AI – från data till affärsbeslut
Att samla in data är idag inget större problem. Men hur ska den användas? Och hur kan den implementeras i AI-system? Det är när data används för att effektivisera en verksamhet eller hitta nya tillämpningar som möjligheterna uppstår – möjligheter som fångas med ett tydligt syfte, öppet sinne och väl genomarbetad data.
Fler och fler företag börja tittar på artificiell intelligens och maskininlärning i bredare skala. I en studie där Info-Tech Research Group har frågat CIO:er och andra IT-ledare världen över om deras planer för AI under 2024, säger en av tre att de kommer rulla ut generativa AI-funktioner under det kommande året. De flesta planerar att använda AI för automatisering av repetitiva arbetsuppgifter och för IT-drift och två av fem säger också att de kommer använda AI för att definiera deras affärsstrategi.
Tre nivåer av mognad
Kevin Söderberg, senior data scientist och AI tech lead på HiQ, känner igen ambitionerna och enligt honom finns det vanligtvis tre ingångar till att ett företag börjar titta på AI-system.
– Det finns fortfarande företag som hänger på hajpen utan att ha en egentlig idé med vad de vill åstadkomma, men vanligare är att vi ser en viss mognadsnivå där företaget har samlat in data och vill undersöka hur de kan användas. Den tredje typen är företag som har en strategi för hur de vill realisera sin data för att skapa ett mervärde, säger han och fortsätter:
– Vi möter alla tre mognadsnivåer. Gemensamt är att företagen ännu inte har egen AI-kompetens och därför inte alltid vet vad de ska göra av insamlad data. Det finns dessutom få specialister på marknaden, vilket gör det svårt att få in kompetensen på företagen.
Utvecklingstakten kräver konstant kompetens-utveckling
Kevin Söderberg arbetar tillsammans med Albin Sidås, data scientist på HiQ, med visuell perception för autonoma fordon i ett framtidsprojekt på Toyota. Arbetet med AI-system är komplext och kräver kompetens inom flera olika områden. I det aktuella projektet på Toyota handlar det exempelvis om semantisk segmentering – att hitta strukturer i en bild, objektidentifiering – att identifiera objekten i bilden, och så kallad object tracking – att följa de objekt man identifierat.
– I och med att AI är väldigt brett och att utvecklingen går så pass snabbt krävs det att vi arbetar parallellt samtidigt som vi håller oss uppdaterade på varsina områden, säger Albin Sidås.
Rätt data vid rätt tillfälle
Data som kan komma i fråga till AI-modeller är allt från ostrukturerad data, som bilder och ljud, och semi-strukturerad data, som händelserapporter och html-objekt, till strukturerad data som typiskt hittas i exempelvis Excelark, relationsdatabaser och tabulär data som genererats från sensorer.
Vilken typ av data du använder beror på användningsområde. Inom visuell perception används naturligt sett oftast ostrukturerade data i form av bilder, medan AI-system för att exempelvis upptäcka bedrägerier ofta använder strukturerad data.
– Många känner inte till begränsningarna i olika typer av data och hur du använder rätt data vid rätt tillfälle, säger Albin Sidås.
– Hittills har varje AI-system använt endast en typ av data, men vi ser nu hur så kallade multimodala modeller växer fram, alltså där olika typer av indata kombineras och ger ännu mer stabila modeller, säger Kevin Söderberg.
Datakvalitet i fokus
Även om ett företag har samlat på sig stora mängder data till ett visst ändamål är det inte säkert att datan är tillräcklig. Som exempel beskriver Albin Sidås utmaningar som kan uppstå med inspelad data från verkligheten.
– Det kan vara svårt att få bra kvalitet och tillräcklig variation på inspelad data. För att lösa det måste du exempelvis arbeta med olika ljussättningar, olika typer av kameror och linser och att spela in i olika miljöer, annars riskerar du att stå med en mängd duplicerad data till ingen nytta. Räcker inte det går det att komplettera med syntetisk data eller använda öppna datamängder som finns tillgängliga, framför allt från universitet och högskolor, för att förbättra dina modeller, säger han.
