Hvorfor alle organisationer bør investere i prædiktiv AI

David Rice: Virksomheder investerer millioner i generativ AI. De bygger agenter og jagter hypen. Og ofte ignorerer de de andre 50 % af AI-stakken, som er den del, der faktisk leverer målbar forretningsværdi. Prædiktiv AI er ikke sexet. Den skriver ikke digte eller genererer billeder. Den forudsiger bare, hvem der vil klikke, og hvem der vil købe. Den målretter din markedsføring. Den opdager svindel, før det sker, og automatiserer beslutninger i stor skala uden et menneske i sløjfen. Hvis du lader den ligge ubrugt, skyldes det ofte, at den ikke virker lige så menneskelignende.

Dagens gæst er Eric Siegel, forfatter til AI Playbook og grundlægger af Machine Learning Week. Ifølge ham bør de fleste organisationer investere mindst lige så meget i prædiktiv AI, som de gør i generativ AI, men for meget af opmærksomheden bliver opslugt af hypen omkring generativ AI, og det er et tab for alle. Her er det problem, han bliver ved med at se. Virksomheder behandler prædiktiv AI som et datavidenskabsprojekt.

De sender dataforskeren af sted for at bygge en model, fejrer det, når den er færdig, og kalder derefter det for værdi. Men modellen er ikke værdien. Det er værdien at handle på forudsigelserne. Operationel integration er værdien. Og det kræver et tæt samarbejde med forretningsinteressenter gennem seks trin, som Eric vil gennemgå – ikke kun tre tekniske trin.

De fleste virksomheder springer helt over forretningssiden. De springer over at definere, hvad der forudsiges, og hvad der skal gøres ved det. De springer den operationelle integration over. Og derefter undrer de sig over, hvorfor deres AI-investeringer ikke giver afkast. Så i dag skal vi tale om, hvorfor prædiktiv AI er mindre sexet, men mere autonom end generativ AI.

Hvordan prædiktiv AI bliver det pålidelighedslag, der gør generativ AI faktisk anvendelig. De seks trin i Biz ML-rammen, og hvilke tre din virksomheds interessenter med størst sandsynlighed springer over. Hvorfor en nøjagtighed på 95 % lyder imponerende, men gør dit system værdiløst. Og hvad erhvervsledere skal forstå om sandsynligheder. Bare rolig, det er ikke raketvidenskab.

Jeg hedder David Rice. Dette er People Managing People. Og hvis du har jagtet generativ AI, mens du lader prædiktiv AI ligge ubrugt, viser denne samtale dig præcis, hvad du går glip af. Så lad os komme i gang.

Eric, velkommen! Det er godt at have dig med i programmet i dag.

Eric Siegel: Tak, David. Det er fantastisk at være her.

David Rice: Generativ AI får meget af opmærksomheden, men du har kaldt prædiktiv AI for den glemte 50 % af AI-stakken, ikke? Den er dog afgørende for reel forretningsværdi. Jeg er nysgerrig: Hvorfor tror du, at organisationer er så meget mere begejstrede for generative modeller, og hvad bliver overset, når disse prædiktive systemer bliver tilsidesat i folks tankegang?

Eric Siegel: Ja, jeg kan godt lide den måde, du formulerer det på. Prædiktiv AI er ældre, men ikke forældet. Det meste af dens værdi er stort set uudnyttet. Det er på en måde den anden, den oprindelige AI. På en vis måde er det det, de fleste mente med AI, før ChatGPT og andre generative AI-løsninger kom for nogle år siden. Det handler om at lære af data for at forudsige med henblik på at målrette og forbedre eksisterende operationer i stor skala. Man kan forudsige, hvem der vil klikke, købe eller dø, begå svindel eller udvise enhver anden adfærd eller ethvert andet udfald, der har værdi for en organisation, som driver operationer i stor skala. Dit spørgsmål er, hvorfor generativ AI får så meget opmærksomhed.

Svaret er meget enkelt. Den er langt mere sexet og langt nemmere at bruge. Ingen af delene betyder, at den nødvendigvis er mere værdifuld, og jeg vil tage fat på begge ting. Lad mig komme med en bred påstand, som virkelig er kontroversiel i dagens kultur, hvor der fokuseres så intenst på generativ AI og på en vis grad af hype omkring dens potentielle værdi.

Selvom den er ekstremt værdifuld, og jeg ikke kritiserer teknologien – jeg er fascineret af den – kritiserer jeg noget af fortællingen og hypen omkring den. Men her er den kontroversielle påstand: De fleste organisationer bør investere mindst lige så meget i prædiktiv AI, som de gør i generativ AI, og de to løser forskellige problemer og bør ikke konkurrere mere end et vandland og et skisportssted.

