Din AI er kun så god som din data

Fra et helikopterperspektiv er dit AI-projekt ikke så forskelligt fra andre IT-projekter. Grundlæggende skal der tre ting til: fokus på en god brugeroplevelse, den rigtige teknologi og velorganiseret, brugbar data. Vi starter fra toppen.

Alle gode digitale løsninger er nemme at gå til. Ja, din AI kan optimere og i visse tilfælde revolutionere brugeroplevelser lige fra søgefunktion til billedbehandling – og meget, meget mere. AI kan smækkes på en hjemmeside som den lille chat i højre hjørne eller mere subtilt i en assisteret søgning, dialogbaseret kundeservice eller andet.

Men selvom vi sikkert alle kan blive bedre til at skrive prompts, er det grundlæggende spørgsmål stadig: Hvad har kunder, brugere eller borgere brug for? Hvordan gør vi den opgave nem, effektiv og behagelig at løse?

Mennesker, behov og brugeroplevelser skal tænkes ind fra starten. Men hvad skal vi putte i værktøjskassen for at dække de behov?

Vælg teknologi, der er fleksibel og skalérbar

Fordi der er så meget fokus på AI, vil mange starte her. Hvilken teknologi skal du bruge? Hvem har det sidste nye? ChatGPT eller Copilot? Anbefalingsmotor eller generativ AI? No-code/low-code? Eller skal vi dybere ned i værktøjskassen med f.eks. Azure AI? Hvilke værktøjer skal vi fokusere på? Når du ved, hvilket problem du vil løse, kan vi grave et spadestik dybere.

Men netop fordi der sker så meget med AI, er vores råd, at du arbejder fleksibelt og skalérbart – både med dit valg af AI-løsning og din underliggende arkitektur. Hvis du fx har systemer med åbne API’er, kan de lettere trække data flere steder fra, og de enkelte dele kan lettere skiftes ud. Det samme kan din AI-løsning.

Har du skabt et system, der er nemt at lave om, reagerer du hurtigere, når teknologien eller dine brugeres behov ændrer sig.

Men hvordan gør du din AI i stand til at møde disse behov til at starte med? Din AI skal kende dem, og det kræver data.

Er din data moden?

Lad os sige, at du er et energiselskab, der har fået en chatbot. Den skal vide, hvilket tidspunkt strømmen er grønnest eller billigst i dag.

Men hvis dine priser kun opdateres retroaktivt en gang om dagen, kan chatbotten kun svare på, hvordan det så ud i går. Hvis den til gengæld har adgang hele din prishistorik, kan den måske komme med et godt bud, men her bliver det vigtigt, at den ikke kommunikerer det som den faktiske pris.

Pointen er, at din data(arkitektur) er en del af dit AI-projekt. Ellers risikerer du, at din AI virker på papiret, men ikke skaber en god oplevelse. Den gode nyhed er, at du kan tage det lidt ad gangen – og starte med de lavthængende frugter.

Akkurat som bananerne i skålen derhjemme kan din data være mere eller mindre moden – bare ikke overmoden. Grundlæggende taler vi om tre trin: skraldespand, struktureret og sammenhængende. De fleste har lidt af hvert i organisationen.

I skraldespanden ligger al data og roder. Tænk bare på dit eget skrivebord, jeres server eller SharePoint-løsning. Disse data eksisterer i alle virksomheder og kan sagtens bruges af en AI, men forvent ikke store resultater. En AI-løsning kan også hjælpe dig med at skabe struktur, men hvordan det går til, gemmer vi til en anden artikel.

Struktureret data kan være så simpelt, som at alle i teamet bliver enige om at bruge de samme mapper, at bruge en entydig navngivning, eller at jeres vidensbase er skrevet i et ensartet format. Struktureret data hjælper AI’en med at skabe gode, forudseelige svar.

Sammenhængende systemer sender data på tværs. Snakker dit CRM-system med dit faktureringssystem, så snakker salg også bedre sammen med økonomi. Forudsætningen her er ikke blot struktur, men også ensartethed. Betyder en kunde i salg det samme som en kunde i økonomi? Hvordan hænger disse forståelser sammen? Med sammenhængende data giver AI’en ikke bare gode svar, men personlige og indsigtsfulde svar. Måske ved chatbotten derfor, at grøn strøm er vigtigere end lav pris for lige præcis denne kunde.

Lavthængende datafrugter

Vi taler selv ofte om datakvalitet, og det behøver ikke være et stort projekt at øge den. Det kan gøres lidt ad gangen. Dansk Industri taler om en stigning i produktivitet på op til 70%, hvis man får en skræddersyet AI-løsning bygget på egen data. Men hvor ligger den data? Og hvordan er den struktureret?

Lad os starte med en lavthængende frugt. Hvis dine kollegaers filer er gemt lokalt, kan din AI ikke bruge dem. Er de gemt i rodemappen på serveren, ved din AI måske ikke, at de er vigtige.

Det kan altså være, at I kan gøre jer selv og jeres AI en stor tjeneste, ved at skabe nye rutiner for fildeling, navngivning og mappestruktur, som jeres AI forstår – alt sammen noget, du kan sætte i gang nu, og som sandsynligvis ikke kræver, at du skal finde ekstra penge til udvikling.

Men start med den gode use-case

Det er bare et eksempel på, hvordan din systemarkitektur og dit datagrundlag hjælper din AI med at levere. Og her er det vigtig at slutte cirklen. Det handler nemlig stadig om mennesker og deres behov.

For dit AI-projekt betyder det, at formålet er vigtigst. Hvad er den gode use-case? Skal vi kunne rådgive personligt omkring aflæsning af elmåleren i sommerhuset – eller giver det mere værdi at kunne forudse, hvornår det er billigst at starte vaskemaskinen? Det er fint at eksperimentere med nye muligheder, men hvis du skal have mest muligt ud at dit AI-projekt, skal du starte med dine og din brugers behov.

Og så en cliffhanger her til sidst. Vi skal også huske, at en AI skal holdes i form. Den skal trænes. Men det tager vi i næste artikel.