Företagsledare och chefer på alla nivåer ser värdet i att använda artificiell intelligens, men för att skapa riktigt värde måste AI också användas på rätt sätt.

Den avgörande skillnaden mellan ett lyckat och ett misslyckat projekt är om det är drivet av affärsmässiga eller tekniska behov. Vår amerikanska systersajt CIO.com har talat med ett antal personer på ledande företag – och kommit fram till en lista om åtta tips för att lyckas med AI-projektet.

1. Fokusera på att lösa konkreta problem.
På konglomeratet General Electric är affärsvärdet kärnan i alla AI-projekt. Deras mjukvaruchef Collin Parris säger: ”Vi startar med ett par minimala genomförbara produkter. Kan det faktiskt förutse någonting? Kan vi göra det här, är det billigare, snabbare och kan det generera mer försäljning? Därefter tittar vi på: Hur skalar vi upp det, och hur arbetar vi för att det ska ge affärsvärde”. Om ett AI-system kommer med påminnelser om när utrustning måste underhållas, så ska de förutsägelserna också integreras i arbetsflödena. Det kan gälla att skicka rätt ingenjör till rätt underhåll vid rätt tidpunkt.

2. Var medveten om begränsningarna med AI.
När människor försöker förutsäga saker så faller de ibland i den fälla som brukar kallas Dunning-Kruger-effekten. Det är när en person inte förstår hur lite hon kan om ett ämne och felaktigt tror sig vara expert. Resultatet kan bli både humoristiskt och tragiskt.

AI-system kan gå i samma fälla. Till exempel: En AI tränad för en särskild uppsättning data som ska göra förutsägelser om en helt annan uppsättning data kan ge ett svar som är fullständigt fel – men kan samtidigt vara övertygande för en användare som lärt sig lita på denna AI:s förutsägelser.

För att komma över det här problemet har General Electric börjat jobba på vad de kallar ”ödmjuk AI”, ett AI-system som ska veta vilka situationer dess algoritmer passar till och som bara använder maskininlärningsmodellerna till dessa.

3. Lyssna på alla inblandade – och på kunderna.
För en del kan det krävas hjälp utifrån för att försäkra sig om att AI-system producerar användbara resultat. Idealiskt är om du kickar igång ett projekt med ett whiteboard-möte där alla inblandade nyckelpersoner lägger en eftermiddag på att fundera ut detaljer och dokumenterar kraven ni har.

4. Ta till vara på branschkompetens.
Fler och fler företag har börjat inse att AI inte är någon mirakelkur i sig självt. Många företag som börjar arbeta med AI utgår ifrån att ”vi har denna mängd data, en enorm datasjö – plugga in din AI och låt den berätta något intressant”. Då förlitar man sig helt på datavetare och AI-experter för att få insikter och det kan vara ett misstag. Det kan finnas ett ömsesidigt beroende, eller vissa data kanske inte är relevanta, och det kan krävas en expert på det specifika området, för att se skillnaden. Det är svårt att få bra svar om man inte har adekvata frågor.

5. Inse värdet av tester i verkligheten.
Genom att släppa ut till exempel en chattbot i skarpt läge kan denna få ta del av multikulturella, flerspråkiga och även generationsöverskridande konversationer – och lära av dem. ”Genom att gå live snabbt och exponera förmågan för organisationen kunde vi öka hennes förmåga att förstå avsikter från 23 procent till 86 procent på fem månader”, säger Jennifer Hewit, chef över kognitiva och digitala tjänster på Credit Suisse Group, om deras chattbot Amelia.

6. Var medveten om den artificiella intelligensens ”svarta lådan-problem”.
Tillit är ett annat ämne som AI tvingas möta när den kommer ut i verkligheten, då AI-system ger begränsad insyn i hur de arbetar fram sina insikter – något som är känt som svarta lådan-problemet.
Hur överkomma detta? Ett exempel är ett sjukhus som byggde ett AI-drivet system för att upptäcka patienter tidigt, innan deras tillstånd blev så allvarligt att de måste läggas in på sjukhus. Sjukhuset i fråga sammanfogade alla som skulle använda systemet, och tränade dem, inte bara för arbetsflödena utan också i hur algoritmerna fungerar. Så redan innan systemet gick live hade de en stor mängd äldre data från befintliga patienter. Detta hjälpte dem att minska svarta lådan-problemet.

7. Etablera tydliga mått.
Att ha tydliga verksamhetsmått för att mäta resultaten av ett AI-projekt är viktigt för att bevisa att det fungerar – och förtjänar fortsatt stöd. Men många företaget ger inte den här aspekten tillräcklig uppmärksamhet i sina AI-projekt. Det här är ett problem med framväxande nya tekniker som AI. De hanteras inte med samma krav som mer mogna tekniker. Resultatet riskerar att bli AI-projekt som är broar till ingenstans, piloter som inte skalas upp och projekt utan någon affärsnytta.

8. Titta inåt.
Var hittar du människor som både kan förstå AI-teknik och krav från verksamheten. Det är inte en lätt uppgift. Det finns en tydlig brist på AI-kompetens. 69 procent i en undersökning från Deloitte säger att de ser viss, stor eller extrem kompetensbrist. En ofta förbisedd metod för att få ner kompetensbristen är att leta internt för att hitta personer som kan gå AI-kurser eller AI-utvecklare som lär sig om branscher. På så sätt kan man arbeta så att det finns människor som både har AI- och branschkompetens.

Läs mer: ”Håll koll på er AI – annars riskerar ni företagets anseende”

Läs mer: AI är på väg in i våra liv – nu måste vi ta kontrollen över tekniken