Artificial Intelligence vs Machine Learning vs Predictive Analytics?

AI (= Artificial Intelligence), ML (= Machine Learning) og PA (= Predictive Analytics) er tre hypede begreber inden for .. ja, efterhånden alt. 

Men hvad er forskellen på de tre begreber? Og er der forskel? Det korte svar på det andet spørgsmål er ”ja, nej, deromkring”. 

Hvad er så forskellen?
De tre begreber er kommet og gået hen over mange år. AI bliver ofte brugt til at dække over alle begreber, fordi det lyder ”smartest”. ML bruges dog også i flæng. PA hænger tæt sammen med især ML. Lad os starte med PA; Predictive Analytics.

Predictive Analytics tager i bund og grund udgangspunkt i historiske data, finder et mønster i disse og kommer så med bud på, hvad der kan ske i fremtiden. 

Machine Learning gør det samme, men kan eventuelt selv handle på, hvad der kan ske, blive ved med at lære og forstå fx afvigelser, så fremtidsbuddene bliver mere præcise. 

Artificial Intelligence er næste niveau og handler i høj grad om at adaptere måden, hvorpå et menneske tænker og føler. AI tager dog ikke beslutninger på baggrund af følelser, men på baggrund af data – uden endnu at forstå de menneskelige konsekvenser heraf. Et tænkt banalt eksempel kunne være ”fyr x antal mennesker i x afdeling og maksimer profit”. Det betyder faktisk noget for mennesker at fyre og blive fyret, men indtil videre handler AI primært på data, algoritmer og beregninger. AI er en avanceret udgave af ML og kan potentielt fungere som ”sparringspartner”, når der skal tages beslutninger på baggrund af data. 

Hvad skal du bruge det til?
Uanset om det hedder AI eller ML eller PA, så bliver det i højere grad en del af vores liv. Og heldigvis for det (hvis brugt med omtanke). 

Tag nu Googles nye AI-maskine som eksempel. De har lavet en algoritme til AI, eller snarere ML og PA, på 91.000 mammografier; røntgenbilleder taget i jagten på brystkræft. Algoritmen kunne fortælle, hvilke kvinder der udviklede brystkræft efter to til tre år, og var generelt bedre til at stille diagnoser end seks konkurrerende radiologer bygget af kød og blod. Algoritmen reducerede både falske positiver, hvor patienter med urette får at vide, at de har kræft, såvel som falske negativer, hvor sygdommen er til stede, men ikke bliver diagnosticeret.

Det kan man da kalde bedre brug af data. 

Googles maskine tog historiske data, tyggede på dem og kunne efterfølgende lave Predictive Analytics ift udvikling af kræft i nær fremtid. Takket være Machine Learning blev Googles maskine løbende klogere og kunne diagnosticere mere præcist. 

AI-delen er der dog ikke helt endnu. Googles maskine kan ikke håndtere de følelser, der er forbundet med en sådan diagnose ligesom den næppe kan overlevere nyheden til patienten med den rette mængde empati. Men AI er et lækkert buzzword, som flere køber ind på. Og ”ægte” AI findes også i et vist omfang med stemmestyring og ansigtsgenkendelse, hvor AI kan aflæse humør og følelser på baggrund af stemmeføring og ansigtsudtryk (og så arbejdes der med AI bag lukkede døre hos visse organisationer, som vi endnu ikke ved så meget om).
Bliv klar til fremtiden
Så lad os kalde en spade for en spade. AI anno 2020 handler mest om ML og PA; maskiner der lærer, så de kan forudsige hændelser på baggrund af analyser af historiske data. Uanset hvilket begreb, du bruger, så er der dog tale om en ”gamechanger” – uanset branche. 
På længere sigt vil AI blive din yndlingskollega og løse de mest komplekse opgaver (det kedelige eller måske fysisk tunge) hurtigere og bedre, så du kan bruge resultaterne til noget værdiskabende. 

AI til BI (= Business Intelligence) laver blandt andet din rapportering mere nøjagtig i ægte ”real-time” ligesom du nemmere vil kunne få ikke-tekniske brugere ombord, da AI både håndterer teknikken og overleverer den gennemskuelige rapport (som AI’en naturligvis tilpasser den enkelte modtagers behov og læsemetode). 

