Om du är osäker på vad kognitiv it egentligen är så är du med största säkerhet inte ensam. Begreppet kognitiv it (cognitive computing) populariserades av IBM, under arbetet med Watsondatorn i samband med att den deltog i tv-programmet Jeopardy i USA.

Kognitiv it buntas ofta ihop med ai och faktum är att beskrivningarna ofta är förvirrande lika. Och de används omväxlande för att beskriva samma saker.

– Vissa använder benämningarna på de olika typerna av algoritmer för att beskriva plattformarna, till exempel maskinlärning och neurala nätverk, säger Dave Schubmehl, analytiker på IDC, till IDG News.

Han påpekar att neurala nätverk också är känt under beteckningen djuplärande (deep learning). Hans generella poäng är att begreppen ai och kognitiv it ofta används för att beskriva samma typer av lösningar.

Läs också: Experten tipsar: Tänk på det här när du startar AI-projekt

Paul Roma som är chefsanalytiker på konsultföretaget Deloitte Consulting beskriver skillnaden så här:

– Kognitiv it är mer omfattande än den traditionella snäva definitionen av ai, säger han.

Ai används oftast som en benämning på tekniska lösningar som kan utföra uppgifter som det vanligtvis krävs mänsklig intelligens för. Kognitiv it definieras av ”maskinintelligens”, som kan beskrivas som algoritmisk funktionalitet som används för att förbättra människors prestationer, automatisera komplexa arbetsuppgifter och skapa ”kognitiva agenter” som kan stimulera människors tänkande och engagemang.

Kognitiv it innebär kortfattat att använda tekniska lösningar och algoritmer för att automatiskt utvinna förståelse av data och interna relationer i datamängder, både individuellt från en viss datamängd och med hjälp av tidigare erfarenheter. Det innebär en utökning av vad både människor och maskiner kan göra.

Enligt Paul Roma finns det tre huvudsakliga områden för kognitiv it i dag:

  • Automatisering av upprepningsbara uppgifter, till exempel för robotar, med avsikt att öka effektivitet, kvalitet och noggrannhet.
  • Att få fram insikter för att upptäcka dolda mönster och relationer, med avsikt att identifiera potential för innovation.
  • För att skapa utökade lösningar för personalisering, vid kontakter med kunder. Det kallas för ”hyperpersonalization”.

De flesta bedömare är överens om att ai och kognitiv it kommer att bli allt populärare under de närmaste åren.

– Den här tekniken kommer att bli extremt vanlig i applikationer, säger Whit Andrews, vice vd på analysföretaget Gartner.

Gartner förutspår att 30 procent av all interaktion med tekniska lösningar kommer att ske genom konversationer med ai-funktioner redan 2018. Man förutspår också att ai kommer att vara ett av de fem viktigaste investeringsområdena för 30 procent av världens cio:er 2020.

Paul Roma som särskiljer kognitiva lösningar från ai i en högre utsträckning säger så här:

– Exponentiell ökning av datamängder, snabbare distribuerade system och smartare algoritmer innebär att kognitiv it tränger in i allt fler affärsprocesser, säger Paul Roma.

Redan i dag används kognitiva lösningar för produktrekommendationer, prisoptimering, för att upptäcka bedrägerier, samt i konversationer för automatiserad support, säljsamtal och för beslutsstöd. Paul Roma nämner ett exempel med ett sjukhus som tränar en maskinintelligens för att analysera tio miljarder genetiska bilder. Ett annat exempel är en kognitiv assistent hos ett finansföretag som kan hantera 27 000 samtidiga konversationer med kunder och besvara deras frågor på ett dussintal språk.

Läs också: AI ska hjälpa polisen hitta brottslingar på stan

Men den vanligaste tillämpningen är avancerad klassificering, som att leda människor till den anställde som bäst kan hantera deras behov. Även prediktiv analys, till exempel att föreslå produkter, är ett vanligt exempel.

Kort sagt, det finns oändliga möjligheter för de allra flesta branscher, även om man visar störst intresse inom den finansiella sektorn i dag. Företag inom alla branscher i vilka man samlar in data som kan ge insikter är potentiella användare av kognitiv it.

Det finns naturligtvis utmaningar också, till exempel att det krävs transparens. Människor behöver se hur en kognitiv lösning kommer fram till en slutsats, för att kunna lita på den. Åtminstone lär det vara så till en början. Tillförlitlighet är överhuvudtaget en utmaning.

Man behöver också kunna kombinera egna och publika data från ett stort antal källor för att få ut maximal effekt från lösningarna, med alla tekniska problem det medför.