Hvilke udfordringer bringer AI-projektet? | AI i erhvervslivet #65

Hvordan integrerer man effektivt AI-projekter i sin forretningsstrategi?

Gartner-forskning siger, at inden 2030 vil 80% af projektledelsesopgaver blive håndteret af AI. Hvordan procentdelen af projekter, der bruger AI til at fuldføre opgaver, vil se ud – må vi vente og se. Det er dog allerede værd at overveje, hvordan man integrerer AI i en virksomheds driftsstrategi.

Det første skridt er at forstå denne teknologis potentiale og begrænsninger. Kunstig intelligens er god til at analysere tendenser og mønstre, men fejler i ting som multitrins ræsonnering og moralsk beslutningstagning. Den skaber sensationelle visuelle elementer, men at få den til konsekvent at generere materialer, der matcher et brands image, kræver betydelig færdighed. Derfor kan vi ikke antage med en sandsynlighed, der kan sammenlignes med andre projekter, om det vil producere konkrete, målbare resultater, når vi begynder at arbejde på et AI-projekt.

Et godt udgangspunkt er derfor at analysere fordele og ulemper:

• Hvad er de samlede omkostninger ved de forskellige faser af implementeringen af AI-projektet?
• Hvilke KPI’er bør defineres for at vurdere den forretningsmæssige indvirkning af et AI-projekt?

For at opnå et troværdigt svar på disse spørgsmål er det bedst at vælge enkle AI-projekter, der bringer betydelig værdi, er let målbare og passer ind i virksomhedens strategi. En startup, der tilbyder kurer tjenester, kan tjene som et eksempel. Dens mål er at forbedre kundeservice og øge fleksibiliteten i forsyningskæden. Et simpelt, men værdifuldt AI-projekt er for eksempel implementeringen af en chatbot, der håndterer kundehenvendelser. En sådan virtuel assistent vil håndtere flere forespørgsler end et traditionelt callcenter, hvilket øger kundetilfredsheden gennem hurtige svar på henvendelser og ensartet kommunikationskvalitet. I kontrast hertil passer et avanceret system, der optimerer kurer ruter, til målet om at forbedre leveringsfleksibiliteten, men er komplekst og har meget højere risici.

Når de indledende AI-projekter er blevet bestemt, bør startup’en vurdere deres gennemførlighed, for eksempel med hensyn til det budget, som AI-projektet skal passe ind i.

Budgettering af AI-projekter. Nøgleudfordringer

Implementeringen af en færdiglavet SaaS- eller AI as a Service (AIaaS) løsning, eller såkaldt “færdiglavet AI”, har mange fordele. En af dem er de forudsigelige omkostninger ved at bruge værktøjet og de relativt let estimerbare omkostninger ved implementeringen af et AI-projekt. Du kan vælge mellem løsninger som:

• chatbot til kundeservice – såsom Intercom Fin, LiveChat fra Chatbot.com, Drift eller FreshChat,
• Social media analytics for at øge rækkevidden af marketingbudskaber – med Cortex, Buffer eller Lately, eller
• forretningsdataanalyse med Microsoft Power BI, Tableau, eller til mindre komplekse opgaver – Google Bard, som integreres med Google-dokumenter.

For større AI-projekter kan deres omkostninger ofte undervurderes. Især når det kommer til de ressourcer og den tid, der er nødvendig for dataindsamling og -forberedelse. For eksempel, ifølge Arvind Krishna fra IBM, kan dataforberedelsesfasen for AI-læring udgøre så meget som 80% af et projekts varighed.

Kilde: DALL-E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

Desuden, jo mere vi kræver personlige AI-modeller til et projekt, jo mere kvalitetsdata skal vi indsamle. For eksempel kræver dybe neurale netværk til læring hundrede tusinder af eksempler. Dette medfører omkostningerne ved at erhverve og rense sådanne enorme datasæt. Heldigvis betyder den hurtige udvikling af kunstig intelligens, at flere og flere AI-projekter kan implementeres uden behov for kostbar læring af en tilpasset model.

Ikke desto mindre bør en virksomhed, der planlægger et AI-projekt, overveje ikke kun udviklingsfasen af løsningen, men også forberedelsen af data og den fortsatte drift af systemet, herunder omkostningerne ved vedligeholdelse, opdatering eller indsamling af nye data. Først da kan man vurdere det reelle afkast af investeringen i AI.

Datahåndteringsproblemer i AI-projekter. Hvad du skal vide

En nøgleudfordring i AI-projekter er data – dens tilgængelighed, mængde og kvalitet. Hvad skal man så gøre? Før man starter et AI-projekt, skal man:

• omhyggeligt undersøge, hvilke data virksomheden har – i hvilken form de er gemt, og hvor de kommer fra,
• tage sig af infrastrukturen og udvikle interne dataindsamlingsprocesser,
• Overveje at købe eksterne datasæt eller crowdsourcing, hvis de er i kort supply.

