Forudsig nedbrud og prioriter dine ressourcer rigtigt ved hjælp af predictive maintenance. Her anvendes IoT og Big data. Du kan også måle ændringer i f.eks. vandgennemstrømning og undgå uforudset vandspild. Det har vi bl.a. hjulpet VandCenter Syd med, som du kan læse mere om her.
De fleste banker har store mængder data på deres kunder. Med en fælles dataplatform, der understøtter både AI og BI, kan du få det optimale ud af data og genbruge AI-modeller på tværs af organisationen. Læs, hvordan vi har hjulpet Nykredit med at opbygge en dataplatform, der understøtter AI.
Forudsig, hvilke kunder der vil forlade din virksomhed (churn). Det er også muligt at anvende text mining til analyse af anmeldelser på Trustpilot. Og til segmentering af kunder, der på den baggrund kan tilbyde den rigtige telefonipakke til de rigtige kunder.
Anvend AI som et internt projekt, hvis du som restaurantkæde f.eks. gerne vil benchmarke dine forskellige restauranter. Få nemt et sammenligningsgrundlag.
Ansigtsgenkendelse gør det muligt at fastslå dine kunders demografi f.eks. køn og alder. Kunderne registreres, når de går ind og ud af butikken. Det gør det f.eks. muligt at se, hvor lang tid kunderne bruger i butikken, antallet af kunder på en dag – og hvornår der er mest travlt. På den måde kan du bedre styre dine ressourcer i butikken.
Forudsig forsikringssvindel ved hjælp af predictive modelling. Det kan endda ske live – en alarm popper op, når noget ikke er, som det skal være. Se mere om, hvordan man skaber værdi med AI i den finansielle sektor her.
Et kamera filmer produktionsbåndet. Det opfanger farve og form på produkterne og hejser et flag, hvis et produkt er en forkert farve eller lignende. På den måde undgår du fejlleverancer.
Anvend AI til analyse af opslag på sociale medier, hvor der udarbejdes en sentiment-score – altså hvor positivt/negativt omtales fagforeningen på Twitter. Det giver dig mulighed for at tage en evt. shitstorm i opløbet.
Vis relevante produkter til kunden på baggrund af lignende kunder eller tidligere køb. Chat bots er også et eksempel på AI, som analyserer teksten og anvender machine learning til at kategorisere beskeden fra kunden.
Det er de færreste virksomheder, der betvivler, at AI er det nye konkurrenceparameter. AI vinder mere og mere terræn i erhvervslivet. Både hos små og store virksomheder. Og i alle brancher. Så hvis du ikke vil tabe kampen til dine konkurrenter, er du nødt til at tage kunstig intelligens seriøst.
Spørgsmålet er bare, hvordan du som virksomhed kan bruge AI til at skabe værdi? Vil du lykkes med AI, er det alfa og omega, at du har en kultur, der er gearet til det. En kultur, der kan håndtere data, opsætte et IT-setup og tiltrække de rigtige kompetencer.
Dernæst er der særligt tre steder, du skal have fokus på, når du skal starte din AI-rejse.
At optimere effektivitet og fart på højprofit-områder er altid det rette sted at starte.
Med AI følger muligheden for at give det bedst tænkelige bud på fremtidige hændelser baseret på komplekse sammenhænge i data.
I har et kæmpe potentiale inden for automatisering, beslutningsstøtte og robotteknologi.
Når du prøver at finde værdifulde områder at implementere AI på, så arbejd på en klar definition af, hvilket problem du ønsker at løse. Ellers er det nemt at fare vild og lade sig forføre af meget komplekse AI-løsninger.
Anbefalingen lyder derfor; start småt og afprøv hurtigt ideen i forretningen. Herfra kan du altid bygge videre.
Artificial Intelligence og Machine Learning er på alles læber. Og der har længe været tale om AI som en gylden forretningsmulighed for virksomheder. Men hvor langt er vi egentligt kommet i dansk erhvervsliv, hvis man kigger på de hårde fakta? Det har bl.a. Microsoft lavet en rapport, der viser*. Her er nogle af konklusionerne.
* Hent hele Microsoft-rapporten her
**Undersøgelse lavet af analyseinstituttet PAC
Der er stor forskel på kunstig intelligens på film og i virkeligheden. Artificial Intelligence er ikke blot et element i en sci-fi-film. Det er ikke fremtiden. Det er virkeligheden i dag. Men hvad mener vi egentlig, når vi siger AI?
Som sådan er der ikke en endegyldig definition af AI. Helt simpelt kan man sige, at AI handler om at lave en kunstig udgave af den menneskelige hjerne.
