De fleste bedrifter har fortsatt en lang vei å gå når det gjelder å ta i bruk kunstig intelligens, AI. Undersøkelser viser også at det ikke er registrert noen økning i bedriftenes evne til å ta i bruk AI det siste året, og i den grad man benytter AI, gjelder det på funksjonsnivå; ikke på et avansert nivå.
- Knowit har vært med når transportselskaper ønsker dynamiske prisningsmodeller, når forsikringsselskaper beregner forsikringspremie, når strømselskaper ønsker å estimere sannsynligheten for at du bytter strømleverandør og når medieselskaper ønsker datadrevne beslutningsunderlag, forteller Idun Storm, som nå arbeider med å samordne AI-satsningen i Knowit.
Nordiske selskaper sitter på en enorm latent verdi av finansielle data, kundedata, salgsdata, sensordata produkt- og tjenestedata hvor AI kan skape innsikt og nye muligheter. Google, Amazon og for eksempel Salesforce har via sine plattformer allerede brakt AI ned på et nivå der man faktisk ikke trenger å være dyp ekspert for å bruke den.
Den uslepne diamanten
Ikke sjelden avdekker man stort potensiale av data som har hopet seg opp på bakrommet. Gjennomtenkte prosesser i slike prosjekter kan gi gode resultater. I noen tilfeller vil ikke datasettene ha potensiale til å føre til store inntjeninger, men selv i slike tilfeller vil man kunne avdekke behov og muligheter for å sette opp systemer som passivt utarbeider gode datasett over tid. Dette er en lavkostnads-investering vi ser stadig flere kunder finner verdifullt.
Mulighetene fortsetter å mangedoble seg
AI, maskinlæring og prediktiv analyse blir stadig oftere bygd inn i kritiske forretningsprosesser, og mulighetene de gir fortsetter å mangedoble seg. I dag samarbeider Knowit med store aktører innen transport, bank, finans og media når det gjelder Big Data, prediksjon og maskinlæring. - En viktig erfaring er at, for å dra nytte av AI, kreves en tydelig strategi og plan for hvordan datafangsten kan gi bedre beslutninger, økt innsikt og optimalisering av forretningsprosesser, sier systemarkitekt Andreas Hunderi.
De fleste anerkjenner AIs kraft til å forbedre prosesser, møte kundebehov, utvikle nye markeder og fremfor alt å oppnå bærekraftig konkurransefortrinn. Nettopp derfor investerer stadig flere virksomheter i AI, men som med mange andre kritiske teknologier hjelper det lite om det kun er noen helfrelste teknologer som er giret. - AI som teknologi må bygges og skaleres før organisasjonen kan betrakte det som en strukturkapital, forteller Idun Storm.
AI, skyteknologi og Big Data skaper ekstreme synergier
Før vi går videre kan det være greit å beskrive tre sentrale teknologier; cloud computing, Big Data og AI er forskjellige teknologier, men opererer sjelden alene.
- Cloud computing er on-demand tilgang til databehandlingsressurser, inkludert programvare, lagring, nettverk og andre tjenester.
- Big data er generering og innsamling av store mengder strukturerte og ustrukturerte data i jakten på nye innsikter og nye svar på utfordringer som organisasjoner og beslutningstakere står overfor. Big Data kan forklares som et sett metoder og verktøy som hjelper oss å analysere, visualisere og forstå store datasett.
- AI er programmering og algoritmer som lar digitale enheter få tilgang til, kombinere og dele data for å lære, forklare og forutse hendelser, prosesser og trender.
Så hvordan kan man bruke automatisering og AI effektivt?
- Først og fremst ved å balansere kompleksiteten i beslutningstaking med graden av forretningsrisiko, sier Hunderi. - Det er ikke gitt at hverken automatisering eller AI gir mer tilbake enn arbeidet og ressursene man legger ned. Og utviklingstiden vokser i tråd med kompleksiteten i systemet. Så det holder ikke å tenke stort, man må vite hva man gjør. Men hvis man finner de riktige problemene å løse så kan man skape mye verdi.
Hvordan jobber våre kunder med AI?
- De som lykkes investerer mye i å skaffe seg relevant innsikt basert på data og annen kunnskap. Dette reduserer forretningsrisikoen ved å belyse utfordringer og muligheter i datagrunnlaget. De som ikke er fullt så suksessfulle bruker enten for lite tid på å skaffe et stort nok datagrunnlag, eller så er ikke kvaliteten på datagrunnlaget tilstrekkelig for å gi nødvendig innsikt.
Hvordan må bedriften forberede seg for å kunne ta i bruk maskinlæring og prediktiv analyse?
- Man må begynne å tenke på data som en viktig ressurs i bedriften. Data må bli en faktor i forretningsstrategien, og beslutningstakere må forstå hvilken verdi god data utgjør.Og så er det viktig å ha et godt, gjennomtenkt datagrunnlag. Kvaliteten på resultatet blir ikke bedre enn kvaliteten til grunnlaget. Shit in - shit out, som vi sier på fagspråket.
Hvordan kan markedsførere bruke AI på tvers av kundens livssyklus, inkludert hvordan man bruker maskinlæring på segmentering?
- Verktøyene for brukerinnsikt som finnes på markedet i dag er blitt veldig avanserte og kan gi innsikt på tvers av brukerflater og kundens livssyklus. Dette gjør det enklere enn før å ta i bruk maskinlæring i segmentering. I tillegg har de store aktørene, som for eksempel Google, allerede tenkt på dette og tilbyr "predictions" og segmentering basert på brukerinnsikten de får gjennom Google Analytics. Så veien trenger ikke være lang til målet hvis man ønsker å ta i bruk maskinlæring for å treffe bedre med markedsføring.
Noen gode råd for hvordan unngå utilsiktede bivirkninger når man bruker maskinlæring?
- Det første er å ha kontroll på kostnadene for lagring av treningsdata og trening av maskinlæringsmodellene. Datasettene vokser gjerne med tid etter hvert som det kommer inn ny data, og hvis det ikke er gjort en grundig nok vurdering på hva som er relevante data så kan man ende opp med å betale unødvendig for lagring og prosessering. Det andre går på personvern. Hvis datagrunnlaget inneholder persondata, så er det viktig å sørge for at data er anonymisert før det brukes i maskinlæring. Om man tar stilling til det innledningsvis, kan man spare seg for en del arbeid og problemer senere.
Prediksjon av kunde-churn
- Mange tjenesteleverandører innen finans, energi og transport benytter konseptet kunde-churn. Det er en sannsynlighetsberegning om hvorvidt en kunde kommer til å forlate leverandøren eller ikke. Ved hjelp av forholdsvis enkle grep kan en bank beregne alle kunders sannsynlighet for å forlate banken på et gitt tidspunkt. Dette er kritisk informasjon som kan brukes for å kommunisere preventivt overfor disse kundene. Erfaring viser at churn-prediksjon kan gi betydelige besparelser; spesielt for selskaper hvor kostnader vedrørende ervervelse vekter tungt, sier Hunderi.