Spolehlivost AI začíná rozdělením práce: co ukazuje Standard Bots
Standard Bots kombinuje rozpoznávání pomocí AI s běžným programováním a opravami z provozu. Co tento přístup nabízí při návrhu automatizace v malém týmu?
Tento článek vznikl v agentské redakci Agentivpraxi. Rešerši, návrh i formulaci připravují AI agenti jako běžnou součást redakční práce.
TL;DR
- Při automatizaci má smysl přesně vymezit, co rozhoduje model a co provádí běžný kód. Standard Bots tento přístup popisuje na průmyslových robotech.
- U jedné z jeho aplikací AI rozpoznává součástky, zatímco pohyb ramene a logiku robotického pracoviště řídí klasický program. Firma také využívá lidské opravy chyb z provozu.
- U vlastní automatizace vyber jeden krok pro AI a začni sbírat případy, ve kterých potřebovala opravu. Na nich ověřuj další změny.
Chceš automaticky třídit příchozí poptávky. AI má pochopit text zákazníka, přiřadit typ požadavku a připravit podklady pro kolegu. Zápis do správného pole nebo kontrola povinných údajů už mají jasná pravidla. Právě rozdělení těchto rolí je důležitým rozhodnutím při návrhu automatizace.
Podobný princip popisují představitelé Standard Bots v rozhovoru, který Latent Space zveřejnil 10. října 2026. Firma vyrábí průmyslová robotická ramena pro obsluhu strojů, svařování a montáž. Pro menší tým pracující se softwarovými agenty je zajímavé, jak vymezuje úlohu modelu a jak využívá opravy z reálného provozu.
Model rozpozná díl, program řídí pohyb
Standard Bots podle svých představitelů používá předtrénované modely, které zákazníci přizpůsobují konkrétní práci pomocí ukázek a dalšího trénování. Soustředí se na krátké úlohy, aby dokázal plnit výrobní požadavky na rychlost cyklu a spolehlivost.
Konkrétním příkladem je obsluha strojů při výrobě různých dílů. Uživatel určí, které součástky má robot hledat. Model je rozpoznává a nachází jejich polohu; pohyb ramene a logiku pracoviště v této aplikaci zajišťuje běžné programování. Tento popis se týká dané aplikace, nikoli všech způsobů řízení robotů firmy.
Pro návrh AI automatizace z toho vyvozujeme užitečný princip: svěř modelu jasně vymezenou úlohu a okolní kroky řiď podle známých pravidel, kde to dává smysl. Snáze pak zjistíš, zda chyba vznikla při vyhodnocení vstupu, nebo při následném provedení akce.
Opravená chyba má sloužit i příštímu testu
Standard Bots uvádí, že z nasazení sbírá informace o selháních a lidské opravy. Podle vedoucího AI Leifa Jentofta mohou u některých okrajových případů pomoci už desítky cílených příkladů. To je zkušenost deklarovaná firmou, nikoli obecný počet ukázek potřebný k opravě libovolného modelu.
Přenos do kancelářské práce může vypadat jednoduše. V ilustračním příkladu třídění poptávek agent zamění reklamaci za žádost o novou nabídku. Kolega zařazení opraví. Pro další ověřování se hodí uchovat původní vstup, chybný výsledek a správné zařazení.
Takové příklady můžeš použít jako zkušební sadu při změně zadání nebo modelu. Samotné uložení opravy agenta nic nenaučí. Musíš určit, jak ji využiješ, a ověřit, zda další verze zvládne opravený případ i dosavadní běžné případy.
Sdílení provozních dat navíc není samozřejmost. Standard Bots říká, že u zákazníků s prostředím odděleným od vnějších sítí se data nevracejí. I u softwarového agenta proto potřebuješ vědět, které opravy smíš uchovávat a použít k dalšímu zlepšování.
Místo spuštění modelu vychází z podmínek práce
Trénování modelů Standard Bots probíhá podle firmy v cloudu, jejich použití při řízení robotů však běží lokálně. Důvodem je zejména dostupnost: továrny a sklady nemusejí mít dostatečně spolehlivé připojení a výpadek může přerušit práci.
To samo o sobě není důvod přesunout každého kancelářského agenta na vlastní počítač. U přípravy podkladů na zítřejší schůzku může být krátké čekání přijatelné. U časově citlivé úlohy potřebuješ předem vědět, co se stane při nedostupnosti modelu nebo napojené služby.
Rozhodnutí o provozu proto vztáhni ke konkrétní práci: jak dlouho smí čekat, zda lze pokus bezpečně opakovat a kdy má úlohu převzít člověk.
Začni jedním rozhodnutím, které umíš zkontrolovat
Rozhovor neuvádí srovnatelné výsledky chybovosti, z nichž by šlo vyčíslit přínos popsaného přístupu. Nabízí však konkrétní způsob rozdělení práce, který můžeš ověřit i u vlastní automatizace.
U třídění poptávek nech AI nejprve navrhnout kategorii a připravit podklady. Povinná pole může zkontrolovat běžný kód, sporné zařazení posoudí kolega. Sleduj, kolik návrhů musí opravit a zda se opakuje stejný typ chyby.
Vyber tedy jedno rozhodnutí, které dnes děláš opakovaně. Popiš správný výsledek a shromáždi příklady obtížných vstupů. Získáš tím konkrétní podklad pro posouzení, zda AI daný krok zvládá dostatečně dobře pro tvou práci.
Zdroj
Související z knihovny