Dette er grunden til, at AI endnu ikke har omformet de fleste virksomheder

Koncepttegning af parfumeflaske og AI-netværk Derek Brahney

Kunsten at lave parfume og cologne har ikke ændret sig meget siden 1880'erne, hvor syntetiske ingredienser begyndte at blive brugt. Erfarne duftskabere pille ved kombinationer af kemikalier i håb om at producere overbevisende nye dufte. Så Achim Daub, en direktør hos en af ​​verdens største producenter af dufte, Symrise, spekulerede på, hvad der ville ske, hvis han injicerede kunstig intelligens i processen. Ville en maskine foreslå tiltalende formler, som et menneske måske ikke tænker at prøve?

Daub hyrede IBM til at designe et computersystem, der ville gennemsøge enorme mængder information - formlerne for eksisterende dufte, forbrugerdata, lovgivningsmæssige oplysninger, videre og videre - og derefter foreslå nye formuleringer til bestemte markeder. Systemet kaldes Philyra efter den græske duftgudinde. Bortset fra et stemningsfuldt navn, kan det ikke lugte noget, så det kan ikke erstatte menneskelige parfumører. Men det giver dem et forspring på at skabe noget nyt.

Denne historie var en del af vores marts 2019-udgave

• Se resten af ​​problemet
• Abonner

Daub er tilfreds med fremskridtene indtil videre. To dufte rettet mod unge kunder i Brasilien kommer til salg der i juni. Kun få af virksomhedens 70 duftdesignere har brugt systemet, men Daub forventer på sigt at rulle det ud til dem alle.

Han er dog omhyggelig med at påpege, at det tog næsten to år at komme så langt - og det krævede investeringer, der stadig vil tage et stykke tid at inddrive. Philyras første forslag var forfærdelige: det blev ved med at foreslå shampooopskrifter. Det så jo på salgsdata, og shampoo sælger langt mere end parfume og cologne. At få det på sporet krævede meget træning af Symrises parfumører. Derudover kæmper virksomheden stadig med dyre it-opgraderinger, der har været nødvendige for at pumpe data ind i Philyra fra forskellige registreringssystemer, mens nogle af oplysningerne holdes fortrolige fra parfumørerne selv. Det er en slags stejl indlæringskurve, siger Daub. Vi er ikke i nærheden af ​​at have AI solidt og fuldstændigt etableret i vores virksomhedssystem.

Parfumebranchen er næppe den eneste, der har vedtaget maskinlæring uden at se hurtige ændringer. På trods af hvad du måske hører om AI, der fejer over verden, siger folk i en lang række brancher, at teknologien er vanskelig at implementere. Det kan være dyrt. Og den indledende gevinst er ofte beskeden.

Én ting er at se gennembrud inden for kunstig intelligens, der kan udkonkurrere Gos stormestre, eller endda at have enheder, der tænder for musik på din kommando. Det er en anden ting at bruge AI til at foretage mere end trinvise ændringer i virksomheder, der ikke er digitale i sig selv.

Dette betyder ikke, at AI er overhypet. Men algoritmer er en lille del af det, der virkelig betyder noget for at omforme, hvordan forretning bliver gjort.

AI kan i sidste ende transformere økonomien – ved at gøre nye produkter og nye forretningsmodeller mulige, ved at forudsige ting, mennesker ikke kunne have forudset, og ved at aflaste medarbejderne for slid. Men det kan tage længere tid end håbet eller frygtet, afhængigt af hvor du sidder. De fleste virksomheder genererer ikke væsentligt mere output fra de timer, deres ansatte lægger i. Sådanne produktivitetsgevinster er størst hos de største og rigeste virksomheder, som har råd til at bruge tungt på talentet og den teknologiske infrastruktur, der er nødvendig for at få AI til at fungere godt.

Dette betyder ikke nødvendigvis, at AI er overhypet. Det er bare, at når det kommer til at omforme, hvordan forretninger bliver gjort, er algoritmer til mønstergenkendelse en lille del af det, der betyder noget. Langt vigtigere er organisatoriske elementer, der bølger fra IT-afdelingen og hele vejen til frontlinjen i en virksomhed. Stort set alle skal være indstillet på, hvordan AI fungerer, og hvor dens blinde vinkler er, især de mennesker, der forventes at stole på dens domme. Alt dette kræver ikke kun penge, men også tålmodighed, omhyggelighed og andre grundlæggende menneskelige færdigheder, som alt for ofte er mangelvare.

