Daniel Djupsjöbacka: ”En parkeringsplats som inkörsport till AI”

Daniel Djupsjöbacka, Gambit (Atea)

Skribenten är Daniel Djupsjöbacka, Head of Data Science på Gambit (del av Atea).

Så mycket som 90% av all data som för närvarande finns har skapats under de senaste två åren. Om två år kommer det att finnas tio gånger mer lagrad data jämfört med idag. Denna explosion av information kallas ”Big Data”. Den förändrar världen vi lever i.

Som en följd av detta har ett nytt yrke dykt upp, ”Data Scientist”. En Data Scientist använder data för att dra slutsatser. Eftersom jag själv är en Data Scientist så kommer jag i denna text att diskutera hur en Data Scientist betraktar världen.

Omgiven av data och insikter

Person holding a camera lensSom barn hade jag alltid ett litet anteckningsblock med mig när vår familj var ute och körde. Varje sida rubricerades med ett bilmärke. När vi körde genom landskapet noterade jag vilka bilar vi mötte. Om det var en Volvo fick sidan med Volvo poäng. När vi parkerade, gick jag runt och skrev noggrant ner vilka bilmärken som fanns där.

Jag jämförde frekvensen av märken på olika parkeringsplatser. Toyota, ett billigare märke då, indikerade mindre god ekonomi eller lägre status bland ägarna. Tyska bilar å andra sidan det motsatta. Från datan kunde jag dra slutsatser om personerna som hade parkerat sina bilar på platsen.

Detta är fortfarande en vana för mig. Företags parkeringsplatser är ofta optimalt dimensionerade med hänsyn till verksamheten. Antalet bilar säger inte nödvändigtvis så mycket om hur bra verksamheten går. Det är andelen använda parkeringsplatser som berättar mer.

Och eftersom ett företags vinstmarginal växer snabbare än ökningen av intäkter, är det spännande att försöka bedöma företagets lönsamhet baserat på andelen använda parkeringsplatser.

Mer data leder inte automatiskt till insikter

När en Data Scientist betraktar världen, dyker han ner i data för att dra slutsatser. Datan är sättet som han observerar verkligheten på.

I den senaste rapporten Five Rules for Fixing AI in Business från Boston Consulting Group påpekas ändå att många AI-projekt har svårt att leverera förväntat affärsvärde. Varför är det så? Mängden data ökar i snabb takt och mer data samlas ständigt in. Samtidigt förbättras analysmetoderna. Hur kommer det sig då att många projekt riskerar att misslyckas?

En del av svaret ligger i den specifika expertisen hos de personer som är involverade i utvecklingen av AI. I de flesta organisationer är artificiell intelligens och maskininlärning ofta en del av teknologin eller IT-strategin.

Data och AI är inte bara tekniska domäner. Affärsprocesser är komplexa. Förbättrade prognoser ger inget mervärde om de inte kopplas till det faktiska beslutsfattandet.

För framgångsrika projekt behöver vi både Data Scientists med företagskunnande och företagsexperter som förstår vad som är möjligt att uppnå tack vare AI. På så sätt kan data utnyttjas effektivt när företagsbeslut fattas. Först då blir data riktigt intressant och användbart.

 

LÄS OCKSÅ:

Tim Wallin: ”Creating accountability through freedom”

Lämna ett svar