Når det gælder kunstig intelligens, er vejen fra løfterige PowerPoints til reel værdi i virkelighedens verden brolagt med mange timers hårdt arbejde udført af kompetente folk udstyret med ganske traditionel menneskelig intelligens. Det er en af de første erfaringer fra Danske Banks store projekt med anvendelse af IBM’s Watson-baserede kognitive tjenester til Operation Analytics – Predictive Insights, automation og den interne helpdesk-chatbot.
– Der ligger et meget stort potentiale i anvendelse af machine learning inden for it-drift, men det er vigtigt at gøre sig klart, at teknologien ikke tilføjer værdi out-of-the-box. Der skal arbejdes hårdt med at fintune løsningen, og det vil være en løbende proces, siger Bo Svejstrup, CIO for Core Banking IT & Data.
Det overordnede mål for Danske Bank er et kvalitetsløft af it-driften, der kan matche kundernes forventninger til systemtilgængelighed samt at få viden om og erfaringer med kognitive teknologier ind i organisationen. Bo Svejstrup slår fra starten fast, hvad der ikke er en målsætning for projektet:
– Business casen er på ingen måde baseret på en reduktion af medarbejderstaben, men går udelukkende på en kvalitetsforbedring over for vores kunder.
Antallet af større utilsigtede hændelser og deres konsekvenser for kunderne skal reduceres, såkaldte ”handlingskrævende hændelser” skal automatiseres, og løsningen til den interne helpdesk skal væsentligt forbedre brugernes muligheder for at hjælpe sig selv.
Der er andre implementeringer af IBM’s kognitive tjenester i Danmark, men Danske Bank er først til at anvende dem i så stor skala inden for it-driften.
– Det kan godt være, at vi er nogle af de første herhjemme til at anvende teknologien, men det er vigtigt at komme i gang nu, da det internt i organisationen og i forhold til medarbejderne er en længere rejse, vi skal ud på. Alle skal vænne sig til at arbejde med de nye redskaber, og vi skal konfigurere dem, så de rent faktisk kan anvendes i vores konkrete kontekst, forklarer Keld Stehr Nielsen, Head of IT Operations Enablement & Analytics.
Ny tilgang og andre kompetencer
Grundkonceptet i løsningen er i første omgang at detektere unormal adfærd i infrastrukturen, der potentielt kan udvikle sig til problemer. Næste trin er automatisering af afhjælpningen af det potentielle problem. Og i sidste ende handler det om identifikation af det grundlæggende problem – root cause – og løsningen af dette. Det handler om forebyggelse i stedet for helbredelse, hvilket er en meget anderledes øvelse end brandslukning, når problemet er opstået.
– Det kræver en anden tilgang og andre kompetencer at skulle reagere på anomalier frem for at slukke ildebrande. Det skærper kravene til at kunne analysere dybt og tage nogle beslutninger på et tidspunkt, hvor der endnu ikke er opstået et egentligt problem, forklarer Keld Stehr Nielsen.
Løsningen blev installeret i april 2018, og lige nu arbejdes der på at kategorisere anomalierne i forhold til, hvilken handling der kræves.
– Udfordringen er ikke at få løsningen til at finde anomalierne, men at kategorisere dem, så vi ved, hvilke vi skal agere på. Det er det hårde arbejde lige nu. I en senere fase skal vi så begynde at få retningsanvisninger på root cause. Der er vi ikke endnu, siger han.
De første succeser
Risikoen for at drukne i såkaldte falske positiver er en af de kendte udfordringer ved machine learning anvendt til at detektere anomalier.
– Vores command center håndterer tusindvis af hændelser og alarmer, og det er virkelig en balanceakt at tune systemet, så man dæmmer op for falske positiver uden at risikere at få sorteret en alarm fra, som er virkelig vigtig, forklarer Bo Svejstrup og tilføjer, at løsningen allerede har givet succesoplevelser.
– Der er allerede nu blevet detekteret anomalier, som medarbejderne har håndteret og dermed forhindret, at de udviklede sig til egentlige problemer.
Ifølge Keld Stehr Nielsen har Danske Bank i dag den bedste tilgængelighed på systemerne nogensinde, men det kan være svært at sige, i hvilken grad det skyldes den nye løsning.
– Vi fanger nu anomalierne, hvis de ligger inden for de definerede rammer, men vi skal være bedre til at kunne agere på dem, siger han.
Omfattende konfigurering
De første erfaringer med løsningen har vist, at selvom den indeholder meget avancerede algoritmer, er disse algoritmer generelle og vil derfor reagere forskelligt i forskellige systemkontekster. Løsningen baserer sig på såkaldt supervised machine learning, der i modsætning til unsupervised machine learning kræver input af labeled data.
Så før der kan produceres validt output, skal der foretages ret omfattende konfigurering i forhold til Danske Banks specifikke it-miljø. Dertil kommer, at algoritmerne reagerer på alt – også metrikker i infrastrukturen, som man måske ikke har anvendt længe. Så det har man også skullet forholde sig til i de indledende faser af projektet.
– Det er vigtigt at gøre sig klart, at den her type løsninger er en del af et større økosystem, og det kræver disciplin, systematik og læring i implementeringen, før det for alvor giver værdi. På den måde er der ikke den store forskel i forhold til, hvad vi traditionelt set er vant til at implementere i it-verdenen, bortset selvfølgelig fra, at teknologien er mere avanceret, siger Keld Stehr Nielsen.
Skepsis og utålmodighed
Han peger på, at netop for høje forventninger til, hvad machine learning-baserede løsninger kan levere, og hvor nemt det ville være at implementere, har været en af udfordringerne.
– Nogle medarbejdere har nok forventet, at løsningen kunne det hele og stort set med det samme – så hvorfor går det ikke hurtigere? Så har der også hos nogle været en vis skepsis over for, om løsningen overhovedet ville være i stand til at give værdi i et komplekst systemmiljø som vores. Der er så også medarbejdere, der har haft deres ’AI moment’, når de i praksis har set løsningen fange en hændelse, der senere ville have udviklet sig til et problem, siger han.
Bo Svejstrup supplerer:
– En af udfordringerne med denne type teknologier er at beskrive konkret de effekter, der kommer ud af at implementere dem. Det kan til tider godt være en lidt abstrakt videnskab.
Keld Stehr Nielsen anerkender, at bankens målsætninger for, hvor meget løsningen skal levere i reduktion af antal større utilsigtede hændelser, er ret ambitiøse.
– Man kan jo altid håbe på, at noget var gået nemmere, men vi har ikke set nogen grund til at justere på vores målsætninger. De afspejler vores ambitionsniveau, som er højt – og formentlig også højere end hos de fleste andre, vi kunne sammenligne os med, siger han.
