Hvorfor alle organisasjoner bør investere i prediktiv KI

David Rice: Bedrifter investerer millioner i generativ KI. De bygger agenter og jakter på hypen. Og ofte ignorerer de den andre 50-prosenten av KI-stakken, altså den delen som faktisk leverer målbar forretningsverdi. Prediktiv KI er ikke sexy. Den skriver ikke dikt eller genererer bilder. Den forutsier bare hvem som kommer til å klikke, hvem som kommer til å kjøpe. Den målretter markedsføringen din. Den oppdager svindel før det skjer, og den automatiserer beslutninger i stor skala uten et menneske i loopen. Hvis du lar dette ligge ubrukt, er det ofte fordi det ikke virker like menneskelignende.

Dagens gjest er Eric Siegel, forfatter av The AI Playbook og grunnlegger av Machine Learning Week. Ifølge ham bør de fleste organisasjoner investere minst like mye i prediktiv KI som de gjør i generativ KI, men for mye av oppmerksomheten blir slukt av hypen rundt generativ KI, og det er et tap for alle. Her er problemet han stadig ser. Bedrifter behandler prediktiv KI som et datavitenskapsprosjekt.

De sender dataforskeren av gårde for å bygge en modell, feirer når den er ferdig, og kaller deretter dette verdi. Men modellen er ikke verdien. Det er verdien å handle på grunnlag av prediksjonene. Operasjonell integrasjon er verdien. Og det krever et tett samarbeid med forretningsinteressenter gjennom seks trinn som Eric skal beskrive, ikke bare tre tekniske.

De fleste bedrifter hopper helt over trinnene på forretningssiden. De hopper over å definere hva som skal predikeres, og hva som skal gjøres med det. De hopper over operasjonell integrasjon. Og så lurer de på hvorfor KI-investeringene deres ikke gir avkastning. Derfor skal vi i dag snakke om hvorfor prediktiv KI er mindre sexy, men mer autonom enn generativ KI.

Hvordan prediktiv KI blir pålitelighetslaget som gjør generativ KI faktisk levedyktig. De seks trinnene i Biz ML-rammeverket, og hvilke tre forretningsinteressentene dine mest sannsynlig hopper over. Hvorfor en nøyaktighet på 95 prosent høres imponerende ut, men gjør systemet ditt verdiløst. Og hva forretningsledere må forstå om sannsynligheter. Ikke bekymre deg, det er ikke rakettforskning.

Jeg heter David Rice. Dette er People Managing People. Og hvis du har jaktet på generativ KI samtidig som du lar prediktiv KI ligge ubrukt, viser denne samtalen deg nøyaktig hva du går glipp av. Så setter vi i gang.

Eric, velkommen! Det er hyggelig å ha deg med i programmet i dag.

Eric Siegel: Takk, David. Hyggelig å være her.

David Rice: Generativ KI får mye av oppmerksomheten, men du har kalt prediktiv KI den glemte 50-prosenten av KI-stakken, ikke sant? Den er likevel avgjørende for reell forretningsverdi. Jeg lurer på hvorfor du tror organisasjoner er så mye mer begeistret for generative modeller, og hva som gjerne blir oversett når disse prediktive systemene blir skjøvet til side i folks tankegang.

Eric Siegel: Ja, jeg liker måten du formulerer det på. Prediktiv KI er eldre, men ikke gammeldags. Det meste av verdien er i stor grad uutnyttet. Det er på en måte den andre, den opprinnelige KI-en. På mange måter er det dette de fleste mente med KI før ChatGPT og andre generative KI-løsninger kom for noen år siden. Det er å lære av data for å forutsi, slik at man kan målrette og forbedre eksisterende operasjoner i stor skala. Man kan forutsi hvem som kommer til å klikke, kjøpe eller dø, begå svindel eller utføre annen atferd som er verdifull for en organisasjon som driver storskalaoperasjoner.

Spørsmålet ditt er hvorfor generativ KI får så mye oppmerksomhet. Svaret er enkelt. Den er mye mer sexy og mye enklere å bruke. Ingen av delene betyr at den nødvendigvis er mer verdifull. De fleste organisasjoner bør investere minst like mye i prediktiv KI som i generativ KI, fordi de løser ulike problemer og ikke bør konkurrere mer enn et badeland og et skianlegg.

