AI må ikke bli et innovasjonsteater

Kravstore kunder krever personaliserte opplevelser. For å løse disse utfordringene vil kunstig intelligens (AI), altså maskinlæring, spille en vesentlig rolle.

Selvfølgelig spiller kvalitet en rolle, men primærfokuset burde i stedet være å repetitivt bygge modeller med stadig bedre kvalitet i et raskere tempo

Mange bedrifter tester ut små PoC (Proof of Concept) med maskinlæring (ML), men får det aldri i produksjon. Dette skyldes ensidig fokus på resultatet av ML-modellen og ikke på å få til en god prosess. Selvfølgelig spiller kvalitet en rolle, men primærfokuset burde i stedet være å repetitivt bygge modeller med stadig bedre kvalitet i et raskere tempo. Da bygger du et varig organisatorisk konkurransefortrinn fordi resultatene er reproduserbare.

Geir Wavik. Foto: Miles/Tor Arne Andreassen

Ved å trene på denne prosessen vil du bli kjent med, samt bryte ned, alle de organisatoriske barrierene bedriften har i dag. Eksempler på slike barrierer er hvordan identifisere forretningsmuligheter med bruk av ML. Er dataene vi samler inn i dag egnet samt tilgjengeliggjort for ML? Hvilke juridiske krav har bedriften for tolkbarheten av en ML-modell og hvilke utregninger må kunne være forklarbare? Hvordan skal bedriften kvalitetssikre samt sørge for sikkerhet og etikk i sine modeller? Og ikke minst hvordan skal utviklingen av maskinlæring struktureres slik at det passer inn med eksisterende IT, og ikke er noe som skjer utenom.

Motivasjonen for en innovasjon bør ikke være en innovasjonsdirektørs ønske om å imponere et styre

Jeg påstår at det er viktigere for bedrifter å kunne håndtere mange simultane ML-prosjekter enn å fokusere på kvaliteten på en spesifikk AI PoC. Det blir ofte et innovasjonsteater. Det blir et innovasjonsteater fordi resultatet aldri kommer i produksjon. Sluttbrukerne vil aldri oppleve en nytte av resultatet. Motivasjonen for en innovasjon bør ikke være en innovasjonsdirektørs ønske om å imponere et styre, eller på bakgrunn av en spesifikk trendy teknologi. Premisset blir feil og ønsket effekt deretter.

Et prosjekt som involverer ML har behov for kompetanse utover normale kompetanseområder for tradisjonelle utviklingsprosjekt. I tillegg til medarbeidere på utvikling, vil et ML-prosjekt ha behov for data-scientister og data-engineerer.

Jeg tror at det å ta små raske steg for å bryte ned organisatoriske barrierer er rett strategi for å kunne håndtere mange simultane ML-prosjekter. Da kan det være lurt å etablere et Center Of Excellence internt i bedriften for å samle alle premissgivere som forretningssiden, analyse og IT for å raskest mulig komme til produksjon. Deretter er det ønskelig å kontinuerlig forbedre til ønsket kvalitet. Da følges tradisjonelle smidige prinsipper samtidig som bedrifter fokuserer på å automatisere datainnhenting og produksjonsetting. På denne måten blir ML systematisert og ikke er noe som skjer utenfor eksisterende IT.

Geir Wavik

Leder for teknologi og innovasjon i Miles