Beredd på det oväntade

AI, artificiell intelligens, är ett nytt redskap i verktygslådan för företag som vill göra bättre prediktioner. Men det finns fallgropar, enligt Olle Engdegård, chef för prediktiv modellering på UC.

Detta är en annons från UC

Vi befinner oss mitt i en tvådelad ekonomisk kris i kölvattnet av coronapandemin. Att ha god kunskap om kundernas kreditvärdighet är mer betydelsefullt än någonsin. 

– Just nu är det extra viktigt för företag att inte bara luta sig tillbaka utan att se till att man har uppdaterade kreditprocesser, säger Olle Engdegård.

Först drabbades specifika branscher väldigt hårt, resor och hotell, till exempel. Sedan har vi fått vi en mer allmän dämpning i ekonomin som sprider sig till de flesta företag. Den här andra fasen är mer lik en vanlig lågkonjunktur.

Olle Engdegård, som har en bak­grund som forskare i fysik, är specialiserad på avancerade prediktionsmodeller på UC. Mycket går att beräkna, men inte allt.

– Vi arbetar med risker som man kan beräkna. Men det finns också en klass av risker som man inte kan beräkna sig fram till. Den som brukar kallas för svarta svanar, oväntade händelser som får oproportionerligt stor betydelse. 

Men också oväntade händelser behöver man ha någon slags beredskap för. För den som arbetar med riskhantering kan statistikdrivna datormodeller snabbt göra det möjligt att få överblick över större trender. Det kan handla om konsumtionsmönster som förändras dramatiskt eller specifika delar av ekonomin som plötsligt får problem.

– Statistikdrivna modeller som har sin grund i stora mängder data kan göra det möjligt att reagera snabbare när oväntade saker inträffar.

Ibland kallas den här typen av modeller AI, artificiell intelligens. Men det är ett problematiskt begrepp, anser Olle Engdegård. 

– Det används om så mycket, från relativt enkla statistiska prediktiva modeller till chatbotar och avancerade machine learning-algoritmer.

Just nu är AI ett populärt begrepp. Det har blivit en del av konsultvokabulären, ett argument för att dra till sig pengar och sälja in dyra satsningar. Och som med många hajpade begrepp kan det ibland vara oklart vad som menas. Men Olle Engdegård betonar att det är viktigt att tydligt definiera vilka problem som ska lösas.

– Det finns ingen anledning till varför just den här tekniken ska vara höljd bakom en dimridå.

Under en period har det lagts stora pengar på AI-projekt, ibland utan att man riktigt har vetat vad man ska ha dem till. Men nu stramas det åt. 

– Det kommer att ställas högre krav på att man vet vad man vill och vad man betalar för.

För att skapa ett fungerande AI-system krävs stora mängder data. Olle Engdegård menar att många underskattar arbetet med den förberedande datahanteringen.

– En vanlig uppfattning är att det stora arbetet handlar om utveckla prediktionssystemet. Men i praktiken lägger man alltid mer resurser på att bygga infrastrukturen. Data måste samlas in och bearbetas, tvättas och filtreras för att man ska kunna använda dem.

Och det krävs att du förstår dina data. Oavsett om det är strukturerade datapunkter i excelblad eller ostrukturerad data i form av text, tal och bilder.

– Om man ska bygga ett prediktionssystem kommer man aldrig ifrån att förståelsen av informationen är A och O. Det fungerar inte så att man kan  hälla ner sina data i en tratt och få ut det man vill.

Avancerade prediktiva system är inte det bästa i varje givet läge. Därför är det viktigt att  ha klart för sig vad man egentligen ska ha systemet till. Behövs verkligen ett stort machine learning-system, eller duger det med en enklare modell som kompletterar de statistiska system man redan har?

– Ju enklare man gör systemen, desto lättare är det att greppa dem. Ju mer komplexa system man utvecklar, desto viktigare är det att man använder informationen på rätt sätt. Data är svårt och kräver stor förståelse.

En avancerad machine learning-algoritm är lite som en svart låda – svår att fullt ut få inblick i. Och ett AI-system är aldrig bättre än den data som det matas med. I den bästa av världar kan AI-system bli verktyg som hjälper oss att ta helt fördomsfria, objektiva beslut, men det kan också bli tvärtom. I värsta fall kan AI-system reproducera diskriminering. 

– Ett system för ansiktsigenkänning visade sig till exempel väldigt bra på att känna igen vita män, men inte lika bra på att känna igen färgade kvinnor. Det hade inte de vita, manliga ingenjörerna som hade skapat systemet tänkt på. Man måste ha klart för sig att den data man utgår ifrån måste vara representativ. Och att man alltid har ansvar för vad systemet gör.

Olle Engdegård, chef för prediktiv modellering, UC
Olle Engdegård, UC

”Vi arbetar med risker som man kan beräkna. Men det finns också risker som man inte kan beräkna sig fram till.”

Tre trender inom kredit­värdering

Ökad konkurrens

Den svenska kreditmarknaden börjar bli trång med allt fler aktörer. Många vässar sina processer genom kreditscoring och avancerade prediktionssystem, ibland med AI. Sedan pandemin tvingas många se över sina strategier.

Större förståelse för persondata

GDPR har tvingat fram ökad förståelse för persondata och hur man hanterar den. Allt fler inser att det inte bara räcker med samtycke, det finns en rad andra regler som måste uppfyllas, att man till exempel skyddar informationen och bara använder den till klart definierade ändamål.

På väg in i lågkonjunktur

När vi nu går in i en låg­konjunktur kommer vi att se större kredit­förluster. Hittills har pandemin drabbat enskilda branscher, men snart kommer spridnings­effekterna. Kraftigt minskad tillväxt i omvärlden kan till exempel innebära svagare orderingång för svenska industriföretag.