211service.com
Dette er grunnen til at AI ennå ikke har omformet de fleste virksomheter
Konsepttegning av parfymeflaske og AI-nettverk Derek Brahney
Kunsten å lage parfymer og cologne har ikke endret seg mye siden 1880-tallet, da syntetiske ingredienser begynte å bli brukt. Eksperte duftskapere tukler med kombinasjoner av kjemikalier i håp om å produsere overbevisende nye dufter. Så Achim Daub, en leder hos en av verdens største produsenter av dufter, Symrise, lurte på hva som ville skje hvis han injiserte kunstig intelligens i prosessen. Ville en maskin foreslå tiltalende formler som et menneske kanskje ikke tenker på å prøve?
Daub hyret inn IBM for å designe et datasystem som ville pore over enorme mengder informasjon - formlene for eksisterende dufter, forbrukerdata, regulatorisk informasjon, videre og videre - og deretter foreslå nye formuleringer for bestemte markeder. Systemet kalles Philyra, etter den greske duftgudinnen. Bortsett fra et stemningsfullt navn, kan det ikke lukte noe, så det kan ikke erstatte menneskelige parfymere. Men det gir dem et forsprang på å skape noe nytt.
Denne historien var en del av mars 2019-utgaven vår
- Se resten av saken
- Abonnere
Daub er fornøyd med fremgangen så langt. To dufter rettet mot unge kunder i Brasil skal komme i salg der i juni. Bare noen få av selskapets 70 duftdesignere har brukt systemet, men Daub forventer etter hvert å rulle det ut til dem alle.
Han er imidlertid forsiktig med å påpeke at det tok nesten to år å komme så langt – og det krevde investeringer som fortsatt vil ta en stund å hente inn igjen. Philyras første forslag var fryktelige: det ble stadig foreslått sjampooppskrifter. Tross alt så den på salgsdata, og sjampoen er langt bedre enn parfyme og cologne. Å få den på rett spor tok mye trening av Symrises parfymemakere. I tillegg sliter selskapet fortsatt med kostbare IT-oppgraderinger som har vært nødvendige for å pumpe data inn i Philyra fra ulike journalføringssystemer, samtidig som noe av informasjonen holdes konfidensiell fra parfymemakerne selv. Det er en slags bratt læringskurve, sier Daub. Vi er ikke i nærheten av å ha AI godt og fullstendig etablert i bedriftssystemet vårt.
Parfymebransjen er neppe den eneste som tar i bruk maskinlæring uten å se raske endringer. Til tross for det du kanskje hører om AI som feier over verden, sier folk i en lang rekke bransjer at teknologien er vanskelig å implementere. Det kan bli kostbart. Og den første utbetalingen er ofte beskjeden.
Det er én ting å se gjennombrudd innen kunstig intelligens som kan utkonkurrere stormestere i Go, eller til og med å ha enheter som slår på musikk etter din kommando. Det er en annen ting å bruke AI til å gjøre mer enn trinnvise endringer i virksomheter som ikke er digitale i seg selv.
Dette betyr ikke at AI er overhypet. Men algoritmer er en liten del av det som virkelig betyr noe for å omforme hvordan virksomheten gjøres.
AI kan til slutt forvandle økonomien – ved å gjøre nye produkter og nye forretningsmodeller mulig, ved å forutsi ting mennesker ikke kunne ha forutsett, og ved å avlaste ansatte for slit. Men det kan ta lengre tid enn håpet eller fryktet, avhengig av hvor du sitter. De fleste bedrifter genererer ikke vesentlig mer produksjon fra timene de ansatte legger ned. Slike produktivitetsgevinster er størst hos de største og rikeste bedriftene, som har råd til å bruke tungt på talentet og teknologiinfrastrukturen som er nødvendig for å få AI til å fungere godt.
Dette betyr ikke nødvendigvis at AI er overhypet. Det er bare det at når det gjelder å omforme hvordan virksomheten gjøres, er algoritmer for mønstergjenkjenning en liten del av det som betyr noe. Langt viktigere er organisatoriske elementer som bølger fra IT-avdelingen helt til frontlinjen i en virksomhet. Stort sett alle må være innstilt på hvordan AI fungerer og hvor dens blinde flekker er, spesielt menneskene som forventes å stole på dens vurderinger. Alt dette krever ikke bare penger, men også tålmodighet, nitid og andre typiske menneskelige ferdigheter som altfor ofte er mangelvare.
