Kom godt igang med Artificial Intelligence

Artificial intelligence og machine learning stormer frem i næsten enhver industri, men selvom de to koncepter er populære, er de stadig fremmede for de fleste. At have en generel forståelse for de to teknologier er nøglen til at lave succesfulde investeringer og navigere uden om buzzwords.

I en tidligere blogpost, skrev vi, at den største udfordring for mange virksomheder er at finde ud af, hvor AI giver mening. Herefter fortalte vi, at det er oplagt at bruge AI ved gentagende opgaver eller opgaver, hvor AI kan bruges til at forudsige noget om forbrugeren.  I denne blogpost gennemgår vi kendt AI-metoder ved at kigge på mulige software designs.

Machine Learning, Artificial Intelligence eller Human Programming

Forestil dig, at den opgave, du gerne vil automatisere, er et skakspil på computeren. Fra et AI-perspektiv kan vi beskrive denne opgave som en forudsigelse af, hvilket næste træk, der vil være det bedste. Vi foreslår herunder fire forskellige software designs, som kan implementere denne løsning.

Det første design er en ekspert-kodet løsning, hvor en skakkyndig programmør identificerer alle de træk, der er mulige. Det resulterer i et program, der ser ud som følger:

“if the opponent starts by moving pawn to F4, then move pawn to E6;

else if the opponent starts by moving pawn to D4, then move pawn to D5;

else if…”

Denne metode kaldes human programming. Metoden indebærer, at et team af udviklere angiver, hvordan computeren skal løse opgaven step by step. AI er altså ikke nødvendigt for at løse opgaven på denne måde.

I det andet design er skakreglerne hardcoded. Det betyder, at man tillader computeren at bedømme, hvilke træk der er tilladt på hvilket som helst tidspunkt samt hvornår en spiller har vundet og tabt. Efter modstanderen har foretaget et træk, kan computeren bruge regelsættet til at teste mulige udfald og vælge det træk, der i de fleste tilfælde vil lede til sejr. For at spare den tid, det tager at simulere alle de mulige udfald (fordi vi ikke kan vente flere dage mellem hvert træk), bruger vi AI-metoder som Alpha-Beta Pruning eller Monte-Carlo Tree Search.

De nævnte metoder bruges til at definere smarte strategier til at finde det bedst mulige træk blandt et begrænset antal af simulationer. Dette design blev brugt, da IBM Deep Blue vandt over Kasparov i 1997.

Det tredje design bruger en trial-and-error-strategi. Vi begynder med en uerfaren spiller som vælger tilfældige træk i et spil mod en person eller sig selv; computeren samler information om, hvilke træk der er bedre end andre, baseret på udfaldet af de allerede færdigspillede spil. En familie af machine learning-metoder, kendt som Reinforcement Learning, bruges til at implementere denne type læring. Som med det andet design skal vi hardcode skakreglerne; men i modsætning til design 2, som bruger reglerne til at simulere udfaldet, så bruger Reinforcement Learning reglerne til at evaluere tidligere træk og lære af dem. I et skakspil mod en person kan computeren gradvist forbedre sig indtil den vinder hvert eneste spil mod den person. Hvis den spiller mod sig selv, kan den spille hurtigere (fordi den ikke skal vente på, at modspillere foretager et træk), og kan potentielt bliver en overmenneskelig skakspiller. At bruge databasen hver gang ville gå for langsomt og hvis vi står i en situation, som Kasparov aldrig har stået i, så vil vi ikke få noget svar.

Det fjerde og sidste design er alles favorit: det data-drevne design. Vi kan skabe en database med genafspilninger af alle Kasparovs spil og udvikle et program, som sammenligner det igangværende spil med gengivelserne. På baggrund af sammenligningen vælger systemet det træk, som Kasparov ville have valgt i samme situation. Det er nogle af de udfordringer, som Supervised Learning algoritmer, såsom lineær regression, beslutningsdiagrammer og artificial neural networks er designet til. Disse machine learning metoder adskiller sig fra reinforcement learning, fordi de lærer offline fra historiske data, og ikke mens spillet er i gang.

Fra skak til marketing automation

Designs, der ikke bygger på AI, er ikke praktiske til skak – enten fordi kodens størrelse ikke kan håndteres eller fordi programmøren måske ikke er så god til skak, som du håbede. Men derfor behøver eksisterende løsninger ikke kasseres. Mange løsninger er tilstrækkelige i første omgang, og kan senere forbedres eller suppleres med AI. Mange computer-skakspillere bruger AI gennem spillet, men er afhængige af en liste af hardcodede åbningstræk og afsluttende træk, valideret af eksperter gennem flere hundrede år. I et kampagneautomatiseringsscenarie, kan du have få regler, der er bestemt af eksperter (fx send altid en e-mail en uge før et event) og bruge AI til at løse opgaver relateret til det (fx forudsige hvilket tidspunkt på dagen, e-mailen skal sendes for at opnå den højeste svarrate).

De metoder, der blev brugt i design 2, er ikke særligt brugte i forbindelse med marketingautomatisering, men de er langt fra forældede. For eksempel er de meget brugte i spilindustrien, hvor non-player karakterers handlinger kan simuleres for at finde frem til den optimale strategi.

Reinforcement learning passer som oftest godt til automatisering af A/B tests. I stedet for at teste skaktræk ét ad gangen, så har du et system der er tilpasset forskellige versioner af dine reklamer hver dag, lærer fra konverteringsraten og tilpasser reklamerne og målgruppen til dagen efter. Men vær opmærksom på udgifterne: AlphaGO blev en rigtig smart GO-spiller på kun tre dage, men i de tre dage kunne den spille hundredevis af spil inden for en time for næsten ingen penge. Men sådan er det ikke med kampagner. Her skal du bruge af kampagnebudgettet, når du skal lære. Det vil sige, at hvis reklamer, der var på tirsdag, havde en anden konvertering end reklamer, der var på lørdag morgen, så vil læringen ikke tage en uge eller mere.

Blandt AI-metoder er den data-drevne metode den mest populære. Det er primært fordi de fleste virksomheder vælger AI for at aktivere data, de har brugt flere år på at indsamle. Hvis du vil forudsige forbrugeradfærd, og du vil have historiske data i høj kvalitet, så er supervised learning den løsning, du skal bruge. Hvis du for eksempel vil forudsige, hvor en bruger vil klikke for at øge loadspeeden på dit website, så kan du bygge et system, der forudsiger det, baseret på dit webanalytics data. Men husk på, at princippet: garbage in, garbage out også gælder her. Hvis kvaliteten af dit data ikke er god nok, så vil en predictor være nytteløs. At gennemse dit data og forbedre det der, hvor der er et behov, er et godt første skridt i ethvert AI-projekt.

Artificial intelligence er en vigtig teknologi med et kæmpe potentiale, der gemmer på mange metoder og redskaber under samme navn. Deep learning er ikke løsningen på alt (endnu) og at vælge den rigtige metode vil have stor indflydelse på både indtægter og udgifter. Hos IIH kan vi hjælpe dig, uanset om du bruger reinforcement learning, supervised learning eller god gammeldags AI. Vi hjælper dig med at udnytte AI for at indfri dit digitale potentiale.

0 replies

Skriv en kommentar

Want to join the discussion?
Feel free to contribute!

Skriv et svar

Din e-mailadresse vil ikke blive publiceret. Krævede felter er markeret med *