Den globala AI-agendan: Löfte, verklighet och en framtid för datadelning

I samarbete med Genesys, Philips

' Den globala AI-agendan: Löfte, verklighet och en framtid för datadelning ' är en MIT Technology Review Insights-rapport producerad i samarbete med Genesys och Philips. Den utvecklades genom en global undersökning som genomfördes i januari och februari 2020 av över 1 000 chefer inom 11 olika sektorer och en serie intervjuer med experter med specifikt ansvar för eller kunskap om AI. Artikeln nedan är ett utdrag ur hela rapporten.

Detta innehåll producerades av Insights, den anpassade innehållsdelen av MIT Technology Review. Den skrevs inte av MIT Technology Reviews redaktion.

Ladda ner fullständig rapport .

Få nya teknikområden har genererat så mycket spänning och debatt de senaste åren som AI. Det mesta av spänningen hittills har kretsat kring teknikindustrin, som i USA, Kina och till viss del Europa har investerat miljarder i att utveckla sina AI-kapaciteter. Organisationer i andra sektorer kanske inte spenderar på AI med samma övergivenhet, men undersökningen tyder på att de flesta åtminstone testar vattnet.

I slutet av 2020 kommer 97 % av de stora företagen som tillfrågades för denna rapport att använda AI. De tidigaste användare har varit IT- och telekomföretag, med 81 % som använder AI 2018 – precis före finansiella tjänsteföretag (78 %) och konsumentvaror och detaljhandel (75 %). Den offentliga sektorn hittar också många användningsfall för AI: i slutet av 2019 sa 94 % av de tillfrågade myndigheterna att de hade implementerat AI.

AI kommer naturligtvis att spela olika roller i olika typer av verksamheter. För vissa kommer dess kapacitet att bidra till att förbättra aspekter av operativ effektivitet. Andra förväntar sig att det kommer att förändras. För oss, säger Jeroen Tas, innovations- och strategichef hos Philips, leverantör av konsument- och hälsovårdsutrustning, är AI en grundläggande teknologi som under de närmaste åren kommer att finnas i de allra flesta av våra förslag. Och för vissa företag som är födda i onlinemiljön vilar framgången för affärsmodellen på den. Den ena är Lemonade, en New York-baserad onlineleverantör av egendoms- och olycksfallsförsäkringar som beskrivs som en störning av den etablerade försäkringsbranschen. Dess vd Daniel Schreiber tror att AI-drivna bots som Lemonades är framtiden för försäkring.

Ett steg i taget

Även om den är spridd i stor omfattning, är AI inte på väg att erövra företaget. Mycket få tillfrågade chefer (4%) tror att det kommer att användas i mer än hälften av deras affärsprocesser om tre år. Mindre än en tredjedel (30 %) förväntar sig att den ska användas i mellan 31 % och 50 % av processerna. Majoriteten, 60 % av de tillfrågade, tror att AI kommer att hitta en plats i allt från 11 % till 30 % av deras processer – ett betydande men inte nödvändigtvis dominerande inflytande på hur de flesta företag fungerar. På denna åtgärd kommer AI att spela en särskilt stor roll i verksamheten hos leverantörer av finansiella tjänster, tillverkare och teknikföretag.

De finansiella tjänsterna, tillverkningen samt IT- och telekommunikationsindustrin har de största ambitionerna inom AI inom tre år.

Osäkra på dess faktiska (i motsats till antagna) förmågor, och medvetna om de utmaningar det innebär, har företag tagit en iterativ strategi för AI:s utbyggnad. Enligt Dirk Jungnickel, senior vice president, Enterprise Analytics, på Emirates Group, tog tidiga försök från hans företag 2015 och 2016 att bygga AI-kapacitet ofta inte längre än proof-of-concept eller pilotstadiet. Det började förändras i mitten av 2018 när, säger han, företaget började operationalisera sina AI-utvecklingsinsatser och industrialisera datavetenskap.

Céline Le Cotonnec, chief data innovation officer på Bank of Singapore, noterar att många företagsorganisationer vill leverera AI-användningsfall innan de först har lagt rätt grunder när det gäller IT-arkitektur, AI-kapacitet, måloperativ modell eller datastyrning. Mitt svar är 'först till kvarn', säger hon. Vi måste lägga upp rätt grund för data innan vi går vidare. Detta inkluderar att ha analytikeröversättare – personer som förstår AI såväl som verksamheten för att ta sig an projekt, hantera leveransen, mäta avkastningen på investeringen och förstå hur genomförbart det kommer att vara att skala upp.

