subpage

Forsker: Succes med AI forudsætter bedre forståelse af data og teknologi

”Der er en falsk fortælling om data som en ressource, der skal udnyttes og ikke må gå til spilde,” udtaler Sunniva Sandbukt, adjunkt ved ITU. Hun har forsket i små og mellemstore virksomheders arbejde med kunstig intelligens i Danmark. Rasmus Bækby fra Alexandra Instituttet, der rådgiver om forretningsinnovation for AI Denmark, påpeger, at der både kan være fordele og ulemper ved en eksplorativ tilgang til AI-projekter.

I en ny serie sætter AI Denmark fokus på resultaterne af den forskning, som forsker Sunniva Sandbukt har lavet med fokus på kunstig intelligens i danske SMV'er.

Mange virksomheder har en opfattelse af, at de data, de ligger inde med, i sig selv kan blive profitable. Det har Sunniva Sandbukt, adjunkt ved ITU, observeret.

Hun har forsket i små og mellemstore virksomheders arbejde med kunstig intelligens i Danmark og bl.a. fulgt en række af de virksomheder, som arbejder med kunstig intelligens i AI Denmark. 

Ifølge forskeren kan mange virksomheders opfattelse af, hvad de kan få ud af deres data, få dem til at starte et forkert sted.

”Hvis udgangspunktet er: ’Vi har noget data, som vi gerne vil gøre noget med’, er du startet det forkerte sted,” siger hun.  

Start med problemet eller acceptér usikkerhed 

Resultatet af at tage udgangspunkt i de data, man ligger inde med, kan blive en åben og eksplorativ proces, hvor man udforsker, hvor AI kan skabe værdi i forretningen – uden et klart mål fra begyndelsen. For nogle virksomheder kan sådan en proces i sig selv være værdifuld, men for andre kan der være en risiko for, at den måske ikke tjener sig selv ind. 

Sunniva Sandbukt anbefaler generelt, at virksomhederne tager udgangspunkt i, hvilke problemstillinger man gerne vil løse.

”Hvad er det for et problem, der skal løses? Først derefter kan vi finde ud af, hvilke specifikke former for datainput vi har brug for, og om man kan bygge en model, der faktisk kan besvare den problemformulering.” 

Det synspunkt finder opbakning hos Rasmus Bækby fra Alexandra Instituttet, der rådgiver om forretningsinnovation for AI Denmark. 

”Hvis man tager udgangspunkt i de data, man allerede ligger inde med, kan resultatet falde meget forskelligt ud. Man kan selvfølgelig godt risikere, at de ikke kan bruges til noget. Men vi har også set masser af eksempler på, at en eksplorativ tilgang kan have stor værdi for virksomheden,” siger han. 

Som eksempel nævner han værdien af at bruge IoT-sensorer til at opsamle forskellige produktionsdata som varme, vibrationer, osv. 

”Når vi analyserer data, får vi tit øje på sammenhæng, vi ikke så før, og som kan skabe konkret værdi i forhold til f.eks. energiforbrug eller slitage, selvom det ikke var dét problem, man satte sig for at løse,” påpeger han. 

”Data bliver produceret i en specifik kontekst og kan ikke uproblematisk oversættes til brug i andre sammenhænge.”

Sunniva Sandbukt, adjunkt på ITU

Maskinlæring kræver data af høj kvalitet og kvantitet  

Der er ofte brug for store mængder af data i meget høj kvalitet for at kunstig intelligens skal have noget at arbejde med. Desuden skal den indsamlede data være relevant for den problemstilling, virksomheden gerne vil løse. Ifølge Sunniva Sandbukt har virksomhederne ofte en fejlagtig opfattelse af brugbarheden af deres data.  

Under sin forskning er hun stødt på virksomheder, der måtte starte forfra med dataindsamlingen eller tilkøbe adgang til eksterne data for at kunne udvikle de modeller, de ønskede sig. I nogle tilfælde endte man med en betydeligt mere simpel model, end både virksomhed og ekspert måske havde forestillet sig, fortæller hun.  

En anden udfordring er kvaliteten af data, der som regel ikke er indhentet med henblik på at skabe et datasæt, der er velegnet til maskinlæring.

”Det kunne eksempelvis være salgsdata, der er manuelt indtastet, hvor en sælger måske har sjusket lidt, fordi vedkommende samlede data ind til et helt andet formål,” forklarer Sunniva Sandbukt.  

For at eksisterende datasæt skal kunne bruges til AI, skal de tit gennemgås, rettes og ensrettes.

”Det er et kæmpearbejde at opnå det niveau af akkuratesse, der er brug for,” påpeger hun og tilføjer: ”Data bliver produceret i en specifik kontekst og kan ikke uproblematisk oversættes til brug i andre sammenhænge.”

Derfor må vi revidere vores opfattelse af data som en ressource og få en bedre forståelse af både data og AI-teknologien, understreger hun.  

Konkret problemløsning med god teknologiforståelse 

Ifølge Sunniva Sandbukt skal tre betingelser være opfyldt for at kunne lykkes med kunstig intelligens:

Første betingelse er at have en klar problemformulering. Anden betingelse er at have eller kunne få adgang til relevante data af høj kvalitet. Tredje betingelse er, at det teknisk kan lade sig gøre at skabe en fungerende model med de indsamlede data, der faktisk besvarer problemstillingen.  

For nogle virksomheder har deres beskedne data resulteret i, at deres AI-projekter også er blevet mere beskedne, end de måske havde forestillet sig, fortæller Sunniva Sandbukt. Men det er ikke nødvendigvis et problem, da den simple løsning sagtens kan bidrage med nye indsigter og give værdi til virksomheden, tilføjer hun.  

Det er Rasmus Bækby enig i.

”Når man som virksomhed prøver kræfter med AI, opdager man både, hvad teknologien og éns data kan bruges til, og også hvad man ikke kan opnå endnu,” siger han.

“Det er netop den opgave, AI Denmark varetager, nemlig at styrke danske virksomheders forståelse for og brug af kunstig intelligens,” fortsætter han.

Bliv en del af AI Denmark

Hvis du og din virksomhed ønsker at blive en del af et AI Denmark-forløb, så kan I læse mere om, hvordan man ansøger via nedenstående link. Som deltagende virksomhed indgår man automatisk i konkurrencen om Industriens Fonds AI-pris, hvor man kan vinde 200.000 kr. til virksomhedens videre arbejde med kunstig intelligens.