”Det kan vara svårt att få bra kvalitet och tillräcklig variation på inspelad data. För att lösa det måste du exempelvis arbeta med olika ljussättningar, olika typer av kameror och linser och att spela in i olika miljöer, annars riskerar du att stå med en mängd duplicerad data till ingen nytta.”
Albin Sidås
Sänk tröskeln och börja smått
Både Kevin Söderberg och Albin Sidås upplever att svenska företag är intresserade och hyfsat bra på att anamma AI och maskininlärning, men att det också finns en viss osäkerhet i hur AI-system kan nyttjas och om det är värt investeringen.
– Ett tips är att börja med lågt hängande frukter och påvisa resultat genom en Proof of Concept, till exempel att använda så kallade Large Language Models för att göra dokumentsammanfattningar i effektiviseringssyfte. Då brukar organisationen förstå att AI-system är värda att satsa på, säger Kevin Söderberg.
Vanligare med AI inom produktutveckling
AI återfinns idag främst inom tre områden: att bygga intelligenta produkter, att bygga intelligenta tjänster och att förbättra ett företags interna processer, ofta med fokus på just produkter och tjänster.
– Företagets tekniska mognad och förmåga att acceptera förändringar är avgörande för om ett företag satsar på AI eller inte, säger Kevin Söderberg och fortsätter:
– Det är vanligare att våga investera i tekniken inom produkt- och tjänsteutveckling. Interna processer kommer ofta längre ner på listan, även om en effektivare intern process i förlängningen kan öka på takten av innovation i erbjudandet.
Krav på att förklara AI-baserade beslut
AI-system har många fördelar, men det finns också en del begränsningar och utmaningar. De kommer att förändra sättet många av oss arbetar och många repetitiva arbetsuppgifter sköts redan av intelligenta assistenter. Men med det kommer också nya arbetsuppgifter.
Exempelvis måste modellerna uppdateras och återtränas med nya data, och än så länge gör systemet inte det på egen hand.
– Vi måste förstå att artificiell intelligens inte är en exakt vetenskap. Det är en statistisk modell och det kräver ett speciellt tankesätt, säger Kevin Söderberg.
Inom AI arbetar man med sannolikhet snarare än med kausalitet, som många är vana vid. Många ser AI som en svart låda vars utdata inte går att förklara. Men det finns metodik för att undersöka AI-modeller, bland annat XAI (eXplainable Artifical Intelligence) som är ett ramverk för att analysera AI-modeller och se hur besluten i modellen fattas.
– Det kan vara svårt att ge ett matematiskt bevis för ett resultat, men vi kan empiriskt visa hur modellen fungerar och hur den fattar beslut, säger Albin Sidås.
Dessutom finns det krav på att vissa resultat, såsom kreditbetyg, ska kunna förklaras. Och inom EU finns European Centre for Algorithmic Transparency vars syfte är att säkerställa en öppenhet kring algoritmer och modeller.
”Vi måste förstå att artificiell intelligens inte är en exakt vetenskap. Det är en statistisk modell och det kräver ett speciellt tankesätt.”
Kevin Söderberg
Framgångsfaktorer för din AI-satsning
- Tillgång till data och hårdvara för att träna modeller och analysera stora mängder data är en grundförutsättning.
- En strategi för hur företaget ska arbeta med data och AI – för riktning och att säkerställa ansvarsfull AI.
- En anpassad projektprocess som tar hänsyn till att AI-system kräver ett mer cirkulärt arbetssätt än vid traditionell mjukvaruutveckling.
- En öppenhet i organisationen för förändringen som resultatet från modeller och analyser kan leda till.
Kontakta oss!
Kontakta oss!
Välj kontor eller kontakta HiQ International i Stockholm om du är tveksam.
