{{item.videoDuration}}
{{item.title}}
{{item.text}}
{{item.videoDuration}}
{{item.title}}
{{item.text}}
Hvordan kan selskaper utnytte AI i praksis?
Uten en tydelig forankring i strategien kommer ikke selskaper langt med å utnytte verdien bak kunstig intelligens. Ledere i alle virksomheter bør reflektere over noen nøkkelspørsmål før AI tas i bruk. Hva kreves for å nå våre strategiske mål? Hvor klare er vi i dag og hvor vil vi i fremtiden? Hvis svaret peker mot AI må fire komponenter adresseres: strategi, organisasjon og kultur, data og analyse og arkitektur og teknologi.
1. Strategi - Virksomhetsmål må drive AI-initiativene
Digitale initiativ vil mest sannsynlig feile eller gi begrenset verdi om de ikke er knyttet til strategien til virksomheten. Derfor må virksomhetsmålene styre disse initiativene. Mål for AI må linkes til den helhetlige strategien og implementeres gjennom hele virksomheten. Det nytter ikke å ha et team som eksperimenterer for seg selv, om det ikke er en tydelig plan for utnyttelse bak. Strategier og planer må kobles på i startfasen for å forstå hva som kreves for utvikling. Hvilket behov har vi for innsikt? Hva slags innsikt trenger vi? Etter dette kan vi gjøre prioriteringer. Hvilke brukere er viktigst? Og hvilken innsikt har de behov for?
2. Organisasjon og kultur – AI krever mer enn data scientists
Det mest krevende for å lykkes med AI er omstilling av den etablerte organisasjonskulturen og organisasjonsformen. En datadreven kultur blir ikke etablert over natten. Vi må lære oss å stole på data og sette pris på den innsikten data gir. De praktiske problemene knyttet til håndtering av data må løses, dataen må analyseres og utnyttes. Det må jobbes frem en kultur for å etterspørre og innhente data i alle strategiske og operative beslutninger. Det er viktig å anerkjenne at AI handler om data og anvendelse av data, ikke kun analysemetodene. Det betyr at AI krever mer enn bare data scientists. Et fleksibelt team være satt sammen på tvers av fagdisipliner. Her må domene-eksperter, brukere, forretningsutviklere, dataingeniører og ofte front-end-utviklere kobles må. Uten en av disse rollene, får vi kanskje ikke løst problemet.
3. Data og analyse – Forstå dataene dine først, fokuser på analysemodellene etterpå
Så mye som 80 % av det tekniske arbeidet rundt utvikling av en analysemodell handler om data. For å kunne bygge en modell for å analysere data, må dataene først være forstått og kvaliteten må være god. Dataen må så kunne slås sammen for å kunne analyseres. Så kan en automatisert dataflyt settes opp. For at denne dataen skal kunne brukes på sikt, må det være etablert gode og tydelig kommuniserte prosesser for datahåndtering. Her står personvern og GDPR sterkt, og det er kritisk at regler overholdes slik at ikke data misbrukes.
AI handler selvsagt også om analyser. Med all omtale av maskinlæring, nevrale nett og andre avanserte analysemetoder er det lett å tenke at det er løsningen på våre problemer. Ikke glem at vi kan komme langt med bare å gjøre enkle sammenstillinger og visualiseringer av dataene vi har, eller gjøre en prognose basert på en lineær regresjon. Ikke løs et enkelt problem med en unødvendig avansert modell, som ingen forstår hvordan fungerer.
4. Arkitektur og teknologi – Du trenger en skalerbar og fleksibel dataplattform
Den siste komponenten som må adresseres før AI tas ut i praksis er oppbyggingen av modellens teknologi og arkitektur. Hvis din virksomhet har behov for analytisk bruk av data, har dere trolig behov for en plattform som håndterer både kvalitet og fleksibilitet samtidig. Disse to behovene kan stå i konflikt, og vil da kreve to arkitekturtyper og forvaltningsmodeller. Her kommer begreper som Big data, Data lake og datavarehus inn. Hovedfokus er i dette stadiet på å avklare om det er behov for dataene i sanntid, datavolum og om dataen har en definert struktur. Hvordan skal denne dataen brukes videre, og av hvem? Dataarkitektur er et stort og komplekst område, som er i rask utvikling.
AI utmerker seg for oppgaver som krever kognitive egenskaper. Tidligere var dette egenskaper forbeholdt mennesker, men nå som datamaskinen kan mestre disse menneskelige egenskapene er mulighetene mange.
Så hva er egentlig AI?
AI er en teknikk man bruker for å gi datamaskiner og dataprogrammer en mest mulig intelligent respons. Begrepet er bredt, og vi kan dele det opp i svak AI og generell AI. Svak AI omfatter spesifikke oppgaver en datamaskin kan trenes opp til gjøre veldig bra, som for eksempel å spille sjakk med deg. Generell AI er derimot mer avanserte systemer som kan trenes til nær sagt hva som helst.
Den mest kjente formen for AI er maskinlæring, som er omfatter design og utvikling av algoritmer som gjør datamaskiner i stand å lære fra og utvikle atferd basert på empiriske data. På denne måten kan datamaskinen på egenhånd utvikle analysemodeller og se etter spor i store datamengder, uten å bli fortalt nøyaktig hva den skal lete etter. Dette kan for eksempel være å finne kunder som har samme preferanser eller identifisere bilder som inneholder det samme.
Hovedgrunnen til at maskinlæring har fått en oppblomstring de siste årene er at stadig flere har tilgang til de datamengdene og regnekraften som skal til for å nyttiggjøre seg av det. Samtidig har ledende virksomheter som Google og Netflix villig delt sine metoder og algoritmer for AI og maskinlæring. Ifølge vår rapport PwCs AI Impact Index er AI den største kommersielle muligheten i dagens skiftende økonomi, og vil kunne øke BNP med 14 prosent globalt i løpet av få år.
Den fjerde industrielle revolusjonen
Som en del av det digitale skifte vi er inne i, eller det såkalte “fjerde industrielle revolusjonen”, er AI, kunstig intelligens, en sentral komponent. I dette skiftet blir tradisjonelle forretningsmodeller, organisasjonsformer og organisasjonskulturer i økende grad utfordret av nye disruptive modeller.
Regjeringens arbeidsgruppe Digital 21, som skal bidra til økt digitalisering av næringslivet, har kommet frem til at AI er at av fire satsingsområder som krever felles strategisk satsing i norsk næringsliv. Når vi ser at en av de andre områdene er stordataanalyse begynner det å tegne seg et bilde av at ledergrupper rundt om i landet bør diskutere hvordan de kan ta kontroll på data og metodene vi kan benytte for å få innsikt.
{{filterContent.facetedTitle}}
{{contentList.loadingText}}
{{contentList.loadingText}}
Kontakt oss
