Det har aldrig tidigare funnits bättre förutsättningar för att bygga och implementera AI-lösningar. Tillgången på data har ökat, möjligheterna till att lagra data på ett kostnadseffektivt sätt har förbättrats, processorkraften har kontinuerligt ökat kraftigt (hårdvara), mjukvara för att använda AI i verkliga tillämpningar har blivit bättre och mer tillgängliga och företagsledning och styrelser börjar på allvar förstå behovet av att dra nytta av möjligheterna som kommer med AI.

I den här artikeln skall vi beskriva de huvudsakliga komponenterna som behöver vara på plats för att kunna implementera en AI-lösning. Beskrivningen är på hög nivå och syftar till att ge en översikt snarare än att svara på alla detaljerade frågor som behöver besvaras.

Data är fundamentalt i en AI-lösning, det går inte nog att understryka detta. Faktum är att en tydlig karaktäristik med AI-lösningar som bygger på maskininlärning är att kvalitén på resultatet står i direkt korrelation med mängden och kvalitén på data som den matas med.

Det är ingen slump att dagens intensiva diskussion kring AI föregicks av en nästan lika intensiv diskussion kring ”Big Data”. En av anledningarna till att vi i dag börjar se fler och fler mer avancerade AI-tillämpningar är att datatillgången har förbättrats avsevärt.

Det finns flera olika aspekter kring frågan om data och det kan vara värt att bryta ned den i dess olika beståndsdelar:

Datatillgång: En grundläggande förutsättning är att faktiskt få tillgång till data. Det handlar om att få tillgång till både intern data från företagets egen verksamhet, men även att tänka igenom och arbeta för att få tillgång till extern data som kan berika interna data och bidra positivt till lösningen. Som en del av denna fråga behöver man såklart tänka igenom de legala aspekterna, ex. hur man hanterar GDPR-kraven etc.

Databearbetning: Det handlar inte bara om att samla på sig så mycket data som möjligt, det handlar även om att bearbeta och förbereda data på ett bra sätt. Exempelvis behöver man i det här steget tänka igenom exakt hur data skall struktureras, hur extern data skall kopplas till intern data etc. Frågan kring hur vi väljer att strukturera data kan ha en direkt påverkan på vår möjlighet att skapa en algoritm för maskininlärning som faktiskt ger det svar vi eftersöker.

Datalagring: Datalagring är också en viktig fråga och när det gäller lagring av data så behöver explicita beslut fattas kring hur och var data skall lagras. Hur och var vi väljer att lagra data kan direkt påverka tillgången på data och vår möjlighet att skapa AI-tillämpningar som löser de affärsmässiga frågor vi har identifierat. Ett bra kvitto på att vi hanterat denna fråga på ett fullgott sätt är att vi inte ser ökande mängd data som ett problem eller utmaning, utan snarare någonting som vi välkomnar.

Om datan är bensinen i vår AI-lösning så får tekniken representera själva motorn. När det gäller de tekniska aspekterna av AI-lösningen så kan vi särskilja frågan kring hårdvara och mjukvara.

Hårdvaran handlar om att säkerställa tillgång till tillräckligt mycket processorkraft för att hantera de krävande beräkningarna som lösningen kommer bygga på och mjukvara handlar om att få den funktionalitet som krävs i form av algoritmer och logik. I princip kan man säga att det finns tre olika alternativ att överväga när det gäller mjukvara, och beroende på val av mjukvara så har det potentiellt även påverkan på frågan kring hårdvara.

Ett alternativt är att utveckla mjukvaran helt själv, från grunden. Fördelen med det är att du kan anpassa lösningen helt och hållet efter dina behov. Utmaningen är såklart att det kräver kompetens och resurser samt att det kan ta tid innan du kan driftsätta din lösning.

Som alternativ kan du köpa eller licensiera en redan utvecklad mjukvara. Det går snabbare och du har möjlighet att dra nytta av all den kompetens som används för att utveckla mjukvaran. Utmaningen med denna lösning är att du eventuellt inte får exakt den mjukvara som du har behov av samt att du potentiellt kommer behöva lägga resurser på integration och anpassning. I båda dessa alternativ behöver frågan kring hårdvara explicit adresseras.