Hvis du allerede arbejder med BI, så bliver AI til BI snart aktuelt for dig og jeres organisation. 

(billederne fra "Terminator 2" ejes af TriStar Pictures)

Relaterede blogs

a picture of a robotic hand with the words `` al og bi - men hvordan ? ''
14 Mar, 2024
FAQ om AI og BI: Hvordan kan AI bruges i forhold til BI-løsninger? Hvilke etiske overvejelser bør man have i arbejdet med AI i BI? m.m.
Datadrevet
24 Feb, 2020
Vi har set flere store virksomheder dø eller blive særdeles svækkede på grund af mangel på viden om marked og målgrupper samt mangel på omstillingsparathed (Blockbuster, Fætter BR/Toys’r’Us, Forever 21, Kodak, Nokia m.fl.) De har enten ikke haft adgang til data eller ikke taget data seriøst. De fleste tror, at data handler om digital transformation, men digital transformation er mere end det. Digital transformation kan effektivisere processer og virksomheder – og så kan digital transformation give mere og bedre data. Data handler om viden. Viden, der bidrager til bedre beslutninger. Harvard Business Review har taget et kig på en survey fra NewVantage Partners om Big Data og AI i slutningen af 2019. Selvom vi i årevis har fået tudet ørerne fulde af budskaber om at være ”datadrevne”, så er det endnu de færreste virksomheder, der lader data styre de store beslutninger. Og det kan altså koste dyrt. Den nævnte survey har haft fat i C-suiten i Enterprise-virksomheder (bl.a. Ford og GE), og surveyens resultater er alarmerende: 72% af respondenterne oplyser, at de slet ikke har fået skabt en datakultur 68% svarer, at de ikke har en datadrevet organisation 53% fortæller, at de fortsat ikke behandler data som et forretningsaktiv 52% indrømmer, at de slet ikke konkurrerer på data og analyser Faktisk er antallet af virksomheder, der betragter dem selv som datadrevne faldet over de seneste 3 år – fra 37, 1% i 2017 til 31% i år. Øgede investeringer i Big Data og AI Resultaterne står i skarp kontrast til virksomhedernes øgede investeringer i Big Data og AI. Men hvis man kradser lidt i overfladen på de investeringer og de gode intentioner, så skyldes de skuffende resultater, at man ikke har fået noget ud af sine investeringer i ny teknologi. Mange steder er det endnu ved at blive implementeret. Desuden har flere virksomheder haft fokus på kortsigtede økonomiske mål, og det har skubbet de mere langsigtede ”datakultur”-mål til siden i perioder. Samtidig kan det skyldes manglen på det rette talent, der kan bruge teknologien, ligesom der kan være modstand mod for mange teknologiske ændringer i organisationerne. Uanset årsagen til den manglende datadrevne tilgang til forretningen, så stiger mængden af data blot. Datadrevne virksomheder klarer sig bedre En undersøgelse fra McKinsey & Company viser, at datadrevne virksomheder har: 23 gange større sandsynlighed for at vinde over konkurrenterne i kampen om nye kunder 19 gange større sandsynlighed for at opnå profitabilitet, der ligger over gennemsnittet 15 gange større sandsynlighed for at levere merværdi til deres kunder. Når man er en datadrevet virksomhed, så ved man hvilke informationer, i form af metrics og KPIer, der er de vigtigste for få succes. Som nævnt stiger mængden af data. Og ifølge McKinsey, så har 60 procent af organisationer nu mere data, end de ved, hvad de skal bruge det til. McKinseys analyser viser dog, at mere end 80 procent af de organisationer, der bruger business intelligence-software til at håndtere data ser en positiv udvikling i hastigheden og akkuratessen i produktionen af rapporter og analyser. McKinsey skriver: “Using a dedicated BI solution can help you make better use of your data in a variety of domains. Not only can you better serve customers by developing relevant products and delivering a personalized user experience, but you can also use BI software to make your internal processes more efficient and to mitigate fraud and organizational risk.” Er software løsningen? Business intelligence-software er ikke hele løsningen, men en vigtig del af den. I sidste ende handler det om de beslutninger, man tager på vegne af forretningen. Men business intelligence, der skaber overblik over data, kan altså hjælpe dig med at blive datadrevet og træffe de rigtige beslutninger. Hent eBook om datavisualisering og data-storytelling
Share by: