Dagarna före julafton träffade jag Kristoffer Nilsson, Senior Advisor Architecture på SAS Institute för att prata om deras AI Viya, hur SAS AI-verktyg görs tillgängliga för ”vanliga dödliga” och förhoppningar på AI-området inför 2019.
Vi träffas omgivna av svenska kungar i en sal på 1700-tals herrgården Stora Frösunda där SAS Institute har sitt svenska kontor. Här möts verkligen gammalt och nytt på spännande sätt. SAS Institute har själva en 40-årig historia av att arbeta med dataanalys, och Kristoffer har varit med på närmare ett decennium av denna resa.
Vad gjorde att SAS Institute började jobba med AI? Blir min första fråga.
Vi har ju jobbat med dataanalys i över 40 år, och i grunden är det inte så stor skillnad då mot vad vi gör nu, säger Kristoffer och fortsätter. Utvecklingen av den nya generationens analysmotor började med en kund i Singapore som behövde hjälp med att korta tiden det tog att göra finansiella riskanalyser. Genom SAS duktiga matematiker, statistiker och data scientists (som då bara kallades analytiker) lyckades vi bryta upp analysen i flera mindre delar som flera datorer kunde arbeta med parallellt. På så sätt fick vi ner analystiden från 18 timmar till 15 minuter.
Och det blev då grunden för er egen AI-motor?
Ja precis, det var grunden till den nya moderna arkitekturen, som vi sedan byggde vidare på och idag är vi inne på tredje generationen som heter Viya (uttalas Vaja). Framför allt har vi fokuserat på tre olika saker: Mångfald, Skalbarhet och Trovärdighet.
Mångfald innebär att det ska gå att göra många olika typer av beräkningar och analyser, men även att många olika typer av personer och roller ska kunna använda systemet utifrån sina olika behov och kompetenser.
Skalbarhet för oss innebär att det ska gå att skala upp eller ner antalet servrar för att kunna optimera för olika komplexa beräkningar. Det innebär även att ett företag ska kunna bygga på med olika moduler allt eftersom behovet ändras, du måste inte köpa hela paketet på en gång utan kan successivt skala upp.
Trovärdigheten handlar mycket om transparens och öppenhet. För att människor ska vilja jobba med systemet och lita på automatiseringar så måste man förstå varifrån beslutet kommer, och vad som ligger bakom. Det betyder även att alla delar av verksamheten måste ha tillgång till samma data för att kunna komma till samma slutsatser, annars undermineras tilliten till systemet.
Många förknippar SAS Institute med en mer avancerad och programmeringsbaserad variant av SPSS, men nu låter det som att ni vill bredda målgruppen?
Ja det stämmer, vi började med ett analys- och statistikprogram där vi använde vårt eget programmeringsspråk. Men sedan flera år har vi jobbat på att göra det mer användbart för en bredare skara människor. Det går att använda flera olika programmeringsspråk i vår motor, och genom mer visuella användargränssnitt behöver du idag inte kunna programmera alls för att kunna jobba med stora delar av systemet. Vi har även utvecklat nära samarbeten med många andra systemleverantörer för att det ska gå att koppla ihop flera olika datakällor (relationsdatabaser, hadoop, stordatorer och cloud-datakällor) för att du inte ska vara begränsad beroende på tidigare val av system. Vi vill med andra ord göra det enklare att använda våra avancerade verktyg, och med den nya teknik som finns idag är det lättare att åstadkomma.
Men vad skiljer då Viya från andra AI-motorer såsom Watson, Einstein och Azure?
Viya och SAS Institute har ju den unika egenskapen att vi kommer från ett statistikhåll, snarare än ett IT-håll. På så sätt har vi hela tiden den avancerade statistiken och de matematiska modellerna i grunden, vilket gör att du med ett knapptryck kan gå från en enkel rapportering till en regressionsanalys. Det har också gjort att mjukvaran är byggd för att kunna uppnå hela analytiska livscykeln (läsa in data, analysera data och produktionssätt besluten). Detta gör att man kan gå från att ta in data, till en enkel rapport, till en analytisk algoritm till något som är produktionssatt direkt integrerat i operativt system från ett och samma ställe. Detta är det som är mest unikt.