De konkurrerer likevel om oppmerksomhet, dataforskernes tid og ressurser. Derfor blir det dessverre i noen grad et nullsumspill. For mye av oppmerksomheten blir slukt av hypen rundt generativ KI. Det er uforholdsmessig og et tap for alle. Prediktiv KI kan målrette markedsføring ved å forutsi hvem som kommer til å kjøpe, og målrette svindeloppdagelse ved å forutsi hvilken transaksjon som kommer til å vise seg å være falsk.

Mer spesifikt kan den identifisere hvilken transaksjon som bør blokkeres, holdes tilbake eller kontrolleres. Når du har storskalaoperasjoner, har du alltid begrensede ressurser. Forretninger er et tallspill. Vi har ingen magisk krystallkule, men vi kan vippe oddsene i vår favør ved å forutsi bedre enn vi gjetter. Det er kjernen i tallspillet du spiller med prediktiv KI.

Den beregner sannsynligheter ut fra historiske data. Sannsynlighet er ikke verdens mest sexy samtaleemne, men hvis du er interessert i verdi og i å forbedre eksisterende operasjoner i stor skala, er det hit du vanligvis bør vende deg.

David Rice: Det er interessant, for som du sier har dette eksistert lenge. Jeg tror mange bedrifter, særlig på konsernnivå, har jobbet med slike systemer en stund. Hvis man allerede har satt noen av disse systemene i drift og gjort arbeidet, er den kommende agentrevolusjonen sannsynligvis ikke nødvendigvis det viktigste, fordi mye av dette allerede er automatisert.

Eric Siegel: Jeg er bekymret for begrepene agentisk KI og KI-agenter. Jeg har skrevet flere artikler om at jeg mener begrepet stort sett er misvisende og lite nyttig. Det er et hype-begrep. Det viser ikke til en bestemt ny type teknologi. Det viser bare til hensikten, nemlig å automatisere mer. Det er en selvinnlysende hensikt. Det er jo derfor vi bygger maskiner: for å gjøre ting som ellers måtte vært gjort av mennesker.

Bare fordi vi setter ordet «agentisk» foran, betyr det ikke at det finnes noe nytt. Det handler ofte om relativt åpenbare bruksområder der man prøver å bruke generativ KI, men prosjektet når raskt et ambisjonsnivå som ligger utenfor systemets evne til å være autonomt uten et menneske i loopen.

Det leder til et hovedpoeng jeg har begynt å snakke mye om: hvor de to universene møtes, og hvor prediktiv KI og generativ KI virkelig trenger hverandre. Jeg tror prediktiv KIs neste store bruksområde blir å fungere som pålitelighetslaget for generativ KI.

Vi har raskt fått ambisjoner om at generativ KI skal fungere som kundeserviceagent, samhandle direkte med forbrukere om mange ulike temaer og kanskje gjennomføre transaksjoner. Ideen om å gjøre dette helt automatisk blir raskt uhåndterlig. Kanskje systemet gjør en kritisk feil fem prosent av tiden, avslører informasjon det ikke skal avsløre eller gjennomfører en transaksjon det ikke burde. Det finnes en million ting som kan gå galt.

Hvis systemet gjør alt riktig 95 prosent av tiden, er det utrolig og imponerende, men hele systemet har likevel ingen verdi. Det er ikke levedyktig og kommer ikke til å bli tatt i bruk. Feilraten på fem prosent er for høy.

Vi kan bruke prediktiv KI, prediktiv analyse eller maskinlæring for virksomheter – kall det hva du vil – til å lære av mange eksempler og automatisk flagge tilfellene som mest sannsynlig vil føre til problemer. De mest risikable tilfellene kan deretter sendes videre til et dyrere menneske i loopen.

Hvis vi for eksempel sender de 15 prosent mest risikable interaksjonene i en chatbot til et menneske, kan mennesket gripe inn når det er nødvendig. Vi har ingen magisk krystallkule, men hvis vi undersøker 15 prosent av tilfellene for å finne de fem prosentene med feil, kan det være nok til å fange flertallet av dem. Kanskje nettoresultatet blir en feilrate på én prosent. Avhengig av bruksområdet og forretningskonteksten kan det gjøre systemet levedyktig. Da har vi realisert 85 prosent av det ambisiøse løftet om autonomi, noe som er langt bedre enn null prosent når systemet ikke kan tas i bruk.