De konkurrerer i høj grad om opmærksomhed, dataforskernes tid og ressourcer. Det er derfor desværre til dels et nulsumsspil. Til stor skade for os alle bliver for meget af opmærksomheden opslugt af generativ AI. Det er uforholdsmæssigt, ikke? Det er et tab for alle. Prædiktiv AI målretter markedsføring ved at forudsige, hvem der vil købe, og målretter svindelopsporing ved at forudsige, hvilke transaktioner der viser sig at være svigagtige.

Og mere specifikt målretter den, hvilke transaktioner der skal blokeres, tilbageholdes eller revideres. Når man har operationer i stor skala, har man altid begrænsede ressourcer. Forretning handler om tal. Vi har ingen magisk krystalkugle, men vi kan tippe oddsene til vores fordel ved at forudsige bedre end ved at gætte. Det er kernen i det talspil, man spiller med prædiktiv AI.

Det vil sige, at den beregner sandsynligheder ud fra historiske data. Sandsynlighed er ikke verdens mest sexede samtaleemne, men hvis du er interesseret i værdi – hvis du er interesseret i at forbedre dine eksisterende operationer i stor skala – er det her, du normalt vender dig mod.

Sexetheden ved generativ AI kommer fra, hvor menneskelignende den tilsyneladende er, og hvor godt den passer ind i den langsigtede fortælling om AI. Lige siden begrebet opstod i 1950’erne og selvfølgelig sammen med alle de ekstremt underholdende film og lignende. Den virker så menneskelignende, og det er bemærkelsesværdigt. Og det hænger ikke helt uden sammen med dens potentielle værdi i alle de anvendelser, hvor den kan fungere som sparringspartner, udarbejde første udkast, skrive første udkast til kode og alt det, den gør så imponerende godt. Men i langt de fleste anvendelser har man i høj grad brug for et menneske i sløjfen.

Og ironisk nok bliver den, fordi den virker mere menneskelignende, anvendt på ting, som mennesker normalt ville gøre, og hvor man er mindre tolerant over for fejl. Prædiktiv AI virker derimod mindre menneskelignende, men er faktisk potentielt mere autonom, fordi den automatisk kan beslutte, hvilken kreditkorttransaktion der skal blokeres, fordi den muligvis er svigagtig, for eksempel.

Det var min lille monolog om forskellen mellem de to områder.

David Rice: Nej, det er helt i orden. Du ved, det er sjovt, for det er lidt ligesom personen i vennegruppen, der holder alle de fantastiske middagsselskaber, men som ingen tænker på som madentusiast, fordi deres Instagram ikke ligner Food Network.

Men det er interessant, for som du siger, har det eksisteret længe. Jeg tror, at mange virksomheder, især på virksomhedsniveau, har arbejdet med disse systemer i et stykke tid. Jeg talte med en gæst for nylig, og vi talte om, at hvis man har indført nogle af disse systemer og gjort arbejdet, så bliver hele den agentrevolution, der er på vej, sandsynligvis ikke nødvendigvis ens område, fordi meget af dette allerede er automatiseret.

Eric Siegel: Jeg er bekymret over terminologien agentbaseret AI og AI-agenter. Jeg har skrevet et par artikler i Forbes, hvor jeg siger, at jeg mener, begrebet for det meste er misvisende og uhensigtsmæssigt.

Det er et hypebegreb. Det henviser ikke til nogen bestemt ny type teknologi. Det henviser kun til intentionen, som er at automatisere yderligere, og det er naturligvis en selvindlysende intention. Det er jo det, vi gerne vil. Det er derfor, vi bygger maskiner til at udføre ting, der ellers skulle gøres af et menneske.

Så bare fordi vi sætter ordet agentbaseret på det, betyder det ikke, at der er noget nyt. Det er blot relativt oplagte anvendelser, som man ville forsøge at løse med generativ AI, men man når meget hurtigt et ambitionsniveau og nogle intentioner for projektet, der ligger uden for systemets evne til at være autonomt uden et menneske i sløjfen.

Det leder mig videre til en vigtig pointe, som jeg er begyndt at tale meget om: hvor de to universer mødes, og hvor prædiktiv AI og generativ AI virkelig har brug for hinanden. Jeg mener, at prædiktiv AIs næste store anvendelse bliver at fungere som pålidelighedslag for generativ AI.

I takt med at vi meget hurtigt får disse vidunderlige ambitioner for generativ AI, uanset om vi kalder det en agent eller bruger andre ord, har man denne idé om, at den skal fungere som kundeservicemedarbejder. Den skal interagere direkte med forbrugere om et relativt stort antal emner eller måske kunne gennemføre transaktioner og lignende.