Vi har dessutom en mycket stor utvecklingsavdelning som sitter och bygger olika modelltyper, allt från till exempel beslutsträd till mer avancerade algoritmer som bildanalys, ljudanalys med mera för att användarna ska slippa utveckla dessa från grunden. Det ligger ju i tiden att det måste gå snabbt att få fram nya modeller. Så även om du själv har kunskapen att programmera en ny beräkningsmodell, så kan du nu snabba på processen genom att låta mjukvaran själv generera och föreslå modeller och bara göra nödvändiga anpassningar. Det gör att du snabbt kan ta fram exempelvis churn-modeller eller skapa microsegmenteringar av dina kunder på bara några timmar, istället för veckor.
Så varför har inte SAS Institute slagit på stora AI-trumman om detta?
Det beror på två saker:
Dels tycker vi inte att AI är så väldigt annorlunda mot vad vi gjort tidigare, eftersom vi jobbat med dataanalys så länge. Den stora skillnaden är att vi kan göra det snabbare, med större datamängder och för nya tillämpningar som analys av ljud och bild. Att vi kan använda de beräkningar vi gjort för att göra bättre beräkningar i framtiden är inget nytt alls, skillnaden är bara att det idag finns mer kraft, har kommit nya algoritmer och mycket mer stöd i mjukvaran för att generera modeller effektivare.
Dels har vi inte velat hoppa på hype-tåget eftersom vi velat fokusera på vad kundens problem är och hitta en optimal lösning snarare än att trycka ut Viya som en frälsare som kan lösa alla företagets problem. Så är inte fallet, och det tycker vi är viktigt. Om vi kan vara tydliga och förklara vad vår lösning gör, snarare än att slänga oss med buzz-words som AI, Machine Learning, Neural Network och liknande så tror vi att vi tjänar på det i längden. Det handlar egentligen om punkt tre i vad vi fokuserat på: att bygga trovärdighet. Det tror vi att vi gör bäst om vi tillhandahåller något som går att förstå, och som sedan går att förklara för andra på företaget. Det är inget mystiskt eller magiskt med AI, men det är ett riktigt bra sätt att analysera stora datamängder snabbt, produktionssätta analysen och på så sätt uppnå ökat affärsvärde.
Så med 2019 för dörren, vad kan vi förvänta oss av AI och SAS institute?
Från vår sida jobbar vi med fyra områden: Dels jobba med förklaring av våra modeller och att bädda in dem i systemet på ett sätt som gör det möjligt att se hur ett beslut fattats. Dels öka enkelheten och automatiseringen i systemet så det blir ännu lättare och mer tillgängligt. Dels jobba på att ytterligare få ihop plattformen med olika påbyggnadsmoduler så det bildar en helhet. Och dels jobba nära cloudleverantörer så det går snabbt att spinna upp och ner data och få ihop fler datakällor snabbare.
För AIs del hoppas jag att mer fokus kommer hamna på etik och kontroll så att systemen fattar ”rätt beslut”. Förhoppningsvis blir det även mer fokus på att konkretisera och komma med praktiska användningsområden. Hittills har det antingen varit fokus på AI och alla coola grejer som det skulle kunna göra, eller ner på kodnivå med hur du skriver en modell i R eller Python. Till 2019 hoppas jag vi får se mer av det som ligger mellan dessa två läger, nämligen hur man gjort för att nå vissa affärsmål eller möta olika utmaningar. Sedan hoppas jag även att AI och automatisering implementeras i större skala i tillverkande industri och sjukvård, för där finns mycket stora vinster att göra och man har inte haft lika mycket fokus på dataanalysen som andra branscher haft.
Jag tackar Kristoffer för hans tid, och ser fram emot att få höra mer från SAS Institute och Viya.