Hvordan lykkes med AI?

AI gjør det mulig å forstå kundene langt bedre ved å forutse deres behov og ønsker på et tidlig tidspunkt.
Dette gir din virksomhet en gylden mulighet til å tilpasse produkter og tjenester mest mulig optimalt, som igjen gir tilfredse kunder og høy forretningsmessig gevinst, samt konkurransemessige fortrinn.

Det er ikke gitt at man uten videre lykkes med AI. Det å sette opp et AI-system er ikke trivielt, siden det som regel innebærer endringer på prosess-, system- og organisasjonsnivå. De virksomhetene som lykkes, har noen kjennetegn. Disse kjennetegnene kom Accenture på sporet av i en global undersøkelse i 2020, som involverte 1.500 ledere på tvers av 16 industrier (AI Built to scale).

Undersøkelsen konkluderer med at det er tre forhold som er karakteristiske for virksomheter som lykkes med sine AI-investeringer:

Forankring av AI i toppledelsen

AI er en integrert del av virksomhetens forretningsstrategi og daglig drift. Virksomheten setter langsiktige mål og har dedikerte ressurser og roller til AI-utvikling. Forutsetningen for dette er at virksomheten er kapabel til å artikulere problemstillinger presist, og klarer å gjenkjenne når det er fornuftig å benytte AI.

Fokus på datakvalitet

Virksomheten har et bevist forhold til datakvalitet. Relevant og riktig data er mye mer essensielt enn store mengder. Machine learning algoritmene vil aldri klare å predikere bedre enn hva datakvaliteten representerer.

Betrakte AI som en lagsport

De som lykkes, sørger for at de har den nødvendige kompetansen og ferdighetene. De utforsker, tester og lærer i tverrfaglige team der domenekunnskap og analyse står sentralt.

Hva ligger det i disse tre forholdene?

Med erfaring fra forskjellige prosjekter innenfor ulike bransjer knyttet til både prosess, system og organisasjonsnivå er det naturlig å legge til følgende generelle betraktninger til de tre forholdene.

Forankring av AI i toppledelsen

Det er utvilsomt av stor betydning at AI er forankret i toppledelsen. Toppledelsen må være tilhengere, supportere og omfavne endringsprosessen som AI fører med seg. Kotter¹ antyder at for at endring skal lykkes, må 75 prosent av selskapets ledelse stå bak endringene. Forankring, involvering og oppmerksomhet bør inngå som en del av prosess- og endringsplanen, som kan støtte den tekniske prosjektplanen.

Ledelsesforankring betyr organisatorisk forankring gjennom involvering, positiv og tilstrekkelig nok oppmerksomhet i organisasjonen og ledergruppen. Dette innebærer blant annet:

• Ledelsen må erkjenne, støtte og formidle behovet for endring

• Bindende beslutning om forankring og organisering av arbeidet

• Bindende beslutning om konkrete endringer/forbedringsområder

• Sikre rammebetingelser

• Milepæler og resultater blir etterspurt og fastsatt

Toppledelsen må sette kvalitetsarbeid og den systematiske arbeidsformen på dagsordenen på synlige og faste arenaer, sikre rammebetingelsene, etterspørre aktivitet ift. milepæler og kreve resultater.

Det har seg slik at toppledere kan komme og gå mens mellomledere blir værende. Derfor er mellomledere viktige når det gjelder den daglige driften, og spiller rollen som katalysator for virksomhetens evne til å endre, etablerte arbeidsprosesser, handlingsmønstre og kognitive kart. En mellomleder er en som formidler ’bottom up’ og ‘top down’, noe som innebærer å støtte og utfordre medarbeidere i arbeidet med å oversette AI strategien til noe relevant og forretningsdrevet.

Det er også av stor viktighet at andre roller som enhetsledere, superbrukere AI og medarbeidere bidrar til å støtte AI på en målrettet måte. Prosjektet bør skaffe en oversikt over eksisterende møtearenaer i virksomheten som kan brukes både til informasjonsutveksling og medvirkningsprosesser. Å bruke eksisterende arenaer og fora i størst mulig grad, oppleves ofte som hensiktsmessige og relevante arenaer.



