Digitale assistenter
Allerede nu ser vi flere AI-algoritmer i form af digitale assistenter. Disse kan assistere en offentlig sagsbehandler, der skal vælge den bedste indsats til et udsat barn eller til en investor, der skal omlægge sin aktieportefølje. Det kan også være til en læge, der på baggrund af diagnoser skal foreslå behandlingsformer.
Profilering
Ved profilering anvender man algoritmen til at sætte en label på fx sager, kunder eller klienter for at målrette en indsats. Det kan fx være i forsikringsselskaber, hvor hver kunde får en profil/label ud fra en risikobetragtning. Denne profil har fx betydning, når en forsikringspræmie skal fastsættes, men også når kunden indsender en skadesanmeldelse. Hvis kunden har en lav risikoprofil, så vil forsikringsselskabet bruge få ressourcer på behandlingen, mens en høj risikoprofil betyder en uddybende behandling af skadesanmeldelsen. På denne måde målretter og effektiviserer man indsatsen.
Proces automatisering
Stadig flere organisationer anvender Robotic Process Automation (RPA), hvor man lader en software robot varetage betjeningen af eksisterende it-systemer. Således kan en software robot udføre standardiserede sagsgange 24/7 i forhold til en række systemer og dermed sikre kvalitet og effektivisering. Nogle sagsgange implicerer vurderinger og afgørelser, som normalt vil blive udført af en ekspert eller sagsbehandler. Disse vurderinger og afgørelse kan man lade understøtte af algoritmer baseret på kunstig intelligens og dermed løfte automatiseringsgraden.
Optisk genkendelse
AI bruges til optisk genkendelse i mange forskellige sammenhænge. Fx i forbindelse med optisk kvalitetssikring af svejsninger, identifikation af fodgængere og omgivelser fra selvkørende bilers video, læsning af fakturaer og genkendelse af personer i videoovervågning.
Natural Language Processing
Natural Language Processing (NLP) er oversættelse af talt sprog til tekst. Denne tekst kan derefter analyseres således, at den skaber en mening. Det anvendes fx i telefonbetjening, i talestyrede enheder og i chatbots. I både optisk genkendelse og NLP anvendes mønstergenkendelse, der understøttes af en teknologi, der kaldes ‘neurale netværk’.
Prædiktive modeller
AI anvendes også til at skabe prædiktive modeller, hvor fx vedligeholdelsen af produkter effektiviseres. Det kan fx være en elevator-producent, der implementerer sensorer i elevatorerne, der måler på rystelse ved de glidemekanismer, der skal sikre en stabilisering af elevatoren i elevatorskakten. AI-modellen er trænet til på den måde at aflæse mønstre i sensor-signaler og kan afgøre, om det er tid til at udskifte komponenter inden de bryder sammen eller bliver for slidte. Herved kan servicering ske forebyggende og omkostningsfulde nedbrud kan undgås.