Kuvittele pokeripeli, jossa et näe vastustajiasi, et näe heidän korttejaan etkä tiedä heidän panoksiaan. Ainoa asia, jonka saat tietää, on voititko vai hävisit. Et koskaan kuinka paljon.

‍

Juuri tätä peliä asiakkaamme pelaa joka päivä. Heidän liiketoimintansa pyörii suljettujen huutokauppojen ympärillä, joissa alin hinta voittaa, mutta kukaan ei kerro mitä kilpailijat tarjosivat.

He tulivat luoksemme ja pyysivät algoritmia, joka voittaa tämän pelin. Me sanoimme kyllä. Ja sitten me mokasimme.

Ensimmäinen yritys oli fiasko

Rakensimme hienon koneoppimismallin, syötimme sille kaiken historiallisen datan ja laitoimme sen tuotantoon.

Mitä tapahtui? Ei mitään. Kirjaimellisesti ei mitään.

Malli toisti täsmälleen samaa hinnoittelua, jota asiakas oli aina käyttänyt. Olimme rakentaneet kalliin tavan tehdä sitä, mitä he jo tekivät.

Tässä vaiheessa useimmat olisivat luovuttaneet. Asiakas olisi voinut sanoa, että tekoäly ei toimi heille. Me olisimme voineet sanoa, että data ei riittänyt. Mutta me emme luovuttaneet.

Sen sijaan kysyimme: miksi?

Vastaus oli yksinkertainen. Malli osasi ennustaa, mutta se ei osannut optimoida. Se katsoi taaksepäin eikä kokeillut mitään uutta.

Niinpä rakensimme sen päälle toisen kerroksen: sääntöpohjaisen virityskerroksen, joka teki kolme asiaa.

1. Se vertasi tuloksiamme vanhaan järjestelmään reaaliajassa
2. Jos aloimme häviämään, se laski hintoja automaattisesti.
3. Ja se oppi, mitkä tuotteet kestävät korkeamman hinnan ja mitkä eivät.

Yksinkertaista, mutta toimivaa.

Tulokset olivat järjettömät

Toinen pilotti muutti kaiken. Kannattavuus nousi 15–20 prosenttia ja myyntivolyymi kasvoi 10 prosenttia. Samaan aikaan.

Normaalisti nämä kaksi asiaa sotivat toisiaan vastaan. Nostat hintoja, menetät myyntiä. Lasket hintoja, menetät katetta. Mutta tekoälymme löysi ne tuotteet, joissa vanha hinnoittelu oli pielessä. Se laski hintaa siellä, missä hävisimme turhaan, ja nosti siellä, missä jätimme rahaa pöydälle.

Projekti maksoi muutaman kymppitonnin. Se tuottaa nyt jatkuvaa lisäarvoa kuukausi toisensa jälkeen.

‍

Tämän projektin tärkein opetus ei liittynyt algoritmeihin tai dataan. Se liittyi sinnikkyyteen.

Jos tekoälyprojekti "epäonnistuu", älä hautaa sitä. Kysy miksi ja kokeile uudestaan. Ensimmäinen malli harvoin toimii. Se on normaalia. Mutta jos luovutat ensimmäisen takaiskun jälkeen, et koskaan saa tietää, mitä toinen iteraatio olisi voinut tuottaa.