De flesta företag har fortfarande lång väg att gå när det gäller att börja använda artificiell intelligens, AI. Undersökningar visar också att ingen ökning har registrerats i företagens förmåga att börja använda AI under det senaste året, och i den utsträckning som AI används, gäller det på funktionsnivå; inte på en avancerad nivå.
- Knowit har varit med när transportföretag vill ha dynamiska prissättningsmodeller, när försäkringsbolag beräknar försäkringspremier, när elbolagen vill uppskatta sannolikheten för att någon byter elleverantör och när medieföretag vill ha datadrivet beslutsfattande, säger Idun Storm, som nu arbetar med att samordna AI-satsningen på Knowit.
Nordiska företag sitter på ett enormt latent värde av finansiella data, kunddata, försäljningsdata, sensordata, produkt- och servicedata där AI kan skapa insikter och nya möjligheter. Google, Amazon och, till exempel Salesforce, har redan tagit AI ned till en nivå där man faktiskt inte behöver vara expert för att använda det.
Den oslipade diamanten
Inte sällan upptäcker man en stor potential av data som har samlats på hög någonstans. Genomtänkta processer i sådana projekt kan ge goda resultat. I vissa fall har inte datamängderna potential att ge stora inkomster, men även i sådana fall kan man hitta behoven och möjligheterna att lägga upp system som passivt förbereder bra datamängder över tid. Detta är en lågkostnadsinvestering som vi ser att fler och fler kunder finner värdefull.
Möjligheterna fortsätter att mångdubblas
AI, maskininlärning och prediktiv analys blir allt mer inbyggda i kritiska affärsprocesser, och de möjligheter de ger fortsätter att föröka sig. Idag samarbetar Knowit med stora aktörer inom transport, bank, finans och media när det gäller stordata, prediktion och maskininlärning. - En viktig erfarenhet är att, för att dra nytta av AI, det krävs en tydlig strategi och plan för hur datafångsten kan leda till bättre beslutsfattande, ökad insikt och optimering av affärsprocesser, säger systemarkitekten Andreas Hunderi.
De flesta känner till AI:s kraft att förbättra processer, möta kundernas behov, utveckla nya marknader och, framför allt, uppnå hållbara konkurrensfördelar. Det är därför fler och fler företag investerar i AI, men som med många andra kritiska tekniker, hjälper det föga om det bara finns ett fåtal frälsta tekniker som är inriktade på detta. - AI som teknik måste byggas och skalas innan organisationen kan betrakta det som ett strukturellt kapital, säger Idun Storm.
AI, molnteknik och Big Data skapar extrema synergier
Innan vi går vidare kan det vara bra att beskriva tre nyckeltekniker; cloud computing, Big Data och AI är olika tekniker och fungerar sällan ensamma.
- Cloud computing är åtkomst på begäran till databehandlingsresurser, inklusive programvara, lagring, nätverk och andra tjänster.
- Big Data är generering och insamling av stora mängder strukturerade och ostrukturerade data i jakt på nya insikter och nya svar på krav som organisationer och beslutsfattare står inför. Big Data kan förklaras som olika metoder och verktyg som hjälper oss att analysera, visualisera och förstå stora datamängder.
- AI är programmering och algoritmer som gör det möjligt för digitala enheter att komma åt, kombinera och dela data för att lära sig, förklara och förutse händelser, processer och trender.
Så hur kan man använda automatisering och AI på ett effektivt sätt?
- Först och främst genom att balansera beslutsfattandets komplexitet med graden av affärsrisk, säger Hunderi. - Det är inte givet att vare sig automatisering eller AI ger mer tillbaka än det arbete och de resurser man lägger ned. Och utvecklingstiden växer i takt med systemets komplexitet. Så det räcker inte att tänka stort, man måste veta vad man gör. Men om man hittar rätt problem att lösa, kan man skapa mycket värde.
Hur arbetar våra kunder med AI?
- De som lyckas satsar stort på att få relevanta insikter utifrån data och annan kunskap. Detta minskar affärsrisken genom att lyfta fram utmaningar och möjligheter i dataunderlaget. De som inte är riktigt så framgångsrika använder antingen för lite tid på att skaffa ett tillräckligt stort dataunderlag, eller så är inte kvaliteten på underlaget tillräcklig för att ge de nödvändiga insikterna.
Hur behöver företaget förbereda sig för att börja använda maskininlärning och prediktiv analys?
- Man måste börja tänka på data som en viktig resurs i sitt företag. Data måste bli en faktor i affärsstrategin, och beslutsfattarna måste förstå vilket värde bra data utgör. Och då är det viktigt att ha ett bra, genomtänkt dataunderlag. Resultatets kvalitet är inte bättre än kvaliteten på underlaget. Shit in - shit ut, som vi säger i branschen.
Hur kan marknadsförare använda AI över kundens livscykel, inklusive hur använder man maskininlärning vid segmentering?
- Verktygen för användarinsikter som finns på marknaden idag har blivit mycket avancerade och kan ge insikter över användargränssnitt och kundlivscykel. Det gör det enklare än tidigare att börja använda maskininlärning för segmentering. Dessutom har de stora aktörerna, som Google, redan tänkt på detta och erbjuder ”predictions” och segmentering baserat på användarinsikter de får genom Google Analytics. Så vägen behöver inte vara lång till målet om man vill använda maskininlärning för att träffa bättre med sin marknadsföring.
Några goda råd om hur man undviker oavsiktliga biverkningar när man använder maskininlärning?
- Det första är att styra kostnaden för att lagra träningsdata och träna maskininlärningsmodellerna. Datamängder tenderar att växa allteftersom nya data kommer in, och om man inte har gjort en tillräckligt grundlig bedömning av vad som är relevanta data kan man råka ut för att betala i onödan för lagring och behandling. Det andra handlar om personskyddet. Om dataunderlaget innehåller personuppgifter är det viktigt att se till att data anonymiseras innan de används i maskininlärning. Om man bestämmer sig för detta initialt kan man undgå en del arbete och problem senare.
Prediktion av kundomsättning
- Många tjänsteleverantörer inom finans, energi och transport använder begreppet kundomsättning. Det är en sannolikhetsberäkning av huruvida en kund kommer att lämna leverantören eller inte. Med hjälp av relativt enkla grepp kan en bank beräkna alla kunders sannolikhet för att lämna banken vid en given tidpunkt. Detta är oerhört viktig information som kan användas för att kommunicera förebyggande med dessa kunder. Erfarenheten visar att omsättningsprediktion kan ge betydande besparingar; särskilt för företag där kostnaderna för rekrytering väger tungt, säger Hunderi.