Nyheder fra Todai

Blog

I Todai prøver vi at gøre kunstig intelligens så let at forstå og så tilgængeligt som muligt.
Læs her om gode råd, insights og cases.

Kursuscase: kunstig intelligens i landbruget

https://todai.ai/wp-content/uploads/1625495146924.mp4 I TodAI er vi stolte over at være med til at ruste det danske landbrug til at bruge kunstig intelligens til at løse fremtidens udfordringer. Vi har nemlig skræddersyet et kursus til alle de fagfolk, statistikere og ledere fra Landbrug & Fødevarer, SEGES, der i løbet af de næste par år vil komme i berøring med kunstig intelligens. Formålet med kurset er at gøre SEGES klar til at bruge endnu mere kunstig intelligens ved at udbrede forståelsen af og kompetencerne i kunstig intelligens. Da langt de fleste produktive AI-initiativer kommer ude fra de operationelle fagfolk i organisationerne, er det vigtigt, at netop disse har en forståelse for kunstig intelligens. Samtidig har 99 % af alle virksomheder i dag kunstig intelligens som en del af deres beslutningsprocesser. Træning i kunstig intelligens handler derfor i lige så høj grad om at forstå sin nuværende forretning som om at udvikle den. Grøn omstilling som driver En stor del af driveren bag brug af kunstig intelligens er behovet for en grøn omstilling og bedre dyrevelfærd. Med kunstig intelligens kan man nemlig forudsige dyrs behov for behandling eller opsyn, man kan hurtigt identificere plantesygdomme og endelig reducere mængden af de sprøjtemidler og den gødning, der er nødvendig for at drive et landbrug. Det danske landbrug har også en unik position i form af den store skala og en særligt dataorienteret tilgang sammenlignet med andre lande. Kombineret med kunstig intelligens kan det gøre dansk landbrug grønnere og mere effektivt. Skræddersyet kursus I TodAI har vi skræddersyet et kursus til SEGES og designet det faglige indhold til deltagernes niveau og behov. Udover det har vi bygget AI’er til kurset med egne data, så stoffet blev så fagrelevant og hverdagsnært som muligt. Kursisterne fik faktisk deres egne data i hånden og lærte at bygge kunstig intelligens uden at have tekniske forudsætninger. Christian Schultz-Petersen fra SEGES udtaler: “At vi brugte vores egne cases og egne udfordringer gjorde, at vi langt hurtigere fik en forståelse for, hvad man kan med kunstig intelligens i vores egen hverdag”. Fokus på forretning Kunstig intelligens er og bliver en ukurant størrelse at arbejde med. Der er meget usikkerhed forbundet med AI, da man ikke kan forudsige resultatet eller udgifterne. Derfor er det ikke altid lige let at få opbakning til AI internt i en organisation, men med større forståelse kan AI-projekter langt hurtigere få luft under vingerne. En klassisk fejl i arbejdet med kunstig intelligens er, at man behandler det som et teknisk problem frem for som et forretningsproblem. Det blev der gjort op med på kurset, hvor deltagerne både lærte at gå metodisk til værks og at kommunikere omkring kunstig intelligens til sin organisation. På den måde bliver der fokus på forretning og ikke på teknik. Kontakt dan.rose@todai.ai for at få dit eget, skræddersyede AI-kursus til din virksomhed.Prospect+

Read More »

