Hvorfor alle organisasjoner bør investere i prediktiv KI

Virksomheter investerer millioner i generativ KI – chatboter, copiloter og «agenter» – samtidig som de i stillhet ignorerer den andre halvdelen av KI-stakken, som har levert målbar verdi i flere tiår. Prediktiv KI skriver ikke poesi. Den forutsier hvem som kommer til å falle fra, hvilken transaksjon som er svindel, og hvilken kunde det lønner seg å kontakte. Den beregner sannsynligheter og hjelper deg med å handle på grunnlag av dem i stor skala. Ikke glamorøst. Bare effektivt.

I denne samtalen kommer Eric Siegel – forfatter av The AI Playbook og grunnlegger av Machine Learning Week – med en utfordrende påstand: De fleste organisasjoner bør investere minst like mye i prediktiv KI som i generativ KI. Problemet er ikke matematikken. Det er avstanden mellom teknologi og virksomhet. Selskaper feirer modeller som verdi. Men modellen er ikke verdien. Det er det å handle på grunnlag av prediksjoner som skaper verdi.

Dette lærer du

  • Hvorfor prediktiv KI er de «glemte 50 prosentene» av KI-stakken
  • Den avgjørende forskjellen mellom tekniske måltall og forretningsmåltall
  • Hvorfor 95 % nøyaktighet fortsatt kan gjøre KI-systemet ditt verdiløst
  • Hvordan prediktiv KI kan fungere som et pålitelighetslag for generativ KI
  • Det sekstrinns BizML-rammeverket – og hvorfor de fleste selskaper hopper over forretningsdelen
  • Hva ledere trenger å forstå om sannsynligheter (og hvorfor det ikke er rakettforskning)

Viktigste poenger

  • Generativ KI er mer sexy. Prediktiv KI er ofte mer autonom.
    Generativ KI føles menneskelig. Derfor får den oppmerksomhet. Men den krever vanligvis et menneske i loopen. Prediktiv KI automatiserer derimot beslutninger i stor skala – den stanser svindel, målretter markedsføring og prioriterer inspeksjoner – uten noe stort oppstyr.
  • Hypen forvrenger investeringsbeslutningene.
    Prediktiv og generativ KI løser forskjellige problemer. De bør ikke konkurrere mer enn et badeland og et skianlegg. Men de konkurrerer – om budsjetter, talenter og oppmerksomhet. Og denne ubalansen koster organisasjoner reell verdi.
  • En suksessrate på 95 % kan tilsvare 0 % levedyktighet.
    Hvis et generativt KI-system gjør kritiske feil 5 % av tiden, blir det kanskje aldri tatt i bruk. Det er her prediktiv KI kommer inn – ved å flagge tilfeller med høy risiko og sende dem videre til mennesker. Fang opp de fleste av de risikable 5 prosentene, og plutselig blir 85 % automatisering levedyktig.
  • Modellen er ikke verdien. Det er den operative integrasjonen som skaper verdi.
    Dataforskere bygger modeller. Organisasjoner feirer. Så … skjer det ingenting. Fordi det er i implementeringen – altså den faktiske integreringen av prediksjoner i arbeidsflyter – verdien ligger. Ingen operativ endring, ingen forretningsforbedring.
  • Tekniske måltall betaler ikke regningene.
    Arealet under kurven. Presisjon. Treffrate. Imponerende, ja. Men de besvarer ikke det eneste spørsmålet som betyr noe: Hvor mye penger vil vi tjene eller spare hvis vi bruker dette?

    Forretningsmåltall – fortjeneste, besparelser og KPI-effekt – må være en del av prosjektet fra starten, ikke noe man tenker på i etterkant.
  • Prediktiv KI handler om sannsynligheter, ikke magi.
    Ingen krystallkuler. Bare bedre odds. Et tall mellom 0 og 100 for hvert tilfelle – hvem som sannsynligvis faller fra, kjøper eller begår svindel. Denne sannsynligheten lar deg prioritere begrensede ressurser. I stor skala akkumuleres disse små beslutningene.
  • De fleste selskaper hopper over forretningsdelen av prosjektet.
    Erics BizML-rammeverk beskriver seks trinn. Datateamene er opplært i de tre siste:
    • Forberede data
    • Trene modellen
    • Implementere modellen

      Men de tre første – å definere hva som skal predikeres, hvor godt det skal gjøres, og hva man skal gjøre med resultatet – krever et tett samarbeid med virksomheten. Hopper man over disse, forblir implementeringsratene svært lave.
  • Dette er et forretningsinitiativ som tilfeldigvis bruker maskinlæring.
    Prediktiv KI er ikke en teknologisk installasjon. Det er en operativ endring. Det krever interessenter som forstår nok til å delta – ikke for å skifte tennplugger, men for å kjøre bilen.

Kapitler

  • 00:00 – De glemte 50 %
  • 02:12 – Hvorfor GenAI vinner oppmerksomhet
  • 05:47 – Agenter & pålitelighet
  • 10:15 – Hvorfor utrulling mislykkes
  • 17:56 – Det organisatoriske skiftet
  • 21:06 – Hybrid AI i praksis
  • 25:04 – Sannsynlighetenes kraft
  • 29:14 – BizML-rammeverket
  • 32:43 – Ikke jag etter det uklare

Møt gjesten vår

Eric Siegel, ph.d., er en bestselgende forfatter, konsulent og ekspert på maskinlæring, kjent for å gjøre prediktiv analyse og AI tilgjengelig for både forretnings- og tekniske målgrupper. Han har skrevet den anerkjente Prediktiv analyse: Kraften til å forutsi hvem som vil klikke, kjøpe, lyve eller dø og AI-håndboken: Slik mestrer du den sjeldne kunsten å ta i bruk maskinlæring, og er grunnleggeren av den langvarige konferanseserien Predictive Analytics World. Eric har tidligere vært professor ved Columbia University og UVA Darden, og er også administrerende direktør i Gooder AI, ansvarlig redaktør for The Machine Learning Times og en ettertraktet hovedtaler som hjelper organisasjoner med å bygge bro mellom datavitenskap og praktisk innvirkning.

You may also like