ML SaaS är ett tredje alternativ som du kan utvärdera. ML SaaS är en förkortning på ”Machine Learning Software as a Service”, dvs. möjligheten att köpa nödvändig mjukvara som en tjänst snarare än som en produkt / mjukvara. ML SaaS är troligen ditt snabbaste alternativ om tid är en aspekt som kommer vara avgörande för dig och i en ML SaaS lösning behöver du inte själv ta explicit ställning till hårdvarufrågan eftersom den ingår i tjänsten.

Integration handlar ultimat om att i slutänden kunna få ut affärsmässig nytta av din AI-lösning. Hur drar du nytta av de konklusioner och beslut som din AI-lösning genererar. Få AI-lösningar levererar signifikant affärsmässigt värde om de opererar i isolation, de behöver integreras i verksamheten. Ofta tenderar detta till att handla om hur man på bästa sett kan skapa förutsättningar för en teknisk integration mot övriga system i din arkitektur. Vanliga integrationspunkter är typiskt sett e-handelsplattform, ERP-system, rapportering och planeringssystem, inköpssystem etc.

En vanlig metod för att möjliggöra integration mot övriga system är genom att bygga ett API (Application Programming Interface) från din AI-lösning. Ett API ger andra system en möjlighet att kommunicera med ditt AI-system. Väljer du en ML SaaS lösning så kommer den troligen redan med ett väl utvecklat API, potentiellt även om du väljer licensiera färdig mjukvara. Bygger du egen mjukvara kommer du även själv få ombesörja utveckling av API och integration mot övriga system.

Vi har ingen generell rekommendation kring vilken lösning som typiskt sett är bäst utan rekommenderar istället att valet av lösning görs från fall till fall genom att se till de specifika behov man har.

Det finns en aspekt av din AI-lösning som inte handlar om data, teknik eller integration, men som fortfarande är oerhörd viktig att säkerställa. Då tänker vi så klart på tillgång till kompetens och övriga resurser. När det gäller resurser så kan det exempelvis handla om att få tillräckligt med budget för att göra de nödvändiga investeringar som din AI-lösning kräver. Men resurser och kompetens handlar också om människor, dvs. att ha tillgång till kompetenta personer som inte bara kan vara med och utveckla din AI-lösning, utan även äga, utveckla och förbättra den över tid. För de som arbetar inom AI-området står det klart sedan en tid att just kompetensfrågan kan komma att bli en reell flaskhals.

Det borde vara självklart och knappt behöva nämnas, men eftersom det är en fundamental förutsättning för framgång inom AI-området så vill vi inte hoppa över det. Enighet, fokus och support från företag- och affärs-ledning är oerhört central. Vi menar att AI har potential att få reell affärsmässig effekt, dvs. kunna ha konkret och direkt påverkan på exempelvis försäljning, marknadsandel, lagernivåer, servicegrad, lönsamhet etc. För att denna möjlighet skall kunna realisera så krävs det att AI-frågan hanteras av företags- och affärs-ledning, det får inte endast bli ett separat projekt i företaget eller endast hanteras av teknikavdelningen. Vi menar att AI-frågan är så central så den definitivt bör finnas med på ledningens agenda. Om AI finns med på ledningens agenda så ökar dessutom chanserna att det finns rätt förutsättningar kring kompetens och resurser.

AI har potential att signifikant bidra positivt till ett företags affärsmässiga resultat. Men för att det skall ske så finns det vissa komponenter som behöver vara på plats: Data är central i alla AI-lösningar och kvalitén på resultatet står typiskt sett i direkt korrelation med mängden och kvalitén på datan vi matar lösningen med. Motorn i AI-lösningen är den mjukvara och hårdvara som ger oss möjlighet att utveckla avancerade matematiska modeller för att möjliggöra maskininlärning. Vi kan välja på att utveckla mjukvaran själv, licensiera existerande färdigutvecklad mjukvara eller köpa en ML SaaS lösning. Integration, exempelvis genom API:er, gentemot övriga affärssystem ger oss en möjlighet att få ut det affärsmässiga värdet ur vår AI-lösning. En absolut förutsättning är tillgång till kompetens och resurser och detta bygger i sin tur på att AI-frågan skrivs in på företagsledningens agenda.