cesty a přístavy

Autor:
stov03
-
0

V posledních letech se lodní doprava vrátila do středu pozornosti a znovu se začala vracet ke svojí dřívější slávě. Během pandemie COVID-19 došlo k dramatickému posunu v preferovaných dopravních metodách, lodní doprava se tak vyšplhala vzhůru a převzala část trhu, kterou dříve ovládala letecká doprava. Tento nárůst lodi jako preferovaného způsobu přepravy byl ovlivněn několika faktory, jako bylo omezení leteckých tras, masivní nárůst počtu nákladů a zvýšená ekonomická efektivita lodních přeprav. I přesto, že lodní přeprava trvá déle než doprava letadlem a může být méně spolehlivá, získala během pandemie velké množství nových zákazníků, což jí pomohlo udržet si svou pozici i poté, co se omezení letecké dopravy uvolnila.

Jak už název napovídá stránka VesselFinder funguje obdobně jako Flightradar24, Plane Finder nebo MarineTraffic. Je to klíčový nástroj pro všechny, kdo se zajímají o námořní dopravu, protože umožňuje sledovat lodě v reálném čase po celém světě. Otevírá dveře k monitorování, lokalizaci a získávání informací o lodích, ať už se plaví po oceánech, plují po řekách nebo kotví v přístavech.

VesselFinder spojuje nejmodernější technologie, včetně satelitního sledování a široké škály datových zdrojů, aby uživatelům poskytl aktuální polohu lodí. Ale není to jen o mapování – umožňuje také detailní pohled na plánované trasy, rychlosti, směry plavby a další klíčové údaje. Tato platforma je k dispozici ve 12 světových jazycích a její využití se rozšířilo napříč různými odvětvími. Od logistiky a obchodního průmyslu až po rybolov a zvědavé jednotlivce sledující pohyb lodí kvůli balíčku nebo prostě ze zvědavosti, jak se vyvíjí světový námořní provoz.

VesselFinder tedy představuje velice mocný nástroj, který může sloužit jak jednotlivcům, tak korporacím. V placené verzi je mnoho funkcionalit, jejichž využití může mít pozitivní dopad na podnik, jako například historické záznamy lokací a detailů lodí, plánování a orientační ceníky pro lodní dopravu nebo sledování vybraného kontejneru místo celé lodi. To vše s faktem, že je VesselFinder dostupný i v podobě mobilní aplikace, může mít každý informace o lodní dopravě doslova v kapse. Umožňuje sledovat a analyzovat námořní dopravu, což je klíčový prvek pro efektivní řízení logistiky a obchodních operací, a to v reálném čase. Jeho význam v oblasti námořní dopravy neustále roste a poskytuje komplexní informační zdroj pro uživatele na celém světě.

Seznam osmi funkcí rozdělený na placenou a neplacenou verzi
Obrázek 1 Verze nástroje [zdroj obrázku: autor]

Aktuální mapa lodí

Hlavním tahákem VesselFinderu je jeho živá mapa, která okamžitě ukazuje, kde se momentálně nacházejí všechna plavidla na vodní hladině. Aby byla tato mapa co nejpřesnější, VesselFinder využívá několik metod. Začněme Terrestrial AIS (T-AIS), což je standardní systém pro komunikaci mezi loděmi.

Mapa světa s šipkami označujícími loděmi
Obrázek 2 Mapa lodí [zdroj obrázku: autor]

Tento systém je původně určen pro samotné lodě, aby získaly širší přehled o ostatních plavidlech v okolí a přesněji určily jejich polohu. To všechno je pro zvýšení bezpečnosti, minimalizaci rizika kolizí v podmínkách omezené viditelnosti a prevenci nehod. Dodatečné sledování polohy pak zajišťují satelity, které doplňují informace na VesselFinderu a sledují pohyb z výšky. Tímto způsobem slouží jako sekundární zdroj dat. Uživatel si dokonce může tuto funkci v menu zapnout nebo vypnout, a tím získat pouze informace potvrzené systémem T-AIS. Nedostatek T-AIS je ale při pohybu lodi ve velké vzdálenosti od pevniny, kdy klesá přesnost určení polohy. Proto je kombinace T-AIS a S-AIS důležitým faktorem pro funkčnost nástroje. Polohy plavidel jsou pravidelně aktualizovány každých několik minut. Samotný VesselFinder uvádí, že informace o poloze lodí se obvykle aktualizují s latencí od několika minut až po hodiny. Když najedeme na určité plavidlo, okamžitě vidíme, kdy byla jeho poloha naposledy zaznamenána.

Filtr, výběr lodí podle typu (rybářská, vojenská,...)
Obrázek 3 Filtr [zdroj obrázku: autor]

Původně tento systém slouží přímo plavidlům, aby se zajistil široký přehled o ostatních plavidlech poblíž a k přesnějšímu určení polohy. To má zajistit zvýšení bezpečnosti, minimalizování nebezpečných situací při snížených viditelnostních podmínkách a prevence srážek plavidel. Druhou složkou tohoto sledování polohy jsou satelity, které na VesselFinder doplňují informace pozorováním výšky a slouží tedy spíš jako sekundární zdroj dat. Nejspíš proto ho lze zapnout i vypnout v menu. Poloha plavidel se pravidelné obnovuje po několika minutách. VesselFinder sám uvádí, že k přesná poloha lodi je aktualizována s latencí minuty až hodiny. Při najetí na plavidlo se nám okamžitě zobrazí, kdy byla poloha zaznamenána.

Lodě se dají lehce filtrovat. Pro základní neplacenou verzi je dostupné pouze filtrování pomocí typu lodi, ty se děli na několik skupin, mezi nimiž můžeme najít rybářské lodě, tankery, jachty nebo dokonce vojenské lodě. Mezi filtry dostupné pouze pro prémiové uživatele, najdeme například vlajku, cíl cesty, poslední navštívený přístav nebo dokonce váhu.

Zajímavou funkcí pro prémiovou verzi VesselFinder je Fleet mode (Režim flotily). V případě, že si VesselFinder platíme, můžeme si vybrat jen určité lodě. Například si vyberete pouze lodě, které patří vašemu podniku. Nebo si vyberete, na kterých se převáží váš náklad. Tímto způsobem si můžete vybrat až deset lodí, přidat je do flotily, a mít jednoduchý přehled o tom, kde se na mapě právě nachází.

Je také možné rychle a jednoduše zapnout Density map, která nám zobrazí kde se nejčastěji na mapě vyskytují lodě, a to i s ohledem na minulost. Tím nám vlastně zobrazí lodní trasy. Tyto trasy je v prémiové verzi možné dále filtrovat podle nákladu či typu lodi.

Heat mapa lodních cest
Obrázek 4 Density map [zdroj obrázku: autor]

Kdykoli si pak kteroukoli loď na mapě můžeme rozkliknout a získat podrobné informace o lodi. V detailu se můžeme podívat na informace jako je rychlost, kurz, status, počasí v místě, ve kterém se právě loď nachází a další.

Detaily o lodi a mapa s polohou lodi
Obrázek 5 Detail lodi [zdroj obrázku: autor]

Databáze lodí a přístavů

VesselFinder ale není pouze aktuální mapa lodí a přístavů. Je to i jejich databáze. Při otevření databáze hned můžeme vidět, že VesselFinder udržuje přehled o skoro 729 000 lodích. V tomto seznamu najdeme různé lodě, od těch patnácti metrových, až po ty skoro pětiset metrové. Navíc si je můžeme vyfiltrovat podle údajů, stejných jako na aktuální mapě. Většina lodí zde má i vlastní foto, těch je v databázi dokonce přes milion. Podobným způsobem jsou v databázi i přístavy, u kterých je nejen v jakém státě se nachází a jak se jmenují, ale i jejich kód využívaný pro lodní dopravu. Přehled o počasí v místě přístavu je už jen taková třešnička na pomyslném dortu. VesselFinder tak poskytuje ucelený přehled o všech objektech, které zobrazuje na Aktuální mapě.

Databáze lodí
Obrázek 6 Databáze lodí [zdroj obrázku: autor]

Další funkce

VesselFinder obsahuje i několik dalších funkcí, které mohou být použity okrajově, ale mají svůj význam. Jednou z nich je přehledná sekce se zprávami ze světa lodní dopravy. Kromě očekávaných témat, jako jsou zprávy o nehodách a finančních událostech, obsahuje i sekci věnovanou pirátství. Tato sekce poskytuje informace o unesených lodích a snahách o potlačení moderního pirátství, což je zajímavý a důležitý prvek v kontextu současných výzev v námořní dopravě.

Možnost sledovat konkrétní kontejner je jedním z těch atraktivních prvků, které dokáží zaujmout malé i velké společnosti. I když je tato funkce dostupná pouze v placené verzi, stránka alespoň nabízí náhled toho, jak takové sledování funguje. Vedle mapy obsahuje tato funkce plán plavby kontejneru od jeho nalodění přes všechny události, které již proběhly, až po plánované doručení, poskytující tak komplexní přehled o každém kroku přepravy

Pro registrované uživatele je k dispozici funkce plánování plavby. Stačí zadat výchozí a cílový přístav, odhadovanou průměrnou rychlost lodi, a získáme plánovanou trasu, kterou loď může plout, podobně jako když si v mobilní mapě naplánujete trasu k nejbližší kavárně, získáte informace o plánované cestě, včetně vzdálenosti a doby trvání trasy. Navíc, jak už bylo řečeno, v placené verzi tato funkce dává uživateli možnost si zobrazit přibližnou cenu, kterou může očekávat, pokud by se chtěl touto cestou plavit, či poslat nějakou zásilku.

Časový rozvrh doručení kontejneru rozdělený na části podle místa zpracování úkonu
Obrázek 7 Sledování kontejneru [zdroj obrázku: autor]

Výhody a nevýhody

VesselFinder není jediný nástroj na sledování lodí na jejich cestě. Další velice známy nástroj je MarineTraffic. Ale co z toho je lepší použít? Ke správnému rozhodnutí může sloužit tato část porovnání, protože každý nástroj, je lepší v něčem jiném.

VesselFinder
Výhody:
Uživatelské rozhraní: Nabízí přehledné a intuitivní uživatelské rozhraní, které usnadňuje navigaci a použití.Zobrazení informací: Poskytuje široké spektrum informací o lodích, včetně jejich polohy, rychlosti, plánované trasy a dalších technických údajů.Přesnost dat: Je známý pro svou přesnost dat a spolehlivost informací poskytovaných uživatelům.
Nevýhody:
Cena: Může být nákladnější než jiné služby pro uživatele, kteří hledají levnější možnosti sledování lodí.Omezená zdarma verze: Může mít omezené možnosti pro uživatele, kteří využívají bezplatnou verzi aplikace.
MarineTraffic
Výhody:
Rozsáhlá síť uživatelů: Má velkou uživatelskou základnu a komunitu, což může poskytnout rozšířené informace a komunitní zpětnou vazbu.Více funkcí v bezplatné verzi: Může nabídnout širší spektrum funkcí a informací v rámci bezplatné verze.
Nevýhody:
Komplikované uživatelské rozhraní: Může být více složité na použití a navigaciMenší přesnost dat: Mohou se objevit nesrovnalosti ohledně přesnosti a spolehlivosti některých poskytovaných informací.

Závěr

Celkově je tedy VesselFinder je opravdu mocným nástrojem poskytujícím komplexní informace o námořní dopravě a otevírajícím uživatelům široké možnosti sledování a analýzy. Jeho význam v oblasti námořní dopravy neustále narůstá, což zvyšuje jeho hodnotu v konkurenceschopnosti firem, které ho využívají. Ať už slouží rybářským společnostem k efektivní koordinaci jejich rybářských bárek nebo mezinárodním firmám k plánování dodávek zboží a aktualizaci plánu na základě informací o nákladních lodích, VesselFinder se stává nedocenitelným partnerem pro efektivní řízení a optimalizaci procesů v oblasti námořní dopravy.

Zdroje

Seznam obrázků

  • Obrázek 1 Verze nástroje [zdroj obrázku: autor ze stránky https://www.vesselfinder.com/]
  • Obrázek 2 Mapa lodí [zdroj obrázku: autor ze stránky https://www.vesselfinder.com/]
  • Obrázek 3 Filtr [zdroj obrázku: autor ze stránky https://www.vesselfinder.com/]
  • Obrázek 4 Density map [zdroj obrázku: autor ze stránky https://www.vesselfinder.com/]
  • Obrázek 5 Detail lodi [zdroj obrázku: autor ze stránky https://www.vesselfinder.com/]
  • Obrázek 6 Databáze lodí [zdroj obrázku: autor ze stránky https://www.vesselfinder.com/vessels]
  • Obrázek 7 Sledování kontejneru [zdroj obrázku: autor https://container.vesselfinder.com/]

Eltis.org: Udržitelná doprava napříč evropskými městy ve 20. století

Autor:
Šimon Dlouhý
-
0
a blurry photo of a person walking in front of a train

Doprava je ve veřejném prostoru dlouhodobě jednou z nejčastěji probíraných oblastí. Její význam zejména v kontextu městské hromadné dopravy a urbanismu je nepopiratelný a nabízí i potenciál dalšího růstu. Fungující a udržitelná doprava je potřebná jak k tomu, aby se rodina mohla dostat v pořádku a dostatečně rychle večer domů, tak k tomu, aby správným způsobem fungovala celá ekonomika. I s ohledem na důležitost ochrany životního prostředí a udržitelnosti v dnešní době je pak nutné získat k tématu dopravy i kvalitní informační zdroje, a právě eltis může plnit roli jednoho z nich.

