Så lyckas du med ditt AI-projekt

Tröskeln för att börja använda AI-lösningar har sänkts markant sedan lanseringen av ChatGPT från Open AI. Men om man som organisation vill integrera AI i sina befintliga lösningar och system och arbeta egna data för att exempelvis förbättra affärerna, hur gör man då?

– AI är så mycket mer än ChatGPT, säger Stella Riad, enhetschef på RISE. Organisationer förstår ofta inte vilken data de sitter på, vilket värde den har och hur de kan utnyttja sin data bättre.

Data kan vara alltifrån loggar från webben, maskiner eller apparater till e-post, supportmeddelanden, chattar eller dokument. Den kan användas till att frigöra tid, effektivisera, och förbättra processer – och även till att skapa nya affärer.

För att komma igång med ett första AI-projekt på rätt sätt, och minska riskerna att pengarna slängs i sjön, gäller det att ha en effektiv strategi.

– Ta tag i en reell utmaning i er verksamhet, så att det första AI-projektet tacklar ett riktigt problem, säger Stella Riad. Då blir det värt något, och det blir naturligare att ge projektet en budget. Ställ frågor som: ”Vilka är smärtpunkterna i vår verksamhet?”, ”Vad är viktigt att vi får löst?”, ”Var kan vi skapa värde på riktigt?”. Hon ger några exempel:

• Repetitiva rutinuppgifter. Varje vecka måste en medarbetare ägna tre timmar åt att gräva fram rätt information för att komma vidare.
• Produktosäkerhet. Vilken produkt borde vi producera härnäst? Vilken har störst chans att lyckas?
• Prediktivt underhåll, att se till att insatser görs mer träffsäkert och därmed sparar tid och pengar.
• Dynamiska manualer som uppdateras baserat på data från dina system.

– Ge gärna varje smärtpunkt en ungefärlig prislapp. Vad kostar det i pengar, arbetstid och förlorade potentiella möjligheter?

Välja ett avgränsat projekt

När hemläxan att identifiera smärtpunkter är gjord kan arbetet med att hitta ett lämpligt första AI-projekt sätta igång. Här tar många företag hjälp av RISE.

– Tillsammans tittar vi på listan över smärtpunkterna, och försöker hitta något som är tillräckligt enkelt och avgränsat för att utföra på 4-12 månader, säger Stella Riad. Vi vill undvika att man lägger 24 månader på ett stort projekt som inte blir så bra och som har kostat flera miljoner. Det är bättre att börja med något litet, för att riskminimera och för att förbereda organisationen för ny teknik. Även i ett litet projekt lär man sig vad man kan göra med sin data, samtidigt som förtroendet byggs upp från båda sidor för större projekt senare. Med mindre projekt blir det också lättare att styra om, ifall det skulle behövas. Vi vill att projektet mynnar ut i något konkret, och då är avgränsningen avgörande.

Finns användbara data eller måste den genereras?

Det är inte bara avgränsningen som tar en del tid i början av ett nytt projekt. En viktig variabel som påverkar startprojektets natur är vilken data som finns att tillgå, relaterat till den smärtpunkt man vill ta sig an. AI behöver ordnade och annoterade data, både för att träna upp sin intelligens, dra rätt sorts slutsatser och generera relevant texter, grafer och utföra olika typer av uppgifter. Dessutom gäller det att ha data som kan svara på de frågor man vill ställa:

– Vilken data finns, och är den i ett format som går att analysera? Borde mer data loggas? Eller en annan typ av data?, säger Stella Riad.

I dessa inledande diskussioner görs också mer djupdykningar i olika aspekter av det problem som ska lösas.

– Diskussionerna om problemrymden brukar i sig själva vara värdefulla för företagen. De tvingas utforska viktiga frågeställningar som påskyndar deras verksamhetsutveckling.

Diskussionerna leder också till att företagen frågar gång på gång: ”Funkar det?”, ”Är det bättre att göra A eller B?”.

– Målet är förstås att hitta en väg framåt där man hittar en bra balans mellan nytta och insats.

Det krävs arbete för att implementera AI

Att ta hjälp av AI innebär också ett åtagande att ge datorn feedback löpande. När gör datorn rätt? När blir det fel?

– AI:n utvecklas av att den får feedback på vad den levererar, säger Stella Riad.  Det är en investering som behöver underhållas.

Till exempel kan det börja dyka upp oväntad snedvridning av data som innebär att AI:n gör märkliga slutsatser. En tågurspårning i Göteborg kanske leder till att många inkommande e-postmeddelanden plötsligt tar upp detta, men det i sig behöver ju inte betyda att Göteborg är mer intressant för kunder generellt sett.

– När man börjar jobba med AI behöver man ta höjd för att det kan krävas vissa ansträngningar också. Vi vill hjälpa företagen med att förstå vad de kan göra och inte göra med AI och sin data. Det finns inget bättre sätt att lyfta sin AI-kompetens än att sätta igång med ett första, litet, konkret AI-projekt.

– Det vanligaste är att vi börjar med att optimera ett befintligt flöde. Det är i samband med den processen som företagen upptäcker hur de kan börja tänka mer AI. Man tvingas tänka till ordentligt kring insamling och hantering av data, och blir på köpet bättre beställare och inköpare. Man börjar upptäcka att man med hjälp av AI skulle kunna omdefiniera hur man jobbar, eller till och med ”disrupta” sin nisch eller bransch, och skapa nya typer av erbjudanden. Det viktiga är att komma igång.