Introduktionen av artificiell intelligens (AI) i teknikvärlden gav oändliga innovationsmöjligheter, och 2021 ser det inte ut som att det stoppar här. Enligt en McKinsey Global-undersökning med titeln "Läget för AI i 2020" rapporterar 50% av de tillfrågade att deras företag har antagit artificiell intelligens (AI) i minst en affärsfunktion. Antagandet av AI-system fortsätter att öka i alla viktiga industrier.
Men i takt med att AI:s genomgripande växer ökar också alla bekymmer, särskilt kring den nuvarande black box-metoden och bristen på förklarlig AI (XAI). Dessa bekymmer måste hanteras, vilket innebär att företag måste göra ett medvetet skifte för att vara mer transparenta om sina AI-systems beslut och förklara processerna i enkla termer för kunderna. Det här skiftet gör att AI-teknik kan bli mer inbyggd i viktiga livspåverkande processer.
Låt oss ta ett ögonblick för att föreställa oss AI-system som mänskliga interaktioner. Om en bankdirektör som fattar kritiska lånebeslut varje dag inte kan motivera sina beslut när man frågar honom, så jobbar han i en så kallad "black box". Eftersom hans beslut inte är synliga för andra, finns det heller ingen insikt eller något ansvar. Även om detta inte är vanligt för människor, så är det vanligt i AI-världen.
Just nu letar experter inom alla branscher efter sätt att ta itu med XAI-dilemmat. Företag kan använda sig av maskininlärning (ML) på två sätt för att hantera dessa utmaningar.
Ett alternativ är att använda ett beslutsträd, en förklarbar ML-algoritm som lätt kan läsas. Beslutsträd kan till och med imitera hur människor fattar beslut genom att dela upp valet i många mindre delval, vilket gör komplicerade processer mer begripliga.
Ett andra alternativ är att använda sig av det så kallade Shapley-värdet. I spelteorin tilldelar Shapley-värdet ett värde till varje funktion som i sin tur markerar dess betydelse i en specifik ML-förutsägelse. Inom ML bidrar funktioner som ofta kallas spelare olika mycket till den slutliga förutsägelsen. Målet är att beräkna SHAP-värdena (SHapley Additive-förklaringen) för varje förutsägelse och se bidraget från varje funktion för att förstå varför systemet gjorde en viss typ av förutsägelse.
När man gör det här på rätt sätt ger dessa metoder insyn i resultat som genereras av AI. Som ett resultat kan olika branscher använda sig av dessa tillvägagångssätt, som:
Bank- och finanstjänster
Ett sätt som AI kan påverka bank- och finanssektorn på är att upptäcka bedrägerier. AI/ML kan smälta historiska bedrägerimönster, även de som är mycket sofistikerade, och göra det mycket snabbare än människor kan. Med denna historiska kunskap kan AI/ML känna igen och stoppa framtida fall. Ju mer data dessa system tar in, desto effektivare blir de när det gäller att skydda företag och deras kunder.
Ett annat område där AI kan påverka är marknadsföring. Med hjälp av AI kan team identifiera rätt innehåll för rätt kunder baserat på faktorer som ålder, geografisk plats och tidigare handlingar. Genom denna detaljerade förståelse kan banker ersätta SPAM-kommunikation med relevant och anpassad information. Dessa insikter kan också förutsäga en persons behov för att öka korsförsäljnings- och försäljningsmöjligheter. De kan till exempel identifiera vilka kunder som är föräldrar och skicka information till dem om hur man öppnar ett 529-konto för sina barns framtida högskolekostnader.
Healthcare & Life Sciences (vård och livsvetenskap)
När det gäller hälso- och sjukvård är det potentiella användningsfallet för AI otroligt. Ta medicinsk diagnostik som ett exempel. National Cancer Institute säger att AI-teknik inom cancervård kan förbättra diagnosens noggrannhet och snabbhet, underlätta kliniskt beslutsfattande och leda till bättre hälsoresultat. Det som gör AI oumbärligt i detta sammanhang är dess förmåga att studera mönster som är för subtila för det mänskliga ögat och, när de känns igen, kunna vägleda läkare mot rätt livräddande behandling.
AI och speciellt ML kan också påskynda läkemedelsupptäckten. Ta Googles DeepMind, som introducerade sitt AlphaFold-program, som förutspår proteinstrukturen och levererar beräkningsprognoser som når kvalitetsstandarderna för röntgenkristallografi. Genom att få större insikt i molekylerna som utgör människokroppen kan vi bättre förstå sjukdomarnas natur, vilket gör att vi kan utveckla nya sätt att behandla dem effektivt.
Telekommunikation
Telekommunikationsnätverk blir allt mer komplicerade. Det är därför, enligt McKinsey-forskningen som vi refererat till tidigare, respondenter från telekombranschen är bland de som mest sannolikt kommer att rapportera AI-antagande.
Komplexiteten drivs av en rad nya tjänster som telekom introducerar. Nya tjänster kan stimulera kundlojalitet och öppna nya intäktsströmmar, men de kan också öka chanserna för dyra stilleståndstider och andra prestandafrågor. Om det finns för många avbrott i tjänsten kan de nya erbjudandena leda till att kunder byter till en konkurrent.
AI/ML kan analysera dessa nätverk dygnet runt och leta efter potentiella svagheter. Genom att identifiera problem innan de faktiskt blir problematiska gör AI/ML det möjligt för team att agera och undvika dyra avbrott. Företag kan också skapa självoptimerande nätverk för att automatiskt optimera sin nätverkskvalitet baserat på region- och tidszontrafik.
Öppenhet är nyckeln till framtiden för AI
Det finns liten debatt om vilken inverkan AI har och kommer att fortsätta att ha på världen runt oss. För att förbereda sig för ytterligare AI/ML-integrering i framtiden måste företagen börja flytta sig från black box och implementera XAI. XAI kommer att göra processerna mer transparenta, vilket i sin tur gör att konsumenter blir mer villiga, och accepterar ökad AI-integrering i vardagen. Genom att låta oss förstå varför något fungerar som det gör, öppnar vi dörren för att se hur AI kommer att fortsätta att forma världen omkring oss.