För stora företag som avsätter betydande budgetar för att utveckla AI-kapacitet är det en stor utmaning att utveckla och prioritera användningsfall. Enligt Mike Hanrahan, VD för Walmarts Intelligent Research Lab (IRL): Det första vi var tvungna att investera tid i var att bestämma var vi skulle fokusera våra resurser. Hans team identifierade över 250 olika användningsfall och filtrerade sedan ner dem till en handfull. Filtreringsprocessen var ganska komplex för att bestämma vad vi skulle arbeta med, säger Hanrahan. Det gällde att bestämma vilka fall som var mest praktiska att skala.

För Walmart gällde de prioriterade fallen hantering av lager, som representerar en stor del av det multinationella företagets kostnadsbas, och där även små effektivitetsförbättringar genererar betydande besparingar. Över sektorer, men företag eftersträvar en mängd olika användningsfall, i hopp om att åtminstone ett par kommer att generera tidig avkastning och tjäna till att bygga upp förtroende och spänning för AI i hela organisationen.

Använd fall idag och imorgon

Bland undersökningsurvalet som helhet är kvalitetskontroll, kundvård och bedrägeriupptäckt för närvarande de bästa fallen för användning av AI. En mer detaljerad vy avslöjar dock en stor variation i de huvudsakliga användningsfallen som eftersträvas av olika sektorer. Till exempel nämner över hälften av finansiella tjänsteföretag (58 %) och statliga organisationer (55 %) bedrägeriupptäckt som deras främsta AI-användningsfall. Céline Le Cotonnec säger att i hennes tidigare roll på ett globalt försäkringsbolag var användningsfall för upptäckt av bedrägeri de första som implementerades, eftersom förmånen lovade att bli betydande: Enligt en undersökning från Reinsurance Group of America (RGA) från 2017, 3- 4 % av alla globala anspråk är bedrägliga, med den högsta förekomsten (4,16 %) i Asien.

Bland undersökningsurvalet som helhet är kvalitetskontroll, kundvård och bedrägeriupptäckt för närvarande de bästa fallen för användning av AI globalt.

För mobiloperatören Vodafone finns de mest framgångsrika användningsfallen inom kundtjänst, enligt Adi Chhabra, chef för produktinnovation på Vodafone UK. Fördelarna, säger han, tillfaller både kostnadseffektiviteten och kundupplevelsen. Inom telekombranschen äter kundtjänst upp en hel del kostnader. Att integrera AI med IVR (interactive voice response) tar nästan omedelbart bort kostnaderna för dessa operationer och det leder till att snabbare beslut tas för att lösa kundproblem.

Enligt 51 % av de tillfrågade från den sektorn använder energiföretag och energiföretag AI för att övervaka tillståndet i sina nätverk. Övervakning och diagnos är också ett naturligt AI-fokus för organisationer inom hälso- och sjukvårdsbranschen, och 42 % av de tillfrågade från dessa organisationer eftersträvar sådan användning. Enligt Tas på Philips har AI helt förändrat sättet som industrin diagnostiserar cancer på, och dess möjligheter sträcker sig nu längre till att välja behandlingar: När de väl har diagnostiserats hjälper AI-algoritmer oss nu att välja rätt terapi. Det är komplicerat eftersom alternativen kan inkludera kirurgi, ablation, kemoterapi, immunterapi eller strålning, eller en kombination av dessa. Att välja rätt terapier och vägar håller på att bli en insiktsdriven, AI-aktiverad övning.

Utmaningarna med skalning

Det är tydligt från de chefer som intervjuades för denna rapport att det är svårt att skala AI-användningsfall. Befintliga teknikbegränsningar kan hindra en bredare användning, föreslår Hanrahan i fallet med videoanalys i realtid. När det kommer till former av personlig AI måste framsteg göras inom naturlig språkbehandling innan chatbotar, till exempel, blir riktigt sofistikerade, säger Chhabra.

I vissa branscher hindrar reglering en bredare tillämpning av AI-aktiverade innovationer. Ett exempel är algoritmbaserad försäkringsprissättning i USA. Enligt Lemonades Daniel Schreiber är detta för närvarande tillåtet i endast en handfull amerikanska stater. I USA, världens största försäkringsmarknad, har regleringsmiljön ännu inte tagit hänsyn till dessa nästa generations teknologier, säger han.

