AI-produkter og -projekter – hvordan adskiller de sig fra andre? | AI i erhvervslivet #49

Introduktion til AI produktledelse

AI produkter kræver konstant udvikling og tilpasning, hvilket adskiller sig fra traditionelle teknologiske løsninger.

• AI, kunstig intelligens – et generelt navn for evnen hos maskiner til at udføre opgaver, der efterligner menneskelig ræsonnering og kreativitet, såsom at genkende billeder, forstå skriftligt og talt sprog eller træffe beslutninger baseret på tilgængelige data,
• ML, maskinlæring – en underdisciplin af AI, der dækker processer, hvor maskiner lærer af data og erfaringer for at udføre opgaver bedre. Unikheden ved maskinlæring (ML)-baserede produkter kommer fra det faktum, at de ikke er forprogrammerede, men er udstyret med lærings- og tilpasningsevner. I industrier som sundhedspleje bidrager AI til mere præcise diagnoser, mens det i finanssektoren muliggør mere sofistikeret risikanalyse,
• GenAI, generativ kunstig intelligens – et nyt felt inden for ML, der involverer systemer, der kan skabe nyt indhold, såsom tekst, billeder, video, 3D-modeller eller musik, baseret på brugerens opfindelse eller brugerdefinerede formål og inputdata såsom nøgleord, forespørgsler eller prompts, eller skitser eller fotos.

AI produktplanlægning – fra idé til implementering

Planlægning af et AI produkt kræver, at man stiller et centralt spørgsmål fra starten: Vil dette produkt have gavn af at tilføje AI-funktioner?

Implementering af et AI produkt er risikabelt og dyrt, og derfor er det en god idé at starte med at definere det problem, der skal løses med AI-implementeringen, og derefter forsøge at løse det optimalt. Måske ved at bruge brainstorming med ChatGPT eller Google Bard, som kan overraskende rådgive om den optimale produktudviklingsvej – ikke nødvendigvis baseret på AI.

Men hvis vi beslutter at tilføje kunstig intelligens til en virksomheds tilbud, skal vi overveje specifikationerne for AI-projektets livscyklus. Trods alt viser Gartner-data, at kun 54% af AI-projekter når fra pilotfasen til produktion.

Dette skyldes ofte de meget lovende prototyper, der kan skabes med de AI-værktøjer, der er tilgængelige i dag. På den anden side er det meget svært at opnå “produktionskvalitet” og den gentagelighed og relevans af resultater, som interessenterne kræver.

AI produktlivscyklussen adskiller sig dog fra andre, ikke kun ved at den sjældnere går ud over konceptfasen. Hvor livscyklussen for traditionelle produkter har en tendens til gradvist at falde i interesse, når salget topper, oplever AI produkter den såkaldte “flywheel-effekt.” Dette er et fænomen, hvor et maskinlæring-baseret produkt forbedres, efterhånden som det bruges, og nye data indsamles fra brugerne. Jo bedre produktet er, jo flere brugere vælger det, hvilket igen genererer flere data til at forbedre algoritmen. Denne effekt skaber en feedback-loop, der muliggør kontinuerlig forbedring og skalering af AI-baserede løsninger.

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

Dette gør dem til produkter med en fornyende livscyklus. Med andre ord betyder flywheel-effekten i AI, at kontinuerlige forbedringer fører til inkrementelle forbedringer i produktets ydeevne. For eksempel:

• Iterativ træning af AI-modeller – for eksempel kan en model til salgsprognoser kræve gentagen træning for at opnå optimal nøjagtighed, men den bliver mere og mere perfekt over tid,
• Data backlog management – for applikationer til indholds-personalisering kan indsamling og analyse af brugerdata være en prioritet, hvilket gradvist vil føre til mere og mere relevante resultater.

Afslutningsvis kræver AI projektledelse fleksibilitet og parathed til kontinuerlig forbedring. Derfor skal AI projektledere være forberedt på at imødekomme skiftende krav og konstant justere strategier.

Forståelse af data og dens rolle i AI produktudvikling

Data spiller en afgørende rolle i AI produktudvikling. McKinsey estimerer, at generative AI-modeller kunne generere økonomiske fordele på op til 4,4 billioner dollars årligt. Men at række ud efter en del af den kage kræver kvalitetsdatahåndtering.

For eksempel, for at et e-handels produktanbefalingssystem kan fungere godt, er kvaliteten af kundeadfærdsdata afgørende. Du har ikke kun brug for den rette mængde data, men også dens korrekte segmentering og opdatering, og vigtigst af alt, dygtig konkludering af de indsamlede oplysninger.

Når man skaber et datadrevet AI produkt, er det lige så vigtigt at opretholde upartiskhed i dataene. For eksempel, i AI-algoritmer, der bruges i rekruttering eller forsikring, må dataene ikke indeholde implicitte bias – baseret på køn eller placering – der kunne føre til diskrimination.

Det er værd at bemærke, at korrekt datahåndtering ikke kun kræver teknisk ekspertise, men også bevidsthed om dens indvirkning på ydeevnen af AI produkter.

De mest almindelige problemer ved håndtering af AI-baserede produkter

At håndtere AI produkter indebærer udfordringer, der kræver specifikke færdigheder og etisk bevidsthed. Blandt de vigtigste problemer er det værd at nævne:

• Udvikling af AI-færdigheder – for eksempel skal en produktleder i AI-branchen forstå grundlæggende maskinlæring for at arbejde effektivt med det tekniske team,
• opdateret orientering til lovgivningsmæssige krav – regler for AI produkter er lige ved at opstå, så du skal være orienteret for løbende at justere din virksomheds politikker og regler for brug af AI produktet,
• integrering af AI i eksisterende systemer – at integrere avanceret kunstig intelligens i eksisterende IT-systemer kan udgøre teknologiske og organisatoriske udfordringer,
• skalering af AI-løsninger – for teknologiske start-ups kræver udviklingen af en AI prototype til et fuldskala produkt ressourcer, tid og ekspertise, hvilket også kan være et problem på grund af det relativt lave udbud og høje efterspørgsel efter specialister,
• holde brugerne engagerede – for en app, der bruger AI til at personalisere indhold, er det afgørende konstant at tilpasse sig brugernes skiftende præferencer for at holde dem engagerede,
• håndtering af etiske dilemmaer – for eksempel, i en AI-applikation til sundhedsovervågning, er privatlivets fred og sikkerhed for brugerdata en prioritet.

AI produkter – opsummering

Afslutningsvis kræver håndtering af AI projekter og produkter en forståelse af de unikke udfordringer og muligheder, som teknologien bringer. At forstå dataens rolle, at kunne lede teams og projekter samt at være opmærksom på de etiske aspekter af AI er essentielt. AI produkter åbner nye horisonter for erhvervslivet, men de kræver den rette tilgang og færdigheder.

For start-ups er det vigtigt at fokusere på klart at definere det problem, som AI produktet skal løse, og at opbygge et team med den rette viden og erfaring inden for AI. Det er også værd at fokusere på at bygge etiske og gennemsigtige AI-systemer, der overholder brugerens forventninger og regler.

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