Large scale AI-based automation of web workflows
- Reference number
- ID19-0052
- Project leader
- Lagergren, Jens
- Start and end dates
- 200101-241231
- Amount granted
- 2 500 000 SEK
- Administrative organization
- KTH - Royal Institute of Technology
- Research area
- Computational Sciences and Applied Mathematics
Summary
Klarna offers a variety of payment options to consumers, including direct bank withdrawals, card purchases, and financing. To facilitate these services, Klarna integrates with web processes of hundreds of thousands of banks and merchants. Most of these integrations are performed at the website level, i.e., by direct interaction with the particular webpage using the information that it carries, and require today substantial human resources for development and maintenance. Klarna has created an entire AI department, KlarnAI, with the primary goal of automating the development and maintenance of web integration. KlarnaAI has excellent competence in state-of-the-art Deep Learning and can access sufficiently large amounts of data to render Deep Learning based automation a realistic alternative. Unfortunately, state-of-the-art Deep Learning is still aimed at image and sequence analysis, and several of Klarna's applications would benefit hugely from further method development. We will develop methodologies based on syntheses of Deep Learning and other Machine Learning methodologies as well as on Reinforcement Learning that are necessary for Klarna's applications. KlarnaAI will provide infrastructure to investigate and launch methods. It is important to recognize that in the longer-term Klarna must deliver groundbreaking methodology in the interest of competing with IT giants such as Google, Apple, and Amazon, which are forced to enter new business areas to maintain growth.
Popular science description
Klarna erbjuder olika betalningsmöjligheter till konsumenter, inklusive direktbankbetalningar, kortköp och finansiering. För att underlätta dessa tjänster integrerar Klarna med webbprocesser från hundratusentals banker och handlare. De flesta av dessa integreringar utförs på webbplatsens nivå, det vill säga genom direkt interaktion med den specifika webbsidan med hjälp av den information som den har, vilket idag kräver stora mänskliga resurser för utveckling och underhåll. Klarna har skapat en hel AI-avdelning, KlarnAI, med det primära målet att automatisera utvecklingen och underhållet av webintegration. KlarnaAI har utmärkt kompetens inom state-of-the-art Deep Learning ochhar tillgång till tillräckligt stora mängder data för att göra Deep Learning-baserad automation ett realistiskt alternativ. Tyvärr är state-of-the-art Deep Learning fortfarande inriktat på bild- och sekvensanalys, och flera av Klarnas applikationer skulle dra nytta av ytterligare metodutveckling. Vi kommer att utveckla metoder som bygger på syntes av Deep Learning och andra Maskininlärningsmetoder samt på Reinforcement Learning som är nödvändiga för Klarnas tillämpningar. KlarnaAI kommer att tillhandahålla infrastruktur för att undersöka och lansera metoder. Det är viktigt att inse att Klarna på längre sikt måste leverera banbrytande metodikför att kunna konkurrera med IT-jättar som Google, Apple och Amazon, som kommer tvingas in på nya affärsområden för att kunna bibehålla tillväxt. Generellt handlar digitaliseringen om att omvandla mätbara aspekter av en situation till digital data, analysera data och låta analysresultatets resultatåtgärder förändra situationen. Sensorer kan till exempel ge mätningar och robotar kan leverera den slutliga effekten på situationen. I samband med automatisering av användarprocesser i webbapplikationer ger HTML-koden en fullständig beskrivning av situationen och manipulationer är lätta att åstadkomma digitalt. Webbautomatiseringsproblemet är dock långt ifrån trivialt och det har en grundläggande dikotomi mellan: (1) snap-shot-problemet som gäller analysen av det så kallade DOM-trädet som representerar en enskild webbsida och (2) navigeringen problem som gäller genomförandet av en åtgärd som innebär att man besöker en sekvens av webbsidor i en viss ordning. Deep Learning och Reinforcement Learning är två moderna metodologier som passar bra för dessa två tillämpningar.