Brist på AI-relaterad talang och kompetens är ett vanligt klagomål bland CIO:er och CTO:er, och 42 % av de tillfrågade i vår undersökning säger att bristen på interna datavetare och relaterade experter är ett stort hinder för deras användning av AI. Underskottet märks starkt bland de svarande inom tillverknings- och teknikindustrin, nämnt som en AI-begränsning av 48 % respektive 47 % av dem.

Svårigheten att anpassa affärsprocesser kring AI-insikter nämndes som den ledande AI-utmaningen globalt, följt av frågor kring datamängd, kvalitet och tillgänglighet.

Data är faktiskt en annan stor begränsning, rankad nära andra till processfrågor av undersökningsrespondenterna (citerade av 48 % av dem). AI-modeller behöver data: ju mer en modell får i sig, desto mer exakt är analysen och desto mer sannolikt är det att de beslut den föranleder kommer att träffa målet. Problemet är dock mindre med den övergripande tillgängligheten av data. Bara 10 % av de tillfrågade säger att de kämpar med detta. Svårigheter att integrera data i olika format, särskilt ostrukturerad data, är det större problemet, enligt Le Cotonnec. Försäkringsbolag bör börja dra nytta av sin ostrukturerade data (samtalsloggar, bilder, e-post), säger hon, för att förbättra skadeprocessens effektivitet eller förbättra kundupplevelsen. Vi har tillräckligt med data, men vår förmåga att extrahera värde från ostrukturerad data är begränsad för tillfället. Försäkringsbranschen är inte ensam: det är ett problem som upplevs av 57 % av företagen i undersökningen (och av betydligt fler professionella tjänster, transporter och statliga organisationer).

Integrering av ostrukturerad data, gränssnitt med öppna dataplattformar och bias i algoritmiska modeller är de ledande AI-datautmaningarna.

Låser upp möjligheter för datadelning

I juni 2019 bildade 10 stora läkemedelstillverkare ett konsortium i det uttryckliga syftet att dela läkemedelsforskningsdata som var och en kan använda för att träna sina AI-algoritmer. Det är inte första gången som stora läkemedelsföretag deltar i FoU-samarbete. Men det är det första exemplet i denna industri av forskningssamarbete där AI är både möjliggörare och förmånstagare. Konsortiets medlemmar genomsöker varandras data med hjälp av federerade inlärningstekniker, som är en decentraliserad form av maskininlärning. Detta gör att den data som söks kan stanna kvar på varje företags servrar istället för att poolas i ett centralt arkiv. Företagen kan skydda vad de anser vara proprietärt, samtidigt som användningen av blockchain säkerställer full spårbarhet av datan. Det yttersta målet: att förenkla och påskynda upptäckt och utveckling av läkemedel, vilket resulterar i att nya och billigare läkemedel och behandlingar når marknaden.

Det här exemplet belyser hur användningen av AI, i kombination med andra teknologier, kan underlätta effektiv och säker datadelning mellan företag, och de fördelar som kan bli resultatet av kraftfulla AI-modeller som bygger på delad data. Fördelarna kan ta formen av nya effektivitetsvinster, nya produkter och tjänster, eller till och med nya värdekedjor som bildas kring arrangemang för datadelning.

Globalt visar tillverknings-, konsumentprodukter och detaljhandeln samt IT- och telekommunikationsindustrin det största intresset för möjligheter att dela data med tredje part.

Två tredjedelar (66 %) av våra undersökningsrespondenter uttrycker en vilja att dela med sig av sina egna uppgifter för dessa ändamål. Tillverkare, konsumentvaror och detaljhandelsföretag samt teknikföretag är de mest entusiastiska, även om alla sektorer uppvisar en stor grad av beredskap. Hur vill de tjäna på det? Tillverkare ser sina främsta vinster i form av snabbare leveranskedja och synlighet, effektivare produktionsverksamhet och snabbare och mer innovativ produktutveckling. Respondenter från konsumentvaru- och detaljhandeln samt läkemedels- och hälsovårdssektorerna nämner samma försörjningskedja och produktutvecklingsvinster. IT- och telekomchefer ser fördelarna främst i förbättrade kundtjänstupplevelser och starkare cybersäkerhet och förebyggande av bedrägerier, samma fördelar som är top-of-mind för finansbranschens svarande.

