Are you wanting to explore the infinite possibilities relating to implementing AI? The first step is, naturally, to develop a solid AI strategy. We will guide you through five things you should consider before implementing AI in your business.
Dette blogindlæg blev oprindeligt offentliggjort på Vismas norske blog. Du kan læse det oprindelige indlæg her.
TL;DRFor at udarbejde en troværdig AI-strategi er det nødvendigt at tage stilling til fem grundlæggende områder, inden teknologien tages i brug: kompetencespørgsmålet om, hvorvidt man skal opbygge eller indkøbe data science-ekspertise, datakvalitet og systematik i dataindsamlingen, overholdelse af GDPR og privatlivsbeskyttelse, integration med eksisterende systemer samt en klar forretningsmæssig begrundelse for hvert enkelt anvendelsestilfælde. Dette indlæg, der oprindeligt blev offentliggjort på Vismas norske blog, betragter indførelsen af AI som et projekt, der handler om at opbygge organisatoriske kompetencer, og ikke blot som et teknologikøb.
Ønsker du at udforske de uendeligt mange muligheder, der følger med en implementering af AI? Det første naturlige skridt er at udvikle en solid AI strategi. Vi guider dig igennem de fem ting, du skal overveje, inden du implementerer AI i din forretning:
For at kunne implementere kunstig intelligens kræves der ekspertise. Du skal afgøre, om det er en kompetence, du vil købe eller rekruttere til din virksomhed. Jobfunktionen, Data Scientist, er blevet kåret som en af de mest eftertragtede jobfunktioner i det 21. århundrede. Derfor kan det være en uforudset udfordring at få samlet det helt rigtige Data Science-team, da kompetencen er meget eftertragtet. Kunstig intelligens lever ikke sit eget liv og skal med andre ord sættes i produktion, før der kan ses resultater. Samtidig kan det være en udfordring at få integreret løsningen med de interne systemer.
Hvis du ønsker at implementere AI, skal du have tilgængelig data som dine systemer kan lære af. I mange situationer er datakvaliteten lavere end ønsket og i nogle tilfælde så dårlig, at det ikke er muligt at opbygge en fornuftig brug af AI. Denne situation er blevet så kendt, at udtrykket “affald ind, affald ud” er blevet en kliché i branchen.
Data skal indhentes på en måde, hvorpå systemet har mulighed for at lære af det på et senere tidspunkt. I mange tilfælde skal forretningsprocesser ændres for at strukturere data bedre. Det er imidlertid en længere proces at ændre forretningsprocesser, når man indhenter data. Det er derfor noget, der skal tages med i overvejelserne om hvorvidt ekspertisen skal være intern eller ekstern.
Mange AI-løsninger er udviklet til at træffe beslutninger, der i sidste ende handler om mennesker. Det betyder, at de data, der anvendes til indlæring, skal være i overensstemmelse med GDPR og at projektet løbende evalueres. Der skal være et klart retsgrundlag for at kunne anvende oplysningerne.
Risici kan reduceres ved for eksempel at anonymisere datasættet. Vær dog opmærksom på, at denne proces også ses som databehandling og derfor bør godkendes og konsekvensanalyseres. Sikkerhed omfatter mere end bare privatliv, og derfor skal så få mennesker som muligt have adgang til dataen og serveren.
Etisk AI handler om, at AI skal træffe valg, som vi mennesker selv ville have truffet. Hvis du ikke er bevidst om disse forhold, kan du komme til at opbygge modeller, der utilsigtet diskriminerer mennesker i en automatisk beslutningsproces. Hvis du for eksempel har modstridende forhold i datasættene, kan du ende i en situation, hvor din digitale bankrådgivere afviser alle låneansøgninger fra indvandrere uanset betalingsevnen.
Ud over dette er det vigtigt at tænke på, om man ønsker, at kunstig intelligens skal kunne forklares og verificeres. Vil dit system altid tage den samme beslutning ved hjælp af de samme input-data?
Endelig er det vigtigt at overveje, præcis hvad AI’en skal bruges til. Vil AI’en overtage nogle af de opgaver, der i dag udføres af mennesker? Hvis ja, hvilke andre opgaver bør de så påtage sig i stedet? Måske bør AI’en bruges til at øge overskuddet i stedet for at sænke omkostningerne og dermed bevare antallet af arbejdspladser.
Før det giver mening at implementere en AI strategi, skal problemstillingen være på plads. Det er ikke nødvendigvis nok at have tilstrækkelig data, som man kan “gøre noget smart med” for skabe værdi. Kig indad i virksomheden og find det problem der skal løses. Grundlaget for en succesfuld AI implementering er en fornuftig business case.
Ofte stillede spørgsmål
Hvilke fem punkter bør enhver AI-strategi omfatte?
Indlægget fremhæver følgende punkter: kompetencer (om man skal ansætte eller købe AI-ekspertise), dataindsamling (at sikre, at man har rene, strukturerede data, som AI’en kan lære af), privatliv og sikkerhed (overholdelse af GDPR og retsgrundlag for brug af personoplysninger), integration med eksisterende interne systemer samt en trinvis implementeringsplan. Hvis man springer et af disse punkter over, medfører det en risiko for implementeringen.
Skal vi ansætte en data scientist for at indføre kunstig intelligens i vores virksomhed?
Det er ikke altid tilfældet, men man skal beslutte, om AI-kompetencen skal hentes internt eller eksternt, inden man går i gang. Data Scientist er en af de mest efterspurgte stillinger i det 21. århundrede, hvilket gør rekrutteringen til en udfordring. Mange virksomheder benytter sig af eksterne leverandører eller køber software med indbygget AI i stedet for at opbygge et team fra bunden.
Hvilke problemer med datakvaliteten hindrer typisk implementeringen af kunstig intelligens?
Datakvaliteten er ofte lavere end forventet, og i nogle tilfælde så dårlig, at AI simpelthen ikke kan fungere ordentligt. Årsagen er ofte, at forretningsprocesserne blev udformet uden at tage højde for struktureret dataindsamling. For at løse dette problem er det nogle gange nødvendigt at ændre den måde, dataene indsamles på, hvilket er et procesændringsprojekt, før det bliver et AI-projekt.
Hvordan påvirker GDPR AI-projekter inden for finans eller HR?
Mange AI-systemer inden for finans og HR træffer beslutninger, der vedrører mennesker, hvilket kræver et klart retsgrundlag for brugen af deres data. AI’en skal overholde GDPR, og projektet skal løbende vurderes i takt med, at det udvikler sig. Anonymisering af datasæt kan mindske risikoen, men denne proces skal håndteres med omhu, da anonymisering også kan mindske dataenes anvendelighed.
Måske ved du det allerede – eller måske ikke – men faktum er, at der i mange virksomheder ligger...
Jeg hedder Dan Rose Johansen og jeg har fået den glæde at skrive et gæsteindlæg til Acubiz om...
Hvordan kan det være, at de største modstandere af automatisering og optimering af processer ofte...
