Denne klumme er et debatindlæg og er alene udtryk for skribenternes synspunkter.
Kunstig intelligens-projekter (AI) er inden længe hverdag i mange virksomheder. Dog er der mange virksomheder, som har oplevet en smertefuld, måske akavet, første gang, og som ikke føler for en omgang mere lige med det samme.
Ofte er det fordi, der kastes en masse funding efter et AI-projekt, som så viser sig ikke at give noget særligt afkast. Netop dette er jo en ærgelig afslutning, når konsensus blandt ledere er, at AI er strategisk vigtigt for deres virksomheder i fremtiden.
Nogle dårlige oplevelser skyldes dårlig eksekvering. De oplevelser vil altid være der. Det er ikke dem, jeg vil adressere her. Jeg vil tale om dem, der på trods af et kompetent forsøg stadig ikke giver det forventede afkast.
AI er eksperimentet
AI er ofte en eksperimentel process, og det betyder, at man ikke altid ved, om det, man har sat sig for, overhovedet kan lade sig gøre.
Det kan også let vise sig at være mere omfangsrigt. Det kan ydermere være, at den data, man har, ikke viser de mønstre, man antog fandtes fra start. I det tilfælde skal man ofte helt tilbage til sit udgangspunkt og redefinere sit problem eller skaffe mere data.
Samtidig med, at det er svært at forudsige, hvad AI koster, er det også svært at vide, hvad det bringer. For hvor godt AI’en virker, ved man heller ikke, før man har lavet udviklingen.
Det er altså en process, der om noget er svær at planlægge og svær at bygge en business case på fra starten af, som faktisk viser sig at holde vand.
Så hvad gør man, når man ikke kan estimere omkostninger eller fortjeneste på forhånd?
Svaret et milestone-funding
Ligesom man ser det i medico og forskningsprojekter skal AI-projekter milestone-fundes.
Der skal altså ikke som i traditionel AI allokeres penge til hele projektet fra start.
Et AI-projekt skal bevise sit værd i de forskellige faser, det kommer ind i, og funding skal kun ske, når hver fase eller milestone har levet op til sine succeskriterier.
På den måde undgår man, at et projekt efter lang tid og mange penge viser sig ikke at have den effekt, man håbede på. Det er selvfølgeligt altid ærgerligt, når et projekt ikke bærer frugt, men vil man ikke hellere vide det tidligt end sent?
Der findes nogle oplagte milestone, som jeg synes, man skal lade sig inspirere af i arbejdet med kunstig intelligens:
Forretningsforståelse
- Kan man opnå den nødvendige forretningsforståelse?
- Ændrer den forretningsforståelse på casen?
Dataindsamling og fortolkning
- Kan man opnå den nødvendige data?
- Fortæller data en anden historie, end man regnede med fra start?
AI-modeludvikling
- Giver AI’en de forventede resultater?
Deployment og træning
- Virker AI’en efter hensigt i praksis, og kan brugere lære den nye hverdag?
Evaluering og iteration
- Vil der være en forretning i at iterere over processen og forbedre løsningen?
De milestones er selvfølgeligt meget afhængige af projektet og domænet, men det er en god start.
Hvis it-branchen tager denne model til sig, vil AI langt hurtigere få succes i danske virksomheder.
Klummer er læsernes platform på Computerworld til at fortælle de bedste historier, og samtidig er det vores meget populære og meget læste forum for videndeling.
Har du en god historie eller har du specialviden, som du synes trænger til at blive delt?
Læs vores klumme-guidelines og send os din tekst, så kontakter vi dig - måske bliver du en del af vores hurtigt voksende korps af klummeskribenter.
