Machine learning kan være genvejen til bedre konkurrence-evne

Klumme: MLOps er ikke typisk betragtet som det mest spændende område i sig selv, men det er et område, hvor der er meget store fordele at hente, som kan være en genvej til bedre konkurrenceevne.

Artikel top billede

(Foto: Dan Jensen)

Denne klumme er et debatindlæg og er alene udtryk for forfatterens synspunkter.

De fleste inden for it og teknologi er godt bekendt med både AI og ML – eller på tech-dansk: Kunstig intelligens og machine learning.

Mange virksomheder integrerer allerede, eller afsøger markedet for, mulighederne med AI og ML.

Mulighederne er mange, men det er spørgsmålene også. Blandt andet går diskussionen i Skandinavien aktuelt meget på om ML skal være standardløsningsbaseret eller specialudviklet.

Grundlæggende handler det jo om ML’s evner til at konvertere data om til viden – business insights.

For viden er, om ikke magt, så I hvert fald vejen til succes.

Og jo mere man ved om kunderne og deres adfærd, samt hvad der virker og ikke virker i virksomheden, og hvordan det kan optimeres - jo bedre.

Det kan ML hjælpe til. Ikke mindst selve optimeringen. Men det skal være de rigtige data og det rigtige output.

Automatisering af processer

Det handler også om evnen til at automatisere de processer, der kan automatiseres.

For selv om de menneskelige ressourcer er afgørende, er der en række funktioner som ganske enkelt håndteres bedre af avanceret software. også her er det værd at sætte fokus på forskellen mellem standardløsninger og af specialudviklede ML-løsninger, specifikt udviklet til den enkelte virksomheds formål.

Udfordringen er, at hvis man med en standardløsning prøver at være alt for alle, ender man ofte med at være, om ikke ingenting, så i hvert med en løsning der er næsten for bred og generel.

Målet er dog ikke nået med ML i sig selv – standard eller tilpasset.

ML-løsningen skal plejes og udvikles. Den proces varetages af MLOps, der er et relativt overset, men voksende område, der kræver samarbejde mellem udviklere og it-eksperter og de medarbejdere, der sidder med “operations”.

Branchen er snart sagt underordnet, for alle kan have gavn af ML-integration – sundhed, retail, forsikring eller medier. Og alle kæmper for at sikre sig den bedst mulige position.

I al enkelthed handler det om at indhente, bearbejde og udnytte data og indsigt hurtigere end konkurrenterne.

Blandt de fordele der kan fremhæves som eksempler i de enkelte brancher er:

Detailhandel: Opnå mersalg ved at lære brugernes shoppingmønstre og korrelere det med særlige aktiviteter på dagen

Sundhedspleje: Forbedre kvaliteten af klinisk pleje og påpege vigtige mønstre og tendenser omkring diagnose, behandling og fortsat pleje

Forsikring: Få bedre risikovurdering, maksimere investeringsafkastet, hæv kundeservice og øg den samlede effektivitet

Medier og underholdning: Få skjult indsigt i kundeadfærd og hjælp til at levere personligt indhold

Men hvad kan man ellers opnå af fordele og læring ved MLOps? Udfra en generel betragtning, er her syv punkter, men der kan være flere og værdien af de enkelte punkter, kan variere fra virksomhed til virksomhed:

• Man sparer tid og kræfter på ML-modelvedligeholdelse ved hjælp af pipelines og automatisering.

• Man muliggør en jævn strøm af træningsaktiviteter samt integration af færdige ML-modeller i færdige softwareprodukter.

• Man sparer på indsatsen hos data science teamet, så de kan fokusere på modelkvalitet.

• Det giver virksomheden nøjagtig og værdifuld viden - og dette er det hemmelige våben, så man kan holde sig foran konkurrenterne og markedet.

• AI/ML-processen er afhængig af eksperimentering og iteration af modeller, og det kan tage timer eller dage at udarbejde og teste en model. Giv plads til en separat arbejdsgang for at imødekomme tidslinjerne og artefakterne ved model etablering og testcyklus.

• Undgå gating af tidsfølsomme applikationsbygninger på AM/ML model builds.

