5 things you should include in your AI strategy

Det här blogginlägget publicerades ursprungligen på Vismas norska blogg. Du kan läsa det ursprungliga inlägget här.

I korthetFör att utforma en trovärdig AI-strategi måste man ta itu med fem grundläggande områden innan någon teknik tas i bruk: kompetensfrågan om man ska bygga upp eller köpa in datavetenskaplig expertis, datakvalitet och systematik vid datainsamling, efterlevnad av GDPR och integritetsskydd, integration med befintliga system samt ett tydligt affärsunderlag för varje användningsfall. Detta inlägg, som ursprungligen publicerades på Vismas norska blogg, behandlar införandet av AI som ett projekt för att utveckla organisationens kapacitet, inte bara som ett teknikinköp.

Vill du utforska de oändliga möjligheterna som finns när det gäller att införa AI? Det första steget är naturligtvis att ta fram en gedigen AI-strategi. Vi guidar dig genom fem saker du bör tänka på innan du inför AI i din verksamhet:

1. Kompetenser

Att implementera artificiell intelligens kräver expertis. Man måste bedöma om det är en kompetens man vill köpa in eller rekrytera internt i företaget. Yrkesrollen ”datavetare” har utsetts till en av de mest eftertraktade yrkesrollerna under 2000-talet. Det kan vara en utmaning att sätta samman rätt team av datavetare, eftersom deras kompetenser är mycket efterfrågade. Artificiell intelligens lever inte sitt eget liv, utan måste med andra ord tas i drift innan man kan se resultat. Samtidigt kan det vara en utmaning att integrera lösningen med de interna systemen.

2. Datainsamling

Om du vill implementera AI måste du ha tillgång till data som dina system kan lära sig av. Ofta är datakvaliteten sämre än förväntat och i vissa fall så dålig att det inte går att använda AI på ett korrekt sätt.

Data måste samlas in på ett sätt som gör det möjligt för systemet att dra lärdom av dem i ett senare skede. I många fall måste affärsprocesserna ändras för att data ska kunna struktureras bättre. Att ändra affärsprocesserna i samband med datainsamlingen kan dock vara en långdragen process. Detta är därför något som måste beaktas när man överväger om kompetensen ska finnas internt eller externt.

3. Integritet och säkerhet

Många AI-lösningar är utformade för att fatta beslut som i slutändan handlar om människor. Följden av detta är att de data som används för inlärningen måste vara förenliga med GDPR och att projektet utvärderas löpande. Det måste finnas en tydlig rättslig grund för att informationen ska kunna användas.

Riskerna kan minskas genom att man till exempel anonymiserar datamängden. Man bör dock vara medveten om att även denna process betraktas som databehandling och därför bör godkännas och genomgå en konsekvensanalys. Säkerhet omfattar mer än bara integritet, och därför bör så få personer som möjligt ha tillgång till data och servern.

4. Etik

Etisk AI handlar om att AI ska fatta beslut som vi människor själva skulle ha fattat. Om man inte är medveten om dessa förutsättningar kan det hända att man bygger modeller som oavsiktligt diskriminerar människor i en automatiserad beslutsprocess. Om det till exempel finns motstridiga förutsättningar i datamängderna kan man hamna i en situation där de digitala bankrådgivarna avslår alla låneansökningar från invandrare, oavsett betalningsförmåga.

Utöver detta är det viktigt att fundera över om du vill att den artificiella intelligensen ska vara förklarbar och verifierbar. Kommer ditt system alltid att fatta samma beslut utifrån samma indata?

Slutligen är det viktigt att fundera över exakt vad AI:n ska användas till. Kommer AI:n att ersätta vissa av människornas arbetsuppgifter? Om så är fallet, vilka andra uppgifter bör de då ta sig an istället? Kanske bör AI:n användas för att öka vinsten istället för att sänka kostnaderna och på så sätt bevara antalet arbetstillfällen.

5. Lösningen på ett problem

Innan det är meningsfullt att införa en AI-strategi måste problemet finnas på plats. Det räcker inte nödvändigtvis med att ha tillräckligt med data som man vill ”göra något häftigt med” för att skapa värde. Titta inom företaget och hitta det problem som behöver lösas. Grunden för en framgångsrik AI-implementering är en väl genomtänkt affärsplan.

Vanliga frågor

Vilka är de fem punkter som varje AI-strategi bör ta upp?

I inlägget lyfts följande punkter fram: kompetens (om man ska anställa eller köpa in AI-expertis), datainsamling (att säkerställa att man har rena, strukturerade data som AI:n kan lära sig av), integritet och säkerhet (efterlevnad av GDPR och rättslig grund för användning av personuppgifter), integration med befintliga interna system samt en stegvis implementeringsplan. Att hoppa över någon av dessa punkter medför en risk för implementeringen.

Behöver vi anställa en dataforskare för att införa AI i vårt företag?

Det är inte alltid så, men man måste bestämma sig för om AI-kompetensen ska finnas internt eller externt innan man sätter igång. Data Scientist är en av de mest efterfrågade rollerna under 2000-talet, vilket gör rekryteringen till en utmaning. Många företag anlitar externa leverantörer eller köper programvara med inbyggd AI istället för att bygga upp ett team från grunden.

Vilka problem med datakvaliteten hindrar vanligtvis införandet av AI?

Datakvaliteten är ofta lägre än förväntat, och i vissa fall så dålig att AI helt enkelt inte kan fungera som den ska. Den grundläggande orsaken är ofta att affärsprocesserna utformades utan att man tog hänsyn till strukturerad datainsamling. För att åtgärda detta krävs det ibland att man ändrar sättet på vilket data samlas in, vilket innebär ett processförändringsprojekt innan det blir ett AI-projekt.

Hur påverkar GDPR AI-projekt inom finans- och HR-området?

Många AI-system inom finans och HR fattar beslut som rör människor, vilket kräver en tydlig rättslig grund för användningen av deras data. AI-systemet måste följa GDPR, och projektet måste utvärderas löpande i takt med att det utvecklas. Att anonymisera datamängder kan minska risken, men denna process måste hanteras med försiktighet eftersom anonymiseringen också kan minska datans användbarhet.