Att dela data över värdekedjor och mellan olika leverantörer i en kundresa kan vara en enorm fördel för konsumenterna, säger Tony Bates på Genesys. Vi genererar miljarder interaktioner som vi kan bygga gemensamma datamodeller kring. Men vi behöver också andra former av data. Det finns ett behov av att dela data över de olika stora teknikstackarna som vi använder och hanterar. Om vi ​​kan göra detta på ett anonymt och säkert sätt kan vi som bransch se till att våra kunder får mycket mer personliga upplevelser än vad de får nu.

Enkätrespondenterna upplever att större synlighet över leverantörskedjorna och snabbare och mer innovativ produktutveckling är de största fördelarna med datadelning med tredje part.

Särskilt för företag till konsumenter har det främsta hindret hittills varit svårigheten att säkerställa anonymiteten för sina kunders data. Chhabra på Vodafone säger att fullständig anonymitet har varit svårfångad: Så mycket som du vill anonymisera kan användare av delad data hitta sätt att spåra kunderna som data hänvisar till. Han tror att blockchain och nyare utvecklingar som Ocean Protocol, som fungerar på samma sätt som federerat lärande genom att tillåta decentraliserad sökning av data, så småningom kommer att säkerställa att AI-modeller kan köras på helt anonymiserad data.

Att skapa möjligheten att dela data säkert är en pusselbit. Den andra, säger Chhabra, skapar ett incitament för företag att gå vidare och dela det. De som står bakom Ocean Protocol, en ideell plattform utvecklad av en Singapore-baserad stiftelse, ser att dess teknologi ligger till grund för bildandet av datamarknadsplatser där företag, konsumenter och andra parter delar eller handlar med data.

Oavsett vilken form av delningsföretag som deltar måste de lära sig att värdera den data de har och den data de behöver, säger George Bailey, vd för Digital Supply Chain Institute, en forskningsorganisation. Det kan innebära att man tilldelar olika typer av data ett monetärt pris, eller att man identifierar vilken data man är villig att utbyta i utbyte mot andra parters. Han nämner exemplen på tillverkare av sportartiklar som ser en fördel i att få data från företag som stödjer fitnessappar, och tillverkare av sällanköpsvaror som söker data om slutanvändares preferenser och egenskaper från återförsäljare. Bailey förespråkar också datavärdering och handel inom företag som ett sätt att övervinna förankrade datasilor.

Större regleringstydlighet och utveckling av överenskomna industristandarder är nödvändiga innan företag börjar dela data mer aktivt.

Från vision till verklighet

Datadelning i en skala som leder till nya AI-aktiverade effektivitetsvinster, produkter och värdekedjor är en vision som ska förverkligas snarare än en aktuell verklighet. Alla de vi intervjuade tror att det kommer att ske, men att det kommer att ta tid innan styrelsens och C-suites farhågor om säkerhets- och integritetsriskerna med att göra det lättas. Den uppfattningen återspeglas i undersökningen, där 64 % av de tillfrågade säger att reglering måste ändras eller förtydligas, och 58 % att industristandarder måste utvecklas, innan deras företag kommer att ta till sig datadelning i stor utsträckning.

Stränga datasekretessförordningar, såsom EU:s allmänna dataskyddsförordning (GDPR), som har trätt i kraft sedan 2018, ger förstås chefer en paus i ljuset av de påföljder de kan utsättas för för att inte uppfylla dess krav. Blockkedjeteknologi kan vara en del av lösningen, men Chhabra lyfter också fram vad som kallas GDPR-blockkedjeparadoxen – den förra kräver möjligheten till dataradering på en individs begäran, medan icke-radering – full spårbarhet – är inneboende i den senare.

Hur sådana problem löses återstår att se, men vissa organisationer förespråkar inrättandet av datatruster för att underlätta delning. Det ena är Open Data Institute (ODI), en brittisk ideell organisation: den hävdar att det finns en stark aptit bland brittiska företag för sådana truster som inrättats som oberoende institutioner för att fungera som förvaltare av data som delas.

Philips, säger Jeroen Tas, är en stor förespråkare för att skapa ett icke-kommersiellt förtroende för att hantera hälsovårdsdata och för samtal med Europeiska kommissionen för att stödja sådana initiativ. Det finns en konsensus i den här branschen som säger: 'Vi kanske inte bara borde investera i fysiska sjukhus och andra anläggningar.' Kanske är framtidens hälso- och sjukvård en mycket solid hälsodatainfrastruktur som är säker.

För mer, ladda ner fullständig rapport .

Dölj