Kunstig intelligens (AI) har et enormt potensiale for å automatisere forretningsprosesser eller gi innsikt og beslutningsstøtte som ellers ikke ville vært mulig. Jeg liker å kalle dette de to A-ene som AI kan realisere: Automatisering og Analyse. AI er imidlertid kompleks teknologi som er krevende å både utvikle og bestille, og mange virksomheter som vil forbedre sine prosesser ved hjelp av AI går frem på en risikabel og lite hensiktsmessig måte ved planlegging, bestilling og gjennomføring.
Nå er det mange virksomheter som ønsker å transformere seg digitalt, automatisere, utvikle nye tjenester og potensielt skape verdi ved å utnytte de dataene man sitter på. Virksomheter som ønsker å realisere verdi ved hjelp av denne nye teknologien sender gjerne en forespørsel til konsulenter som utvikler AI-løsninger, slik som undertegnede. Forespørselen inneholder ofte en meget kortfattet beskrivelse av en konkret utfordring med noen få setninger om virksomheten selv og og ønsket funksjonalitet, ofte uten beskrivelse av eksisterende infrastruktur og tilgjengelige datakilder. Man ber om et tilbud som inkluderer forslag til teknisk løsning, oppstartdato, estimert varighet, team og budsjett. Så samler man inn tilbud fra et antall leverandører, velger det beste eller rimeligste tilbudet og setter i gang! Dette er velprøvd ved bestilling av IT-prosjekter og det fungerer til en viss grad, forutsatt at man har truffet noenlunde på kartlegging av sluttbrukernes behov og virksomhetens øvrige krav. Men AI-prosjekter er ikke som andre IT-prosjekter, og både gjennomføring og planlegging krever en bestillerkompetanse som de færreste innehar i dag. Å bestille en løsning basert på AI på denne måten – uten noen form for rådgivning fra en hands-on AI-ekspert – er å ønske seg selv veldig vondt.
IT-prosjekter med tungt innslag av AI krever en annen tilnærming. Årsaken er at utvikling av AI har behov for noe andre IT-prosjekter ikke har: Historiske data. For å avklare om virksomheten har de nødvendige historiske dataene for et AI-prosjekt så er det totalt avgjørende at de riktige spørsmålene stilles så tidlig som mulig i planleggingsfasen. For å begrunne hvorfor og hvilke spørsmål som må avklares bør jeg først forklare hvordan man typisk jobber med å utvikle en AI-løsning.
Utvikling av AI har behov for noe andre IT-prosjekter ikke har: Historiske data
For de aller fleste virksomheter og problemstillinger så finnes det ingen hyllevareløsning som kan tas i bruk uten videre. I stedet må et typisk AI-prosjekt gjennom minst tre faser: Datakartlegging, modellering og operasjonalisering. Man må starte med å kartlegge og inspisere de tilgjengelige dataene, og identifisere åpenbare problemer i dataene som hull, støy, manglende struktur, lite data og andre utfordringer. Mange slike utfordringer kan løses, men dette kan være et tidkrevende arbeid. Deretter forsøker man å lage en maskinlæringsmodell for å løse den ønskede oppgaven basert på de tilgjengelige dataene. Legg merke til at det står «basert på de tilgjengelige dataene». Tilgjengelige historiske data er «make or break» for et AI-prosjekt. Dataene må finnes i tilstrekkelig mengde, de må være ryddige, i god kvalitet, de må være teknisk tilgjengelige, samt juridisk og personvernmessig mulig å bruke.
Modelleringsarbeidet foregår typisk over noen uker, og man klarer som regel å iterativt forbedre modellen fra uke til uke. Dette rapporteres i ukentlige statusmøter. Når modellen har blitt god nok til å utføre den ønskede oppgaven på et akseptabelt nivå kan den «operasjonaliseres». Med dette menes at man gjør modellen tilgjengelig for brukere eller andre IT-systemer på en infrastruktur som er skalerbar, sikker og enkel å drifte. Denne siste delen er egentlig et tradisjonelt IT-prosjekt med integrasjon og infrastruktur.
Det er flere iboende usikkerheter ved AI-prosjekter, spesielt knyttet til datamengde, kvalitet, tilgjengelighet, hvor informative dataene er for den konkrete problemstillingen samt om det finnes en egnet algoritme. Derfor anbefaler jeg å gjennomføre AI-prosjekter på en smidig måte, i stedet for å forsøke å bestille den mest komplette løsningen som vil løse alle virksomhetens utfordringer fremover. Start med en idemyldrings- og planleggingsfase med god rådgivning fra en erfaren AI-utvikler etterfulgt av en todelt utviklingsprosess. Først gjennomfører man modelleringsfasen som et proof-of-concept (PoC) for å komme frem til en nedskalert, men god skisse for selve indrefileten i løsningen: maskinlæringsmodellen. I løpet av PoC-en avklarer man om det er mulig å lage en god maskinlæringsmodell for problemstillingen gitt de dataene som er eller kan bli tilgjengelige. Neste fase er å operasjonalisere og skalere konseptet fra PoC-en til et fullverdig produkt. Denne fasen minner mye mer om et tradisjonelt softwareprosjekt. Jeg kaller denne fremgangsmåten «Nail it, then scale it»!
AI-prosjekter skiller seg vesentlig fra tradisjonelle IT-prosjekter, og de krever en form for bestillerkompetanse som de aller færreste besitter og en fremgangsmåte som er smidig og iterativ. Det å innhente en rådgiver med både bransjeerfaring og hands-on AI-kompetanse så tidlig som mulig kan være den faktoren som gjør at man ikke kommer skjevt ut allerede fra starten.
