AI – Ska vi börja nu eller kan vi vänta?

Det är nog få som har undgått hypen kring AI. Många av våra kunder funderar på hur de ska komma igång med Artificiell Intelligens och om tidpunkten är den rätta. Vi på Esatto rekommenderar alla att redan nu börja experimentera med AI eftersom det finns mycket tydliga fördelar – eller måsten – med att starta omgående.

Nyfiken på Esatto?

Innan vi går in på varför så behöver vi definiera vad vi menar med AI i den här kontexten. AI är ett brett område som innehåller en mängd tjänster, och dessutom är området under konstant utveckling och förändring. Ofta nämns visuell intelligens, språklig intelligens, virtuella assistenter, robotar, maskininlärning och automation när AI diskuteras. I den här artikeln avser vi den kognitiva AI-tjänsten språklig intelligens samt maskininlärning.

Börja nu?

Varför ska man börja nu? Är det inte smartare att vänta tills det finns en best practise att förhålla sig till, eller att branschledaren har tagit fram en lösning som andra kan ta del av? Dessa strategier har historiskt varit mycket framgångsrika.

Men de fungerar inte när det gäller AI, eftersom:

1.      DATA: AI-tjänster är beroende av strukturerad domänspecifik data för att fungera. Din data!

2.      PLATTFORMAR: AI-tjänster nu finns tillgängliga för alla på ett enkelt och kostnadseffektivt sätt. Tekniska kostnader är snudd på försumbara här! AI är därför inte så mycket ett teknikprojekt. Det är ett verksamhetsarbete!

3.      HASTIGHET: AI har en massiv disruptiv potential där de som inte är early adapters kan ha svårt att komma ikapp.

Med (1) domänspecifik data menas den unika data som består av de begrepp, affärsregler, metadata och så vidare som varje verksamhet producerar och använder varje dag. Denna data behöver finnas tillgänglig på ett systematiserat sätt för att AI-tjänsterna ska fungera och utvecklas med hjälp av maskininlärning.

Rörande (2) plattformar har flera av världens största teknikföretag har idag molnbaserade AI-tjänsteplattformar där kunder, via etablerade standardtekniker (REST API:er eller motsvarande), kan integrera dessa tjänster i sina system.

Jag och mina kollegor arbetar mest med Microsofts AI + Cognitive Services eftersom Microsoft är vår vanliga teknikstack och för att vi anser att dessa tjänster är både kompetenta och lätta att komma i gång med. Andra exempel på leverantörer inom området är Google Dialogflow, Facebook wit.ai, Amazon Lex och många fler.  

Vad gäller (3) hastighet så finns det en regel som alltid råder för människor; man måste kunna gå innan man kan springa. Det är därför vi är så angelägna om att öva och experimentera mycket först så att man kan bygga en sund och snabb organisation senare.

 

Maskininlärning med manuell assistans

Hur skulle det kunna se ut i praktiken? Vi tar ett exempel med en smart bot.

Vi vill att vår bot ska kunna stödja underhållstekniker på fältet som ska felsöka och reparera utrustning. Botten använder primärt textanalys för att förstå vad underhållsteknikerna vill ha hjälp med. För att den ska kunna vara ett stöd så behöver den ha kunskap om utrustningens taxonomi och kontext. Med det menas att den behöver kunna förstå att delen X av utrustningen är av typen Y och är beroende av delen Z, samt vilken specifik kontext de befinner sig i.

Hur lär sig botten det? Jo, genom att få tillgång till den strukturerade data som beskriver dessa förhållanden och sedan applicera maskininlärning på den dialog som i dag sker mellan underhållsteknikerna och experterna back-office. På så sätt blir botten bättre och bättre på att förstå förhållanden och beroenden mellan objekt och i vilken kontext de används.

Botten består av tre huvudkomponenter 1) ett chattverktyg som möjliggör själva dialogen 2) ett bot-ramverk som förmedlar data mellan chatten och AI tjänsten 3) AI tjänsten – språklig intelligens som tolkar indata och ger kvalificerade svar.

För att vår bot ska bli tillräckligt smart för att skapa värde för teknikerna på fältet behöver vi genomföra dessa tre steg:

1.      Vi börjar med att lära upp AI-tjänstens språkliga intelligens genom den strukturerade domänspecifika data som finns tillgänglig. I det här fallet skulle det kunna vara servicemanualer, beskrivningar av utförda servicearbeten, FAQ:er osv. När datan är inläst gör vi en manuell mappning mellan identifierade objekt, deras beroenden och i vilken kontext de verkar, det vill säga vi systematiserar verksamhetskunskapen.

2.      Sedan kopplar vi samman chattverktyget och AI-tjänsten genom bot-ramverket och börjar mata AI-tjänsten med de chattdialoger som serviceteknikerna på fältet har med experterna back-office. Dessa dialoger är bränslet för tjänstens egna maskinlärning. Vi fortsätter att hjälpa tjänsten genom att manuellt mappa objekt där den själv inte hittar samband och betydelse. På sätt ges maskininlärningsalgoritmen ett ”facit” så att den kontinuerligt kan utvecklas och tjänsten kan bli smartare och smartare.

3.      När tjänsten har uppnått tillräcklig intelligens kan den själv börja svara på frågor från fältet.

Komma igång

Jag rekommenderar starkt att starta arbetet med att utforska AI genom att experimentera med scenarios liknande det ovan. Genom att AI-tjänster nu är så lättillgängliga och inte kräver några stora investeringar så är vår erfarenhet att just experiment är en mycket effektiv metod. På så sätt kan arbetet utföras i små steg där vi hela tiden har kontroll på omfattningen och att vi uppnår den effekt vi vill.

Den kanske största vinsten med att påbörja det här arbetet omgående är systematiserandet och digitaliserandet av verksamhetsinformationen och organisationens unika affärsregler. Det är en grundförutsättning för kunna applicera alla sorters AI-tjänster. Sedan är det faktiskt bara fantasin som sätter gränser för vad som kan utvecklas.

Kontakta mig eller någon av mina kollegor på Esatto för att höra mer om våra erfarenheter av AI och hur de kan appliceras i din organisation!

Författare: Björn Sundqvist - Digital Affärsutvecklare och VD på Esatto.


Björn Sundqvist, VD bjorn.sundqvist@esatto.se, 0733-41 53 31, LinkedIn
  • Riskerna med Business Model Canvas
  • AI – Ska vi börja nu eller kan vi vänta?
  • En podd om vår framtid
  • Esattos karriärsite
  • Custellence - från insikt till handling
  • Hej hallå Hanna!
  • Episerver – konkurrensfördel
  • Best Lead Generation Website
  • Välkommen till framtiden
  • Episerver Premium Partner
  • We are on a roll!
  • Esattos stjärnhimmel expanderar!
  • Kompetensfrukost
  • Esatto <3 Analys
  • Kompetensfrukost
  • All we want for Christmas
  • Vi satsar på sociala medier med Dingle
  • Pierre stärker vårt utvecklingsteam
  • Anna-lys
  • Vi söker en Frontend Lead
  • Välkommen Björn
  • Vi växer i sundsvall
  • Dingle växer
  • Vi söker en senior webbutvecklare
  • Esatto <3 Frida
  • Episerver web awards
  • Nya topprekryteringar
  • Ny digital affärsutvecklare
  • Nummer 28
  • Ung Cancer mentorskapsprogram
  • Välkommen Alexander
  • Välkommen Ludvig, Andreas och Lisa
  • Esattos nya boning