Det danske erhvervsliv er langt bagud når det gælder udnyttelse af potentialet i kunstig intelligens. Lær hvorfor, og hvordan du kan bruge kunstig intelligens til at forbedre konkurrenceevne, mindske...
Virksomheder har i mange år udskudt at benytte sig af kunstig intelligens og andre komplekse analysemetoder; de ville have styr på deres data, før de kunne begive sig ud i noget mere avanceret. Mange har investeret i IT- og datasystemer, men har ikke fået det forventede udbytte. Det har nemlig vist sig sværere end som så at få noget brugbart, omsætteligt, ud af de uendelige talrækker velmenende controller – med baggrund i finansanalyse – har præsenteret for direktionen, i håb om at kunne kaste lys over resultater, positive som negative.
Langt de fleste virksomheder har rigeligt med data der kan analyseres. For de flestes vedkommende er situationen i større virksomheder, at data er rimeligt godt struktureret. Der hersker sommetider en frygt hos controllerne og mellemlederne for at nye, avancerede datasystemer baseret på kunstig intelligens, kan erstatte deres arbejde og klare opgaverne hurtigere og smartere. Nogle forsøger sig og opnår varierende resultater, og desuden evner de ikke at forklare resultaterne af det arbejde.
Jeg vil derfor slå fast, en gang for alle: kunstig intelligens giver i sin fundamentale tilstand ikke eksakte svar, og de svar som gives, kan ikke forklares på lige fod med en finansiel analyse, der kan summere og balancere ”0” i bunden af et velstruktureret excel-ark. Man kan opstille en hypotese og med kunstig intelligens, kan man komme frem til en forudsigelse på svaret på fx dette spørgsmål: ”Givet konkurrencesituationen, historisk, hvad vil så være den optimale prissætning lige nu?” Svaret kunne være: ”Med 80% sikkerhed skal prisen stige med 2 kr og 44 øre%”.
Et sådan svar, kræver nye beslutningsprocesser, et anderledes kompetencesæt hos de ansatte og en fundamental anden måde at tilgå forretningsdriften på.
Under motorhjelmen
Kunstig intelligens er en samlet betegnelse for en række matematiske funktioner som er i stand til at se mønstre i data. Principperne har være kendte siden 1960’erne, men da de kræver både meget data og meget regnekraft, for at kunne fremstille fornuftige resultater, er de først inden for de sidste 5-10 år at de har fundet anvendelse i kommercielle sammenhænge.
Der findes mange forskellige funktioner. De skal udvælges og anvendes specifikt, for at løse specifikke problemer. De data, som skal indsættes i funktionerne, skal struktureres på en særlig måde og resultaterne skal efterbehandles for at kunne give mening. Der er derfor ikke noget at sige til at adoptionen af kunstig intelligens har været træg. Det er ikke noget man ”bare lige gør” i Excel på en eftermiddag, eller på en uge for den sags skyld. Heldigvis, har Microsoft, Google, Amazon og mange andre via deres cloud-services, gjort det hårde arbejde for os og gjort kunstig intelligens tilgængeligt, så det i dag er muligt at komme i gang med ganske få sværdslag.
Den nemme tilgang
- Opret en cloud-konto hos en af de førnævnte udbydere.
- Overfør dine data til udbyderen.
- Udforsk de funktioner, som udbyderen tilbyder og følg anvisningerne for, hvordan dine data skal klargøres.
- Processér datasættet – Her lærer funktionen om strukturen i dit data. Om hvilke relationer de enkelte elementer i data har til hinanden.
- Du har nu en ”trænet model”. Dvs. en lille bid, af noget ”intelligent”, som er ekspert på det data du har processeret.
Denne tilgang, kræver et minimum af tid for dit team og der er brugbare resultater inden for kort tid. Der er stadig et stykke vej, før man er helt i mål, men 90% af de kompetencer som kræves, er fra IT udviklere og alt det ”svære” og ”ukendte”, er overladt til cloud-udbyderen (som til gengæld er ekspert i netop dette)
Eksempel
Forestil dig et datasæt som indeholder følgende: 15 års produktreklamationer, alle dine ordre fra kunder og deres korrespondance med de ansatte sælgere om disse, samt om reklamationerne.
Jeg kan processere dette datasæt og få en funktion ud i den anden ende, som fremadrettet kan overvåge alle nye ordre og forudse, om der vil komme en reklamation, inden den kommer.
Det er faktisk ikke svært at komme i gang med, så længe man ser på det, som en IT og datateknisk opgave internt og holder fokus på den forretningsmæssige værdi som skabes.
Case fra en af vores kunder
En af vores kunder ønsker at undersøge de muligheder som kunstig intelligens tilbyder. Vi arbejder tæt sammen i et forløb, som skal lede hen imod en kunstig intelligens baseret automatiseret løsning – på sigt. Det er en vigtig pointe for os, at det slet ikke er for tidligt at gå i gang med de små lette spadestik. I særlig grad, fordi de værktøjer som benyttes er så tilgængelige, som de er.
Kunden støber jernstænger og har fokus på en højeffektiv produktion, drevet af data og kvalificerede medarbejdere. En jernstang støbes ved at man trækker den ud fra bunden af en beholder med flydende jern. Så snart jernstangen nedkøles af luften, størkner det yderste lag, men indeni er den stadig flydende. Trækker man for hurtigt, brister skorpen og flydende jern ender på gulvet i fabrikken, trækker man for langsomt mister man produktionseffektivitet. Ud fra et optimeringsperspektiv er det en fantastisk spændende situation.