Ser etter enhjørninger
I september i fjor tvitret en dataforsker ved navn Peter Skomoroch: Som en tommelfingerregel kan du forvente at overgangen fra bedriftsbedriften til maskinlæring vil være omtrent 100 ganger vanskeligere enn overgangen til mobil. Det var en vits, men Skomoroch tullet ikke. Flere personer fortalte ham at de var lettet over å høre at selskapene deres ikke var alene i kampene. Jeg tror det er mye smerte der ute – oppblåste forventninger, sier Skomoroch, som er administrerende direktør i SkipFlag, en virksomhet som sier at den kan gjøre en bedrifts interne kommunikasjon til en kunnskapsbase for ansatte. AI og maskinlæring blir sett på som magisk festøv.
Blant de største hindringene er å få ulike journalføringssystemer til å snakke med hverandre. Det er et problem Richard Zane har støtt på som innovasjonssjef ved UC Health, et nettverk av sykehus og medisinske klinikker i Colorado, Wyoming og Nebraska. Det lanserte nylig en samtaleprogramvare kalt Livi, som bruker naturlig språkteknologi fra en oppstart kalt Avaamo for å hjelpe pasienter som ringer UC Health eller bruker nettstedet. Livi ber dem om å fornye resepter, bøker og bekrefter avtaler, og viser dem informasjon om forholdene deres.
Zane er glad for at med Livi som håndterer rutinemessige spørsmål, kan UC Healths ansatte bruke mer tid på å hjelpe pasienter med kompliserte problemer. Men han erkjenner at denne virtuelle assistenten gjør lite av det AI til slutt kan gjøre i organisasjonen hans. Det er bare toppen av isfjellet, eller hva den positive versjonen av det er, sier Zane. Det tok et og et halvt år å distribuere Livi, hovedsakelig på grunn av IT-hodepinen knyttet til å koble programvaren til pasientjournaler, forsikringsfaktureringsdata og andre sykehussystemer.
Lignende oppsett skader andre bransjer også. Noen store forhandlere lagrer for eksempel forsyningskjeden og forbrukertransaksjoner i separate systemer, ingen av disse er koblet til bredere datalagre. Hvis bedrifter ikke stopper og bygger forbindelser mellom slike systemer, vil maskinlæring fungere på bare noen av dataene deres. Det forklarer hvorfor den vanligste bruken av AI så langt har det involvert forretningsprosesser som er skjult, men som likevel har rikelig med data, for eksempel datasikkerhet eller svindeloppdagelse i banker.
Selv om et selskap får data fra mange kilder, krever det mye eksperimentering og tilsyn for å være sikker på at informasjonen er nøyaktig og meningsfull. Når Genpact, et IT-tjenesteselskap, hjelper bedrifter med å lansere det de anser som AI-prosjekter, er 10 % av arbeidet AI, sier Sanjay Srivastava, den digitale sjefen. Nitti prosent av arbeidet er faktisk datautvinning, rensing, normalisering, krangel.
Disse trinnene kan se sømløse ut for Google, Netflix, Amazon eller Facebook. Men disse selskapene eksisterer for å fange opp og bruke digitale data. De er også luksuriøst bemannet med doktorgrader innen datavitenskap, informatikk og relaterte felt. Det er annerledes enn rangeringen til de fleste bedriftsselskaper, sier Skomoroch.
Faktisk krever mindre selskaper ofte at ansatte fordyper seg i flere tekniske domener, sier Anna Drummond, en dataforsker ved Sanchez Oil and Gas, et energiselskap basert i Houston. Sanchez begynte nylig å streame og analysere produksjonsdata fra brønner i sanntid. Den bygde ikke muligheten fra bunnen av: den kjøpte programvaren fra et selskap som heter MapR. Men Drummond og hennes kolleger måtte fortsatt sørge for at data fra feltet var i formater en datamaskin kunne analysere. Drummonds team ble også involvert i utformingen av programvaren som skulle mate informasjon til ingeniørenes skjermer. Folk som er flinke til alle de tingene er ikke lett å finne, sier hun. Det er i grunnen som enhjørninger. Det er det som bremser AI eller maskinlæringsadopsjon.