Tanken om at gøre det fuldt automatisk bliver meget hurtigt uhåndterlig, afhængigt af præcis hvad systemet skal kunne. Man når et punkt, hvor det måske begår en kritisk fejl 5 % af tiden. Det kan videregive oplysninger, som ikke burde videregives, eller gennemføre en transaktion, som det virkelig ikke burde. Der er en million forskellige ting, der kan gå galt. Og hvis det gør det rigtigt 95 % af tiden, er det utroligt. Det er imponerende og uden fortilfælde – noget, vi ikke kunne have forestillet os for nogle år siden. Men hele systemet har ingen værdi. Det er ikke anvendeligt, og det bliver ikke implementeret.

Fejlprocenten på 5 % er for høj. Hvordan løser vi det? Vi kan sidde og vente på, at alle kanter bliver slebet af, og teknologien forbedres, men det er en langt større opgave, end vi tror. Forskellen mellem det, generativ AI og mennesker kan gøre, ligger inden for de 5 % eller hvad tallet ender med at være, afhængigt af opgaven.

Forskellen mellem det, generativ AI kan gøre, og det, mennesker kan gøre, bliver kun mere tydelig. Der er aftagende udbytte af forbedringerne, men vi kan realisere en stor del af det dristige løfte om autonomi, hvis vi tilføjer et prædiktivt lag. Lad os sige, at vi bruger prædiktiv AI, prædiktiv analyse, maskinlæring til virksomheder – hvad man end vil kalde det.

Vi lærer af en masse eksempler, hvordan man automatisk markerer de sager, der med størst sandsynlighed vil give problemer: sagerne, situationerne eller interaktionerne med slutforbrugeren, uanset hvad systemet skal gøre. Derefter videresender vi automatisk de mest risikable sager til det dyrere menneske i sløjfen.

Hvis vi for eksempel tager de 15 % mest risikable interaktioner med slutforbrugere i en chatbot, kan vi sætte interaktionen på pause og lade et menneske komme ind. Mennesket kan enten ændre den eller gribe ind, hvis det er nødvendigt. Lad os sige, at det gælder 15 %, hvor fejlprocenten er 5 %. Vi ved det ikke. Vi har ingen magisk krystalkugle for nogen prædiktiv anvendelse, heller ikke denne.

Men hvis vi gør det oftere, end problemerne opstår – lad os sige 15 % for at forsøge at finde de 5 % – kan det være nok til, at vi opdager flertallet af dem. Måske er nettoresultatet en fejlprocent på omkring 1 %, hvilket, afhængigt af anvendelsen og forretningskonteksten, kan gøre det anvendeligt. Så har vi realiseret 85 % af det dristige løfte om autonomi, hvilket er langt bedre end de 0 %, man realiserer, når systemet ikke kan implementeres.

David Rice: Du nævnte det maskinlag ovenpå, og jeg er nysgerrig, for du har for nylig udgivet en ny bog inden for de seneste par år, nemlig AI Playbook. Fortæl mig om den, for jeg fandt titlen interessant: at mestre den sjældne kunst at implementere maskinlæring.

Hvorfor er det så sjældent? Det er vel dér, jeg gerne vil begynde.

Eric Siegel: Ja, det er en ubehagelig sandhed. Implementering af maskinlæring, som undertitlen hentyder til, handler om prædiktiv AI eller prædiktive analyseprojekter, ikke? Maskinlæring i virksomheder. Man skaber en prædiktiv model ud fra data.

Det er det, maskinlæring gør. Den lærer af data, og læringen indkapsles som regler, formler eller noget lignende i en model. Og for at gøre det klart: Både generativ AI og prædiktiv AI er bygget på eller med maskinlæring. De er begge kategorier af anvendelser inden for maskinlæring, men slutresultatet er meget forskellige systemer, der tjener meget forskellige formål.

I prædiktiv AI er forudsigelserne knyttet til en organisatorisk enhed, f.eks. kunden, patienten, den transaktion, der kan være svigagtig, satellitten, der kan løbe tør for batteri, det sted, hvor man har boret efter olie, og som kan være produktivt, eller toghjulet, der kan bryde sammen. Anvendelserne er praktisk talt uendelige.

Men selvom disse typer anvendelser af maskinlæring – området prædiktiv analyse og maskinlæring i virksomheder – har eksisteret i årtier, siden 1960’erne, hvor vi brugte regression til målretning af markedsføring, svindelopsporing og kreditvurdering, er det et potentielt langt mere modent område.

Det har eksisteret meget længere, men ligesom generativ AI er det endnu ikke blevet fuldt udviklet. Det er ikke blevet professionaliseret på et meget vigtigt område, og det er derfor, jeg skrev bogen. Det er også derfor, jeg grundlagde og var med til at grundlægge min startup Gooder AI, hvor vi forsøger at bygge bro over det sidste hul – den sidste kilometer – mellem teknologi og forretning.

