Denne klumme er et debatindlæg og er alene udtryk for forfatterens synspunkter.
“Vi skal have udviklet en AI-algoritme!” nærmest råbes der ud i mødelokalet.
I dette sekund undfanges et AI-projekt med bunker af entusiasme, innovative ambitioner og et tværfagligt sammenhold.
Det skal dog vise sig at blive en lang og hård fødsel, der – som det ofte går med nederlag – får færre og færre fædre.
Projektet ender med en projektleder, der står tilbage som enlig mor til en kunstig intelligens.
Projektets tekniske udgangspunkt gør det nemlig til lidt af en udfordring at få reel forretningsværdi ud af det.
Tag udgangspunkt i forretningen
Måske er det til dels en overdramatisering, og selvfølgelig er det ikke alle AI-projekter, som slår fejl, fordi de tager udgangspunkt i teknikken.
Med tilstrækkeligt meget knofedt og lange aftener på kontoret kan man godt få dem koblet sammen med forretningen. Måske kan en positiv ROI endda komme inden for rækkevidde.
Men alt ekstraarbejdet og al stressen kunne have været undgået, hvis man i stedet havde taget udgangspunkt i forretningen.
Selv om AI er et teknisk felt at forske og udvikle i, er det nemlig et helt forkert mindset, når man skal applikere det i praksis.
Faktisk har jeg set rigeligt med forfejlede AI-projekter til at få sved på panden, når jeg hører projektledere og andre ikke-tekniske personer bruge ordet “algoritme”.
Prøv at forestille dig følgende: Du anskuer projektet som en teknisk opgave. Hvem inddrager du først? En data scientist?
En machine learning-udvikler? Formentlig noget i den retning.
Men måske ved du ikke helt, hvilket problem du egentlig forsøger at løse, og hvordan det skal hænge sammen med brugerne.
Den del er nemlig ofte den største, sværeste og mest tidskrævende.
Men nu har du jo en tekniker. Han kan vel lige så godt gå i gang med at udvikle og bygge grundstenene. Og BANG! – nu er du fanget i teknikken.
Det betyder, at beslutninger, der påvirker din virksomhed, træffes, før du har styr på forretningsdelen.
Det skyldes ikke, at teknikere ikke kan forstå forretningsproblemer, men de har ifølge sagens natur langt mindre indsigt i dem end for eksempel projektlederen.
Man opdager det sjældent, før det er for sent, men oftere, end man skulle tro, ender relativt store strategiske beslutninger med at blive taget af teknikere og ikke af strateger.
Man kan faktisk sammenligne det med at implementere et nyt økonomisystem i organisationen.
Tænk, hvis vi snakkede integrationsalgoritmer, platform og modeller, før vi havde kortlagt de processer, vi gerne vil underbygge, og den strategiske fremtid, økonomisystemet skal kunne klare? En sådan tilgang ville kunne føre til en katastrofe.
Indled altid AI-projekter med beslutningsmodellen
En vigtig forståelse ved de machine learning-algoritmer, som det meste AI er bygget på, er, at de overhovedet ikke tager nogen beslutninger.
Algoritmerne omarbejder blot data til information. Hvilke beslutninger, vi træffer ud fra den information, er op til os selv.
Det er også den mest forretningskritiske del af AI.
Lad os sige, at du vil bruge AI til at fastholde kunder. En AI kan for eksempel forudsige, at en bestemt kunde med 60 procents sandsynlighed opsiger sin aftale inden for seks måneder. Men er en sandsynlighed på 60 procent tilstrækkelig til at træffe en beslutning eller udføre en handling?
Det skal du finde svar på, inden du overhovedet tænker ordet algoritme.
Det er derfor altid en af de første øvelser, jeg gennemgår med de virksomheder, som jeg bygger AI for.
Spørgsmålet er kort sagt, om vi overhovedet kan bruge informationen til noget.
Hvis ikke, skal vi slet ikke bygge en AI. Og indtil vi ved, præcist hvad vi vil gøre med informationen fra en AI, skal vi ikke bygge noget som helst.
Ergo: Hvis du ikke vil stå tilbage med en bastard af en AI, så begynd i stedet dit næste AI-projekt med et problem/en forretningsvinkel.
Teknikken skal nok falde på plads.
Du skal komme med en klar idé, som er gennemtænkt – ikke bare “vi skal lave en algoritme”.
Hvis du holder dig det for øje, skal du nok få den rigtige løsning.
Måske endda i første forsøg.
Hvis du på forhånd ved, hvad du ønsker, lægger du faktisk en ren gave på teknikerens bord.
Andre gange viser øvelsen, at der slet ikke er behov for AI, og så er du nok glad for, at du ikke allerede har hyret din nye data scientist.
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.
