Den globale AI-dagsorden: Løfte, virkelighed og en fremtid med datadeling

I forbindelse med Genesys, Philips

' Den globale AI-dagsorden: Løfte, virkelighed og en fremtid med datadeling ' er en MIT Technology Review Insights-rapport produceret i samarbejde med Genesys og Philips. Det blev udviklet gennem en global undersøgelse udført i januar og februar 2020 af over 1.000 ledere på tværs af 11 forskellige sektorer og en række interviews med eksperter med specifikt ansvar for eller viden om AI. Artiklen nedenfor er et uddrag af hele rapporten.

Dette indhold blev produceret af Insights, den tilpassede indholdsarm af MIT Technology Review. Det er ikke skrevet af MIT Technology Reviews redaktion.

Download fuld rapport .

Få nye teknologiområder har skabt så meget spænding og debat i de senere år som kunstig intelligens. Det meste af spændingen indtil videre har centreret sig omkring teknologiindustrien, som i USA, Kina og til en vis grad Europa har investeret milliarder i at udvikle sine AI-kapaciteter. Organisationer i andre sektorer bruger måske ikke på kunstig intelligens med samme forladelse, men undersøgelsen tyder på, at de fleste i det mindste tester vandet.

Ved udgangen af ​​2020 vil 97 % af de store virksomheder, der blev adspurgt til denne rapport, implementere kunstig intelligens. De tidligste brugere har været it- og telekommunikationsvirksomheder, hvor 81 % bruger kunstig intelligens i 2018 – lige foran finansielle servicevirksomheder (78 %) og forbrugsvarer og detailhandel (75 %). Den offentlige sektor finder også adskillige anvendelsesmuligheder for kunstig intelligens: ved udgangen af ​​2019 sagde 94 % af regeringens adspurgte, at de havde implementeret kunstig intelligens.

AI vil naturligvis spille forskellige roller i forskellige typer virksomheder. For nogle vil dens kapaciteter bidrage til at forbedre aspekter af operationel effektivitet. Andre forventer, at det vil ændre sig. For os, siger Jeroen Tas, chef for innovation og strategi hos forbruger- og sundhedsudstyrsleverandøren Philips, er AI en grundlæggende teknologi, som i de næste par år vil være at finde i langt de fleste af vores forslag. Og for nogle virksomheder, der er født i onlinemiljøet, hviler forretningsmodellens succes på det. Den ene er Lemonade, en New York-baseret onlineudbyder af ejendoms- og ulykkesforsikring, der beskrives som en forstyrrelse af den etablerede forsikringsbranche. Dens administrerende direktør Daniel Schreiber mener, at AI-drevne bots som Lemonades er fremtiden for forsikring.

Et skridt ad gangen

Selvom den er udbredt, er AI ikke ved at erobre virksomheden. Meget få adspurgte ledere (4%) mener, at det vil blive brugt i mere end halvdelen af ​​deres forretningsprocesser om tre år. Mindre end en tredjedel (30 %) forventer, at det bliver brugt i mellem 31 % og 50 % af processerne. Størstedelen, 60 % af de adspurgte, mener, at AI vil finde en plads i alt fra 11 % til 30 % af deres processer – en betydelig, men ikke nødvendigvis dominerende indflydelse på, hvordan de fleste virksomheder fungerer. På denne måde vil kunstig intelligens spille en særlig stor rolle i driften af ​​udbydere af finansielle tjenester, producenter og teknologivirksomheder.

De finansielle tjenesteydelser, fremstillings- og it- og telekommunikationsindustrien har de største ambitioner inden for kunstig intelligens inden for tre år.

Usikre på dets faktiske (i modsætning til antagne) evner og bevidste om de udfordringer, det udgør, har virksomheder taget en iterativ tilgang til AI's udrulning. Ifølge Dirk Jungnickel, senior vicepræsident, Enterprise Analytics, hos Emirates Group, kom hans virksomheds tidlige forsøg i 2015 og 2016 på at opbygge AI-kapaciteter ofte ikke længere end proof-of-concept eller pilotstadiet. Det begyndte at ændre sig i midten af ​​2018, da, siger han, firmaet begyndte at operationalisere sin AI-udviklingsindsats og industrialisere datavidenskab.

Céline Le Cotonnec, chief data innovation officer hos Bank of Singapore, bemærker, at mange virksomhedsorganisationer ønsker at levere AI use cases, før de først har sat det rigtige grundlag med hensyn til it-arkitektur, AI-kapaciteter, måldriftsmodel eller datastyring. Mit svar er 'først ting først', siger hun. Vi er nødt til at etablere det rigtige grundlag for data, før vi går videre. Dette inkluderer at have analytics-oversættere – folk, der forstår AI såvel som forretningen, til at scope projekter, styre leveringen, måle investeringsafkast og forstå, hvor gennemførligt det vil være at skalere op.

