I denne artikel, giver vi en kort indføring til kunstig intelligens, hvordan det virker, og hvad man kan med teknologien. Sluttelig giver vi et par råd til, hvordan I kan spotte mulige effektiviseringer ved hjælp af kunstig intelligens i jeres organisation.

En nyttig definition på kunstig intelligens

Nye felter er ofte plaget af skiftende og upræcise definitioner, begreber og emner. Kunstig intelligens, eller AI (Artificial Intelligence), er ingen undtagelse. Selvom mange af de grundlæggende teknologier har flere årtier på bagen, er der fortsat stor bevægelse i, hvad man kalder tingene, og hvordan de afgrænses fra hinanden. Et bud på en nyttig definition af kunstig intelligens, som vi vil bruge i denne artikel, er:

”Kunstig intelligens er en bred term, der bruges til at beskrive et sæt af teknologier, som gør computere og maskiner i stand til sanse, forstå, handle og lære”.

Sanse dækker over evnen til at opfatte verden omkring dem. Det kunne være input fra den fysiske verden, igennem kameraer, sensorer osv. men også billeder og tekst, enten skrevet eller talt. Det kan også være helt ’almindelig’ struktureret data, der kan stå i en klassisk tabel.

Forstå handler om at kunne extrapolere mening ud fra rådata, og omstrukturere det til meningsfyldte repræsentationer af den sansede verden. Det kunne være at finde personer i et billede af et rum, eller sproglige elementer i en kompleks sagsfremlæggelse.

Handle kan være i form af en assistance til et menneske, eller en autonom handling som den kunstige intelligens foretager sig. Dette foregår typisk i et/flere softwaresystem(er) eller f.eks. som selvkørende biler i den fysiske verden.

Lære er den mest centrale egenskab ved kunstig intelligens, nemlig evnen til at lære uden at blive eksplicit instrueret. Tænk på det som et barn der lærer at skelne hunde fra katte, ved at barnets forældre gang på gang peger på alle mulige slags hunde og siger ”Hund! Vov!”, uden nærmere at specificere, hvilken metode barnet skal bruge til at klassificere de forskellige dyrearter.

Det hele fungerer ved hjælp af digital erfaring

Hvordan fungerer denne kunstig intelligens så i praksis? Det er der både et meget kompliceret svar på og et herligt kort svar. Det lange svar er tilsyret med begreber som LSTM-netværk, AOC-kurver og precision-recall-matricer, hvilket ikke er målet for denne artikel. Den korte version, som vi holder os til her, er, at det fungerer ved at fodre den kunstige intelligens med (ekspert)erfaring, som den lærer ud fra. (Dette kaldes supervised learning. Der er også andre typer, hvoraf primært unsupervised og reinforcement learning er brugt, hvor dog supervised er den mest almindelige.)
Alle kunstig intelligens modeller er trænet til at kunne noget omkring et bestemt object. Objektet kan være en kunde, en ansøgning, en maskine, en et-eller-andet. Der er altså tale om en specifik kunstig intelligens, der har erfaring inden for ét bestemt område, nemlig det objekt den har erfaring omkring.
Disse objekter kan vi så fortælle den kunstige intelligens noget om ved hjælp af objektets features, eller egenskaber. Om kunden kunne det være vedkommendes alder, køn, købshistorik, aktivitet på vores hjemmeside osv. Alt sammen data om objektet som tegner et billede for den kunstige intelligens.
Endelig er der target, eller målet, som er det, vi gerne vil have den kunstige intelligens til at lære at kunne estimere. Dette kunne f.eks. være ”vil denne kunde opsige sit abonnement inden for de næste 30 dage?” eller ”er denne e-mail spam?”
Al det data, eller den erfaring, vi opsamler om et objekt (features), kan vi strukturere og give til den kunstige intelligens. På baggrund af dette data lærer algoritmen de sammenhænge, der eksisterer imellem features og target. Herefter kan algoritmen bruge de oplyste features til at vurdere en ny kunde eller mail. Algoritmen kommer med sit resultat, som er et bud på target, altså om kunden har i sinde at opsige sit abonnement, eller om den pågældende e-mail er spam.

