Hvordan norske bedrifter har innført kunstig intelligens.
Av Stig Løvstad og Bjørn Høydahl, Tellmann Executive Advisors
Det går knapt en dag der mediene i Norge ikke kommer med presentasjon av et selskap som jobber med AI eller beretter hvordan kunstig intelligens kan bli brukt i fremtiden. Vi har i en rekke blogger belyst tingenes tilstand på AI-fronten, både fra et overordnet perspektiv i Hva skjer AI? og med ulike use-case innen fiskeoppdrett, samt for de ulike anvendelsesområdene for NLP. Slik som Chatbots.
Gjennom våren har det vært avholdt både store AI-konferanser og mindre seminarer i diverse fagmiljøer rundt kunstig intelligens, der Tellmann har deltatt, spurt og notert. I denne bloggen skal vi derfor sette lys på hvordan kunstig intelligens allerede er implementert hos selskaper som vi alle kjenner, forhåpentligvis til inspirasjon for deg og mange andre.
Schibsted har ulike KI-initiativ og jobber sammen med UiO i Finn.no for å utvikle nye måter å utnytte kunstig intelligens i Schibsteds produkter innen områder som søk, nyhetspersonalisering, anbefalinger og, naturligvis, reklame. Kundegrunnlaget er så stort at selv en mindre økning i «klikk-rate» gir store kommersielle utslag. AI-teamet til Schibsted har så langt utviklet modeller som øker denne med inntil 7%! Data samles i en såkalt «data lake» på 9TB og all validering av modellene skjer av faktiske brukere. Det er du og jeg som får servert anbefalinger og som klikker på de vi liker som hele tiden bestemmer hvordan neste modell skal presenteres neste bruker. Eksempelvis kan en som er interessert i båt og sykkel i tillegg få presentert annonse for seilbrett dersom AI-modellen mener dette er relevant.
Posten foretar et KI-løft og er på vei til å bli en datadrevet virksomhet og utvikler løpende konkrete use case for å ta i bruk kunstig intelligens. De bruker en metode de kaller «Helix» (som ikke må forveksles med Triple helix innovasjonsmodellen) som bl.a. er godt belyst av MIT. Posten har bygd en plattform for AI-utvikling med Microsoft Azure i bunn, der noen av forretningsmålene går ut på å beregne når pakker skal leveres og når noe skal hentes, hvilke volumer som kan forventes og hvilken bemanning som trengs for å levere på kundenes forventning og egne løfter. Målet er å gi deg og meg som kunde en dato og et tidsrom der pakken vår vil leveres, allerede ved utsjekk av handlekurven. Forutsett, naturligvis, at vi velger et av Postens leveringsalternativer.
Ruter har et AI-lab som bidrar til at også de kan være en datadrevet organisasjon. Med ca. 1 million reisende og over 19.000 avganger pr. dag; med sensorer på kjøretøy som bl.a. innhenter av- og påstigninger, temperatur, kjøretøyets vekt og status på vindusviskere, har Ruter et stort og løpende sanntidsdatagrunnlag som kan benyttes. Kundeservice har en AI Agent som kategoriserer brukerhenvendelser for raskere og enklere å kunne svare på «hvor blir den av/når kommer den»-spørsmål. Kunstig intelligens benyttes for å beregne hvor mange passasjerer som til enhver tid vil være på et kjøretøy og snart kommer AI også til Ruter-appen, som del av din personlige anbefalingsassistent. Istedenfor at du venter på neste fulle buss kan appen geleide deg til en halv-full trikk litt unna, men som fortsatt tar deg dit du vil innenfor tidsfristen. De tester også en sentralisert «storebror ser deg»-modell sammen med Datatilsynet i et sandkasseprosjekt.
KI anvendes ikke bare av de store!
Her er noen mindre eksempler å legge til dem fra tidligere blogger:
Over 70% av oss handler fra utenlandske leverandører. Interessert i å få til mer effektiv (og billigere) fortolling av dine varer? Se hva AI-modellen til Tollit kan hjelpe deg med.
Interessert i å redusere flomskader? Se hva Pipelife Norge og Knowit har utviklet av lavkost IoT sensorer og maskinlæringsmodell som nå piloteres i Lundadalen.
