”Det handler om at finde mønstre”

Forbrugsmønstre, indkøbsvaner, kørselsbehov, transportruter og meget andet. Alt sammen ting, man i stigende grad – og med solid computerkraft bag sig – kan forudse og udnytte kommercielt. Store virksomheder kan inddrage enorme mængder data fra sine onlinekanaler og bruge det til at planlægge salg, tilbud og promovering helt ned til den enkelte kunde, helt uden menneskelig indblanding.

To af de centrale teknologier bag disse muligheder er machine learning (ML) og kunstig intelligens (AI). Samtidig er det to områder, hvor Danny Lange er ekspert. Han er ansvarlig for data platform og netop machine learning hos den amerikanske persontransportgigant Uber og har derudover en fortid som general manager på samme felt hos Amazon.

På den baggrund var han i starten af september fløjet ind som keynote speaker på Optilons Supply Chain-konference i Stockholm. Inden han gik på scenen fik SCM.dk, som det eneste medie, en snak med ham om perspektiverne i den teknologiske udvikling, Ubers tanker på området, betydningen af data i fremtidens transportmarked og meget andet.

Data til optimering
”Machine learning som teknologi er et område ikke særlig mange for alvor kender til, men som rummer kæmpestore muligheder. I selskaber som Uber og Amazon er det integreret i forretningen. Hos sidstnævnte bruger man alle data i kombination med AI til at optimere sit salg. Eksempelvis til at lære brugernes forskellige præferencer omkring tøjkøb; det er meget normalt, at kunder bestiller et par sko i tre forskellige størrelser for at finde den rigtige. Her kan Amazon via ML registrere, hvilket par kunden beholder og huske det til næste gang. Det sparer tid og penge for begge parter, bl.a. fordi returvarer er en kæmpe udgift for Amazon, der har free returns på sine egne varer”, forklarer han.

Den slags maskinel læring kræver selvsagt en stor databehandlingskapacitet i tilknytning til en hjemmeside, og samtidig en hvis mængde trafik på det givne site. Har man det, er mulighederne store, men det giver også nogle begrænsninger, hvis det modsatte er tilfældet.

”Det unikke ved ML er, at der ikke er nogen regler. Med faste regler og menneskelig indblanding rammer man kun rigtigt i 65 procent af tilfældene, men med ML kommer vi op på 85 procent, fordi det er meget bedre til at finde de her mønstre. Det er ikke en exact science, men den er ret præcis. Og jo større datamængde man har at trække på, jo mere korrekte bliver resultaterne. Det gør så også, at det er svært for en start-up eller en SMV at komme ind på markedet og konkurrere med de store, men det er jo vilkårene indtil videre”, siger Danny Lange.

Forudse bestillinger
Det er det samme potentiale, Uber sigter efter at kunne udnytte i endnu større grad, i processen med at forbedre sine eksisterende tjenester, herunder servicen UberPool, der lader en enkelt Uberchauffør samle flere kunder op på samme tur, hvilket giver både en lavere stykpris for passagererne og en højere samlet indtjening for bilejeren.

”Med data i baghånden kan vi i høj grad optimere transporten for vores brugere. Specielt med smartphones og de data vi får via vores app, bliver det muligt for os at forudse bestillinger meget mere præcist og parre dem med chauffører og de ture, de allerede kører, ligesom vi kan pinpointe de bedste opsamlingssteder helt ned til det optimale gadehjørne eller husnummer”, forklarer Danny Lange.

I øvrigt understreger han vigtigheden af AI til databehandling for at Ubers koncept i det hele taget kan fungere. Med de mængder, der er i spil hos det amerikanske selskab, hvor begrebet hyper growth er passende til at beskrive væksten, kan ”mennesker ganske enkelt ikke følge med”, som han siger. Pt. opererer man med 1,5 mio. chauffører og 50 mio. passagerer, og begge tal stiger støt.

På den baggrund er Danny Lange ikke i tvivl om, at kunstig intelligens vil være en hjørnesten i fremtidens innovation, og de virksomheder, der formår at udnytte mulighederne heri, og i machine learning, vil komme ud på toppen. De vil kunne levere den bedste og mest skræddersyede service til sine kunder, og som han påpeger afslutningsvis: ”The devil’s in the detail”.