Hvad kan det så bruges til?

Anvendelserne er så utrolig mange og grundtanken, man kan bruge er: Alt hvad et menneske gør mange gange, lært af erfaring, kan en kunstig intelligens også lære. Sådan da. Så lad os se på typiske implementeringsformer, hvoraf der fremhæves fire nedenfor:

Beslutningsstøtte
Den implementeringsform, der måske er lettest at komme i gang med, er, hvor den kunstige intelligens yder beslutningsstøtte i en eksisterende proces. Det kunne f.eks. være en sagsbehandling, hvor processen kan ende i en håndfuld forskellige efterfølgende handlinger, og hvor den kunstige intelligens foreslår, hvilken handling den vurderer er den rigtige i situationen.

Eksempel: Forudsige vedligeholdelsesbehov af infrastruktur
Hos en af de helt store infrastrukturejere i Danmark, arbejdes der med den fremmeste teknologi til at forudsige nedbrud på fysiske assets såsom togskinner, wirer og veje. Baseret på historiske data, har man fundet frem til specielt udsatte assets, der kræver hyppigere vedligehold og udskiftning på grund af slitage. Disse informationer kan nu bruges til at opdatere og forudsige den fremtidige drifts- og vedligeholdsopgave af infrastrukturen.

Automatisering
Hvis risikoprofilen på beslutningen tillader det, og en tilstrækkelig præcis kunstig intelligens kan etableres, kan den tillades at træffe beslutninger på egen hånd. Det vil typisk være, hvis der skal træffes tusindvis af beslutninger inden for meget kort tid, eller det ikke giver mening at have et menneske til at validere beslutningen.

Eksempel : Automatisk bogføring af leverandørfakturaer
Bogføring af fakturaer fra leverandører er en proces, alle organisationer i Danmark skal kunne håndtere. Den egner sig bedre til automatisering vha. kunstig intelligens end via regelbaserede løsninger. Det bunder i, at der ofte er et utal af mulige konti, som hele eller dele af fakturaen skal bogføres på, og der kan stå bogstavelig talt hvad som helst på en faktura, så det er praktisk taget umuligt at lave en regel for hvert et udfald. Men kunstig intelligens kan derimod godt finde et mønster i konteringsadfærden og på den måde spare manuel håndtering og øge konteringskvaliteten og konsistensen.

Hvis brugssituationen f.eks. er online, vil der typisk ikke være tid til at køre modellens forslag forbi et menneske til godkendelse, fordi der skal foretages en handling her og nu. Et klassisk eksempel er vurderingen af, om en given kreditkorttransaktion skal stoppes, da den skaber mistanke om svindel, eller hvilken serie du bliver anbefalet at se på HBO, når du er færdig med sidste afsnit af Game of Thrones.

Sortering
I mange processer kan det være nyttigt at få sorteret intelligent i de objekter, der er input i processen. Det kan være i forhold til kompleksitet, typen af indhold, risikoen, afvigelser fra normen el.lign. Hvis der bare er nogen kompleksitet i egenskaberne ved disse objekter, kan en sortering baseret på kunstig intelligens være langt mere effektiv end regelbaserede alternativer. Visitering af kunder eller sager, sortering af e-mails eller produkter er eksempler, hvor kunstig intelligens i dag kan hjælpe.

Adgang til det ustrukturerede
De fleste organisationer har en masse data i varehuse og strukturerede tabeller, men ofte langt mere data i ustrukturerede former, som f.eks. tekst, lyd, billeder eller i stigende grad en strøm af sensordata. Den type data kan kun i begrænset omfang anvendes i f.eks. RPA-automatiseringer (Robotic Process Automation) eller fagsystemer, men kunstig intelligens kan arbejde med det pga. sine unikke egenskaber. Så i stedet for at indsamle struktureret data manuelt eller opsætte målere, kan du vha. kunstig intelligens arbejde direkte på f.eks. videooptagelser af cyklisttrafik.

