Selvom at AI og Machine Learning kom til som et egentligt værktøj til at forbedre og hjælpe os i vores arbejde og dagligdag, så er det stadig relativt nemt at drage paralleller mellem anti-humanisme og det selv samme værktøj. Der er i realiteten nok mange, der ser hele AI bølgen, som uempatisk – og med god grund.

Indlægget er skrevet af David Mortensen, Machine Learning Engineer & Michael Arnoldus, CTO i Good Monday. 

I en tid hvor vi som forbrugere må affinde os med at vores digitale fodaftryk bliver indsamlet og brugt til nøje at maksimere den salgspris, vi er mest sandsynlige til at købe et hotelværelse til, er det især vigtigt også at gøre opmærksom på, at AI rent faktisk kan skabe en gavnlig effekt for både sælger såvel som kunde uden at gå på kompromis med etik og empati.

Good Monday er i fuld gang med at tænke og udvikle løsninger, med netop dette mindset. Samtidig er det et af de klare krav til, at vi fortsat kan vækste og skabe en skalerbar virksomhed. Især ‘Customer Care’ som forretningsområde er svært at skalere. Det er dyrt, og kan i høj grad være svært at opretholde det kvalitetsniveau og den tætte menneskelige kundekontakt, som Good Monday står for.

Som en hjælp til dette område er virksomheden lige nu i gang med at teste et automatiseret AI værktøj, som stempler sentimentet af indgående beskeder. Denne form for Machine Learning er også bedre kendt som ‘Natural Language Processing’ (NLP), og det handler ganske enkelt om at kunne transformere det menneskelige sprog til data, som er forståeligt for en maskine. Kort fortalt, så er Good Mondays AI-model trænet, så den tracker klager og beskeder der kan skabe konflikter.

Øvelse gør mester

Den lidt længere og lettere tekniske forklaring handler om brugen af såkaldte ‘Word Embeddings’ i en kombination med Deep Neural Networks. Word Embedding er basalt set en numerisk repræsentation af ord, som nemt kan sammenlignes med en ordbog. Ordbogen oversætter så det menneskelige sprog til talværdier. Normalt har hvert ord op imod 2-300 talværdier eller vægte, som beskriver den semantiske betydning i forhold til andre ord.

Når man på denne måde har forvandlet sprog til tal, kan man lave simple udregninger med ord, såsom King + (Woman – Man) = Queen. Der findes masser af pre-trænede Word Embeddings, online som kan være en hjælp, og hos Good Monday har man gjort brug af en version trænet på et stort udsnit af Wikipedia på 6 forskellige europæiske sprog, hvilket gør det muligt at træne og bruge vores model på flere forskellige sprog.

Med så meget semantisk information omkring hvert et ord i en tekst, så åbner der sig mange muligheder. Det kan være tekstopsummering, stavefejlskontrol og tekstklassificering. Good Monday gør selv brug af tekstklassificering, der inddeler beskeder i kategorierne positiv/negativ. Til at konstruere modellen har vi gjort brug af Neural Networks, hvor koden på mange områder minder om, hvordan den menneskelige hjerne behandler inputs og foretager beslutninger. Selve udregningsprocessen kan være matematisk langhåret, og når netværket når en vis dybde og kompleksitet, som er nødvendigt i NLP, bliver det hele lidt til en black box, hvor man i sidste ende ikke rigtig kan forklare, hvordan kategorisering egentlig sker. Det faktum kan være med til at teknologien virker skræmmende.

Lidt forsimplet fungerer det ved at man viser det neurale netværk et billede, og spørger det “hvad synes du det her minder om?”, lidt ligesom når mennesker finder motiver på en skyet himmel. Det anvendte neurale netværk er i dette tilfælde trænet på et datasæt, der har rigtig mange dyr (særligt hunde), så det er sjovt nok dén slags motiver den kunstige intelligens ofte “finder på” – hvis den var trænet på andre data, f.eks. arkitektur, ville det sikkert “se” pavilloner og broer over det hele. Nå, men netværket svarer så f.eks. noget i retning af “jeg synes det ligner at der er et par ører her og og noget pels dér”, og det beder vi netværket om at indtegne på billedet. Billedemanipulation: Kristian Tølbøl Sørensen, Alexandra Instituttet. Fotocredit: Johny Vino / Unsplash

Good Mondays model er supervised, og som input trænes algoritmen ved et sæt af data, der består af tekstbeskeder med tilhørende kategorilabel. Det tilhørende label er i dette tilfælde manuelt udvalgt (positiv/negativ), og udvælgelsesprocessen minder i høj grad om den, Google udsætter os alle for i deres captcha checks rundt omkring på nettet med at identificere fodgængerovergange.

Eksempel på Googles captcha checks som du formentlig kender fra sikkerhedsprocedurer

Data giver glade medarbjedere og kunder

Da et træningssæt oftest består af flere tusinde eksempler, er det en tidskrævende process, men også særdeles vigtig for modellens fremtidige præcision. Når algoritmen trænes, optimeres der efter korrekt at udregne de datapunkter, som er givet i træningsdata. Ved hjælp af det system kan vi eksempelvis nedsætte svartiden på negative hastehenvendelser eller måle, hvor stor en del af de indgående beskeder, der er positive/negative. For Good Mondays vedkommende vil systemet på sigt altså kunne assistere, når kunder og partnere kommunikerer direkte sammen.

Ved hjælp af teknologien bliver vi informeret om eventuelle problemer, uden at kontrollere hver enkelt korrespondance manuelt. Repetitivt manuelt arbejde er generelt ikke et arbejdsområde, som skaber arbejdsglæde. Så desto mere man kan overføre dette til automatiserede systemer jo bedre, samtidig med at Customer Care-medarbejderne har mere tid til det, der virkelig betyder noget. Det er et godt eksempel på en empatisk tilgang til tech og Machine Learning.

Good Monday er som startup gået tidligt i gang med et fokus på AI og implementering af machine learning-løsninger. Det er gjort med den holdning, at man gerne vil have gøre sig tidlige erfaringer med området, samtidig med at det har åbnet op for en helt ny måde at tænke på i organisationen, omkring hvor og hvordan data skal indsamles og bruges.