AI är ett begrepp som många i yrkeslivet svänger sig med i dag. Men de allra flesta har nog inte koll på vilket diversifierat område AI utgör. Några har koll inom vissa delområden inom AI, som till exempel maskininlärning, men inte inom andra.

Så här är det väl med de flesta kunskapsområden, tänker du kanske. Skillnaden med AI är att det är ett så nytt område att folk inte har hunnit skaffa sig kunskaper och framför allt inte praktiska erfarenheter. Det är svårt att veta vilka lösningar som passar för olika problem. Det är till och med svårt att veta vilka problem som är lämpliga att försöka få bukt med, med AI-lösningar.

Standardlösning kan ge fel svar

När ett företag, eller en myndighet, ska dra i gång en AI-satsning finns alltså risken att man anammar en generell lösning, någon slags standardmall, med risken att skapa en tillämpning som inte blir ändamålsenlig. Slutsatsen av resonemanget är att det inte räcker att hoppa på första bästa arbetssätt eller första bästa tekniklösning.

Det handlar om att skapa en förståelse för hur AI fungerar.

Toni Trpkovski, skandinavisk teknikchef på Seavus.

På det svenska mjukvaru- och konsultföretaget Seavus har man funderat på det här. Inte minst på Stockholmskontoret där tolv personer arbetar med AI. Seavus har verksamhet i åtta länder och totalt cirka 900 anställda.

Vilka beslut som ska fattas i ett AI-projekt påverkas inte bara av vilket problem som ska lösas och vilken AI-teknik som passar bäst i sammanhanget

– Vi rekommenderar att man utbildar sig om AI inom företaget. Då blir det lättare att hitta områden och case där AI kan göra nytta. Sedan kan utvecklingen skötas av ett eget centralt AI-team eller med extern hjälp, säger Toni Trpkovski, teknikchef för Skandinavien på Seavus.

Vilken slags AI?

Så småningom blir det dags att ta sig an de mer AI-specifika besluten, till exempel om vilken lösningsmodell som ska användas. Passar det till exempel bäst med övervakad (supervised) eller oövervakad (unsupervised) maskininlärning?

Krävs det djupinlärning, alltså maskininlärning som använder sig av neurala nätverk, eller är en klassisk maskininlärningsmodell mer lämplig? I vissa fall kan det även vara bäst att använda en sofistikerad kombination av maskininlärning, statistiska modeller och regelbaserad hantering.

– Det krävs också många arkitekturbeslut. Sådant som integration, driftsmiljö i molnet eller på egna servrar, datavolymer, säkerhet och krav på kapacitet påverkar, säger Thorsten Jacobs, specialist på maskininlärning på Seavus.

Proof of concept skapar förståelse

Nu är frågan hur ett företag där det saknas AI-erfarenhet ska ta sig an de här utmaningarna.

– Vi föreslår att man gör ett så kallat proof of concept-projekt på fyra till sex veckor, där det finns med folk som hjälper till att testa lösningar och förklarar hur de fungerar. Det handlar om att skapa en förståelse för hur AI fungerar, säger Toni Trpkovski.

Det finns gott om exempel på tillämpningar att bygga i ett sådant här inledande AI-projekt. Till exempel analys av innehåll på sociala medier, automatisk klassificering av data eller anonymisering av dokument.

I många fall kan en AI-lösning hjälpa till med att automatisera en existerande arbetsuppgift. Ett sådant projekt är ett bra sätt att börja med att implementera AI, eftersom det blir enklare att förstå tillämpningen.

Egentligen är det ingen skillnad på AI-utveckling och traditionell systemutveckling. Det handlar om att förstå teknikmiljöer, problem som ska lösas och vilka tekniklösningar, lösningsmodeller och arbetssätt som passar bäst. Och att inte nöja sig med första bästa standardlösning.

Du kan läsa hela artikeln här: https://businesstech.idg.se/sa-far-ni-ai-att-effektivisera-er-affar/