For mange machine learning-projekter er styret af teknisk fascination frem for forretningsforståelse og ender derfor i graven. Flere business cases og stærkere datagrundlag er vejen frem, mener Inspari.
Danske virksomheder får ikke nok forretningsværdi ud af kunstig intelligens. Flere er begyndt at eksperimentere med teknologien, men får stadig ikke prioriteret forretningen højt nok i projekterne ifølge Jens-Jacob Aarup, adm. direktør for it-konsulentvirksomheden Inspari.
"Vi oplever mange sætte machine learning-initiativer i gang, men de har ofte kun en teknisk vinkel og mangler en ordentlig business case. De glemmer simpelthen at tage højde for, hvad der vil have størst forretningsmæssig betydning for virksomheden," siger han og uddyber:
"Det betyder, at pilotprojekterne aldrig bliver til store projekter."
Noget tyder da også på, at udviklingen lader vente på sig. Andelen af virksomheder, der benytter sig af machine learning, er nemlig ifølge Danmarks Statistik uændret siden sidste år. Skal det ændre sig, er virksomhederne nødt til at hæve ambitionerne, mener Jens-Jacob Aarup.
"En af virksomhedernes største barrierer er, at de endnu ikke har defineret, hvad de vil opnå med kunstig intelligens. De mangler en strategi for brugen af data, business intelligence og machine learning," siger han.
Machine learning forudser, hvornår eleverne dropper ud
Brugt rigtigt kan machine learning blandt andet forudsige fremtidige begivenheder med en vis sandsynlighed og lave fremskrivninger af alt fra salgstal til indkøbs- og produktionsmængder.
Udfordringen består i at finde frem til det område, der er mest værdifuldt at kunne forudsige noget om — og hvor virksomheden samtidig har tilstrækkeligt med data til rådighed.
For Syddansk Erhvervsskole var det at forudsige, hvorvidt elever var på vej til at droppe ud af studiet. Skolen ville gerne hæve gennemførselsprocenten og fik derfor hjælp af Inspari til at lave churn-analyser ved hjælp af machine learning. Algoritmerne benytter sig af data, som skolen i forvejen havde til rådighed, såsom karakterer og fravær. Og på den baggrund kan de identificere elever, der er i høj risiko for at droppe ud. Det kan lærerne bruge til at sætte ind, før det er for sent.
"Selvom enkelte lærere måske har det på fornemmelsen, så har de nu et kvalificeret datagrundlag at tale ud fra. Det gør det lettere at tage det op med kollegerne i tide," siger Jens-Jacob Aarup.
Eksemplet behøver dog ikke kun at begrænse sig til elevfrafald. De samme algoritmer kan også bruges til at forudsige andre udfald, eksempelvis om en vindmølle er på vej til at gå i stykker. Men når virksomhederne ikke forstår denne kobling, risikerer de at gå glip af nye forretningsmuligheder, mener Jens-Jacob Aarup.
"Det er svært for mange forstå, at samme type algoritme også kan løse deres udfordringer," siger han.
Forarbejdet er sværest — algoritmerne kommer (næsten) af sig selv
De virksomheder, der får størst forretningsmæssigt udbytte af deres machine learning-projekter, lægger ifølge Jens-Jacob Aarup størstedelen af kræfterne i forarbejdet.
Det handler især om at bygge en solid business case, inddrage de rigtige mennesker og at systematisere dataindsamlingen.
"Det er kort sagt samme nøglediscipliner, der er nødvendige for at arbejde med business intelligence," siger han.
Mange virksomheder er over de seneste år lykkedes med at nedbryde datasiloerne i virksomhedernes mange afdelinger og har opbygget en central business intelligence-kapacitet.
Dette arbejde er nødvendigt for at tage skridtet videre og bruge machine learning ifølge Insparis direktør.
"Hvis man stadig ikke er god nok til at diagnosticere fortiden, så er der langt til at kunne forudsige fremtiden", siger han og advarer samtidig mod at gentage fortidens fejltagelser og skabe nye datasiloer:
"Nu har vi endelig nedkæmpet datasiloerne, så mit stille opråb til virksomhederne er: Gør det nu rigtigt og brug de data, I har i forvejen i jeres business intelligence-løsninger," afslutter han.
5 trin til at få succes med machine learning og AI
- Opbyg din organisations kapacitet
Find de rette medarbejdere på tværs af organisationen samt de eksterne samarbejdspartnere, der har kompetencer inden for statistik, big data og machine learning.
- Lav en pipeline af projekter
Identificér de udfordringer i virksomheden, der kan løses med machine learning og fokusér på dem, der er mest kritiske eller vil give størst værdi. - Sæt gang i pilotprojekter
Test idéerne af med små pilotprojekter og evaluér løbende effekterne og processerne, før projekterne skaleres op. - Skalér pilotprojekterne op
Sæt de pilotprojekter i produktion, der lever op til ønsket udbytte, omkostninger og kompleksitet. Det indebærer blandt andet integration med eksisterende systemer samt opkvalificering og rokering af medarbejderne.
- Husk at forankre projektet i virksomheden
Machine learning bruges ofte som værktøj til at støtte menneskelige beslutninger og kan derfor ændre måden, der arbejdes på. Sørg derfor for, at der er ildsjæle og ambassadører blandt medarbejderne, der støtter den teknologiske omstilling.
