Da IBM’s Deep Blue i 1997 slog Garry Kasparov i skak, var der meget snak om, at maskinerne ganske snart ville blive klogere end mennesker. Det viste sig dog hurtigt, at maskiner, der kunne slå stormestre i skak, stadig ikke kunne finde ud af noget så simpelt som at tale, genkende billeder eller køre en bil.
Man accepterede hurtigt, at skak var et logisk spil, som nemt kunne spilles af logiske computere, men når det kom til dybt menneskelige egenskaber som kreativitet, intuition og mønstergenkendelse, så ville vi altid være maskinerne overlegne.
Træk 37
Den idé om menneskelig overlegenhed døde dog ved træk 37. Nærmere bestemt træk 37 i et Go-spil mellem verdens førende Go-mester Lee Sedol og Googles Deepmind-computer. Træk 37 var et fuldstændig usandsynligt træk! Deepmind havde selv regnet ud, at kun 1 ud af 10.000 af verdens bedste Go-spillere ville spille træk 37, og alligevel valgte Deepmind at spille træk 37.
Deepmind havde spillet flere millioner spil mod sig selv, og i løbet af de spil havde den lært sig selv, at træk 37 i netop denne situation ville være det bedste træk. Den havde genkendt et mønster og brugte sin maskinlærte intuition til at oversætte dette mønster til at vindende træk.
Et træk, som ikke bare afgjorde kampen, men som også fjernede den sidste tvivl om, at maskiner kunne være kreative og intuitive.
AI er her allerede
Go-spillet i marts 2016 var på den måde også et forvarsel om, hvad der venter os i den kreative branche, når AI for alvor gør sit indtog. Og hvis man skal dømme efter dagsordenen på Adobe Summit – Adobes årlige marketing-event for ca. 5.000 kreative sjæle som blev afholdt i London i sidste uge – så er indtoget allerede begyndt.
På Adobes konference var der kunstig intelligens alle vegne, og det var ikke bare fordi begrebet er tidens helt store buzzword, det var vitterligt fordi stort set alle Adobes løsninger indeholdt elementer af kunstig intelligens – eller mere præcist maskinlæring.
Der var maskinlæring, der kunne hjælpe marketingfolk med at finde og holde styr på store mængder af indhold, der var maskinlæring, der kunne hjælpe med at skabe og manipulere billeder og video, og der var maskinlæring, der kunne hjælpe med at segmentere målgrupper og personalisere indhold.
Kampagnen der (næsten) laver sig selv
Forestil dig, at du skal lave en kampagne for en ny sommerlig læskedrik. Du starter med at lave et moodboard, hvor du skal bruge billeder der handler om sol, sommer, strand, glæde, ungdom og energi.
Du propper alle disse ord ind i Adobes kunstige intelligens Sensei og beder den om at finde relevante billeder – enten fra jeres egen billeddatabase eller fra Adobes mange stockphotos.
Sensei finder relevante billeder, og du udvælger de 20 bedste, hvorefter Sensei hjælper dig med at komponere dem på en måde, som virker rigtig til moodboardet.
På grundlag af moodboardet udvælger I ét billede, du godt kan lide til kampagnen, og herefter beder du Sensei om, at finde lignende billeder, men udelukkende billeder, som tidligere har skabt en høj grad af engagement hos rigtige brugere.
Sensei finder 10 gode billeder og du laver herefter landingsider, bannere, social media assets og så videre. Du behøver dog kun lave det første banner, for Sensei sørger selv for at lave de resterende assets, så tekst og billede bliver komponeret helt rigtigt til de forskellige formater.
Du har lavet ti forskellige assets, og du vil gerne teste 10 forskellige tekster og 10 forskellige billeder, så du har med andre ord 10x10x10=1.000 forskellige versioner af jeres kampagnemateriale.
Det er dog ikke det store problem, for Sensei kan hjælpe dig med at regne ud, hvilket materiale, der konverterer bedst, for hver enkelt bruger. Sensei tester forskelligt indhold på forskellige brugere, og regner herefter ud, hvilket indhold der konverterer bedst og sørger så selv for at præsentere det rette indhold til de rette brugere.
Styr på data
Et sådan scenario ser selvfølgelig dejligt nemt ud, når det præsenteres af én af Adobes produktspecialister i en gennemstuderet demo, og virkeligheden er naturligvis også, at meget af Adobes kunstige intelligens forudsætter en virksomhed, som virkelig har styr på sine data og sine assets og som helst anvender Adobes fulde pakke af marketingløsninger.
