Det nya AI-drivna paradigmet inom omvärldsanalys

En övervägande del av all värdefull information där ute är ostrukturerad. Den finns i form av text, bild, filmer och ljud - såväl inom organisationer som bortom dem i den väldiga digitala informationsrymden. Den växer också kraftigt: storleken på all lagrad digital information har dubblerats vartannat år, och inget tyder på att denna expansion kommer avstanna.

Å ena sidan utgör denna utveckling en än stridare ström av källmaterial för den professionella omvärldsanalytikern att fiska insikter ur. Å andra sidan medför informationens ostrukturerade natur en rejäl utmaning, inte minst när det kommer till att få en överblick över dess koppling till olika intresseområden. Typiska angreppsätt för att utvinna insikter från digital data är användningen av olika sökmotorer och övervakningsverktyg i trevandet efter nålar i höstacken. Visst kan sådana metoder leda till intressanta observationer, men de har också nackdelarna att de lider av spårbundenhet och färgas av användarens egna fördomar och tankegångar. Med andra ord – man hittar det man letar efter, men vet inte vad man går miste om. 

AI möjliggör automatisk strukturering och visualisering av stora mängder ostrukturerad information

Men med nya landvinningar inom artificiell intelligens (AI) är det idag möjligt att automatiskt visualisera och kartlägga digitala informationslandskap genom att strukturera texter och bilder, det vill säga utifrån en bottom-up-metod. Med hjälp av AI-genererade kartor av det digitala landskapet inom ett visst område kan omvärldsanalytiker få såväl en överblick över olika ämnen, trender och skeenden – även saker man aldrig hade tänkt på att leta efter från första början – som ledtrådar till vilka pusselbitar i informationen som bör vara i fokus för djuplodande kvalitativ efterforskning. 

Bottom-up-principen inom omvärldsanalys är inte någon nyhet: Kairos Future har följt konceptet sedan starten i början på 90-talet. Dock har tidigare begränsningar av detta förhållningssätt, i form av omfattning och typen av källmaterial som kunde användas, överbryggats tack vare nya AI-metoder. Exempelvis var trendspaningsprojekt á la bottom-up-principen tidigare en ytterst tidskrävande process där ett team av analytiker lusläste högar av livsstilsmagasin och lokaltidningar, för att sedan plocka ur skeenden av intresse. Spaningarna fördelades sedan manuellt i kluster efter ämne på det största bordet som gick att hitta på kontoret, och först då kunde framväxande trender urskiljas. 

Dagens AI-drivna verktyg gör att samma princip kan följas, fast i mycket större omfattning – effekten av dessa på omvärldsanalys enligt bottom-up-metoden kan i mångt och mycket likställas med hur digitala sökmotorer revolutionerat det traditionella informationssökandet exempelvis på bibliotek. Överlag går det att urskilja tre huvudsakliga dynamiker genom vilka AI påverkar omvärldsbevakningen, som utvecklas i mer detalj nedan:

  • Genom att utöka spelplanen för insiktsinhämtning 
  • Genom att förändra hur information söks och bearbetas 
  • Genom att möjliggöra nya sätt att sprida insikter

I vida oceaner av offentlig ostrukturerad data fiskar den här nya AI-drivna metoden upp trender och hittar framväxande fenomen som tidigare legat dolda djupt nere på havsbotten, bortom vårt räckhåll även om vi borde känna till dem. Att ha verktyg och processer på plats för smidig, kontinuerlig trendmapping och destillering av insikter från den digitala informationsrymden till strategiska beslutsstöd, borde vara av yttersta vikt för varje organisation – inte minst med tanke på konkurrensfördelarna detta medför utan också för den strategiska betydelsen. 

Hur AI förändrar omvärldsbevakningens betydelse 

1. AI utökar spelplanen för insiktsinhämtning
Språkteknologi (Natural Language Processing, NLP) har varit med i svängarna ett bra tag nu, men det är först på senare tid som vi med all rätt kan kalla det för språkteknologisk förståelse. Nya tekniker, närda av djup maskininlärning, kan numera urskilja såväl känslor och uppfattningar som enheter, kategorier och ämnen med mänsklig precision. Denna utveckling möjliggör strukturering av och insikter från nyhetsflöden, sociala medier, analysrapporter, patent, forskningsartiklar, finansiella rapporter och i princip alla andra text-baserade informationskällor. 

Dessutom har AI på bara några få år breddat gapet mellan människa och maskin när det kommer till taligenkänning. Genom transkribering av tal till text kan källmaterial i form av bland annat kundtjänstsamtal, podcasts och alla former av muntlig broadcasting bearbetas med språkteknologi och därmed skapa värdefulla insikter.

