Kunstig intelligens vs mennesker
Professor i filosofi, Einar Duenger Bøhn, brenner for å gjøre oss bedre i stand til å forstå implikasjonene KI vil ha for samfunnet vårt. Han startet med å ta oss med på en tur gjennom marka med hengekøye og ideen om å navigere etter sola for å finne veien hjem. 2-3 fine dager i marka med senkede skuldre, god tid og fine samtaler. Dønn til stede. Mestring og nærhet. Kommunikasjon på en annen måte – uten teknologi. Men hva skjer på den samme turen når vi bruker teknologi? Apper, smartklokke, Google Maps. Vi har blitt for avhengige. Vi blir stressa når vi ikke har dekning. Det skal gå kjapt. Kanskje hadde vi klart å «gønne på» strake vegen hjem på en dag, uten overnatting. Vi mister verdien av samhold og en helt annen måte å være sammen på. Det blir «Varme og kjærlighet» VS «kulde og effektivitet».
Jo mer vi bruker teknologi, jo mer avhengig blir vi, men vi mister evnen til å tenke og gjøre selv. Vi får et stort meningstap som over tid gjør at vi mister mye. Vi ble minnet på at vi ikke må gå glipp av hva som er poenget med skogturen.
For første gang i historien har vi skapt teknologi som utvikler seg selv. Hva sier vår holdning til KI om vår egen selvforståelse? Og hva gjør folk så skeptiske? Er det redselen for at roboter skal ta over verden, eller er det noe dypere, nemlig frykten for hva KI kan fortelle om oss selv? Og har man lik tilnærming til KI overalt i verden?
Duenger Bøhn poengterte at KI bare er en form for kjedelig teknologi, egentlig bare matematisk statistikk. Teknologi er sammensatt av «Techne» + «logos» = Læren, prinspippene, sannheten, ordet om det å skape noe. Techne handler om en skapende holdning til det vi driver med. I det vi skjønner hva vi faktisk gjør, så lærer vi noe. Ikke bare følge en oppskrift eller memorere noe, men faktisk å forstå hva og hvorfor vi gjør det vi gjør. – Teknologi er en form for hybrid mellom kunnskapen og praksisen, implementering av maskiner og teknikker for å løse et problem. Teknologi er et verktøy, akkurat som en hammer er et verktøy som kan brukes til noe. Slik handler teknologi også om problemløsning, fortalte han.
– Maskinlæring trener på å se mange mønstre og kan svare statistisk ut fra hva den har lært. Generativ AI, som for eksempel Chat GPT, genererer en ny tekst, selvstendig, på en ny måte, basert på teknikker. Den lager ting på egen hånd, uten at vi trenger å være involvert.
Men hva skjer når vi ikke selv er involvert? Teknologi som løser problemer automatisk for oss skaper en form for digital fremmedgjøring, fordi vi ikke er involvert i selve prosessen.
Kommer vi til et slags metningspunkt? Vil AI/KI bidra til å demokratisere verden? Neppe! Kanskje blir det bare mer manipulasjon. Alle kan skaffe seg informasjon, men hvem skal sile ut og sortere informasjonen? Vi? Eller maskinene?
Racing to an AI Future: Learning from Past Research Mistakes and Blunders
Jon Puleston, Vice president of Innovation i Kantar, snakket om hvor viktig det er å lære av våre feil når vi nå suser av gårde mot en AI-drevet fremtid. Hvor flinke er vi til å lære av feil når vi utfører forskning og analyserer data? Hva er verdt å huske på? Og hvor går veien videre?
– Hvis markedsundersøkelser skal brukes som kilden til sannhet for AI-løsninger må vi få orden i «vårt eget hus», sa Puleston. Vi må fortsatt jobbe for å sikre høyest mulig kvalitet og representative utvalg og at forskningen vår gir pålitelige, objektive svar.
Han tok oss gjennom noen av forskningens største tabber og noen av de største feilene vi alle kan gjøre i vårt forsøk på å finne sannferdige og pålitelige svar. Og han beskrev typer av feil som enten kan forsterkes eller rettes ved hjelp av AI, avhengig av hvilke veier vi velger å ta. For hvordan kan KI forsterke eller forminske våre feil? Trenger vi ikke å gjøre research lenger? Tror vi virkelig at KI kan forutsi visse ting? Tror vi at KI kan predikere fremtiden?
