Redan 1996 beskrev IBM en standardiserad processmetod för data mining som de kallade CRISP-DM. Syftet med den var dels att skapa en process som funkar oavsett bransch, dels att skapa en process som fungerar oavsett val av teknik eller typ av applikation man bygger.
Metoden hade dock sina nackdelar. IBM själva insåg det och byggde om den en del år 2016. Vi på Tenfifty tycker att originalet är nära vår erfarenhet av verklighetens lyckade projekt, men har anpassat den till det vi sett har funkat bäst under alla år vi arbetat med praktisk och tillämpad AI. Så gick det till när Tenfiftys metod “Från idé till driftsatt AI” formades.
Översiktligt så har vår metodik fyra delsteg, med olika avstämningspunkter i en iterativ process. Så här ser upplägget ut – Från workshop till att sätta AI-idén i produktion:
Delsteg 1 – Workshop:
Det första av de fyra delstegen är en workshop. Syftet är att Tenfifty skall förstå kundens verksamhet, problem, möjligheter och dess data.
Under en workshop brukar vi kunna identifiera ett eller flera existerande problem eller möjligheter som kan lösas med AI. Under workshopen urskiljer vi även vilken intern och historisk data kunden redan har som är kopplade till dessa existerande problem eller möjligheter.
Ett av Tenfiftys ansvar är att identifiera de AI-tekniker som passar bäst för det kommande caset. Den valda AI-tekniken skall dels passa utifrån datans kvalitet och mängd. Det är även av yttersta vikt att den valda AI-tekniken är anpassad till de problem som skall lösas i projektet. Rätt AI-teknik är inte omogen eller onödigt krånglig för det aktuella caset.
Den hemliga ingrediensen i receptet för att identifiera mogna AI-teknikområden och lämpliga lågt hängande frukter, är att ha bred kunskap om de olika AI-lösningar som finns tillgängliga. Det finns gott om färdiga, beprövade och funktionella AI-lösningar som bara väntar på att användas. Utmaningen är dock att det finns ännu fler lösningar och tekniker som antingen är överambitiösa eller inte tillräckligt bra och mogna för det specifika caset.
Den här unika och viktiga erfarenheten finns på Tenfifty med 20+ års erfarenhet inom AI, där vi utvecklat och driftsatt över 70 AI-projekt och genomfört över 100 AI-fokuserade workshops.
Delsteg 2 – Proof of Concept (PoC):
Syftet med ett Proof of Concept är att visa att problemet går att lösa med hjälp av AI.
Vi startar PoC:en genom att kunden tar fram och exporterar historisk data från sina interna datakällor, en datadump, eftersom det oftast är enklaste sättet för oss att få tillgång till datan. Tillsammans går vi sen igenom, rensar och anpassar datan till den aktuella frågeställningen.
Baserat på kundens data, förståelse om affärsproblemet samt Tenfiftys kunskap om vilka AI-tekniker som är mest lovande för projektet, utvecklar och tränar vi en eller flera AI-modeller. Med hjälp av dessa modeller kan vi analysera hur kunden hade kunnat optimera, automatisera, förutsäga och prognostisera sin verksamhet historiskt sett och till vilken kvalitet.
Tillsammans med kunden utvärderar vi vilken modell eller modeller som är bäst lämpade att lösa det valda problemet. Den eller de modeller som funkar bra tar vi med oss till nästa steg.
Delsteg 3 – Pilot:
Vi är nu framme vid det tredje steget i vårt angreppssätt. Den avgörande skillnaden från det förra steget, PoC, är att nu ska modellen integreras med live-data från kundens affärssystem eller liknande. Vi tar även ofta fram ett gränssnitt eller kopplar ihop allt med kundens befintliga dashboard, för att visa resultat.
Det är en mycket givande del av ett projekt när man på riktigt kan se hur modellen presterar i jämförelse med kundens egna prognoser. Nu när live-datan flödar kan vi också få fram prediktioner och prognoser om framtiden, som kan användas i verksamheten.
Delsteg 4 – Driftsättning:
Det fjärde och sista steget i våra AI-projekt innebär skarp driftsättning av koden vi tar fram i piloten. Vi uppdaterar ofta gränssnittet och kanske även modellen efter lärdomar från piloten.
Vi sätter upp en stabil driftsmiljö och levererar ofta in analysresultaten i kundens befintliga affärssystem.
Resultat levereras normalt via ett API, men om kunden önskar kan vi skräddarsy en leverans lokalt i deras IT-miljö, oavsett plattform och övrig miljö.
Sammanfattning
Vi har i den här bloggserien beskrivit hur man går tillväga från idé till driftsatt AI på enkelt och praktiskt sätt. AI är idag ett moget teknikområde som väntar på att hjälpa svenska företag optimera, automatisera, planera och förutsäga sin verksamhet.
Ditt AI-initiativ behöver följande tre kompetenser för att lyckas:
- Affärsförståelse ⇒ Identifiera och lös verkliga problem!
- Dataförståelse ⇒ De flesta företag har ofta stora mängder intern data, använd denna data.
- AI-förståelse ⇒ Identifiera och använd färdiga, mogna och ändamålsenliga AI-lösningar utifrån problemformulering och datans egenskaper.
Att ha dess tre punkter med sig på vägen leder till smidiga och kostnadseffektiva AI-projekt med stor chans att lyckas.
På det här sättet säkrar vi tillsammans att vi inte slösar resurser, går åt fel håll eller kör i diket. Vi bygger steg för steg det vi kallar för #AIpåRiktigt.
Har du missat de tidigare delarna i denna bloggserie?
Från idé till driftsatt AI – Del 1- Introduktion
Från idé till driftsatt AI – Del 2 – Identifiera lågt hängande frukter
Från idé till driftsatt AI – Del 3 – Tre delar som gör AI-projekt lyckade