David Rice: Du nevnte maskinlaget på toppen, og du har nylig gitt ut en bok som heter The AI Playbook, med undertittelen «Mastering the Rare Art of Machine Learning Deployment». Hvorfor er dette så sjeldent?

Eric Siegel: Det er en ubehagelig sannhet. Maskinlæringsimplementering viser til prosjekter innen prediktiv KI eller prediktiv analyse. Man lager en prediktiv modell fra data. Det er det maskinlæring gjør: Den lærer av data og kapsler kunnskapen inn som regler, formler eller noe tilsvarende i en modell.

Både generativ KI og prediktiv KI bygger på maskinlæring, men sluttresultatet er svært ulike systemer som tjener svært ulike formål. I prediktiv KI gjelder prediksjonene for organisatoriske enheter, som kunden, pasienten, transaksjonen som kan være svindel, satellitten som kan gå tom for batteri eller et tog hjul som kan gå i stykker.

Feltet prediktiv analyse og maskinlæring for virksomheter har eksistert i flere tiår, men det har likevel ikke blitt profesjonalisert på ett svært viktig område. Det er derfor jeg skrev boken, og også derfor jeg var med på å grunnlegge oppstartsselskapet Gooder AI: for å bygge bro over det siste gapet mellom teknologi og forretning.

Dataforskeren kan komme og si: «Jeg har laget maskinlæringsmodellen du ba meg lage for å forutsi hvilken kunde som kommer til å avslutte kundeforholdet.» Da kan du målrette et lojalitetstilbud eller en rabatt mot kunder med høy risiko, i stedet for å gi tilbudet til hele kundebasen.

Men dataforskeren sier ofte bare at modellen fungerer godt, og viser til tekniske mål som presisjon, tilbakekalling, F-skår eller arealet under kurven. Slike mål forteller deg at modellen er bedre enn tilfeldig gjetning. Det er nyttig å vite, men det forteller deg ingenting om den potensielle verdien: hvor mye penger du kan tjene eller spare ved å bruke modellen.

Når man vil beregne resultatet i form av økonomisk ytelse, fortjeneste, besparelser eller andre relevante forretningsmål, er dette fortsatt ikke en vanlig øvelse innen datavitenskap. Modellen er ikke verdien. Verdien er det samlede forretningsprosjektet, inkludert den tekniske modellen og det tette samarbeidet som kreves for å integrere den i driften.

Den dårlige nyheten er at de fleste prediktive modeller som utvikles med tanke på implementering i virksomheten, ikke når produksjon. Den gode nyheten er at dette bare er det siste steget. Vi har allerede gått 10 000 mil. Nå trenger vi en organisatorisk justering og et tett samarbeid mellom teknologi- og forretningssiden, slik at de snakker samme språk – også når det gjelder forretningsmål.

David Rice: Å bygge et globalt team bør ikke bety at man må håndtere fem ulike systemer for HR, lønn og IT. Deel samler alt på ett sted, slik at du kan ansette, ta imot, betale og utstyre mennesker hvor som helst uten det vanlige kaoset. Enten du ansetter medarbeidere i ti land eller håndterer kontraktører på tvers av tidssoner, håndterer Deel etterlevelse, ytelser og lønn på ett sted. Det betyr færre verktøy, færre problemer og mer tid til å fokusere på menneskene dine.

Klar til å se hvordan ansettelser uten grenser faktisk ser ut? Gå til deel.com/pmp. Det er deel.com/pmp for å bestille en demonstrasjon. Deel – ansett, administrer og betal hvem som helst, hvor som helst.

David Rice: Hva er det vanskeligste skiftet bedrifter må gjøre for å komme forbi forretningsmålene og målingen av teknologien, og heller fokusere på den organisatoriske effekten?

Eric Siegel: Når du definerer et prosjekt innen prediktiv KI, definerer du det gjennom et par ting: Hva skal predikeres, og hva skal gjøres med det? Hva setter du sannsynligheter på? Hva er det egentlig du predikerer, for eksempel hvem som kommer til å kjøpe hvis de blir kontaktet, eller hvilke transaksjoner som viser seg å være svindel? Og hva skal gjøres med det? Det er intervensjonen, altså handlingen som utnytter muligheten.