Teknologi og forretning udgør et notorisk hul mellem de tekniske medarbejdere og dataforskerne på den ene side og den forretningsinteressent, der har ansvaret for den operation, som skal forbedres med en models forudsigelser, på den anden side. Hullet er så stort, og det er det, der dræber projekter igen og igen.

Det, der især sker, er, at dataforskeren kommer og siger: Hej. Jeg har lavet den maskinlæringsmodel, du bad mig lave, for at forudsige, hvilke kunder der vil opsige, forlade eller skifte væk. Det er alt sammen synonymer, ikke? Det kaldes kundeafgangsmodellering. Nu kan du målrette et fastholdelsestilbud eller en rabat, som du ikke har råd til at give til 100 % af kundebasen, men tallene ser gode ud, hvis du kun giver den til kunder med høj risiko.

Man kan ofte formulere prædiktive anvendelser som at forudsige noget dårligt for at kunne gribe ind: forudsige, hvilken interaktion med generativ AI der vil gå galt, så man kan sætte et menneske ind; forudsige, hvilken transaktion der vil vise sig at være svigagtig, så man kan blokere den; og forudsige, hvilken kunde der vil opsige, eller hvilken medarbejder der vil sige op.

Hewlett Packard gjorde det for alle deres 300.000 medarbejdere, før de udskilte HPE, hvilket jeg beskrev i min første bog, og de præsenterede det på min konference. Under alle omstændigheder kommer dataforskeren og siger: Jeg har lavet modellen. Den forudsiger virkelig godt. Det er en solid model. Den har lært af data.

Den har bestået alle testene. Jeg har udført alle de tekniske kontroller, så gå bare i gang med at implementere den. Så spørger forretningsinteressenten: Hvor god er modellen? Jeg ved godt, at vi ikke har magiske krystalkugler. Vi kan kun angive oddsene for, at en person vil klikke, købe eller dø. Det handler generelt bare om at spille på oddsene.

Så fortæl mig, hvor god modellen er. Hvor godt klarer vi os med de tilgængelige data? Og dataforskeren vil næsten altid sige noget i retning af: Den er fantastisk. Arealet under ROC-kurven er 0,837 – efterfulgt af en lang og akavet pause. Dataforskere er som regel kun uddannet og udstyret til at beregne det, vi kalder tekniske præstationsmål.

Præcision, genkaldelse, F-score, løft og arealet under kurven. Selv nøjagtighed er kun et teknisk mål, og disse mål fortæller kun noget om den rå, abstrakte prædiktive præstation sammenlignet med en baseline som tilfældigt gætteri. De giver altså en god fornemmelse af, at modellen teknisk set er langt bedre end at gætte, hvilket er godt at vide.

Det er vigtigt og generelt det meste, vi kan håbe på, eftersom vi ikke har en magisk krystalkugle. Men det fortæller intet om den potentielle værdi: Hvor mange penge ville man tjene ved at bruge modellen til målrettet markedsføring, fastholdelsestilbud, svindelopsporing eller forudsigende vedligeholdelse – uanset hvad anvendelsen er?

Hvem skal man ansætte, og hvem skal man forsøge at fastholde som medarbejder? Det handler altid om at målrette begrænsede ressourcer og gøre det på en forudsigelig måde. Men når man vil beregne bundlinjen i form af økonomisk præstation, fortjeneste, besparelser eller andre relevante forretningsmæssige KPI’er, er det stadig den dag i dag ikke en udbredt praksis inden for datavidenskab.

Og på en måde er jeg næsten lige så forbløffet som alle andre. Selvom jeg har været i branchen og arbejdet med maskinlæring i mere end 30 år, kom jeg ind i området som nørd af samme grund som de fleste dataforskere: fordi det er den fedeste teknologi, og fordi man kan lære af data. Man kan gøre opdagelser, der holder generelt, og finde mønstre og formler, som fungerer lige godt på ukendte, unikke og nye sager og situationer.

Det er sejt. Teknisk set har systemet i den meget veldefinerede betydning af ordet faktisk lært noget, og det virker. Så man går ind i det, fordi man er nørdet, men vi dyrker på en måde kerneteknologierne og bliver mere begejstrede for raketvidenskaben end for opsendelsen af raketten.

Når man vil opsende raketten, efter at man har bygget noget, skal man teste den efter KPI’er, der betyder noget. Man skal stressteste raketten. Vi kan bygge raketten, men vi skal også kunne gøre noget, der er langt mindre teknisk: styre raketten og få en fornemmelse af dens præstation.

