Hver dag hører vi om teknologiutviklingen. Flere liker å kalle den for den 4 revolusjonen, og du som leser dette er en del av den teknologiske utviklingen! Ennå skal utviklingen ta mer over og utvikle seg til å bli større. Datamengden våre er blitt doblet. Det vil si at mengden av data som blir samlet inn om oss har økt, på grunn av økt involvering i hverdagen.

Innlegget tar for seg :

–      Digitalisering
–      Industry 4.0
–      Kunstig intelligens / AI
–      Maskinlæring
–      Bigdata
–      Deep learning

Bedrifter er kanskje de som er mest utsatt for den teknologiske utviklingen. Med positive konsekvenser som forenkling og minket transaksjonskostnader, og negative konsekvenser som at folk mister arbeidsplassen. Bedrifter har et behov for forståelse for teknologien og hvordan den kan brukes for forbedring, utvikling, og senket transaksjonskostnader.

Alle har ulike konsept. Derfor er viktigste er kanskje å forstå hvilken teknologi som er relevant, og hva digital omstilling skal bety for dere.

Evolusjon eller revolusjon?

Evolusjon er et  begrep som egner seg i biologien, og betyr endring i organismens bygning. Dette kan bidra til at arter endrer seg, nye arter kan oppstå og arter kan død. Dette vil si at det er for bedrifter som allerede har utnyttet seg av effekter gjennom lean og kontinuerlig forbedring.

Ved bruk av teknologisk integrasjon både horisontalt og vertikalt i verdikjeden skaper mulighet til utvinning av kostnad effektivitet, økt produktivitet, nye forretningsmodeller og plattformer internt for bedriften, og for kundene.

Tre tips til hvordan bedrifter kan håndtere digitale utfordringer :

1.     Digitale plattformer, for kommunikasjon om leveranse, bestillinger og etterspørsler via som for eksempel app, web, sensorer og maskiner.

2.    Droppshipping, er en forenklet distribusjonsmulighet som gir kunde direkte tilgang til produktet. Uten mellom distribusjon/flere leverandører ledd. Slik at produktet/tjenesten kommer direkte til kunden.

3.    Agil produksjon, tjenester og produkter som skal være skreddersydd til kunden. Men også budsjettvennlig. For eksempel produktpakker og tjenester som tilbys for ett geografisk området eller eget segment. Et annet eksempel kan være produkt av etterspørsel.

Kunstigintelligens /AI(Artificial intelligence)  

AI handler om hva slags oppgaver en maskin kan gjøre. Vi skiller mellom svak og generell AI. Svak AI er kunstig intelligens som roboter som spiller sjakk med oss og driver med bildegjenkjenning, dette er den vanligste formen som vi kjenner til i dag. Generell AI er systemer som vi kan trene opp til å til neste hva som helst. Eksempel automatisk robotchat og digitale regnskapsførere. Man kan stille seg hvordan disse maskinene klarer å jobbe slik, i noen tilfeller bedre enn mennesker. Dette er fordi disse maskinene jobber gjennom kognitiv resonnering og mønstergjenkjenning.

Maskinlæring

Er en form for kunstig intelligens. Det går ut på at maskiner selv kan skille mellom hva slags data som er viktig å lagre, og hva man kan se bort fra.

Maskinlæring er en prediksjon, statistikk er en forklaring.

Bedrifter bruker maskinlæring for å predikere hva som kan skje i fremtiden, i form av antagelser, beregninger basert på sannsynlighet. Maskinlæring kan også bli brukt til å finne kundeverdien, og inndeling av segment basert på salgsdata man inn fra maskinlæring.

Etter at vi har samlet inn data kan og fått inn store datasett kan vi kalle Bigdata. Kjennetegn på Bigdata er stort og komplekst.  På grunn av det er det laget egen teknologi verktøy som skal analysere disse settene. Fordeler med slike datasett er kvaliteten og sikkerheten. Selv om bigdata gir en verdifull innsikt til folk markedsførere, kan det oftes stilles spørsmål om det er juridisk korrekt eller etisk. (PWC Norge)

Deep learning er i slekt med maskinlæring, det går ut på å trene nevrale nettverk. For å forklare det enklere kan en forestille hvordan hjernen vår er bygget opp.  I hjernen vår finnes det millioner nerveceller som reagerer på sanseinntrykk som syn, lukt og lyd, sansene er koblet sammen med nervecellene og forteller kroppen vår, hvordan vi skal reagere på de ulike sansene.

Akkurat slik har det nevrale nettverket millioner av nevroner koblet sammen i forskjellige nettverk, og klarer å gjenkjenne forskjellige mønster i ulike datasett. Nevrale nettverk bruker eksempler på å lære, og vil naturligvis forbedre seg med flere eksempler, som fører til mer erfaring.


Bildet er tatt fra telenor, og viser hvordan et neveralt nettverk lærer forskjellen mellom ansikt og katter, ved hjelp av eksempler.

Det mest brukte eksempel er når et nevralt nettverk lærer seg hvordan et ansikt ser ut, ved hjelp av tusenvis av bilder av ansikt. En grunn til at man stadig har blitt mer obs på nevrale nettverk og deep learning akkurat i denne tidsperioden er fordi man endelig har klart å samle opp store nok datasett. Og ikke minst verktøy som kan håndtere store og komplekse datasett.

(Olsen 2018)

Skrevet av Sarah Khawar og Emelie Wadstrøm