Varför affärsmässig AI börjar med träning
Utöver all buzz kring AI finns också verkligheten. Om du inte använder AI för att göra verkliga affärsbeslut, är det förmodligen slöseri med tid, ansträngning och pengar! Från rekommendationer för din spellista till det bästa erbjudandet om beslut om kundinriktning och företagsstrategi söker vi alla efter bättre beslut. Men är det ett direkt byte med befintliga mekanismer, eller kommer omfattningen av beslut också att förändras?
Tänk förändring
I en nyligen publicerad rapport från UNESCO föreslog Pierre Balloffet från HEC Montreal att det kunde finnas tre sätt på vilka AI kunde påverka oss: addition, subtraktion och multiplikation.
Under subtraktionsscenariot skulle AI antingen ta över eller minska värdet av mänsklig inmatning till ett brett utbud av arbeten, inklusive professionella roller. Resultatet skulle vara långtgående arbetsförluster och därmed sociala förändringar.
Tilläggscenariot är mer optimistiskt, vilket tyder på att AI aldrig kommer att vara mer än ett beslutsverktyg, hur bra det än blir. Det kan dock hjälpa oss att fatta mycket bättre beslut på ett brett spektrum av områden. Detta är mer eller mindre det nuvarande läget AI bidrar till att förbättra besluten inom olika områden, inklusive hälsovård, kundrelationer och välja böcker eller musik. Men det är bara ett stöd för vad som i slutändan är ett mänskligt beslut.
Det tredje scenariot, multiplikation, är helt annorlunda. Det föreslår att samla människor och maskiner kan resultera i en enorm ökning av bådas förmågor. Samarbete kommer att öka, eller multiplicera, förmågan. Dock noterar Balloffet att i detta scenario är det viktigt att komma ihåg att vi kanske behöver mer än AI. Han föreslår att förbindelser kommer att vara det avgörande elementet, snarare än den exakta tekniken.
Under dessa scenarier förändras omfattningen av beslutsfattandet? Visst, under tilläggscenariot, är konsekvensen av att fatta bättre beslut att ett beslut måste fattas. När vi har mer information kan dock de potentiella alternativen också expandera.
Varför affärsmässig AI börjar med träning
Tänk på hälsovård, till exempel. När en diagnos har gjorts finns det alternativ för behandling, och läkare måste bestämma mellan dem. Med mer information kan läkare veta mer om vilka behandlingar som kan fungera bättre för vilka individer och de sannolika effekterna av varje alternativ. På något sätt stänger detta beslutet, för det gör valet självklart. Det kan dock också öppna upp mer personliga behandlingsalternativ, eller till och med visa att ingen behandling kommer att fungera bra. Hur som helst ändras räckvidden.
Kvaliteten på träningen gör skillnad
Hur ska AI arbeta för att möjliggöra bättre beslut? Ofta presenteras argumentet att allt AI kan göra är att sänka kostnaden för förutsägelse. Detta har dock betydande konsekvenser. Om kostnaden för relativt exakt förutsägelse/prediktion är lägre kan den användas oftare, och för att hjälpa till med fler beslut och särskilt mer komplexa beslut.
Förmodligen är det här en bra modelldesign kan komma till hands. För det första behöver vi ett sätt att avgöra om AI kan hjälpa till med ett visst problem. Det är en bra utgångspunkt som ett sätt att avgöra om vi har all nödvändig information. Ramverket börjar med målhypotesen; Vad behöver vi förutse för att svara på din fråga? Därefter måste vi göra en bedömning för att värdera olika resultat. Det tredje steget är att ange vad vi försöker uppnå, och sedan hitta mätvärden som berättar om du har lyckats. Dessa element beskriver de aspekter av det beslut som vi behöver göra. Hittills, inte annorlunda än vad vi gör idag.
Nästa element handlar om det data som vi behöver. Först, vilka inmatningsdata är nödvändiga, och är det (eller kan det vara) tillgängligt? Hur interagerar olika datapunkter med varandra för att möjligen ge mer insikt eller motstridiga insikter? Hur ska vi träna algoritmen? Detta kommer även att kräva data, men kan vara mer begränsad än den planerade inmatningsdatan, eftersom historiska data kanske inte är så fullständiga eller så exakta. Vi behöver då också bestämma hur resultaten ska utnyttjas och övervakas i en beslutsram – utnyttja de många kanaler, teknik och metoder som finns tillgängliga idag och i framtiden. Slutligen måste vi överväga hur vi kan använda feedback för att förbättra algoritmens beslut över tiden.
Möjligheten blir nyanserad när realtidsdata finns tillgänglig. Medan realtid kanske inte alltid är rätt tid, presenterar den oss med övertygande möjligheter till bättre beslut om sammanhanget är rätt. Pålitliga algoritmer för inlärning kan göra stor skillnad.
Omdefiniera beslut
Detta ramverk kan hjälpa till att identifiera problem där AI kan bidra till att förbättra beslutsfattandet. På ett passande cirkulärt sätt är det ett sätt att fatta bättre beslut. Beslutsfattande verktyg finns i flera former och storlekar; det är bara tekniken som varierar.
Den större utmaningen kommer att vara att hjälpa människor att tänka fram de typer av beslut som AI skulle kunde stödja. Analys transformerar redan hur beslut fattas. Medan analysens förmåga har gjort det möjligt, var katalysatorn uppfinningsförmåga om potentiella Use-Case för att lösa olika problem. Med AI kommer fantasin att bli ännu mer kritisk. Maskiner och människor behöver mer träning. Maskininlärning är en sak – mänskligt lärande är en större utmaning!
Laurie Miles bloggpost inspirerades av ” How AI Will Change the Way We Make Decisions” ” av Ajay Agrawal, Joshua Gans och Avi Goldfarb. Läs den ursprungliga artikeln, liksom andra om viktiga aspekter av AI, i Harvard Business Review-rapporten ” Risks and Rewards of Artificial Intelligence.”.” Ladda ner din kopia här