Kunstig intelligens og big data under og efter corona

Jagten på det store billede - Kunstig intelligens og big data under og efter corona

Artiklen undersøger anvendelsen af kunstig intelligens og big data inden for turisme i kølvandet på corona-pandemien. Teknologierne bidrager bl.a. til at skabe tryghed og fordrer mobilitet ved at øge sikkerheden, men brugen af dem kræver også forbrugernes tillid.

Af Carina Ren, Laura James og Henrik Halkier - Aalborg Universitet

Kunstig intelligens og big data er nogle af de teknologiske muligheder, der allerede inden corona blev peget på som kommende ”game changers” i turismesektoren. Corona-pandemiens udbrud har skabt mulighed for at eksperimentere med disse teknologier i endnu højere grad end ellers.

Hvad er AI?

Kunstig intelligens eller AI (artificial intelligence) betegner computere eller maskiner, der er i stand til at udføre opgaver, som normalt kræver menneskelig intelligens. Dette kan for eksempel være at træffe beslutninger eller genkende og fortolke tale. Selvom kunstig intelligens har eksisteret i årtier, er det forholdsvis nyt, at computere og maskiner er blevet avancerede nok til, med begrænset eller helt uden menneskelig indgriben, at udføre komplekse opgaver.

I kombination med indsamlingen af stadig større mængder af data muliggør AI udførelsen af en lang række opgaver fra dataanalyse og problemløsning til oversættelse, ”direct messaging” og optimering og personalisering af kundeoplevelsen. Alt sammen noget, der i turismen inden for de seneste år har haft afgørende betydning for markedsføring, segmentering, oplevelsesdesign og mere overordnet governance af destinationer og ledelse af attraktioner.

Læs mere om big data og turisme

Mønstre i kaos - big data og det store overblik

En målrettet indsamling og analyse af data i store mængder har til formål at skabe og genkende mønstre. På den baggrund kan man ikke alene generere beskrivende analyser af mønstre i fx turisternes adfærd, men også lave analyser, der bidrager med prognoser for den fremtidige udvikling i turismen. Det har haft stor betydning under corona, hvor intet har været som tidligere.

På ganske kort tid er turisme-, overnatnings- og oplevelsesbranchen vendt på hovedet, og det er ikke sikkert, at traditionelle rejsemønstre og forbrugerpræferencer vil blive genoptaget i fremtiden. Ifølge Gallego og Font har pandemien, og den deraf følgende nedlukning af grænser, skabt et behov hos destinationsselskaberne og turismeerhvervet for ikke kun for at gentænke den forventede efterspørgsel på kort sigt, men også mere gennemgribende deres forretningsmodeller på den lange bane. Dette kræver anvendelse af nye datakilder, der ikke er betinget af historisk, forældet data.

I sin analyse af, hvorledes turismesektorens logistik og infrastruktur kan og bør gentænkes efter corona, peger McKinsey på, hvorledes en digital og analytisk transformation er mulig, og hvorledes offentlige institutioner kan støtte op omkring denne udvikling. Et eksempel på offentlig investering i big data indenfor turisme er Singapore Tourism Analytics Network (STAN), hvor turismesektoren tilbydes gratis adgang og overblik over ankomststatistikker, profilering af passagerer, forbrug og omsætning og omfattende undersøgelser af kundeoplevelse. Under corona-pandemien fungerede realtidsdata om vigtige rejseindikatorer og "nowcasts" (prognoser for de kommende uger og måneder) som et vigtigt vidensgrundlag for beslutninger inden for både den offentlige og private sektor.

Gennem generering og bearbejdning af massive mængder data kan adfærdsmønstre identificeres og dermed også beregnes eller forudsiges på nye måder. Brugeres søgning på Google med søgeord som feber, hoste og medicin fungerer som et langt hurtigere globalt influenza-barometer end lægers indberetninger til WHO (Google Flu Trends).

På samme måde kan søgninger på rejser og destinationer også benyttes i markedsføring, hvor kunders søgemønstre kan indikere, hvem der er klar til at rejse igen. Dette har vist sig særligt brugbart i en tid, hvor ”sidste års efterspørgsel”, med alt hvad der følger af segmentering, markedsføringsbudgetter og andet ”plejer”, radikalt har ændret sig. Mantraet om den rette turist, på det rette sted, på det rette tidspunkt har aldrig været mere aktuelt, og i den koordinering, som den orkestrering kræver, kan big data spille en afgørende rolle.

Afstand, screening og sikker genåbning

”Afstandsledelse” kan man (med lidt god vilje) kalde en af de helt centrale kompetencer for turismeaktører i kølvandet på corona. Altså evnen til at forudsige, foregribe og nedbringe trængsel på destinationer og attraktioner og under events.

Mange kender Googles trængselsbarometre for attraktioner, museer og indkøbscentre. I den mere sofistikerede ende finder vi Singapore, hvor startuppen Fooyo skaber skræddersyede rejseplaner med indbygget trængselsmonitorering. I en app udviklet til byen Chongqing i Kina medfølger en AI-baseret audio-guide, der giver besøgende information ud fra deres GPS-position.

Et andet eksempel på, hvorledes kunstig intelligens kan øge rejsendes (og befolkningens) sikkerhed er det græske EVA, det første nationale AI-drevet test- og screeningsprogram. Risikovurderingsværktøjet EVA kombinerer testdata i realtid med information fra turister, der besøger Grækenland og opbygger en risikoprofil, der assisterer myndighederne med at træffe velinformerede beslutninger om, hvem der skal teste for COVID-19.

