AI är ett av de mest använda begreppen i världen just nu. Men vet du vad det egentligen betyder för ert företag? Är det maskininlärning? Är det ChatGPT? Kanske robotar som tar över jobben? Vad är skillnaden på traditionell AI och Generativ AI?
Det beror lite på vilken typ av AI vi pratar om.
Traditionell AI och Generativ AI är nämligen två ganska olika saker, även om de delar samma grundläggande byggstenar. Att förstå skillnaden är därför viktigt när du ska använda AI i ditt företag.
En av de konsulter som jobbar mycket med AI och som varit med och skrivit denna artikel är Aron Södergren.
Vad är traditionell AI?
Vi har jobbat med traditionell AI, som också kallas smal AI eller analytisk AI, i decennier. Det handlar om system som är tränade för att lösa ett specifikt problem.
Maskininlärningsmodeller
Maskininlärningsmodeller, ofta förkortat ML, används för att hitta mönster i data och göra förutsägelser eller bedömningar baserat på historiska exempel. Det kan till exempel handla om en modell som förutser när en maskin i en fabrik behöver repareras, eller en modell som beräknar risken för kundbortfall.
Två vanliga typer av maskininlärningsproblem är klassificering och regression.
Klassificeringsmodeller används för att sortera eller kategorisera data. Ett spamfilter i mejlen är ett enkelt men relevant exempel. Ett mer avancerat exempel är en modell som identifierar misstänkta eller avvikande finansiella transaktioner.
Regressionsmodeller används för att förutsäga numeriska värden eller analysera samband, till exempel hur pris påverkar försäljningsvolym eller hur stor försäljningen väntas bli under en viss period.
Det som ofta utmärker traditionell AI är att modellen tränas för en specifik uppgift och ger ett tydligt, mätbart resultat, till exempel en siffra, en kategori eller en sannolikhet. Ofta används strukturerad data, men traditionell AI/ML kan också användas på ostrukturerad data som bilder, ljud och text.
Skillnaden är då vanligtvis att modellen tränas på en viss typ av data för ett tydligt syfte, till exempel bilder för bildklassificering, ljud för taligenkänning eller historisk försäljningsdata för prognoser. Snarare än att vara byggd för att flexibelt hantera många olika typer av input samtidigt.
Vi på Drake Analytics har arbetat med den här typen av AI länge. Att bygga ML-modeller och avancerade algoritmer för att hitta mönster och insikter i data är en grundläggande kompetens hos oss, och det är teknologi som skapar enormt värde både när det gäller förståelse av data och när det kommer till automationer.
Vad är Generativ AI?
Generativ AI bygger också på maskininlärning, men används ofta på ett annat sätt än mer traditionella ML-modeller. I stället för att främst förutsäga en kategori, ett värde eller en sannolikhet, är generativa modeller tränade för att skapa nytt innehåll. Det kan till exempel vara text, bilder, kod, ljud eller video.
De mest kända exemplen är stora språkmodeller, så kallade LLM, som ChatGPT, Claude och Gemini. De har tränats på mycket stora mängder text och annan data, vilket gör att de kan föra konversationer, sammanfatta dokument, skriva kod och besvara komplexa frågor på ett sätt som tidigare ofta krävde en människa.
En viktig styrka med generativ AI är att den kan hantera ostrukturerad information, till exempel avtal, mejl, rapporter, chattar eller inspelade samtal. En generativ AI-lösning kan tolka innehållet, sammanfatta det och hjälpa användaren att agera på informationen.
En annan stor skillnad är flexibiliteten. En traditionell ML-modell är oftast tränad för en specifik uppgift, till exempel att förutsäga kundbortfall eller klassificera transaktioner. En stor språkmodell kan däremot användas i många olika typer av uppgifter, exempelvis som assistent, kodstöd, dokumentgranskare eller kreativ samarbetspartner.
Samtidigt kräver generativ AI rätt arbetssätt för att skapa verkligt värde. För att lösningen ska bli effektiv behöver den kopplas till rätt data, rätt processer och tydliga användningsfall.
Vad är skillnaderna i praktiken?
