Att implementera AI i befintliga system är inte så enkelt som det låter

Detta är ett faktum som våra intervjupersoner är väl införstådda med. Eija-Leena Koponen är väl bevandrad i AI-världen som grundare till Renessai, ett nystartat bolag som hjälper företag integrera AI strategier och verksamhet. Carl Holmqvist är en rutinerad programvaruutvecklare och dataingenjör på Nitor, för närvarande fullt fokuserad på att hjälpa sin kund implementera nya AI-lösningar som underlättar den dagliga verksamheten och snabbar på olika processer.

Både Koponen och Holmqvist tillskriver ChatGPT, alltså användargränssnittet med en GPT-modell, ett nyväckt intresse och nya affärsmöjligheter kopplade till generativa AI- och språkmodeller. Den djupare frågan är hur AI-lösningar kommer att påverka olika roller som traditionellt förknippas med datarelaterat arbete.

”Rollen som dataingenjör har verkligen förändrats. Traditionellt är det någon som förstår hur data måste mätas och tillämpas med hjälp av olika modeller. Någon med grepp om matematik och statistik, men som också förstår teorin och strukturen bakom tekniska tillämpningar. En mycket viktig del är förmågan att omsätta denna kunskap till ett business case”, förklarar Eija-Leena Koponen.

”Det som är verkligt revolutionerande med den nuvarande utvecklingen är att big tech tillhandahåller produktversioner av stora språkmodeller, vilket innebär chattgränssnitt eller smidigt implementerade och hanterade slutpunkter för människor som mig. Därför behöver man inte nödvändigtvis lägga så mycket energi på modelleringssidan längre, och stora språkmodeller kan också fungera som ett medium för att göra tekniska detaljer mer lättillgängliga för fler människor.”

Överskattad användarvänlighet hos AI

För Carl Holmqvist innebär stora språkmodeller och AI-assistenter en relativt liten förändring i det dagliga arbetet, men han har helt klart noterat en förändrad attityd till AI:

”I takt med att AI har blivit mer tillgängligt har de flesta människor åtminstone någon gång provat AI-verktyg för att se vad de kan skapa. Vi har sett fantastiska demonstrationer av företag som visar upp alla imponerande saker deras teknik kan göra, men detta har också skapat förväntningarna hos folk på vad som är lätt att åstadkomma med AI”, säger Carl.

”Jag känner att förväntningarna på vad som kan levereras har blivit lite orimliga. Människor ser alla dessa snygga presentationer, men det som inte nämns är allt det underliggande arbete som krävs. Lösningar har en tendens att vara mycket komplexa och kräver förståelse för vilka datatyper som är mest relevanta. Vad är rätt arkitektur, vilka steg behövs i vår pipeline, hur bearbetar vi data och hur kan vi garantera att svaren är rätta? Att bara ge data till en GPT kommer inte att lösa eller producera någonting alls.”

Eija-Leena Koponen och Carl Holmqvist noterar att AI-företag förvisso ofta visar upp tekniken i mycket imponerande presentationer, men dessa demonstrationer är ofta specialbyggda i marknadsföringssyfte och återspeglar inte AI-tillämpningarnas nuvarande användbarhet. Detta har skapat frustration på kundsidan, eftersom mängden verkliga användningsfall är mer begränsad och implementeringen har visat sig vara mycket mer komplex än väntat.

”Kunder kan be om ny teknik utan att räkna med alla utmaningar som kommer på köpet. Ur ett ledningsperspektiv finns en förväntan att en AI-implementering är något alla kan göra. Logga bara in på ChatGPT och fixa lite kod, alla sen kommer alla att kunna göra si och så. Men när verktygen väl finns på plats kommer verkligheten ikapp: okej, det här var svårare än väntat”, säger Carl Holmqvist.

Det är då det verkliga arbetet börjar, och detta arbete kräver fortfarande en solid förståelse för företagets data, business case och strategiska mål. Carlsintryck är att företag fortfarande befinner i lärandefasen när det kommer till AI-implementering, och en djupare förståelse för AI:s användbarhet saknas ännu.

”Man skulle kunna säga att en AI-lösning är som en traktor på åkern där vi brukade använda en spade. Den kan såklart ge oss möjligheten att bearbeta mer jord på kortare tid, men bara om personen som använder den förstår hur dess funktionalitet skiljer sig från tidigare lösningar. Det kräver förändringsledning och utbildning, och det kommer att ta tid”, fortsätter Eija-Leena Koponen.

Nyckeln till framgång är fortfarande att förstå data

En annan aspekt är de orimliga förväntningarna på hur mycket användningen av AI kommer att kosta i det långa loppet. Det finns för närvarande en farlig föreställning att företag enkelt kommer att kunna implementera AI som en övergripande lösning för att utveckla och utöka sitt erbjudande, som kommer att kräva mindre resurser, personal och expertis. Men istället för att försöka tillämpa generativ AI överallt anser Eija-Leena att det är en bättre idé att först utforska vilka delar av verksamheten som kan dra nytta av mindre eller traditionella modeller, eller vilka problem som kan lösas med automatisering.

”Jag skulle säga att AI-lösningar kan implementeras som delar av en fabrik, men ju högre funktionaliteten är i fabriken, desto bättre förståelse krävs för den komplexa pipelinen. Vi låtsas att AI är en avancerad mekanisk arm som monterar något. Om den inte är ansluten till ett transportband som kan flytta det monterade föremålet till nästa punkt klarar maskinen inte av att genomföra sitt uppdrag. Hela din pipeline måste fungera”, förklarar Carl.

”I den konsultverksamhet som både jag och Carl arbetar i är förtroende är förutsättning för det mesta. När kunder förlitar sig på Nitor eller Renessai måste de vara villiga att lyssna på oss när vi avråder från AI-implementering. Kanske kommer problemet att kunna lösas med automatisering, eller så kanske en språkmodell passar för en mindre del av processen”, tillägger Eija-Leena.

Carl avslutar med att understryka att det är absolut nödvändigt att analysera och förstå kundens tilltänkta slutmål och vilka komponenter som främjar eller hindrar på vägen mot detta målet:

”AI är inte något självändamål om man vill uppnå ett specifikt resultat. Vi behöver stötta och vägleda våra kunder i att utforska vilka system som redan finns på plats, vad som kan justeras och vad som kan förbättras med enkla beräkningar, och också kritiskt analysera huruvida AI verkligen kommer att kunna förenkla och förbättra eller inte.”

Söker ni innovativa sätt att använda data för att förbättra er verksamhet? Läs mer om våra tjänster!