Kairos AI-labb: en ny approach för att utvinna värde ur data genom artificiell intelligens
Det senaste året har vi fått många förfrågningar från företag som vill förstå hur de kan dra nytta av AI i sin verksamhet. En del av dem har satt upp en kostsam IT-infrastruktur för att kunna jobba med AI och dataanalys på stor skala, men har inte hittat tillämpningar och arbetssätt som ger avkastning på investeringen. Andra är osäkra på hur de kan komma igång och jobba med AI och vilket värde som finns i det.
För att accelerera värdeskapandet med hjälp av AI har Kairos Future, genom dialog med ett flertal aktörer, utvecklat ett labb-baserat arbetssätt för att kostnads- och tidseffektivt utforska AI-tillämpningar. Processen beskrivs steg för steg längre ner.
Den första omgången projekt i AI-labbet
Låt oss först ta en titt på de fyra första företagen i AI-labbet och deras projekt. Var och ett har en unik frågeställning och tillämpning:
1. Tillsammans med en av världens största tandvårdskliniker tränar vi en deep learning-modell byggd på artificiella neuronnät att automatiskt identifiera karies i röntgenbilder av tänder. I ett första steg handlar det om att kunna fokusera resurser på rätt patienter genom att automatiskt separera bort den majoritet som inte har några tandproblem. För att snabbt kunna skrida till verket slog vår egen AI-grupp sina kloka huvuden ihop med världsledande AI-forskare på ett nordiskt universitet.
2. AI-labb-deltagare nummer två är ett globalt läkemedelsföretag som insett det dolda värdet i de enorma mängder information om hälsa och medicinering som människor delar på nätet. Genom AI-labbets iterativa approach tränades algoritmer inom datalingvistik (natural language processing) att strukturera och klassificera skildringar i sociala medier, för att på så sätt skapa en sökbar databas. På aggregerad nivå framträdde en tydlig bild av vilka problem som upplevdes i samband med en given behandling. Hur patienter själva experimenterade med modifierad medicinering och hur behandlingar passades in i, och ibland fick stå tillbaka för, patientens egen upplevda verklighet. Metoderna integreras nu i företagets produktutvecklingsprocesser.
3. En europeisk turistorganisation kom till AI-labbet med frågeställningen: Hur reser turister mellan destinationer i Europa? Genom att applicera så kallad oövervakad maskininlärning (unsupervised machine learning) på en uppsättning datakällor med information på individnivå – tågresor, paketresor och online-recensioner – framträdde 20 gränsöverskridande rutter i Europa. Varje rutt kunde kopplas till resenärers profiler och upplevelser. Informationen kommer användas för att skapa nya erbjudanden för multidestinationsresor.
4. Ett ledande hygienproduktföretag behövde en AI-baserad metodik för att spana in i framtiden inför en produktlansering i Kina 2019. Frågeställningen handlade om vilka hälsorelaterade koncept som kommer kunna användas för differentiering om 1,5 år. I AI-labbet utvecklades algoritmer för att först hitta ett 80-tal koncept och sedan identifiera den handfull med högst potential. I labbandet användes data från den kinesiska e-handeln om vilka tillämpbara koncept som sprider sig till allt fler produktkategorier och som attraherar ett växande antal konsumenter. Utfallet blev en tydlig bild av vilka koncept som kan användas för att höja premiumkänslan i den nya produkten.
AI-labbets fyra steg
Processen i AI-labbet följer fyra steg:
1. Identifiering av användningsområden och datakällor. Användningsområden identifieras genom en strukturerad process där vi tittar på flera invärlds- och omvärldsfaktorer: företagets flaskhalsar och utmaningsområden, vilka redan förekommande tillämpningar som kan överföras från andra områden och vilka tillämpningar som är möjliga utifrån dagens AI-algoritmer. I vissa fall finns outnyttjad potential i data som ett företag redan samlat på sig. I andra fall får man vända sig till externa dataströmmar eller rent av införa sätt att samla in ny data.
2. Utforskning och experimenterande av data. När frågeställning och datakällor är på plats sätter själva labbandet igång. Till en början handlar det om att vrida och vända på datan, identifiera och visualisera mönster och skala bort de lager av datan som innehåller mer brus än signal. Efter ett antal iterationer börjar bilden klarna och intressanta kopplingar och tendenser framträda ur datan. Dessa blir en slags karta över de värdeskapande möjligheter som finns i datan. Processen möjliggörs både av marknadsledande lösningar från leverantörer som Google och Amazon och av Kairos Futures egenutvecklade AI-plattform som är framtagen för att att underlätta labbandet.
3. Uppträning och automatisering. För att kunna ta till vara på möjligheterna i datan kontinuerligt, krävs att AI-modeller tränas att automatisera värdeskapandet. Även i detta steg används en kombination av befintliga marknadslösningar och Kairos Futures patenterade metoder.
4. Utvärdering, test och uppskalning. När en modell tränats upp, utvärderas lösningen oberoende och testas i liten skala i verksamheten. Om lösningen håller är det dags att skala upp och implementera den i verksamheten. Det är först nu eventuella kostnader för IT-infrastruktur behöver tas.
Om du är intresserad av att delta i nästa omgång i AI-labbet, som drar igång i april/maj, hör av dig till Mats Lindgren. Du behöver inte ha några färdigbakade AI-idéer för att kunna delta.