Derfor fejler AI-projekter

Jeg hører tit, at AI-projekter er fejlet. Skylden skydes ofte på, at teknologien ikke er moden, eller at AI ikke er noget for virksomheden alligevel. De forklaringer er selvfølgelig aldrig den rigtige årsag. Teknologien er meget moden, og for nylig har vi i Todai bygget AI for en virksomhed på 5 medarbejdere. Så kan alle altså være med. Årsagen til, at AI-projekter fejler, skal findes i måden, de gribes an på. Da der er meget få, der har praktisk erfaring med AI, er det ret naturligt. Er du en af dem, der ikke har så meget erfaring endnu, så får du her et par ting, du skal undgå at gøre, hvis du ikke vil fejle. Du må ikke bygge en rumraket Det kan ikke siges ofte nok og slet ikke, når det kommer til AI – start med den absolut simpleste løsning. Alt for ofte bliver der konstrueret en forkromet løsning, som ikke bare er svær at blive færdig med, men som også skyder langt over målet. Derfor skal du altid starte med den mindst mulige end-to-end-løsning. Det betyder f.eks., at du skal samle så få data, som du tror, at du kan slippe af sted med, eller bygge din AI med simple eller automatisk genererede algoritmer. Du skal ikke behandle AI som traditionel IT AI er en eksplorativ størrelse, og bruger man de samme metoder til AI, som man gør til traditionel IT, så vil det ikke blive en god oplevelse. I traditionel IT bryder vi opgaver ned i små dele, som kan estimeres, måles og vejes på deres værdi, og god praksis er at holde sine stakeholders i tæt dialog om projektets estimat. Når man arbejder eksperimentelt, kan man bare ikke lave de samme forudsigelser. I stedet skal man kontrollere ligesom ved f.eks. Milestone funding, hvor man kun frigiver få ressourcer ad gangen for ikke at satse for meget på et projekt, der tidligt viser sig at være en dårlig idé eller for dyrt. Du inddrager ikke nok domæneviden Domæneviden er alfa og omega for god kunstig intelligens. Domæneviden er fagviden eller specialviden om det felt, man bygger en AI til. En god tanke at have i baghovedet er, at hvis du skal lære en AI at lave mad, så skal du spørge en kok til råds og ikke strategifolk eller ledere. Heller ikke hvis de kalder sig for mad-proces-eksperter. De, der sidder med problemet til hverdag, kender det bedst, og min erfaring er, at det er netop de mennesker, der får de bedste idéer til at løse problemer med AI. Du undervurderer dataindsamlingen Jeg har selv gjort det, og jeg set mange andre gøre det. Man undervurderer hurtigt, at dataindsamlingen kan koste flere ressourcer end forventet og måske endda skal ske over flere omgange. I mange tilfælde skal man også løbende indsamle data for at vedligeholde sin model. Hvis et AI-projekt var delt op som en kostpyramide, ville den nederste store del være dataene og den lille top være modeludviklingen. Husk også, at dataene altid er i dårligere stand end lovet. Når du får beskeden “Vi har masser af gode data”, så forvent en rodet masse, som du først skal rydde op i. Du er ikke eksplicit nok med dine stakeholders Kunstig intelligens er et nyt paradigme i IT. Det er som tidligere nævnt meget eksperimentelt, og det er nyt for de fleste. Både ledere og brugere rundt omkring skal forberedes på, at det ikke bliver som andre IT-projekter. Hvis dine stakeholders ikke får nok information om den nye måde at arbejde på, så vil du helt sikkert møde modstand. Så kommuniker mere, end du tror er for meget. Det er langt bedre, at dine interessenter er lidt trætte af at høre dig prædike, end at du står og skal forklare alting på bagkant. Du fokuserer for meget på teknologien Det er let at komme til at kaste sig over teknologien med det samme, når man går i gang med kunstig intelligens, men teknologien er som sagt ikke den største del af et AI-projekt. Normalt fylder AI-koden kun ca. 5 % af kodebasen for et projekt, og det er heller ikke her, man finder den store konkurrencefordel. Den finder man i dataindsamling og problemforståelse.

Read More »

Hvad er kunstig intelligens (AI)? – Den pragmatiske definition

Der er ingen definitiv eller akademisk korrekt definition af kunstig intelligens. Normalt defineres AI som computermodeller, der udfører opgaver på en menneskelig måde og simulerer intelligent adfærd. Sandheden er, at for hver ekspert inden for AI du spørger om definitionen, får du nogle nye variationer af definitionen. I nogle tilfælde kan du endda få en meget religiøs undervisning om, hvordan det kun er AI, hvis systemet indeholder deep learning modeller. Mange startup stiftere siger deres systemer indeholder AI, selvom det bare er en meget enkel regressionsalgoritme, som vi har haft i Excel i årevis. Faktisk fandt en VC-fond for nylig ud, at mindre end halvdelen af startups, der hævder at være AI-startups, har en form for AI. Så hvornår er noget AI? Min definition er temmelig pragmatisk. For mig har AI et sæt fælles funktioner- hvis de er til stede, så vil jeg definere det som AI. Især når du arbejder med AI, vil disse funktioner være meget genkendelige. Med andre ord, hvis det ligner en and, svømmer som en and, og lyder som en and, så er det sandsynligvis en and. Det samme gælder AI. De fælles træk, jeg ser: – Systemet simulerer en menneskelig handling eller opgave. – Læringen kommer fra eksempler i stedet for instruktioner. Det medfører behovet for data. – Inden systemet er klar, kan du ikke forudsige, at input X giver dig nøjagtigt output Y. Kun næsten. Så for mig er det ikke rigtig vigtigt, hvilken underliggende algoritme, der skaber magien. Hvis de fælles træk er til stede, vil der være en fælles ‘AI-følelse’ i udviklingen og brugen, og de udfordringer, du vil stå over for, vil være de samme. Det kan virke som om jeg med denne definition tager AI til et enklere og mindre indflydelsesrigt sted, men jeg har kun lige ridset i overfladen. De underliggende menneskelige, tekniske og organisatoriske udfordringer er enorme, når man arbejder med AI.