Leder efter enhjørninger

Sidste september tweetede en dataforsker ved navn Peter Skomoroch: Som en tommelfingerregel kan du forvente, at din virksomheds overgang til maskinlæring vil være omkring 100 gange sværere end din overgang til mobil. Det lød som en vittighed, men Skomoroch lavede ikke sjov. Flere mennesker fortalte ham, at de var lettede over at høre, at deres virksomheder ikke var alene i deres kampe. Jeg tror, ​​at der er meget smerte derude - oppustede forventninger, siger Skomoroch, der er administrerende direktør for SkipFlag, en virksomhed, der siger, at det kan gøre en virksomheds interne kommunikation til en videnbase for medarbejderne. AI og maskinlæring ses som magisk festøv.

Blandt de største forhindringer er at få uensartede registreringssystemer til at tale sammen. Det er et problem, Richard Zane er stødt på som chief innovation officer ved UC Health, et netværk af hospitaler og medicinske klinikker i Colorado, Wyoming og Nebraska. Det lancerede for nylig en samtalesoftwareagent kaldet Livi, som bruger naturligt sprogteknologi fra en startup kaldet Avaamo til at hjælpe patienter, der ringer til UC Health eller bruger hjemmesiden. Livi anmoder dem om at forny deres recepter, bøger og bekræfter deres aftaler og viser dem oplysninger om deres forhold.

Zane er glad for, at med Livi, der håndterer rutineforespørgsler, kan UC Healths personale bruge mere tid på at hjælpe patienter med komplicerede problemer. Men han erkender, at denne virtuelle assistent ikke gør meget af, hvad AI i sidste ende kan gøre i hans organisation. Det er bare toppen af ​​isbjerget, eller hvad den positive version af det nu er, siger Zane. Det tog halvandet år at implementere Livi, hovedsageligt på grund af it-hovedpine, der var forbundet med at linke softwaren til patientjournaler, forsikringsfaktureringsdata og andre hospitalssystemer.

Lignende opsætninger skader også andre industrier. Nogle store detailhandlere gemmer f.eks. forsyningskæderegistreringer og forbrugertransaktioner i separate systemer, som ingen af ​​dem er forbundet med bredere datalagre. Hvis virksomheder ikke stopper op og bygger forbindelser mellem sådanne systemer, vil maskinlæring kun fungere på nogle af deres data. Det forklarer hvorfor de mest almindelige anvendelser af AI hidtil har involveret forretningsprocesser, der er forseglet, men som ikke desto mindre har rigelige data, såsom computersikkerhed eller bedrageri i banker.

Selvom en virksomhed får data fra mange kilder, kræver det masser af eksperimenter og overblik for at være sikker på, at oplysningerne er nøjagtige og meningsfulde. Når Genpact, en it-servicevirksomhed, hjælper virksomheder med at lancere, hvad de betragter som AI-projekter, er 10 % af arbejdet AI, siger Sanjay Srivastava, Chief Digital Officer. Halvfems procent af arbejdet er faktisk dataudtrækning, udrensning, normalisering, skænderi.

Disse trin ser måske problemfrie ud for Google, Netflix, Amazon eller Facebook. Men disse virksomheder eksisterer for at fange og bruge digitale data. De er også luksuriøst bemandet med ph.d.er inden for datavidenskab, datalogi og relaterede områder. Det er anderledes end rækken af ​​de fleste virksomhedsvirksomheder, siger Skomoroch.

Faktisk kræver mindre virksomheder ofte, at ansatte dykker ned i flere tekniske domæner, siger Anna Drummond, en dataforsker hos Sanchez Oil and Gas, et energiselskab med base i Houston. Sanchez begyndte for nylig at streame og analysere produktionsdata fra brønde i realtid. Den byggede ikke kapaciteten fra bunden: den købte softwaren fra et firma kaldet MapR. Men Drummond og hendes kolleger skulle stadig sikre, at data fra feltet var i formater, som en computer kunne parse. Drummonds team blev også involveret i at designe softwaren, der skulle føre information til ingeniørernes skærme. Folk, der er dygtige til alle de ting, er ikke nemme at finde, siger hun. Det er som enhjørninger, dybest set. Det er det, der bremser brugen af ​​kunstig intelligens eller maskinlæring.