Pulestone tok oss med på en faglig reise gjennom de siste 100 årene, der hver av de nye metodene som har blitt tatt i bruk, har fortalt at vi ikke har trengt å gjøre tradisjonell research lenger. Innovasjoner har vokst sakte frem; leseundersøkelser, avdekking av forbrukernes ubevisste ønsker, fokusgrupper, testing av reklame, blindtester, nettbaserte undersøkelser, datamodellering, tekstanalyser fra sosiale medier, prediksjonsmarkeder og ensemblemodellering innenfor datavitenskap og prediktiv analyse, big data mm.
Puleston påpekte at maskinlæring og AI har potensiale til å finne bedre løsninger, men kan bare være like gode som treningsdataene de er foret med. Han fortalte også at AI vil øke etterspørselen etter stadig mer nøyaktige treningsdata.
I sammenheng med analyse og markedsundersøkelser, er “LLM” en forkortelse for “Longitudinal Linking Method,” en metode som brukes for å knytte data fra flere tidspunkter eller kilder over tid. Dette kan være relevant for å forstå trender, sammenhenger og utviklinger innenfor markedsundersøkelser og forbrukeratferd. Puleston ville imidlertid «blitt sliten» av å bruke LLM til å lage syntetiske data, men han vil gjerne bruke LLM daglig til å analysere data i løpet av 2024. Videre vil han ikke bruke AI til å fylle ut datahull/skalahull utenfor statistikkens grenser.
Pulestone vil heller ikke i overskuelig fremtid benytte AI til å forutsi ting utenfor modellomfang, da vi trenger mye treningsdata for å være pålitelig og vi må unngå nettverksfeil. Han tror ikke AI kan leve uten LLM sin rolle i research/forskning. LLM vil helt klart være viktig for å utvikle research/forskning mer effektivt, oppsummere, analysere og tilrettelegge for å forske raskere og mer effektivt.
Hvordan bruke AI til å sikre effekten av annonsering?
Kampen om oppmerksomheten var temaet da Thomas Z. Ramsøy, Adm dir i Neurons Inc, og Pernille Vermedal Høgh, Head of Insights & Effects i Schibsted, gikk på scenen.
– Det er viktigere enn noen gang å lage god reklame som ikke forsvinner i mengden eller bare er irriterende, fortalte de. For folk flest har verken tid, lyst eller interesse av å se reklamen din.
Schibsted har siden 2021 samarbeidet med og benyttet Neurons sitt AI-verktøy Predict, som predikerer hvordan oppmerksomheten er på kreativt materiell. Vi fikk et innblikk i hvordan man har kombinert markedsføringsteori, forbrukerpsykologi og nevrovitenskap under utvikling av løsningen. De fortalte også hvordan verktøyet kan brukes i rådgivningen av kundene og hvilke anbefalinger de gir for at kundene skal kunne optimere annonsene sine slik at de oppnår størst mulig effekt.
Ramsøy og Vermedal Høgh fortalte at vi nærmer oss et absolutt nullpunkt for reklamehukommelse og viste oss at de 4 viktigste grunnene til at de fleste reklamer feiler er at:
- 82% av innhold ignoreres
- Opp til 64% av reklamer skaper negative følelser
- 47% av alle reklamer ses som irrelevante og forstyrrende
- 99,4% av reklamer glemmes
– Vi husker kanskje reklamen, men vi glemmer brandet. Forbrukere blir eksponert for langt flere merkevarer enn før. Det er høy støyfaktor og vi utvikler en immunrespons til reklame og merkevarer – vi styrer rett og slett unna reklamen.
Et spørsmål var om løsningen er GenAI (generativ kunstig intelligens)? De viste til at 90% av alle beslutninger er ubevisste. Vi er blinde for det meste, og blinde for hvorfor vi velger som vi gjør. Og tradisjonelle mål som hviler på bevisste svar er ikke veien frem. Så hva er det som stopper oppmerksomheten din? Hvordan engasjerer du folk emosjonelt? Hva med kognisjon og hukommelse?
Med Predict kan man gå fra måling til forutsigelse: Predikere med høy presisjon, fra 2-3 uker til 10 sekunder ved hjelp av AI/KI. Løsningen er enkelt forklart en samling av AI-modeller som trenes på et globalt sample av forbrukere, og kan forutsi noe om oppmerksomhet, emosjoner, kognisjon (forståelse, forvirring) og hukommelse (reklame, brand).
Utfordringene med neuromarketing er blant annet at det er for langsomt: Vi har bruk for beslutninger her og nå, ikke om 2-4 uker. Det er for dyrt: Ofte mer enn NOK 100 000 eller mer for et fullt studium. For komplekst: Man må investere tid for å forstå hva resultatene betyr, og hva man kan gjøre med dem. Det er ikke skalerbart: Vanskelig, tidkrevende og dyrt med gjentakelser.
