Månadens tips: Hur vet du vad som är ett bra problem att lösa med AI?
Den allra vanligaste frågan när vi träffar nya kunder är "Vad kan AI och Machine Learning göra för oss?" Sanningen är att praktiskt taget alla kunder har eller kommer att ha stor nytta av AI, och en del av vårt detektivarbetet är att hitta den bästa användningen.
Självklart är alla organisationer olika, har olika förutsättningar, olika affärsmodeller, agerar i olika branscher och så vidare. Men det finns också många gemensamma nämnare man kan titta på för att avgöra hur mycket
tid tid och hur stora resurser man skall lägga på att implementera AI i sitt företag. För att förenkla kan man destillera det till tre punkter.
1. Maskininlärning är bra på enskilda och tydligt definierade och avgränsade frågeställningar. Det är inte speciellt bra för att skapa stora komplexa system med massor av beroenden och oväntad indata. "Hur mår vår personal?" är väldigt komplext att svara på, men däremot kan vi tidigt flagga för om någon är i riskzonen för att bli utbränd. Ingen kommer heller att konstruera en autonom bil inom min livstid, däremot är det sannolikt att vi om några år har helt automatiserade busslinjer.
2. Utan data, ingen maskininlärning.
För att kunna dra nytta av även den enklaste regressionsanalys krävs det data. Finns inte datan idag måste den samlas in, så det är nästan alltid enklare och billigare att börja med att lösa ett problem där det redan finns tillgänglig data.
3. Om allting går som det ska, hur stor är det maximala effekten man kan få ut? Eftersom vi arbetar med data, så går det alltid att få fram en uppskattning av den ekonomiska nyttan för ett projekt. Om vi implementerar en chattbot, hur mycket pengar räknar vi med att spara och hur mycket större intäkter kommer vi att få? Nära noll på båda? Okej, då är en chattbot inte en bra investering.
Tar man bara hänsyn till de här tre punkterna, så kan jag garantera att man inte bara kan spara mycket tid och frustration, men också skaffa sig rejäla fördelar gentemot
sina konkurrenter.
/ Josef Falk, VD Echo State AB
#selfdrivingbus: Volvo kommer i samarbete med NTU i Singapore att testa självkörande bussar i Singapore under året.
#datamining: Ett nytt venture, backat av bland annat Bill Gates och Andreesen-Horowitz, skall använda Machine Learning för att hitta kobolt som är en viktig råvara vid tillverkningen av batterier.
#mechanicalfinn: Den finska startupen Vainu har börjat använda finska fångar för att hjälpa till med att skapa indata till sina NLP-modeller. "Ett typiskt exempel på att AI kommer att leda till fler jobb", säger de själva. Öhm, nej säger vi.
#policy: En fjärdedel av de tillfrågade i en europeisk undersökning tror att en AI skulle vara bättre på att stifta lagar än politiker. Okej då, bilden är en del av behållningen artikeln!
#machinevswoman: Svenska Furhat har utvecklat en robotintervjuare som skall vara ett alternativ till oss fördomsfulla människor. Vi misstänker dock att anställningsavtalen slutligen kommer att signeras av en möjligen fördomsfull chef.
#deeplearning: Googles DeepMind-dotterbolag har lyckats prediktera energiuttaget från vindkraftverk. Samma bolag kämpar också, sina fina meriter till trots, för att hitta en fungerande intäktsström.
#healthcare: Google har genomfört ett AI-projekt där man predikterar hur mycket sjukhusvård en patient kommer att behöva och när de kommer att dö. Det är oklart om samma teknik har använts för att ta reda på när DeepMind kommer att dö utan intäktsströmmar.
Det här nyhetsbrevet skickas ut av Echo State AB och innehåller det senaste inom ML/AI, Data Science, Data Engineering och Business Intelligence. Avsluta prenumerationen