Det er derfor nødvendigt faktisk at beregne forretningsmål og økonomisk præstation som fortjeneste og besparelser. Man skal lave en prognose eller et estimat for, hvor stor forretningsgevinsten vil være, hvis man rent faktisk anvender modellens forudsigelser. Det er derfor, vi byggede Gooder AI, og det er en central del af min bog AI Playbook.

Den dårlige nyhed er, at dette område stadig mislykkes det meste af tiden. De fleste prædiktive modeller, der udvikles på baggrund af data med henblik på implementering i virksomhedens operationer, når aldrig frem til implementering. Men den gode nyhed er, at det kun er den sidste kilometer. Vi har allerede tilbagelagt 10.000 kilometer. Vi står på skuldrene af giganter – de mennesker, der udviklede maskinlæringsalgoritmer, som lærer af data – og nu handler det blot om en organisatorisk justering, et tæt samarbejde mellem teknologi- og forretningssiden og at få dem til at tale samme sprog, herunder om forretningsmål.

Så vi kan forbedre den dystre implementeringsrate og realisere værdi langt oftere.

David Rice: At opbygge et globalt team bør ikke betyde, at man skal jonglere med fem forskellige systemer til HR, løn og IT. Deel samler det hele, så du kan ansætte, onboarde, betale og udstyre medarbejdere overalt uden det sædvanlige kaos. Uanset om du ansætter medarbejdere i 10 lande eller administrerer kontraktansatte på tværs af tidszoner, håndterer Deel compliance, personalegoder og løn ét sted. Det betyder færre værktøjer, færre hovedpiner og mere tid til at fokusere på dine medarbejdere.

Er du klar til at se, hvordan ansættelse uden grænser faktisk ser ud? Besøg deel.com/pmp. Det er deel.com/pmp for at booke en demo. Igen: deel.com/pmp. Deel – ansæt, administrer og betal hvem som helst, hvor som helst.

Af ren nysgerrighed: Hvad er det sværeste skift, virksomheder skal foretage, hvis de vil komme videre end disse forretningsmål – eller hvordan de også måler teknologien – og i stedet fokusere på den organisatoriske effekt?

Eric Siegel: Det er et godt spørgsmål. Hvis vi gør spørgsmålet bredere, er tilpasning af målene én ting, der skal ændres. Det er kun én del af det. Mere generelt definerer man et prædiktivt AI-projekt ud fra et par ting: Hvad forudsiges, og hvad gøres der ved det? Hvad sætter man sandsynligheder på?

Hvad er det præcist, man forudsiger? Hvem køber, hvis vedkommende bliver kontaktet? Hvilke transaktioner viser sig at være svigagtige? Og hvad gøres der så ved det? Det er interventionen eller den handling, der udnytter muligheden. Hvis man forudsiger noget positivt, f.eks. hvem der vil købe, hvis de bliver kontaktet, kontakter man naturligvis disse personer.

Dette par – hvad der forudsiges, og hvad der gøres ved det – definerer projektet. Der findes så mange mulige anvendelser. Men det er bogstaveligt talt kun det første af de seks trin, som jeg har formaliseret i AI Playbook, den ramme, jeg kalder Biz ML: en forretningspraksis til at gennemføre maskinlæringsprojekter succesfuldt frem til implementering.

Den vigtigste ingrediens på tværs af disse trin er et tæt samarbejde mellem teknologi og forretning. Dataforskere kan ikke gøre dette isoleret. Prædiktive AI-projekter er altid en rådgivningsopgave. Det er ikke en teknologisk installation. Det er ikke som at få en bedre database, der fungerer hurtigere, og så bare skubbe den ind under det eksisterende system, så alt fortsætter som før.

Nej, hver gang man ændrer operationer ved hjælp af forudsigelser, sandsynligheder eller odds, er det en meget grundlæggende ændring af en operation i stor skala. Hele projektet er derfor først og fremmest et forretningsprojekt, der tilfældigvis bruger maskinlæring. Vi er nødt til at indramme det på den måde for at skabe det tætte samarbejde på tværs af alle trin.

Den største udfordring er sandsynligvis, at forretningssiden skal op på et højere niveau, men kun inden for et område, der er tilgængeligt, interessant, relevant og fascinerende. Det er ikke sådan, at man skal lære at skifte tændrør og kende motoren ned i mindste detalje. Man skal bare lære at køre bilen. Det kræver et vist niveau af ekspertise. Forskellen er som at køre med i en Uber og selv betjene køretøjet. Men hvis man ikke selv betjener køretøjet i denne analogi, når man ikke frem til sin destination.

At få forretningssiden op på niveau er et af hovedformålene med min bog AI Playbook. Det er ikke noget, man lærer på én time, men det svarer knap nok til et universitetskursus. Det er meget mindre end det. Det er grundlæggende den mængde, der kan være i én bog. Man får en tilgængelig, semiteknisk forståelse af, hvordan prædiktive AI-projekter fungerer, hvad der kræves for at gennemføre dem, hvad man forudsiger, hvad der gøres ved det, og hvad målene skal være.

