Kunskap & Insikter
Här har vi samlat information, resurser och praktisk vägledning för att stärka din organisation genom implementeringen av AI.
Oavsett om du är nybörjare och vill förstå grunderna inom AI, söker viktiga framgångsfaktorer för att implementera AI eller planerar att starta ett internt AI-projekt, kommer du förhoppningsvis att hitta värdefulla insikter som hjälper dig längs vägen.
AI-resans framgångsfaktorer
Vikten av att börja litet
Data science i sig utgör en komplex väv av många ingående tekniska delar som i sin tur formas i samspel med många olika kompetenser och inte sällan flera olika mål med olika vikt relativt varandra.
Erfarenhet har visat att det bästa sättet att hantera komplexiteten är att regelbundet pendla mellan att bryta ner den i små steg och sträva efter enklast möjliga lösning på minsta möjliga problem och att backa tillbaks till helheten för överblick.
Det är inte fel att sikta högt men vi på Tenfifty menar dock att konsten att nå framgång med ett stort och inspirerande mål är att ta många små lyckade steg i rätt riktning. Gör inte AI-projektet till en helig ko och något stort som alla går och väntar på. Tänk hellre många små projekt än ett större. Och när du har hittat det där lilla projektet gör du det om möjligt ännu mindre.
Det finns många fördelar i att tänka smått när det gäller både den mänskliga faktorn, där AI ofta upplevs som något läskigt som man helst vill slippa, samt att det ur ett data-perspektiv spelar roll vilken mängd och kvalitet man har tillgång till, hur många källor datan har passerat och i vilket påverkat skick den är.
Sluta diktera, börja facilitera!
Vad behöver en företagsledare som vill börja jobba med AI kunna?
Till att börja med behöver en ledare som driver den typ av innovation som AI innebär ha förståelse för att ett AI-projekt är något annat än ett traditionellt teknikutvecklingsprojekt. Det går framför allt väldigt mycket fortare fram, tekniken du utvecklar kan vara klar redan inom sex månader.
Ledaren måste också förstå att ett AI-projekt kan innebära stora organisatoriska förändringar på kort sikt och planera, kommunicera samt leda utifrån den interna rivalitet som kan uppstå som följd av att gamla rutiner ersätts eller försvinner. Hjälp medarbetarna att förändra istället för att beordra förändring.
Varje AI-projekt står och faller med tillgången till rätt data och vad som är rätt beror på en kombination av flera saker. En företagsledare bör ha koll på tillgång och struktur på företagets data samt att den inte fastnar i silos eller på annat sätt underutnyttjas. Det är en viktig framgångsfaktor.
Lyssna gärna på vår podd-dialog med Jon Eklöf, AI-forskare och Director Innovation & Digital Transformation på GKN Aerospace. Jon har många kloka tankar kring hur man tar sig an AI ur ett ledarskapsperspektiv.
Lär dig mer i Tenfiftys podcast-avsnitt: Hur väljer ett företag sitt första AI-projekt
Varför misslyckas de flesta AI-projekt?
Låt oss vara helt ärliga. De flesta som överväger att satsa på AI idag vet inte riktigt varför eller till vad AI ska användas.
Enligt forskningsinstitutet MITSloan Management Review uppnår bara ca 10 procent av företagen lyckade resultat med sina AI-projekt. Deras forskning visar på att företag som har fokus på verksamhetens utveckling och förändring samt lyckas facilitera kunskapsinhämtning och gemensamt lärande mellan människa och maskin i sina AI-satsningar är vinnare.
Så för att summera, om du håller fokus på att lösa ett litet och framför allt verkligt problem, har koll på men för den delen inte överskattar din data och sen krokar arm med någon som kan verkligen förstår dina utmaningar och kan guida dig i den tekniskt snåriga data science-djungeln, så är ditt första lyckade AI-projekt inte långt borta. Svårare än så är det inte.
Ett väl sammansatt team
När ditt företag ska börja arbeta med AI krävs det tre kompetenser. Alla tre är lika viktiga och innan de alla är på plats så bör inga AI-projekt startas.
Den första och kanske viktigaste kompetensen som behövs är någon med förståelse för företagets affärer och som kan svara på vilka möjligheter och utmaningar som existerar.
En andra viktig kompetens som krävs är någon som förstår företagets data. Vilken data finns och vad har den för kvalitet?
Slutligen för du samman dessa två kompetenser med någon som kan maskininlärning, data science och ekosystemet runt AI, samt kan urskilja vad som är möjligt i den mängd tekniska val som ett AI-projekt innebär.
Vi skulle dessutom vilja lägga till en fjärde avgörande färdighet. Det är förmågan att visualisera och förklara analysresultat på ett begripligt och tankeväckande sätt.
En enskild person som spänner över hela det fältet kompetenser vi skrivit om ovan har kallats enhörning, för att de är så sällsynta. Oftast sätter vi istället ihop ett team av kompetenser bestående av specialister från kunden som når sina mål när de får samarbeta med smarta utvecklare som brinner för att gå en mil i kundens skor och ta fram en matchande AI-lösning för problemet.
Lös ett verkligt problem
Ett AI-projekt måste inledas med att identifiera ett verkligt affärsproblem. För att få acceptans för ny teknik i din organisation är det viktigt att lösa faktiska problem.
Det kan låta självklart, men i den relativt nya värld som AI befinner sig i är det heller inte sällan man låter nyfikenheten ta överhanden över affärsprioriteringarna. Det går att lära sig saker på det sättet, men man kommer mycket sällan ända in i mål i form av driftsatt AI.