Přehled a obecné informace

Eltis je webový portál určený k výměně a sdílení informací o dopravě v evropských městech. Nezisková iniciativa, pod kterou portál spadá, byla vytvořena Evropskou komisí, konkrétně generálním ředitelstvím pro energetiku a dopravu. Zaměřuje se zejména na udržitelnost dopravy a v současnosti se dá označit za jeden z důležitých informačních zdrojů k dané tématice.

Samotný portál již existuje více než 20 let a soustředí se právě na poskytování informací, nástrojů, zkušeností, ale i třeba komunikačních kanálů. Všechny tyto věci mohou následně jednotlivé obce využívat k tomu, aby se v oblasti udržitelné dopravy mohly vyvíjet a dosahovat konkrétních cílů. Financování ze zdrojů Evropské unie pak dodává nástroji určitou míru kredibility, která se odráží dle mého názoru například i ve vizuálním zpracování portálu. Samotná platforma pak pod záložkou links propaguje i další portály zaměřené na podobnou problematiku, což signalizuje již zmíněnou vysokou kredibilitu a skutečný důraz na význam udržitelné dopravy v moderním, rychle se měnícím, světě.

Obrázek 1: Úvodní stránka eltis.org [zdroj obrázku: autor]

Obsah portálu

Webový portál a jeho obsah se dá rozdělit do tří různých oblastí. První z oblastí (portálem označená jako “in brief”), můžeme ji dále označovat jako informační, se věnuje poskytování informací o dopravě, její udržitelnosti ve městech a příbuzným tématům. Představit si pod ní můžeme například sekci zaměřenou na novinky, statistická data, legislativu Evropské unie zaměřenou na problematiku dopravy, nebo měsíční newsletter.

Druhá oblast (portálem nazvaná jako “resources”) se zaměřuje na poskytnutí nástrojů a přímo využitelných zdrojů. Na první pohled se může zdát, že mezi oblastmi nepanují velké rozdíly, nicméně při bližším prozkoumání je můžeme poměrně snadno odhalit. V případě druhé oblasti se totiž jedná zejména o tipy na konkrétní nástroje a jejich seznamy, které mohou obce využít, fotografie a videa, díky kterým je možné vizualizovat reálná řešení, nebo tréninkové materiály a případové studie.

Poslední a zároveň také nejmenší z oblastí, kterou portál poskytuje, se věnuje zapojení návštěvníků (“participate”). Tato sekce v sobě obsahuje možnost stát se tzv. přítelem portálu eltis, což návštěvníka opravňuje k využití dalších, poměrně rozličných, funkcí a benefitů. Mimo to eltis spravuje kalendář s význačnými akcemi a konferencemi, které se tématu dopravy týkají.

Obrázek 2: Sekce portálu eltis.org [zdroj obrázku: autor]

Právě pomocí těchto tří sekcí se dá poměrně pěkně popsat obsah portálu, ze kterého inherentně vyplývají i konkrétní případy možného využití. Struktura portálu je nicméně poměrně nově obohacena i o oblast čtvrtou, která se týká konkrétních plánů udržitelné mobility ve městech (Sustainable Urban Mobility Plans, dále jako SUMPS). Zde je možné nahlédnout do jednotlivých plánů v zapojených obcích, jejichž situace návštěvníka zajímá. Zároveň je zde velmi podrobně popsán proces tvorby SUMPS a konkrétní pokyny včetně glosáře a nástroje k hodnocení plánů. V základní struktuře portálu se pod těmito oblastmi objevují také čtyři různá pole, která jednoduchým způsobem zprostředkovávají návštěvníkovi aktuální témata, nejnovější články, nadcházející události a informace o COVID-19.

Vyhledávání článků na eltis.org

Vzhledem k tomu, že portál obsahuje informace v různých podobách (články, datové soubory atp.) je poměrně zajímavá i struktura vyhledávání a možnosti, ke kterým má uživatel v této oblasti přístup. Články, které tvoří jednu ze stěžejních částí portálu jsou při výchozím nastavení seřazeny klasicky chronologicky. Návštěvník portálu má nicméně možnost využít klasického vyhledávání, a to jak full-textového způsobu tak vyhledávání dle klíčových slov. Portál nabízí i pokročilé hledání, kde si lze upřesnit například zemi, které se článek týká, nebo téma článku dle předem definovaných kategorií.

U každého z článků je následně uváděn upřesněný region, kterého se týká, odkaz a podobné články, které by mohly návštěvníka zajímat. Uváděny jsou zde mimo jiné informace o čtenosti a články je možné sdílet pomocí prokliku na několika různých sociálních sítích. Při čtení některého z článků na portálu je zároveň proměněné i rozložení stránky, které vede k tomu, že návštěvník vidí v pravé části obrazovky sloupek s názvem spotlight, který nabízí moderovaný výběr z článků na webu, které mohou být právě aktuální.

Mezi další zajímavé funkce patří také rss feed a možnost podívat se na autora zmíněného článku. U profilů autorů pak lze pozorovat kromě místa bydliště a regionu i konkrétní zájmy nebo oblíbený obsah z portálu. Do jisté míry tak platforma může být využívána jako sociální síť, i když samozřejmě pouze velmi omezeně.

Obrázek 3: Články na portálu eltis.org a možnosti jejich vyhledávání [zdroj obrázku: autor]

Vyhledávání datových zdrojů, případových studií a dalších informací

U dalších zdrojů, které portál nabízí a které jsou již popsány výše, je nabídnuto vyhledávání v podobě, která vždy připomíná nějakým způsobem obohacené vyhledávání článků. Rozdíly lze typicky pozorovat u dodatečných filtrů, které nejsou u článků k dispozici (například jde zmínit hledání dle původů a efektů dat u datových zdrojů). Podobným způsobem jsou poskytovány i galerie obrázků a videí, mezi kterými jde také filtrovat poměrně snadno.

Doprava a plány udržitelné mobility

U SUMPS, jakožto u nejnovější sekce portálu, lze pozorovat různá zajímavá specifika, která zároveň obsahují poměrně atypické funkce. Materiály, které jsou portálem zprostředkovávány lze rozlišit dle různých metod. Návštěvník se může podívat na situaci v konkrétních zemích, které se do programu zapojují a stejně tak i na partnerské, do programu zapojené, společnosti. Nejzajímavější části je zde nicméně určitě databáze zapojených měst.

V databázi měst si návštěvník může projít situace v konkrétních městech, které jsou do programu zapojeny. Po vyfiltrování výsledků by měl dostat k dispozici přímo odkaz na SUMP daného města, který si může důkladně prostudovat. Samotné možnosti vyhledávání jsou zde poměrně široké, což je vítané zejména z důvodu poměrně vysokého počtu zapojených měst. Na přiložených obrázcích lze poté vidět i druhou možnost vyhledávání, kterou je interaktivní mapa.

Obrázek 4: Vyhledávání v databázi zapojených měst na portálu eltis.org [zdroj obrázku: autor]

Široké množství filtrů v sobě obsahuje nejprve položku „Urban Mobility Plan“. Tím si může uživatel vyfiltrovat pouze taková města, která nabízí plán k dispozici kompletně online a bez jakýchkoli dalších bariér. Pomocí okna „Inhabitants“ může návštěvník omezit selekci pouze na města s určitým počtem obyvatel. Zajímavé zde je využití dvou různých filtrů, které se odlišují tím, zdali do nich patří větší oblasti okolo samotných měst nebo ne. Kromě filtru na úrovni států pak ještě uživatel může využít konkrétní specifikace dle projektů Evropské komise, do kterých byla města zapojena.

Obrázek 5: Interaktivní mapa portálu eltis.org využitelná k hledání v databázi zapojených měst [zdroj obrázku: autor]

Případové studie

Zpřístupnění pestrého množství případových studií je jednou z nejzásadnějších funkcí, které portál nabízí. Význam zde tkví zejména v kompaktním uspořádání podkladů na jednom místě. Případové studie pak obsahují velké množství informací a dat včetně reálného využití na základě kterých pak mohou obce uzpůsobovat své jednání v oblasti využívání dopravní infrastruktury. Právě uspořádání zdrojů v podobě portálu jako eltis pak může městům pomoci.

Případové studie jsou navíc stěžejním článkem portálu pro tvorbu komunity, o což se eltis dlouhodobě snaží. Uživatelé mají možnost přispět do databáze s vlastními případovými studiemi (samozřejmě je nutné projít schvalovacím procesem) a rozproudit debatu o jejich správnosti či významu pomocí komentářů. Portál nabízí několik kategorií, do kterých jednotlivé případové studie spadají, jejich výčet je pak ukázán níže.

  • Cyklistika
  • Čistá a energeticky efektivní doprava
  • Management dopravního provozu
  • Flexibilní dopravní služby
  • Nacenění a management poptávky po dopravních službách
  • Organizace dopravy a integrace služeb
  • Povědomí o dopravě
  • Bezpečnost
  • Městská hromadná doprava
  • Chůze
  • Městská logistika
  • Doprava pro lidi se sníženou mobilitou
  • Doprava a územní plánování

Pro ilustraci toho, jak vypadá obsah, který je portálem poskytován dále neuškodí podívat se na to, jak vypadají jednotlivé případové studie konkrétně. Mezi jedny z nejzajímavějších, na které webový portál odkazuje, lze zařadit například posouzení opatření v podobě snížení rychlostního limitu v konkrétních londýnských čtvrtích na 20 mil za hodinu, což je problematika, která lze vztáhnout v současnosti na velmi aktuální téma. Dále se může návštěvník dočíst například o transformaci nočních autobusových linek v Budapešti z roku 2005, při které došlo prakticky k instantnímu zdvojnásobení průměrného počtu cestujících při zachování velmi nízkých výdajů.

Obrázek 6: Ukázky případových studií z České republiky z roku 2015 na portálu eltis.org [zdroj obrázku: autor]

Realita a možnosti využití

Ohledně reálných možností toho, jak portál a informace, které se na něm nachází využít, by se dalo bavit velmi dlouho. Většina závěrů by šla nicméně zobecnit na využití konkrétními městskými úřady. Ty mohou díky těmto informacím vylepšovat a plánovat dopravní systémy a jejich strukturu. Zejména v oblasti MHD a udržitelné mobility nabízí eltis skutečně velmi zajímavou sbírku poměrně specifických informací.

Kromě toho může portál nabídnout i využití v soukromé sféře například při plánování větších developerských projektů. Těm může poskytnout informace o tom, jakým způsobem je ideální postupovat, a následně přinést třeba i benefity finanční v podobě navýšení hodnoty na základě často jednoduše proveditelných kroků.

Mezi konkrétní profese, které by portál definitivně měly znát, a kterým by mohl pomoci se může řadit například urbanista, který jej může využít k efektivnímu územnímu plánování. Stejně tak by o portálu měli mít povědomí ředitelé a zaměstnanci dopravních služeb měst či obcí či dopravních společností, kterým může pomoci při plánování spojů, respektive při snaze o úsporná opatření. Kromě toho své uplatnění portál určitě najde také u společností zabývajících se výrobou a vývojem dopravních prostředků (a to zejména v případě kdy společnost vyvíjí například autobusy nebo tramvaje). Těmto firmám portál nabízí možnost přizpůsobit svůj produkt aktuálním trendům ve veřejné dopravě, což může ve výsledků vést například i k nezanedbatelné konkurenční výhodě.

Při výčtu možností využití portálu by asi neměly být opomenuty akademické články, bakalářské, diplomové či další práce a výzkumy, u kterých může eltis sloužit jako ideální platforma k získávání dat. Zejména u různých srovnávacích studií pak můžou být jednotlivé nástroje klíčem k porozumění a správné interpretaci dat. Díky galerii fotek a videí pak může uživatel získat i vizuální podklady, dále použitelné v tvorbě zmiňovaných dokumentů.

Doprava a galerie fotografií na portálu eltis.org
Obrázek 7: Ukázka galerie fotografií na portálu eltis.org [zdroj obrázku: autor]

Open source jako cesta

Výběr informačního zdroje nebyl náhodný. Kromě možností vyhledávání, samotného tématu či pozoruhodné struktury je totiž zajímavá na portálu ještě jedna další důležitá věc, kterou je právě snaha o tvorbu určitě komunity a snaha o transparenci a zveřejňování informací. Velká část článků a vlastně celého obsahu je tvořena přímo uživateli portálu a ti jsou zároveň do jisté míry zodpovědní za jeho fungování.

Portál tak nabízí uživatelům a občanům Evropské unie možnost přispívat do veřejného prostoru v podobě internetu s informacemi třeba i o jejich rodném městě, které mohou být následně využity ku prospěchu nás všech. Možnost tvorby obsahu tak není omezená na úzké spektrum redaktorů, což je do jisté míry unikum, uvědomí -li si čtenář fakt, že je financován přímo ze zdrojů Evropské unie, a tudíž i členských států. Možná tak bude eltis kromě spolehlivých a kvalitně strukturovaných informací přispívat k fungování společnosti i jiným způsobem, a to přiblížením Evropské unie k samotným občanům a propagací toho, že otevřená data mohou být využívána i v případě států a nadnárodních entit.