Vi bruger ofte begrebet AI om maskiner, der kan træffe beslutninger selvstændigt – og på egen hånd udføre opgaver, som ellers kun en menneskehjerne kan udføre. Det gælder for eksempel opgaver, der kræver abstrakt tænkning, overvejelse, analyse, læring, problemløsning, mønstergodkendelse, sprogforståelse og beslutningsevne.
Stærk og blød kunstig intelligens
I dag skelner man ofte mellem stærk og blød kunstig intelligens. Stærk kunstig intelligens handler om den forestilling, at computere teoretisk set kan udvikle bevidsthed, der svarer til menneskets.
Blød kunstig intelligens handler om, at computere bliver i stand til at simulere alle aspekter af menneskets evner – og derfor ubesværet kan få andre til at tro, at den oprigtigt har menneskelig intelligens og bevidsthed (selv om den mangler subjektivitet, der definerer menneskelig forståelse).
Alle snakker om kunstig intelligens. Og nikker anerkendende. Men få tør indrømme, at de ikke helt ved, hvordan de skal bruge AI værdifuldt i virksomheden. Derfor besluttede Jakob (én af vores AI-eksperter) sig for at skrive en how-to-guide. Den handler om, hvordan du kommer i gang med dit første AI-projekt.
Aarstiderne, der producerer og sælger økologiske fødevarer, har kørt et strategisk projekt omkring kundeloyalitet under overskriften ”den bedste kundeoplevelse hver gang”. Målet var at gøre arbejdet med kundeloyalitet mere struktureret, men hvad skulle der til for at komme i mål?
Et af flere initiativer var at få indblik i, hvilke kunder der er mest tilbøjelige til at churne. Ved hjælp af en særlig Advanced Analytics-model og Machine Learning kan Aarstiderne nu udpege kunder med risiko for at churne.
”Modellen fortæller os nu med stor nøjagtighed, dels hvilke kunder der er i fare for at churne, dels hvilke den anser som sikre. Det kan selvfølgelig ikke redde verden, men potentialet for værdien af løsningen er meget høj!”
– Carsten Dreyer Christensen, chef for forretningsanalyse
Begrebet NLP står for Natural Language Processing og dækker over metoder til processering og analyse af naturligt opstået sprog og tekst. Eksempler på dette kunne være e-mails, kundeanmeldelser osv. De fleste virksomheder har et utal af kontaktflader, hvor interaktion foregår via tekst, og disse data indeholder potentiel værdifuld indsigt.
Ved at bruge NLP-teknikker kan man automatisk uddrage de relevante informationer af eksempelvis kundefeedback og klassificere disse henvendelser ud fra, om de er positive eller negative. Netop dette har vi hjulpet GN med:
”Det er egentlig præcis samme øvelse, vi laver i dag, som vi gjorde, da vi manuelt håndterede kundefeedback. Nu er det bare en algoritme, der gør arbejdet for os. Og den store fordel ved det er, at den kan håndtere væsentlig flere data, så vi kan udvide antallet af produkter, vi kan behandle. Samtidig har vi sparet en fuldtidsstilling, der tidligere behandlede disse data.”
– Søren Christensen, Head of Data and Analytics i GN Group
Teknologi og tekniske kompetencer fejler i mangel på formål
AI har enormt stort potentiale, og vi ser både velvilje og visioner om at være mere “datadrevne” og udnytte data optimalt. Dog bliver de gode ambitioner om at være på forkant med intelligente AI-løsninger ofte mødt med den samme udfordring: Hvordan skaber man egentlig værdi med AI? Læs blogindlægget...
Responsible AI
Dette blogindlæg tager dig igennem tre vigtige fokusområder om etik og ansvarlighed i AI-løsninger.
Hvad er Explainable AI?
I dette blogindlæg vil vi kigge nærmere på, hvad forklarlighed inden for AI betyder samt hvilke typer af information, man kan uddrive fra AI-/ML-modeller.
Sådan får du AI ud af sandkassen
I dag står døren til AI åben for alle virksomheder – men de færreste formår at udnytte teknologien til fulde. I dette blogindlæg kan du læse om de tre primære årsager til, at AI ofte forbliver et legetøj i sandkassen – og vores opskrift på, hvordan du kan høste det fulde potentiale af AI på tværs af...
Fem råd til at få Machine Learning i produktion
Har du også en fornemmelse af, at jeres data indeholder mere potentiale, end din virksomhed høster i dag? At kunne trække de dybe indsigter ud af data eller automatisere manuelle arbejdsopgaver med en data-applikation bygger ofte på Machine Learning som en del af fundamentet.
Gør som en lang række af landets mest ambitiøse virksomheder:
Udfyld formularen eller tag fat i Simon – så kan vi tage en god snak om jeres udfordringer og drømme.