Det är därför AI ännu inte har omformat de flesta företag

Konceptritning av parfymflaska och AI-nätverk Derek Brahney

Konsten att tillverka parfymer och parfymer har inte förändrats mycket sedan 1880-talet, när syntetiska ingredienser började användas. Expert doftskapare mixtra med kombinationer av kemikalier i hopp om att producera övertygande nya dofter. Så Achim Daub, en chef på en av världens största tillverkare av dofter, Symrise, undrade vad som skulle hända om han injicerade artificiell intelligens i processen. Skulle en maskin föreslå tilltalande formler som en människa kanske inte tänkte prova?

Daub anlitade IBM för att designa ett datorsystem som skulle gå igenom enorma mängder information – formlerna för befintliga dofter, konsumentdata, regulatorisk information, om och om – och sedan föreslå nya formuleringar för särskilda marknader. Systemet heter Philyra, efter den grekiska doftgudinnan. Bortsett från ett stämningsfullt namn, det kan inte lukta någonting, så det kan inte ersätta mänskliga parfymörer. Men det ger dem ett försprång på att skapa något nytt.

Den här historien var en del av vårt marsnummer 2019

• Se resten av frågan
• Prenumerera

Daub är nöjd med framstegen så här långt. Två dofter riktade till unga kunder i Brasilien kommer att börja säljas där i juni. Endast ett fåtal av företagets 70 doftdesigners har använt systemet, men Daub räknar med att så småningom rulla ut det till alla.

Han är dock noga med att påpeka att det tog nästan två år att komma så långt – och det krävde investeringar som fortfarande kommer att ta ett tag att återvinna. Philyras första förslag var hemska: det föreslog hela tiden schamporecept. När allt kommer omkring tittade den på försäljningsdata, och schampo säljer långt bättre än parfym och cologne. Att få det på rätt spår tog mycket träning av Symrises parfymörer. Dessutom brottas företaget fortfarande med kostsamma IT-uppgraderingar som har varit nödvändiga för att pumpa in data till Philyra från olika journalsystem samtidigt som en del av informationen hålls konfidentiell från parfymörerna själva. Det är en slags brant inlärningskurva, säger Daub. Vi är inte i närheten av att ha AI fast och helt etablerat i vårt företagssystem.

Parfymbranschen är knappast ensam om att ta till sig maskininlärning utan att se snabba förändringar. Trots vad du kanske hör om AI som sveper över världen, säger människor i ett brett spektrum av branscher att tekniken är svår att implementera. Det kan bli kostsamt. Och den initiala utdelningen är ofta blygsam.

Det är en sak att se genombrott inom artificiell intelligens som kan spela ut stormästare i Go, eller till och med att ha enheter som sätter på musik på ditt kommando. Det är en annan sak att använda AI för att göra mer än stegvisa förändringar i företag som inte är digitala till sin natur.

Detta betyder inte att AI är överhypad. Men algoritmer är en liten del av det som verkligen betyder något för att omforma hur affärer går till.

AI kan så småningom förändra ekonomin – genom att göra nya produkter och nya affärsmodeller möjliga, genom att förutsäga saker som människor inte kunde ha förutsett och genom att befria anställda från slit. Men det kan ta längre tid än förväntat eller befarat, beroende på var du sitter. De flesta företag genererar inte avsevärt mer produktion från de timmar som deras anställda lägger ner. Sådana produktivitetsvinster är störst hos de största och rikaste företagen, som har råd att spendera mycket på den talang och den tekniska infrastruktur som krävs för att få AI att fungera bra.

Detta betyder inte nödvändigtvis att AI är överhypad. Det är bara det att när det gäller att omforma hur affärer görs, är algoritmer för igenkänning av mönster en liten del av det som är viktigt. Mycket viktigare är organisatoriska element som krusar från IT-avdelningen hela vägen till frontlinjen i ett företag. I stort sett alla måste vara inställda på hur AI fungerar och var dess blinda fläckar finns, särskilt de människor som förväntas lita på dess bedömningar. Allt detta kräver inte bara pengar utan också tålamod, noggrannhet och andra typiska mänskliga färdigheter som alltför ofta är en bristvara.