Obrázek 8: Ukázka výsledku vyhledávání v databázi zapojených měst na portálu eltis.org – doprava a SUMP v Písku [zdroj obrázku: autor]

Závěr

Domnívám se, že portál eltis.org nabízí návštěvníkům unikátní možnost důkladně prozkoumat oblast veřejné dopravy v Evropě. Portál nabízí široké spektrum zdrojů, ze kterých lze dále čerpat, a mnohé filtry či funkce k jednoduššímu vyhledávání, které přispívají k snadné orientaci návštěvníka. Kromě toho je eltis velmi specifický svým postojem k budování komunity, což není u nástrojů či iniciativ z pera států či (jako je tomu v tomto případě) Evropské unie zvykem.

Právě zapojení členů a návštěvníků do procesu tvorby obsahu je totiž k fungování celého portálu klíčové. Pomocí odkazů na jednotlivé dokumenty je potom možné zjistit až nepřeberné množství informací, které můžou značně ulehčit práci jak obecním úřadům, tak velkým společnostem. Kromě toho pak webové rozhraní, i přes na první pohled nudný vizuál, nabízí velké množství nástrojů, které zaručí to, že bude návštěva zajímavá i pro do problematiky původně nezainteresovaného uživatele, kterým jsem vlastně byl v počátku i já.

Nástroj v podobě webové platformy přispívá zejména k porozumění v oblasti dopravy, přičemž se soustředí hlavně na její udržitelnost a větší územní celky v podobě měst. Působí zároveň jako archiv případových studií a článků, které se týkají daného tématu. Kromě toho využívá portál aktivní komunity k pořádání akcí a konferencí. Během pandemie COVID-19 byl pak aktivní i v šíření ověřených informací, týkajících se pandemie. Kromě samotné dopravy se často články a další materiály věnují i přidruženým oblastem.

Jako informační zdroj je portál spolehlivý a vzhledem k zřejmému napojení na Evropskou komisi a potažmo Evropskou unii nehrozí v blízké době konec jeho fungování. Data jsou uspořádána hierarchicky a orientace v portálu je velmi jednoduchá. Platforma tak ve výsledku působí jako studnice informací, která odpovídá tomu, co by člověk při přečtení jejího popisu očekával a zároveň přidává něco navíc.

Zdroje

[1] eltis.org – The Urban Mobility Observatory [online]. [cit. 6.12.2023]. Dostupné z: https://www.eltis.org

Kaggle: Svet machine learningu s více jak 8 miliony užívateľov

Autor:
Samuel Repka
-
0
closeup photo of eyeglasses

Dnešná doba je charakteristická príliš veľa informáciami, ktoré je potrebné spracovávať a analyzovať. Na to, aby to bolo možné realizovať, je potrebné mať vhodné nástroje a znalosti. Jedným z nástrojov, ktorý môže pomôcť splniť tento cieľ, je Kaggle.

Čo je to Kaggle a čo má spoločné s machine learning

Kaggle je online komunitná platforma, ktorá slúži rôznym expertom a nadšencom, ktorí sa zaujímajú o Machine Learning či Data Science. Umožňuje kolaborovať užívateľom medzi sebou a tiež pridávať a hľadať rôzne datasety. Taktiež je tam možnosť súperiť s ostatnými v rôznych súťažiach. Platforma bola založená Anthonym Goldbloomom a Jeremym Howardom v roku 2010, o sedem rokov neskôr v roku 2017 ju odkúpil Googlom a je momentálne vlastníkom tejto platformy. Cieľom tejto platformy je pomáhať profesionálom či študentom dosahovať ich ciele vo vede za použitím výkonných nástrojov a zdrojov, ktoré platforma poskytuje. K roku 2021 bolo na platforme zaregistrovaných vyše 8 miliónov užívateľov (Uslu 2022).

Vyhľadávanie na Kaggle

Na Kaggle je možné vyhľadávať niekoľkými spôsobmi. Hneď na úvodnej stránke v navigačnej lište sa nachádza vyhľadávacie pole, pomocou ktorého si môže užívateľ vyhľadať rôzne datasety, modely, komentáre. kódy, diskusie či kódy.  Ďalšou možnosťou je hľadať na konkrétnych stránkach, kde sa tiež nachádza vyhľadávanie, to môže byť pre užívateľa prívetivejšie, pretože väčšinou si chce nájsť konkrétnu vec, napríklad dataset, takže nemusí použiť všeobecný vyhľadávač na úvodnej stránke. Popis aj printscreeny boli spravené na základe webovej stránky kaggle.com, čo je hlavný zdroj pre tento článok

Vyhľadávanie cez úvodnú stránku

Po kliknutí do poľa sa mi toto vyhľadávacie okno zväčší a ten zobrazí nejaké časté vyhľadácia textové reťazce a tiež populárne tagy. Užívateľ si však samozrejme môže zvoliť svoj vlastný textový reťazec a podľa neho vyhľadávať. Pre ukážku bol zvolený textový reťazec “student performance”.

Obrázok zobrazujúci hlavnú stránku Kaggle, platformy pre machine learning

Obrázok 1 Úvodná stránka platformy s vyhľadávacím poľom na pravej strane. (zdroj: autor)

Obrázok 2 Po kliknutí do vyhľadávacieho poľa sa rozšíri toto vyhľadavacie pole, to potom zobrazuje nejaké trendy, ktoré sú veľmi často vyhľadávané a tiež tagy. (zdroj: autor)

Po zadaní tohto reťazcu sa mi zobrazia výsledky, ktoré s ním súvisia. Tieto záznamy je možné si filtrovať rôznymi spôsobmi. Hneď pod textovým poľom je vidieť šesť kategórii výsledkov:

  1. Notebooks 
  2. Témy (Topics)
  3. Datasety (Datasets)
  4. Komentáre (Comments)
  5. Súťaže (Competitions)
  6. Modely (Models)

Kliknutím na jednotlivé položky si je možné filtrovať záznamy podľa potreby. Avšak je možné ďalej filtrovať aj na základe parametrov na ľavej strane, tu sa ponúkajú možnosti filtrovania podľa:

  • dátumu
  • autora
  • veľkosti datasetu
  • typu súboru
  • licencie
  • modelu
  • frameworku
  • jazyku
  • tzv. Competition Evaluation Algorithm
  • tagov

Obrázok 3 Zobrazené výsledky po zadaní konkrétneho textového reťazca do vyhľadávacieho poľa. (zdroj: autor)

Vyhľadávanie cez konkrétne stránky

Ako je spomínané vyššie, tak je možné vyhľadávať záznamy aj cez stránky, ktoré sa zobrazujú v navigácii na úvodnej stránke platformy. 

Súťaže (Competitions)

Na stránke so súťažami je možné vyhľadávať opäť pomocou nejakého textového reťazca. Ten je potom možné filtrovať nasledujúcimi spôsobmi. Prvým z nich je filtrovanie podľa možností pod textovým poľom, tie môžu byť napríklad tieto: všetky datasety, obľúbené, výskumné alebo komunitné. Ďalšou možnosťou je rozkliknúť záložku filter a filtrovať týchto parametrov:

  • stav
  • ceny a odmeny
  • kategórie
  • účasť
  • pre hostiteľov

Obrázok 4 Stránka so súťažami a možnosti filtrovania.

Po kliknutí na konkrétnu súťaž je možné vidieť popis, o akú súťaž sa jedná, ako sa prihlásiť a čo je úlohou. V záložke Data sa potom nachádzajú dáta, ktoré sú potrebné k analýze alebo spracovaniu. Code a Model záložky obsahujú riešenia tejto úlohy 

Obrázok 5 Popis konkrétnej súťaže.

Datasety (Datasets)

Stránka s datasetmi obsahuje filtry s týmito parametrami. Pod vyhľadávacím poľom je možné si filtrovať záznamy napríklad podľa toho datasetov ohľadom vzdelania, počítačovej vedy či dátovej vizualizácie. Ďalšími možnosťami, ako vyhľadávať, je vyhľadávanie podľa:

  • tagov
  • veľkosti súboru
  • licencie
  • hodnotenie použiteľnosti

Obrázok 6 Stránka s datasetmi a možnosti filtrovania.

Po kliknutí na dataset je možné hneď vidieť popis, o aký dataset sa konkrétne jedná, ten sa nachádza v záložke Data card. Ďalej v nej nájdeme ďalšie info ako napríklad to, ako často je využívaný tento dataset (atribút usability rating), pod akou licenciou je dostupný a tiež tagy. Pod popisom je možné nájsť daný dataset, vo väčšine prípadov je vo formáte csv, pri ňom je možné vidieť, koľko záznamov a stĺpcov obsahuje. V záložke je možné nájsť aj nejaký kód (napr. v Pythone alebo R), ktorým niekto spracovaval daný dataset a tiež je možnosť diskutovať o datasete v záložke discussions.  

Obrázok 7 Popis konkrétneho datasetu.

Modely (Models)

Modelová stránka sa líši vyhľadávaním a filtrovaním oproti predchádzajúcim dvom stránkam. Na tejto stránke je filtrovanie len pod vyhľadávacím poľom, tam je opäť niekoľko možnosť, ako si nájsť záznamy. Prvou možnosť je možnosť všetky filtre, sú v nej obsiahnuté všetky atribúty, pomocou ktorých sa dá filtrovať, zoznam je tento:

  • úloha
  • dátový typ
  • framework
  • vydavateľ
  • jazyk
  • licencia
  • veľkosť
  • hodnotenie použiteľnosti

Obrázok 8 Stránka s modelmi a možnosti filtrovania.

Podobne ako pri datasetoch, tak aj po otvorení konkrétneho modelu je možné vidieť jeho popis. Vedľa neho je potom možné nájsť, aký framework bol použitý, aká je jeho používanosť a tagy, pod ktorými je možné ho nájsť. Pod ním je potom možné vidieť, aký model bol konkrétne použitý, taktiež je tam rozsiahly popis o tom, ako ho je možné použiť. Taktiež je tam možné nájsť záložku Code, kde je vidno, ako bol tento model spracovaný niekým iným a tiež záložku Discussions, kde je možné diskutovať o danom modely. 

Obrázok 9 Popis konkrétneho modelu.

Kódy (Code)

Stránka s kódmi už má opäť rovnaký spôsob vyhľadávania a filtrovania ako prvé dve stránky. Opäť tu vidíme textové pole, pomocou ktorého sa dajú vyhľadávať jednotlivé kódy. Pod týmto textovým poľom opäť nájdeme niekoľko možností, ako si rýchlo filtrovať záznamy, sú tam napríklad tieto možnosti: Python, R alebo NLP. V textovom poli sa napravo opäť nachádza záložka filter, ktorá ponúka tieto možnosti filtrovania:

  • tagy
  • jazyk
  • výstupy
  • typy
  • akcelerátor

Obrázok 10 Stránka s kódmi a možnosti filtrovania.

Detail konkrétneho kódu obsahuje tzv. Notebook, v ňom nájdeme kód, ktorým môžeme analyzovať dáta podľa potreby. V záložke Input je možné nájsť vstupné dáta, ktoré sa spracovávajú a v záložke Output výstup, ktorý vyplynul zo spracovania. Taktiež sú k dispozícii aj komentáre, kde sa môže daný kód diskutovať. 

Obrázok 11 Popis konkrétneho kódu.

Diskusie (Discussions)

Stránka s diskusiami tiež ponúka možnosti vyhľadávania. Oproti zvyšným stránkam však funguje trochu inak. Na začiatku sa užívateľovi zobrazia jednotlivé fóra, ktoré si užívateľ môže vybrať. Po kliknutí už je to vyhľadávanie podobne ako v predchádzajúcich stránkach. Do textového poľa je možné zadať textový reťazec, ktorý dokáže nájsť záznamy užívateľovi, ktoré potrebuje. Pod týmto poľom sa nachádzajú tri taby, pomocou ktorého sa dajú pozerať záznamy, tie umožňujú zobrazovať: 

  • všetky záznamy
  • záznamy vo vlastníctve
  • záložky

Filtrovanie je potom možné pomocou záložky, ktoré sa nachádza v textovom poli vpravo, to ponúka tieto možnosti filtrovania podľa:

  • aktuálnosti
  • autora
  • tagov

Obrázok 12 Stránka s kategóriami jednotlivých diskusií. (zdroj: autor)

Obrázok 13 Stránka s konkrétnou kategóriou. (zdroj: autor)

Po rozkliknutí niektorej z diskusii je možné na začiatku vidieť popis diskusie a pod ňou komentáre k danej téme. 

Obrázok 14 Stránka s konkrétnou diskusiou. (zdroj: autor)

Kurzy (Courses)

Stránka s kurzami obsahuje vyhľadávanie kurzov, pomocou ktorých je možné sa vzdelávať v oblasti Machine Learningu či Data Science. Tieto kurzy sú zadarmo a je možné z nich dostať aj certifikát. Na rozdiel od ostatných stránok nie je možné filtrovať záznamy.

