jason-leung-HBGYvOKXu8A-unsplash

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.

Share this post

Share on facebook
Share on linkedin
Share on twitter
Share on email