AI i din dataindsamlingsstrategi

Mange af de stærkeste forretningsanvendelser af kunstig intelligens i dag fungerer ved at man træner en AI-model på eksisterende data, så den kan levere ny forretningskritisk data. Et godt eksempel, som jeg omtalte i min sidste artikel, er måden hvorpå man kan forudsige kundeafgang (churn) ved at træne kunstig intelligens til at identificere mønstre der afslører kundeafgang før det sker (churn prediction).

AI er datadrevet

Som jeg også har været inde på tidligere, er tiden til forretningsudnyttelse af denne type AI-drevne løsninger især moden fordi vi nu har akkumuleret tilstrækkelige mængder data i vores datavarehuse til at det kan fungere som træningsgrundlag for AI-drevne løsninger. En afgørende faktor og emnet for denne artikel er så at man ikke er garanteret at de data man har opsamlet er anvendeligt for træningen og udnyttelsen af kunstig intelligens til at opnå forretningsmål som for eks. Churn Prediction.

AI er mere end simpel statistik

AI løsninger differentierer sig fra de traditionelle statistiske værktøjer og deskriptive modeller ved at det i høj grad udleder ny og forretningskritisk data som ikke var direkte indeholdt i det data den mellemliggende træning af AI modellen var baseret på. Lidt groft sagt kan man sige at fordi man ikke kan bruge de traditionelle statistiske og deskriptive tilgange til hurtigt at undersøge data, er man nødt til at vurdere grundlaget for at træne en AI model ved faktisk at gøre forsøget.

Forsøget værd

En udbredt løsning på dette er at man i stigende grad er accepterende over for opstart af mindre, agile, høj-risiko innovationsprojekter med stor potentielt udbytte, hvor man forsøger at udvikle og træne en AI-model i mere eller mindre begrænset omfang; altså som en slags funktionel proof-of-concept, så man kan vurdere om der rent faktisk er belæg for at videreudvikle modellen til en fuldendt løsning som kan tilpasse sig et skiftende datalandskab, og som også inkluderer en egentlig operationalisering af den resulterende, udledte, forretningskritiske data.

Hvis forsøget slår fejl

Står man efterfølgende med et resultat der ikke lever op til forhåbningerne, er dette ikke udelukkende et rent tab, da man herved har konstateret noget essentielt – nemlig at de data man hidtil, løbende har opsamlet, tilsyneladende ikke var de rette til at danne træningsgrundlag for AI-løsninger med det definerede forretningsmål. Man kan herefter påbegynde rejsen imod etableringen af et bedre træningsgrundlag. Den rejse starter med formuleringen af en ny dataindsamlingsstrategi, som tager udgangspunkt i de førnævnte forretningsmål og anvendte AI-modeller. Når den så er implementeret og har været operationel i længere tid, vil chancen for succes være betydeligt større.

Forbered dig på en fremtid med AI

For mange af de virksomheder og organisationer som gør forsøget, er det ofte meget svært at spå om chancen for succes, men sådan behøver det ikke at være. Hvis blot man er bevidst om mulighederne for datadrevne forretningsapplikationer af AI på et tidligt tidspunkt, så kan man med fordel inkludere det i sine overvejelser på et tidligt tidspunkt, og derved være langt bedre forberedt på denne type tiltag senere hen. Den afgørende forskel vil være at man får hjælp fra eksperter med viden om både AI og ens forretningsområde. De vil så kunne hjælpe med at vurdere hvilke data man skal opsamle, så når først man er klar til at lave AI-tiltag hele og halve år senere, så er chancen for succes langt større.

Det betyder kort sagt at man som beslutningstager i en virksomhed eller organisation skal spørge sig selv om forretningsapplikationer af kunstig intelligens er noget man vil skulle udnytte inden for 1 til 2 år. Hvis det er tilfældet er det nemlig NU at det er tid til at indarbejde dette i sin dataindsamlingsstrategi!