Reiselivet har aller mest å tjene på AI

En ny analyse har konsulentene i McKinsey tatt for seg over 400 eksempler på innføring av maskinlæring på tvers av 19 industrier og åtte forretningsområder.

Konklusjonen er klar, AI er ikke en hype-teknologi som først vil komme til sin rett om fem år. Den er allerede innført mange steder og har ført til store forbedringer i produktivitet og konkurransekraft.

Rapporten viser at innføring av de tre mest populære AI-teknikkene, nevrale nett i forskjellige bruksformer, kan bidra med verdiskaping opp mot 9 prosent i året.

• LES OGSÅ Kunstig intelligens - Europas reguleringsiver bremser utviklingen

Dette er teknikker som forskere ved Oxford i 2016 brukte til å få datamaskiner til å lese på leppene til mennesker og få 95 prosent av ordene rett. Menneskelige leppelesere får visstnok bare 52 prosent rett på den samme testen.

I 69 prosent av eksemplene kunne bruk av nevrale nett og andre maskinlæringsteknikker gi bedre resultater enn dagens mest utbredte analyseteknikker.

Det blir fort store tall. For verden betyr en slik verdiøkning mellom 3,5 og 5,8 billioner dollar.

Digitalt reiseliv

Aller størst potensial for forbedring mener konsulentene å se innen reiseliv, og da spesifikt i fly- og hotellbransjen. Her skal det være mulig å heve omsetningen med opp mot 12 prosent, eller om lag 500 milliarder dollar totalt sett.

For å høste mulighetene må disse bransjene innføre AI-teknikker i alle ledd, både innen salg og kundeservice og i logistikken.

McKinsey har funnet frem til et eksempel fra Hawaii som både viser potensialet ved teknikkene, men som i Europa kanskje vil skremme mer enn friste.

Det regionale turistkontoret på Hawaii har gått sammen med det store reisebyrået Expedia om ansiktsscanning. Basert på hvilket humør maskinen mener du er i, vil byrået tilpasse tilbudet til deg.

Trenger flere typer data

Dårlig tilgang på data er det største hinderet for at dette potensialet skal bli utløst. Ifølge McKinsey viser undersøkelser at en AI-algoritme typisk trenger 5000 eksempler per kategori for å gi akseptable resultater. Men for å overgå menneskelige analyser, trenger systemet minst 10 millioner eksempler per kategori.

• LES OGSÅ Krever nasjonal strategi for kunstig intelligens

Det forklarer også hvorfor disse teknikkene ikke alltid er riktige for sektoren. Kommer man ikke over disse tersklene, klarer man seg minst like godt med det man har i dag.

I rapporten går det også frem at algoritmene ikke bare vil ha godt av store mengder data, men også et variert kosthold - det vil si forskjellige typer data. Bilde, video og audio kan alle bidra til å forbedre resultatene, men aller best er strukturerte data og tidsserier.