Visst är det nyttigt med en sund skepsis mot hajpade teknikföreteelser. Men när ett teknikområde går från värsta hajpen till konkreta tillämpningar kan det vara värt att omvärdera den inställningen. Av allt att döma befinner sig AI i det stadiet just nu.

Analysföretaget IDC förutspår till exempel att investeringarna i AI-system kommer att fördubblas i år, till 12,5 miljarder dollar, drygt 100 miljarder kronor, globalt. 2020 tror IDC att investeringarna har ökat till 46 miljarder dollar, drygt 370 miljarder kronor.

Mer specifikt är det maskininlärning som börjar ge sig till känna i allt fler riktiga projekt. Man hör ofta folk prata om maskininlärning som delprojekt i större lösningar, mer sällan om stora satsningar med maskininlärning som huvudsakligt innehåll.

Läs också: Googles AI dubbelt så smart som Siri – men har inget mot en sexåring

Maskininlärning beskrivs ibland som datorers förmåga att lära sig saker själva. En enklare beskrivning är att maskininlärning helt enkelt är en avancerad teknik för dataanalys. Det innebär att maskininlärning ofta kan ses som efterföljare till äldre, enklare lösningar för dataanalys.

Men när man väl sätter i gång med maskininlärning på företaget du jobbar på, om ni inte redan har gjort det, vilken typ av projekt kommer det att bli? Den amerikanska sajten CIO.com pekat ut följande sex områden som troliga kandidater:

1. Chattbott för kundtjänst
En lista på vanliga frågor till kundtjänsten kan snabbt förvandlas till en chattbott som besvarar dem, till exempel med hjälp av Microsofts tjänst QnA Maker. Och det handlar så klart inte enbart om kundtjänst, utan även andra typer av frågor. Ett exempel är frågor från nyanställda till hr-avdelningen.

2. Automatiserad marknadsföring
Marknadsavdelningarna på företag är ofta tidiga med att använda ny teknik. Det är en orsak till att molntjänster som Adobe Marketing Cloud och Salesforce börjar erbjuda maskininlärning. Det handlar om allt från att rekommendera relaterade produkter, till att producera individanpassade sökresultat. Andra exempel är att ranka kandidater för försäljning (leads) och att hitta alternativa kontakter hos potentiella kunder.

Här tangerar vi traditionella analysmodeller, till exempel för att förutse när kunder kommer att lämna (churn). Sådana analyser kan utgöra underlag för prognoser och planering.

3. Upptäckt av bedrägerier
Att upptäcka bedrägligt beteende, till exempel genom konstiga transaktioner, är ett klassiskt dataanalysproblem. Med maskininlärning kan man göra det i stor skala. Ett exempel är att hitta bedragare som genomför många transaktioner som ligger precis under en viss nivå för kontroller eller beter sig märkligt på något sätt.

Just storskaligheten är viktig eftersom en onlinetjänst kan utsättas hundratals olika bedrägerier, varje i tiotals olika varianter, varje dag. Även mindre avancerade bedrägerier, som att individer vill försäkra bilar som redan skadats kan upptäckas. Ett närliggande fall som inte är bedrägeri är att identifiera betalningsförmåga för personer med låg kreditvärdighet.

4. Lagerhållning
Det är inget nytt att automatisera logistikflöden, men det blir vanligare tack vare maskininlärning. Man kan inte bara analysera försäljningshistorik, utan även hur kunder beter sig när de undersöker produkter online, hur vädret påverkar, med mera. På Amazon hävdar man till exempel att man kan förutse exakt hur många skjortor i olika storlekar och färger som kommer att säljas varje dag.

Läs också: Bättre maskininlärning med maskininlärning – så blir AI-lösningen smartare

5. Ruttplanering
Du har säkert hört talas om handelsresandeproblemet, alltså att hitta bästa vägen mellan flera destinationer. De här tankarna kan appliceras i flera situationer, till exempel för att avgöra var det passar bäst att placera ett nytt köpcenter. I sådana fall kan det vara viktigare att ta hänsyn till tiden det tar att nå en destination, än till avståndet. Hur som helst, det här är en tillämpning som passar för maskininlärning.

6. Förebyggande underhåll
Om maskiner som finns ute hos kunder går sönder så blir kunderna olyckliga. Om man är tvungen att ta ner system för att underhålla dem så sjunker produktiviteten. Det finns åtskilliga skäl att analysera data för att kunna undvika att fel uppstår överhuvudtaget. Den tyska hissgiganten Thyssen Krupp körde maskininlärning på data från 1,1 miljoner hissar och upptäckte bland annat att en servicetekniker ofta kunde fixa flera problem ute på fälten, inte bara de som rapporterats.

Sådana här arbetssätt kommer att bli ännu viktigare i takt med att antalet IoT-lösningar ökar. Antalet enheter ute på fältet ökar snabbt.