Interessert i å optimere avlinger? Snakk med Dr. Morten Goodwin ved Universitetet i Agders senter for forskning på kunstig intelligens (CAIR) om deres KORNMO prosjekt. Der tenker de nå å innhente sanntidsdata via droner pga. manglende nøyaktighet i dagens satellittdata. Målet er bedre prediksjon av avlinger og kvaliteten på matjorden.
Apropos Droner, så bruker en rekke selskaper nå denne teknologien for datainnsamling på ulike områder, men hvor langt unna er vi regulert samferdsel, der tusenvis av droner henter og leverer våre varer raskt og effektivt, uten videre utslipp enn det kraftproduksjonen vår skaper? Dette holder USN i Kongsberg, v/Prof. Aurelie Arntzen og USEPE prosjektet på å utvikle en løsning for.
Erfaringer fra innføringen av kunstig intelligens:
Felles for alle de vi har hørt fra er at de har relativt unisone tilbakemeldinger å gi ift. hva som er viktig for å lykkes med å implementere kunstig intelligens som del av din forretningsstrategi.
- Du må identifisere forretningsverdien du ønsker systemet skal bidra til. Gjerne via noen raske «lavthengende frukter» prosjekter, men også som del av selskapets strategiske måloppnåelser. Dette må være godt forankret i toppledelsen!
- Tilgang til (løpende) gode og korrekte data er fundamentet for all dataanalyse. Det betyr kort og godt at både Data Strategy og Data Governance må frem i fokus, og noen må få ansvaret for dette. Ca. 80% av alle som starter med kunstig intelligens undervurderer innsatsbehovet her. Ca. 75% av prosjekters tidsbruk går i dag med på læring om og rensing av data! Vi snakker her om arkitektur, integrasjoner, kvalitet, ledelse, eierskap, meta-data håndtering og styring av datakilder.
- Du trenger et team, ikke bare en ansvarlig, for å lykkes med AI over tid. 60% av alle bedrifter mangler den rette kompetansen for å lykkes. Du trenger både data scientists og data engineers. Du kan også trenge front-end utviklere, infrastruktur-spesialister, testere og ikke minst prosesskompetanse fra forretningen! Skalering kan skje via leverandører, men du må ha et grunn-team som sørger for internt eierskap, forankring og kontinuitet.
- Du trenger infrastruktur og en maskinlæringsplattform (verktøy). Ca. 80% av alle «forsøkene» blir ikke produksjonssatt, men de siste 20% må kontinuerlig forbedres og vedlikeholdes! Det gjøres best av selve AI-teamet og ikke gjennom den tradisjonelle DevOps overleveringen fra utvikling til drift. Forbedringer skjer i sanntid – løpende – ikke ukentlig eller månedlig. Derfor må teamets størrelse skaleres i takt med oppgavene.
- Du må tenke på IT-sikkerheten her som alle andre steder. Dette kommer vi tilbake til i egen blogg.
Et alternativ til å ha en aktiv AI-tilnærming er å bli «passiv» bruker av teknologien. Stort sett alle applikasjonsleverandører sikter på å kunne levere «AI» som del av produktporteføljen sin. Ikke alt som markedsføres her ville vi i Tellmann puttet inn under kunstig intelligens fanen. Kundene må dog fortsatt ha en aktiv tilnærming til hvordan denne funksjonaliteten skal benyttes i bedriften. Fakturatolker som automatisk importerer fakturadata, RPA-prosesser som kan fakturere ut ifra forhåndsgodkjente datasett, kontraktstolker som automatisk leser igjennom avtaleforslag for å peke ut risker og mangler, m.m. må alle finne sin plass i prosesskjeden.
Spør Tellmann om råd
Uansett hvilken tilnærming du velger så kan Tellmann hjelpe deg med å få best mulig forretningsverdi ut av investeringen din.
AI-redaksjonen i Tellmann ønsker God Sommer!
Erfaren leder og rådgiver innen innovasjon, IT strategi, digitalisering, annskaffelser, og outsourcing. Fokus på målbilde, omstilling og gevinstrealisering.