Read More »

6 ting du bør vide inden du går i gang med AI-projekter

Kunstig intelligens (AI) -projekter er ved at blive mainstream for både store virksomheder og iværksættere. Som følge deraf får mange mennesker uden tidligere erfaring med AI nu ansvaret for AI-projekter. Det skete for mig for første gang næsten 5 år siden, og jeg har siden lært meget. Så her er seks ting jeg gerne ville have vidst da jeg kom igang med mit første AI-projekt. 1. Data er den dyreste del AI anses ofte som at være teknisk vanskeligt og kræve omfattende ressourcer at udvikle. Men det er faktisk ikke hele sandheden. Udviklingen kan være dyr, men langt størstedelen af ressourcer og arbejde bruges som regel på at indhente, rense og forberede data, inden udviklingen overhovedet kan gå igang. Data er også det mest afgørende element der skal til for at få AI til at udføre sit arbejde effektivt. Derfor bør du altid prioritere høj kvalitet i dine data fremfor i din teknologi, når du laver AI-modeller. Så når du budgetterer til et AI-projekt, skal du sørge for at du afsætter størstedelen af din tid og penge til data af høj kvalitet. Og husk, at du måske endda har brug for at erhverve nye data kontinuerligt, hvis det domæne du arbejder i har skiftende forhold. 2. AI-teknologi er mere tilgængelig end du tror På meget kort tid er AI gået fra at kræve specialiserede dataforskere og maskinlæringsingeniører til at vi nu kan lave AI-modeller uden en enkelt kodelinje. En række AutoML (Automatic machine learning) leverandører er dukket op i de seneste år, og de forbedrer sig hurtigt. Det betyder, at det ikke kræver så mange investeringer som før at komme i gang med AI. Dataindsamlingen og de menneskelige processer, såsom træning og onboarding, kræver dog stadig hårdt arbejde, og ingen af dem bør undervurderes. 3. AI er eksperimentel Udvikling af AI er en eksperimentel proces. Du kan ikke vide hvor lang tid det vil tage at udvikle det du har i tankerne, eller hvor godt det vil blive. I nogle tilfælde kan du ikke engang være sikker på, at AI er en mulig løsning på dit problem, før du prøver. Den bedste måde at få succes med usikre projektforhold som dette er at finansiere projektet efter tidsfrister og milepæle. Sæt korte milepæle, og frigør kun flere midler til et projekt, hvis målene for hver milepæl er nået, eller hvis du i det mindste ser meningsfulde fremskridt. Hvis du finansierer hele projektet på forhånd, kan du ende med at hælde alle dine penge i en blindgyde, der kunne have været spottet tidligt. 4. Hav en klar idé om hvordan dit projekts  succes ser ud Inden du går i gang skal du være meget tydelig med dine stakeholders omkring hvordan et vellykket projekt vil se ud. Ny teknologi som AI bliver ofte holdt op imod gyldne standarder, som den aldrig vil opnå. Hvis forventningerne ikke er tilpasset før kick off, kan det ende med at du selv synes du lavede en fantastisk løsning, mens nogle af dine stakeholders er skuffede. Efter min erfaring kan den nøjagtige samme AI-løsning forbløffe nogle, men virke uimponerende for andre. En god måde at håndtere dette på er at få alle stakeholders enige om, at den første version af AI’en bare skal være i stand til at levere status quo. Derfra kan du forbedre og gradvist øge værdien. 5. Brugere mister følelsen af kontrol Det kan være svært at forklare den indre funktion og baggrunden for en AIs output. På samme tid kan du ikke nøjagtigt vide, hvilket output det giver, givet et specifikt input. Det får det til at føles lige så, eller endnu mere, uforudsigeligt end hvis det var mennesker der skulle udføre den samme opgave. Da brugerne af en AI ikke kan stille spørgsmål eller vide om feedback givet til AI’en vil gøre en forskel, vil brugerne ofte føle at de mister kontrollen. For at undgå dette er det en god idé at forventningsafstemme med brugerne. Tingene bliver meget lettere, hvis de har de rette forventninger inden de får prøvet AI’en. Hvis det er muligt, kan du også indføre feedbackmekanismer, så brugerne i det mindste føler, at de kan gøre en forskel. Dette fungerer ikke altid hver gang, men det er bedre end ingenting. Det er også en god idé at styre forventningerne gennem den rigtige fortælling. Gør det klart om AI er et beslutningssystem der træffer beslutninger alene eller et supportsystem der bare kommer med forslag. Hvis brugere tydeligt forstår formålet med AI’en, bliver de som regel hurtigere komfortable med den. 6. Folk har meget forskellige forståelser af hvad AI er Som en tommelfingerregel har alle forskellige forståelser af AI. Ledere, brugere, udviklere og alle andre stakeholders kommer til at have en unik forståelse af, hvad AI faktisk er. Det er fair nok, da AI ikke har en bestemt definition, men det vil være et problem, hvis alle involverede i et projekt har en forskellig forståelse af, hvad der foregår. Så inden du starter et projekt, skal du sørge for ikke at tage for givet, at andre tænker som du gør. Vær eksplicit om, hvad AI betyder for dig, og hvordan du vil nærme dig det.

