Var börjar man med AI?

Nytt år och dags för nya satsningar. Tveklöst kommer detta att innebära de första experimenten med AI hos många företag och organisationer. Men var skall man börja?

Det finns många sätt att börja på, några vanliga angreppssätt är:

  • angrip firmans just nu viktigaste problem med vad som lovar att vara det kraftfullaste verktyget

  • automatisera repetitiva uppgifter eller uppgifter där det ofta smyger sig in många mänskliga fel

  • effektivisera och reducera kostnad.

Det finns naturligtvis många andra områden att applicera AI på, säkert har du själv tänkt på fler andra exempel. Vad som dock är viktigt att tänka på är att AI är inget mer än ytterligare ett verktyg att använda för att utveckla företag och organisationer. Det är med andra ord ingen viktig teknik i sig utan skall sättas i nyttan tjänst. 

Den mest framgångsrika AI-tekniken just nu är utan tvekan Deep Learning. I stort sett alla framgångsrika exempel på AI man läser om använder denna teknik, allt ifrån självkörande bilar till att slå mästare i Schack eller Go.

Deep Learning handlar om inlärning som namnet antyder och detta sker via exempel. Antingen ger vi exempel på vad som är rätt eller fel (denna bild föreställer en katt, och denna en hund) vilket ibland kallas för övervakad inlärning. Eller så låter vi programmet lära sig på egen hand som när Google lät sina system spela mer än 100 000 partier schack med sig själv för att etablera sig som det bästa schack-programmet i världen. Egen inlärning som denna kallas ibland för oövervakad och passar bäst i situationer när det finns tydliga regler att följa. Med andra ord är den inte lika tillämpbar i verkliga livet som övervakad inlärning.

För att lyckas med Deep Learning krävs högkvalitativa data. Ju mer data du har av bra kvalitet desto större är chansen att du får bra resultat från ditt system. Detta stämmer vare sig du använder övervakad inlärning eller inte. Så var börjar man? En spännande idé är att vända på steken, lek med tanken på att utgå från var data finns snarare än att leta efter det ”rätta” problemet att börja med.  Börja med att inventera organisationens data, leta efter en domän med stor volym och hög kvalitet. Ett plus i kanten är om det är egen data, dvs sådant som organisationen själv har genererat, och inte sådant som hämtas från publika eller kommersiella källor. Genom att utgå från tillgängliga data för att hitta ett område att tillämpa AI-teknik på har du effektivt eliminerat en stor riskfaktor för dina experiment.

Binary code.jpg

Vare sig du låter detta stanna vid ett tankeexperiment eller går hela vägen till handling tror vi att det finns mycket att lära av att beakta data och dess kvalitet först. En lyckad satsning på AI kräver att organisationen samlar på sig data för att det skall vara möjligt att adressera de problem man önskar. Här är beprövade metoder för Information Governance väsentliga, samla data på ett strukturerat sätt, gärna på en gemensam plats, och säkerställ att kvalitet kan garanteras.

Låter detta intressant? Vi har kompetens, erfarenheten och hjälper er gärna att ta nästa steg på ett sätt som håller affär och nytta i fokus.

Per Grape

XLENT IT Management, Stockholm