Målinger er bare aritmetik. Det er meget specifik aritmetik, så alle kan komme på samme side og gennemføre projekterne succesfuldt frem til implementering. Så de faktisk bliver implementeret, operationaliseret og integreret i driften. Driften forbedres eller ændres ikke, før implementeringen sker, og det er netop denne ændring, implementeringen handler om.

David Rice: Tidligere nævnte du, at generativ AI og prædiktiv AI mødes, krydser hinanden og interagerer. Du har også talt om at kombinere de to, fordi hver af dem adresserer nogle af den andens begrænsninger. Hvad er et godt eksempel på, at de arbejder sammen i praksis, og hvilke hindringer støder teams på, når de forsøger at integrere dem?

Eric Siegel: Tak, fordi du bringer emnet op igen. Jeg har kaldt det hybridisering i noget af min nyere skrivning og i nogle af mine seneste hovedtaler. Hybrid kan også betyde andre ting, men her taler vi specifikt om at kombinere prædiktiv og generativ AI. En måde er den, jeg allerede har nævnt: Man bruger prædiktiv AI som et pålidelighedslag oven på et generativt AI-system.

En anden måde er at lade generativ AI hjælpe med et prædiktivt AI-projekt. Jeg begyndte med at sige, at generativ AI får al opmærksomheden, fordi den er mere sexet og nemmere. Jeg har allerede behandlet det sexede aspekt, fordi den virker så menneskelignende og science fiction-agtig. At den også er nemmere, siger næsten sig selv.

Den er nemmere. Den kaldes en sprogmodel, fordi den er udviklet til og beregnet til at håndtere menneskesprog som engelsk. Det betyder, at man bare kan tale med den på engelsk. Der kræves meget lidt oplæring for at komme i gang med generativ AI. Og hvis nogen ikke har prøvet det, hvad venter de så på?

Det er imponerende. Og netop derfor kan den hjælpe med at bygge bro over kløften mellem teknologi og forretning. I vores softwareløsning Gooder AI fungerer den for eksempel som en forretningskonsol til prædiktive AI-projekter. Et af de vigtigste diagrammer har to dimensioner. X-koordinaten viser, at man bruger en model til at beslutte, hvor mange individuelle sager der skal kontaktes i forbindelse med markedsføring, blokeres hvis der er tale om potentiel svindel, eller inspiceres hvis det er en maskine eller et toghjul, der måske bryder sammen.

Fra venstre mod højre målretter man altså efter den prædiktive model. Det gælder alle former for prædiktive projekter. Forudsigelserne og sandsynlighederne bruges til at sortere og prioritere, hvilke kunder der er mest værdifulde at kontakte, hvilke transaktioner der er mest risikable og bør blokeres, og så videre.

Derefter skal man beslutte præcis, hvor grænsen skal gå. Man vil ikke blokere for få transaktioner, men heller ikke for mange. Det samme gælder markedsføring: Man må ikke kontakte for få eller for mange, og man må ikke inspicere for få eller for mange stykker udstyr, der kan bryde sammen. Der viser sig altid at være et slags Guldlok-område.

Den rækkefølge, man bevæger sig gennem, og det spektrum, man undersøger for at beslutte, hvordan modellen skal bruges og bringes i drift, er baseret på modellen. Det er den vandrette X-koordinat. På Y-koordinaten har vi penge. Hvilke potentielle afkast, besparelser eller indtægter får man fra netop dette projekt?

Diagrammet stiger typisk først og falder derefter, fordi der er et optimalt punkt – et Guldlok-område – hvor man opnår den bedste forbedring af bundlinjen. Denne visning er et af de vigtigste billeder i vores softwareløsning Gooder AI, men det er ikke en almindelig visualisering. Den er meget grundlæggende. Den har blot to dimensioner, og begge er forretningsrelevante. Det er ikke raketvidenskab, og man kunne undervise i det i gymnasiet, men det er stadig relativt nyt for mange statistikere.

Som jeg har nævnt, beregner man generelt ikke engang forretningsmål som økonomiske besparelser og fortjeneste. Det er endnu ikke blevet en del af kulturen i det omfang, det er nødvendigt. Ville det ikke være rart at kunne stille en million spørgsmål uden at være bange for at kede en dataforsker eller lyde dum?

Vi har integreret en sprogmodel, en chatbot, og givet den meget specialiserede instruktioner om det, man ser. Nu kan man stille et spørgsmål: Hvorfor går kurven op og ned? Forklar det med en historie til et barn. Så siger den: Okay, du sælger limonade. Du har en limonadestand og forsøger at beslutte, hvor mange af de forbipasserende kunder du skal målrette. Og det gør den rigtig godt.