Letar efter enhörningar

I september förra året twittrade en dataforskare vid namn Peter Skomoroch: Som en tumregel kan du förvänta dig att övergången från ditt företagsföretag till maskininlärning kommer att vara cirka 100 gånger svårare än din övergång till mobil. Det klingade av ett skämt, men Skomoroch skojade inte. Flera personer sa till honom att de var lättade över att höra att deras företag inte var ensamma i deras kamp. Jag tror att det är mycket smärta där ute – uppblåsta förväntningar, säger Skomoroch, som är VD för SkipFlag, ett företag som säger att det kan förvandla ett företags interna kommunikation till en kunskapsbas för anställda. AI och maskininlärning ses som magiskt fedamm.

Bland de största hindren är att få olika journalsystem att prata med varandra. Det är ett problem som Richard Zane har stött på som innovationschef vid UC Health, ett nätverk av sjukhus och medicinska kliniker i Colorado, Wyoming och Nebraska. Det rullade nyligen ut en konversationsmjukvaruagent som heter Livi, som använder naturligt språkteknologi från en startup som heter Avaamo för att hjälpa patienter som ringer UC Health eller använder webbplatsen. Livi uppmanar dem att förnya sina recept, böcker och bekräftar sina möten och visar dem information om deras villkor.

Zane är nöjd med att Livi hanterar rutinfrågor kan UC Healths personal ägna mer tid åt att hjälpa patienter med komplicerade problem. Men han erkänner att den här virtuella assistenten gör lite av vad AI så småningom kan göra i hans organisation. Det är bara toppen av isberget, eller vad den positiva versionen av det nu är, säger Zane. Det tog ett och ett halvt år att distribuera Livi, till stor del på grund av IT-huvudvärken med att länka programvaran till patientjournaler, försäkringsfaktureringsdata och andra sjukhussystem.

Liknande inställningar försvårar andra industrier också. Vissa stora återförsäljare sparar till exempel leveranskedjan och konsumenttransaktioner i separata system, varken är kopplad till bredare datalager. Om företag inte slutar och bygger kopplingar mellan sådana system, kommer maskininlärning att fungera på bara en del av deras data. Det förklarar varför de vanligaste användningsområdena för AI har hittills involverat affärsprocesser som är silade men som ändå har rikligt med data, såsom datasäkerhet eller bedrägeriupptäckt hos banker.

Även om ett företag får data från många källor, krävs det mycket experimenterande och överblick för att vara säker på att informationen är korrekt och meningsfull. När Genpact, ett IT-tjänsteföretag, hjälper företag att starta vad de anser AI-projekt, är 10 % av arbetet AI, säger Sanjay Srivastava, den digitala chefen. Nittio procent av arbetet är faktiskt datautvinning, rensning, normalisering, gräl.

Dessa steg kan se sömlösa ut för Google, Netflix, Amazon eller Facebook. Men de företagen finns till för att fånga in och använda digital data. De är också lyxigt bemannade med doktorer inom datavetenskap, datavetenskap och relaterade områden. Det är annorlunda än rangordningen för de flesta företagsföretag, säger Skomoroch.

Faktum är att mindre företag ofta kräver att anställda fördjupar sig i flera tekniska domäner, säger Anna Drummond, en dataforskare på Sanchez Oil and Gas, ett energiföretag baserat i Houston. Sanchez började nyligen streama och analysera produktionsdata från brunnar i realtid. Det byggde inte kapaciteten från grunden: den köpte programvaran från ett företag som heter MapR. Men Drummond och hennes kollegor var fortfarande tvungna att se till att data från fältet var i format som en dator kunde analysera. Drummonds team engagerade sig också i att designa programvaran som skulle mata information till ingenjörernas skärmar. Folk som är skickliga på alla de där sakerna är inte lätta att hitta, säger hon. Det är i princip som enhörningar. Det är det som saktar ner AI eller maskininlärning.