Dette paret – hva som predikeres og hva som gjøres med det – definerer prosjektet. Men det er bare det første av seks trinn i Biz ML-rammeverket, en metode for å gjennomføre maskinlæringsprosjekter helt frem til implementering.

Det viktigste på tvers av trinnene er et tett samarbeid mellom teknologi og forretning. Dataforskere kan ikke gjøre dette i et vakuum. Prediktive KI-prosjekter er alltid et konsulentoppdrag. Det er ikke en teknologisk installasjon som bare kan legges under eksisterende drift.

Når du endrer driften ved hjelp av prediksjoner, sannsynligheter og odds, gjør du en grunnleggende endring i en operasjon i stor skala. Derfor er dette først og fremst et forretningsprosjekt som tilfeldigvis bruker maskinlæring.

Forretningssiden må bygge opp forståelse, men på et tilgjengelig og relevant nivå. Du trenger ikke lære hvordan motoren fungerer i detalj; du må lære å kjøre bilen. Hvis du ikke kjører bilen i denne analogien, kommer du ikke frem til målet.

Det er et av hovedformålene med boken The AI Playbook. Du får en tilgjengelig, delvis teknisk forståelse av hvordan prediktive KI-prosjekter fungerer, hva som skal predikeres, hva som skal gjøres med prediksjonene, og hvilke mål som trengs. Målet er at prosjektene faktisk blir implementert, operasjonalisert og integrert i driften.

David Rice: Du har snakket om hvordan generativ KI og prediktiv KI møtes og kan kombineres. Hva er et godt eksempel på at de fungerer sammen i praksis?

Eric Siegel: Én måte er å bruke prediktiv KI som et pålitelighetslag oppå et generativt KI-system. En annen er å bruke generativ KI til å hjelpe med et prediktivt KI-prosjekt.

Generativ KI er enklere å bruke fordi den er utviklet for menneskelig språk. Du kan snakke med den på engelsk eller et annet naturlig språk, og det kreves lite opplæring for å komme i gang. Derfor kan den bidra til å bygge bro over gapet mellom teknologi og forretning.

I programvaren vår kan en språkmodell for eksempel forklare hvorfor en kurve går opp og ned, eller forklare en prediktiv modell med en historie om en limonadestand. På den måten kan generativ KI gjøre prediktive KI-prosjekter lettere å forstå.

David Rice: Mange prediktive KI-rammeverk legger vekt på datamodellering, men tilnærmingen din fremhever også definisjonen av prediksjonen, operasjonell integrasjon og løpende iterasjon. Hvilke mindre åpenbare, men kritiske trinn hopper bedrifter ofte over?

Eric Siegel: De hopper i praksis over alle eller de fleste trinnene fra forretningssiden. Dataforskere forsøker å gjøre alle trinnene, men er vanligvis bare opplært til de tekniske beregningene og den tekniske evalueringen.

De seks trinnene består av to sett med tre. De handler om hva som skal predikeres, hvor godt det skal predikeres, og hva som skal gjøres med resultatet. De tre siste trinnene er de dataforskere alltid har utført: klargjøre dataene, trene modellen og implementere modellen.

De tre første er trinn før produksjon. Alle seks krever et tett samarbeid med forretningssiden. Forretningsinteressenter må forstå hva som predikeres, hvor godt det predikeres, og hva som skal gjøres med det. Ingen av disse trinnene er rakettforskning, selv om ett av dem inneholder rakettforskning som dataforskeren kan ta seg av.

David Rice: Det var dessverre alt vi rakk i dag, Eric, men takk for at du ble med. Dette har vært svært interessant.

Eric Siegel: Takk, David. Takk for invitasjonen.

David Rice: Lyttere, hvis du ikke allerede har gjort det, kan du gå til peoplemanagingpeople.com/subscribe og melde deg på nyhetsbrevet. Du får podkaster som denne og alle de nyeste artiklene våre rett i innboksen. Hvis du vil lære mer om dette temaet, bør du absolutt sjekke ut The AI Playbook. Den er vel verdt tiden din.

Til neste gang: Vær nysgjerrig på prediktiv KI. Ikke gå deg vill i den generative tåken.