Maskinlæring er afhængig af data, og hvis man har dårlige data, så får man også dårlige resultater. Og selvom mange virksomheder bliver bedre og bedre til at indsamle og organisere data, så er der stadig lang vej for de fleste virksomheder før, de kommer ind i den kreative maskinlæringshimmel.
Ikke desto mindre var Adobe Summit en øjenåbner i forhold til, hvor den kreative branche er på vej hen. Her er fem klare konsekvenser af maskinlæring i den kreative branche:
1. Fritskraberen er død. De meget rutineprægede job i den kreative branche kommer til at forsvinde nedefra og op. Lever du af at fritskrabe billeder, versionere bannere eller sætte A/B tests op, så er det en god idé at begynde at læse Kforums jobannoncer mere intensivt. Det betyder også, at mange entry-level jobs i den kreative branche forsvinder, og at uddannelsesinstitutionerne skal begynde at revurdere, hvilke kvalifikationer, der er vigtige for deres nyuddannede kandidater.
2. Den kreative produktivitet vil blive mangedoblet. Ved hjælp af kunstig intelligens vil vi kunne producere absurd meget mere kreativt indhold, men det betyder ikke, at kreative vil blive arbejdsløse, for vi ser samtidig en endnu større stigning i efterspørgslen efter indhold. Vi skal være til stede på flere og flere platforme, og med 1:1 personalisering skal vi producere uendeligt meget mere indhold for at ramme vores brugere med det rette indhold. Det kan faktisk kun lade sig gøre med kunstig intelligens!
3. Kreativitet vil få en ny betydning. Fortidens kreative var dem, der var gode til at finde mønstre og sammenhænge, som var usynlige for alle os andre, men dette er netop, hvad maskinerne er blevet gode til. At være kreativ i maskinlæringens tidsalder betyder, at man skal være en kentaur (et blandingsdyr), som evner at bruger maskinerne til at finde mønstre og sammenhænge, hvorefter man bruger disse maskingenerede kreative indsigter til at få idéer, som resonerer og vækker genklang i den menneskelige verden – en verden som maskinerne stadig forstår ret dårligt.
4. Teknologisk musikalitet. Som kreativ nytter det ikke noget at betragte computere som logiske regnemaskiner, som er den diametrale modsætning til kreativitet. Du er nødt til at se kunstige intelligenser som din partner, hvilket også betyder, at du er nødt til at forstå, hvordan de virker – i hvert fald på et overordnet plan. Du er nødt til at udvikle en teknologisk musikalitet, hvor du taler maskinens sprog og kan svinge den rundt som en ligeværdig partner i den kreative dans. Du behøver måske ikke at kunne tale Pythonsk, men du bør i det mindste kende forskellen på random forrestsog neurale netværk.
5. Strukturerede data er guld. Nogle af verdens mest værdifulde virksomheder er værdifulde, fordi de har mange data, de har styr på deres data, og de formår at bruge maskinlæring til at få værdi ud af deres data. Det samme kommer til at gælde stort set alle andre virksomheder. Har du ingen data, eller har du slet ikke styr på dine data, så kan du heller ikke få gavn af maskinlæring. Den øverste person på marketingchefens ansættelsesliste bør derfor være data-nørden, som kan hjælpe virksomheden med at få styr på data.
Kunstig intelligens er et værktøj
Når man taler om kunstig intelligens, er der ofte folk, der frygter, at maskinerne kommer til at gøre os alle arbejdsløse. At de kunstige intelligenser en dag vil blive så kloge og så kreative, at der ikke vil være noget arbejde tilbage for gammeldags kreative mennesker.
Det er dog ikke en frygt, man genfinder hos de folk, der faktisk arbejder på frontlinjen af maskinlæring og kunstig intelligens.
Jeg har nu interviewet adskillige eksperter, forskere og praktikere på området, og når man spørger dem, om maskinerne en dag bliver så kloge, at vi alle bliver arbejdsløse, kigger de bare uforstående på én.
I deres verden er maskinlæring en hammer – en avanceret hammer, men ikke desto mindre bare et værktøj, som i sin essens ikke er anderledes end alt andet værktøj, som mennesket har opfundet gennem årtusinder.
Det er et nyt værktøj, som kræver nye kompetencer, og man kan hamre sig over fingrene på helt nye måder, men det er ikke et magisk værktøj, som pludselig en dag begynder at arbejde af sig selv.
