Vi har brugt en del tid på events og workshops, hvor indgangsvinklen ofte har været ”hvor kan AI give værdi i min virksomhed”. I denne artikel giver vi nogle bud på hvor i virksomheden AI kan tilføre værdi.
Først lige en introduktion til AI og use cases af Jon Andersen, CCO Ambolt AI:
I en undersøgelse foretaget af O’Reilly, svarede 20% af respondenterne at deres største forhindring for at komme videre med AI var problemer med at identificere relevante business use cases. Med use case mener vi ganske enkelt anvendelse af AI-teknologi til at løse et forretningsproblem.
Eksempler på gode use cases:
Det kan være svært at generalisere, men der er nogle tommelfingerregler for hvor man kan starte med at dykke ned i om AI overhovedet giver mening og værdi.
Vil det f.eks. give værdi at kunne:
Og så er det altid relevant at følge pengene. I et studie gennemført af McKinsey undersøgte man brugen af AI i 19 forskellige industrier. En af deres key findings var, at hvis du vil vide hvor AI har sandsynlighed for at skabe værdi, så skal du følge pengene. De anbefaler at undersøge de største profitcentre i organisationen. Hvis de ligger i produktion og supply chain management, så er det her du skal starte. Samtidig vil det også være en god idé at undersøge dit største omkostningscenter, som kundeservice, og se om AI / Maskinlæring kunne give mening her.
Opgaver i din organisation hvor viden om forudsigelse og forecast kan skabe værdi er oplagte til at find use cases. Prediction modeller er skabt ved at udsætte algoritmen for en stor mængde historiske- og realtidsdata, hvorfra den skaber mønstre. Output fra prediction modellen vil typisk komme med et sandsynlighedsestimat. Vi vil for eksempel være 90% sikre på at produktion af et specifikt produkt vil tage 6 arbejdsdage.
Eksempler:
Et andet område hvor AI og maskinlæring kan skabe stor værdi, er i opgaver med behov for klassificering. Her trænes en model til at gruppere observationer i specifikke kategorier.
Eksempler på klassificering:
opgaver, der gentages igen og igen, er et andet godt sted at undersøge nærmere. Rutineopgaver egner sig ofte til automatisering. AI kan her hjælpe med bedre beslutningsgrundlag og medarbejdere kan frigøres til andre mere spændende opgaver. Mange virksomheder arbejder med proces frameworks som Lean eller Sigma, hvor der ofte er potentiale for automatisering med AI. Dog skal det understreges at du ikke nødvendigvis behøver at bruge AI for at automatisere disse processer. Ofte kan der opnås lige så gode resultater med mere simpel teknologi.
Eksempler på automatiserede opgaver
Hvis du allerede bruger avanceret analyse til at løse problemer, så er her et område du med fordel kan studere nærmere. I tidligere nævnte McKinsey undersøgelse, fandt de frem til at det største potentiale med AI ligger i områder, hvor traditionelle kvantitative analysemetoder allerede er i brug. Machine learning kunne potentielt give væsentligt bedre resultater på disse områder.
I de fleste tilfælde er det en god ide at sigte efter nogle hurtige gevinster og få dem integreret i hverdagen først, før du går i gang med større projekter. Fordelen med AI / Maskinlæring er netop at du kan bide elefanten op i små bidder, og opnå stor gevinst med selv små projekter. Blot du finder frem til de bedste use cases.
Som Kenneth Düring Jensen. Mgr, Research & Advanced Engineering, AGCO Innovation Center Randers udtrykker det “start small – scale fast”
Grip gerne fat i os hvis du vil vide mere
© Ambolt 2023 All Rights Reserved