Obrázok 15 Stránka s kurzami. (zdroj: autor)

Po kliknutí na konkrétny kurz sa zobrazia užívateľovi videá, ktorý daný kurz má, je možné si pozrieť aj nejaké komentáre ku kurzu. 

Obrázok 16 Stránka s konkrétnym kurzom. (zdroj: autor)

Záver

Kaggle je veľmi užitočná platforma, ktorá slúži expertom a nadšencom v oblasti machine learningu. V práci boli predstavené možnosti vyhľadávania zdrojov, to je možné buď to podľa vyhľadaváča na úvodnej stránke, prípadne použiť vyhľadávač na jednotlivých stránkach. To je podľa môjho názoru lepšie na jednotlivých stránkach, pretože je to to komplexnejšie a vyhľadávanie je presne nastavené na to, či sa jedná o dataset alebo model. 

Zdroje

KAGGLE. Kaggle: Your Machine Learning and Data Science Community [online] [vid. 2023-12-06]. Dostupné z: https://www.kaggle.com/
USLU, Çağlar, 2022. What is Kaggle? [online] [vid. 2023-12-06]. Dostupné z: https://www.datacamp.com/blog/what-is-kaggle

OECD iLibrary: Klíčový zdroj pro mezinárodní ekonomii, politiku a vědu

Autor:
Marie Schulzová
-
0
desk globe on table

Úvod

V dnešním světe charakterizovaném výrazným vlivem procesů globalizace se často setkáváme s problematikou nadměrného množství informací, které mohou vyústit v tzv. informační přehlcení. Z tohoto důvodu je nezbytné, aby uživatelé projevovali zájem a schopnost efektivního filtrování informací a vybírali nejenom kvalitní, ale také důvěryhodné informační zdroje.

OECD iLibrary je součástí mezinárodní organizace OECD (The Organisation for Economic Co-operation and Development), jejímž hlavním posláním je aktivně podporovat formulaci optimálních politik s cílem dosáhnout zlepšení životních podmínek. Tato organizace se snaží poskytovat klíčové informace svým 38 členským státům, jež jsou důležité pro jejich rozhodování a budoucí směr (OECD iLibrary, 2023a).

Platforma OECD iLibrary je centrálním informačním portálem expertízy OECD. Zveřejňuje na svém webu různá doporučení, analýzy a data, které mají nadále pomáhat v nalezení nejlepšího řešení především v oblasti vědy a politiky. Obsahuje rozsáhlé množství dat, publikací a statistik a je tak nástrojem, který usnadňuje dostupnost dat z databází vlastněných nejen OECD, ale také organizacemi IEA (International Energy Agency), Rozvojovým centrem OECD, programem PISA (Programme for International Student Assessment) a ITF (International Transport Forum) (OECD iLibrary, 2023a).

K orientaci na stránce může uživatel zvolit jeden ze tří nabízených jazyků – angličtinu, francouzštinu nebo japonštinu (OECD iLibrary, 2023a).

OECD iLibrary nahradilo stránku SourceOECD v červenci 2010 (OCUL, 2011).

Jak vyhledávat v OECD iLibrary

OECD iLibrary nabízí uživatelům více možností, které jim pomáhají snadněji se orientovat na stránce a najít potřebné informace. Na obrázku 1 je zachycen úvodní náhled webové stránky OECD iLibrary po jejím spuštění.

OECD iLibrary úvodní stránka
Obrázek 1 Úvodní stránka OECD iLibrary. [zdroj obrázku: autor]

V horní části webu je umístěné vyhledávací pole, kam uživatel může zadat klíčové pojmy a kliknutím na ikonu lupy tak zahájit proces vyhledávání. Po zadání klíčového slova je uživatel přesměrován na stránku s nalezenými výsledky (viz obrázek 2), kde lze vidět počet všech nalezených relevantních výsledků a také další filtrační nástroje, které budou popsány v pozdější části.

Základní vyhledávání
Obrázek 2 Příklad jednoduchého vyhledávání v OECD iLibrary. [zdroj obrázku: autor]

Pokročilé možnosti vyhledávání v OECD iLibrary

OECD iLibrary kromě prostého vyhledávání nabízí i tzv. Advanced Search neboli pokročilé vyhledávání. To nabízí uživatelům získat přesnější a relevantnější výsledky s pomocí různých operátorů a filtrů, které umožňují zadat komplexnější hledací dotazy.

Podoba pokročilého vyhledávání na webu je zachycena na obrázku 3. Lze si všimnout že po stručném popisu této funkce, má uživatel opět možnost zadat klíčová slova/fráze, podle kterých se bude poté vyhledávání řídit. Oproti základnímu vyhledávání má však uživatel možnost zadat klíčových slov více a zároveň je doplnit i o operátory, přičemž OECD iLibrary uznává:

  • operátory AND (A), OR (NEBO) a NOT (NE)
  • uvozovky, které pomohou uživateli zachytit přesné znění fráze a nepozměnit ji
  • hvězdičky (*), které nahradí libovolný počet znaků.
Pokročilé vyhledávání
Obrázek 3 Pokročilé vyhledávání v OECD iLibrary. [zdroj obrázku: autor]

V další části pokročilého vyhledávání jsou filtrační nástroje. Mezi filtrační kritéria, který OECD iLibrary nabízí, patří vyhledávání podle:

  • data,
  • výtisku,
  • jazyka,
  • typu obsahu,
  • téma
  • země.

Pokročilé vyhledávání také nabízí funkci „Sort by“, což má za funkci seřazení obsahu podle nejnovějšího/nejstaršího nebo podle relevance.

Vyhledávání podle kategorií

Pokud uživatel neví, co přesně hledá, může místo vyhledávacích okének využít vyhledávání podle předem daných kategorií. Uživatel má na výběr vyhledávání podle tématu („Browse by Theme“), dále pak podle země („Browse by Country“) anebo kombinaci těchto dvou („Browse by Theme and Country“). Posledními možnostmi je výběr z okének s názvy „Catalogue“ a „Statistics“.

Vyhledávání podle tématu nabízí uživateli celkem 17 kategorií, ze kterých si lze vybírat. Jména jednotlivých kategorií jsou zachyceny na obrázku 4. Jedná se například o kategorii zemědělství, ekonomie, vzdělání, finance, průmysl, obchod nebo doprava.

Obrázek 4 Vyhledávání podle kategorií: téma. [zdroj obrázku: autor]

Vyhledávání podle zemí je rozdělené po abecedních intervalech, a to z důvodu, aby bylo dosáhnuto vyšší přehlednosti. Na obrázku 5 je zobrazen výběr písmen od A do C a příslušné země spadající do této kategorie.

Obrázek 5 Vyhledávání podle kategorií: země. [zdroj obrázku: autor]

Záložka „Browse by Theme and Country“ nabízí kombinaci předešlých kategorií.

Záložka Catalogue se věnuje následujícím 7 druhům informací (obrázek 6), které uživatel může na webové stránce nalézt. Jedná se o:

  • knihy,
  • odborné články,
  • statistiky,
  • podcasty,
  • OECD politické reakce,
  • nedávno vydané tituly,
  • a nadcházejí tituly.
Obrázek 6 Výběr obsahu z katalogu. [zdroj obrázku: autor]

Dostupnost a typy předplatného

Pokud jde o přístupnost k obsahu na stránce OECD iLibrary, existují tři různé formy dostupnosti publikací na webových stránkách – jedná se o tzv. přístupové klíče, které lze vidět na obrázku 7. Dokumenty, které jsou označené modrým kolečkem, má uživatel k dispozici v plné verzi, i bez předplatného (OECD iLibrary, 2023c).

Některé publikace jsou však k dispozici pouze pro čtení, tzn. možnost zobrazit si jen webovou verzi dokumentu, odkud uživatel nemůže provádět další operace (např. text z dokumentu nelze kopírovat). Lze si je zobrazit stisknutím tlačítka READ nebo WEB. Publikace určené pouze k čtení jsou označeny oranžovým kolečkem (OECD iLibrary, 2023c).

Přístupové klíče v OECD iLibrary
Obrázek 7 Přístupové klíče v OECD iLibrary. [zdroj obrázku: autor]

Uživatel má také možnost zaplatit si předplatné, a tím si tak zajistit plný přístup k obsahu v OECD iLibrary. Lze si předplatit jednotlivé balíčky – od tematických kolekcí po statistické databáze a jednotlivá periodika. Předplatné zahrnuje online přístup pro neomezený počet uživatelů na jednom místě. Dostupný online přístup zahrnuje jak aktuální vydání, tak i retrospektivní katalog všech online vydání v libovolném jazyce. Uživatel získá i trvalý přístup k předplacenému obsahu, a to i po uplynutí doby platnosti předplatného (OECD iLibrary, 2023c).

Jak již bylo zmíněno výše, v OECD iLibrary má uživatel na výběr z vícero možností předplatného. Tzv. OECD iLibrary Full Package se vztahuje k neomezenému přístupu k veškerému obsahu nabízeného v knihovně. Ceny za tento typ předplatného jsou zobrazeny v obrázku 8.

Obrázek 8 Ceny za předplatné balíčku Full Package. [zdroj obrázku: autor]

Pokud uživatel potřebuje přístup pouze k určité oblasti knihovny, může si zvolit tematické předplatné, které zajišťuje online přístup ke zveřejněnému obsahu v rámci jednoho tématu. Tematických balíčků existuje celkem 17 a jejich obsah zahrnuje různé oblasti – od ekonomiky až po vědu a technologie. Tento typ předplatného má za výhodu to, že si každý uživatel může individuálně vybrat obsah nejvíce odpovídající jeho konkrétním zájmům a potřebám. Tímto OECD iLibrary nabízí svým čtenářům flexibilitu a personalizaci při využívání obsahu na platformě.

Jako poslední z možností předplatného je předplatné časopisů a periodik zveřejněných na OECD iLibrary, který zahrnuje přístup k aktuálnímu číslu i ke zpětnému katalogu dostupnému v knihovně OECD iLibrary. Statistické ročenky OECD jsou rozšířeny o obsah nabízený v připravených tabulkách a v různých formátech: PDF, XLS a WEB/HTML. Každá publikace je rozdělena do kapitol a tabulek, které jsou jednotlivě indexovány a odkazovány podle zemí nebo proměnných.

Mezi výhody předplatného OECD iLibrary patří:

  • přístup k veškerému obsahu knihovny OECD iLibrary nebo k předplacenému balíčku,
  • možnost stahování dokumentů ve formátech PDF, XLS, EPUB and MP3,
  • technická a zákaznická podpora,
  • nový nástroj pro vyhledávání obsahu (Research Assistant),
  • přidání firemního loga pro instituce,
  • a další (viz OECD, 2023).

Celosvětově má stránku OECD iLibrary předplacenou 2 500 institucí s více než 500 000 uživateli a je dostupná ve více než 100 zemí. Využívají ji především univerzity, výzkumné organizace, knihovny, podniky, právní a finanční služby, vlády, veřejná správa ad (OECD iLibrary, 2023a).

Struktura zdroje a typologie datasetu

Jak bylo již zmíněno v úvodním představení, OECD iLibrary je centrální informační platformou OECD. Poskytuje uživatelům přístup do celkového počtu 44 databází a rovněž ke všem reportům, dokumentům, elektronickým knihám a časopisům vydávaným OECD.

Každým rokem se na web OECD iLibrary publikuje kolem 500 nových titulů. K listopadu 2023 je na stránce přes 18 000 tisíc elektronických knih, 100 000 kapitol, 300 000 tabulek a grafů, 190 podcastů, 2 500 článků a dalších. Celkem se zde nachází kolem 7 miliard datových bodů v celkem 44 databázích (OECD iLibrary, 2023a).

Knihy

Knihy publikované na OECD iLibrary lze filtrovat na základě několika kritérií (tématu, země, roku atd.). U každého titulu je uveden základní popis knihy, rok vydání, počet stran, jazyk, DOI adresa, autor, obsah a názvy jednotlivých kapitol a další.

Odborné články

Sekce s odbornými články nabízí podobné funkce jako knižní sekce. Mimo to, že lze články filtrovat na základě jejich názvu, roku vydání, jazyka a země, který se článek týká, je zde i možnost nahlédnout do různých kategorií publikovaných článků: jedná se jednak o odborné časopisy, ve kterých jsou různé články vydávány; dále o periodika neboli časopisy/noviny, zejména na vážné téma, které jsou publikovány na pravidelné bázi (Cambridge dictionary, 2023a); a pracovní a politické dokumenty (tzv. Working and Political papers), což jsou zprávy, které sledují konkrétní problém nebo situaci většinou s cílem navrhnout doporučení na zlepšení (Cambridge dictionary, 2023b).

Konkrétní odborný článek po rozkliknutí opět obsahuje základní informace, jako je abstrakt, jazyk textu, klíčová slova, JEL klasifikaci, rok vydání, počet stran, autory a DOI adresu.

Mimo to má uživatel u každého článku i knihy možnost vytvořit automatickou citaci po stisknutí tlačítka „CITE THIS PUBLICATION/PAPER“, kterou si dále může exportovat do citačních softwarů, jako je například EndNote, Zotero nebo BibTeX.

