Artificial Intelligence

Hvad er Artificial Intelligence?

Artificial Intelligence handler i bund og grund om at `træne computere til at udføre menneskelige opgaver´. Det er et begreb, der stammer helt tilbage fra 1950’erne. Allerede dengang begyndte forskere at undersøge, hvordan maskiner selvstændigt kunne udføre menneskelige opgaver.

Artificial Intelligence er i dag et udbredt fænomen – godt hjulpet på vej af populære Sci-Fi film som Star Trek og Terminator. Den virkelige verden ser dog noget anderledes ud. I dag møder forbrugerne ofte Artificial Intelligence i form af en digital assistent eller chatbot, og vi er så småt er ved at vænne os til at det ikke er et menneske vi er i kontakt med, men at det - på allerbedste Sci-Fi maner – rent faktisk er en maskine vi `kommunikerer´ med.

 

Fordelene ved Artificial Intelligence

Artificial Intelligence strækker sig langt ud over digitale assistenter og automatiserede chatbots. Sandheden er at stort set en hvilken som helst forretningsproces formentlig kan forbedres ved at implementere Artificial Intelligence og fordelene er uendelige og mærkbare:

  • Virksomheder kan forbedre ansættelsesprocessen, da de kan screene kandidaterne på forhånd.
  • Marketingafdelingen kan forbedre deres resultater, fordi de har mulighed for at personalisere kommunikationen meget bedre.
  • Salg kan forbedres ved at se på historisk information og derigennem forudse hvilke kunder, der formentlig vil købe igen og på hvilket tidspunkt.
  • Kundeloyalitet kan markant forbedres ved at tilbyde kunderne personlig kommunikation og vejledning hele vejen igennem kunderejsen.
  • Virksomheden kan spare omkostninger, tid og ressourcer ved at forudse udfald og planlægge derefter.

 

Hvad er Machine Learning?

I forhold til det ambitiøse mål Artificial Intelligence har om at ´træne computere til at udføre menneskelige handlinger’, er Machine Learning blot en lille del af dette. Machine Learning dækker over, hvordan man helt konkret lærer en computer at lære. Computeren lærer fra det datamateriale, den fodres med, ved at identificere mønstre i det. Mønstrene anvendes efterfølgende til at drage konklusioner – akkurat som hos os mennesker. 

I den gode Machine Learning case er målet at få svar på et specifikt spørgsmål. For at maskinen er i stand til at svare på spørgsmålet, må den først indsamle data og træne en algoritme. Algoritmen er den opskrift computeren følger, når den skal komme med et bud på løsningen til et specifikt problem. Algoritmen afprøves og resultatet evalueres. Feedbacken anvendes til at forbedre processen, og proceduren gentages derefter indtil man har de ønskede forudsigelser. 

Vi mennesker bruger vores erfaring til at forudse ting, som f.eks. hvad der sker med en bold, hvis den kastes op i luften eller hvordan en ballon reagerer, hvis der kommer for meget luft i.

Når maskinen starter sin læringsproces, har den endnu ingen erfaring - det vil sige at maskinen ingen forudsætninger har for at forudse at bolden rammer jorden og at ballonen sprænger. Det er blandt andet en af grundende til at det kræver mange eksempler (meget data) at træne en maskine til at lære – før den kan forudse en hændelse, skal den have erfaringen. 

Kort sagt er Artificial Intelligence computere, der efterligner mennesker. Machine Learning derimod er det at bruge data til at lære og det at træne de algoritmer, der skal bruges til at løse aktuelle problemstillinger.

 

Forskellige typer af Machine Learning

Machine Learning bygger i meget høj grad på matematisk problemløsning, der ofte involverer optimering, kombinatorik og statistik. Samtidig skal de rette data være til rådighed i problemløsningen. Det er i krydsfeltet mellem den forretningsmæssige ide, data og matematiske modeller at de gode løsninger til Machine Learning findes. I CogniTech tager vi udgangspunkt i en kvantitativ videnskabelig metode i modeludviklingen for at sikre, at de anbefalede algoritmer leverer gode forudsigelser. Populært kaldes det også Data Science.