For store virksomheder, der afsætter betydelige budgetter til at udvikle AI-kapaciteter, er udvikling og prioritering af use cases en betydelig udfordring. Ifølge Mike Hanrahan, CEO for Walmarts Intelligent Research Lab (IRL): Den første ting, vi skulle investere tid i, var at beslutte, hvor vi skulle fokusere vores ressourcer. Hans team identificerede over 250 forskellige use cases og filtrerede dem derefter ned til en håndfuld. Filtreringsprocessen var ret kompleks i beslutningen om, hvad vi skulle arbejde med, siger Hanrahan. Det kom til at beslutte, hvilke sager der var mest praktiske at skalere.

For Walmart var de prioriterede sager relateret til styring af inventar, som repræsenterer en stor del af det multinationale omkostningsgrundlag, og hvor selv små forbedringer i effektiviteten genererer betydelige besparelser. På tværs af sektorer forfølger virksomheder imidlertid en række forskellige use cases i håb om, at mindst et par vil generere tidlige afkast og tjene til at opbygge tillid og spænding i AI i hele organisationen.

Brug sager i dag og i morgen

Blandt undersøgelsesprøven som helhed er kvalitetskontrol, kundepleje og afsløring af svindel i øjeblikket de mest populære AI-brugssager. En mere detaljeret oversigt afslører imidlertid en betydelig variation i de vigtigste anvendelsessager, der forfølges af forskellige sektorer. For eksempel nævner over halvdelen af ​​finansielle servicevirksomheder (58 %) og statslige organisationer (55 %) detektion af svindel som deres bedste AI-brug. Céline Le Cotonnec siger, at i sin tidligere rolle i et globalt forsikringsselskab var brugssager til opdagelse af svindel de første, der blev implementeret, da fordelen lovede at være betydelig: Ifølge en undersøgelse fra Reinsurance Group of America (RGA) fra 2017, 3- 4% af alle globale krav er svigagtige, med den højeste forekomst (4,16%) i Asien.

Blandt undersøgelsesprøven som helhed er kvalitetskontrol, kundepleje og afsløring af svindel i øjeblikket de største AI-brugssager globalt.

For mobiloperatøren Vodafone findes de mest succesrige use cases i kundeservice, ifølge Adi Chhabra, leder af produktinnovation hos Vodafone UK. Fordelene, siger han, tilfalder både omkostningseffektivitet og kundeoplevelsen. I telebranchen æder kundeservice mange omkostninger op. Integrering af AI med IVR (interactive voice response) fjerner næsten øjeblikkeligt omkostninger fra disse operationer, og det fører til hurtigere beslutninger, der tages for at løse kundeproblemer.

Energiselskaber og forsyningsselskaber bruger ifølge 51 % af de adspurgte fra denne sektor kunstig intelligens til at overvåge deres netværks tilstand. Overvågning og diagnose er også et naturligt AI-fokus for organisationer i sundhedssektoren, og 42 % af respondenterne fra disse organisationer forfølger sådanne anvendelser. Ifølge Tas hos Philips har AI fuldstændig ændret den måde, industrien diagnosticerer kræft på, og dens muligheder strækker sig nu længere til at vælge behandlinger: Når først diagnosticeret AI-algoritmer hjælper os med at vælge den rigtige terapi. Det er komplekst, fordi mulighederne kan omfatte kirurgi, ablation, kemoterapi, immunterapi eller stråling eller en kombination af disse. At vælge de rigtige terapier og veje er ved at blive en indsigtsdrevet, AI-aktiveret øvelse.

Udfordringerne ved skalering

Det fremgår tydeligt af de ledere, der er interviewet til denne rapport, at det har vist sig vanskeligt at skalere AI-brugssager. Eksisterende teknologibegrænsninger kan hindre en bredere anvendelse, foreslår Hanrahan i tilfælde af videoanalyse i realtid. Når det kommer til former for personlig AI, skal der gøres fremskridt inden for naturlig sprogbehandling, før chatbots for eksempel bliver virkelig sofistikerede, siger Chhabra.

I nogle brancher hindrer regulering en bredere anvendelse af AI-aktiverede innovationer. Et eksempel på dette er algoritmebaseret forsikringsprissætning i USA. Ifølge Lemonades Daniel Schreiber er dette i øjeblikket kun tilladt i en håndfuld amerikanske stater. I USA, verdens største forsikringsmarked, har reguleringsmiljøet endnu ikke taget højde for disse næste generations teknologier, siger han.