Besøgende, der forbereder sig på at rejse til Grækenland, udfylder en online formular, der lokaliserer passagererne med grundlæggende oplysninger, herunder hvilket land de kommer fra, køn, alder og andre detaljer. Når den rejsende ankommer til en græsk grænse, får de en QR-kode fra EVA, der angiver, om de skal fortsætte eller tage en COVID-test. Hvis testresultaterne er negative, fortsætter de deres rejse, hvis de er positive, skal de sættes i karantæne i 14 dage.

De selvlærende algoritmer fra EVA gjorde det over sommeren muligt for Grækenland at acceptere mellem 50.000 til 100.000 turister om dagen med mindre end 20 tilfælde af eksterne infektioner. "Dette er et gennembrud i algoritmisk governance," udtaler Jon Vlachogiannis, stifter af AgnetRisk og en af folkene bag EVA.

Hvor EVA er et nationalt værktøj anvendt ved krydsning af nationale grænser, er Smart City-initiativer også forsøgt koblet til monitorering og kontrol af corona i byer. I Firenze har byens Smart City Control Room trukket store datasæt om borgernes bevægelser, forretningssteder og begivenheder til brug i beslutningsprocessen om, hvordan og i hvilket tempo, nøgleaktiviteter som turisme kunne genåbnes sikkert.

Nogle af de datasæt, der blev samkørt fra forskellige kilder, var offentlige wi-fi-sensorer, der kunne monitorere antallet af forbundne brugere og dermed tæthed, trafiksensorer, forureningssensorer, billetsalg hos museer og begivenheder, datakort over såkaldte by-aktiver (parker, haver, indkøbscentre). På baggrund af den aggregerede data blev det muligt at udføre forudsigende (predictive), beskrivende (descriptive) og tidsserie-analyser og dermed formindske risici i forbindelse med genåbningen ved at undgå overbelægning og identificere højrisikoområder i byen.

Læs mere 

Kunstig intelligens har bidraget til at løse problemer på den helt korte og hektiske bane. Men også på længere sigt kan AI-støttede systemer vise sig særligt nyttige. James Walton, leder af transport-, hospitality og serviceområdet hos Deloitte Singapore peger på, at nu "hvor folk er blevet mere forsigtige omkring lange køer og venten i overfyldte områder, kan AI processer bidrage til at opretholde sikker afstand”. Eksempelvis nævner han fjernindtjekning på hoteller.

Læs mere

Lille spejl på væggen der...

Flere af de tiltag, som vi har set under corona, er bredere udrulninger eller videreudviklinger af allerede eksisterende teknologier, der under corona har fået testet deres anvendelighed gennem skalering. Særligt indenfor to områder har AI og big data vist sig anvendelige: opretholdelse af afstand og mønstergenkendelse.

Gennemgangen af eksempler på anvendelsen af kunstig intelligens og big data på disse områder illustrerer, at teknologierne bidrager til bedre indsigt i flows samt ændringer og organisering af offentlige rum og bedre overblik og prognoser på forbruger- og rejseadfærd. Dermed bidrager teknologierne til at genopbygge tillid og mobilitet i turismen ved at øge sikkerheden for turismens kunder og medarbejdere - og dermed destinationers og attraktioners attraktivitet og økonomiske bæredygtighed.

Jon Vlachogiannis, manden bag EVA, har en vision om at lande eller byer ”ledes af logaritmer”, men der er er dog også indlysende udfordringer i de nye muligheder for at se det store billede. For det første kræver en dataintensivering i turismen en omfattende investering og udbredt samarbejde mellem offentlige og private partnere, fordi data skal opsamles og behandles systematisk: ingen af delene sker af sig selv, men kræver aktiv beslutningstagen og involvering af et meget stort antal interessenter i hele samfund. Er der økonomisk mulighed for at foretage disse investeringer i en tid og en branche, der er hårdt presset af faldende rejseaktivitet - og er der råd til at lade være? For det andet er der spørgsmålet om, i hvilket omfang forbrugere og rejsende vil være villige til at afgive oplysninger i mobilitetens og sikkerhedens navn?

Take-aways

Når fortidens rejseadfærd ikke længere er en sikker guide til nutiden og fremtiden, står valget mellem gæt og mavefornemmelser, eller systematisk fremsyn. Her kan anvendelse af kunstig intelligens og big data spille en vigtig rolle.

Under corona har de ny digitale redskaber især bidraget til to vigtige opgaver:

  1. Sikring af afstand og minimering af trængsel
  2. Identificering af nye mønstre og prognoser på et rejsemarked under stor forandring.

Hensynet til sundhed og tryghed gør, at minimering af trængsel er bredt accepteret, fordi det gavner både den rejsende og destinationerne. Det er derfor et oplagt indsatsområde, også digitalt, fordi tryghed er blevet et meget vigtigere beslutningsparameter, når der vælges rejsedestination. Tryghed kan ikke længere tages for givet, den skal både skabes og kommunikeres.

Identifikation af forandrede rejsemønstre hjælper turismebranchen og DMO’erne med at foretage velinformerede beslutninger om investering i oplevelsesudvikling og markedsføring. Meget information kan indsamles diskret gennem løbende opsamling af anonymiserede data fra en lang række kilder, så man kan producere rimeligt sikre ”nowcasts”, der kan hjælpe med den aktuelle planlægning i virksomheder og på destinationer.

Men alt har en pris: der er brug for investering i form af penge, IT-specialister, og nye brugerkompetencer i virksomheder og DMO’er. Og en vigtig forudsætning for, at disse investeringer kommer til at give afkast på længere sigt, er, at det lykkes at bevare forbrugernes tillid til, at deres data er i sikre hænder