Samma djupinlärningstekniker som ligger bakom förbättringen av taligenkänning har delvis även bidragit till förändrad objektigenkänning i bilder. Dagens omvärldsanalytiker har möjlighet att organisera och tolka stora mängder av bild- och videodata. Användningsområdena är många - bland annat visuella trendspaningar, varumärkesavläsning och marknadsinsikter baserade på bilder i traditionella och sociala medier. 

2. Två stora skiften i informationssökning och bearbetning
Med AI kommer också en övergång från manuella sökningar baserade på olika kriterier till kognitiv och adaptiv inhämtning i informationssöknings- och inhämtningsfasen. Detta är möjligt tack vare djupinlärningstekniker som förstår kontextuella likheter, utan att begränsas av specifika sökord som används, och även uppdaterar sin förståelse baserat på användarens återkoppling. I det nya paradigmet så är det alltså inte längre nödvändigt att stapla upp långa, komplexa sökordskriterier i informationssökandet. 

Även i nästa fas, där inhämtad data bearbetas och analyseras, har statistiska och hypotes-baserade tillvägagångsätt ersatts av open-ended-metoder och djupinlärningsdrivna ansatser. Bakom detta ligger en AI-teknik som klustrar texter och bilder i ett meningslandskap, som användaren kan navigera och utforska på ett visuellt och interaktivt sätt. Smärtfria perspektivbyten från överblick till detalj underlättar för omvärldsbevakaren när denne tolkar och försöker förstå stora datamängder. Eller annorlunda uttryckt – vi kan se skogen och alla träd på samma gång. 

  

Visuell representation av ett ämneslandskap. Bilden till höger visar ett landskap av bilder som klustrats baserat på innehåll.

3. Nya sätt att sprida insikter
Maskiner hjälper allt oftare omvärldsanalytiker med det annars tidskrävande arbetet att formulera och förmedla insikter. Språkteknologisk generering kan exempelvis användas för att skapa kortare texter baserade på de insikter som tagits fram. Vidare kan automatiska mejl-uppdateringar och dashboards anpassas till olika arbetsroller, för att hålla organisationen i fas med tongivande utvecklingar. 

Ett allt vanligare sätt att strukturera och lagra information i organisationer är så kallade kunskapsgrafer. Relevant information extraheras på regelbunden basis från olika strukturerade eller ostrukturerade datakällor, såväl inom som utom organisationen, för att sedan föras in i kunskapsgrafen för en smidig översikt och sökning. Genom att strukturera information på detta sätt öppnas även dörrar till integration med konversationsplattformar som chatbottar. 

Summering: arbetslandskapet för omvärldsanalys ritas om

AI-driven omvärldsanalys förändrar arbetssättet för analytiker och skapar nya möjligheter för hur de spenderar sin tid. Om den tidigare arbetstiden ägnades till 80% åt informationsinhämtning och bearbetning, och resterande femtedel åt att tolka resultaten och sprida insikter, så medför det nya AI-drivna paradigmet en spegelvändning av proportionerna. Istället för att definiera och revidera statiska sökkriterier så lutar den nya omvärldsanalytikerrollen åt att lära ut djupinlärningsmodeller för att fånga relevant information. Från att tidigare ha analyserat data utifrån statistiska metoder, så tillämpar omvärldsanalytikern numera i allt större utsträckning djupinlärningsteknologier för att skönja intresseväckande mönster och använder sedan sina kunskaper för att tolka dessa. Nya tekniker som automatiskt formulerar och sprider insikter, skräddarsydda för organisationens olika roller, har vuxit fram som ett alternativ till det långdragna rapportskrivandet.

Vill du veta mer om hur din organisation kan införa den nya, AI-drivna omvärldsanalysen? Tveka inte att ta kontakt med oss.

 

Case: Kartläggning och visualisering av startup-landskapet i Kina

Det globalt ledande kemikalieföretaget Covestro (tidigare Bayer MaterialScience) såg möjligheter i att ta hjälp av externa startups i Kina som hävstång för att accelerera sin innovation. Vi hjälpte dem att kartlägga och visualisera hela Kinas startup-ekosystem utifrån allt från policydokument och nyhetsartiklar till data på hundratusentals investeringar. Med hjälp av det unika och nydanande textanalysverktyget Dcipher Analytics strukturerade vi denna data i form av ett nätverk av ägandeförhållanden, vilket hjälpte Covestro att förstå aktörerna och den underliggande strukturen i startuplandskapet och identifiera startups med hög potential för samarbete. För fler insikter från projektet, läs denna offentliga rapport.

By Tomas Larsson