Fluor, ett enormt ingenjörsföretag, tillbringade cirka fyra år med att arbeta med IBM för att utveckla ett artificiell intelligenssystem för att övervaka massiva byggprojekt som kan kosta miljarder dollar och involvera tusentals arbetare. Systemet andas in både numerisk och naturligt språkdata och varnar Fluors projektledare om problem som senare kan orsaka förseningar eller kostnadsöverskridanden.

Dataforskare vid IBM och Fluor behövde inte länge för att håna algoritmer som systemet skulle använda, säger Leslie Lindgren, Fluors vice vd för informationshantering. Det som tog mycket mer tid var att förfina tekniken med nära deltagande av Fluor-anställda som skulle använda systemet. För att de skulle lita på dess bedömningar behövde de ha input till hur det skulle fungera och de var tvungna att noggrant validera dess resultat, säger Lindgren.

För att utveckla ett sådant här system måste du ta med dina domänexperter från verksamheten – jag menar dina bästa människor, säger hon. Det betyder att du måste dra bort dem från andra saker. Att använda toppmänniskor var viktigt, tillägger hon, eftersom att bygga AI-motorn var för viktigt, för långt och för dyrt för dem att göra på annat sätt.

AI:s frön

När en innovation väl uppstår, hur snabbt kommer den att spridas genom ekonomin? Ekonomen Zvi Griliches kom med några grundläggande svar på 1950-talet – genom att titta på majs.

Griliches undersökte i vilken takt majsbönder i olika delar av landet bytte till hybridsorter som hade mycket högre avkastning. Det som intresserade honom var inte så mycket majsen i sig utan värdet av hybrider som vad vi idag skulle kalla en plattform för framtida innovationer. Hybridmajs var uppfinningen av en metod för att uppfinna, en metod för att odla överlägsen majs för specifika platser, skrev Griliches i en landmärkestidning 1957.

Hybrider introducerades i Iowa i slutet av 1920-talet och början av 1930-talet. År 1940 stod de för nästan all majs som planterats i staten. Men adoptionskurvan var inte i närheten av lika brant på platser som Texas och Alabama, där hybrider introducerades senare och täckte ungefär hälften av majsarealen i början av 1950-talet. En stor anledning är att hybridfrön var dyrare än konventionella frön, och bönderna var tvungna att köpa nya varje år. Att byta till den nya tekniken var ett mer riskabelt förslag för gårdarna i dessa stater än i det rikare och mer produktiva majsbältet i Mellanvästern.

Vad Griliches fångade, och vad efterföljande ekonomer bekräftade, är att spridningen av teknologier formas mindre av innovationernas inneboende kvaliteter än av användarnas ekonomiska situation. Användarnas nyckelfråga är inte, som det är för teknologer, vad kan tekniken göra? men hur mycket kommer vi att tjäna på att investera i det?

Idag ligger maskininlärning till grund för varje aspekt av verksamheten hos företag som Facebook, Google och Amazon och många nystartade företag. Det gör dessa företag exceptionellt rika. Men utanför det AI-bältet går saker och ting mycket långsammare, av rationella ekonomiska skäl.

På Symrise tycker Daub att parfym-AI-projektet föll i en sweet spot. Det var ett relativt småskaligt experiment, men det innebar verkligt arbete för en doftklient och var inte bara en labbsimulering.

Vi är alla under stor press, säger han. Ingen har riktigt tid att göra greenfield-inlärning vid sidan av. Men även detta krävde ett språng av tro på tekniken. Allt handlar om övertygelse, säger han. Det finns en mycket stark övertygelse i mig om att AI kommer att spela en roll i de flesta branscher vi ser idag, några mer övervägande. Att helt ignorera det är inget alternativ.

Dölj