Når man formår at ramme de gode løsninger, er ROI typisk rigtig højt. At ramme den gode løsning er ikke en tilfældighed – det er en videnskab at lære af de data man har til rådighed, og det kræver både erfaring, omtanke og kreativitet.

Alt efter hvilken forretningsmæssig problemstilling man ønsker at løse ved hjælp af Machine Learning, og hvilken data man har til rådighed, er der en række teknikker at vælge imellem. Når det kommer til at vælge løsningsteknikker, er der 3 overordnede kategorier: 

  • Supervised Learning 
  • Unsupervised Learning 
  • Reinforcement Learning 

Uanset hvilken teknik man vælger, er fundamentet altid afgørende for succes. Derfor er man nødt til først at forstå den forretningsmæssige problemstilling, hvorefter datagrundlaget tilrettelægges, så der er størst mulighed for at opnå gode resultater. Når grundlaget er på plads, kan man begynde at teste forskellige algoritmetyper og forsøge at forbedre metoden.

 

Opnå øget forretningspotentiale med Machine Learning

Et typisk kundeprojekt med Machine Learning, starter med en indledende samtale omkring de steder i organisationen, hvor det vil give mening at introducere anvendelsen af Machine Learning. Samtidig skal det afdækkes inden for hvilke områder relevant data er til rådighed og hvad der eventuelt skal til for at det i fremtiden vil være muligt at lave succesfulde Machine Learning projekter.  

Som IBM business partner hjælper vi jer i mål med alle overvejelser omkring Machine Learning. Det sker ved at anvende den anerkendte procesmetode, Design Thinking, der danner ramme for den proces vi leder kunderne igennem. Dermed sikrer vi, at vi effektivt får alle relevante problemstillinger med, og at de resultater vi sammen når frem til peger mod konkrete implementerbare projekter. Det er således  forhånd afklaret, hvad en eventuel projektgennemførsel har af konsekvenser – fra start til slut. 

Hovedingrediensen og den vigtigste faktor er data – masser af data. Hvor vi som mennesker har svært ved at overskue blot moderate mængder af data,er det lige omvendt for en computer. Her er mængden af data som regel forudsætningen for et succesfuldt Machine Learning projekt. 

Vi har flere års erfaring med Machine Learning, og den viden tager vi selvfølgelig med os til alle vores kundeprojekter. Som kunde er du derfor sikret, at vi har praktisk erfaring med Data Science projekter, og dermed ved hvordan vi omdanner data til værdi – til gavn for dig og din virksomhed. 

 

Data Science i praksis

Hos Cognitech er Machine Learning ikke en ny disciplin. Vi har igennem de seneste fem år arbejdet målrettet med Data Science og Machine Learning. Det arbejde har betydet, at vi har leveret projekter til mange forskellige kunder og brancher. Ofte har projekterne været i samspil med øvrige IBM-teknologier som Cognos Analytics og Planning Analytics Powered by TM1. 

De seneste projekter har været: 

  • Artikel anbefalinger til et stort danskmediehus 
  • Tekstanalyse og autoklassifikation til et stort dansk mediehus 
  • Forecasting Application til TM1 
  • Rolling Forecast til forsyningssektoren 
  • Varekurvsanalyse til byggemarkedskæde 
  • Webshop vareanbefalinger til en grossistvirksomhed 
  • Svind-forudsigelser til en detailkæde
  • Fraværs-forudsigelser til en stor offentlig virksomhed 

Open source-teknologi spiller ofte en central rolle i Data Science projekter, hvilket også betyder at CogniTech mestrer disse teknologier. Uanset kundepræferencer har vi dygtige konsulenter, der kan hjælpe. Ofte leveres projekterne i samspil mellem flere forskellige teknologier, der giver en fuldendt end-to-end oplevelse, fra datagrundlag – til resultater – og tilhørende relevante datavisninger.

 

Ønsker du at høre mere om mulighederne for din virksomhed, så kontakt vores specialister her.