Fortsæt til indhold

Svært dilemma bremser virksomheders potentiale

Hvis ingen går forrest med innovation og teknologisk udvikling, kan hele brancher gå i stå. Der er imidlertid ingen grund til at vente, for de nye teknologier er ligeglade med brancher - de kan hjælpe de fleste virksomheder.

Debat
Anders Kofod-Petersen

Dette er et debatindlæg: Finans bringer løbende indlæg fra specialister og meningsdannere. De er alle udtryk for den pågældende skribents egen holdning.

Anders Kofod-Petersen, Distinguished AI Research Scientist ved Alexandra Instituttet

Jeg læste med stor interesse Hao Yins debatindlæg på finans.dk: ”Danmark, vær stolte af jeres innovationssystem og styrk det” – og jeg kunne ikke være mere enig! Som en del af det innovative teknologimiljø i Danmark ser jeg igen og igen, hvor stor en gevinst en digital transformation kan være for danske virksomheder. Men jeg har også set en ærgerlig tendens.

For virksomheder vil ofte gerne se det gode eksempel på en teknologisk transformation inden for deres branche, før de selv tør give sig i kast med nye teknologier. Men hvis ingen går forrest, kan hele brancher gå i stå, mens der ventes. Der er imidlertid ingen grund til at vente, for de nye teknologier er ligeglade med brancher, de kan hjælpe de fleste virksomheder.

Uanset om du skal bygge en rumraket eller regne dine børns karaktergennemsnit ud, kan du bruge matematik. På samme måde er nye teknologier metoder, der kan bruges på tværs af utallige udfordringer. Lad os kigge på en metode som eksempel.

Dybe neurale netværk er oprindeligt en metode, der er udviklet til at genkende billeder. Det er altså en teknologi, der klassificerer. Simplificeret efterligner den faktisk bare, hvordan det menneskelige øje klassificerer, hvad det ser.

Men de dybe neurale netværk er ikke bevidst om, hvad de ser på. Metoden består af 0- og 1-taller, ligesom matematik består af bl.a. plus og minus. Så uanset hvad man putter ind i de dybe neurale netværk, kommer der klassificeringer ud – prøver vi med tekst, kunne det blive inddelt i ord, syntaks eller sentiment, prøver vi med musik, kunne det komme ud som de anbefalinger, man får på en streamingtjeneste.

I dag bliver metoden brugt af så forskellige brancher som forsikringsbranchen, sundhedssektoren og mediebranchen. I forsikringsbranchen ser man nemlig hele tiden de samme sager. De skal eksempelvis konstant vurdere, hvad forskellige skader kommer til at koste at udbedre. Det klassificeres i dag, hvor computeren hjælper med at vurdere de forskellige sager. Det gælder også for de mistænkelige sager, hvor man normalt vil tage stikprøver. Når en computer er trænet med tilpas mange sager, vil den med stor sandsynlighed kunne udpege de sager, hvor der er mistanke om svindel.

I sundhedssektoren fodrer man de dybe neurale netværk med billeder af eksempelvis organer, så man hurtigere og med større præcision kan diagnosticere patienter.

Og i mediebranchen får de et mere præcist billede af, hvilke programmer, kampagner, bøger etc. de skal satse på, fordi de klassificerer alt det, der bliver sagt om dem på nettet på tværs af platforme, i stedet for at lade sig styre af enkelte, højlydte dårlige anmeldelser på få platforme.

Man kunne samtidig nemt forestille sig metoden også blive brugt i eksempelvis servicebranchen, finanssektoren eller transportsektoren.

Butikker vil kunne finde ud af, hvornår kunder er lige ved at tage deres penge et andet sted hen, ved at se på tilpas mange kunders adfærd og klassificere dem. Præcis det samme kan man i øvrigt gøre for at sørge for at hjælpe elever, som computeren kan se, er på nippet til at droppe ud af skolen.

I finanssektoren – eller i virkeligheden alle steder, der har med transaktioner at gøre, om det så er spilindustrien eller bistandskontoret – vil man lettere kunne opdage snyd eller svindel, fordi man vil kunne klassificere de forskellige typer af transaktioner, og vil kunne se et mønster i de transaktioner, der er noget galt med.

Og i transportsektoren vil man kunne optimere, hvordan transportmidlerne, chaufførerne og varerne spiller sammen, så transportmidlerne kører mindst muligt uden varer, og chaufførerne oplever mindst mulig spildtid.

Der er altså ingen grund til at vente på, at man har set det gode eksempel inden for ens egen branche, for resultaterne med nye teknologier fra andre brancher kan sådan set sagtens overføres. Her har vi blot set på det værktøj, som dybe neurale netværk er – men med alle de teknologiske muligheder, vi har i dag, er der uden tvivl også et udviklingspotentiale i din branche.