Af Stig Andersen
Rapport fra McKinsey Global Institute påviser et meget stort økonomisk potentiale ved anvendelse af kunstig intelligens – men også store udfordringer og begrænsninger.
Den egentlige værdi i kunstig intelligens finder man ikke i selve teknologierne, men i virksomhedernes evne til at udnytte dem. Sådan lyder blot en enkelt af pointerne i en rapport fra McKinsey Global Institute,”Notes from the AI Frontier – Insights from Hundreds of Use Cases”, fra april 2018.
Gevinster og udfordringer
I rapporten anvendes betegnelsen kunstig intelligens i betydningen ”deep learning techniques that use artificial neural networks”, og baseret på mere end 400 specifikke use cases konkluderer rapporten, at der for den globale økonomi potentielt er en gevinst på mellem 3,5 og 5,8 billioner dollars ved anvendelsen af kunstig intelligens.
De største potentielle gevinster ligger inden for salg og marketing, supply-chain management og produktion samt finans. Typen af opgaver, som kunstig intelligens er mest velegnet til at løse er classification, continuous estimation og clustering (se faktaboks).
Anvendelsen af kunstig intelligens i praksis er dog behæftet med adskillige udfordringer og begrænsninger. Rapporten peger på de fem vigtigste: korrekt labeling af data, hvilket ofte er en manuel proces, fremskaffelse af tilpas store datamængder til at træne algoritmerne, risikoen for bias, hvis data ikke er repræsentativ nok i forhold til den befolkning, en given model bliver anvendt på, kravet om at kunne levere en forståelig forklaring på et resultat genereret af en model samt problemer med at genanvende modeller på tværs af use cases.
Strategiske overvejelser
Rapporten peger også på nogle strategiske og organisatoriske overvejelser, som virksomheder skal gøre sig, hvis de overvejer at anvende kunstig intelligens. Er der overhovedet en positiv business case ved at indføre kunstig intelligens, er teknologierne, der ville være de relevante til opgaven, modne nok på nuværende tidspunkt, og er der eventuelt juridiske begrænsninger på anvendelse af kunstig intelligens inden for det givne domæne? Dertil kommer spørgsmålet om man skal opbygge de nødvendige kompetencerne internt, om de skal outsources eller om man vil benytte sig af kunstig intelligens-as-a-service løsninger.
Rapporten kan ses her. En lidt kortere sammenfatning af rapporten inklusive videointerviews med nogle af bidragyderne kan findes her.
FAKTA – Opgaver for kunstig intelligens
Nedenfor de tre typer opgaver, kunstig intelligens er bedst til at løse ifølge rapporten fra McKinsey Global Institute:
- Classification
- Baseret på training data kan man kategorisere nyt input som tilhørende en allerede defineret kategori. Et eksempel er at detektere, om et billede indeholder en bestemt type objekt (lastbil, personbil, etc.). Et andet er at tjekke, om et produkt lever op til bestemte kvalitetskrav.
- Continuous estimation
- Baseret på training data kan man forudsige den næste numeriske værdi i en sekvens. Et eksempel er forecast på salgstal for et givet produkt ud fra input data som historiske salgstal, forbrugerevalueringer, etc. Et andet er at forudsige prisen på fast ejendom ud fra beskrivelse og billeder af ejendommen.
- Clustering
- Ved clustering defineres et sæt kategorier ud fra fælles egenskaber blandt de individuelle input data. Et eksemplet er identifikationen af et antal forbrugersegmenter baseret på data om de individuelle forbrugere.
FAKTA – Deep learning
Deep learning er en type af machine learning, der ud fra meget store datamængder typisk kan producere mere præcise resultater end mere traditionelle machine learning-teknikker. I deep learning danner flere forbundne lag af ”calculators” – eller neuroner – et neuralt netværk. Dette netværk kan processere store mængder input data gennem de enkelte lag, hvorved man får stadig mere viden om input data. Deep learning-teknologier bliver eksempelvis anvendt til tale- og billedgenkendelse.
