Så tar du AI från hajp till riktig effekt i verksamheten

Redan år 2021, i en undersökning från SCB, svarade cirka 26 procent inom offentlig sektor att de använde AI i arbetet. Snabbspola två år framåt och AI är på allas läppar, särskilt med genomslagskraften i ChatGPT, AI-botten som nådde över 100 miljoner användare på bara två månader.

Men att implementera AI i stor skala är en annan fråga. Enligt en rapport från Gartner når över 60 procent av alla utvecklade AI-modeller aldrig produktion. Och här är Sverige inget undantag, då många svenska verksamheter har svårt att ta AI från hajp-stadiet till effekt för verksamheten.

Den här problematiken pratade Mikael Klintberg på AI Sweden och Christian Pernold på HPE om, under ett AI-event i Lindholmen Science Park i Göteborg. 

Enligt Mikael Klintberg stannar AI ofta vid hajp-stadiet för att verksamheter inte tänker på helheten från start. Problemet är inte tekniken i sig utan när AI-lösningarna ska gå från innovationsstadiet till att bli en del av den ordinarie verksamheten. 

– Verksamheter testar ofta en AI-lösning separat, men över tid påverkar lösningen hela deras sätt att jobba och hur de erbjuder tjänster, service och så vidare. När man inte har tänkt in helheten från början blir det svårare att sedan sätta AI-lösningen i produktion och förvalta den. 

– Det finns inget stöd för AI-lösningen i verksamheten, och man vet inte vem som ska ta ansvar för lösningen när den ska in i produktion, säger Mikael Klintberg. 

Christian Pernold, Head of Advisory and Professional Services på HPE, ser samma problematik. Teknik och kompetens finns men är ofta spridd i olika delar av organisationen. För att ta nästa steg förespråkar han en ökad tydlighet genom att alltid använda sig av projektägare.​

– En projektägare kan exempelvis vara en innovationsledare som driver arbetet från ax till limpa; det vill säga från embryofasen, via testfasen och genom skalfasen. Då blir ansvarsfördelningen tydligare, säger Christian Pernold.

Utgå från datan, inte infrastrukturen

Utöver en projektägare har HPE tre faktorer för att lyckas med AI, där den första är ett ändrat fokus från “infrastructure-first” till “data-first”.

– Att ha stora dataset som även är kvalitativa och hanterbara, är grundförutsättningen för att lyckas. Tidigare talade branschen om infrastruktur-modernisering men nu är det data-first. Varför, jo för att vi behöver ta oss vidare från cloud-hajpen och istället bli mer datadrivna. Fokuserar du på infrastrukturen först finns det en risk att datan blir kvar i silos och därmed också värdet av den inlåst i kritiska äldre system, säger Christian Pernold.

HPE ser även att det digitala transformationsgapet blir allt större, vilket gör att de verksamheter som redan kommit igång och börjat experimentera med AI har en fördel. 

– Då drivs verksamheten framåt i den digitala transformationen per automatik, och du har tagit ett viktigt steg mot att bli mer datadriven. Använd alla AI-framgångar, stora som små, för att få organisationen att mogna i sin uppfattning om vad AI faktiskt kan bidra med.

MLOps - devops för maskininlärning

För att kunna skala AI stort i verksamheten förespråkar Christian Pernold arbetssättet MLOps – devops för maskininlärning – som ska göra det lättare att få in tekniken i hela verksamheten.

– MLOps gör det möjligt för exempelvis dataanalytiker och it-avdelningen att samarbeta och öka takten i implementeringen och utvecklingen av AI-modeller. 

– För när du driftsätter en lösning behöver du tänka på hur du jobbar med din it-driftsorganisation och utvecklingsorganisation. Exempelvis kan du inte skala upp ett AI-projekt om du inte har med dig it-grupperingen som bygger plattformen som AI-modellen ska leva på. De behöver känna att lösningen är säker, kostnadseffektiv och stabil. Med MLOps får du även ökad visibilitet och en rutin i att jobba agilt, säger Christian Pernold.

HPE hjälper till med struktur

HPE:s roll i AI-utvecklingen är att möjliggöra grundförutsättningarna och erbjuda en plattform – HPE Ezmeral – för verksamheter att bygga sina AI-lösningar på. Detta levererar bolaget som tjänst via HPE Greenlake.

Med tjänsten kan verksamheter sätta en struktur över hur de får in data, bygga och träna AI-modeller i plattformen och med hjälp av integrerade ramverk, som MLOps, kan de därefter skala upp sina AI-lösningar. En viktig komponent i AI-utvecklingen är även samarbetspartnern Nvidia.  

– I våra lösningar och vår teknik samarbetar vi nära Nvidia, och kombinerat med HPE Ezmeral kan vi hjälpa till att skala upp driftsättningen av AI-modeller. Man kan säga att våra bolag kompletterar varandra inom AI.

– Nvidia utför komplexa beräkningar och HPE erbjuder plattform samt infrastruktur för att få bättre åtkomst till data, nå snabbare resultat i analysen av data, så att verksamheter kan erbjuda säkrare tjänster till sina kunder, patienter eller användare. Helt enkelt göra det möjligt att maximera värdet av AI-satsningarna.

Samarbete och AI-ambassadörer viktiga framåt

För att Sverige ska utvecklas på AI-området i framtiden ser Mikael Klintberg och Christian Pernold att vi dels behöver fler AI-ambassadörer ute i organisationerna, dels att vi behöver bli ännu bättre på att samarbeta och dela kunskap. 

– Det har gått väldigt fort den senaste tiden, så det kommer att ta ett tag innan alla förstår tekniken och vi som land når en högre mognadsgrad. Därför är det viktigt att identifiera AI-intresserade ambassadörer ute i verksamheterna som vågar utmana och prova på. Därtill krävs, som tidigare nämnt, att organisationer tänker data-first, nyttjar redan existerande AI-framgångar och använder MLOps, säger Christian Pernold. 

– Om vi inte drar nytta av de nya möjligheter som AI genererar kommer Sverige inte att behålla sin konkurrenskraft. Ingen organisation har all kompetens själv, så det är viktigt att vi gör saker tillsammans. Här är vårt uppdrag på AI Sweden att hålla ihop ekosystemet och dela kunskap och erfarenheter, så att vi kan fortsätta bygga ett bra samhälle som alla vill leva i, avslutar Mikael Klintberg på AI Sweden.