Data

OECD iLibrary nabízí rozmanité datasety, které především zahrnují ekonomická, sociální a enviromentální data. Z velké části jsou data poté prezentována v podobě tabulek, grafů a textových dokumentů. Na platformě se nachází historické ale i velmi aktuální data sety, což nabízí uživatelům možnost sledovat dlouhodobé trendy a vývoj. Jednotlivé data sety lze nalézt pod záložkou „Statistics“. Data lze bezplatně stáhnout v podobě excelovského souboru, csv, PC-axis, Developer API nebo XML.

Nicméně je zde důležité zmínit je, že OECD iLibrary se primárně nezabývá poskytováním dat pro další analýzy. Od toho existuje stránka s názvem OECD Data (2023).

Podcasty

Nově začalo OECD iLibrary zveřejňovat i své podcasty, ke kterým se uživatel může lehce dostat v záložce Podcasts. Podcasty jsou veřejně dostupné ve formátu MP3 a pro uživatele s předplaceným obsahem i ve formátu PDF.

Příklady využití

Příkladů využití obsahu na OECD iLibrary je spoustu. První doporučenou oblastí, pro kterou může být OECD iLibrary vhodným zdrojem, je akademický výzkum, který vyžaduje kvalitní a důvěryhodné zdroje. Analýza a citace dat a zpráv zde publikovaných pozvedne kvalitu vědeckých prací a vytvoří tak silný základ, o který se práce mohou opírat.

Další z oblastí je bezesporu podniková stránka. Podniky mohou využívat různé OECD statistiky a analýzy z ekonomických zpráv pro jejich další rozhodování, tvorbu business strategií a přizpůsobovat se tak trendům, které jsou v rámce OECD iLibrary identifikovány.

Nesmíme opomenout také sféru vládních politik, které jsou vyzývány k tomu sledovat zde mezinárodní trendy a doporučení OECD, které jim pak nadále pomáhají v tvorbě efektivních a udržitelných politik.

Obsah OECD iLibrary je vhodným také pro žurnalistiku jakožto kvalitní zdroj informací a statistik pro psaní informovaných článků o mezinárodních tématech.

Závěr 

Informační zdroj OECD iLibrary hraje klíčovou roli v poskytování odborného obsahu v oblasti ekonomie, politiky a vědy. Uživatelé mohou využívat různé formy přístupu k této platformě, včetně bezplatného prohlížení a čtení některých publikací a placeného předplatného s neomezeným přístupem k veškerému obsahu, který navíc nabízí uživatelům i rozsáhlé výhody.

Platforma ulehčuje svým uživatelům vyhledávání obsahu pomocí jednoduchého i pokročilého vyhledávacího nástroje, které umožňují efektivní a přesné vyhledávání konkrétních témat. Výběr podle předem daných kategorií (země, téma, katalog) pomůže uživateli se na stránce zorientovat a uvede ho tak do různých témat, které OECD iLibrary nabízí.

OECD iLibrary slouží jako důležitý zdroj informací pro různé sféry a se stala nepostradatelným nástrojem v oblasti akademického výzkumu, tvorbě business strategií a formování efektivních vládních politik. Celkově lze říci, že OECD iLibrary přináší širokou škálu odborných a velmi aktuálních informací, což ocení především ti čtenáři, kteří hledají kvalitní a důvěryhodný obsah v oblasti mezinárodní spolupráce a rozvoje.

Zdroje

  1. Cambridge Dictionary, 2023a. periodical. In: Cambridge Dictionary [online]. Dostupné z: https://dictionary.cambridge.org/dictionary/english/periodical
  2. Cambridge Dictionary, 2023b. working paper. In: Cambridge Dictionary [online]. Dostupné z: https://dictionary.cambridge.org/dictionary/english/working-paper
  3. OCUL, 2011. OECD iLibrary (formerly: Source OECD). In: Ontario Council of University Libraries [online]. Dostupné z: https://web.archive.org/web/20160305080300/http:/oculd.scholarsportal.info/dbs/view.php?dbid=162
  4. OECD Data, 2023. Organisation for Economic Co-operation and Development. Dostupné z: https://data.oecd.org/
  5. OECD iLibrary, 2023a. About OECD iLibrary. In: OECD iLibrary [online]. Dostupné z: https://www.oecd-ilibrary.org/oecd/about#whofor
  6. OECD iLibrary, 2023b. OECD iLibrary Subscription Products. In: OECD iLibrary [online]. Dostupné z: https://www.oecd-ilibrary.org/oecd/purchasing/subscriptionproducts
  7. OECD iLibrary, 2023c. Purchasing Subscriptions and Publications. In: OECD iLibrary [online]. Dostupné z: https://www.oecd-ilibrary.org/oecd/purchasing
  8. OECD, 2023. Why subscribe to OECD iLibrary. In OECD iLibrary [online]. Dostupné z: https://assets.oecdcode.org/ilibraryres/OECDiLibrary_factsheet2021.pdf

Výzvy a etika používání Competitive Intelligence

Autor:
DVelner
-
0

Úvod

V neklidných vodách dnešního trhu Competitive Intelligence (CI) neboli konkurenční zpravodajství představuje klíčový prvek moderního podnikání, který firmám umožňuje efektivně monitorovat a analyzovat tržní prostředí, identifikovat příležitosti a hrozby a strategicky se rozhodovat na základě informací o konkurenci.

21. století sebou přineslo mnohé změny jak v lidském chování, tak ve změně stavu a fungovaní společnosti jako takové.  Vytváření nových a zdokonalování stávajících technologií dospělo do bodu, kdy hovoříme o třetí průmyslové revoluci, také přezdívané jako digitální revoluce. Tato situace sice začíná již od druhé poloviny 20. století, nicméně k největšímu rozšíření mezi běžné obyvatelstvo došlo až na začátku 21. století (What is the digital revolution, 2023). V dnešní době má přístup k internetu přes 63% celé lidské populace a až 91 % lidí má k dispozici mobilní zařízení (TURNER, Ash, 2023). Tento poznatek je velice zásadní, jelikož digitální technologie, a jejich využívání běžnou populací, urychlují proces globalizace. Globalizace se sebou přináší i růst konkurence a zároveň potřebnost informací, které hrají klíčovou roli pro vznik konkurenčních výhod a celkovému zajištění přežití firmy na trhu.

CI je systematický proces shromažďování, analýzy a interpretace informací o konkurentech, trhu a dalších relevantních faktorech, které ovlivňují jejich podnikání. Implementace a využívání CI však přichází i s mnoha výzvami. Častokrát je nutno se zabývat složitým sběrem dat, jejich správné interpretaci nebo také ochrana důvěrných a citlivých poznatků, tak zároveň i výzvami etického charakteru. Takovými výzvami mohou být respektování soukromí, dodržování zákonů a morální aspekty získávání a používání informací.

CI musí být prováděna zodpovědně a eticky, s respektem k platným zákonům, soukromí a morálním principům. Pouze tak může CI sloužit jako skutečný kompas k dosažení trvalé konkurenční výhody a budování vzkvétajícího byznysu. Cílem této eseje je poskytnout přehled o problematice CI a nabídnout pohled na její využití v praxi.

Definice Competitive Intelligence

Existuje několik různých definic CI, ale všechny se shodují na tom, že jde o systematický přístup k získávání relevantních dat a jejich transformaci na užitečné informace. Níže je uvedena jedna z nich.

„…proces etického získávání, analýzy a šíření přesných, konkrétních, nadčasových a předvídatelných informací v oblasti předmětu podnikání, konkurence a organizace samotné …“ (Fleisher, Bensoussan, 2002)

Díky českému překladu, který zní „konkurenční zpravodajství“ může na první pohled problematika CI vyvolávat v lidech vcelku zavádějící pocity, jelikož lze tento pojem vcelku snadno v mysli zúčastněných zaměnit za termín „konkurenční špionáž“, která však není legislativou povolena a tudíž do tématu CI zásadně nepatří. (Bartes, 2022). CI je na rozdíl od špionáže založeno na legálních a etických metodách získávání informací, jako jsou analýzy veřejně dostupných zdrojů, průzkumy trhu, a sledování trendů v odvětví. Tento proces zahrnuje sběr dat, jejich následnou analýzu a interpretaci za účelem vytvoření strategických doporučení, která mohou organizacím pomoci při rozhodování a plánování. (Bartes, 2012)

Dle Bartese je důležitou součástí CI je tedy nejen samotné získávání dat, ale také schopnost tyto data správně analyzovat a využít. CI poskytuje firmám hlubší vhled do tržního prostředí a konkurenční situace, což jim umožňuje lépe se připravit na potenciální hrozby a efektivněji využít příležitostí. Klíčovým aspektem CI je její proaktivní charakter – nejde jen o reakci na současné tržní podmínky, ale také o předvídání budoucích trendů a vývojů, což umožňuje firmám zůstat krok před konkurencí.

Ve světě, kde je informace klíčem k úspěchu, se schopnost efektivně využívat CI stává stále důležitější. Firmy, které dokáží úspěšně implementovat CI do svých strategií, získávají významnou konkurenční výhodu, která jim umožňuje nejen přežít, ale i prosperovat v dnešním dynamickém tržním prostředí.

CI vs BI

Kromě pojmu Competitive intelligence se v praxi setkáváme také s pojmem „Business Intelligence“. Tyto pojmy mohou být laickou veřejností často zaměňovány. Zatímco CI se zaměřuje na získávání a analýzu externích informací o konkurenčním prostředí, trendech v odvětví a trhu jako celku, Business intelligence (BI) se zaměřuje na analýzu interních dat organizace. BI využívá technologie, aplikace a procesy k shromažďování, integraci, analýze a prezentaci obchodních informací z interních zdrojů, jako jsou prodejní data, finanční záznamy a provozní data. Hlavním cílem BI je zlepšit provozní efektivitu, optimalizovat procesy a podporovat taktické a strategické rozhodování na základě přesných a aktuálních interních dat. BI nástroje a systémy pomáhají firmám identifikovat vzory, trendy a korelace v jejich vlastních datech, což umožňuje lépe porozumět výkonnosti podniku a přijímat informovaná rozhodnutí. (Skyrius, 2021)

I když se CI a BI oba zaměřují na poskytování informací pro podporu rozhodovacích procesů, existuje mezi nimi zásadní rozdíl ve směru jejich zaměření. CI se specializuje na analýzu externího prostředí a konkurenčních faktorů, zatímco BI se soustředí na interní operace a data uvnitř organizace. Společným rysem obou přístupů je silný důraz na rozhodování založené na datech a snaha o dosažení konkurenční výhody. Firmy, které efektivně integrují CI a BI, získávají komplexní a ucelený pohled na tržní prostředí i svou vlastní výkonnost. Tato kombinace jim umožňuje lépe reagovat na výzvy a využívat dostupné příležitosti k dosažení strategických cílů. (Bartes, 2012)

Fáze Competitive Intelligence

Valná většina expertů a autorů, zabývajících se tématem CI se shoduje na faktu, že se tento cyklus dá rozdělit do 5, po sobě následujících, fází, viz obrázek níže.

Obrázek č.1 – Fáze procesu Competitive Intelligence

Zdroj: Thandra Consulting (2021)

Abychom mohli celý proces CI lépe pochopit je potřeba podívat se na každou z pěti fází ve větším detailu.

Fáze plánování a řízení

Jedná se o první a úvodní fázi celého procesu, při které je pro úspěšné dokončení celého procesu důležité zapojit všechny klíčové zúčastněné strany, případně zástupce instituce tak, aby byly stanoveny cíle, kterých se společnými silami budou snažit pomocí projektu dosáhnout.

Počátkem této fáze je nutné na základě rozhovoru pracovníků instituce, zabývajícími se oblastí CI, s managementem a zadavateli úkolu dosáhnout vhodného zhodnocení současné situace a zároveň v neposlední řadě definovat zadaný úkol. Všem osobám, zainteresovaným v tomto projektu, musí být známa forma zpravodajství, předmět zpravodajství a také komu je výsledek této analýzy určen. Důkladná příprava a jasná komunikace s vedením a dalšími zúčastněnými stranami zajišťuje, že celý proces bude probíhat hladce a efektivně. Zároveň je kladen důraz na to, aby tým zpravodajců byl schopen se rychle adaptovat na změny a přizpůsobovat svůj postup aktuálním potřebám. (Molnár, 2009)

Fáze sběru dat

Ve druhé fázi se tým zpravodajců zaměří na získání relevantních informací a dat z dostupných zdrojů. Během této fáze však přichází v potaz i mnoho překážek, kterými jsou čas, finance a etika, z tohoto důvodu je důležité vědět, co má být výsledkem analýzi, viz předchozí kapitola. Co se sběru konkrétních dat týče, je možné je sbírat vrámci organizace, například v marketingovém nebo strategickém oddělení, technických a výzkumných útvarech. Alternativně se také může zvážit nákup dat z externích zdrojů. (Molnár, 2009)

Fáze zpracování dat

V této fázi dochází k zpracování dat, formou jejich validace a celkového hodnocení shromážděných dat a informací tak, aby byla potvrzena jejich užitečnost a relevance, což je předpokladem pro následnou analýzu. Přesnost zpracování závisí na typu shromážděných dat nebo informací a na typu dostupného zpracovatelského systému. Například požadavky na zpracování dat pro využití pro korelace se liší od dat získaných z webových stránek ve srovnání s informacemi z diskuzí na sociálních sítích.