Tradisjonelle marketing-effekter måles mest med «lagging indicators» (99% av all KPI-tracking) – alltid et skritt bak og etter lansering av kampanjer. Det nye konkurranseparameteret er å bruke AI med indikatorer som kan forutsi markedseffekter på minutter eller sekunder. Verktøyet brukes for å preteste og optimalisere kampanjer og materiell før man kjører. Og det gir bedre resultater: Opptil 20% stigning i brand awareness. Opptil 29,5% CTR-stigning. Opp til 55% stigning i konvertering. Og opp til 22% besparelser i tid og kostnader.
Med henvisning til en Nielsen-rapport fra 2017 kunne de fortelle at de ulike markedsføringselementers effekt på salg er: 47% kreativitet, 15% brand, 22% rekkevidde, 5% nylig, 9% målretting og 2% kontekst. De understreket også at Predict kan se mye, men ikke alt: Hva det står i teksten, hvor god historiefortellingen er, hvor kjent merkevaren er, distinkte eller særpregede merkevareelementer eller hvor relevant konteksten er.
Rådene de oftest gir, basert på Predict, er:
- Plasser logo et annet sted, ikke i dødens hjørne nede til høyre.
- Hold det enkelt, men ikke for enkelt.
- Kast bare en ball av gangen så målgruppen klarer å fange den.
- Ikke for mange elementer, husk at oppmerksomheten bare er 1-2 sek på displayannonser.
- Fokus på hovedbudskapet, sikre deg at folk ser det viktigste. Med små justeringer kan fokus på hovedbudskapet økes!
- Test flere versjoner av annonsen, prøv ulike plasseringer for merkevaren, produktet, budskapet og andre elementer.
- Test igjen og igjen og igjen, KI-modellene har stadig blitt bedre, men vi må teste mange nok og samle mye nok data for å finne gode mønstre.
- Hver annonse er unik og selv om det finnes tommelfingerregler, er det viktig å se de spesifikke resultater for hver annonse.
Fra Oversikt til Innsikt: AIs rolle i analysebransjen
Fredrik Petterson, teknologidirektør & Sebastian F. Haarbye, analytiker i ANFO, holdt foredrag om kunstig intelligens (KI) og artificial intelligence (AI), to begreper som ofte brukes om hverandre. Men det er noen forskjeller mellom dem: I korte trekk er KI et bredere begrep som inkluderer AI, mens AI er en type KI som fokuserer på å gi datamaskiner evnen til å utføre oppgaver som vanligvis krever menneskelig intelligens. De fortalte at disse teknologiene forventes å bringe store endringer til en rekke bransjer, også for analysebransjen. I løpet av det siste tiåret har kunstig intelligens blitt integrert i alle aspekter av samfunnet og livene våre. KI og AI er over alt.
– Med «Generativ AI» kan vi generere nye data basert på eksisterende data og mønstre, som for eksempel å generere realistiske bilder, lyd, video eller tekst. Modellene lærer seg hele tiden å bli bedre, fortalte de. Og det foregår i et vanvittig stort tempo. Vi ser allerede gode eksempler på at bruk av kunstig intelligens kan fremme kreativitet, og det finnes mange ulike generative AI-løsninger som kan gi deg forslag på nesten hva som helst. Det kan brukes til research, analyser og idéarbeid. Den kan vise hvordan den har tenkt logisk, også med kode, om du ønsker det.
Men hvor sikker kan vi være på det som kommer ut? Hva kan vi forvente hvis AI’s evner innen datahåndtering og forståelse av mønster, utvikler seg like mye som innen tekst- og bildeteknologi? Og kan de ulike maskinene etter hvert lære av hverandre? Det vil tiden vise.
Fredrik og Sebastian ga oss disse tipsene:
- Ikke last opp filer eller data som inneholder sensitiv eller privat informasjon
- Vær tålmodig
- Vær detaljert
- Juster misforståelser og feil
- Spør om analysemuligheter, hypoteser
- Spør om fordeler og ulemper ved metode og i funn
- Hvis du står fast og GPT ikke klarer å fortsette, start opp i et annet chatvindu
- LAGRE, LAGRE, LAGRE!!!
Les også:
Siste oppsummeringer fra Analysedagen
Oppsummering fra panelsamtalen
Professoren & Praktikern: Kan vi stole på hva folk sier – også i spørreundersøkelser?