Det enklaste sättet att förstå skillnaden är att se på vad respektive teknik gör bäst:
Traditionell AI utmärker sig när du vill ha förutsägbara, mätbara svar. Den passar utmärkt för att prognostisera försäljning, identifiera avvikelser, automatiskt kategorisera transaktioner eller förutsäga kundernas nästa steg.
Generativ AI passar när du behöver hantera språk, dokument och ostrukturerad information. Den passar för att sammanfatta långa texter, besvara frågor om intern dokumentation, granska avtal, skriva utkast och bygga konversationsbaserade gränssnitt.
De här teknikerna konkurrerar inte med varandra utan kompletterar varandra för ett mer effektivt företag. Generativ AI kan vara ingångspunkten som gör data mer tillgänglig, medan traditionell AI ger de precisa, statistiskt robusta analyserna som driver datadrivna beslut.
Hur kan jag kombinera traditionell AI och generativ AI?
I vårt jobb möter vi många verksamheter som är nyfikna på AI men osäkra på var de ska börja. Ofta handlar förvirringen om att man blandar ihop de två typerna, eller tror att generativ AI ersätter allt som kom innan.
Båda har sin plats, och att använda fel verktyg för fel uppgift kan bli dyrt. En generativ modell är inte rätt val om du behöver en statistiskt prognos. En klassisk ML-modell är däremot inte rätt val om du vill att dina anställda ska kunna ställa frågor till era interna dokument i ett naturligt gränssnitt.
Det handlar om att förstå vilket problem du faktiskt försöker lösa, och sedan välja rätt teknik för jobbet. Det är precis den typen av frågor vi på Drake Analytics hjälper er att besvara varje dag.
Hur fungerar AI-agenter?
Den riktigt spännande utvecklingen just nu är hur traditionell AI och generativ AI börjar smälta samman i vad som kallas AI-agenter. En agent kan kombinera förmågan att förstå naturligt språk med förmågan att utföra strukturerade analyser, hämta data från system och fatta beslut baserat på logik.
Tänk dig en agent som tar emot en fråga om hur er försäljning ser ut i en viss region, hämtar data från ert BI-system, kör en analytisk modell och sedan svarar med en tydlig sammanfattning och rekommendation.
AI-agenter kan skapas med hjälp av verktyg som Copilot Studio, Azure AI Foundry, LangChain, Semantic Kernel eller skräddarsydda lösningar byggda direkt mot olika språkmodeller och interna system.
På Drake jobbar vi med dessa verktyg men bygger också helt unika och personliga agentlösningar och skräddarsydda arkitekturer för våra kunder.
Prediktiv AI i Qlik
Ett konkret exempel på hur traditionell AI kan bli tillgänglig för fler är vårt eget erbjudande Qlik Predict Enablement Package (QPEP). Det är ett paket vi på Drake Analytics har tagit fram för dig som vill börja använda Qlik Predict och arbeta med AutoML, men kanske inte vet hur man tar det första steget.
Qlik Predict är Qliks no-code-lösning för prediktiv analys och maskininlärning. Det handlar alltså om klassisk, analytisk AI, fast med ett gränssnitt som gör det möjligt att bygga och använda ML-modeller direkt i Qlik-miljön, utan att behöva skriva en enda rad kod eller byta verktyg.
Med Qlik Predict kan du bland annat förutse kundbortfall, prognostisera försäljning, identifiera riskkunder och förutsäga betalningsförseningar. Det är precis den typ av strukturerade, mätbara förutsägelser som traditionell AI är byggd för att leverera, men nu med en tröskel som är betydligt lägre än tidigare.
QPEP innehåller en Qlik-applikation med praktiska övningar och exempel, förberedande material samt guider och handledning framtagna av våra egna data scientists. Målet är att du ska kunna gå från noll till fungerande prediktiv analys i din organisation på kortast möjliga tid.
Besök vår hemsida för att lyssna på en av våra Data Scientist, Helene van Ettinger-Veenstra, då hon berättar mer om QPEP.
Börja jobba med AI
Vill ni veta mer om hur AI kan skapa värde i er verksamhet? Hör av er, så tar vi ett samtal om vilken sorts AI-lösning passar er bäst!
Och om ni vill kan ni följa vårt arbete på LinkedIn. Följ oss här!
