Tre ting å vurdere før man kaster seg på databølgen

Data er den nye oljen. Dette er vi blitt fortalt i mange år allerede. Selskaper som sitter på store mengder data, sitter i realiteten på et reservoar som man nå endelig når AI eller kunstig intelligens brer om seg, er noe man skal kunne cashe inn på.

Men så enkelt er det jo ikke.

Professorene Ajay Agrawal og Joshua Gans ved Universitetet i Toronto mener i Harvard Business Review at sammenligningen med olje har noe for seg, men ikke som man kanskje skulle tro.

«Som en motor trenger olje, trenger AI data», skriver de og viser til at hovedpoenget med dataanalyse for de aller fleste selskaper er å predikere noe om fremtiden med større presisjon enn man har klart tidligere.

Til dette trenger algoritmene historiske data for å trene seg god. På denne måten er selskapet historiske data av verdi. Men som olje er denne verdien flyktig. Og som olje blir også dataene forbrent. Verdien av dem forsvinner så fort de er brukt til å trene algoritmen, så trenger man nye data.

Professorene peker på tre punkter man bør tenke igjennom før man prøver å bygge opp en analyseavdeling.

• Er du den eneste i din bransje som sitter på data for de siste 10 årene, er dette veldig mye mer verdifullt enn dersom alle konkurrentene har det samme.

• Hva er verdien av økt presisjon? I noen bransjer med stor skala, kan verdien være betydelig, men i bransjer med liten skala er den kanskje betydelig mindre. Gevinsten bør ses opp mot kostnadene.

• Er du parat til å høste nye data hele tiden som kan utvikle algoritmen og prediksjonene? Historiske data er gode til å trene med, men man trenger nye data for å ta løpende avgjørelser.

Agrawal og Gans konkluderer med at verdien av gode løpende data og analyser vil bli så høy at man raskt vil bli utkonkurrert om man blir stående på sidelinjen. Men de advarer mot å tro at historiske data har en stor verdi i seg selv. Verdien ligger i å trene algoritmene med de gamle dataen og deretter fore dem med ny «olje».

Google gjør maskinlæring lettere tilgjengelig

Samtidig som de store aktørene soper opp det som er av maskinlæringseksperter og analytikere av stordata, jobber Google i disse dager med å gjøre maskinlæring til noe flere kan ta i bruk uten å være eksperter.

Onsdag lanserte Google Cloud AutoML som skal hjelpe bedrifter med begrenset kompetanse innen maskinlæring med å begynne å bygge skreddersydde maskinlæringsmodeller.

I første omgang er det ikke snakk om noe alle vil få til, produktet er ment for ingeniører med mindre kompetanse innen AI.

Det første verktøyet er en tjeneste som gjør det raskt og enkelt å lage ML-modeller for bildegjenkjenning.