I mylderet av meningsartikler om Chat GPT og kunstig intelligens er det påfallende stille fra folk som meg – folk som jobber til daglig med å bygge maskinlæringsmodeller og skape verdi med data. Fra mitt ståsted ser mulighetene litt annerledes ut enn det bildet jeg får i mediene.
La meg utdype.
- Det største potensialet ligger i å bli bedre på kjernevirksomheten
De aller fleste virksomheter av en viss størrelse lagrer kjernevirksomheten sin i tradisjonelle systemer basert på standard databaser. Det gjelder kundekontakt, transaksjoner, produksjon, saksbehandlingsprosesser og så videre. Det er stor variasjon avhengig av hva virksomheten tjener pengene sine på, men de aller fleste virksomheter dokumenterer verdiskapingen sin i tradisjonelle databaser.
Det er her det største potensialet ligger. Maskinlæring er et verktøy til å bli bedre på det som allerede er kjernevirksomheten til virksomheten.
Maskinlæring i produksjon dreier seg i stor grad om automatiserte beslutninger mellom to eller flere klart definerte valg: Skal vi gi denne kunden kreditt? Ja eller nei.
Skal vi automatisk sende ut denne ordren? Ja eller nei.
Er det indikasjoner på at denne delen må erstattes? Ja eller nei.
Den modne delen av maskinlæringsfaget er veldig god på å svare på klart definerte ja/nei-spørsmål.
En forutsetning for at dette skal være verdifullt, er at man trenger å ta veldig mange nesten helt like valg hver dag.
Jeg jobber med kredittmodeller for en online betalingstjeneste som har mange millioner kunder hvert år. Modellene kan ta hensyn til vesentlig mer informasjon enn saksbehandlere har kapasitet til, og svaret er klart på noen millisekunder.
Dette er et typisk eksempel på en prosess som egner seg godt for maskinlæring: Prosessen har mange like valg som skal tas, volumet er stort, og hvert valg skaper verdi hvis det er riktig. I andre prosesser kan verdien ligge i å frigjøre ressurser fra enkle, repeterende oppgaver til mer givende oppgaver.
Verdien kan også ligge i å få en bedre opplevelse for kundene, enten online eller i direkte kontakt.
- Mennesker er fleksible, det er ikke maskinlæringsalgoritmer
I mediene kan man få inntrykk av at kunstig intelligens, tilnærmet med menneskelige egenskaper, står klart til å overta oppgaver fra de fleste av oss. Jeg vil påstå at vi ikke er helt der riktig enda. Den typen maskinlæring som stort sett kommer i produksjon, krever klart definerte prosesser og data som betyr det samme hver gang.
Mennesker er fleksible og kan tilpasse seg slik at prosessen fungerer selv om den ikke er klart og tydelig definert. Maskinlæringsalgoritmer kan ikke det.
Mange av prosjektene innen maskinlæring bruker mye tid på å sørge for at prosessene egner seg for maskinlæring. I stedet for at menneskene tilpasser seg prosessen, må prosessene tilpasses algoritmene hvis de skal kunne ta over.
En konsekvens er at man kun kan automatisere én prosess om gangen. Den gode nyheten er at veldig mange virksomheter har prosesser og data som egner seg til automatisering med maskinlæring. Det er også i ferd med å bli et modent felt der mange vet hva de gjør.
- Men hva med Chat GPT og kunstig intelligens?
Tjenestene som har utløst den siste hypebølgen er en ny type verktøy som gir mulighet for å bygge helt nye produkter og tjenester. Det er allerede et mylder av slike tjenester på markedet, og mange flere er på vei.
Det er likevel de færreste virksomhetene som tjener pengene sine på å lage bilder av tekst eller gi tilsynelatende gode svar på spørsmål – med fare for faktafeil.
Virksomheter tjener stort sett pengene sine på noe de er gode på. Og mange kan bli enda bedre ved å bruke maskinlæring til å forbedre noe de gjør manuelt i dag.
Det er nok der den virkelige verdien ligger.
For ordens skyld: Meningene her er mine og ikke nødvendigvis min arbeidsgivers.
(Vilkår)Copyright Dagens Næringsliv AS og/eller våre leverandører. Vi vil gjerne at du deler våre saker ved bruk av lenke, som leder direkte til våre sider. Kopiering eller annen form for bruk av hele eller deler av innholdet, kan kun skje etter skriftlig tillatelse eller som tillatt ved lov. For ytterligere vilkår se her.