Brug mere tid på problemformuleringen sammen med din kunde i dit næste AI-projekt. Det er nemt at blive forblændet af de nyeste og mest hype'de AI trends. Men det er ikke altid, at de superavancerede modeller er bedre til at løse forretningens konkrete udfordring

Skal man bygge et rumskib, der kan flyve til månen, hvis opgaven kan løses bedre ved at køre en tur i en Audi? Det lyder umiddelbart som et nemt spørgsmål at besvare. Men når vi taler udvikling af AI-løsninger til virksomheder, er der i nogle tilfælde et stykke vej til erkendelsen af, at det nyeste og smarteste ikke altid er det rigtige.

Blandt data scientists og andre med interesse for AI-feltet er der stor hype om nyere AI-begreber som fx deep learning og artificial, neural networks. Med god grund, for DL og ANN har selvsagt stort potentiale og vil formentlig sætte nye grænser for, hvad vi kan opnå med kunstig intelligens.

Men al hype'n frembyder også en udfordring, som både virksomheder på kundesiden og os, der arbejder med at udvikle AI-løsninger til vores kunder, bør være bevidste om:

Det er nemt at blive smittet af begejstringen over det nyeste nye, og undervejs miste fokus på det, som i virkeligheden betyder noget. Nemlig at udvikle den rigtige AI-løsning, som løser kundens konkrete, forretningsmæssige udfordring bedst muligt.

Forestil dig, at du skal skitsere en helt klassisk AI-løsning til predictive maintenance af maskinerne i en produktionsvirksomhed. AI-løsningen skal på baggrund af sensordata forudsige (læs: beregne sandsynligheden for) nedbrud.

Enkel algoritme eller black box ANN?
Et bud på løsningen er at bruge en forholdsvis enkel algoritme, fx logistisk regression, som i evalueringen viser sig at have en nøjagtighed på 82 procent.

Et andet bud er at kode et ANN, som kan levere en nøjagtighed på 86 procent. Men her bliver forudsigelserne beregnet i en black box. Hverken du eller din kunde har nogen som helst anelse om, hvorfor eller hvordan modellen når frem til sine resultater.

Eller man kan formulere problemet anderledes og vælge en anden algoritme, som konstant giver nye, ændrede forudsigelser. Den ene dag mødes maskinoperatøren af en melding om, at maskinen vil bryde ned om 31 dage. Næste dag får han at vide, at maskinen bryder ned om 78 dage, næste dag igen, at der kun er 10 dage til forventet nedbrud osv. osv.

Hvad skaber værdi?
Så 10.000 kroners spørgsmålene er: Er en nøjagtighed på 82 procent forretningsmæssigt acceptabel?

Er det værd at give afkald på den indsigt, der forsvinder i en black box, for at vinde yderligere 4 procentpoints nøjagtighed?

Skaber det mere værdi for kunden, at maskinoperatørerne får vidt forskellige meldinger fra dag til dag, fordi den matematiske model i AI-applikationen er mere avanceret og konstant revurderer beregningerne?

Med andre ord: Hvad er det, vi ønsker at opnå? Hvad giver mening og skaber reel værdi for forretningen? Det er dé spørgsmål, der skal afklares og besvares i problemformuleringen. Men det er desværre også problemformuleringen, som nogle gange bliver nedprioriteret, fordi det er mere tillokkende at udforske de nyeste og mest avancerede modeller.

Et ekstra step i CRISP
Derfor har vi i CGI tilføjet et step i den klassiske CRISP-model: Problemformulering. Det har vi gjort på baggrund af vores egne erfaringer med at undervise vores kunder i workshops og erfaringer fra konkrete kundeprojekter.

Det giver bedre resultater i sidste ende at øge fokus på selve problemformuleringen og sætte forretningens behov før de mere konkrete, teknologiske overvejelser. Vi må aldrig glemme, at kundernes forretningsmæssige udfordringer er hele grundlaget for ønsket om at bruge AI

Husk at AI ikke er målet i sig selv. AI er et af midlerne til at nå målet.

CGI artikel i DATATECH (Teknologiens Mediehus - Viden for professionelle)

Tilføj kommentar

Comment editor

  • No HTML tags allowed.
  • Lines and paragraphs break automatically.
Regler og vilkår for brug af bloggen