Förra våren hade jag nöjet att delta i hackathon-tävlingen BilotGo.ai – i teamet som gick segrande ur tävlingen! Här delar jag med mig några tankar om vad det var som gjorde att vi lyckades. Jag tror att de är relevanta även för andra data-drivna projekt.
1. Att hitta den rätta frågan
Vi har alla hört talas om fascinerande exempel på användning av artificiell intelligens och maskininlärning. Dessa exempelfall är ofta resultatet av åratal av målmedvetet arbete. Först och främst måste målsättningen och visionen ställas tillräckligt högt, även om arbetet framskrider i små steg. Det är mycket enklare att först fatta beslut om ett pilotprojekt och sedan fortsätta med små iterationer än att söka budgetgodkännande för ett investeringsprojekt som tar flera år, har osäker utgång och kostar miljoner. Det är dock viktigt att varje iteration skall producera resultat som är affärsverksamheten till nytta.
bildkälla: ligonier.org
I BilotGo.ai hackathon-teamet ägnade vi tillsammans med uppdragsgivaren mycket tid åt att identifiera och avgränsa en lämplig utmaning att knäcka med maskininlärning. Vi måste identifiera en fråga vars svar skulle vara till märkbar nytta i affärsverksamheten och som kunde lösas med den data vi hade tillgång till och inom utsatt tid. Vår första idé var att bygga en ML-modell över hur utfodringen av kor påverkar mjölkens mängd och kvalitet, men när arbetet gick framåt tvingades vi omdefiniera frågan. Vi beslöt att göra upp prognoser för mängden mjölk utgående från kons ålder och kalvningar, och lämnade övriga frågor till andra projekt.
2. Insamling av data
När man vet vilken frågan är samlar man in den data som behövs för att kunna träna en maskininlärningsmodell som kan ge svar. Särskilt i början kan man tvingas gå fram och tillbaka mellan att definiera frågor och att leta efter information, eftersom datans mängd och kvalitet inte alltid är vad man förväntat sig.
I BilotGo.ai -tävlingen tog vi oss an uppgiften att skapa en prognosmodell utifrån exempelfiler. Först när hälften av tävlingstiden hade gått visade det sig att filerna hade sammanställts för hand ur enskilda källor. I vergligheten hade materialet en helt annan struktur och det värsta var att informationen inte var tillräckligt omfattande. Vi gick därför tillbaka till definitionsskedet. Vi kom också överens om att vi efter tävlingen skulle göra upp en plan för insamling och förädling av data.
3. Beredning av data
Man brukar säga att ett maskininlärningsprojekt till 80 procent handlar om beredning av data och bara till 20 procent om utveckling av en ML-modell. Så var det också i detta projekt – åtminstone när det gällde förverkligandet! När man beaktar definitionsskedet och förberedelserna inför lanseringen var andelen tid som gick åt till tillämpning av algoritmer betydligt mindre.
De centrala delarna av våra data var mätresultat som fåtts från robotar, så man skulle tro att de är formbundna och konsekventa. I praktiken var robotarna dock olika och producerade olika former av data. Dessutom var det svårt att tolka avvikande resultat. Om mjölkens fetthalt exempelvis var 30 procent var det uppenbart att det var fråga om ett fel, men hur var det med värden mellan 6 och 12 procent? Beredningen av information kräver en djup förståelse för dess innebörd. Därför samarbetade vi också intensivt med beställaren.
bildkälla: Raisio Oyj
4. Lansering
Även den allra bästa innovation är onödig om målgruppen inte tar den till sig.
Hackathon-tävlingen avslutades med att de tävlande teamen presenterade sina AI-drivna lösningar för en jury av utomstående experter. Vårt team ägnade en vecka av den totala tävlingstiden på åtta veckor åt förbättring av användargränssnittet och framställning av en slutdemo på 15 minuter. Vi funderade på den bärande berättelsen för presentationen och rensade bland innehållet, så att innovationen och dess fördelar skulle framhävas. Som vår coach Antti Apunen sade: målgruppen är inte intresserad av vad algoritmen grundar sig på. De litar på vår expertis och vill bara se resultaten och nyttan.
Projekt i affärsvärlden slutar ju sällan i en 15 minuters pitch inför en jury, men även i andra projekt är lanseringen ofta kort och ytterst avgörande — oavsett om det gäller att ta i bruk ett internt system eller att lansera en webbtjänst. Konsumenterna ger sällan en andra chans, och man kan inte heller förvänta sig särskilt mycket överseende från professionella användare. Nyttan med lösningen måste tydligt lyftas fram, och användningen måste framställas som enkel. I projektets slutskede måste man därför prioritera kommunikation och förändringsledarskap istället för att fastna på finjustering av tekniska finesser. Blir lanseringen lyckad kommer det garanterat möjligheter att komplettera lösningen i följande iteration.
I hackathon-tävlingen tror jag att det var vår genomtänkta presentation som till slut avgjorde tävlingen till vår fördel och gav oss vår belöning. Jag tror också att det är finslipningen i slutet som säkrar framgången för vilket projekt som helst.
Läs mer om idén bakom BilotGo.ai-hackathon här. Årets omgång av BilotGo.ai är på gång.