Fluor, et stort ingeniørfirma, brugte omkring fire år på at arbejde sammen med IBM om at udvikle et kunstig intelligenssystem til at overvåge massive byggeprojekter, der kan koste milliarder af dollars og involvere tusindvis af arbejdere. Systemet inhalerer både numeriske og naturlige sprogdata og advarer Fluors projektledere om problemer, der senere kan forårsage forsinkelser eller omkostningsoverskridelser.

Dataforskere hos IBM og Fluor behøvede ikke lang tid for at håne algoritmer, som systemet ville bruge, siger Leslie Lindgren, Fluors vicepræsident for informationsstyring. Det, der tog meget mere tid, var at forfine teknologien med tæt deltagelse af Fluor-medarbejdere, som ville bruge systemet. For at de kunne stole på dens vurderinger, skulle de have input til, hvordan det ville fungere, og de skulle omhyggeligt validere dets resultater, siger Lindgren.

For at udvikle et system som dette skal du have dine domæneeksperter med fra virksomheden – jeg mener dine bedste folk, siger hun. Det betyder, at du skal trække dem ud af andre ting. Det var vigtigt at bruge topfolk, tilføjer hun, fordi bygningen af ​​AI-motoren var for vigtig, for lang og for dyr til, at de kunne gøre andet.

AI's frø

Når først en innovation opstår, hvor hurtigt vil den diffundere gennem økonomien? Økonom Zvi Griliches kom med nogle grundlæggende svar i 1950'erne - ved at se på majs.

Griliches undersøgte de hastigheder, hvormed majsbønder i forskellige dele af landet skiftede til hybridsorter, der havde meget højere udbytte. Det, der interesserede ham, var ikke så meget selve majsen, men værdien af ​​hybrider, som det, vi i dag ville kalde en platform for fremtidige innovationer. Hybrid majs var opfindelsen af ​​en metode til at opfinde, en metode til at avle overlegen majs til specifikke lokaliteter, skrev Griliches i et skelsættende papir i 1957.

Hybrider blev introduceret i Iowa i slutningen af ​​1920'erne og begyndelsen af ​​1930'erne. I 1940 tegnede de sig for næsten al majs plantet i staten. Men adoptionskurven var ikke nær så stejl på steder som Texas og Alabama, hvor hybrider blev introduceret senere og dækkede omkring halvdelen af ​​majsarealet i begyndelsen af ​​1950'erne. En stor grund er, at hybridfrø var dyrere end konventionelle frø, og landmændene måtte købe nye hvert år. At skifte til den nye teknologi var et mere risikabelt forslag for farmene i disse stater end i det rigere og mere produktive majsbælte i Midtvesten.

Hvad Griliches fangede, og hvad efterfølgende økonomer bekræftede, er, at spredningen af ​​teknologier er mindre formet af innovationernes iboende kvaliteter end af brugernes økonomiske situation. Brugernes nøglespørgsmål er ikke, som det er for teknologer, hvad teknologien kan? men hvor meget vil vi have gavn af at investere i det?

I dag ligger maskinlæring til grund for alle aspekter af driften af ​​virksomheder som Facebook, Google og Amazon og mange nystartede virksomheder. Det gør disse virksomheder usædvanligt rige. Men uden for det AI-bælte går tingene meget langsommere af rationelle økonomiske årsager.

Hos Symrise synes Daub, at parfume AI-projektet faldt i et sødt sted. Det var et relativt lille eksperiment, men det involverede rigtigt arbejde for en duftkunde og var ikke blot en laboratoriesimulering.

Vi er alle sammen under meget pres, siger han. Ingen har rigtig tid til at lave greenfield learning ved siden af. Men selv dette krævede et spring af tro på teknologien. Det hele handler om overbevisning, siger han. Der er en meget stærk overbevisning i mig om, at AI vil spille en rolle i de fleste af de industrier, vi ser i dag, nogle mere overvejende. At ignorere det fuldstændigt er ikke en mulighed.

skjule