Når det kommer til kunstig intelligens, virker mulighetene uendelige. Fra livreddende medisinske fremskritt til å gjøre shopping mer praktisk for forbrukere. Folk drømmer om måtene AI kan hjelpe dem med å oppnå ting de aldri har vært i stand til før. Det er ikke uten begrunnelse – evnen AI har til å behandle økende datamengder på en raskere måte enn noen tidligere innovasjon noen gang kan gi utrolige gevinster. Men det er begrensninger, og noen føler at måten AI blir snakket om setter forventningene høyere enn de burde være. Hvor intelligent er kunstig intelligens? La oss ta en nærmere titt.

Hvordan AI brukes

I nesten alle bransjer kan du peke på en eller annen måte kunstig intelligens blir brukt for å gjøre en forskjell. Forskere bruker et AI-verktøy for å forutsi tap av arktisk havis. Det finnes utallige eksempler på måtene det medisinske feltet bruker AI på, inkludert alt fra biomedisinsk forskning og identifisering av sykdommer ved røntgen til oppgaver som journalføring eller utfylling av resepter.

AI er et område der pandemien kan ha ansporet vekst i stedet for å bremse den. Data fra PitchBook viser at nesten 38 milliarder dollar har blitt investert i AI-startups så langt i 2021, i takt med å doble beløpet fra 2020.

Dette tallet inkluderer ikke engang mengden forskning eller eksperimentering som fortsetter i feltet. Et team av computer science (informatikk) studenter ved Emory University jobber med å fremme en chatbot som kan gjøre logiske slutninger som kan holde dypere, mer nyanserte samtaler med mennesker. Det er til og med et skuespill skrevet og fremført live med AI – der et publikum ser på når skaperne av stykket ber AI-en om å produsere et manus som skuespillerne deretter skal fremføre. Og den øvelsen løser noen av problemene folk forbinder med kunstig intelligens.

Fallgruvene

Når folk refererer til oppgavene utført av AI, gjør de det i kjente termer. Intelligens er et begrep som brukes for å beskrive levende vesener – «naturlig» intelligens – som er grunnen til at den «kunstige» forskjellen er laget for AI. Og fordi AI bruker maskinlæring – der den kan finne ut hvordan noe er konstruert for å fortsette å utføre oppgaver uten konstant menneskelig innblanding – sies det å være i stand til å «tenke». Men sannheten er at enhver «tenkning» gjort av AI ledes av mennesker, og den mangelfulle verden som mennesker lever i.

Det er der skjevhet kommer inn i verden av kunstig intelligens. Organisasjoner bruker AI til å håndtere enorme mengder data – så mye at det generelt er lite effektivt for dem å ta seg tid til å gå gjennom disse dataene for problematisk informasjon. Som et resultat repliserer noe arbeid produsert av kunstig intelligens skjevhetene som kvinnehat, rasisme og homofobi, for eksempel, som er sett i den menneskelige verden. Så det AI-spillet? Det er uunngåelig noen ubehagelige øyeblikk som gjenspeiler AIs «forståelse» av verden.

Det samme gjelder med helseopplysninger. Alistair Erskine, sjef for digital helse ved Mass General Brigham, sa nylig på Smarter Healthcare-podcasten, «AI er avhengig av dataene som mater den. Og at data i noen tilfeller kan være veldig partiske, enten i måten de legges inn på, eller til og med på den måten at befolkningen er organisert innenfor ett område av markedet. [Også] Bare fordi modellen fungerte i dag, betyr det ikke at modellen kommer til å fungere bra i morgen. Den må kanskje trenes på nytt. Vi må hele tiden gå tilbake gjennom styringsmodellen vår og finne ut hvordan vi kan støtte den.» Med andre ord, intelligensaspektet ved AI er bare så intelligent som menneskene som tar det i bruk.

Å overvinne utfordringene

Et veldig viktig aspekt ved å finne en løsning på dette problemet er det faktum at så mange av menneskene som bruker og designer AI har identifisert problemet. De er godt klar over det og jobber med å løse det. Arbeidet som gjøres hos Emory er et godt eksempel på en AI-korreksjon. Den originale chatboten gjorde en god jobb, men jo lenger en samtale varte, desto dypere gikk AI inn i et samtaleflytskjema, noe som økte sjansene for at det ville gå glipp av poenget med et spørsmål. Den videreutviklingen av chatboten tillot AI å gjøre mer logiske slutninger dypere inn i en samtale. Løsningen var menneskedrevet. Som doktorgradsstudent Han He sier: «En datamaskin kan ikke håndtere tvetydighet, den kan bare håndtere struktur.» Mennesker sørger for strukturen.