Inspireras gärna av Tenfiftys driftsatta AI-projekt på vår projektsida.
Det handlar om verksamheten, inte IT
Ett AI-projekt ska vara tvär-dimensionellt, alla delar av en verksamhet bör involveras. Det ska allra helst drivas med engagemang från den del av organisationen som mest berörs av förändringen och förbättringen och inte hanteras som ett IT-projekt.
Däremot är IT-avdelningen såklart en viktig part som bör vara med på tåget i tid och när det kommer till hur data science-projektet ska driftas. Den verksamhet som lyckas samarbeta och nyttja varje del av organisationen för det den är bra på, går i mål som vinnare av AI-resan.
Från idé till resultat i AI-projekt
Workshop
Varje projekt brukar starta med en workshop. En grupp väl valda personer kikar närmare på det problem som ska lösas och förutsättningarna för det. Vi berör frågor som hur processen fungerar mer i detalj, vilka utmaningarna är samt vilken data som finns tillgänglig. I många fall kan vi redan här ha idéer om vilka AI-tekniker som är applicerbara på det utvalda problemet. Det är inte sällan workshopen mynnar ut i en förstudie med syfte att producera en första datakvalitetsrapport, som en gate för beslut om fortsatt framdrift.
Pilot
På Tenfifty har vi ett stort fokus på att komma i drift med våra projekt.
Pilot-steget har som syfte att testa en eller flera av de bästa modellerna från PoC:en med live-data från kundens system. Det händer att testerna uppdagar skillnader mellan den datadump vi använde i PoC:en och den faktiska data kunden jobbar med, och att modellerna måste anpassas.
Här ser vi på om vi uppnår affärsmålen och vad som behöver göras för att uppnå en slutlig lyckad driftsättning.
Beprövad metodik
På Tenfifty har vi en genomarbetad metod för hur vi tar oss an våra AI-projekt. Det här upplägget hjälper oss och våra kunder från det första mötet hela vägen in i mål. Oavsett om målet är en prototyp, en pilot eller en driftsatt affärsapplikation. Det är absolut inget hokus pokus, modellen bygger på CRISP-DM, ursprungligen framtaget på 90-talet av IBM, och som blivit ett vanligt tillvägagångssätt när man jobbar med tunga dataprojekt.
Proof of Concept
Proof-of-Concept-steget i vår process är ofta väldigt explorativt men samtidigt ett enkelt sätt att testa vad som kan komma att fungera i praktiken.
En omfattande del av denna fas är att dyka ännu djupare ner i datan, se hur den är beskaffad samt vilka eventuella gap som finns. Dessa insikter är mycket värdefulla, det är vår erfarenhet att de optimala datapunkterna ofta inte finns tillgängliga. Oftast måste datan rensas och sammanställas för att kunna användas för att bygga modeller och det händer ibland att vi behöver vänta in att data börjar samlas in för att vi ska kunna komma vidare i projektet.
Under POC:en sker även själva modelleringen, som är en iterativ process där vi vanligen testar ett flertal algoritmer för att ta fram olika typer av modeller mot satta parametrar och itererar fram och tillbaka, skruvar på datan igen och testar vad som fungerar bäst. Det finns ofta många olika sätt att analysera och testa vilka resultat som är mest gynnsamma för det givna problemet.
Produktion
Baserat på resultaten i piloten kommer vi tillsammans med kunden fram till om utvald modell ska sättas i produktion eller inte.
Produktionsättningssteget kan ibland göras av kunden själv men det är inte sällan som vi bistår och gör detta tillsammans med till exempel en IT-avdelning. Vi lägger ofta till någon form av dokumentation, övervakning och testrutin. Vissa system är så dynamiska att nya modeller måste tränas med jämna mellanrum för att hantera större skiften i data, då produktionssätter vi även de delarna tillsammans med övervakning, sk MLOps.
Var vi driftar lösningen varierar, det kan vara direkt i kundens infrastruktur men också i ett externt moln lokalt eller globalt.
Ladda ner Tenfiftys guider
Här samlar vi alla våra guider för företag som är intresserade av att integrera artificiell intelligens i sin verksamhet. Detta digitala nav är fyllt med skräddarsydda resurser och råd som är utformade för att stärka ditt företag genom användningen av AI.
Dataguiden
-
I den här guiden går vi igenom följande områden:
Data
Vad är data?
Datainsamling
Varför är det viktigt att samla data?
Datautmaningar
Dataproblem
Checklista
Inför ditt AI-projekt
-
I den här guiden kommer du lära dig att:
Förstå affärsnyttan
Identifiera lågt hängande frukter
Planera för skalbarhet och mätning
Implementera AI med en strukturerad process
Sätt upp en AI-strategi
-
I den här guiden kommer du lära dig:
Identifiera och definiera utmaningar som AI kan lösa för ditt företag.
Utvärdera data och infrastruktur för att välja rätt AI-lösning.
Sätta upp mätbara mål för din AI-implementering
Följa upp och utvärdera framsteg
Planera budget för ditt AI-projekt
Från idé till driftsatt AI
-
I den här guiden kommer du att lära dig:
Förstå affärsnyttan
Identifiera lågt hängande frukter
Planera för skalbarhet och mätning
Implementera AI med en strukturerad process
"Genom en fördjupad förståelse för varje kunds unika behov formar vi skräddarsydda AI-lösningar som exakt adresserar deras specifika utmaningar. Det är vår expertis att skapa precision i teknologi för att möta och överträffa våra kunders förväntningar."
Anders Bjurström, CEO, Tenfifty