Et almindeligt problem er, at data er spredt over flere systemer og formater. Det kan være udfordrende at sammenflette dem, rense dem og forberede dem til AI-læring. En god praksis er, at AI-teamet arbejder tæt sammen med IT-afdelingen eller dataanalytikere. Sammen bør de sikre, at den rigtige infrastruktur og dataindsamlingsprocesser er på plads.

Tekniske og sikkerhedsmæssige udfordringer i AI-projekter

AI er ikke kun maskinlæringsalgoritmer. For at få dem til at fungere i praksis kræves en hel IT-infrastruktur. I mellemtiden kan integrationen af nye AI-systemer med virksomhedens eksisterende systemer være udfordrende. Det kræver ofte tilpasning af ældre forretningssystemer, hvilket for mange virksomheder betyder betydelige opgraderingsomkostninger.

Desuden kræver AI-projekter ekspertise inden for datavidenskab og dataengineering. I mellemtiden ser verden en mangel på specialister på dette område. Ifølge McKinseys “Technology Trends Outlook 2023” rapport er forholdet mellem jobannoncer og tilgængelige specialister 7 til 100, og efterspørgslen vokser konstant.

Problemet med datasikkerhed er heller ikke ubetydeligt. AI-systemer behandler enorme mængder følsomme oplysninger, som skal sikres ordentligt mod lækage. I mellemtiden er databrud steget betydeligt i de seneste år. Dette er derfor en anden vigtig risiko at have in mente, når man implementerer AI-projekter.

Nøglekompetencer inden for AI for iværksættere. Hvilke vanskeligheder kan du støde på?

En almindelig barriere for implementeringen af et AI-projekt kan være dårlig viden om kunstig intelligens blandt ledere og beslutningstagere i virksomheder. Uden en dybdegående forståelse af teknologiens muligheder er det svært at vurdere levedygtigheden af specifikke projekter og træffe velovervejede beslutninger. Derfor er det vigtigt at investere i at forbedre ledernes viden inden for nye teknologier.

Oplæring af nuværende medarbejdere kan også hjælpe. Der tales i stigende grad om såkaldte “citizen data analysts” (“Citizen data scientists”). Disse specialister udnytter banebrydende teknologier til at løse specifikke forretningsproblemer, de står over for dagligt. De har stor viden om den branche, de arbejder i. Ved at være en del af teamet, der arbejder på et AI-projekt, gør de det muligt for AI-specialister at fokusere på implementeringsproblemer ved at besvare branchespecifikke spørgsmål.

Udover tekniske færdigheder, såsom evaluering af AI-anbefalinger og beslutningstagning, er bløde færdigheder også vigtige, herunder lederskab og strategisk tænkning. Dette er en anden måde at tackle manglen på AI-færdigheder i virksomheder.

Analysering af AI-projektets succes. Hvordan undgår man fejl, når man måler ROI?

Der cirkulerer et ubekræftet (og sandsynligvis usandt) rygte på internettet om, at op til 87% af AI-projekter aldrig når produktionsfasen. Selvom vi ikke har været i stand til at få adgang til pålidelige undersøgelser af succesfulde projekter, er en tidlig definition af måder at måle succes på nøglen til at vurdere den reelle indvirkning af AI-implementering.

En god praksis her er et lille eksperiment. Det involverer at teste AI’s ydeevne, for eksempel på et tilfældigt udvalg af brugere og sammenligne resultaterne med en kontrolgruppe, der bruger en standardløsning. En sådan A/B-test hjælper med at verificere, om det nye AI-system kan bringe de forventede resultater som en stigning i konverteringer eller kundetilfredshed.

Kilde: DALL-E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

A/B-testning er værd at gentage periodisk, selv efter AI-implementeringen, da modeller kan miste nøjagtighed og relevans i løsning af problemer. Dette vil gøre det muligt for dig hurtigt at identificere nye anomalier og behovet for at kalibrere systemet, så det fortsat leverer de forventede forretningsresultater.

Sammenfatning

Mens AI tilbyder enorme muligheder, bærer projekter inden for dette område betydelige udfordringer. For at få succes skal man realistisk vurdere omkostningerne og fordelene ved AI, tage sig af dataindsamling og kvalitet, udvikle interne kompetencer og satse på gradvis implementering af nye teknologier. Det er også afgørende at måle den håndgribelige forretningsmæssige indvirkning af implementeringer og reagere hurtigt på opståede problemer. Først da vil AI blive en forbedring snarere end en trussel mod virksomheden.

Hvis du kan lide vores indhold, så bliv en del af vores travle bier-fællesskab på Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.