Der er flere steps du skal igennem. De første steps er de sværeste!

De fleste som fejler med et AI-projekt, forstår ikke vigtigheden af data. De mangler forståelsen af data og kan derfor ikke løse problemet.

Hvad er arbejdsgangen når du arbejder med AI og hvordan kommer du i mål?

Book en AI-Konsulent
– Ring på 7022 1655

At få succes med et AI-projekt er lidt som at lede efter guld

Hvis du læser undersøgelser af AI-projekter, så vil de fleste nok løbe skrigende bort. Det siges at op mod 85% af alle AI-projekter fejler eller levere fejlresultater. 70% af virksomhederne siger, at effekten af AI er minimal eller slet ingen effekt har. 87% af AI-projekter kommer ikke i produktion.

Kilde (2019): Pactera White Paper Reveals 85 percent of AI Projects Ultimately Fail

Så du er jo nærmest en lykkerider hvis du kaster sig ud i et AI-projekt. Kan det ikke gøres det bedre?

Jo! Men et AI-projekt vil altid være et eksperiment, der er ikke nogen garantier for succes – kun en garanti for at blive klogere.

Det er måske lidt som at grave efter guld. Du har en formodning om at der findes guld i et bestem område. Du laver nogle prøveudgravninger for at teste om der overhoved findes guld i området.

I et AI-projekt er dine data selve jorden du skal finde guldet i. Det kan være du skal grave meget længe før du finder noget guld, det kan også være du aldrig finder guldet i dine data. Måske dine data ikke er ”gode nok” til AI.

For at optimere chancen for at få succes med AI, er det vigtig at du går stille og rolig frem i nogle faste arbejdsgange. Vi planlægger og budgettere et step ad gangen.

To vigtige erkendelser inden du læser videre!

1 – AI er eksplorativt

Det er vigtigt at du acceptere at et AI-projekt altid er eksplorativt. Der er ikke nogen garanti for succes.

Punktum!

2 – Fælles forståelse

Det er vigtig at alle på holdet har en fælles forståelse for hvad AI er for noget. Vi skal tale samme sprog og vi skal turde lege med mulighederne.

Er det jeres første AI-projekt, så start med med et “for sjov”-projekt. Et projekt der ikke skal bruges til noget som helst.

Arbejdsgang for AI-projekter

Hvad er problemet du vil løse?

Du skal kunne konkretisere et problem som AI skal løse.

Jo mere konkret og jo mere enig I er på tværs af organisationen, jo større chance er der for at problemstillingen er moden nok til, at vi begynder at lede efter data som kan dokumentere problemet.

Indsamling & forståelse af data

Det er her vi begynder at indsamle data fra de forskellige datakilder. Vi ryder op i data, forstår data og prøver at finde forbindelsen mellem data og problemet. Kan vi ikke finde ”guld” i nok mængder, så stopper projektet allerede her eller vi går tilbage til det første step.

Eksempelvis skal teamet være enige om ”simple” spørgsmål som:

  • Hvad definerer en kunde i vores data?
  • Hvornår er kunderelation en succes?
  • Hvornår er en ordre afsluttet?
  • Hvem ejer data?

Det er let at komme til at lede efter data der passer til den metafor du bruger til at beskrive dit problem. Men hvis du vil finde fulde folk i en folkemængde, så finder du ikke mange hvis din AI leder efter folk som “maler byen rød”.

Udvikling af AI-model

Her udvikler vi selve AI-modellen. Der er mange typer af modeller der kan bruges og vi tester os frem til hvilken AI-model der virker bedst.

I dag er det hurtigt at udvikle AI-modeller, ofte tager det blot nogle timer eller en dags tid.

VI skal her teste om vi med vores model kan finde ”guldet” i test- og valideringsdata.

Finder vi ikke ”guld” i nok mængder, så stopper projektet eller vi går tilbage til det første step.

Implementering

Her skal vi have AI-modellen til virke i produktion. Vi skal have opsat et workflow for hvornår modellen skal afløses af en ny model, og hvordan vi henter nye data ind til at gøre den næste model endnu bedre.

Her skal vi også lave test af AI-modellen. Denne gang med produktionsdata. Finder vi ikke ”guld” i nok mængder, så stopper projektet eller vi går tilbage til det første step.

Monitorering

Vi skal altid holde øje med en AI-model. Holde øje med om modellen virker som planlagt , måske realbilledet ændret sig, således at modellen ikke længere kan bruges og en ny model skal sættes i produktion. Alt dette skal automatiseres.

Game over

  • Hvornår skal jeres AI tages ud af drift?
  • Hvad skal der ske når jeres AI ikke bruges længere?
  • Hvem har ansvaret data der bruges til AI-modellen?
  • Hvad skal der ske med hosting?

AI kan være som en flok stærke og effektive slædehunde, der kan trække dig over Grønland.

Men det kræver struktur og faste rammer, for ellers ender du en kælehund der ikke vil ud, bare fordi det er lidt koldt.

Har du spørgsmål?

Ring til os på 7022 1655 og lad få en uforpligtende snak.

Kontakt os