Mangel på AI-relaterede talenter og færdigheder er en hyppig beklagelse blandt CIO'er og CTO'er, og 42 % af respondenterne i vores undersøgelse siger, at mangel på interne dataforskere og relaterede eksperter er en stor hindring for deres brug af AI. Underskuddet mærkes i høj grad blandt respondenter i fremstillings- og teknologiindustrien, angivet som en AI-begrænsning af henholdsvis 48 % og 47 % af dem.

Vanskeligheden ved at tilpasse forretningsprocesser omkring AI-indsigt blev nævnt som den førende AI-udfordring globalt, efterfulgt af spørgsmål omkring datakvantitet, kvalitet og tilgængelighed.

Data er faktisk en anden stor begrænsning, rangeret tæt på andenpladsen i forhold til behandlingsspørgsmål af undersøgelsens respondenter (citeret af 48 % af dem). AI-modeller har brug for data: Jo mere en model indtager, desto mere nøjagtig er dens analyse og jo mere sandsynligt er det, at de beslutninger, den anmoder om, rammer målet. Problemet er dog mindre med den samlede tilgængelighed af data. Kun 10 % af de adspurgte siger, at de kæmper med dette. Vanskeligheder med at integrere data i forskellige formater, især ustrukturerede data, er det største problem, ifølge Le Cotonnec. Forsikringsselskaber bør begynde at udnytte deres ustrukturerede data (opkaldslogger, billeder, e-mail), siger hun, for at forbedre skadeprocessernes effektivitet eller forbedre kundeoplevelsen. Vi har nok data, men vores evne til at udtrække værdi fra ustrukturerede data er begrænset i øjeblikket. Forsikringsbranchen er ikke alene: Det er et problem, som 57 % af virksomhederne i undersøgelsen oplever (og af betydeligt flere professionelle tjenester, transport og offentlige organisationer).

Integrering af ustrukturerede data, interfacing med åbne dataplatforme og bias i algoritmiske modeller er de førende AI-dataudfordringer.

Frigør muligheder for datadeling

I juni 2019 dannede 10 store farmaceutiske producenter et konsortium med det udtrykkelige formål at dele lægemiddelforskningsdata, som hver især kan bruge til at træne deres AI-algoritmer. Det er ikke første gang, at store lægemiddelvirksomheder deltager i F&U-samarbejde. Men det er det første eksempel i denne branche af forskningssamarbejde, hvor AI er både muliggører og modtager. Konsortiets medlemmer trawler hinandens data ved hjælp af fødererede læringsteknikker, som er en decentraliseret form for maskinlæring. Dette gør det muligt for de data, der søges i, at forblive på hver virksomheds servere i stedet for at blive samlet i et centralt lager. Virksomhederne kan sikre, hvad de anser for proprietær, mens brugen af ​​blockchain sikrer fuld sporbarhed af dataene. Det ultimative mål: at forenkle og fremskynde opdagelse og udvikling af lægemidler, hvilket resulterer i, at nye og billigere lægemidler og behandlinger når markedet.

Dette eksempel fremhæver, hvordan brugen af ​​AI, i kombination med andre teknologier, kan facilitere effektiv og sikker datadeling mellem virksomheder, og de fordele, der kan være resultatet af kraftfulde AI-modeller bygget på delte data. Fordelene kunne tage form af nye effektivitetsgevinster, nye produkter og tjenester eller endda nye værdikæder, der dannes omkring datadelingsarrangementer.

Globalt viser fremstillings-, forbrugerprodukter og detail- og IT- og telekommunikationsindustrien størst interesse for muligheder for at dele data med tredjeparter.

To tredjedele (66%) af vores undersøgelsesrespondenter udtrykker vilje til at dele deres egne data til disse formål. Producenter, forbrugsvarer og detailvirksomheder og teknologivirksomheder er de mest entusiastiske, selvom alle sektorer udviser en stor grad af parathed. Hvordan søger de at få gavn af det? Producenter ser deres vigtigste gevinster i form af større forsyningskædehastighed og synlighed, mere effektiv produktionsdrift og hurtigere og mere innovativ produktudvikling. Respondenter fra forbrugsvarer og detail- og medicinal- og sundhedssektoren nævner de samme forsyningskæde- og produktudviklingsgevinster. IT- og telekommunikationschefer ser fordelene hovedsageligt i forbedrede kundeserviceoplevelser og stærkere cybersikkerhed og forebyggelse af svindel, de samme fordele, som er top-of-mind for respondenter fra finansbranchen.