Det er endnu et eksempel på, hvordan de to områder kan styrke hinanden ved at bruge generativ AI til at hjælpe med at forstå prædiktive AI-projekter.

David Rice: Der er et voksende argument om, at prædiktive modeller kan fungere som kritiske sikkerhedsbarrierer, især når generative systemer hallucinerer eller begynder at opføre sig uforudsigeligt. Hvordan mener du, at prædiktiv AI kan struktureres som sådan et sikkerhedslag i operationelle arbejdsgange?

Eric Siegel: Det er nogle af de klassiske anvendelser, som jeg endda inkluderede i den første udgave af min første bog. Predictive Analytics udkom i 2013, og de opdaterede udgaver kom i 2016. Shell Oil forudsiger for eksempel, hvilke teams der har størst risiko for hændelser på deres olieplatforme. Det passer godt ind som arbejdssikkerhed på team-, miljø- eller sagsniveau.

Det, der adskiller prædiktive anvendelser fra prognoser, er, at begge forsøger at estimere fremtiden. Prognoser henviser normalt til ét samlet udfald: Går økonomien op eller ned? Hvor mange isvafler sælger vi næste kvartal? Med prædiktiv AI og prædiktiv analyse bruger man derimod maskinlæring til at lave en forudsigelse for hver enkelt sag. Hvilken person har størst sandsynlighed for at holde en isvaffel?

Hvilken vælger vil stemme på din kandidat eller med størst sandsynlighed blive overbevist om at stemme på din kandidat, hvis en frivillig banker på døren? Fordi det sker på sagsniveau, bliver det naturligvis meget mere værdifuldt, når det anvendes på operationer i stor skala.

Det kan anvendes på millioner af sager. Det er det, operationer i stor skala består af: millioner af mikrobeslutninger. Den hellige gral for at styre eller forbedre hver af disse individuelle mikrobeslutninger er at forudsige et relevant udfald eller en relevant adfærd, der gælder for beslutningen.

Den gode nyhed er, at fordi man anvender det så mange gange, får man effekten af de store tals lov. Det opvejer det faktum, at vi desværre ikke har en magisk krystalkugle, men kun sandsynligheder. Sandsynlighed lyder som et svært og mystisk emne, og mange holder sig lidt fra det. Det er rigtigt, at den matematik, man kan få brug for til at beregne en sandsynlighed, kan være kompleks, men outputtet fra disse systemer og hver enkelt sandsynlighed er slet ikke teknisk.

Faktisk er det den mest oplagte næstbedste mulighed, man kan håbe på uden en magisk krystalkugle. Hvis vi havde en hypotetisk magisk krystalkugle, ville den altid give det sikre svar: Denne person køber, og denne transaktion vil helt sikkert vise sig at være svigagtig.

Uden den, hvad er så den næstbedste mulighed? Et tal mellem nul og hundrede. Hvad er sandsynligheden for denne konkrete sag? Det er det, der gør det muligt at sortere og prioritere mange sager og beslutte, hvilke der skal behandles på den ene måde frem for den anden. Den grundlæggende idé med at sætte odds på ting og derefter prioritere kan bruges til sikkerhed og mange andre områder, og det kræver ikke raketvidenskab at beslutte, hvordan det skal anvendes.

Det er centralt for det, forretningsinteressenter skal forstå, hvis de vil udnytte teknologien. For at tage det næste skridt skal de deltage i projektet. De kan ikke bare sende dataforskerne af sted. Det er akilleshælen og problemet. Det hænger sammen med, at vi dyrker og glamouriserer teknologien, fordi denne kerneevne – at lære af data for at forudsige – faktisk er meget imponerende.

Men man kan ikke sige, at noget nødvendigvis er værdifuldt, bare fordi man bruger den bedste teknologi. Det er kun værdifuldt, hvis man bruger outputtet fra dataforskerens hårde arbejde med at udføre de rigtige beregninger. De skaber en prædiktiv model, som kan generere forudsigelser. Derefter skal man handle på disse forudsigelser.

Man skal integrere dem i operationen i stor skala. Det er dér, pengene ligger. Det er dér, tingene faktisk bliver til virkelighed, og man begynder at forbedre driften og skabe værdi. Den eneste måde at nå dertil på er gennem et tæt samarbejde.

At dyrke teknologien skaber en falsk fortælling om, at man vil bruge den bedste teknologi, der findes, nemlig maskinlæring. Man har en certificeret dataforsker, som forbereder dataene og laver en model, og så er det værdien. Men nej, det er ikke værdien. Værdien er det samlede forretningsprojekt, der inkluderer dette og et tæt samarbejde, indtil modellen faktisk er integreret.

