Maskinlæring mens vi venter på Godot

Innen media, markedsføring og kommunikasjon hypes kunstig intelligens og teknologiskiftet. En bred pensel maler frem bilder av frykt. Mantra synes å være at de som ikke er i gang med å digitalisere virksomhetene sine, vil bli borte.

Maskinlæring er det usagte premisset i slike scenario. Maskinene lærer, og de gjør ting smartere og raskere. Sagt med ordspill: Digito ergo sum. Digitaliser, så er du. Er du ikke med, er du ferdig. Det kan fort gå hals over hode.

Første problem er at man fort vekk glemmer kunden i all digitaliseringen. Det kommer vi straks tilbake til.

Neste problem er at maskinlæring er i sine spede barndom. Ber du et barn plukke opp en leke, så plukker barnet opp en leke. Det rydder ikke rommet. Digitaliserings-strategene synes å ta maskinlæringspremisset for gitt, de er mer opptatt av vyer og visjoner. Da blir gode planer fort science fiction. Og det jages mot noe som begynner å ligne en «all in» holdning. Har du ikke begynt å digitalisere, så må du digitalisere, bare for å digitalisere. Hvor smart er egentlig det?

Mens vi venter

Samuel Becketts “Mens vi venter på Godot” handler om å vente og gjenta en handling, igjen og igjen. Til det absurde. Godot kommer aldri. I stykket oppstår en fremmedgjøring ved å bekrefte gjentakelsen i detalj. En slik fremmedgjøringen synes maskinlæring å risikere å lide under, i all gjentagelse om digitalisering. Om det skyldes hodeløs ledelse eller salgskåte konsulenter, er nå så. Det kan uansett fort bli dyrt. Glamox er et absurd eksempel på strategisk satsning på teknologi som ikke fantes. Det gikk galt. Hvem drar en Glamox innen maskinlæring? Og hvem venter på Godot?

Vilje og evne

Algoritmer, regler for hvordan dataprogrammer skal gjøre ting, har vi hatt lenge. Det «nye» nå er at algoritmer lærer å kjenne igjen mønstre i store datamengder, og selv gjøre beslutninger på disse. Med tilstrekkelig maskinkraft kan man med maskinlæring prosessere enorme datamengder, og finne smartere måter å gjøre ting på. Fort.

Det trengs likevel et menneske til å definere hvordan data skal defineres og anvendes i en oppgave. Det går ikke like fort, og det handler mye om å prøve å komme frem til riktig strategi for hva man vil bruke maskinlæring til. Vilje og evne må matche.

Maskinlæring kan skje på ulikt vis, fra enkel læring ved hjelp av eksempler og såkalte beslutningstre, nevrale nettverk som finner mønstre i data og selv klassifiserer disse, til «grådige» algoritmer som selv prøver å finne regler for å maksimere en måloppnåelse ved å sikre seg en belønning. Det siste såkalt forsterkende læring.

Selv sofistikerte algoritmer klarer likevel i utgangspunktet kun en ting, de har kun et mål.

Algoritmene forstår ikke verden. De kan fortelle deg når du skal gå, for å rekke et møte, og de kan banke deg i sofistikerte spill. Dette er fortsatt enkeltstående oppgaver.

Nå vil noen sikkert hevde at Google med AlphaGo har klart å løse mer generisk læring. AlphaGo kan likevel kun håndtere et spill, ikke endre verden. Men vil bedriften din ha Google som benchmark for evne til å stille ressurser bak maskinlæring, så ta med i regnestykket at Google måtte utvikle unike mikrochips for å løse energiutfordringene bak prosesseringen. Det skal kostbar maskinkraft til for å fordøye så komplekse data.

Er du redd for at maskinene skal ta over verden, er det med andre ord et svært begrenset endelikt de er i stand til å påføre samfunnet. Enda. Bortsett fra å ødelegge selvtilliten din i spill, da.

Uansett, digitalisering kan bli seriøst krevende forprosjekt-øvelser a) i kost-nytte betraktninger, og b) i å stille de riktige problemstillingene for å få maskinlæring på de mest hensiktsmessige oppgavene.

Den digitale relasjon

Det andre problemet vi ser, er at kunden fort vekk kan bli borte på veien. Vi opplever at reell agenda i flere tilfeller blir å digitalisere for å spare bedriften penger på eksempelvis kundeservice, og ikke gi kunden en bedre opplevelse.

I det du starter et digitalseringsløp, så bør du raskt bygge en langsiktig digital relasjon til kunden, uavhengig hvor mye maskinlæring og automasjon du ellers satser på. En sterk digital relasjon innebærer at bedriften går fra kampanje-orientert kommunikasjon til løpende dialog med kundene sine. Derfor bør du satse på å bygge relasjon først.

En bedrift som skal lage nye tjenester på grunnlag av data, må forholde seg til kunder som forventer høy grad av intelligent kommunikasjon. Vi er jo vant til å kommunisere med mennesker. Utfordringen er at forbrukerne tenker kontekst.