Fluor, et stort ingeniørfirma, brukte omtrent fire år på å jobbe med IBM for å utvikle et kunstig intelligenssystem for å overvåke massive byggeprosjekter som kan koste milliarder av dollar og involvere tusenvis av arbeidere. Systemet inhalerer både numeriske og naturlige språkdata og varsler Fluors prosjektledere om problemer som senere kan føre til forsinkelser eller kostnadsoverskridelser.
Dataforskere ved IBM og Fluor trengte ikke lang tid på å etterligne algoritmer systemet ville bruke, sier Leslie Lindgren, Fluors visepresident for informasjonshåndtering. Det som tok mye mer tid var å raffinere teknologien med nær deltakelse av Fluor-ansatte som skulle bruke systemet. For at de skulle stole på dens vurderinger, måtte de ha innspill til hvordan det ville fungere, og de måtte nøye validere resultatene, sier Lindgren.
For å utvikle et system som dette, må du hente domeneekspertene dine fra virksomheten – jeg mener de beste folkene dine, sier hun. Det betyr at du må trekke dem av andre ting. Å bruke toppfolk var viktig, legger hun til, fordi å bygge AI-motoren var for viktig, for lang og for dyr til at de kunne gjøre noe annet.
Frøene til AI
Når en innovasjon først oppstår, hvor raskt vil den diffundere gjennom økonomien? Økonom Zvi Griliches kom med noen grunnleggende svar på 1950-tallet – ved å se på mais.
Griliches undersøkte hastigheten som maisbønder i forskjellige deler av landet gikk over til hybridvarianter som hadde mye høyere avling. Det som interesserte ham var ikke så mye maisen i seg selv, men verdien av hybrider som det vi i dag vil kalle en plattform for fremtidige innovasjoner. Hybrid mais var oppfinnelsen av en metode for å finne opp, en metode for å avle overlegen mais for spesifikke lokaliteter, skrev Griliches i et landemerkepapir i 1957.
Hybrider ble introdusert i Iowa på slutten av 1920-tallet og begynnelsen av 1930-tallet. I 1940 sto de for nesten all mais plantet i staten. Men adopsjonskurven var ikke på langt nær så bratt på steder som Texas og Alabama, hvor hybrider ble introdusert senere og dekket omtrent halvparten av maisarealet på begynnelsen av 1950-tallet. En stor grunn er at hybridfrø var dyrere enn konvensjonelle frø, og bøndene måtte kjøpe nye hvert år. Å bytte til den nye teknologien var et mer risikabelt forslag for gårdene i disse statene enn i det rikere og mer produktive maisbeltet i Midtvesten.
Det Griliches fanget opp, og som påfølgende økonomer bekreftet, er at spredningen av teknologier er mindre formet av innovasjonenes iboende kvaliteter enn av brukernes økonomiske situasjon. Brukernes nøkkelspørsmål er ikke, som det er for teknologer, hva kan teknologien gjøre? men hvor mye vil vi ha nytte av å investere i det?
I dag ligger maskinlæring til grunn for alle aspekter av virksomheten til selskaper som Facebook, Google og Amazon og mange oppstartsbedrifter. Det gjør disse selskapene eksepsjonelt rike. Men utenfor det AI-beltet går ting mye saktere, av rasjonelle økonomiske årsaker.
Hos Symrise mener Daub at parfyme-AI-prosjektet falt i et søtt sted. Det var et relativt lite eksperiment, men det innebar virkelig arbeid for en duftkunde og var ikke bare en laboratoriesimulering.
Vi er alle under mye press, sier han. Ingen har egentlig tid til å gjøre greenfield-læring ved siden av. Men selv dette krevde et sprang av tro på teknologien. Alt handler om overbevisning, sier han. Det er en veldig sterk overbevisning i meg om at AI vil spille en rolle i de fleste bransjene vi ser i dag, noen mer overveiende. Å fullstendig ignorere det er ikke et alternativ.