Make Data Smart Again: Hvorfor AI-prototypene ikke tar av i din virksomhet

Det er forførende enkelt å prototype spennende AI-løsninger. Men når det skal rulles ut i organisasjonen blir det vanskelig. Hvorfor er det sånn? Jo Saakvitne mener å ha svaret.

IT-bransjen er full av paradokser. Solow-paradokset er et av de mest kjente. Sent på 1980-tallet fikk Robert Solow Nobelprisen i økonomi. Hans arbeid viste at IT ikke gir økning i produktivitet.

I fjor presenterte vi en utvidelse av Solows paradoks, kalt Magne Jørgensens paradoks. Sintef-forsker Magne Jørgensen leter etter bevis for at Solow tok feil.

Så kom Boston Consulting Group med AI-paradokset. Virksomheter oppdager at det er veldig vanskelig å skalere AI fra prototype til drift.

—  Det viser seg at AI er overraskende vanskelig å skalere, sier Jo Saakvitne i BCG. Det tar rett og slett ikke av.

Han skal snakke om  «AI-paradokset» på Make Data Smart Again i mai.

AI tar ikke av.

Annerledes enn andre løsninger

—  AI-løsninger er annerledes enn andre IT-løsninger. Det er lett å lage prototyper. Ofte har virksomheter ti prototyper de kunne tjent penger på, men de får ikke til å implementere det i stor skala i virksomheten.

—  Hvorfor er det sånn?

—  Den viktigste grunnen er at AI-løsninger i sin natur er mye tettere integrert i hele organisasjonen og fordrer at organisasjonen endrer måten den jobber på. Det er lett å få algoritmene på plass, og teknologi er hyllevare. Men algoritmene er bare ti prosent, teknologien er 20. De siste 70 prosentene er prosessene som må implementeres i organisasjonen.

— For til syvende og sist handler det om at folk gjør noe annet i morgen enn de gjør i dag.

Kjerneprosess

—  Har du gode eksempler?

—  Selv jobber jeg mye med prising av varer til forbrukere. Der kommer vi borti selskap som kanskje har utviklet sofistikerte algoritmer og moduler for optimering av priser. Så prøver vi å trekke dette gjennom organisasjonen. Men dette med prissetting er en kjerneprosess i hele organisasjonen, og nye løsninger krever nye måter å jobbe på. AI griper inn i kjerneprosesser på tvers av ulike lag.

—  I kontrast til dette står klassiske IT-systemer hvor du har klart definerte inndata og utdata. Da er det enkelt å bygge selvstendige moduler. Vi ser at AI-systemer ofte har disse egenskapene i en prototype-fase, og veldig tidlig har de gjerne ti prototyper liggende, men med en gang du skal gjøre skaleringen står kultur, prosesser og det å rett og slett få fatt i menneskene i veien.

—  Ditt råd?

—  Vær varsom som data scientists å lage  «proof of concept»-fabrikker i form av isolerte enheter som lager gode prototyper. Vær obs på at det er enkelt å lage prototyper, men det er bare 10 prosent av jobben. Sørg for korte innovasjonssykluser. Se etter muligheter til å høste lavthengende frukt.

—  Og aller viktigst: det beste en data scientist kan gjøre er å integrere folk fra forretningssiden fra dag én. De skal være med fra starten og du skal starte med sluttmålet i hodet. Vit at det vil kreve organisasjonsendringer.

Jo Saakvitne
Jo Saakvitne

«Det beste en data scientist kan gjøre er å integrere folk fra forretningssiden fra dag én.»

Jo Saakvitne

Skaper verdi i dag

Jo viser til en undersøkelse BCG har gjort: Think Big, Start Small, Scale Fast: The AI Success Recipe for Nordic Companies, som viser at vi slett ikke er helt tapt bak en vogn hva gjelder forståelse av AI her i Norden.

—  Rapporten viser at AI skaper verdi for bedriftene allerede i dag, og har gjort det de tre siste årene for nesten halvparten av bedriftene. Praktisk talt alle som svarte forventer at AI vil skape verdi i løpet av de neste fem årene. Det forteller meg to ting: AI er er virkelig og forventningene er skyhøye.

Du kan lære mer av om hvorfor AI ikke skalerer og hva du kan gjøre med det når Jo Saakvitne går på talerstolen på Make Data Smart Again (MDSA) i mai.

Se programmet for MDSA her.


Oppslagsfoto: Cpl. Dylan Chagnon, Marine Corps Installations West – Marine Corps Base Camp Pendleton. Public Domain.

Publisert 8. april 2019, og sist oppdatert 8. april 2019.