Det er også lagt inn innsats på å løse problemet fra starten av nye prosjekter. Forskningssenter for kunstig intelligens, som for eksempel Athena, legger inn arbeid fra forskere for å sikre at senteret oppfyller målene for rase- og kjønnsmangfold i prosjektet.

Industristandarder utvikles hvert år på alle områder i virksomheten etter hvert som nye metoder og teknologier oppstår. Business intelligence har spesielt raske endringer på grunn av tilstrømningen av stadig mer avanserte operasjonelle systemer. Bedrifter i alle størrelser fra lokale kaffebarer til gigantiske selskaper prøver hele tiden å holde tritt med teknologiske innovasjoner i et forsøk på å øke avkastningen på investeringen.

Med mange organisasjoner som konkurrerer om å ta i bruk de nyeste gjennombruddene innen teknologi, dukker det alltid opp nye trender innen business intelligence. Howard Dresner, en av de lendende bransjeanalytikerne innen business intelligence, identifiserer mange av disse trendene i sin utgivelse av Dresner Advisory Services 2021 Self-Service Business Intelligence Market Study. Det er avgjørende at bedrifter holder øye med bransjedataene i stadig utvikling for å bedre forstå de beste strategiene for å maksimere avkastningen.

E-post og virtuelle møter er de mest ønskede metodene for samarbeid

Effektivt samarbeid og teamarbeid har alltid vært sentralt for vellykket forretningsadferd. Organisasjoner klarer imidlertid ofte ikke å utnytte potensialet sitt på grunn av ineffektive eller utdaterte metoder. Bedriftsledere og andre overordnede er ikke alltid i tråd med behovene til sine ansatte, og gir derfor ikke de nødvendige verktøyene for å lykkes. Heldigvis gir 2021 Self-Service Business Intelligence Market Study oss litt innsikt i hva disse behovene kan være.

Ifølge studien rapporterte nesten 80% av brukerne at de brukte e-post konstant eller ofte, mens nærmere 20% av brukerne rapporterte sporadisk bruk. Virtuelle møter var den mest populære samarbeidsformen, med mer enn 70% av brukerne rapporterte konstant eller ofte bruk, og nær 20% rapporterte sporadisk bruk. Som forventet overtok virtuelle møter alle andre former for samarbeid bortsett fra e-post under pandemien, med begge former for samarbeid nå vurdert som «Veldig viktig».

Økningen i popularitet til innebygde samarbeidsfunksjoner er også verdt å undersøke, da det kan være en indikasjon på en økende preferanse for økosystembasert kommunikasjon i motsetning til å benytte flere plattformer. Et spesielt bemerkelsesverdig funn var at organisasjoner som rapporterte «Fullstendig» eller «Noe vellykkede» business intelligence også rapporterte betydelig høyere bruk av innebygde samarbeidsfunksjoner sammenlignet med andre organisasjoner.

Collaborative BI får mer og mer anerkjennelse

Med den ubøyelige utviklingen av teknologi etter hvert år som går, er verdien av samarbeidende BI-funksjoner vitne til en kontinuerlig økning i industrienes anerkjennelse. Ifølge 2021 Self-Service Business Intelligence Market Study, har samarbeidende BI-funksjoner blitt vurdert som «Kritiske» eller «Veldig viktige» av mer enn 70% av respondentene siden 2019, med mer enn 90% av respondentene som vurderer collaborative BI som minimum «Viktig».

Det er også verdt å merke seg at sentimentet mot samarbeidende BI varierer mellom funksjoner, noe som indikerer at de spesifikke behovene til ulike avdelinger og virksomheter kan kreve deres egen unike tilnærming for å sikre at de får mest mulig ut av avkastningen. 2021 Self-Service Business Intelligence Market Study fant at en tredjedel eller flere av respondentene i Operations, R&D og Executive Management vurderte samarbeid som «Kritisk». På tvers av alle avdelingene fant mellom 60% og 90% av respondentene at samarbeidene BI var minst «Veldig viktig».

Studien fant også at den opplevde betydningen av samarbeidende BI korrelerer positivt med størrelsen på organisasjonen. Dette kan være et resultat av de økte tekniske kravene som er nødvendig for å lykkes med å drive et mer komplekst og spredt selskap.

Søke- og navigasjonsfunksjoner er de mest populære kravene

For å sikre at organisasjonen din tilbyr de nødvendige verktøyene for at de ansatte skal lykkes, må du først forså hvilke krav disse verktøyene må oppfylle. Ifølge 2021 Self-Service Business Intelligence Market Study var «søk og navigering etter innhold» og «del innhold og kommentarer» de viktigste BI-samarbeidskravene blant respondentene.