Fokus på datakvalitet

Disse forbedringene er verdt å bruke tid på i prioritert rekkefølge:

1. Anskaffelse av relevante data eller utvikle prosess for relevant datafangst.

2. Tilrettelegge data på en bedre måte ved å f.eks. utnytte hva snitt over tid kan gi av innsikt og bidrag i en statistisk modell.

3. Våge å ekskludere feil data. Data som ikke blir estimert riktig på grunnlag av feil data ved imputering, vil bare skape støy.

4. Velge den beste algoritmen, og tune denne riktig.

Algoritmen ser ut til å være den minst viktige faktoren. Velg algoritmen som fungerer ved testing. Uendelig oppdatering og tuning av algoritmen er fristende, men sannsynligheten for at den vil gi bedre resultater over tid slår sjelden inn.

Betrakte AI som en lagsport

Basert på erfaring fra ulike AI prosjekter er følgende forhold knyttet til dette også av betydning for å lykkes med AI.

For å ha den kompetansen og de ferdighetene som kreves av virksomheten, er det essensielt å aktivisere og støtte opp under tverrfaglig kompetanse med både tekniske-ressurser og forretningsressurser. Interne fagpersoner med høy domenekunnskap som raust deler kunnskap om forretningskonteksten, er ofte avgjørende for å f.eks utvikle forretningslogikk som er i overensstemmelse med virksomhetens markedsmuligheter.

Det er også av betydning å ha en prosjektleder som har kunnskaper og erfaring fra iterative og smidige prosesser, med fokus på riktig prioritering samt kloke avveininger for å oppnå forretningsmessig gevinst. I tillegg er det av betydning å ha ferdigheter og erfaring fra analyse og/eller modellering for å drive prosjektet fremover i riktig retning og sikre fremdrift. For å sikre fremdrift, kan det være fornuftig å åpne opp for en lean tilnærming.

Åpne opp for lean tilnærming

Det er viktig å redusere og mitigere risikoene så tidlig som mulig i prosjektet. Som et utgangspunkt for en lean tilnærming kan man strukturere AI prosjektet basert på følgende milepæler:

1. Ferdigstilt prototype: Finn ut hvorvidt modellen(e) gir tilfredsstillende resultat eller ikke. 1 dag—2 uker

2. Offline test system: Tune modell og teste intensivt på reelle data. 2–4 uker

3. Online test system: Ferdigstille modell og test ut live. 2–4 uker

4. Gå live: Automatisere oppdateringer av data, trening av modell og produksjonssett kode. 2-4 uker

5. Kontinuerlig forbedring: (etter avtale)

Estimert total tidslinje: 1–3 måneder for punkt 1-4. Punkt 5 er relatert til hva som passer den enkelte virksomhet og AI-prosjekt.

Et team med erfaring fra modellutvikling til en AI-løsning er ofte godt skolert i å følge en slik tidslinje Fokuset bør være å sette opp en live AI løsning i løpet av 1-3 måneder, for deretter å beslutte om anbefaling av videre forbedringer er hensiktsmessig.

Elementer som kan forlenge prosjektet:

• Vente på de perfekte data

• Bruke feil verktøy (for komplekse eller for lav ytelse)

• Over-engineering for skalerbarhet

• Uendelig testing av algoritmer

Er det et forhold som er viktigere enn et annet for å lykkes med AI?

Det gir ikke mening å sammenligne de tre forholdene AI i toppledelsen, Fokus på datakvalitet og Betrakte AI som en lagsport i forhold til hverandre når det gjelder hvilket som er det viktigste. Et AI-prosjekt vil være avhengig av at det settes fokus på alle disse tre forholdene.

Det er imidlertid av stor betydning for drivkraften, spesielt i oppstartsfasen og fremdriften i et AI-prosjekt, at prosjektet har forankring i toppledelsen. Både gjennom deres engasjement i forberedelsesfasen, gjennomføringsfasen og opprettholdelsesfasen av et AI-prosjekt.

¹Kotter (2012) Leading change

Kommer snart: Hvordan forklare en Machine Learning modell på en enkel måte?