I dag står døren til AI åben for alle virksomheder. Det er ikke en fremtidsteknologi, der er forbeholdt de store tech-giganter. Det er en moden teknologi, og det kræver ikke det store at udvikle en velfungerende Machine Learning-model.
Derfor kan man spørge sig selv, hvorfor størstedelen af de AI-projekter, der bliver udviklet, aldrig kommer ud af sandkassen, men forbliver PoC’er eller hobbyprojekter, der aldrig skaber nogen reel forretningsværdi. Faktisk formår forbavsende få virksomheder i Danmark at anvende AI som det, det faktisk er: Et all-round værktøj i dataværktøjskassen, som kan bruges til at optimere eller forbedre de fleste hjørner af din forretning - præcis på linje med andre gængse redskaber til at skabe værdi med data som BI, RPA, IoT og Master Data Management.
Vi ser tre primære årsager til, at AI forbliver et legetøj i sandkassen i mange virksomheder - fremfor at være en transformativ teknologi, der driver værdi på tværs af forretningen og differentierer en virksomhed fra konkurrenterne
1. Manglende strategisk og forretningsmæssig forankring af AI-projekter
Vi oplever, at flere virksomheder falder i fælden med at starte AI-projekter eller ansætte data scientists – uden først at have afdækket, hvad teknologien skal bruges til. Men AI skaber desværre ikke værdi i sig selv. Ofte starter virksomheder med et pilotprojekt på et mindre væsentligt område for at afprøve teknologien for så senere at konkludere, at der blev investeret uforholdsmæssigt mange ressourcer i at skabe begrænset værdi.
2. Manglende organisatorisk evne til at realisere AI-muligheder
Selv for virksomheder med en klar strategisk og forretningsmæssig forankring, kan det være svært at realisere identificerede forretningsmuligheder med AI. Her er det typisk ikke den tekniske udvikling af en velfungerende ML-model, der skaber udfordringer. Snarere ser vi ofte, at en manglende evne til at arbejde agilt samt ledelsens manglende accept af usikkerhed som grundpræmis gør, at virksomheder ikke formår at realisere signifikant værdi med AI.
3. Manglende evne til at produktionssætte og drifte AI-løsninger i stor skala
På den tekniske banehalvdel møder vi ofte virksomheder, der kan udvikle velfungerende ML-modeller, men løber ind i udfordringer, når der skal ’sættes strøm’ til modellerne. For ikke at tale om produktionssætning, løbende drift og videreudvikling af tusindvis af AI-løsninger, hvilket stiller helt andre krav til både løsningen, den underliggende dataarkitektur og infrastruktur samt processer for Machine Learning Life Cycle Management eller MLOps.
Nedenfor er Kapacitys opskrift på, hvordan du imødekommer ovenstående udfordringer, så din forretning kan høste det fulde potentiale af AI.
1. Tænk holistisk og klargør dit behov for AI – hver dag
Strategisk og forretningsmæssig forankring af AI-initiativer er en vigtig forudsætning for udvikling af AI-løsninger, der skaber værdi hver dag.
Det er derfor nødvendigt at udvikle evnen til at spotte mulighederne i jeres virksomhed og at kvalificere, om et givent problem eller forretningsmulighed kan realiseres ved hjælp af AI.
Det er ikke muligt for den nyansatte Data Scientist eller for konsulenter alene at give svar på, hvor forretningsværdien i AI ligger for netop jer. Der er derimod brug for domæneindsigt, konkrete forretningsbehov fra slutbrugerne og en strategisk retning fra topledelsen for at kunne afgøre dette. Opgaven for jeres Data Scientists eller konsulenter ligger i at lære forretningen at forstå, hvad der er muligt og kvalificere, om en udfordring kan løses med AI, og hvad det vil kræve.
For at få AI ud af sandkassen er det ikke nok at identificere potentialer og muligheder én gang. For at opnå værdi med AI hver dag er der behov for processer, der løbende involverer relevante interessenter i identifikation, videreudvikling og realisering af forretningsmuligheder. I sidste ende er det også slutbrugernes anvendelse af en AI-løsning, der afgør, om løsningen skaber værdi eller ej.
2. Acceptér agilitet og usikkerhed som grundpræmis ved arbejdet med AI
Når det kommer til projektleverancemodellen, er det vigtigt at acceptere, at AI og agilitet går hånd i hånd. Derfor kan det hurtigt spænde ben for virksomheder, som på forhånd ønsker at kende til alle detaljer i et projektforløb frem til en færdig løsning. Dette er ganske enkelt ikke hensigtsmæssigt.
