HUMANIZING AI: Real human data to generate and predict real innovation success
Ved å integrere AI i innovasjonsprosessen kan vi øke hastigheten og potensielt også suksessraten for nye innovasjoner. Men det er hvordan vi gjør dette som bestemmer om vi lykkes.
Tenk på hjernen som en svamp; den absorberer det den blir eksponert for. AI fungerer på samme måte. Utviklingen av AI krever data, og kvaliteten på dataene er avgjørende for kvaliteten på AI-modellen. AI-modeller lærer på to måter: veiledet læring, der vi mennesker styrer hva AI-modellen skal lære seg, og selvstyrt læring, der AI får tilgang til store mengder tekst som den selv trekker ut kunnskap fra.
Nye produktideer har større sannsynlighet for å lykkes hvis ideutvikling og evaluering er basert på innsikt som reflekterer forbrukernes behov. Denne innsikten må være tidløs, eller i det minste, oppdatert. Dataene som modellene bygger på, er ekstremt viktige for AI. Derfor starter vi vår artikkel med å forklare hvordan man bør lære opp modellen for best mulig resultat.
Standard AI-modeller har sine begrensninger nettopp fordi de de mangler denne type opplæring. I Ipsos derimot bruker vi ekte forbrukeres reaksjoner på nye produktkonsepter for å trene AI-modeller for konseptevaluering.
Nøkkelinnsikt:
- Kvaliteten på dataene som brukes til opplæring er avgjørende for å bygge intelligente AI-modeller. Dataene må være relevante, representative og tidløse.
- Generativ AI kan brukes i idefasen av innovasjonsprosessen for å utvikle nye produktideer, mens analytisk AI kan brukes i evalueringsfasen for å forutsi markedspotensialet.
- Ekte menneskelige data, inkludert forbrukerreaksjoner og svar på åpne spørsmål, kan brukes til å trene AI-modeller og forbedre deres nøyaktighet i å forutsi innovasjonssuksess.