Tilsvarende, for oppfattet betydning, varierer preferansen for ulike samarbeidsfunksjoner også mellom funksjoner. BICC (business intelligence competency center) hadde flest krav over hele linjen, med spesiell interesse uttrykt i «søk og navigering etter innhold», «merk innhold», «del innhold» og «medforfatterinnhold». Ledelsen viste også en stor etterspørsel etter «kommenter innhold» og «del innhold» sammen med «brukerdefinerte grupper».

Lær mer for få mest mulig ut av BI

Som med all viktig og fremvoksende teknologi, må organisasjoner holde et våkent øye med trender innen BI for bedre å forstå hvordan de kan tilpasse seg den utviklende industrien. For å lære mer om hvordan organisasjonen din kan få mest mulig ut av nåværende trender innen BI, sjekk ut – «5 Analytics Trends and How Dimensional Insight Is Helping Customers Respond to Them«. 

Det jobbes på spreng etter en vaksine mot COVID-19 og hele verden følger med på vaksineutviklingen. Informasjonen generert fra vaksineforskningen skaper en enorm dataoverbelastning, alt fra kliniske studier og forskning til privat finansiering og nye teknologiske gjennombrudd. Dette krever en robust analyseplattform og kunstig intelligens for effektivt å gjøre rådata til positive resultater.

Dataanalyse vil være avgjørende for å kondensere de forskjellige datakildene til et rent håndterlig dashbord for profesjonelle til å fremme forbedringer. Når dette første datainnsamlingsproblemet er overvunnet, vil kunstig intelligens kunne få dyp, prediktiv innsikt i vaksineutviklingen, og dermed påskynde prosessen og gi bedre resultater.

Datainnsamlingsproblemet

Den store innsatsen på forskning og informasjon som genereres fra vaksineutvikling er svimlende. I den første uken i mars ble det for eksempel publisert 500 forskningsartikler om vaksineutvikling, i motsetning til 200 for hele februar måned. Denne tilstrømningen av forskning har bare blitt større ettersom vaksineutviklingen har nådd de senere stadiene.

Utover forskningsartikler, må vaksineutviklere gå gjennom legemiddelutvikling, finansieringspraksis og kliniske studier for å få et helhetlig syn på situasjonen. Dataanalyseplattformer er i stand til å sentralisere og standardisere disse store datasettene, slik at helsespesialister bedre kan forstå og bekjempe COVID-19.

Når vi snakker med Health IT Analytics, forklarer Julie Swann, PhD, professor og avdelingsleder for Fitts Department of Industrial and Systems Engineering ved North Carolina State University, en spesifikk brukssak av dataanalyse for å forstå antistoffdannelsen: «Det er mye usikkerhet om hvor mye immunitet som genereres ved å ha viruset første gangen. Data- og analyseteknologier vil hjelpe oss å bedre forstå det nivået av immunitet og hva det betyr for fremtiden.»

På grunn av immunitet endres basert på individets respons på viruset og hvor smittet de ble, er big data analytics nødvendig for å gjøre det store utvalget av individuelle tilfeller til handlingsbar innsikt.

Analytics gjør allerede en forskjell

Data analytics teknologi har allerede blitt implementert i kampen for en vaksine, spesielt innen forståelse av immunresponsen mot eksponering. Human Immunomics Initiative (HII) ved Harvard University er en felles innsats ved å bruke kunstig intelligensmodeller for å akselerere vaksineutviklingen. Programmet håper å kombinere omfattende datainnsamling av kliniske studier med big data analytics for å nå sine mål. HII er spesielt interessert i hvordan immunforsvaret samhandler med viruset i alders populasjoner.

Gjennom dataanalyse er forskerteam i stand til å samle og manipulere store datasett. Det banebrytende arbeidet de gjør med disse rene dataene, oppnås gjennom kunstig intelligens.

Innflytelsen fra AI i skapelsen av vaksiner og medisiner er en veldig ny utvikling. I februar i år ble den første medisinen noensinne utviklet med AI lagt frem, og ble fremmet av det japanske selskapet Sumitomo Dainippon Pharma. Den ble utviklet for å behandle tvangslidelse, men dette gjennombruddet har tydelig krysspåvirkning på all vaksinetesting fremover.

Gjennom bruk av algoritmer, var selskapets AI plattform i stand til å sile gjennom et stort antall datapunkter for å kombinere de perfekte settmolekylene som var nødvendige for en løsning. Sumitomo Dainippon Pharmas arbeid her er eksemplarisk for verdiskapningen ved hjelp av AI.

I den prekliniske forsøksfasen, kan AI brukes til å teste de mange kombinasjonene av molekyler som kan kombineres for å skape et effektivt medikament. En prosess som vanligvis koster milliarder av dollar og år med intensivt arbeid, kan nås gjennom algoritmer. Når det gjelder COVID-19, bruker selskaper som Atomwise denne teknologien for å fremskynde vaksineutviklingsprosessen. Ved å identifisere lovende molekylkombinasjoner, er AI i stand til å redusere den årelange prosessen ned til måneder.

