Picture 1

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.

Share this post

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