Vi har tatt lærdom fra hundrevis av interne prosjekter for å utvikle en strategi for å dra nytte av kunstig intelligens. Vi har nedfelt erfaringer og beste praksis, og kommet frem til disse bruksområdene for AI:
- Oppdage avvik (anomalier)
- Gjenkjenning
- Anbefaling
- Segmentering
- Naturlig språkprosessering
Basert på dette ser vi etter likheter mellom ulike AI-oppgaver for å bruke den samme tilnærmingen i hele organisasjonen. Dette er en konstruktiv måte å vurdere hva som kreves i et AI-prosjekt.
Denne artikkelen går gjennom hver AI-oppgave, og gir eksempler hvordan vi har jobbet.
Vår Chief Technology Strategist for Data Analytcis og AI, Natalie Kortum, holdt et innlegg om dette på Dell Technologies Forum 2020 – du kan se det her.
Oppdage avvik
Gjennom anomali-deteksjon kan vi oppdage avvik i et datasett. Organisasjoner bruker det for eksempel for å oppdage ugyldige transaksjoner, datainnbrudd og mistenkelige hendelser i nettverket, eller å oppdage feilproduserte enheter i samlebåndsfabrikker.
Dell Technologies bruker for eksempel AI-drevet anomali-deteksjon for å oppdage forsøk på garanti-svindel, som er en stor kostnad for teknologiprodusenter. Vi fant ut at så mye som 10 prosent av garanti-kravene var falske – altså svindelforsøk.
Med utgangspunkt i disse tallene undersøkte vi hvordan vi kunne forutse slike svindelforsøk ved hjelp av maskinlæring, i stedet for manuelle metoder. Modellene oppdaget vanlige handlingsmønster knyttet til svindel, slik at våre folk i stedet for å oppdage feil, kunne konsentrere seg om de faktiske svindelsakene. Maskinlæringsmodellene var 13 ganger mer effektive til å oppdage svindelforsøk enn mennesker. I løpet av én måned håndterte vi saker som sparte oss for 1 milllion dollar i falske krav.
Anbefaling
I fremtiden vil algoritmene komme med anbefalinger for handlinger som gir bedre resultater.
Vi bruker dette for å optimalisere IT-drift med prediktive analyser. Våre datavitere utviklet en sannsynlighetsmodell for å måle sannsynligheten for at ulike servere skulle gå ned i våre IT-systemer. Modellen identifiserer maskiner med økt risiko, og gir IT-avdelingen beskjed om hvilke de bør sjekke. Modellen er svært nøyaktig, og oppretter alarmer om uvanlig server-aktivitet 40 minutter før systemet feiler. Vi anslår at vi har spart 25 millioner dollar i driftskostnader med dette systemet, og unngått mye nedetid.
Ved å ta liknende systemer ut til kundene, håper vi at de kan oppleve tilsvarende besparelser.
Segmentering
Ved segmentering grupperer man elementer med lignende karakteristikk, ofte for å gjøre ytterligere analyser.
Vi bruker segmentering til mange ulike prosesser. Ett eksempel er lagerstyring for reparasjon av deler. For noen kunder har vi avtalt service samme dag hvis noe går feil, og vi må ha full kontroll på hvilke deler vi har på ulike lagre over hele USA. Ved å bruke segmentering og såkalt pooling-modellering unngår vi å lagre for mange deler på hvert sted, og reduserer behovet for lagring. Dette har spart oss for 18 millioner dollar i unødvendige lagerkostnader, uten at det har gått utover kundeservice.
Gjenkjenning
Her brukes kunstig intelligens til å identifisere en gitt gjenstand – for eksempel hvilket bilmerke som er i en video, person i et bilde. etc. Utvidet virkelighet (Augmented reality, AR) er en type applikasjon for gjenkjenning. Med AR kan du se den fysiske verden beriket av grafiske elementer.
Dell Technologies har utviklet en AR-assistent som lar kundene utføre enkel service på produkter selv. Noen ganger behøves det bare å stramme en skrue eller svært enkle inngrep for å fikse et produkt. Det ønsker vi å hjelpe kundene med, uten at de må ta med eller sende maskinen til reparasjon.
Etter utvikling over flere år og prøving og feiling, har vi kommet frem til en assistent som er foreløpig er en prototype hvor kundene kan bruke en AR-app på mobiltelefonen og få hjelp til enkle operasjoner. Den finnes for iOS, men vi jobber også med Android.
Naturlig språkprosessering
Natural Language Processing (NLP) bruker datamaskiner til å tolke og respondere på språkbaserte data. Vi bruker NLP til et intelligent verktøy for å forbedre opplevelsen av kundesupport. Verktøyet bruker flere maskinlæringsmodeller som gir våre support-ansatte prediksjoner for de beste måtene å løse et problem på, som de kan videreformidle til kundene som ringer inn. Det gjør at vår førstelinje mot kundene får løst problemer raskere og mer presist, uten å måtte gå via en labyrint av weblinker, guider og beslutningstrær.
Mer enn 3000 ansatte bruker dette for å betjene over 10 000 kunder per dag. Samtaletiden er kuttet med ti prosent, og kundene er mer fornøyde med supporten og ringer sjeldnere tilbake om samme problem.
Begynn i det små og bygg på
Disse eksemplene viser at man trenger ikke gjøre alt på en gang. Det går an å begynne i det små ut fra en bestemt problemstilling og bygge ut løsningene over tid – og man bør ta for seg oppgave for oppgave, ut fra hva man mener er viktigst for å støtte bedriften.
I Dell Technologies har vi noen av verdens fremste AI-eksperter. For kunder som ønsker å utforske dette videre, har vi løsninger som er enkle å implementere og justere i datasenteret ut fra de behovene kunden har.
Om du vil vite mer om dette, kan du se vår Chief Technology Strategist for Data Analytcis og AI, Natalie Kortum, fortelle mer om temaet og disse konkrete eksemplene fra Dell Technologies Forum 2020. Dette og flere foredrag fra arrangementet er tilgjengelig her.