En annen måte å se på denne prosessen er å tenke på at den fremskynder den vitenskapelige metoden, ifølge Murat Sonmez. Den vitenskapelige metoden begynner med en hypotese og tester den gjennom prøving og feiling for å komme til en konklusjon. For Sonmez, kan AI brukes til å øke hastigheten i de første trinnene i prosessen. For eksempel, er AI i stand til å skrive et stort antall hypoteser, som f.eks. om en enkelt sammensatt kombinasjon vil fungere, og teste den første levedyktigheten til resultatet. Når forbindelsen har gått gjennom den første testen, må den kjøres gjennom en grundigere, menneskelig ledet undersøkelse for å bevise sikkerheten. Den første skrivings- og testfasen som AI er i stand til å gjøre, er ekstremt effektivt når det gjelder å redusere tiden til forskningsprosessen.

Kombinasjonen av dataanalyse i samling og AI i testing vil være et viktig verktøy for å fremskynde oppdagelsen av COVID-19-vaksinen.

Les om hva Dimensional Insight bidrar med under covid-19 pandemien

COVID-19-pandemien har påvirket hele verdensøkonomien. For noen selskaper har de siste månedene vært en turbulent periode, som de ikke vil kunne komme seg ut av. Andre selskaper prøver imidlertid å finne en vei videre i en situasjon med lite presedens.

I moderne forretningsvirksomhet, har det blitt vanlig for organisasjoner å utnytte historiske data når de skal planlegge fremover. Pandemien har bydd på mange ulike utfordringer, blant annet har mange bedrifter mangel på data som tidligere har kunne blitt brukt til å analysere seg ut av problematiske situasjoner. Vi skal se på hvordan dette har skjedd og hva organisasjoner kan gjøre for å tilpasse seg den nye normalen.

Prøver å finne en vei fremover

Mange forhandlere er avhengige av kundedata for å lykkes. Ved å se på handlemønstre og tidligere resultater, kan selskapene forutsi hvordan salget vil se ut og få en indikasjon på fremtidig prestasjon.

Tross nøye planlegging, har det vært vanskelig for bedrifter å forutse responsen av pandemien. Små bedrifter som har åpnet igjen etter nedstengingen i mars og april, kan se at en truende andre nedstenging kan bli for mye for dem. Andre bedrifter som har klart å holde åpent, opplever at de står overfor et annet problem.

En mangel på data

Rådet om å holde seg hjemme endret måten folk handlet på. Selv om rådene ble opphevet, er det mange som fortsatt ikke har gått tilbake til sine tidligere handlevaner. Dette har endret betydningen av dataene som bedrifter samler inn. I de fleste tilfeller har dette gjort at dataene har mistet mye av sin verdi, siden tidligere resultater ofte brukes til å forutsi fremtidig adferd. Det betyr at selv for selskaper som hadde stor suksess med bruk av data for å forbedre resultatene, nå kan måtte begynne med blanke ark.

Informasjonen som samles inn er ikke nødvendigvis noe annerledes nå enn det var tidligere, men det som har endret seg er betydningen av dataene og prioriteringene bedriftene legger til grunn for å tolke dem. For eksempel, forhandlere har alltid hatt vanskeligheter med å vite om en netthandler er en helt ny kunde eller om det er en som også har handlet i en fysisk butikk. Denne forskjellen spilte ikke så stor rolle tidligere, men nå har det mye mer å si for bedrifter. Nå trenger de en måte å finne ut nøyaktig hvem som kjøper produktene deres.

Hva bedrifter kan gjøre

Det kan være en fordel med dagens situasjon – ved at det tvinger organisasjoner til å se på data på en måte de kanskje ikke gjorde tidligere. Noe som kan åpne opp for nye muligheter for dem. For andre organisasjoner som lå lengre bak med datainnsamling, kan det være en sjanse til å komme seg opp på samme nivå som deres konkurrenter. For i øyeblikket har disse konkurrentene fått et tilbakeslag i bruken av deres data.

Situasjonen i dag vil sannsynligvis tvinge mange selskaper til å evaluere måten de bruker data på. Det er viktig for mange organisasjoner å vurdere dette nøye. Når de er ute etter å kutte kostnader, kan det være fristende å ta en ekstra titt på høye teknologikostander. Da er det viktig at de veier de potensielle langsiktige kostandene mot å miste disse dataene eller de ansatte som vet hvordan de skal tolke disse dataene.

Det store spørsmålet alle selskaper står overfor i hele verden er hva den nærmeste fremtiden vil bringe? Så langt har ingen vært i stand til å gi noen sikkerhet rundt disse dataene.