Man skal være forberedt på, at alle AI PoC’er (Proof of Concept) ikke bliver en succes. Det handler derimod om ”fail fast” – at identificere springende punkter og reducere usikkerheden hurtigt. Hvis man ikke har mulighed for at skaffe finansiering til agile sprints og PoC’er – og derfor skal afvente tunge budget- eller indkøbsprocesser, så får man som virksomhed aldrig gravet sig ud af AI-sandkassen.
Derfor skal der være en ledelsesmæssig accept af usikkerhed som grundpræmis ved arbejdet med AI. Selvom teknologien er moden, er en machine learning-model aldrig perfekt – det er per definition en approksimation. Spørgsmålet er, om modellen kan blive god nok til at være værdifuld. Det afhænger af, hvor godt en ML-model kan omsætte dit data til et svar på dit forretningsproblem – hvad enten spørgsmålet er ’hvilke medarbejdere er i risiko for at sige op’?, ’hvilke produkter er der fejl i?’, ’hvor meget bør vi fortynde spildevandet for at overholde tærskelværdierne’ eller noget helt fjerde. Svaret på disse spørgsmål skal findes iterativt i samarbejde mellem Data Scientists og forretning – og kan aldrig findes før en PoC. En PoC er netop til for at udnytte et minimum af ressourcer på at afklare, hvorvidt et koncept kan formodes at virke. Derefter er et pilotprojekt nødvendig for at bevise, at løsningen faktisk virker for brugeren, før den kan finpudses. Ikke alle AI PoC’er bør sættes i produktion. Det kræver derfor risikovillighed at opnå succes med AI.
3. Etablér en egnet infrastruktur samt standarder for arbejdet med AI
Mange tænker, at løsningen på skalerbar produktionssætning og drift af AI-løsninger er at købe en off-the-shelf AI-platform. En AI-platform er i sig selv ikke nok til at kunne produktionssætte og drifte AI-løsninger i stor skala. For nogen virksomheder kan det være en relevant del af løsningen, men den repræsenterer blot en brik i den samlede løsning. I virkeligheden handler det om at sikre en egnet dataarkitektur og infrastruktur - en dataplatform - samt at etablere faste standarder og processer for arbejdet med udvikling og drift af AI-løsninger (MLOps). Helt centralt på begge områder er at sikre sammenhæng mellem arbejdet med AI og virksomhedens generelle arbejde med data.
Dataplatform: Fundamentet for skalerbar AI er et fornuftigt datafundament. Dette fundament ligger ideelt i Cloud, da det giver adgang til skalerbar infrastruktur, relevante services, redskaber og modeller on-demand. AI er et felt i rivende udvikling. Cloud gør det let at stå på skuldrene af et globalt open source-community og førende tech-virksomheder, når man skal udvikle og implementere AI-løsninger.
MLOps: Dernæst er det centralt at etablere best practices for AI-løsningernes fulde livscyklus. Det handler især om standarder for, hvordan man produktionssætter og drifter ML-modeller, der sikrer, at en skalering af AI ikke kræver en tilsvarende skalering af antallet af mennesker, der arbejder med AI - og AI-løsningen faktisk gør det, man forventede, den ville gøre. Dette indebærer især overvejelser om genbrugelighed på tværs af løsninger og data teams – f.eks. deployment pipelines, rolle- og ansvarsfordeling i produktionssætning og drift samt strukturerede processer omkring monitorering, validering og gentræning af ML-modeller.
Under tilnavnet ’kunstig intelligens’ har forventningerne til forretningspotentialet i AI altid været tårnhøje. Og sandt, vi kan stadig diskutere, hvorvidt kunstig intelligens overhovedet findes. Årsagen til at AI i mange virksomheder forbliver et legetøj i sandkassen, fremfor at være en transformativ teknologi, handler dog ikke om, hvorvidt idealet for kunstig intelligens er nået, og hvad der teknisk set er muligt for at træne en ML-model til at lære på egen hånd.
’AI revolutionen’ er her, og den er tilgængelig for enhver dansk virksomhed. Udfordringen består i at få teknologien i anvendelse, der hvor den faktisk kan skabe værdi og på en måde, så det er muligt effektivt at identificere, udvikle, produktionssætte og drifte det store antal AI-løsninger, der samlet set skal til, for at transformere en virksomheds virkemåde eller de ydelser, den leverer.
Vejen dertil afhænger af den konkrete virksomhed. I dette blogindlæg har vi imidlertid forsøgt at pege på de største barrierer, vi typisk ser for realisering af potentialet i AI, og hvordan vi anbefaler at løse det.