Samarbejdet omfatter medarbejdere på forretningssiden, som har sat sig ind i idéerne om, hvad der forudsiges, og hvad der gøres ved det, på tværs af de seks trin. Ingen af dem er raketvidenskab. De omfatter raketvidenskab, men den del kan man overlade til dataforskeren. De omfatter også en masse tilgængelige og relevante ting som at sætte sandsynligheder på, rangordne, sortere, trække en grænse og beslutte, hvordan individuelle sager skal behandles.

David Rice: Mange rammer for prædiktiv AI lægger typisk vægt på datamodellering. Men jeg synes, din tilgang fremhæver andre ting som definition af forudsigelsen, operationel integration og løbende iteration. Hvilke af de mindre indlysende, men kritiske trin springer virksomheder ofte over, når de begynder at investere i prædiktiv AI, og hvordan påvirker det resultaterne?

Eric Siegel: Jeg kan godt lide den måde, du spørger på. Hvilke hovedtrin springer de over? Svaret er, at de grundlæggende springer alle trinene eller de fleste af dem over på forretningssiden. Dataforskerne forsøger at udføre alle trinene, men de er kun uddannet til de tekniske beregningstrin og til at lave en teknisk evaluering for at bygge bro over kløften.

Jeg opfordrer dem også til det. Den konference, jeg driver, hedder Machine Learning Week og har eksisteret siden 2009. Den hed tidligere Predictive Analytics World, og mere end halvdelen af deltagerne er dataforskere. Jeg forsøger også at få dem til at hjælpe med at bygge bro over kløften, række ud til den anden side, ikke kun beregne tekniske mål, men også forretningsmål og få deres kunde eller interessent til at deltage detaljeret.

På forretningssiden handler kernetrinene om, hvad der forudsiges, og hvad der gøres ved det. Der er en anden del, som vi har antydet: Hvor godt forudsiger modellen? Hvis man tilføjer den som et tredje element, har man en trio: Hvad forudsiges, hvor godt, og hvad gøres ved det? Det er igen ikke raketvidenskab. Det er blot det grundlæggende, der definerer projektet og dets krav.

De seks trin, jeg beskriver i Biz ML-rammen i bogen AI Playbook, består af to sæt af tre, som beskæftiger sig med præcis disse tre ting: hvad der forudsiges, hvor godt, og hvad der gøres ved det – dog ikke helt i den rækkefølge.

De afsluttende tre trin er de samme tre trin, som dataforskere altid har udført siden 1960’erne, da vi først begyndte at bruge dette til kreditvurdering og lignende. Først forbereder man dataene i overensstemmelse med det, man har brug for og forsøger at forudsige. Derefter udfører man selve maskinlæringen og træner modellen. Det er raketvidenskabsdelen: at lære af data for at skabe modellen. Og så implementerer man modellen.

Det er den faktiske integration. De tre trin har altså altid været der pr. definition. De andre tre er forproduktions-trin, så de kommer faktisk som trin fire, fem og seks. Det er lidt som Star Wars, hvor A New Hope var episode fire. Den oprindelige trio af trin, som altid har været en del af ethvert prædiktivt projekt eller maskinlæringsprojekt, er: Forbered dataene, træn modellen, og implementér derefter modellen.

Det begynder med trin fire, fordi de første tre er forproduktions-trin. Men alle seks trin kræver et tæt samarbejde med forretningssiden. De første tre handler om at definere, hvad der forudsiges, hvor godt, og hvad der gøres ved det – dog ikke helt i den rækkefølge.

Der findes også en artikel i Harvard Business Review, som giver et overblik. Man behøver ikke have bogen, men hvis man vil deltage fra forretningssiden i et af disse projekter, er det bogens formål. Ikke alene går man i dybden med de seks trin i bogens seks hovedkapitler, man opbygger også undervejs den tilgængelige, semitekniske forståelse, så man er klar til at deltage.

David Rice: Desværre er det alt, vi har tid til i dag, Eric, men jeg vil gerne takke dig for at være med. Det har været utrolig interessant.

Eric Siegel: Fremragende, David. Tusind tak, fordi jeg måtte være med.

David Rice: Lyttere, hvis I ikke allerede har gjort det, så gå over på peoplemanagingpeople.com/subscribe. Tilmeld jer nyhedsbrevet. I får podcasts som denne og alle de seneste artikler, vi udgiver, direkte i indbakken. Hvis I vil vide mere om dette emne, så tjek endelig AI Playbook ud. Den er bestemt tiden værd.

Indtil næste gang: Bliv ved med at være nysgerrig på prædiktiv AI. Gå ikke bare vild i den generative tåge.