Om din bedrift er i startgropen på dette arbeidet bør man begynne med å fastsette en AI-strategi. Her er fem punkter som bør være med i den.
1. Kompetanse
For å kunne implementere kunstig intelligens trengs det spisskompetanse. Her må man ta stilling til om dette er en kompetanse man ønsker å kjøpe eller rekruttere til selv. “Data scientist” (person med maskinlæringskompetanse og gode analytiske egenskaper) er kåret til den mest sexy jobben i det 21. århundre, og fortsatt er det sånn at etterspørselen er større enn tilbudet.
Ønsker man å bygge opp sitt eget Data Science-team kan dette ta lang tid. Samtidig er det sånn at den kunstige intelligensen ikke lever helt sitt eget liv; den må produksjonsettes før man oppnår gevinster. Leier man inn et team får man teamet mye raskere på plass, men kan det være vanskeligere å integrere løsningen med egne systemer, enn om alle er in-house.
2. Datafangst
Det er mange ganger sagt at “Data er den nye oljen”, og hvorvidt det er sant eller ikke kan man absolutt diskutere lenge om. Men skal du implementere AI er du nødt til å i alle fall ha noe data å lære av. Vi erfarer at datakvalitet ofte er lavere enn ønskelig, og i mange tilfeller så dårlig at det ikke går an å bygge noen fornuftig intelligens på toppen. Dette er så velkjent at begrepet “garbage in -> garbage out” er blitt en klisjé i bransjen.
Dataene må fanges på en sånn måte at et system skal kunne lære noe av dem på et senere tidspunkt. I mange tilfeller må forretningsprosesser endres for å strukturere dataene bedre. Å endre på disse prosessene for å forbedre datafangsten er noe som strekker seg over en lengre tidsperiode, og er noe man burde ta inn i beregningen av om man ønsker intern eller ekstern kompetanse.
Lære mer om AI? Last ned vår guide til maskinlæring, analyse og business intelligence her.
3. Personvern og sikkerhet
Mange AI-løsninger lages for å fatte beslutninger som til slutt handler om folk. Konsekvensene av dette er at dataene som brukes til læring bør sikres godt, og prosjektet må konsekvensvurderes, samt at man må ha en tydelig hjemmel for at man kan benytte opplysningene. Risiko kan forminskes ved å f.eks anonymisere datasettet, men vær obs at at også denne prosessen er en databehandling og dermed bør hjemles og konsekvensvurderes.
Sikkerhet er også mer enn bare personvern. Strategien bør inneholde elementer for at løsningene ikke skal la seg lure lett, som f.eks ved one-pixel-attack, perturbasjoner eller adversial attacks. I tillegg bør så få folk som mulig har tilgang til treningsdata og treningservere.
4. Etikk
Etisk AI handler om at AI må ta valg som vi mennesker kan stå inne for. Dersom man ikke har et bevisst forhold til dette er det fort gjort å bygge modeller som (utilsiktet) diskriminerer personer i en automatisk beslutningsflyt. Har du bias i treningsdataene dine kan du være så uheldig at den digitale lånekonsulenten din underkjenner alle lånesøknader fra innvandrere uavhengig av betalingsevne.
Utover dette er det viktig å tenke over hvorvidt man ønsker at den kunstige intelligensen skal være forklarbar og etterprøvbar. Vil systemet ditt alltid komme til samme avgjørelse ved å bruke samme inputdata? Til slutt må man vurdere akkurat hva man ønsker å bruke AI til. Skal AI erstatte menneskelige arbeidere? Har man i så tilfelle noe annet disse kan gjøre? Burde man kanskje heller brukt AI for å øke profitt i steden for å senke kostnader, og dermed beholde antall arbeidsplasser?
5. Et problem å løse
Sist, men ikke minst, må man finne problemer som det gir mening å løse. Vi opplever at mange mener de har veldig gode data, og at det bør enkelt å gjøre noe smart med disse som skaper verdi. Det er du som kjenner virksomheten din best, og vet hvilke problem som bør løses! Det er ikke noe poeng å drive med AI uten at det ligger et fornuftig business case bak det.
En ting som likevel kan hjelpe er å se på hva andre har fått til i praksis.
Vil du lære mer om hvordan du kan benytte maskinlæring i dine business intelligence og analytics prosjekter?