Bättre prediktioner med AI – men ställ de här 4 frågorna först

Tänk dig att du får en presentation från en leverantör eller av dina kollegor på analysgruppen. De vill bygga ett nytt prediktivt AI-system för att enklare kunna förutspå framtiden och behöver ditt godkännande för sin budget.

Här är fyra frågor du bör ställa:

1. Vad betyder ”AI” i det här fallet egentligen?

Ordet ”AI” används på olika sätt och det kan ofta vara svårt att veta precis vad det innebär. Hypen runt AI har också gjort att ordet utnyttjas för att dra till sig pengar. Här ser vi ett trendbrott som förstärks av inbromsningen i ekonomin: Beslutsfattare ställer allt högre krav på att AI-projekt ska ge konkreta resultat och accepterar inte längre diffusa löften fyllda med modeord. Ställ frågor tills du förstår precis vad systemet är tänkt att göra – det finns ingen anledning att just den här tekniken ska vara höljd i dunkel! Vi använder ibland ordet ”prediktionssystem”, istället för att svepande prata om AI, när vi pratar om verktyg som gör förutsägelser, exempelvis sannolikheten för att en kund ska missa nästa betalning eller nappa på ett erbjudande. Metoderna kommer i många former, allt från enkla tumregler som ger snabba svar, till machine learning-algoritmer som ger prediktioner med hög precision, men med mindre transparens. Förhoppningsvis är tiden snart förbi när chefer eller konsulter säger att ”vi behöver mer AI” och istället pratar om vilka förutsägelser som skulle stärka affären.

2. Vilken data ska man använda?

Det finns många skäl till att lägga tid på att verkligen förstå den data som används i utvecklingen av en prediktionsmodell. Det finns visserligen metoder för att undvika att modellen lär sig från slumpmässigt brus, men du måste själv försäkra dig om att den historiska datan du använder säger något om framtiden. Du måste själv förstå om modellen innehåller några risker för diskriminering eller annat beteende som inte är önskvärt. För att kunna ta ansvar för systemets beslut måste du ta ansvar för systemet!

3. Hur bra måste systemet vara för att du ska vara nöjd?

När man utvecklar en helt ny prediktiv AI-modell är det svårt att veta vilken prestanda man kan förvänta sig. Ett bra sätt är att jämföra med enklare alternativ, som till exempel manuella tumregler, enklare statistiska metoder eller uppskattningar baserade på en enda informationskälla. Då ser man tydligare om resultatet är värt det nedlagda arbetet eller önskade budgeten. Till sist ska utvärderingen givetvis göras i förhållande till affären, så ta reda på hur dina intäkter och kostnader förväntas bli påverkade.

4. Vilka avvägningar måste du göra?

Det finns alltid en avvägning mellan prestanda och enkelhet. Enkla metoder kan vara snabbare och billigare att implementera, kräver mindre underhåll och är mer stabila och tillförlitliga. Vad är behoven i just det här fallet? Om målet är att få ett övertag på en marknad med hård konkurrens behöver du vassare prediktioner än konkurrenterna och det kan vara värt att höja prestandan till max samtidigt som du lägger lite extra resurser på att hantera den ökade komplexiteten. Är din verksamhet hårt reglerad kan det finnas skäl att fokusera på transparens och tydlighet. Kan du förklara för kunden hur maskinen gjort sin bedömning? Till sist måste systemet förstås också installeras och begränsningar i IT-miljön är tyvärr en mycket vanlig orsak till att många AI-projekt blir kraftigt försenade eller till och med helt avbrutna. Alla de här aspekterna – och säkert fler i ditt specifika fall – måste diskuteras innan projektet börjar, så att avvägningen blir ett klokt och informerat val.

Behöver du hjälp? 

När vi på UC tar oss an ett nytt prediktionsprojekt utgår vi alltid från kundbehovet. Vad ska prediceras och vilken nivå av transparens är nödvändig? När målet är tydligt definierat överväger vi noga vilka algoritmer och modeller som passar bäst för just ditt projekt – för att stärka din affär. Välkommen att kontakta oss via formuläret nedan eller på analytics@uc.se.

Kontakta mig!