Deling af data på tværs af værdikæder og mellem forskellige udbydere i en kunderejse kan være en kæmpe fordel for forbrugerne, siger Tony Bates hos Genesys. Vi genererer milliarder af interaktioner, som vi kan bygge fælles datamodeller omkring. Men vi har også brug for andre former for data. Der er behov for at dele data på tværs af de forskellige store teknologistacke, som vi bruger og administrerer. Hvis vi kan gøre dette på en anonymiseret og sikker måde, kan vi som branche sikre, at vores kunder får meget mere personlige oplevelser, end de får nu.

Respondenter af undersøgelsen opfatter større synlighed på tværs af forsyningskæder og hurtigere og mere innovativ produktudvikling som de største fordele ved datadeling med tredjeparter.

Især for business-to-consumer-virksomheder har den største hindring til dato været vanskeligheden ved at sikre anonymiteten af ​​deres kunders data. Chhabra hos Vodafone siger, at fuldstændig anonymitet har været uhåndgribelig: Så meget som du ønsker at anonymisere, kan brugere af delt data finde måder at spore de kunder, dataene henviser til. Han mener, at blockchain og nyere udviklinger såsom Ocean Protocol, der fungerer på samme måde som fødereret læring ved at tillade decentral søgning af data, i sidste ende vil sikre, at AI-modeller kan køres på fuldstændig anonymiserede data.

At skabe muligheden for at dele data sikkert er en brik i puslespillet. Den anden, siger Chhabra, skaber et incitament for virksomheder til at gå videre og dele det. Dem bag Ocean Protocol, en nonprofitplatform udviklet af en Singapore-baseret fond, ser dens teknologi, der understøtter dannelsen af ​​datamarkedspladser, hvor virksomheder, forbrugere og andre parter deler eller handler med data.

Uanset hvilke former for deling virksomheder deltager, skal de lære at værdsætte de data, de har, og de data, de har brug for, siger George Bailey, administrerende direktør for Digital Supply Chain Institute, en forskningsorganisation. Det kan betyde, at man tildeler en pengepris til forskellige typer data, eller at man identificerer, hvilke data den er villig til at udveksle til gengæld for andre parters. Han nævner eksempler på producenter af sportsartikler, der ser en fordel i at indhente data fra virksomheder, der understøtter fitness-apps, og producenter af varige forbrugsgoder, der søger data om slutbrugernes præferencer og karakteristika fra detailhandlere. Bailey går også ind for datavurdering og handel inden for virksomheder som et middel til at overvinde forankrede datasiloer.

Større lovgivningsmæssig klarhed og udvikling af aftalte industristandarder er nødvendige, før virksomheder går mere aktivt i gang med datadeling.

Fra vision til virkelighed

Datadeling i en skala, der fører til nye AI-aktiverede effektivitetsgevinster, produkter og værdikæder er en vision, der skal realiseres snarere end en aktuel realitet. Alle dem, vi har interviewet, tror, ​​at det vil ske, men at det vil tage tid, før bestyrelsen og C-suites betænkeligheder om sikkerheds- og privatlivsrisiciene ved at gøre det er lettet. Det synspunkt afspejles i undersøgelsen, hvor 64 % af de adspurgte siger, at reguleringen skal ændres eller præciseres, og 58 %, at industristandarder skal udvikles, før deres firmaer vil omfavne datadeling bredt.

Strenge databeskyttelsesforordninger, såsom EU's generelle databeskyttelsesforordning (GDPR), der er trådt i kraft siden 2018, giver forståeligt nok ledere en pause i lyset af de sanktioner, de kan stå over for, hvis de ikke opfylder kravene. Blockchain-teknologi kan være en del af løsningen, men Chhabra fremhæver også det, der er kendt som GDPR-blockchain-paradokset – førstnævnte kræver muligheden for datasletning på en individuel anmodning, mens ikke-sletning – fuld sporbarhed – er iboende i sidstnævnte.

Hvordan sådanne problemer løses, er endnu uvist, men nogle organisationer går ind for etablering af datatrusts for at lette deling. Den ene er Open Data Institute (ODI), en UK-baseret nonprofitorganisation: den fastholder, at der er en stærk appetit blandt britiske virksomheder for sådanne truster, der er oprettet som uafhængige institutioner, til at fungere som forvaltere af de data, der deles.

Philips, siger Jeroen Tas, er en stor fortaler for at skabe en ikke-kommerciel trust til at administrere sundhedsdata og er i forhandlinger med Europa-Kommissionen om at støtte sådanne initiativer. Der er en konsensus i denne branche, der siger: 'Måske skal vi ikke bare investere i murstenshospitaler og andre faciliteter. Måske er fremtidens sundhedspleje en meget solid sundhedsdatainfrastruktur, der er sikker.

For mere, download venligst fuld rapport .

skjule