Kommer AI att förändra omvärldsanalys i grunden?
2016 skapades historia. Lee Sedol, en av de senaste decenniernas mest framgångsrika professionella Go-spelare, besegrades av en nybörjare framför 80 miljoner tittare. Medans Sedol satt nedsjunken i sin stol, besegrad och nedstämd, förblev hans motståndare tyst och stilla. Ingen, varken experter, reportrar eller Sedol själv, hade anat att matchen skulle sluta på detta sätt. Hur kan så många haft så fel i sina förutsägelser?
Att förutse framtiden är inte det lättaste, den döljer sig ofta bakom ett tjockt moln av osäkerheter som ständigt ändrar sig likt en levande Rubiks Kub. Ju längre in i framtiden vi tittar, desto mindre får vi veta. Men genom omvärldsanalys kan vi få en förståelse för framtidens riktning. Självklart löser inte omvärldsanalys den levande Rubiks Kub som framtiden är, men tillåter oss att förstå och förutspå de mönster och mekanismer som skapar förändring.
På 80- och 90-talet myntade trendspanarna Faith Popcorn och John Naisbitt begreppen "Cocooning" och "High Tech, High Touch" för att beskriva några av den tidens mest betydelsefulla samhällsbeteenden. Deras insikter byggdes på tidskrävande arbete: många, långa timmar ägnade åt att titta igenom högar med tidningar och artiklar.
De publika nyheter som vi möter varje dag är ofta motsägande och ger sällan några ledtrådar för att förstå bakomliggande mönster. Vad Popcorn och Naisbitt förstod var att under denna kaotiska yta gömmer sig djupare, mer långsamma trender med potential att omvandla samhället. Genom att samla många små ledtrådar kunde de bygga en större bild av tidens samhällsförändringar. Arbetet var tråkigt och långsamt, men den metoden blev en viktig inspirationskälla för dagens datastyrda metoder.
I början av 2000-talet klev vi in i en ny digital era. Stora datamängder ansamlades, som växte exponentiellt med varje musklick. Under 2010 passerade den totala informationsvolymen en zettabyte, motsvarande hundra miljoner gånger den information som finns att hitta på USA:s kongressbibliotek. Informationen var dock ännu ostrukturerad och otillgänglig för de flesta och vår möjlighet att använda den för analys och framtidsspaningar var begränsad.
Idag står vi inför ett paradigmskifte – ett resultat av många framsteg inom artificiell intelligens och maskinlärning. Genom kombinationen av förbättrade algoritmer, tillgång till enorma datamängder i digital form och skalbar processkraft i molnet har vår förmåga att analysera data drastiskt förvandlats.
Vad innebär då detta för omvärldsanalysen?
Artificiell intelligens och "kunskapsgrafer" har i stort utsträckning förbättrat vår förmåga att söka och analysera data, inte bara efter enskilda händelser utan även underliggande nivåer med långsamma samhällsströmmar. Språkbehandling, bildigenkänning och transkribering har utvidgat möjligheterna för datadriven omvärldsanalys. Och självförbättrande algoritmer utvecklar vår förmåga att skilja signal från brus.
När Lee Sedol lämnade det fullsatta rummet stannade hans motståndare kvar. När reportrar och experter sedan skyndade sig ut för att diskutera och analysera vad som just inträffat, kopplade en medlem av Googles DeepMind-team ur AlphaGo från skärmen och bar försiktigt datorn ut ur rummet. Artificiell intelligens gick segrande ur denna spelomgång.
Av Gustaf Jungnelius och Tomas Larsson
Intresserad av att testa på AI-baserad omvärldsanalys? Dcipher är en unik Agile Analytics-plattform som bygger på Kairos Futures internationellt patenterade algoritmer. Dcipher hjälper dig att automatiskt hitta de viktigaste trenderna och mönstren i vilken textmängd som helst, oavsett källa eller datamängd. Dcipher kan jobba med texter på vilket språk som helst, och hittar, utan att ha några antaganden om vad han ska leta efter, de mest relevanta insikterna, trenderna och mönstren. Kontakta Tomas Larsson