Skrevet at Lærke Thomas,BI konsulent hos Accobat

Flere og flere virksomheder arbejder i dag på at blive datadrevne. De samler data, arbejder med datakvalitet og organiserer deres store datamængder. Som datamængderne vokser, åbnes der nye muligheder for at opnå indsigter og hive information ud af data. Allierer vi os med ML og AI åbnes der endnu flere muligheder. Det gælder også i forbindelse med Business Intelligence (BI), hvor AI både kan forbedre eksisterende rapporter, men også åbne for nye rapporteringsmuligheder. 

Hvad er Kunstig Intelligens (AI)?

Generelt er AI et paraplybegreb for teknologier, der forsøger at få maskiner, computere og systemer til at “tænke” selv og dermed udføre intelligente handlinger. Altså løse opgaver, som normalt kræver menneskelig intelligens. Bruges den teknologi rigtigt, kan den understøtte læring, løsning af problemer og beslutningsprocesser. 

Eksempler på dette kan være at forudsige fremtidige salg/priser eller gruppere kunder og varer baseret på fælles købemønstre, som eksempel købstidspunkter og mængder. Men AI kan også bruges til at holde øje med, om der sker ændringer i den data vi har.

Hvad er Machine Learning (ML)?

ML er en slags værktøjskasse fyldt med algoritmer og metoder, som vi kan bruge til at hive information ud af indsamlet data. Denne information opnås ved at algoritmerne genkender sammenhænge og mønstre i data. Det er altså hverken sort magi eller gisninger, som er i spil med ML. Men snarere data videnskab, som giver os en reel/faktuel viden. 

Det er typisk ML, der bruges i forsøget på at opnå kunstig intelligens. Men man kan også bruge ML i sig selv i forbindelse med datadrevne løsninger. 

Hvordan kan AI og ML bruges i forhold til BI-løsninger?

Grundessensen i en BI-løsning er at strukturere data, undersøge denne og få indsigter herfra, alt sammen manuelt. Her kan AI hjælpe med at opnå skjulte indsigter og relationer samt forklare forklare, hvilken betydning tallene kan have for fremtiden   

Har du allerede har en BI-løsning, så har du formentlig allerede godt styr på dine data. Måske har du allerede nogle rapporter, samt et indtryk af ”hvad du kigger efter?”. Dette er fundamentet for at indføre AI. 

" Machine Learning og AI kan anvendes til at

forbedre vores BI-løsninger"

AI kan her hjælpe dig med at be- og afkræfte de sammenhænge, der kunne være i dit data. En forlystelsespark ved, at vejret har stor indflydelse på antal besøgende. Men kunne det også være relevant for personalets vagtplan, hvor tæt man er på en lønningsdag?

AI gør dig klogere på de spørgsmål, du sidder med ved at vise dig nye sammenhænge, du ikke var klar over. Desuden kan AI/ML erstatte kvalitative forklaringer fra BI rapporter med kvantitative mål. Dermed bliver du også bedre i stand til at opfylde dine mål for virksomheden.

Hvordan adskiller AI og traditionel BI sig fra hinanden? 

Sat lidt på spidsen, så handler traditionel BI om at se tilbage på historiske data. Vi ser på, hvad der allerede er sket, og ser på hvordan virkeligheden så ud engang. 

AI handler derimod om at forudsige, hvad der kommer til at ske i fremtiden på en systematisk måde. Vi forsøger at finde nogle trends, informationer eller mønstre i data, som vi ikke kender i forvejen. Vi er nødt til at kigge ind i kernen af et problem og finde sammenhængene, når vi arbejder med AI. Dermed bliver vi klogere på vores forretning.

Hvilke etiske overvejelser bør man have i arbejdet med AI i BI?

Til trods for mange fordele, er implementeringen af AI ikke uden udfordringer. Datakvalitet, bekymringer for privatliv og behovet for gennemsigtighed i AI løsningers beslutningsprocesser er centrale områder, der kræver opmærksomhed. Derudover rejser anvendelsen af AI etiske spørgsmål, især omkring bias i data og algoritmer, som virksomhederne skal adressere for at sikre retfærdighed og ansvarlighed.

Skal man eksempelvis bedømme en dårlig betaler, vil det være stærkt uetisk at basere sin algoritme på etnicitet. Da man risikerer at udvikle en dybt racistisk model til vurdering af betalingsevner. 

" ... anvendelsen af AI rejser etiske spørgsmål som virksomhederne skal adressere for at

sikre retfærdighed og ansvarlighed."

Algoritmer, der er trænet på biased datasæt, kan reproducere eller forstærke eksisterende uligheder, hvilket nødvendiggør en bevidst indsats for at sikre gennemsigtighed i AI's beslutningsprocesser. 

Hvorfor er arbejdet med AI fascinerende?

Det er fascinerende fordi man har en helt masse nye, stærkere redskaber der er ved at blive udviklet i disse tider. Flere og flere ting bliver mulige. Hvad kan vi lære om verden, hvad kan vi lære om vores forretning, hvordan kan vi blive klogere eller mere effektive eller mere sikre på det vi ved? Er der måske noget, vi har overset?

Hvordan kommer man selv i gang med AI?

Det allervigtigste er at få afklaret hvilket problem, man ønsker at løse, dvs. hvad problemstillingen er. Derudover er det også vigtigt at overveje, hvordan man vil bruge denne information i forretningen efterfølgende. Det har nemlig stor betydning for, hvordan modellen skal udvikles. 

Herefter skal man overveje om man har det nødvendige datagrundlag. Er der grund til at tro, at datagrundlaget kan gøre os klogere på problemet? Skal eventuelt indsamles ekstra data? Er data kvaliteten høj nok til, at den kan ligge til grund for et AI-projekt?

"Det allervigtigste er at få afklaret

 hvilket problem man ønsker at løse."

Hvorfor bruger vi AI-løsninger i Accobat i dag?

Hos Accobat vil vi hjælpe virksomheder med at blive datadrevne. Det er vores hovedformål. Derfor ligger det i meget naturlig forlængelse at bruge disse nye metoder (AI og ML) til at få endnu mere information og viden ud af data.

Dermed hjælper vi virksomheder til at blive endnu mere datadrevne, så data både er velstruktureret og giver ny forretningsindsigt. 

Hvordan kommer Accobat til at arbejde med AI på lang sigt?