NY KUNNSKAP: Pandemien har tvunget myndigheter, forskere og aktører i helsevesenet verden rundt til å øke utviklingshastigheten innen kunstig intelligens (AI). Det har gitt viktig kunnskap, som Risto Miikkulainen – Associate VP for Evolutionary AI hos Cognizant, deler i denne kommentaren. (Foto: Cognizant)
NY KUNNSKAP: Pandemien har tvunget myndigheter, forskere og aktører i helsevesenet verden rundt til å øke utviklingshastigheten innen kunstig intelligens (AI). Det har gitt viktig kunnskap, som Risto Miikkulainen – Associate VP for Evolutionary AI hos Cognizant, deler i denne kommentaren. (Foto: Cognizant)

5 verdifulle læringspunkter om Covid-19 og kunstig intelligens

KOMMENTAR: Pandemien har økt utviklingshastigheten innen AI. Det har gitt viktig kunnskap, skriver Risto Miikkulainen.

Publisert Sist oppdatert

Samtidig som pandemien har ført til tragedier og store utfordringer, har den også bidratt til å akselerere utviklingen og endret måten vi tenker om og bruker AI på i arbeidet med å forutsi en rekke scenarier – og å navigere de som viser seg å bli en realitet.

I arbeidet med å ta i bruk AI og analysemodeller for å håndtere, ikke bare pandemien, men en hvilken som helst kompleks forretningsutfordring er dette fem verdifulle læringspunkter:

1. Også upresise data har verdi, forutsatt at de er konsistent upresise

La oss for eksempel si at du mistenker at et land eller et område underrapporterer smittetall, men at tallene som rapporteres inn viser en økning over tid. Da kan vi allikevel benytte disse dataene til å utlede underliggende trender. Dette kan overføres til andre scenarioer som ikke er pandemirelaterte. For eksempel når man evaluerer en fabrikksjef som konsistent underrapporterer lav kvalitet i produksjonen.

Ved å benytte input fra flere kilder blir det enklere å se forbi støyen skapt av upresise data, i arbeidet med å finne frem til de underliggende trendene eller årsakene som ligger bak. 

2. Modeller som bygger på mer varierte data er også mer robuste

Modellene vi benytter for å predikere scenarioer tar ofte utgangspunkt i et begrenset geografisk område eller en tidsperiode. Da risikerer vi imidlertid at de kun repeterer tidligere hendelser. Ved å eksponere modellen for mer varierte situasjoner, i form av data fra andre tidsperioder eller lokasjoner, øker kvaliteten på prediksjonene og som en konsekvens, forståelsen av årsak og virkning. Resultatet er en mer robust modell.

3. Riktig detaljnivå er avgjørende

Å bestemme hvor detaljert en analyse trenger å være er like mye en kunst som en vitenskap. Det handler om å finne den rette balansen. Er dataene for finkornet, med sære detaljer om et område eller marked, mister modellen overføringsverdi. På samme måte vil for få detaljer eller en for grovkornet modell risikere å gå glipp av årsaker som kan forklare viktige sammenhenger. Slike feil kan for eksempel oppstå når man forsøker å forutsi smitteutviklingen i land med forskjellige smittevernpraksis eller når vi skal analysere behovene til kunder som befinner seg i ulike land eller kulturer.

4. Oppdateringsfrekvensen på data og modeller må tilpasses behovene

Covid-19 har vist oss hvor viktig det er at myndighetene benytter oppdaterte data når de følger smitteutviklingen og overvåker endringer som kan påvirke forhold knyttet til nye utbrudd. Slike daglige oppdateringer er imidlertid ikke like nødvendig i andre sektorer eller bransjer. Et eksempel er klesbransjen som ønsker informasjon om kundenes preferanser og behov. Her kan det være nok å innhente data i forkant av en ny sesong eller for å fange opp nye trender. Innen forbrukerelektronikk kan det være tilstrekkelig å innhente data i forbindelse med utviklingen av nye produkter eller ved produktlanseringer.

Behovet for oppdaterte data og modeller må med andre ord vurderes i hvert enkelt tilfelle. Men uavhengig av behov er det avgjørende å sikre kvaliteten på data som benyttes og i noen tilfeller, konvertere gamle data til et format som kan benyttes i både moderne databaser og AI-algoritmer.

5. AI er en pågående prosess

En mangel på langsiktig forpliktelse og finansiering av kanskje den største utfordringen knyttet til effektiv bruk av kunstig intelligens i dag. For oppdatering av datamodeller og analyse er mer å likne med en pågående prosess, enn en isolert operasjon.

Kunstig intelligens er i dag et kritisk verktøy i en rekke avgjørelser: fra hvem som får banklån, til hvilke produkter som bør stå ved kassa i matbutikken for å generere salg, og når på året det er mest gunstig for bøndene å starte innhøstingen. Modellene er imidlertid mest nøyaktige og gir en bedre indikasjon på spesifikke trender når de oppdateres kontinuerlig. For å lykkes med kunstig intelligens kreves forankring og formalisering, tilstrekkelig antall ansatte med rett kompetanse og budsjetter som sikrer at oppdateringer blir en etablert rutine.

Data og modeller trenger omsorg

Det siste århundre har analyseaktiviteter lent seg på statiske, matematiske formler foret med statiske data. I dag er grunnlaget for analysene som gjøres data brukt i modeller som gjennomgår konstante forbedringer.

I en slik verdenen kan organisasjoner bedre ta komplekse og viktige beslutninger som påvirker hverdagen, som for eksempel hvordan vi åpner opp igjen samfunnet samtidig som vi beskytter befolkningen mot smitte.

Fleksible og smidige analyser som bygger på kunstig intelligens, kan si oss hvordan vi skal nå disse målene – men bare når de underliggende dataen og modellene får den omsorgen de trenger.

 

Risto Miikkulainen er Associate VP for Evolutionary AI hos Cognizant