Read More »

Kunde case: Scanomat – Kaffe på kunstig intelligens

Scanomat har lavet kaffemaskiner i over 50 år og forskellen på den første fuldautomatiske kaffemaskine fra 1985 til den nyeste fortæller rigtigt meget om Scanomat. Det er en virksomhed, der tager udviklingen til sig, så hvad er mere naturligt end at tage AI til sig nu? Men Scanomat har haft den samme udfordring som næsten alle virksomheder jeg snakker med kunstig intelligens. De har nemlig haft svært ved at se præcist, hvor de skal starte med kunstig intelligens og hvordan man kommer i gang. At løse det problem er heldigvis en af de kompetencer vi har i Todai. Så sidder du i samme situation i din virksomhed og ved ikke, hvor du skal starte, så kan du måske finde lidt inspiration her. Resultatet Helt konkret var resultatet af forløbet følgende: – Forståelse af AI blandt ikke-teknikere. Hos Scanomat er der nu er en meget bedre forståelse for hvor man kan og ikke kan applikere AI. – 3 konkrete AI projekter, der kan sættes i gang som med stor sikkerhed har stor værdi. – En række afledte projekter som ikke er AI, men som også giver stor værdi. – En større indsigt i, hvordan forretningen hænger sammen fra operations til strategi. Det fælles sprog og Scanomats eksperter i spil Grunden til at det er så svært for mange at komme igang med AI, er at man typisk er eksperter i sit eget domæne(Her er det kaffe) men ikke har erfaring med AI. Den anden vej rundt har man som ekspert i AI massere af viden om AI men ingen viden om, hvordan man bygger en god kaffemaskine. Så at matche de to ekspertise kræver noget arbejde. Den udfordring startede vi med at tage hul på.  Den første opgave var altså at give Scanomats eksperter en indsigt i AI’s muligheder og et simpelt men fælles sprog om AI. Det fælles sprog gjorde, at vi efterfølgende kunne diskutere kaffe og AI på en produktiv måde. En del af det fælles sprog er at lave en måske lidt forsimplet men stærk opdeling af AI i Tekst-, Vision- og Tabel-AI så alle ved præcist, hvad man kan med AI. I Scanomat var jeg blandt andet så heldig at arbejde med den nyudnævnte Danmarksmester i kafferisteri, Ante Bikic. Når man har en så passioneret ekspert i sit domæne, som får et “sprog” til at tale AI, så slipper man virkeligt en kreativiteten løs. For, hvor AI før var en by i Rusland, blev det for kaffeeksperterne i Scanomat, en uudforsket verden fuld af muligheder. Det var en vild oplevelse at se, hvor mange idéer man får på bordet, bare ved at have et fælles sprog. Vi kunne sikkert være blevet ved for evigt med at finde på gode AI idéer, men man må jo stoppe et sted. Vi sætter en strategisk ramme En af de vigtigste ting, der skal styr på, inden man bliver alt for vild med de spændende tiltag man kan lave med kaffe og AI, er at man skal have sat en strategisk ramme eller retning. Her handler det om at snævre sig ind på de tiltag, der er mest strategisk vigtige for virksomheden. Specielt i Scanomats case er det vigtigt, for kaffe er overraskende komplekst. Der er en lang værdikæde med mange spillere og den kompleksitet, der ligger i selve kaffemaskinen er enorm. Til forskel fra meget andet drikke og fødevareproduktion, så ligger den komplekse del af produktionen til allersidst ude hos kunden eller brugeren. Hvor en vin f.eks. Bliver produceret færdig på vingården og flasken kan åbnes drikkeklar, så er der stadig langt fra en ristet kaffebønne til en god kop kaffe.  Så her er det altså ekstra vigtigt at få en retning man vil arbejde i, så man ikke skyder i alle retninger. Helt specifikt valgte vi at arbejde med at sikre kvaliteten af kaffen og den enkelte kundes gode oplevelse. Hvad det specifikt betyder, kan vi måske sløret for senere. Vi kunne også have valgt at kigge på mere salg, besparelser i produktionen eller optimering af administration. Pointen her er at AI har så mange muligheder, at man er nødt til at starte et afgrænset sted for at være produktiv. Filterer idéerne Så hvad nu? Nu har vi en masse gode idéer, med det samme strategiske mål, men hvad gør man så derfra?  Her har vi i Todai udviklet et “Filter”, som vi vurderer idéerne ud fra. Her kigger vi både på værdien af AI-idéen, de organisatoriske og datamæssige udfordringer og til sidst de tekniske udfordringer.  Et helt specifikt spørgsmål, som jeg i Scanomat casen, oplevede var særligt værdifuldt, var spørgsmålet om vi kunne lave det vi kalder en “decision model”. Helt kort er en decision model en model for, hvordan man skal reagere på det output man får af AI’en. Så lad os sige at en AI siger at, der med 80% sandsynlig er et problem med kvaliteten af en kaffe. Eller måske 50% sandsynlighed? Hvordan skal man reagere på det? Kan man ikke lave en sådan model for, hvad man skal bruge en AI’s output til, så er AI’en ikke værd at lave. I Scanomats tilfælde oplevede jeg også at den process hjalp med at dele viden internt i Scanomat. Så selv før, der står en AI klar, så har processen været værdifuld. Næste skridt er at.. At finde ud af hvor man kan bruge AI i sin virksomhed er det vi i metoden kalder “Inspiration”. Det næste naturlige skridt er at fortsætte til de næste skridt, “problemforståelse”, “dataindsamling” osv. og forhåbentligt ender vi med konkrete AI produkter. Sker det, så kommer der uden tvivl nogle flere indsigt her på Todais blog.

