Din verksamhet är fullt av data redo att analyseras, klassificeras och leta mönster i. Men för att du verkligen ska kunna sätta igång på allvar med AI och maskininlärning är det fem saker som du måste se till att få på plats, skriver Andrew C Oliver, kolumnist på vår amerikanska systertidning Infoworld. 

Här är de fem förutsättningar som krävs:

Utbildning

Alla på företaget kan inte vara dataspecialister. Och utvecklingen går dessutom så snabbt så att den algoritm som verkar vara bäst denna vecka är utbytt nästa.

Men det finns några saker som inte förändras. Alla i verksamheten bör exempelvis ha en grundläggande förståelse för vad maskininlärning kan användas till, särskilt utvecklarna. Exempelvis sådant som klustring, klassificering, prediktion som baserar sig på värden som kan användas för att skapa ett linjediagram och prediktion som baseras på hur värden varierat och mönsterigenkänning – att datorer kan lära sig hitta en form, ett ljud, en uppsättning värden eller händelser.

För att lyckas med att få medarbetarna att förstå gäller det också att de som lär ut kan göra det på rätt nivå för olika grupper. Utvecklarna är intresserade av specifika algoritmer och tekniken, analytikerna behöver första affärsprocesserna och även om företagsledningen inte vet hur ett kluster fungerar kan de ändå lära sig att känna igen när ett problem ser ut som om det är ett klustringsproblem.

Läs också: Nu laddar it-jättarna för teknikskiftet – stuvar om för att sätta AI i fokus

Och utbildningen kan inte bara göras en gång. Minst varje år måste kunskaperna uppdateras i takt med att de tekniska möjligheterna ökar.

Bryt ut det annorlunda

Gränssnittet till en klassificeringsalgoritm ser ungefär likadan ut som alla andra algoritmer. Implementeringen av en specifik klassificeringsalgoritm förändras inte beroende på hur affärsproblemet ser ut.

På samma sätt som många företag fått räkna ut hur de ska ta fram en enda representation av kunden – i stället för att ha olika i varje system för varje affärsproblem – måste de också göra med algoritmerna. Det betyder alltså inte att du tar fram en perfekt klustringsalgoritm utan att du bryter ut de komponenter som är annorlunda.

Systematisering

Fortfarande ser faktiskt de flesta system likadana ut. Det finns processer för att få in data i en algoritm, processer för att utföra algoritmen och en plats där resultatet spottas ut.

Läs också: Det här är AI och så funkar det

Om du skräddarsyr allt detta gång på gång för varje algoritm så slösar du både tid och pengar och skapar dessutom problem för dig själv.

På samma sätt som soa, tjänsteorienterad arkitektur, förändrade hur många företag använder applikationsprogram så behövs nu liknande tekniker för hur AI ska användas.

Du behöver inte ha en massa specialanpassade Spark-kluster, anpassade bärbara datorer överallt och skräddarsydda beslutsstödsprocesser. Du behöver AI-system som klarar grovjobbet oavsett vilket affärsproblem det rör sig om.

Läs också: Microsoft tar rygg på Google – börjar köra AI-utbildningar på nätet

Gränssnitt och AI

I en värld av Javascript och webbgränssnitt med stöd för maskin-till-maskinkommunikation i backend borde det gå bra att bara mixa in AI i användargränssnittet. Men oavsett om det rör sig om ett rekommendationssystem som baserar sig på användarnas beteenden eller en virtuell assistent, så bör ditt företag bygga ett bibliotek för användargränssnittet som inkluderar AI-funktionalitet som enkelt kan bäddas in i dina affärsapplikationer.

Orkestrering

Inget av allt det här fungerar utan data. Och låt oss inte gå tillbaka till att skapa stora, feta datadumpar där vi samlar ihop en massa skräp och hoppas det ger värde någon dag, som några leverantörer uppmanat dig till.

Låt oss i stället titta på vilka system som bör orkestreras så att de samlar ihop de data du behöver för att mata algoritmerna så att de sedan kan ta dina beslut åt dig.

Om du följer dessa fem steg, skriver Andrew C Oliver, så kommer det andra att följa efter naturligt när du ”övergår från informationsåldern till insiktsåldern”.