Hur fungerar AI och hur kommer den att påverka framtiden?

Under Stockholm Tech Fest äntrade Google Clouds Chief Decision Scientist Cassie Kozyrkov scenen och berättade hur hon och Google ser på artificiell intelligens och maskininlärning. Det var ett spännande och lite annorlunda perspektiv som sedan utvecklades vidare i en paneldebatt där bland annat Salesforces Nordenchef Baman Motivala uttalade sig om framtiden för AI.

Kozyrkov är vad man kan kalla för en äkta data scientist, med kunskap om såväl statistik, analys, programmering och utveckling av Artificiell Intelligens samt självlärande system. Utifrån sina kunskaper och erfarenheter delgav hon tre olika saker som företag måste ha i åtanke när det kommer till att implementera maskininlärning i verksamheten. Risken är annars att satsningen misslyckas, och bara leder till stora kostnader utan önskade vinster i fråga om effektivitet och lönsamhet.

En grundförutsättning är att förstå vad artificiell intelligens faktiskt är, och enligt henne är det ett sätt att skapa och automatiskt sätta etiketter på olika företeelser. Förmågan att skilja mellan dessa olika etiketter är själva receptet för just AI. Kozykrov lyfter exemplet med en mikrovågsugn, som många använder för att värma sin mat. Men för att lära en AI recept för att laga god mat, ska du inte samla ihop människor som vet hur man bygger en mikrovågsugn. Det är ett fundamentalt fel som många företag gör att de fokuserar för mycket på hur själva datorn fungerar när man ska jobba med att utveckla AI. Företag behöver skifta fokus från frågan ”Hur fungerar den?” till ”Fungerar den?”. Det största arbetet handlar nämligen om att mata din AI med träningsdata, och sedan testa om du får rätt resultat.

Cassie Kozyrkov from Google Cloud berättar varför företag misslyckas med sina ML-projekt

För det andra måste du förstå hur du lär en AI saker. Du kan inte använda dig av träningsdata i form av skrivna instruktioner utan de måste vara i form av bilder och andra mer kreativa exempel. För även om en AI avser efterlikna mänskligt beteende, så är det omöjligt att i detalj beskriva processen för när en människa exempelvis ska identifiera vad som är en katt i bilden. Det enda sättet att lära en AI är att visa flera olika bilder av katter till den lär sig vad som är vad.

Det tredje som du måste ha i åtanke är att du, precis som en professor, måste testa och utvärdera hur väl din AI presterar. Du måste däremot komma ihåg att du inte kan använda samma uppgifter i testet som du använde för att träna din AI, eftersom en AI kommer ha just det exemplet i minnet. Du måste därför ha en annan uppsättning exempel som du kan använda för att utvärdera hur väl din AI lärt sig det du vill att den ska göra. Först då kommer du få en realistisk bild av hur bra din AI faktiskt är.

Sedan kommer frågan vad du ska ha din AI till. Baman Motivala, Nordenchef på Salesforce, menar att det visserligen är häftigt med självkörande bilar, men för anställda på företagen vore det mer relevant att låta en AI ta hand om repetitiva och enformiga arbetsuppgifter istället. Helt enkelt att se till att AI faktiskt löser riktiga problem och då får en bredare användning för människor. Det har länge pratats om vad AI kommer kunna göra, men nu är det inte längre bara visioner, utan vi börjar kunna se konkreta exempel på vad AI kan göra.

”AI är inte längre en framtidsvision utan det finns i allra högsta grad med i strategin och driften hos många företag här och nu. Samtidigt har det aldrig varit enklare att dra nytta av tekniken eller att lära sig använda den. Vi ser dagligen exempel på hur AI skapar nya värden för företagen, samtidigt som utbildningar som vårt kostnadsfria Trailhead gör att alla kan bemästra den nya tekniken”, säger Motivala.

Slutsatsen är att AI blivit onödigt mystifierat, och att företag ofta krånglar till det i onödan. Men genom att anamma Kozykrovs syn på AI och tillämpa hennes tips, tillsammans med att, som Motivala säger, fokusera på att lösa riktiga problem för medarbetarna, kommer AI kunna bli en mycket lönsam affär för många företag. Men det handlar till stor del om att hitta konkreta affärscase, och sedan se till att jobba med utbildning och experimenterande i samverkan.