Vores løsning kommer til at opsamle data fra en eller flere temperaturmålinger, informationer om hvilke ansatte som er på arbejde, den eksakte sammensætning af grundstoffer ud over jern som findes i stangen, formen på stangen (rund/firkantet), størrelse på stangen, og et hav af andre faktorer som påvirker den hastighed hvormed trækket kan foregå. Disse data vil blive leveret i realtid til en kunstig intelligens funktion, vi på forhånd har trænet og den vil, baseret på de informationer vi giver den, kunne styre trækhastigheden mere præcist end noget menneske vil kunne gøre.
Arbejdsløshed
Nu tænker den skeptiske læser sikkert, at han havde ret i sine antagelser om, at maskiner vil erstatte mennesker. Dette er både rigtigt og forkert. Den nye teknologi vil kunne effektivisere og erstatte visse trivielle, fysiske og ensartede menneskelige arbejdsopgaver. Ved at erstatte mennesker med maskiner, hvor det giver mening, frigør vi intelligente menneskelige ressourcer som kan improvisere, udvikle, overskue og strukturere og skabe en helt anden slags værdi for virksomhederne – jobbene undergår en strukturel forandring og en ny slags job skabes, fremfor arbejdsløshed. Uddannelse kommer ligeledes til at ændre sig og bakke op om den udvikling, vi ser.
Steen Christensen, der er direktør i Rambøll Management Consulting, udtaler til magasinet ‘Alt om data’, at arbejdspladserne i fremtiden vil blive skabt der, hvor man er bedst til at udnytte den nyeste teknologi. En undersøgelse af robotters indvirkning på industri, landbrug og forsyningsselskaber i 17 lande, viste at robotter reducerede timerne af lavt uddannede medarbejdere, men de mindskede ikke det samlede antal arbejdstimer udført af mennesker.
Du kan ikke erstatte mennesker med teknologi, da der altid vil være behov for erfaring samt domæneviden, empati og kreativitet. Dette kan tekniske løsninger ikke erstatte. Der begynder at være mere fokus på at skabe et samarbejde mellem maskine og menneske. Vi skal tænke med maskinen og ikke for den.
Investér i fremtiden
Den brede accept af fundamentalt ny teknologi er langsom, da det kræver investeringer i ukendte værktøjer og nye typer af menneskeligt talent, hvilket ud fra mange direktioners økonomiske synspunkt desværre oftest ses som en udgift.
Størstedelen af investeringerne i databehandling bruges i dag på grundlæggende analyse, fordi det er hvad lederne og controllerne lærte i deres MBA-programmer. De fleste bruger stadig metoder som blev foreslået i slutningen af det tyvende århundrede, fordi de er lette at lære, gennemskue og anvende. Desuden er det vores opfattelse at beslutningstagerne er bange for at kaste sig ud i nye investeringer. De ansatte bliver jo heller aldrig fyret for at passe på pengene.
Det er dog ikke en formue man skal af med, for at komme i gang med at benytte kunstig intelligens. Man bliver holdt i hånden hele vejen. Mange tror fejlagtigt, at de skal til at kigge på hele produktionen / driften, men sådan forholder det sig ikke. Når Analytics by Innovation Lab tager ud til vores kunder, kigger vi på dele af forretningen og pin-pointer specifikke områder som kunne drage nytte af de nye teknologier. En enkelt konsulent kan på få uger gennemgå datagrundlaget i en virksomhed og give et bud på, om der er de rette betingelser til at implementere en større løsning eller mindre løsning, men ligeså vigtigt, gennemgår vi datakulturen som siger noget om organisationens parathed til at arbejde med de nye former for analyse.
Undersøgelser viser, at folk vil holde sig fra at benytte computerbaserede beslutninger, på trods af, at disse leverer bedre resultater, end menneskets mavefornemmelse. De resultater, man får ved at benytte kunstig intelligens, kan virke uigennemsigtige og man får ikke nogen forklaring på resultatet. Det er dette der medfører mistilliden til systemet.
Det viser sig dog, at hvis man føler, at man får indflydelse på beslutningsprocessen, vil der også være en større accept af, at benytte denne maskinhjælp. Rikke Hvilshøj fra Dansk IT peger netop på, at det i for mange tilfælde sker, at medarbejdere og ledere ikke bliver inddraget i beslutningsprocesserne, hvilket resulterer i, at implementeringen af intelligent teknologi fejler. Så det er vigtigt at inddrage disse aktører i processen og dermed skabe forståelse og ejerskab for nye tiltag.
Kom i gang – hellere før end senere
Ifølge Danmarks statistik, er det kun i gennemsnit 12% af de adspurgte firmaer, med mindst 10 ansatte, som analyserer big data. I industrisektoren er tallet kun 8%. Det er foruroligende når det gang på gang påvises, hvor stor positiv effekt det kan have på en produktion, at benytte ny teknologi. Frygten for at investere i det uvisse bør ophøre, så vi i dansk erhvervsliv ikke mister konkurrenceevnen internationalt.
Så, når du har 3 minutter: skriv til mig, og lad os mødes og tale om din virksomheds data og potentialer.