Machine learning – fra hype til implementering

Ifølge KPMG’s toplederundersøgelse ‘CEO Outlook’ er machine learning gået fra hype til implementering. Men der er store forskelle på, hvor meget de enkelte virksomheder får ud af den nye teknologi.

Mængden af sensorer, der omgiver os, vokser kraftigt sideløbende med en eksplosion i mængden af data. IBM har i 2017 estimeret, at vi globalt producerer 2,5 kvintillioner bytes dagligt. Det er et astronomisk højt tal på mere end 31 cifre.

De enorme datamængder indeholder en nærmest uudtømmelig viden om forbrugsmønstre og adfærd, økonomiske trends og risici inden for alle brancher og samfund. Men datamængderne er uoverskuelige og tidskrævende at analysere for mennesker, og her kommer machine learning ind i billedet.

Machine learning benyttes i vid udstrækning til ansigtsgenkendelse, analyse af kreditværdighed i den finansielle sektor og kundehåndtering. Machine learning er en grundlæggende bestanddel af kunstig intelligens og en metode til at finde indsigter i data, som computeren ikke er specifikt programmeret til at lede efter. Machine learning kan så at sige lade maskinen programmere sig selv og finde relevante informationer og mønstre i et hav af data.

Større modenhed i udnyttelsen af machine learning

I mit arbejde med en række af Danmarks største virksomheder oplever jeg en større modenhed og villighed til at afprøve og udnytte machine learning i samspil med ny teknologi, som ikke blot kan skabe markante effektiviseringer og værdi, men også øge trygheden i samfundet, hvis teknologien håndteres ansvarligt.

Vi arbejder eksempelvis på at optimere en virksomheds kundefastholdelse. Når en virksomhed med hjælp fra machine learning analyserer kundedata, kan der findes fællestræk ved kunder, der har været gode kunder, men som er på vej til at skifte til en konkurrent. Disse kunder kan blandt andet identificeres ved, at der er gået længere tid end normalt mellem køb af et givent produkt, eller at de er holdt op med at interagere med virksomhedens kundeklub.

Med denne information kan man sætte ind og dermed forsøge at fastholde kunden, inden denne forlader virksomheden til fordel for en anden. Disse indsigter giver en grundlæggende mulighed for at forbedre kundeoplevelsen og kunderejsen og reducerer dermed omkostningen på 62 milliarder USD, som churn ifølge NewVoiceMedia hvert år koster virksomheder i USA alene.

Placering af supermarkeder ved hjælp af machine Learning

Vi oplever, at de virksomheder, der er kommet længst med machine learning, er dem, der har en meget forretningsdrevet tilgang til teknologien og nogle konkrete problemer, der skal løses.

Vi arbejder eksempelvis med en supermarkedskæde, som bruger machine learning til at vurdere potentialet i at placere supermarkeder på en given adresse, hvilket er et godt eksempel på, at machine learning kan give essentielt input til beslutninger, der tidligere i stor udstrækning har været truffet på mavefornemmelse. Her trækkes på data fra Google Maps, befolkningstæthed i området, udvikling i indkomst og diverse andre datakilder. Disse sammenholdes med eksisterende data fra kædens nuværende butikker, og med stor sandsynlig kan det påvises, om der er en fornuftig businesscase i at åbne et supermarked på adressen eller ej.

Trygge rammer for borgerne

Overvågning har for mange en negativ klang, men der er gode muligheder for, at machine learning kan bidrage til at skabe tryggere rammer for borgerne, så længe teknologien anvendes ansvarligt.

Vi har udarbejdet en løsning, hvor vægterne, der sidder foran overvågningskameraer, nu bliver hjulpet af machine learning-algoritmer. Det er i dag så effektivt, at overvågning baseret på machine learning kan se forskel på et par ude på en fredelig gåtur og en gruppe, der udøver hærværk. Det øger sikkerheden og samtidig gør machine learning den enkelte opsynsmand mere effektiv.

Det giver også nogle nye muligheder i forhold til terrorbekæmpelse og overvågning ved særlig udsatte trafikknudepunkter.

Udfordringer med datakvaliteten

I mange organisationer er det udfordringer med datakvaliteten, der gør, at man holder sig tilbage fra at benytte machine learning. Algoritmerne kan ikke levere et præcist resultat, hvis de data, indsigten skal laves på baggrund af, er ufuldstændige eller fejlbehæftede.

Paradoksalt nok er en løsning her faktisk at benytte machine learning til at kvalificere data. Hos en kunde sætter vi en machine learning-løsning op til ikke blot at identificere manglende eller fejlagtige data, men også til at undersøge selve udviklingen i data, sådan at vi kan vurdere, om en given ændring i tallene skyldes en fejl eller en kraftig vækst i salget.

Med denne tilgang reducerer vi mængden af fejlbehæftede data og valideringsopgaver, samtidig med at fundamentet bygges for mere værdiskabende brug af machine learning.

Digital kultur og forandringer

En vigtig forudsætning for at få succes med at skabe store effektiviseringer og værdirealiseringer ved hjælp af machine learning er at skabe en digital kultur blandt medarbejderne og dyrke evnen til at omfavne forandringer i samspil med de nye teknologiske muligheder.

Brugen af disruptive teknologier som machine learning er ikke et spørgsmål om at erstatte arbejdsstyrken, men at sikre, at medarbejdere først og fremmest bruger tiden effektivt på meningsfyldte opgaver frem for manuelle og ensformige opgaver. Machine learning muliggør, at virksomheder kan levere nye skræddersyede produkter og services, som er en fornøjelse at bruge for kunderne.

 

Kommentér dette blogindlæg herunder