Begränsningar och möjligheter med maskininlärning inom detalj- och e-handel

I mitten av november var jag inbjuden att ge en keynote vid Nordic retail and wholesale conference 2021, som arrangerades vid Umeå universitet. Det var givande på flera sätt. Att få prata på ett live-event känns exotiskt i pandemitider. Kontakten med publiken på plats är något helt annat än stirrandet in i en Zoom-grid.

Jag pratade om begränsningar och möjligheter med maskininlärning. Mitt mål var att hjälpa publiken se bortom AI-hypen. Det är bästa vägen för att omsätta insamlade data till ökad förståelse och produktivitet. Med övertro på för-bra-för-att-vara-sant-lösningar riskerar vi i stället att gå mot en ny AI-vinter när uppblåsta förväntningar inte uppfylls.

Uppblåsta förväntningar

Efter ett par exempel på upptrissade applikationer, inklusive Google Flu Trends och maskininlärning för kriminalitet baserat på porträttfoton, som visat sig vara värdelösa i praktiken gick jag igenom grunderna för hur maskininlärning faktiskt fungerar. Många slänger sig med AI-termer men få förstår grunderna. Det riskerar att ytterligare blåsa upp förväntningarna utan förankring i verkligheten.

Sedan drog jag paralleller med vår forskning i gränslandet mellan maskininlärning och nätverksteori. För att förstå många komplexa system, från hur människor sprider smittsamma sjukdomar till hur kunder handlar i detalj- och e-handel, är det nämligen avgörande att förstå hur mönstret av interaktioner – mellan människor vid smittspridning och mellan kunder och produkter inom handel – påverkar hur systemen fungerar.

Bortom AI-hypen

I Sift Lab nöjer vi oss dock inte med att hjälpa våra kunder förstå hur deras komplexa system av kunder och produkter fungerar. Vi hjälper dem också att påverka deras system genom olika aktiviteter, som till exempel riktade kampanjer. Jag avslutade därför med att berätta om en viktig skillnad mellan akademisk och kommersiell forskning: analysverktygen måste kunna sammanställa, modellera, analysera och agera på ständigt växande data i en transparent process som användaren förstår och kan addera sin specialkunskap till utan att absorberas av manuellt arbete.

Inte utan stolthet visade jag övergripande hur Sift Labs plattform skiljer sig från andra lösningar och vad våra kunder tycker om att använda den.

Den här veckan arrangerar jag ett forskningshackathon för djupare samarbeten mellan medicinare och AI-forskare. Jag hoppas att det blir lika givande som att träffa den nyfikna publiken på Nordic retail-konferensen.

Tre tips för att utnyttja möjligheterna med maskininlärning

1. Skit in = skit ut. Det spelar ingen roll hur bra maskininlärningsalgoritmerna är om tillgängliga data är begränsade. Samla så rik data som möjligt och se till att följa kraven i GDPR. Det finns till exempel mycket värde att utvinna ur detalj- och e-handlares transaktionsdata.

2. Satsa på en transparent och flexibel lösning. Då kan du kombinera egen expertis med maskininlärningsalgoritmernas kraft som växer med mängden data. Att förena mänskliga insikter med algoritmernas förmåga att identifiera mönster i stora datamängder är svårslaget.

3. Framtiden är datacentrisk. Med en applikation för varje problem blir det snabbt oöverskådligt och värdefulla insikter eller aktiviteter går om intet. En plattform som integrerar datahantering, analys och aktiviteter för att dra nytta av insikterna förvandlar data till tillväxt utan extra arbete.