Důležitým krokem je také odstraněním „šumu“, neboli nepřesností v datech. Po úpravě surových dat se mohou odborníci na zpravodajství zaměřit na hodnocení, analýzu a interpretaci dat tak, aby vytvořili konečný produkt – hodnotnou informaci. Nezpracovaná a „surová“ data jsou k podpoře rozhodovacích procesů a případného strategického rozhodování do budoucna nepoužitelné, proto tento krok nesmí být opominut v žádném případu použití CI.

Fáze analýzy a produkce

Tato fáze zahrnuje transformaci získaných dat do ucelených informací. Prostřednictvím hodnocení, analýzy a interpretace analytici CI vytvoří informace, které jsou jednotného kontextu, pochopitelné a odpovídají na požadavkům, definovaným v první fázi, čímž mohou posloužit k usnadnění rozhodovacích procesů, což je ostatně i smysl celého tohoto procesu.

Klíčovými faktory, které jsou v rámci této fáze hodnoceny jsou relevance, přesnost a úplnost při uspokojování definovaného požadavku. Kontrola těchto faktorů zajišťuje, že výsledné zpravodajství nebude pouze zajímavé, ale bude i dostatečně přesvědčivé k tomu, aby vyvolalo konkrétní akci. Je tedy nezbytné zajistit, nejen relevanci informací, ale také přesnost a úplnost, aby získané informace mohly efektivně podporovat rozhodování a strategické plánování v budoucnu. (Molnár, 2009)

Fáze rozšíření informací a sběru zpětné vazby

Poslední fáze se zaměřuje a předání závěrečné zprávy managementu nebo komukoli, kdo si tuto analýzu objednal. Molnár (2012) uvádí, že zpravodajský výsledek musí mít využitelný obsah, srozumitelnou formu a musí být k dispozici ve správný čas. Tento požadavek splňuje tzv. pravidlo čtyř „R“: správný čas, správná kvalita, správné místo a správný produkt. Obsah produktu by měl naplňovat požadavky zpravodajského pentagramu – co (událost), kde (objekt), kdy (čas), proč (důvod) a jak (způsob).

Distribuce finálních informací může být odlišná s ohledem na jejich důvěrnost. Konečná informace totiž může obsahovat i citlivá témata nebo poznatky, jako jsou rozhovory, setkání manažerů, e-mail nebo v některých případech formou tištěných dokumentů. Podle Molnára (2012) je ideálním způsobem sdílení informací rozhovor vedený mezi analytikem CI a příslušným manažerem. Klíčovým faktorem při sdílení tohoto typu informací je bezpečnost, která je důležitá z důvodu prevence úniku informací. (Molnár, 2012).

Cyklus CI je kontinuální proces, který končí zpětnou vazbou od zadavatele ohledně hodnoty produktu. Pro jeho úspěšnost je důležité mít správně nastavené procesy, povinnosti a kompetence. Pokud daná instituce chce dosáhnout úspěšných výsledků v oblasti CI, pak by se měla řídit touto metodikou.

Výzvy spojené s Competitive intelligence

V první kapitole této eseje byla mimo jiné věnována popisu cyklu CI. S implementací celého tohoto cyklu přicházejí i mnohé výzvy, ať už problémy s managementem v definování správných požadavků, legislativou, technologickým stavem vybavení společnosti, personální, tak i výzvy etické, který se věnuje kapitola 3. (Budilová, 2008)

K jedné z technických výzev patří přesnost a spolehlivost datových zdrojů. Najít data, případně informace, který splňují to, že budou správná a přesná je pro profesionály, zabývají se problematikou CI velkou výzvou. Jedním z možných řešení je sledování kompletní digitální stopy každého subjektu, který je faktorem v konkrétní analýze CI. To by se dalo zařídit použitím webscrapingu, či jiného automatizovaného nástroje. S touto problematikou se samozřejmě pojí i skutečnost, jestli jsou získaná data aktuální. I v současné době je získávání real-time dat velice náročné jak časově, tak nákladově.

Pokud se však podaří všechny tyto překážky překonat a z dostupných dat vydolovat potřebné informace, může být také náročná vůbec interpretace výsledků správným zainteresovaným osobám. Tím je myšlena špatná dostupnost výstupů CI nebo špatně nastavené komunikační procesy v rámci společnosti. Informace zjištěné procesem CI je nutno sdílet pravidelně v častých intervalech, čímž by bylo možné tomuto problému předejít. (Mirman 2019)

Kromě technologických výzev však existují mimo jiné i výzvy spojené se zajištěním souladu s právními standardy, jako jsou CCPA a GDPR, při procesu sběru a využívání dat o konkurenci je zásadním aspektem. Dodržování regulací je velmi důležité pro udržování dobré jméno organizace a zároveň prevenci právních problémů. Kvůli různorodosti zákonů a předpisů v různých jurisdikcích je tato výzva velice složitá a časově náročná, jelikož je zapotřebí zajistit kvalitní právní tým v rámci organizace s dostatečnými znalostmi a schopností průběžného sledování dění.

V neposlední řadě je také nutno zvážit výzvu zakomponování výstupů CI do rozhodovacích procesů společnosti. Efektivní komunikace a spolupráce v rámci organizace je klíčová, jelikož CI má hodnotu jen v případě, kdy je efektivně zakomponováno do rozhodovacích procesů organizace. K překonání této výzvy je nutné, aby organizace byly schopny a ochotny organizovat školení zaměstnanců, na kterých by se naučili komunikovat na úrovni a také základy data-driven rozhodování, které je v dnešní době jedním z nejdůležitějších faktorů k udržení konkurenceschopnosti společnosti. (Javaid, 2024)

Etika Competitive intelligence

Competitive intelligence se, jak bylo již mnohokrát zmíněno často zaměňuje za obchodní špionáž nebo jiný, jí podobný, nelegální druh špionáže. Tato představa je však mylná, jelikož se odborníci, zabývající se tématem CI zavazují k používání pouze takových informací, které byly získány legitimní cestou. Aby se činnost dala označit pojmem „Competitive intelligenceů, musí se jednat o činnost etickou, legální a legitimní.

V tomto tématu je jedním z hlavních problémů přirozeně tenká hranice mezi tím, co je možné považovat za etické a co už ne. Lidé mají své subjektivní názory a postoje, a proto může mít tuto hranici každý jedinec nastavenou jinak. Rozdíly v pohledu na etiku se mohou lišit i mezi různými kulturami a národnostmi. Různé kulturní skupiny mohou mít jiné vnímání toho, co je špatné nebo co je správné.

Aktivity jako korupce za účelem získání informací, vydírání, personifikace jiné osoby, fyzické či digitální odcizení dokumentů a v neposlední řadě také odposlouchávání osob je považovány za neetické a rovněž nelegální. Na druhou stranu mezi metody etické a legální je zahrnováno využívání  informačních zdrojů, které jsou veřejné a dostupné, často i formou otevřených dat, zaměstnávání odborníků udržování plodných smluvních vztahů a spoluprací. (Budilová, 2008).

Navíc je zde komplikovaný vztah mezi etikou a legalitou, často se říká, že „co je legální, není nutně etické“. Je možné, že se specialista CI dostane do situace, ve které se bude potýkat s morálním dilematem. V případě, kdy si specialista není si jistý korektním postupem, je vhodné daný problém konzultovat se svými kolegy specialisty, případně i s právním oddělením společnosti (Fuld, 1995).

Otázkou etiky CI se zabývá globální nezisková organizace „Strategic and Competitive Intelligence Professionals“, která sdružuje profesionály, kteří se tématem CI zabývají. Jejím cílem je podporovat profesní růst svých členů prostřednictvím vzdělávacích programů, výměny znalostí a osvědčených postupů. Tato organizace zároveň vytvořila vlastní etický kodex v návaznosti na téma CI, který zavazuje členy této organizace k etickému chování. Tento kodex obsahuje následující zásady:

  • Neustále pracovat na zvyšování uznání a respektu profese
  • Dodržovat všechny příslušné mezinárodní i lokální zákony
  • Při rozhovorech být vždy transparentní a poskytnout pravdivé informace o své osobě a organizaci
  • Vyvarovat se situací, které by mohly vést ke střetu zájmů
  • Poskytovat doporučení a závěry, které jsou čestné a realistické
  • Propagovat tento etický kodex jak ve vlastní organizaci, tak mezi kolegy v oboru
  • Zůstat loajální ke své společnosti a důsledně dodržovat její politiku, cíle a směrnice

(SCIP, 2024)

Každý profesionál, zabývající se tématem CI, který se chce angažovat v organizaci SCIP by se měl řídít tímto kodexem. Dodržování tohoto kodexu je prospěšné pro dlouhodobý úspěch a vyšší uplatnění CI, jelikož nabádá k jednání s ohledem na odpovědnost, transparentnost a integritu, což pomáhá jak odborníkům v budování důvěry mezi sebou nebo svými klienty, tak oboru jako takovému.

Kodex organizace SCIP však není jediný, který se tohoto tématu týká. Existuje společnost „Association of independent information professionals“ (AIIP), která podobně jako organizace SCIP vytvořila vlastní kodex, který se však vztahuje na etické a profesionální standardy pro odborníky v oblasti informačních služeb, který je v okruhu obdorníků označován zkratkou „ICT“, jejíž význam je „Information and communication technology“. Oby tyto kodexy mají mnoho společných znaků. Níže je uveden etický kodex společnosti AIIP:

  • Udržovat a zlepšovat dobré jméno profese a dodržovat zásady čestnosti, kompetence a důvěrnosti
  • Poskytovat klientům co nejaktuálnější a nejpřesnější informace, s ohledem na dostupné finanční a časové možnosti
  • Pomáhat klientům pochopit spolehlivost použitých zdrojů
  • Přijímat pouze ty projekty, které jsou legální a nepoškozují naši profesi
  • Zachovávat důvěrnost informací klienta
  • Respektovat práva duševního vlastnictví
  • Dodržovat licenční smlouvy
  • Informovat klienty o jejich povinnostech v oblasti duševního vlastnictví a licenčních smluv
  • Udržovat profesionální vztahy s knihovnami a ctít pravidla přístupu k nim
  • Zajišťovat, že zaměstnanci společnosti budou tento kodex dodržovat

(AIIP, 2024)

Ačkoli se tyto kodexy mohou na první pohled jevit v mnohém odlišné, oba prosazují tu stejnou myšlenku, kterou je udržování morálky a neporušování zákonů a legislativy.

Není však vzácným pozorováním to, že si některé společnosti vytvářejí vlastní etické kodexy, jejichž dodržování následně pečlivě sledují. Dodržování kodexů, které jsou správně nastavené je kritickým faktorem pro rozvoj oboru Competitive intelligence a proto je jejich existence více než vhodná.

Závěr

Competitive Intelligence představuje v dnešním dynamickém tržním prostředí nezbytný nástroj pro udržení a posílení konkurenční výhody. Tato práce popisuje, komplexní proces sběru, analýzy a interpretace informací o konkurentech a trhu, což umožňuje firmám lépe reagovat na příležitosti a hrozby. Přestože CI nabízí značné výhody, její implementace přináší řadu výzev, které je třeba překonat, aby byla efektivní a etická, což bylo diskutováno v kapitole 3.

Ovládnutí konkurenčního zpravodajství je klíčové pro organizace, které chtějí zůstat v dnešním konkurenčním prostředí napřed. Překonáním výzev mohou firmy využít sílu CI k informovanému strategickému rozhodování, využívání nově se objevujících trendů a příležitostí a předstihnutí svých konkurentů.

Implementací poznatků a doporučení uvedených v této práci můžou organizace efektivně překonávat překážky spojené s CI, což může výrazně pomoci k jejich dlouhodobému úspěchu. Důraz na přesnost, aktuálnost a etiku při sběru a analýze dat, stejně jako na efektivní komunikaci a spolupráci napříč organizací, umožní firmám nejen reagovat na změny, ale také je proaktivně předvídat a využívat. Silná firemní kultura založená na datech a neustálém zlepšování pak zajistí, že konkurenční zpravodajství bude pevně zakotveno v rozhodovacích procesech a strategiích firmy, čímž se posílí její konkurenceschopnost a udržitelnost na trhu.

Tato práce má také svým tématem přispět ke zvýšení povědomí o tématu CI a rozšířit jej mezi širší masy.

Zdroje

AIIP. (2024): AIIP professional standards. In: AIIP – Association of independent information professionals [online]. [cit. 2024-05-29]. Dostupné z: https://aiip.org/About/Professional-Standards.

BARTES, František. (2012): Competitive intelligence: základ pro strategické rozhodování podniku. Ostrava: Key Publishing. ISBN 978-80-7418-113-9.

BARTES, František. (2022): Konkurenční zpravodajství: tvorba podkladů pro strategické rozhodování podniku. Praha: Grada Publishing. ISBN 978-80-271-3504-2.

BUDILOVÁ, Natálie. (2008): Competitive intelligence v podnikovém prostředí s důrazem na využití informačních technologií [online]. Praha [cit. 2024-05-29]. Dostupné z: https://is.cuni.cz/webapps/zzp/detail/58136/.