Ikke alle tjenester selger seg selv. I markedsføring og kommunikasjon gjør maskinlæring det mulig å effektivisere måling av relevante og personlige annonser. Det kan styre mediekjøp, identifisering av forbrukerne, samt servere relevante annonser. Utformingen av kommunikasjonen og kundedialog er dog i beste fall begrenset.

Til slutt står det med andre ord på kommunikasjonen, om forbrukerne skjønner deg eller ikke. Personaliseringsteknologi består av så mange oppgaver at den har langt å gå før den kan levere nye opplevelser på basis av maskinlæring. Har du bygd sterke digitale relasjoner på aktiviteten du allerede har, står bedriften din mye sterkere.

Din digitale relasjon med kunden er summen av all kontakt med ham, og grunnlaget for tillit i en heldigital hverdag. Kan du knytte alle disse dataene sammen til dialog, er det det beste. Det blir interessant å se hvordan markedsføringsteknologi kan utvikle seg til å støtte den mer forbrukerorienterte kommunikasjonen, og forsterke den digitale relasjonen.

Uansett om man trenger maskinlæring for å finne handlemønstre i data, så er det viktig at problemet er definert skikkelig først. Du vil eksempelvis bruke algoritmer for å finne ut hvordan du kan redusere frafallet av potensielle kjøpere inn mot kjøpsøyeblikket. I så fall må du forstå når noen faller fra, slik at du kan kommunisere for å redusere risikoen. Et annet spørsmål er hvorfor noen faller fra. Det er en egen problemstilling for en annen algoritme å løse.

Et par eksempler

En stor dille i næringslivet nå er chatbots. De skal «revolusjonere» kundedialog. I de fleste tilfeller opplever vi at de ikke klarer å holde en dialog med folk, ei heller lære særlig av den. Vårt inntrykk er at man sliter med å håndtere den fortløpende kundeinformasjonen tilstrekkelig, og boten fremstår mer som et forsøk på besparelse av kundeservice-ressurser.

Mange fysiske roboter, såkalte humanoids, faller også igjennom. Pepper er en søt hype, men er den verdt investeringen? Andre humanoiders evner fremstår mer eller mindre som fancy telepresence-verktøy mellom mennesker, og ikke særlig avanserte til å yte merverdi på komplekse problemstillinger. Dette rett og slett fordi de ikke evner å lære. Har man da fått den digitaliseringen man trodde man kjøpte? Er den digitale relasjonen ellers svak, ja, da risikerer man å falle igjennom.

Innen finans har digitaliseringen startet med å stappe betalingskortet ditt inn i apper og meldingstjenester. De sparer deg noe tid, men er det tilstrekkelig merverdi for deg og finansinstitusjonen? Er det verdt det, spesielt når konkurransen på denne delen er så hard? Det pågår store veddemål her, men det er et åpent spørmål, så det blir spennende å se.

Automatisert og fortløpende kreditt uavhengig av tradisjonelle låneprodukt, kan derimot klart utgjøre en forskjell. Et annet herlig eksempel fra finans er forsikring og Freebird. Freebird er en tjeneste som umiddelbart skaffer deg ny plass på et fly, uansett flyselskap, gratis, om det du skulle reist med ble kansellert. De bruker maskinlæring på blant annet ruteavganger og værdata i USA til umiddelbart å kunne erstatte deg avgangen, håndtere risiko og så senke kostnaden på flybytte for alle involverte parter.

Freebird gjør maskinlæring så smart at de treffer på både kundeverdi og gjennomføring.

Sammenlign det med ressursene som legges i maskinlæring i koseprate-botsene for håndtering av tradisjonell forsikring, og man skjønner lett verdien av å bruke tid på de riktige vurderingene i forkant.

Unngå hodeløse satsninger

Anses ikke en algoritme «intelligent» nok, så er det kanskje lurt å gå tilbake og stille de grunnleggende spørsmålene bak digitaliseringen på nytt. Og helst bør du gjøre det før du setter i gang prosjektet og pengene renner ut. Uansett bruk av maskinlæring, så må du forvalte din digitale relasjon til kundene, skal du senere ha kunder i det hele tatt å lære på. Da bør kanskje starten på digitaliseringen av din bedrift ikke gjøres avhengig av ville mengder data.

Og du slipper å vente på Godot.

(Innlegget ble første gang publisert med stor suksess på en blogg for business intelligence biblogg.no. Tema er like relevant for kommunikasjonsfolk som kaster seg hodeløst inn i ulike fancy løsninger IT-selgere kommer opp med. Vårt råd til dere: Tenk og forstå før du handler.)

About Olav Mellingsæter

Olav Mellingsæter har bakgrunn som rådgiver i KPMG og PwC, hvor han har vært med å strukturere en rekke virksomheter på basis av informasjonsutnyttelse. Han er en av pionerene på utvikling av webcast og digital bedriftskommunikasjon i Norge. Olav er i dag foredragsholder, selvstendig rådgiver for ulike bedrifter, og blant annet del av DNB Kommunikasjon. Han jobber med kommunikasjon og teknologiskiftet sammen med Ingvild Moen i Resonate.


Legg inn en kommentar