Digitala Mediers reseblogg

Algoritmer som bank, säljare, förare och företagsledare

Filmen visar det kanske allra mest publika och omtalade exemplen på en av de allra tydligaste trenderna i Silicon Valley: ”Machine learning” (ML) eller ”Artificiell intelligens” (AI). I det här fallet transportföretaget Ubers arbete med att få ut självkörande bilar på gatorna. Begreppen används parallellt och handlar om att få algoritmer att dra egna slutsatser av insamlad data och agera på ett nytt sätt. Inte bara reagera på ett statiskt förprogrammerat sätt utifrån exakt angivna värden.

Utanför Wan-Ifras program i Silicon Valley hade jag anmält mig till en kvällskonferens som riskkapitalbolaget Bootstraplabs (med grundare från Malmö) arrangerade.

Kvällskonferens om machine learning på Galvanize Café i San Francisco.

En av de medverkande var just Ubers chef för machine learning, Dr Danny B. Lange, (bördig från Köpenhamn). Han har tidigare arbetat på IBM, med machine learning på Microsoft, byggt Amazons plattform för machine learning och leder nu ett infrastrukturteam hos Uber som bygger machine learning som en service åt resten av företaget.

Uber är verksamma inom tre områden:

• Förare och resor
• Skapa kartor
• Självkörande bilar

Machine learning kan enligt Danny Lange lösa klassiska utmaningar för företag som lägre priser, exaktare och snabbare leveranser, högre serviceförväntan från kunderna, hantera komplexa situationer och ge transparens och uthållighet. Arbetet med ML har anor från 40-talet och den första schackspelande datorn men det är nu, 2016, som det riktigt stora genombrottet skett. Algoritmerna kan lära av sina misstag också i mycket komplicerade situationer.

”Det viktigaste är inte att göra korrekt utan att göra snabbt” säger han och tillägger att det finns en gräns för människans förmåga att observera med precision. Vi måste uppdatera oss om verkligheten men kan inte väga in alla komplexa förändringar så alla system faller. På ett mer jordnära plan kan det handla om att Netflix rekommenderar mer kvalificerat och att vi slipper efterhängsen annonsering efter att vi köpt ett plagg vi gjort sökningar på.

”Exploration instead of explotation” summerar Danny Lange och betonar att även om man bygger med bara lite data är det mycket bättre än det som byggs utan någon data alls.

Men det stannar förstås inte vid exempel som nämnts ovan. Företaget Vidora som också var med på konferensen arbetar med att förutsäga och reducera risken att kunder lämnar ett företag. Och räkna ut vad som driver kunders lojalitet med ett företag och skapa merförsäljning. Inom 3 – 5 år räknar Alex Holub, medgrundare och VD, att det är vanligt att företag arbetar med artificiell intelligens. Inte bara för att stödja kundservice. Med data från hela företaget kan man till exempel ge råd till ledningen för hur den ska agera.

”Vi ordnar så att komplexa mål kan uppnås” säger han.

Redan idag arbetar företaget Roger.ai med att ordna människors fakturabetalningar. Du tar en bild av fakturan, skickar till Roger.ai som ser till att fakturan betalas och att det sker i tid.

”Var fjärde amerikan betalar inte alla räkningar i tid och 44 procent har någon gång missat räkningar. Likviditeten försämras för den som ska ha betalt, det kostar administration att skicka påminnelser och det riskerar skapa en dålig relation mellan kund och företag” säger Cathrine Andersen, en av flera danska medgrundare på Roger.ai som idag består av 9 medarbetare i San Francisco.

Utifrån hur väl man sköter sina inskick av fakturor till Roger kreditbedöms man. Roger kan ge dig kredit så att fakturan betalas medan du betalar av din skuld till Roger. Som nästa steg kommer Roger kunna ställa ut kreditkort på dig. Det ligger alltså nära till hands att se en väldigt automatiserad fullskalig bank växa fram och Cathrine Andersen är tydlig med att utvecklingen kommer ske med kraften i machine learning.

Sabrina Atienza, VD och medgrundare på Qurious.

Diskussionerna kring machine learning och sälj har mycket handlat om automatiska köp av annonsutrymme men företaget Qurious arbetar med att coacha säljare i realtid med hjälp av machine learning.

Man analyserar inspelningar av framgångsrika säljares kundsamtal. Algoritmen lär sig vad som är framgångsfaktorer och vad man ska säga när under ett samtal. Det ska inte bli för långdraget och komplicerat  framgår av analyserna. Systemet kan föreslå frågor eller kommentarer eller påståenden utifrån vad som sker.

”Istället för att chefen ska ägna timmar åt att lyssna på en enda säljares samtal, dra slutsatser om det och sedan coacha kan algoritmen coacha säljaren under pågående samtal” säger Sabrina Atienza.