FLEISHER, Craig a BENSOUSSAN, Babette E. (2002): Strategic and competitive analysis. Upper Saddle River (NJ) : Prentice Hall. 457 s.

FULD, Leonard M. (1995): The new competitor intelligence: the complete resource for finding, analyzing, and using information about your competitors. New York: J. Wiley, 482 p. ISBN 04-715-8509-2.

JAVAID, Shehmir. (2024): 5 Competitive Intelligence Challenges & Their Solutions in 2024. Online. Dostupné z: https://research.aimultiple.com/competitive-intelligence-challenges/. [cit. 2024-05-29].

MIRMAN, Ellie. (2019): CRAYON COMPETITIVE INTELLIGENCE BLOG. Online. Dostupné z: https://www.crayon.co/blog/5-competitive-intelligence-challenges. [cit. 2024-05-20].

MOLNÁR, Zdeněk. (2009): Competitive intelligence. Praha: Oeconomica. ISBN 978-80-245-1603-5

SCIP. (2024): SCIP Implementing a Competitive Intelligence Ethics Policy. In: SCIP – Implementing a Competitive Intelligence Ethics Policy [online]. [cit. 2024-05-29]. Dostupné z: https://www.scip.org/page/Implementing-Competitive-Intelligence-Ethics-Policy

SKYRIUS, Rimvydas. (2021): Business Intelligence – A Comprehensive Approach to Information Needs, Technologies and Culture. Online. ISBN 978-3-030-67032-0. [cit. 2024-05-29].

TURNER, Ash. (2023): How many smarthpones are in the world? In: Bankmycell.com [online], [cit. 24.05.2024]. Dostupné z: https://www.bankmycell.com/blog/how-many-phonesare-in-the-world

What is the digital revolution. (2023): In: MinnaLearn.com [online]. MinnaLearn. [cit. 24.05.2024]. Dostupné z: https://courses.minnalearn.com/en/courses/digital-revolution/thedigital-revolution/what-is-the-digital-revolution/

Umělá inteligence ve výzkumu psychedelik: Revoluce v terapii psychických poruch

Autor:
husickovak
-
0

V posledních letech se umělá inteligence (AI) stává zásadním nástrojem ve farmaceutickém průmyslu, zejména ve výzkumu a vývoji nových léčiv. Tento článek se zaměřuje na aplikace AI ve světě psychedelik, které prochází renesancí díky možnostem léčby různých psychických poruch (chronická deprese, úzkostné poruchy, PTSD atp.).

Článek zkoumá, jak AI zefektivňuje procesy objevování a testování potenciálních terapeutických aplikací psychedelik pacientům, čímž urychluje výzkum v této oblasti. AI umožňuje rychlejší a přesnější analýzu dat, identifikaci bioaktivních sloučenin a optimalizaci klinických zkoušek, čímž se snižují náklady a čas potřebný k dosažení výsledků. Jsou zmíněny i příkladové studie, ve kterých byla AI využita.

Autorka dále diskutuje etické a právní výzvy spojené s používáním AI v tomto kontextu a zkoumá potenciální dopady na budoucí regulace a přijetí psychedelické terapie ve společnosti. Závěrem se zamýšlí nad budoucími směry výzkumu a možným dopadem AI na revoluci v terapeutickém využití psychedelik, která by mohla změnit moderní psychiatrii.

Pro zkoumání informací o farmaceutických či zdravotnických výzkumech je zásadní využívat pouze evidence based zdroje, níže je několik zdrojů, kde jsem vyhledávala informace pro tuto práci:

  1. PubMed – Rozsáhlá databáze recenzovaných biomedicínských studií a literatury.
  2. ScienceDirect – Portál poskytující přístup k vědeckým článkům a knihám z různých oblastí vědy.
  3. Google Scholar – Vyhledávač vědeckých studií a článků.
  4. Academic Search Premier (EBSCO) – Multidisciplinární akademická databáze poskytující plnotextové články.
  5. PsycINFO (APA) – Databáze zaměřená na literaturu v oblasti psychologie a souvisejících disciplín.

Zdrojů, kde vyhledávat evidence based informace o zdravotnictví a farmacii, je větší množství, zmiňuji pouze mnou vybrané, kde jsem nalezla dostatek informací a jejichž zdroje patří mezi uznávané a respektované.

Úvod

Představení tématu a významu výzkumu psychedelik

V posledních desetiletích se psychedelika, dlouho obestřená kontroverzí, znovu objevila ve vědecké komunitě jako zásadní nástroj pro léčbu různých psychických poruch. Zároveň s tím, jak pokroky v technologii umožňují hlubší a rychlejší analýzu složitých dat, se AI stává klíčovým prvkem ve farmaceutickém průmyslu. Tato kombinace může vést k novým, účinnějším terapeutickým postupům.

Psychedelika, jako jsou LSD, psilocybin, a MDMA, byla tradičně spojována s protikulturním hnutím 60. let 20. století, ale jejich kořeny v terapeutickém využití sahají daleko hlouběji do historie 10. Ve 21. století zažíváme renesanci vědeckého zájmu o psychedelika, čemuž napomáhá jejich potenciál v léčbě takových stavů jako jsou chronická deprese, úzkostné poruchy, PTSD, poruchy příjmu potravy a dokonce i závislosti. Tento obnovený zájem je podpořen množstvím vědeckých studií, které ukazují na jejich vysoký terapeutický potenciál při správném využití.

Zdroj fotografie: https://en.wikipedia.org/wiki/Psilocybin_mushroom

Krátký přehled historie využívání psychedelik a jejich současný vědecký a terapeutický potenciál

Psychedelika byla tradičně využívána v rituálních a léčebných kontextech po tisíce let, od domorodých obřadů v Amazonii po rituály starověkého Řecka. V moderní době byl vědecký výzkum psychedelik započat v 50. letech 20. století, ale byl brzy zastaven kvůli politickým a sociálním tlakům. V poslední době jsou psychedelika předmětem zájmu pro jejich potenciál „resetovat“ mysl a poskytnout značné úlevy u některých pacientů, u kterých tradiční léčba selhává. Vědecké studie naznačují, že psychedelika mohou přinést dlouhodobé zlepšení u pacientů s vážnými psychickými stavy.

Role AI ve farmaceutickém průmyslu

AI začíná hrát zásadní roli ve výzkumu a vývoji v farmaceutickém průmyslu, kde její schopnosti v analýze dat, předpovědi výsledků a optimalizaci procesů výrazně zvyšují efektivitu a snižují náklady. AI může analýzovat obrovské množství dat rychleji než kdykoli předtím, identifikovat vzory, které by lidskému oku mohly uniknout, a předpovídat výsledky s vysokou přesností. V kontextu psychedelik může AI pomoci určit, které kombinace látek a dávkování jsou nejefektivnější pro konkrétní poruchy, což značně zjednodušuje a zrychluje klinické testování a vývoj nových terapií. Například, tradiční vývoj léčiva může trvat přes deset let a stát více než miliardu dolarů, ale s pomocí AI může být tento proces značně urychlen a zefektivněn.

Metody AI používané ve výzkumu léčiv

Ve výzkumu léčiv jsou dnes stále častěji využívány různé metody AI, včetně strojového učení a neuronových sítí. Strojové učení umožňuje modelům „učit se“ z obrovských datasetů bez explicitního programování. Tyto modely mohou předpovídat, které chemické sloučeniny by mohly být účinné proti určitým nemocem na základě předchozích vzorů a výsledků. Neuronové sítě, jsou pak schopné zpracovávat a analyzovat data na ještě mnohem hlubší úrovni, což je užitečné pro identifikaci složitých vzorů v datech, které by mohly naznačovat nové terapeutické cesty nebo nežádoucí interakce léčiv.

Jedním z příkladů použití AI je její aplikace v tzv. „in silico“ farmakologii, kde počítačové modely simulují biologické procesy, aby předpověděly, jak různé sloučeniny ovlivní lidské tělo. Toto umožňuje farmaceutickým firmám provádět první kroky testování virtuálně, což snižuje potřebu nákladného a časově náročného klinického testování.

Dalším možným významným přínosem je využití AI pro personalizovanou medicínu. AI modely mohou analyzovat genetické, environmentální a životní informace jednotlivých pacientů, aby navrhly léčebné režimy, které jsou specificky přizpůsobené jejich unikátním potřebám a biologickým profilům. Tato personalizace nejenže zvyšuje efektivitu léčby, ale také minimalizuje riziko vedlejších účinků.

Aplikace umělé inteligence v psychedelickém výzkumu

Identifikace terapeutických cílů pomocí AI

AI má schopnost zpracovávat a analyzovat obrovské množství biologických dat, což umožňuje vědcům lépe porozumět mechanismům, jakými psychedelika ovlivňují lidský mozek. Techniky strojového učení se využívají k modelování neuronových cest a interakcí, které psychedelika stimulují nebo inhibují. Taková analýza pomáhá určit, které neurotransmiterové systémy nebo specifické mozkové oblasti mohou být cíleny pro léčbu určitých psychických poruch. Například, AI může identifikovat, že stimulace serotoninového receptoru 5-HT2A může mít potenciální terapeutický účinek pro pacienty trpící těžkou depresí.

Optimalizace dávkování a kombinací látek: V jedné studii využili výzkumníci AI k analýze dat z předchozích klinických zkoušek psychedelik. Modely strojového učení dokázaly předpovědět optimální dávkování a kombinace psychedelických látek pro zvýšení účinnosti a minimalizaci vedlejších účinků, což výrazně zrychlilo fáze testování a vývoje.

Predikce účinků na nové poruchy: Další studie se zaměřila na využití AI k predikci potenciální účinnosti psilocybinu v léčbě poruch jako je obsedantně-kompulzivní porucha (OCD). Neuronové sítě byly naprogramovány k vyhodnocení reakcí pacientů na léčbu a určení možných terapeutických účinků na tuto konkrétní poruchu, což vedlo k rychlejšímu a cílenějšímu vývoji léčebných protokolů.

Analýza mozkové aktivity: Využití AI pro analýzu obrazových dat získaných z MRI a PET skenů umožňuje vědcům hlubší porozumění tomu, jak psychedelika ovlivňují mozkovou aktivitu. Modely AI mohou identifikovat specifické vzory aktivace, které korelují s terapeutickými efekty, což umožňuje lepší plánování léčebných intervencí.

2 konkrétní případové studie: Využití AI v psychedelickém výzkumu

Následující část poskytuje detailní analýzu dvou případových studií, kde byla AI úspěšně využita k předpovídání účinnosti a bezpečnosti psychedelických léčiv. Tyto studie ilustrují potenciál AI ve zlepšování výzkumných metod a klinických aplikací v oblasti psychedelické terapie.

Studie 1: Predikce účinnosti psilocybinu u pacientů s depresemi

Pozadí: Jedna z předních univerzitních výzkumných skupin se zaměřila na využití strojového učení k analýze dat z klinických zkoušek psilocybinu pro léčbu těžké deprese. Cílem bylo identifikovat biomarkery a mozkové vzory, které předpovídají pozitivní odpověď pacientů na léčbu.

Metodika: Využití AI zahrnovalo zpracování dat z EEG a MRI skenů před a po podání psilocybinu. Algoritmy strojového učení byly trénovány, aby hledaly korelace mezi specifickými vzory neuronové aktivace a klinickými výsledky léčby. Tyto modely byly dále validovány prostřednictvím křížové validace na nezávislých datech.

Výsledky: Modely byly schopné s vysokou přesností predikovat, který z pacientů bude na léčbu psilocybinem reagovat pozitivně. Nejúspěšnější bylo identifikování aktivace určitých oblastí mozku spojených s emocionální regulací.

Význam pro budoucí výzkum a klinické aplikace: Tato studie ukazuje, jak AI může pomoci personalizovat léčbu psychedeliky tím, že předem identifikuje pacienty, kteří z ní pravděpodobně budou mít největší prospěch. To nejen zvyšuje efektivitu léčby, ale také snižuje rizika a vedlejší účinky spojené s neúčinnou léčbou.

Studie 2: Vylepšení bezpečnostního profilu MDMA pro léčbu PTSD

Pozadí: Výzkumný tým z farmaceutické společnosti implementoval neuronové sítě k predikci bezpečnostních profilů MDMA při léčbě posttraumatické stresové poruchy (PTSD). Cílem bylo přesněji určit optimální dávkovací režimy a minimalizovat potenciální vedlejší účinky.

Metodika: Algoritmystrojového učení analyzovaly data z klinických studií a pacientských záznamů, zahrnujících fyziologické odpovědi na různé dávky MDMA. AI modely rovněž zohledňovaly demografické a genetické faktory, které mohou ovlivnit odpověď na léčbu.

Výsledky: Modely efektivně identifikovaly dávkovací schémata, která maximalizovala terapeutické účinky MDMA při minimalizaci rizik, jako je neurotoxicita nebo zvýšený krevní tlak.

Význam pro budoucí výzkum a klinické aplikace: Tato studie představuje značný pokrok v oblasti bezpečnosti léčby

Výzvy a etické otázky

Integrace AI do výzkumu psychedelik přináší mnoho příležitostí, avšak rovněž stojí před několika výzvami a etickými dilematy.