Eksempel: Inspektion af cement vha. droner og AI
Cementelementerne på Storebæltsbroen vedligeholdes i dag ved hjælp af billedanalyser fra droner. De mange billeder, taget af dronerne, analyseres af en algoritme, der identificerer, hvilke skader der er mest kritiske. Tidligere blev dette gjort manuelt af ingeniører, der kravlede rundt for at finde skaderne. Det er disse cementingeniører, der har oplært algoritmen med deres ekspertviden. I dag kan de fokusere på at udbedre skaderne i stedet for også at skulle detektere dem.

Ovenstående er nogle eksempler på anvendelse af kunstig intelligens, som næsten alle organisationer kan benytte sig af i en eller anden form. Derudover er der mange flere radikale og revolutionerende anvendelser som selvkørende biler, digitale assistenter du kan tale med – selv på dansk – og helt ud i geneditering af den menneskelige DNA. Hvorom alting er, er det fundamentalt set den samme teknologi som indgår i de mere ligefremme anvendelser.

AI- briller til at spotte mulighederne for kunstig intelligens

Når du nu er færdig med denne artikel og går ud i din organisation på jagt efter de gode implementeringer af kunstig intelligens, så skal dine AI-briller se efter tre ting:
Det der er meget af i organisationen

  • Stort antal: Er der objekter, vi har rigtig mange af? Såsom kunder, ordrer, sager, ruter, assets eller henvendelser, og ved vi noget/nok om disse objekter?
  • Variation: Er der en variation i, hvordan disse objekter skal behandles for bedst mulige resultater? Såsom personificerede brugeroplevelser, kvalitetsbedømmelse, produktsortering eller processering.

De differentierende KPI’er

  • Akkumulerede tal: Eksisterer der strategiske effektmål, som er drevet af opsummeringen af en masse enkelthændelser? F.eks. gennemsnits-churn af vores kunder/ansatte, gennemsnitslevetid for assets, samlede sagsomkostninger, transportomkostninger, vedligeholdsomkostninger, automatiseringsgrad i bogføringen eller samlede udgifter til svindel.
  • Differentieringen: Hvilket målepunkt gør organisationen mere effektiv end andre i branchen? Hvor ville det gøre en strategisk forskel, hvis organisationen bare blev 2% bedre?

De få specialister

  • Specialisering: Hvor i organisationen håndterer specialister en særlig type objekter, som typisk kræver stor erfaring eller uddannelse? Eksempler kan være fakturahåndtering, eftersyn eller diagnosticering.
  • Knaphed af ressourcer: Hvor er der knaphed på ressourcer til at håndtere objekter i specialistområdet? Det kan eksempelvis vise sig ved lange behandlingstider eller processer, ventetid og variation i behandling af objektet, såsom afgørelser ved domsafsigelser, lægelig behandling eller evalueringer.

Det glade budskab

Den gode nyhed er, at Danmark er i utrolig god form til at implementere kunstig intelligens på trods af manges, lidt afventende, tilgang. Vi er et af de mest digitaliserede lande i verden, hvilket har resulteret i store mængder historisk data, som kunstige intelligenser lever af. Selv det mest genstridige og ustrukturerede data, kan analyseres af en algoritme og vise mønstre eller indikationer, der kan integreres i organisationens løsninger. Ydermere er regnekraften, som er nødvendig for disse algoritmer, i langt højere grad tilgængelig for selv de mindste virksomheder; et stort netværk af formålsdesignede regneserver kan spindes op ved et tryk på en knap i en cloud.
Teknologien er moden nu, hvilket er illustreret i de forskellige eksempler ovenfor, som alle er i drift i dag – her i Danmark.
Og endelig – mest vigtigt – er det himmelråbende store potentiale for effektivisering med kunstig intelligens, der endnu ikke er taget hul på, da det ofte kan være uoverskueligt at tage fat på en lidt mere ukonkret teknologi som kunstig intelligens. Vi håber, at I hermed har fået et lidt dybere indblik i, hvad kunstig intelligens egentligt vil sige, og at I kan tage de nyanskaffede AI-briller på, næste gang effektivisering er i fokus.