Jag skriver här om ett tema som jag har berört i tidigare blogginlägg och på sociala medier: varför hamnar lyckade AI proof-of-concept och pilotprojekt ofta i skrivbordslådan?
Här är fem vanliga orsaker, som jag själv har upptäckt den hårda vägen.
- PoC-projektet har endast testat en bråkdel av de element som skulle behövas i en produktionsmiljö. En PoC fokuserar ofta på ML-modellens prestanda. Men för en produktionslösning behöver man även exempelvis ordna infrastruktur, molntjänster, automatisk dataöverföring, ETL-processer, uppdateringar av ML-modeller, underhåll och så vidare. Dessa bör på någon nivå tas med i planeringen redan från början.
- Ingen har tagit ställning till på vems bord en eventuell produktionslösning hamnar. Vem äger den och ansvarar för den? Bara för att PoC-projektet lyckas är det inte självklart att det står klart vem som tar ansvar för att utveckla den slutliga produktionsversionen.
- AI-lösningen kan upplevas främmande eller opålitlig för människorna den berör . Ett exempel: en försäljare får genom en AI-lösning ett förslag på ett ”optimalt pris” som maximerar sannolikheten för att en kund ska godta en viss offert. Priset kan skilja sig märkbart från vad försäljaren instinktivt tänkt föreslå. Försäljaren anser sig känna marknaden och litar inte på AI-prisförslaget, särskilt ifall AI-lösningen inte motiverar sitt förslag. Här behövs förändringsledarskap, utbildning och tålamod. Utmaningen i detta kan knappast betonas för mycket.
- Temat för PoC-projektet har valts inom ett område som har så liten betydelse att det inte lönar sig att tillämpa det i större skala. Detta är ibland en följd av att man från början satt ribban för lågt, d.v.s att man bara vill ”testa om maskininlärning fungerar”. En vanligare orsak är dock att man inte i tillräcklig utsträckning har beaktat lösningens verkliga betydelse (business case) för affärsverksamheten.
- Jag har noterat det är betydligt mer sannolikt att slutresultatet blir en produktionslösning i sådana projekt där avsikten redan från början varit att utveckla en komplett lösning (även om man börjar med ett PoC), än i projekt där man bara vill ”testa om AI fungerar”. Kanske har detta att göra med ledningens engagemang i projektet? I vilket fall som helst har attityderna stor betydelse.
Sammanfattningsvis kan man konstatera att orsaken till att lyckade AI PoC-lösningar hamnar i skrivbordslådan ofta är att planeringen varit för begränsad ända från början. Å andra sidan är detta förståeligt, eftersom få organisationer eller ens konsulter har särskilt mycket erfarenhet av att genomföra AI-projekt. Det här är trots allt ett väldigt nytt område.
