Vad söker du?

Blogg

Fullskalig automatisering är nästa steg i AI-revolutionen

24 januari, 2020

Fullskalig automatisering är nästa steg i AI-revolutionen

AI är på allas läppar i dag, men än så länge handlar det oftast om olika typer av beslutsstöd. Nästa steg är att att automatisera transaktionshantering, berättar IBMs Bill Lobig

När Pedabs partnerföretag Apendo bjöd in IBMs AI-expert William ”Bill” Lobig till ett kundevent nyligen passade vi på Pedab på att få en pratstund. Bill Lobig som har en jordnära syn på allt som rör AI, automation, dataanalys och annat som sorterar under begreppet digitalisering får börja med att förklara vad AI egentligen är:

"AI gör folks liv enklare", säger Bill Lobig, som har titeln Vice President Digital Business Automation på IBM.

Då vet vi det. Men vad är det som händer på AI-fronten i dag?

̶ Det händer mycket, men det handlar mest om beslutsstöd av olika typer. Vi jobbar hårt med att bygga lösningar för transaktionshantering, med hjälp av maskininlärning, säger Bill Lobig.

Maskininlärning är den mest använda AI-tekniken i dag. Den går ut på att datorer lär sig saker av datamängder, utan att specifikt ha programmerats för hur de ska lära sig. Ett exempel på en tillämpning är att självkörande bilar identifierar föremål, och människor, i trafiken, baserat på körningar som gjorts med maskininlärning.

Det finns stora skillnader mellan olika typer av AI-lösningar, vad gäller användning. Det är en sak att en handläggare på en bank får ett råd som tagits fram maskinellt angående ett beviljande av ett lån. Det är något helt annat att en dator faktiskt beviljar ett lån, utan inblandning från en människa.

Det senare är ett konkret exempel på automatisering, eller automation, som är fullt möjlig i dag. Men den typen av lösningar har ännu inte börjat användas på bred front, trots de uppenbara besparingar och den effektivisering som de skulle medföra.

Bland hinder mot automatisering märks kulturella aspekter, motvilja mot förändring och kanske framför allt brist på tillit till lösningarna. Krydda anrättningen med att en del individer kanske är rädda för att bli av med sina jobb och bli ersatta av AI-lösningar. Sist, men inte minst, kan det förstås också finnas regulatoriska hinder.

Om vi förutsätter att automatisering är eftersträvansvärd, hur ska man komma förbi hindren?

En viktig faktor är att AI-lösningarna ska vara självförklarande. Det räcker inte med att säga att en AI-lösning inte beviljar ett lån, en handläggare måste kunna berätta varför lånet inte beviljas. Det här är något vi jobbar mycket med på IBM.

Ytterligare ett hinder för lyckade datalösningar är tillgängligheten och kvaliteten för de data som krävs. Gränserna mellan discipliner som maskininlärning, ”data science”, dataanalys, hantering av affärsprocesser, med flera är ofta suddiga. Om man vill kan man se dem som olika varianter av samma sak, nämligen att använda data för att få fram svar på frågor.

Ett problem är att datamängder kan ge uttryck för fördomar. Det finns exempel på AI-lösningar för rekrytering som kommer fram till att man bör anställa vita medelålders män som är födda i landet i fråga. Varför? För att den typen av anställda är utgör majoriteten i dataunderlaget.

Går det att ha helt neutrala, fördomsfria datamängder?

̶ Det finns alltid partiskhet i data. Det gäller att förstå partiskheten och hur den kan påverka resultaten från AI-lösningar.
Man får alltså leva med partiskhet, eller bias som det heter på engelska. Men om man förstår hur datas beskaffenhet påverkar analyser kan man inte bara förstå hur resultaten påverkas, utan även byta ut datamängder som ger allt för skeva resultat.

Det här är utmaningar som dyker upp för företag och organisationer som kommit i gång med AI och dataanalys. Men innan dess finns det en troligtvis ännu större utmaning: att hitta, identifiera, klassificera, tvätta, överföra och hantera data. Kort sagt, det spelar inte så stor roll om det finns förståelse för AI och lösningar för dataanalys, om man inte har ordning och reda på data.

"Det finns alltid partiskhet i data. Det gäller att förstå partiskheten och hur den kan påverka resultaten från AI-lösningar"

Bill Lobig framhäver att det bästa sättet att komma i gång med AI, som så ofta när det handlar om ny teknik, är att identifiera projekt som kan ge snabba vinster. För IBMs del handlar det ofta om att hjälpa kunder med dokumenthantering, vilket är naturligt eftersom IBM har ett brett utbud av mer traditionella produkter inom det området.

̶ Det handlar om att extrahera, berika och klassificera information. Vi tillför metadata som underlättar hanteringen av dokument.

Det här är en tidsödande uppgift om den utförs manuellt. Och det går i många fall inte att strunta i den, på grund av lagkrav och andra typer av regler. Här finns alltså en stor potential för effektivisering. Men Bill Lobigs stora mål sträcker sig längre än så:

̶ Vi jobbar till 100 procent för att använda maskininlärning för transaktionshantering. Tekniken finns, med det finns stora kulturella utmaningar och även utmaningar vad gäller hur lösningarna ska implementeras.

Katarina Varenius, Marketing Manager, Data & Analytics

 

Transaktionshantering
I IT-sammanhang är en transaktion en serie aktiviteter som måste utföras allihop, eller inte alls. Typexemplet är en överföring mellan två bankkonton. Om det blir ett avbrott efter att pengarna tagits ut från det första kontot och innan de satts in på det andra så avbryts hela transaktionen. Pengarna blir alltså återförda till det första kontot. En transaktion måste egentligen inte inbegripa pengar, men i dagligt tal syftar begreppet oftast på hantering av pengar, vilket också är den traditionella betydelsen. Begreppet transaktionshantering syftar ofta på tekniklösningar för att hantera transaktioner av olika slag.