Teknologi og tekniske kompetencer fejler i mangel på formål

AI har enormt stort potentiale, og vi ser både velvilje og visioner om at være mere “datadrevne” og udnytte data optimalt. Dog bliver de gode ambitioner om at være på forkant med intelligente AI-løsninger ofte mødt med den samme udfordring: Hvordan skaber man egentlig værdi med AI? Læs blogindlægget og bliv klogere på netop det.

Af: Martin Petri Bagger

5. oktober 2022

Intentionerne og visionerne er store, når danske virksomheder bebuder, at de vil ”være datadrevne”. Samtidig vrimler det med teknisk dygtige kvinder og mænd, som kan programmere algoritmer og forstår at arbejde med AI og Machine Learning.

Desværre er der langt mellem succeser, og man bør stille sig spørgsmålet: Hvorfor lykkes det ikke? Svaret skal bl.a. findes i, at fokus næsten udelukkende bliver lagt på teknologi og tekniske kompetencer, men man glemmer formålet!

Teknologier og metoder inden for Data Science, AI og Machine Learning har enormt mange anvendelsesmuligheder i virksomheder og organisationer, hvor mange for længst har fået øjnene op for forretningspotentialet samt fået en forståelse af, at AI og nært beslægtede begreber ikke blot er hype.

Succeshistorier deles flittigt, og vi ser både velvilje og visioner om at være mere “datadrevne” og udnytte data optimalt på både smarte og innovative måder. Dog bliver de gode ambitioner om at være på forkant med de intelligente AI-løsninger ofte mødt med samme udfordring: Hvordan skaber man egentlig værdi med AI?

Med den rette tilgang kan AI gøre en kæmpe forskel i en bred vifte af forretningsområder fra blandt andet automatisering og effektivisering af rutiner og processer til processering og klassificering af tekst og billeder. Men lad det være sagt med det samme: Det er ikke nemt at lykkes med AI, og udfordringerne kan være mange og måske endda svære at forudse.

Mange virksomheder er ivrige efter at komme hurtigt i gang med brugen af AI for derved at sikre deres fremtidige konkurrenceevne, men projekterne løber ofte ud i sandet, fordi man ikke har tilstrækkelig fokus på, hvordan værdien rent faktisk skabes. De rette kompetencer i et Data Science-team er naturligvis en forudsætning, men langt fra en garanti for virksomhedens succes med AI. I virkeligheden kræves der indsats og engagement på flere områder. Dette indebærer et samarbejde mellem modeludviklere og den øvrige forretning. Et samarbejde som bør være langt tættere, end man måske umiddelbart skulle tro.

Det starter med et forretningsproblem

Før man kaster sig ud i et AI-projekt, er det nødvendigt at inddrage virksomhedens interessenter og slutbrugere fra starten og afdække deres behov til løsningen. Det handler i bund og grund om at løse netop deres problem og ruste dem til at anvende løsningen. Derfor nytter det selvsagt ikke noget, at man i maskinrummet udvikler nok så stærke modeller, hvis ingen har tænkt sig at bruge dem eller ved hvordan. Interessenter og slutbrugere skal derimod på banen, for at man i fællesskab kan definere et specifikt problem, der skal løses, og formulere nogle klare succeskriterier, der afgør, hvornår den endelige løsning kan tages i brug.

Med et tydeligt og afgrænset problem mellem hænderne, bør man undersøge, om det i det hele taget er muligt at løse det givne problem med den tilgængelige data. Det er vigtigt at identificere og sikre tilgang til relevante data, der skal indgå i løsningen. Derudover er det vigtigt at sikre en høj datakvalitet, så forretningens brugere i sidste ende kan have tillid til, at løsningen giver et output på basis af korrekte data.

Samtidig kan der i mange forretningsområder være væsentlige etiske overvejelser at tage højde for, inden man f.eks. udvikler en AI-model, der anvendes til at træffe beslutninger, der påvirker mennesker.

Et vellykket AI-projekt skal naturligvis også kunne skabe værdi i fremtiden. Derfor er det nødvendigt, at man har taget stilling til, hvordan modeller sættes i produktion og monitoreres over tid. Verden ændrer sig hele tiden, og det samme gælder data. Derfor er det også nødvendigt at have styr på blandt andet processer for gentræning af modeller, hvilket til gengæld kræver et godt MLOps-setup, der forenkler, monitorerer og stabiliserer processen.

Værdiskabelse med AI kræver altså, at man i høj grad formår at skabe en kultur og et mindset, hvor data og AI begejstrer i organisationen og motiverer interessenter og slutbrugere til i det hele taget at ville løse problemer med sofistikerede modeller. Det er ikke nok, at man investerer i teknisk dygtige folk eller software, men det organisatoriske setup og understøttende processer skal være på plads for at lykkes med AI.

Dette kan opnås på forskellige måder. Blandt andet er det vigtigt, at man som Data Scientist eller modeludvikler får en klar forståelse for forretningsproblemer, og at man formår at formidle indsigter og resultater undervejs i processen til et ikke-teknisk publikum. Lige så vigtigt er det, at forretningen åbner op og fortæller om deres arbejdsprocesser, udfordringer og behov. Det er disse, som er genstandsfelt for løsningerne og uden dem, skabes der ikke værdi. Det handler i høj grad om tillid og viden. For at opnå dette, må og skal de relevante dele af forretningen være med ombord og deres udfordringer skal være i fokus fra dag ét.

Om forfatteren

Martin Petri Bagger

Martin Petri Bagger er Senior Data Scientist hos Kapacity og Teaching Associate Professor på Aarhus Universitet, hvor han underviser i Data Science- og machine learning-relaterede fag.

Martin har 10 års praktisk erfaring med udvikling og implementering af data science-løsninger, bl.a. hos nogle af Danmarks største virksomheder.

Del på

Andre blogindlæg du måske vil finde spændende

Hvad er Explainable AI?

28. april 2022|

I dette blogindlæg vil vi kigge nærmere på, hvad forklarlighed inden for AI betyder samt hvilke typer af information, man kan uddrive fra AI-/ML-modeller. [...]

Sådan får du AI ud af sandkassen

11. januar 2022|

I dag står døren til AI åben for alle virksomheder - men de færreste formår at udnytte teknologien til fulde. I dette blogindlæg kan du læse om de tre primære årsager til, at AI ofte forbliver et legetøj [...]

Fem råd til at få Machine Learning i produktion

11. januar 2022|

Har du også en fornemmelse af, at jeres data indeholder mere potentiale, end din virksomhed høster i dag? At kunne trække de dybe indsigter ud af data eller automatisere manuelle arbejdsopgaver med en data-applikation bygger ofte på Machine [...]

2022-10-05T09:42:33+02:00