Brug din energi anderledes, hvis dit kunstig intelligens-projekt skal lykkedes

af SCM.dk – forum for ledelse af forsyningskæden

Et andet overraskende fund i rapporten er, at der internt i organisationer ses meget forskelligt på kunstig intelligens. Arkivfoto.

Kunstig intelligens-projekter starter som regel på den samme måde; man vil gøre noget anderledes eller smartere gennem data, så man kan optimere og forbedre sin produktion og sine produkter. Jo mere man læner sig op ad virksomhedens strategi og domænekendskab i idéudviklingsfasen, jo lettere har man ved at identificere et meget konkret problem eller spotte en oplagt mulighed, og jo større chance har man for, at ens idé lykkes. 

De konkrete råd, man kan tage med sig fra rapporten, gør det nemmere at skære genvej til succes med sit kunstig intelligens-projekt. Nogle af rådene er ikke så overraskende. Det gælder eksempelvis rådet om at sørge for at inddrage kunder, stakeholders og brugere tidligt i processen, så man sikrer sig, at ens løsning er så værdifuld som muligt for dem, der skal bruge den. 

LÆS OGSÅ

Planlægning

19.04.2021 | Af Optilon Danmark

Optimering af lagerværdien i 2021 handler om at øge leveringsperformance og nedbringe lagerværdien samtidigt

I mange virksomheder møder vi en udfordring i form af en lav forecast præcision og en ambition om en høj leverings evne ud mod kunderne. Mange bestiller bare et højere sikkerhedslager for at kompensere. Det efterlader mange virksomheder med en høj binding af kapital i varelageret. Det forhøjer risikoen for, at varelageret bliver ukurant og at man måske er nødt til at realisere det, til en langt lavere pris end man havde planlagt.

Indhold fra partner

Læs også: Kunstig intelligens kan sætte skub i forretningsmuligheder

Andre af de gode anbefalinger i rapporten er med, fordi virksomhederne har lært lektien på den hårde måde. Ikke alle har eksempelvis haft det rette tekniske ambitionsniveau. Medmindre man har in-house dataloger, så skal man være opmærksom på, hvor stort et brød, man slår op, hvis man selv vil kunne styre projektet på sigt uden udefrakommende hjælp. 

Derudover skal man være opmærksom på, at data ikke bare er data. Data er blevet opsamlet med et formål, i en bestemt kontekst og i en bestemt kvalitet. Det betyder, at man ikke altid har den data, man rent faktisk skal bruge, eller at der er informationer i dataene, som man ikke kan arbejde med på grund af GDPR. Det betyder også, at forberedelsen af data ofte kræver meget mere tid og energi end at få den gode idé, og ikke alle ved, hvordan de skal løse den opgave. Det er en af de udfordringer, som er kommet bag på flere af virksomhederne i rapporten. 

Kunstig intelligens-projekter berører hele organisationen

Et andet overraskende fund i rapporten er, at der internt i organisationer ses meget forskelligt på kunstig intelligens. Det kommer sig med al sandsynlighed af, at kunstig intelligens er blevet et hypet udtryk, som dækker over et væld af forhold og forestillinger. Nogle virksomheder bruger teknologien til at omforme hele organisationen, mens andre bruger den som komponent til at udvikle en ny funktion i et produkt.

Under alle omstændigheder er det en udfordring, hvis ingen i organisationen forstår det tekniske lag af løsningen. Så selvom man ikke har råd til at ansætte en afdeling af dataloger, så er en grundlæggende forståelse af det tekniske i projektet vigtigt for, at man ender med at kunne bruge løsningen i praksis i virksomhedens forretningsprocesser. Og den forståelse skal helst være tværfaglig, så én teknisk kollega ikke kommer ud ad en tangent, løsrevet fra resten af organisationen, eller én forretningsudvikler ikke kommer ud ad en anden tangent, hvor de tekniske muligheder ikke udnyttes optimalt. Derudover bør hele organisationen have en fornemmelse af, hvad der er i gang, så man ikke risikerer, at ens kolleger går og frygter for deres job eller ugennemsigtige ændringer.

- KCP