Technické a datové výzvy

Jednou z hlavních výzev při používání AI ve výzkumu psychedelik je získání kvalitních, relevantních a dostatečně rozsáhlých datových sad. Psychedelický výzkum často trpí nedostatkem velkých, standardizovaných a systemizovaných datových sad, což je nezbytné pro trénink efektivních AI modelů. Mnoho existujících studií je malých a heterogenních, s různorodými metodami a měřítky výsledků, což komplikuje integraci a analýzu dat.

Dalším technickým problémem je komplexita biologických a chemických procesů zapojených do interakcí psychedelik, které AI musí modelovat. Pochopení, jak psychedelika ovlivňují různé mozkové systémy a procesy, vyžaduje sofistikované modelování, které může přesahovat současné kapacity AI technologií.

Etické otázky

Používání AI v psychedelickém výzkumu přináší řadu etických otázek, a to zejména pokud jde o ochranu osobních a citlivých údajů. Vzhledem k tomu, že AI systémy vyžadují přístup k velkým množstvím osobních zdravotních údajů, je zásadní zajistit, že tyto informace jsou chráněny a správně zpracovány v souladu s příslušnými zákony o ochraně dat.

Dalším etickým aspektem je potenciální zneužití AI k předurčování nebo diskriminaci určitých pacientů v klinických zkouškách. Je důležité zajistit, aby AI systémy byly transparentní a auditovatelné, aby bylo možné verifikovat spravedlnost a objektivitu jejich rozhodnutí.

Regulace a veřejné vnímání

Regulace používání AI ve zdravotnictví, a zejména ve výzkumu psychedelik, je stále ve vývoji. Regulátoři se musí vyrovnat s potřebou podporovat inovace, zatímco zároveň chrání veřejné zdraví a osobní soukromí. Nejasnosti v regulaci mohou vést k váhání ve financování a adopci nových technologií v oblasti psychedelik.

Veřejné vnímání AI a psychedelik rovněž hraje zásadní roli. Vzhledem k historickému stigma spojenému s psychedelikami může být přijetí AI v této oblasti ovlivněno obavami o bezpečnost a etické využívání těchto technologií. Otevřená a upřímná komunikace o výhodách a rizicích, včetně jasných etických směrnic a průkazů o účinnosti, bude velmi důležitá pro získání veřejné důvěry a podpory.

Právní a regulační rámec

Výzkum psychedelik a jejich klinické aplikace jsou významně regulovány jak na národní, tak na mezinárodní úrovni. Využití AI v tomto kontextu přináší nové výzvy a možnosti, které mohou vyžadovat revizi stávajících právních a regulačních rámů. Tato část poskytuje přehled současných právních požadavků a diskutuje, jak by měly být legislativa a regulace adaptovány, aby lépe reflektovaly nové možnosti a rizika spojená s použitím AI ve výzkumu psychedelik.

Současný právní a regulační stav

V současnosti jsou psychedelika ve většině zemí regulována jako kontrolované látky, což znamená, že výzkum s nimi vyžaduje zvláštní povolení a je přísně monitorován regulačními úřady, jako je FDA v USA nebo EMA v Evropě. Tento režim často zahrnuje složité a časově náročné procesy schvalování, což může zpomalovat výzkumné a vývojové cykly.

Vliv umělé inteligence na regulační požadavky

Integrace AI do výzkumu psychedelik může zásadně změnit tyto procesy tím, že zrychlí identifikaci potenciálních léčivých cílů a optimalizaci dávkování, což může vést k rychlejším a efektivnějším klinickým zkouškám. V důsledku toho by regulační orgány mohly potřebovat aktualizovat své přístupy k hodnocení a schvalování studií, aby adekvátně zohlednily rychlost a sofistikovanost, kterou AI přináší.

Návrhy na adaptaci legislativy

  1. Zahrnutí AI do hodnocení bezpečnosti: Legislativa by měla být adaptována tak, aby zahrnovala specifické protokoly pro hodnocení algoritmů AI používaných v klinických zkouškách. To zahrnuje auditovatelnost a transparentnost algoritmů, stejně jako postupy pro ověřování jejich bezpečnosti a účinnosti.
  2. Zvýšení důrazu na ochranu dat: Vzhledem k velkému množství osobních a zdravotních údajů zpracovávaných AI systémy je nutné posílit legislativu v oblasti ochrany dat a soukromí. To znamená, že by měly být stanoveny striktnější pravidla pro zpracování a uchování zdravotních údajů, aby byla zajištěna jejich bezpečnost a důvěrnost.
  3. Průběžné monitorování a evaluace: Regulace by měla zahrnovat mechanismy pro průběžné monitorování a evaluaci využívání AI, aby bylo možné rychle reagovat na jakékoliv problémy nebo nežádoucí efekty, které mohou vzniknout. Toto by mělo být kombinováno s flexibilními přístupy, které umožňují aktualizace a úpravy regulačních požadavků v reálném čase.

Dopady na terapeutické využití a společnost

AI má potenciál výrazně ovlivnit budoucí přijetí psychedelické terapie ve společnosti, stejně jako může změnit způsob, jakým je zdravotní péče a psychiatrie poskytována. Tato část se zabývá možnými dopady AI na terapeutické praxe a jejím širším sociálním vlivem.

Vliv na terapeutické praxe

Integrace AI do výzkumu a aplikace psychedelik může významně zlepšit přesnost a efektivitu terapeutických intervencí. AI může napomoci při personalizaci léčby tím, že na základě analýzy velkého množství dat určí nejefektivnější léčebné režimy pro jednotlivé pacienty. To znamená, že terapeuti budou moci lépe přizpůsobit léčbu specifickým potřebám pacienta, což může vést k lepším výsledkům a snížení vedlejších účinků.

AI také umožňuje vývoj nových terapeutických metod, jako je využití virtuální reality ve spojení s psychedeliky pro zvýšení jejich terapeutického účinku. Toto může otevřít nové cesty pro léčbu psychických poruch, které jsou v současné době špatně léčitelné.

Vliv na psychiatrii a zdravotní péči

Použití AI ve výzkumu a aplikaci psychedelik může také změnit základní paradigma v psychiatrii a širší zdravotní péči. Díky AI může dojít k rychlejšímu a přesnějšímu diagnostikování psychických poruch, což umožní rychlejší a cílenější zásah. Tímto způsobem může AI zvýšit celkovou dostupnost a kvalitu péče o duševní zdraví.

Dalším významným přínosem může být zlepšení monitorování účinnosti terapií v reálném čase, což umožní terapeutům lépe reagovat na potřeby pacientů během léčby. To může vést ke snížení recidiv a zlepšení dlouhodobých výsledků léčby.

Sociální dopady

Na sociální úrovni může rozšířené využití AI v psychedelické terapii přispět k destigmatizaci používání psychedelik v medicíně. Jak veřejnost, tak odborná komunita mohou pomocí transparentního a účinného využití AI lépe pochopit potenciál a bezpečnost psychedelické terapie. To může vést k širší akceptaci těchto metod jako legitimních a účinných způsobů léčby.

Zároveň je však důležité pečlivě sledovat a řídit možné etické a sociální rizika spojená s rychlým rozvojem AI a psychedelik. To zahrnuje otázky soukromí, zneužití dat a potenciální nespravedlnost v přístupu k těmto technologiím. Tyto výzvy vyžadují proaktivní přístup a pevné regulace, aby byly zajištěny pozitivní výsledky pro všechny členy společnosti.

Závěr

Tato esej prozkoumala několik důležitých aspektů využití AI ve výzkumu a vývoji psychedelických léčiv. Jak bylo zdůrazněno, AI má schopnost radikálně změnit metody výzkumu a terapeutické aplikace, což může zvýšit účinnost a bezpečnost psychedelických intervencí.

AI poskytuje významné výhody v rychlosti a přesnosti analýzy, identifikaci bioaktivních sloučenin a optimalizaci klinických zkoušek, což vede k snížení nákladů a zkrácení času potřebného pro výzkum a vývoj. Případové studie ilustrují, jak AI napomáhá při identifikaci terapeutických cílů a předpovídání účinnosti léčby, což umožňuje personalizaci terapií a snižuje riziko nežádoucích účinků. Navíc, esej zdůraznila výzvy a etické otázky spojené s integrací AI, včetně potřeby ochrany dat a transparentnosti systémů.

Vzhledem k rychlému pokroku v AI technologiích a jejich aplikacích v biomedicíně je pravděpodobné, že budoucí výzkum se zaměří na další zlepšení algoritmů pro přesnější modelování biologických procesů a interakcí v mozku. Rovněž je očekáván vývoj nových metod pro integraci AI do reálného klinického prostředí, což zahrnuje zlepšení virtuálních terapeutických prostředí a vývoj autonomních systémů pro monitorování a úpravu terapeutických režimů.

AI v psychedelickém výzkumu nejenže nabízí možnost zlepšit terapeutické metody, ale také má potenciál změnit veřejné vnímání psychedelik jako bezpečných a účinných léčebných nástrojů. Tato technologie může vést k větší destigmatizaci a akceptaci psychedelické terapie jako standardní léčebné metody, což by mohlo mít dalekosáhlé důsledky pro zdravotní péči, politiku a společenské normy.

Závěrem, integrace AI do psychedelického výzkumu představuje příležitost pro vědeckou komunitu a nabízí naději pro miliony pacientů po celém světě. Je však zásadní, aby se tento pokrok odehrával s pečlivou úvahou o etických, sociálních a právních aspektech.

Seznam literatury

  1. Miotto, R., Wang, F., Wang, S., Jiang, X., & Dudley, J. T. (2018). Deep learning for healthcare: review, opportunities and challenges. Briefings in bioinformatics, 19(6), 1236-1246. Dostupné z: https://academic.oup.com/bib/article/19/6/1236/4028733
  2. Ravi, D., Wong, C., Deligianni, F., Berthelot, M., Andreu-Perez, J., Lo, B., & Yang, G. Z. (2017). Deep learning for health informatics. IEEE journal of biomedical and health informatics, 21(1), 4-21. Dostupné z: https://www.sciencedirect.com/science/article/pii/S1532046417301128
  3. Lyons, T. & Carhart-Harris, R. L. (2018). The Varieties of Psychedelic Experience and Their Therapeutic Potential. Journal of Psychopharmacology, 32(7), 725-738. Dostupné z: https://pubmed.ncbi.nlm.nih.gov/29787256
  4. Nichols, D. E. (2016). Psychedelics. Pharmacological Reviews, 68(2), 264-355. Dostupné z:https://pubmed.ncbi.nlm.nih.gov/26841800
  5. Bogenschutz, M. P., & Johnson, M. W. (2016). Classic Hallucinogens in the Treatment of Addictions. Current Opinion in Behavioral Sciences, 13, 12-17. Dostupné z:https://www.sciencedirect.com/science/article/pii/S2352154616300277
  6. ​​Zhang, L., Tan, J., Han, D., Zhu, H., Fromel, T., Grahn, P. J., … Nystrom, T., (2020). Artificial intelligence-based prescription of optimal treatment in Parkinson’s disease. NPJ digital medicine, 3(1), 1-8. [Online] Dostupné z: https://www.nature.com/articles/s41746-020-0300-1
  7. Carhart-Harris, R. L., et al. (2016). Psilocybin with psychological support for treatment-resistant depression: an open-label feasibility study. The Lancet Psychiatry, 3(7), 619-627. Dostupné z: https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Psilocybin+with+psychological+support+for+treatment-resistant+depression%3A+an+open-label+feasibility+study&btnG=
  8. Griffiths, R. R., et al. (2016). Psilocybin produces substantial and sustained decreases in depression and anxiety in patients with life-threatening cancer: A randomized double-blind trial. Journal of Psychopharmacology, 30(12), 1181-1197. Dostupné z: https://scholar.google.com/scholar?hl=en&as_sdt=0%2C5&q=Psilocybin+produces+substantial+and+sustained+decreases+in+depression+and+anxiety+in+patients+with+life-threatening+cancer%3A+A+randomized+double-blind+trial&btnG=
  9. Johnson, M. W., et al. (2014). The Abuse Potential of Medical Psilocybin According to the 8 Factors of the Controlled Substances Act. Neuropharmacology, 31(1), 24-34. Dostupné z: https://www.ebsco.com/products/research-databases/academic-search-premier
  10. Ross, S., et al. (2016). Rapid and sustained symptom reduction following psilocybin treatment for anxiety and depression in patients with life-threatening cancer: a randomized controlled trial. Psychopharmacology, 235(2), 459-466. Dostupné z: https://www.ebsco.com/products/research-databases/academic-search-premier
  11. Pahnke, W. N., et al. (1970). LSD-assisted psychotherapy with terminal cancer patients. Current Psychiatric Therapies, 10, 144-152. Dostupné z: https://psycnet.apa.org/record/1970-03398-001

123...29Stránka 1 z 29

VÝBĚR REDAKCE

OBLÍBENÉ PŘÍSPĚVKY

OBLÍBENÉ KATEGORIE

© Vydavatel on-line odborného časopisu Informační gramotnost a provozovatelem webu je Information Factor s.r.o., Husovo nám. 14, Hostivice, Praha-západ. IČ: 07861664, DIČ:CZ07861664