bilde: gettyimages/chiefexecutive.net

Vi kan trygt si at maskinlæring er i vinden om dagen. Forsåvidt «AI» også, men begrepet nådde ikke opp i overskriften siden «Artificial General Intelligence» er langt unna, mens maskinlæring virkelig er i vinden. De to blandes dessverre ofte.

Det er veldig lenge siden mennesket begynte å se potensialet i intelligens som evnen til danne nye mønstre av empiri rent filosofisk. Så utviklet mennesket etterhvert vitenskapelig metode for alvor gjennom 1100-1500-tallet, og så fort vi greide å mekanisere regnestaver begynte sannsynligvis drømmen om en konstruert hjerne med evnen til å løse oppdukkende problemer og å være «intelligent».

Ideen om den elektroniske utgaven av en slik hjerne skjøt fart med den første Turing-maskinen i 1936 som et høydepunkt. Med forbedrede maskiner og metoder, samt enorm økning i regnekapasitet – først og fremst i hver enkelt maskin, men ikke minst gjennom sammenkoblingen av dem gjennom internett – regner man i dag ikke lenger kapasiteten som et problem, mens metodene utvikler seg og en maskin som passerer Turing-testen kan bli en realitet. På veien, har vi blitt skikkelig gode på maskinlæring – egentlig et område innenfor «AI» som også inneholder «deep learning», «nevrologiske nettverk» og annet.

Mens Turingtesten er bestått den dagen vi ikke lenger klarer å skille mellom en maskin og et menneske i direkte og naturlig dialog, har maskinene under tiden vist oss hvor mye de kan gjøre som ikke mennesket kan gjøre. Vi har dermed begynt å lære oss å be maskinene hente mer informasjon til oss, fra «dypet». Vi har delvis vent oss til å be maskinene se mønstre og presentere disse for oss på måter vi kan anvende i øyeblikket, og vi kan be dem ta en titt på enorme scenarie-utregninger som vi bare selv kan glemme å få til alene, noensinne, uten maskin-«intelligens».

It’s a common psychological phenomenon: repeat any word enough times, and it eventually loses all meaning, disintegrating like soggy tissue into phonetic nothingness. For many of us, the phrase “artificial intelligence” fell apart in this way a long time ago.

Da er det på tide å minne om et parallellt løp som også har utviklet seg i nær sammenheng gjennom hele det forrige århundret. Og som jeg er redd har blitt så gjentatt og commonplace, at det har mistet ennå mer magi enn AI. Det som begynte som en metodisk tilnærming til å analysere verdiskapnings-prosesser i forretningsverden og som senere ble til Scientific Management og senere igjen Kvalitetsledelse. Det har hatt som grunnide at man gjennom fakta og observasjon kan modellere, hypotese-teste og lære på samme måte som den vitenskaplige metode. Den går i praksis ikke like grundig til verks i hverdagen som vitenskaplig metode brukt i naturvitenskapen – til det skjer endringer i forretningsprosesser altfor raskt og har for mange komplekse faktorer – men den går langt grundigere til verks enn den delen av «økonomi og ledelse» som ikke omhandler kvalitetsledelse, hvorav det dessverre finnes en del.

To forhold har særlig redusert kvalitetsledelse til å blir sett på som mer Operasjonelt enn Strategisk, og redusert profesjonen til en stabsfunksjon. Det ene er den tidkrevende og kanskje ikke så matnyttige delen som håndterer at man beholder diverse verifikasjons-diplomer på veggen; samsvarsanalyse, verifiserte arbeidsmetoder, sertifikater og «compliance management».

Det andre, som er tema her, her den graden av omstendelighet kvalitetsledelse nødvendigvis er gjenstand for, dersom man skal analysere mye data for å ta best mulig beslutninger i en hektisk hverdag. Dette er den samme ressurskrevende operasjonen som maskiner nå kan gjøre så bra, så hvilket er det rette spørsmålet å stille for en moderne bedrift med et stort marked (eller drømmen om et)?

Det rette spørsmålet må være: Hvordan kan vi slå sammen metodikkene og organisasjonene fra de mest erfarne på modellering av komplekse sammenhenger , målekultur og delvis også overordnet tilgang på prosessdata med de som programmerer maskiner og designer noe som potensielt kan gi oss best mulig viten for å ta best mulige beslutninger raskest?

Mitt svar, er at det sannsynligvis betyr å slå sammen kvalitetsavdelingen og maskinlæringsavdelingen, hvis du skulle være så uheldig å ha definert begge to. Å se dem eksistere adskilt fra hverandre, virker i alle fall merkelig. Maskinlæring underbygger flere av de viktigste kvalitetsprinsippene som feks prosessoptimering, faktabasering, system-tilnærmingen og krav og metode for kontinuerlig forbedring. Særlig metoden for kontinuerlig forbedring – som spiller på alle de andre prinsippene – er den metoden som har fått mennesket raskt framover de siste hundre-årene, så det må være lov å spørre seg om ikke denne er helt sentral for suksessen til videre verdiskapende maskinlæring.