• For AI/ML-teams skal man huske, at modellen vil levere værdi over tid, snarere snarere end at det er en engangskonstruktion. Vedtag fremgangsmåder og processer, der planlægger og tillader en models livscyklus og udvikling.

Bemærk punkt 3

Særligt punkt 3 springer i øjnene, for viden og evnen til at analysere og udtrække info er afgørende for konkurrenceevnen.

Og med en datakurve der er eksponentielt voksende, er det ganske enkelt ikke en opgave for medarbejderne.

Men det er træning og opsætning af den rigtige ML/AI løsning.

For i udgangspunktet er løsningen ikke klogere end dem, der sætter rammerne for hvad der skal fokuseres på.

Ser vi på det ud fra en definitionsvinkel er MLOps, eller Machine Learning Operations, derfor et sæt ”best practice” for virksomheder på enterprise-niveau til at håndtere AI med succes.

MLOps strømliner og automatiserer AI-infrastrukturtjenester, sparer ressourcer og leverer bedre AI-kvalitet.

På denne måde kan virksomheder opnå bedre indsigt på baggrund af deres data - på kortere tid. Og tid er penge – for hvem tager først de rigtige og nødvendige beslutninger i en given branche? De har fordelen.

An AI/ML-løsning kan derfor være guld værd, men den kan bestemt ikke overflødiggøre de menneskelige ressourcer.

Hvad den kan gøre, er at bidrage til at effektivisere datastrømmen, uddrage information og give grundlag for langt bedre beslutninger – og det er den kombination, der giver den virkelige differentiering og forbedrede konkurrenceevne.

MLOps er redskabet, der hjælper til hurtigt og effektivt at nå frem i spidsen af feltet.

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.

Læses lige nu

    Annonce

    Politiets Efterretningstjeneste

    Sektionsleder til dataplatform i PET

    Københavnsområdet

    Netcompany A/S

    Operations Engineer til drift af Infrastruktur

    Københavnsområdet

    Annonceindlæg fra Jysk IT

    Sikkerhed skal være en del af driften

    Skal virksomheder stå stærkere mod angreb og kunne udvikle sig, skal sikkerhed, drift og forretning tænkes sammen. Det er tanken bag Jysk IT’s ambition om at skabe en “sikker fremtid” for kunderne.

    Navnenyt fra it-Danmark

    IFS Danmark A/S har pr. 1. november 2026 ansat Pernille Solvig Graux som Senior Director, Demand Generation. Pernille skal især beskæftige sig med Demand Generation i Europe North. Pernille kommer fra en stilling som Director, Commercial Excellence hos Kahoot. Pernille er uddannet Akademiøkonom. Pernille har tidligere beskæftiget sig med kommerciel ledelse med fokus på salg og marketing. Nyt job

    Pernille Solvig Graux

    IFS Danmark A/S

    Netip A/S har pr. 1. november 2026 ansat Morten Fogh som Systemkonsulent ved netIP's kontor i Aarhus. Han kommer fra en stilling som Seniorkonsulent hos Proinfo A/S. Han er uddannet IT-ingeniør med speciale i netværk. Morten har tidligere været selvstændig konsulent. Nyt job

    Morten Fogh

    Netip A/S

    Dansk AM Hub har pr. 1. november 2026 ansat Rasmus Pedersen som Chief Digital Officer. Rasmus skal især beskæftige sig med fokusudviddelse fra additive manufacturing til produktinnovation gennem AI, automatisering og andre nye teknologier. Rasmus er uddannet maskiningeniør med speciale i produktudvikling og med ph.d. i udvikling af modulære produktplatforme. Rasmus har tidligere beskæftiget sig med transformation og digitalisering i værdikæden fra produktudvikling til produktion. Nyt job

    Rasmus Pedersen

    Dansk AM Hub

    Systematic A/S har pr. 1. august 2026 ansat Casper Voldstedlund, 52 år,  som Director, Products. Han skal især beskæftige sig med drive produktudvikling inden for national sikkerhed og kritisk infrastruktur (NSI). Han kommer fra en stilling som Senior Director hos Stibo Systems A/S. Nyt job

    Casper Voldstedlund

    Systematic A/S