Syfte+data+modell

AI är inte en tankeläsare eller något man bara slänger in i verksamheten och magi händer, i alla fall inte än. (Läs om Elons Neuralink om du vill veta mer om tankeläsning). En implementation av AI som skapar värde för dig eller ditt företag består av tre saker; syfte, data och modell.

Modellen är hjärnan i systemet

Modellen är den som gör jobbet i systemet, den räknar, analyserar och fattar beslut. Men i början kan modellen inte göra något särskilt alls. Den har potential att lära sig, men utan ha tränats på data och utan ett tydligt syfte att jobba mot är den bara ett tomt skal.

AI:ns komplexitet kan delas in i smal AI, allmän (general) AI och superintelligent AI. Den första nivån, smal AI, är den enda typ av AI vi har idag. System som är bra på en specifik uppgift. Som att känna igen bilder, rekommendera filmer eller skriva texter. De är effektiva inom sina ramar men har ingen förståelse för världen utanför den uppgift de tränats för.

Nästa nivå, allmän AI, är fortfarande teoretisk och syftar på en intelligens som fungerar ungefär som en människa, den kan resonera, förstå sammanhang, lära sig nya saker och anpassa sig till olika situationer utan att behöva tränas från början varje gång. Den tredje nivån, superintelligent AI, är ännu mer spekulativ och beskriver en form av intelligens som vida överträffar vår, både i problemlösning, kreativitet och strategiskt tänkande. Det är den typ av AI som man gör science fiction av och som ger dig mardrömmar.

Inom den AI vi har idag, som är bra på specifika uppgifter, finns olika modeller som fungerar på lite olika sätt, men har alla samma roll: att ta in information och försöka förstå den. Vad modellen blir bra på beror helt på vad vi tränar den på.

Olika typer av AI och vad de är bra på

ChatGPT är ett typexempel på en generativ modell eftersom den skapar ny text, snarare än bara klassificerar eller förutsäger något. Den genererar varje ord baserat på tidigare ord  för att skapa sammanhängande meningar, artiklar, dialoger.

Det här är en riktigt grov förenkling men vill du fördjupa dig, fråga din närmaste AI-chattbot så får du massa bra svar!

Data är erfarenheten modellen bygger på

Data är vad AI:n lär sig av. Det är den erfarenhet som modellen använder för att forma sitt beteende. Precis som du från födseln lärt dig genom att observera, läsa eller uppleva, tränas en AI på att känna igen mönster i stora datamängder. Det kan vara data från sensorer, kundchattar, instruktionsböcker, videoövervakning, röntgenbilder, ljud eller statistik. All typ av data som kan digitaliseras.

Datan definierar gränserna för vad modellen kan förstå. Tränas en AI på recept, blir den bra på matlagning. Tränas den bara på sjukjournaler, blir den användbar i medicinska sammanhang men frågar du den om hur man gör en carbonara får du inte mycket hjälp.

Syftet, det är vad vi vill att AI:n ska göra

Syftet är vad vi säger att vi vill att modellen ska uppnå. Vill vi att den ska kunna översätta språk? Svara på kundfrågor? Rekommendera nya produkter? Upptäcka bedrägerier i banktransaktioner?
Syftet avgör vilken eller vilka modeller du ska välja och det styr också hur du väljer data, hur du justerar modellen och hur du utvärderar resultatet. 

Några (okej massa) exempel på vettiga syften där AI används för att skapa värde redan idag:

• Optimera ruttplanering för sopbilar med data från GPS-positioner, trafikdata, sophämtningshistorik för att minska utsläpp och bränslekostnader.
• Identifiera defekta delar i produktionen med data från sensorer och bilder från produktionslinan för att minska svinn, reklamationer och miljöpåverkan.
• Identifiera mönster i reklamationsärenden med produktdata och ärendeloggar för att tidigare upptäcka fel och förbättra kundnöjdhet.
• Förutse efterfrågan på kollektivtrafik genom att analysera passagerardata, väder och trafikflöden för att förbättra service och minska onödig kapacitet.
• Anpassa jordbruksinsatser efter väder och jordmån med hjälp av satellitdata och markanalys för att minska vatten- och gödselanvändning.
• Generera utkast till hållbarhetsrapport baserat på miljödata, nyckeltal och tidigare års rapporter för att spara tid och höja kvalitet.
• Förutsäga behov av vård hos riskgrupper med journaldatan och sensordata från exempelvis smarta klockor för att möjliggöra tidiga insatser.
• Automatisera svar på vanliga kundfrågor med historik från FAQ, chattloggar och tidigare ärenden för att snabba upp servicen och minska belastning.
• Föreslå innehåll i offert med historik från tidigare offerter och kundprofiler för att skapa mer relevanta och träffsäkra säljförslag.
• Förutsäga kundbortfall (churn) med beteendedata och kontaktmönster för att kunna agera innan kunden lämnar.
• Analysera kundomdömen och sociala medier för att identifiera trender, förbättringsområden och kundönskemål.
• Sammanställa intern rapportering och KPI:er med data från affärssystem och budgetfiler för att förenkla uppföljning och ledningsbeslut.
• Optimera lagerhållning med försäljningshistorik och säsongsdata för att undvika överlager och bristsituationer.
• Stödja onboarding med AI-drivna utbildningsguider som bygger på tidigare material och interna dokument för att göra introduktionen snabbare och mer konsekvent.

Hur man utvecklar en anpassad AI-modell

Att utveckla en AI-lösning handlar inte om att kasta in teknik och hoppas på magi. Det börjar med en tydlig definition av syftet (precis som i varenda bra genomfört projekt någonsin). Sen bygger man vidare med rätt data i rätt format och väljer en lämplig modell. I vissa fall kan man använda färdiga AI-verktyg, i andra fall krävs mer avancerad utveckling och kanske stöd från specialister eller teknikleverantörer.

Här är processen nedbruten i några viktiga steg:

1. Definiera syftet: Vad är det faktiska problemet du vill att AI ska lösa? Vill du förutsäga, upptäcka, föreslå eller skapa något? Syftet styr resten av processen.
2. Inventera och samla data: Har du redan relevant data, eller behöver du samla in det? Ibland kan den behöva struktureras eller märkas upp för att vara användbar. Data måste spegla verkligheten du vill att AI:n ska lära sig om och kvalitet är viktigare än mängd.
3. Välj (eller bygg) en modell: Ibland kan du använda en färdig AI-tjänst, t.ex. för bildanalys, textförståelse eller prognoser. I andra fall behöver du bygga något mer specifikt, ofta tillsammans med utvecklare eller AI-specialister.
4. Träna och testa: Modellen tränas med data och testas för att se hur väl den presterar. Utvärdera resultatet mot syftet. Gör AI:n det vi ville att den skulle göra?
5. Justera och förbättra: Det är vanligt att behöva anpassa både data och modell. Ibland behöver man även omformulera syftet.
6. Integrera i verksamheten. Att ha en AI-modell som fungerar i ett testlaboratorium är en sak, att den ska göra skillnad i verkligheten är en helt annan. Då behöver den:
   • Interagera med andra system, som affärssystem eller sensornätverk.
   • Användas av människor, ge tydliga resultat och ha ett begripligt gränssnitt.
   • Passa in i rutiner, så att det är tydligt vem som gör vad med hjälp av AI:n.
   • Underhållas och följas upp över tid för att hålla sig relevant.

MEN det är inte så svårt som man kan tro. I bästa fall har ni en första version att börja utvärdera uppe på en vecka.