Read More »

Kunstig intelligens skal være allemandseje

Kunstig intelligens har været igennem en kæmpe udvikling de sidste par år. For få pår siden var kunstig intelligens noget som kun meget få virksomheder kunne udvikle. Det krævede nærmest en hær af Ph.d’er, der selv med deres bedste evne, kun lige kunne få kunstig intelligens til at blive så godt at forretnings-casen blev god. På meget kort tid har det dog ændret sig og nu kan kunstig intelligens udvikles med meget få ressourcer. Derfor er TodAI kommet til. TodAI er kunstig intelligens i dag, i praksis, til alle. Jeg må indrømme at jeg har glædet mig. Jeg har selv arbejdet med kunstig intelligens i 5 år og set udviklingen ske om ørene på mig. Nu er det altså tid til at det skal ud til alle og ikke kun eksperterne. Der er tusindvis af mulige applikationsmuligheder derude for kunstig intelligens som vi mangler at blive lavet. Men er det så bare easy peasy? Nej. Kunstig intelligens er stadig ikke altid nemt. Det er stadig IT og da det føles meget anderledes at lave end traditionel IT og er for mange faktisk lidt af et paradigmeskifte. Et godt eksempel er at det er markant sværere at bygge en business case på kunstig intelligens end på traditionel IT. I kunstig intelligens kender man ikke nødvendigvis, hvor meget data man skal bruge, hvad det vil kræve at lave løsningen eller hvor god den vil blive. Man kan altså hverken vide omkostninger eller gevinster og så ligger en business case altså ikke lige til højrebenet. Implementering af kunstig intelligens viser sig også ofte at være en større menneskelig opgave end en teknisk opgave. For pludselig skal man, som bruger at IT, med kunstig intelligens vende sig til en lidt mere uforståelig maskine, der ikke bare kan forklares. Derfor er det også en del af TodAI at lave undervisning og give ledere og medarbejdere, så meget viden om kunstig intelligens i praksis. Det kommer forhåbentligt til at gøre kunstig intelligens projekter til en god oplevelse allerede første gang. Hvordan kommer man så i gang? For at gøre kunstig intelligens så konkret og tilgængeligt som muligt, har vi udviklet en metode for kunstig intelligens som vi altid følger. Taken er at kunstig intelligens, der følger en fast process bliver markant mindre trylleri og meget mere tilgængeligt. Hvis du er nysgerrig, så tjek metoden her. Jeg glæder mig til at udbrede kunstig intelligens i praksis. Synes du det er spændende, så giv mig et skriv på dan.rose@todai.ai eller et kald på 29 27 99 86.

Read More »