Har du AI forretningsmuligheder gemt i dit virksomhedsdata?

Tjekliste

Kan du nikke genkendende til disse problemstillinger?

• Du har store mængder data, som det er tidskrævende at finde svar og indsigter i?
• Du har data spredt over flere systemer, der ikke kommunikerer ordentligt med hinanden?
• Du er bekymret over at satse på AI på grund af datasikkerhed?

Hvis du kan genkende en eller flere af disse punkter, så er du en oplagt kandidat til at træne din egen AI model. For det betyder, at du har nogle helt konkrete behov, som AI kan hjælpe med at løse. AI er nemlig specielt god til at finde indsiger i – og på tværs af - store datasæt. Ved at træne din egen model har du samtidig større kontrol over, hvordan dit data bliver brugt, og hvem der har adgang til det.

Faktisk består tjeklisten af udfordringer, som mange små og mellemstore virksomheder står overfor. Heldigvis har flere af dem fået hjælp af AI, og har vendt en svaghed til en styrke ved at sætte deres data rigtigt i spil.

Du kan se eksempler på andre DI-medlemmers udfordringer, og hvordan de har valgt at løse dem i vores case-eksempler.

Hvordan træner du en AI model på eget data?

Når du skal træne en AI model, er der overordnet set fire strategier at vælge imellem. Det er vigtigt at vurdere, hvilken strategi der passer bedst til din forretning, da der er fordele og ulemper ved hvert valg. Det handler nemlig ikke kun om at vælge en udbyder. Det handler også om, hvilke tekniske kompetencer din virksomhed har til rådighed, og hvad der er økonomi til.

Lad os kigge nærmere på strategierne og blive klogere på, hvad der er rigtigt for din forretning. Vi har taget udgangspunkt i de mest brugte teknologier, men husk, at der selvfølgelig også er andre udbydere på markedet.

Outsourcing: Få konsulenter til at træne modellen

• Pris: Moderat til høj
• Krav til teknisk kunnen: Lav
• Implementeringshastighed: Mellem

Off-the-shelf: Brug eksisterende AI-modeller og upload dine egne datafiler direkte

• Pris: Lav
• Krav til teknisk kunnen: Lav
• Implementeringshastighed: Hurtig

AI udviklingsplatforme: Brug platformene fra store spillere som Google og Microsoft

• Pris: Moderat
• Krav til teknisk kunnen: Mellem
• Implementeringshastighed: Hurtig

Open source-frameworks: Byg dine egne modeller fra bunden

• Pris: Lav (gratis hvis man har egen infrastruktur)
• Krav til teknisk kunnen: Høj
• Implementeringshastighed: Langsom

Outsourcing

Hvis din virksomhed ikke har de tekniske kompetencer til at træne AI-modeller selv, så kan eksterne konsulenter være en effektiv og tidsbesparende løsning. Konsulentfirmaer med specialisering inden for AI og maskinlæring vil tage sig af alle aspekter af AI projektet, fra dataforberedelse og modeldesign til træning og implementering.

Det koster selvfølgelig penge at benytte konsulenter, og priserne varierer efter projektets kompleksitet og hvilke konsulenter der benyttes. Det er altså svært at sige noget generelt om prisniveauet, men vi kan sige, at casen med TN Værktøjsslibning kostede i omegnen af 30.000 kr.

Off-the-shelf

Du kan også benytte dig af eksisterende AI modeller, hvor du kan uploade dine datafiler direkte til modellen. Der er mange udbydere at vælge imellem herunder Microsofts ChatGPT og Googles Gemini, men det er ligeledes muligt at vælge en europæisk model med f.eks. Franske Mistral AI.

Denne metode er både enkel og hurtig, da den typisk kun kræver, at filen trækkes over i eksempelvis ChatGPT. Herefter kan du instruere modellen i, hvordan den skal bearbejde filen. Den kan lave simple analyser med Excel filer, og komme med referater af Word filer.

Det er en let måde at komme i gang, men der er nogle begrænsninger, du bør være opmærksom på. Ved at uploade en fil træner du nemlig ikke modellen. Du giver den blot muligheden for at bruge filen som reference. Filen skal derfor uploades på ny hvis der startes en ny samtale med modellen, og svarkvaliteten varierer meget afhængigt af filernes størrelse og kompleksitet. For mere robuste og præcise løsninger er de øvrige metoder at foretrække.

Til sidst skal du være opmærksom på datasikkerhed, da det er sværere at garantere hvordan din data bliver behandlet, hvis du bruger eksisterende Off-the-shelf løsninger.

AI udviklingsplatforme

AI udviklingsplatforme tilbyder færdige løsninger og værktøjer til at træne AI modeller. Brugerinterfacet guider dig gennem trin som dataforberedelse, modeludvælgelse, træning og evaluering. Du behøver ikke at vide, hvordan du koder eller hvordan maskinlæring fungerer, men det kræver alligevel en grad af teknisk snilde.

Det gør dem til et populært valg for virksomheder, der ønsker at komme hurtigt i gang med AI uden at investere i omfattende viden eller hardware. Eksempler på cloud værktøjer inkluderer Microsoft AI Builder, Azure AI Services og Google Cloud AI. Her findes også europæiske værktøjer som Sana Labs og Mistral AI.

Open source frameworks

Open source frameworks er værktøjer, der er frit tilgængelige for alle. Disse frameworks giver dig mulighed for at bygge og træne AI-modeller fra bunden, hvilket kræver en højere grad af teknisk ekspertise.

Med open source frameworks skal du selv installere og konfigurere værktøjerne, samt udvikle og tilpasse dine modeller ved at skrive kode. Denne tilgang tilbyder stor fleksibilitet og kontrol over dine AI projekter, da du kan tilpasse algoritmerne og datahåndteringen i detaljer.

Open source frameworks er ideelle for virksomheder med stærke tekniske ressourcer og kompetencer, som ønsker at skabe skræddersyede AI løsninger. Her tilbyder den franske platform Hugging Face et stort bibliotek af prætrænede modeller og værktøjer, som kan downloades og yderligere tilpasses.

Hvad så nu?

Det første skridt er ofte det sværeste, og det er helt forståeligt. Der er mange ubekendte, og det er svært at vide, hvor du skal starte. Det kan være en god idé at opdele projektet i mindre dele og tage ét skridt ad gangen.

Eksempelvis:

1. Identificer og konkretiser den problemstilling, du ønsker at løse
2. Definér hvilke KPI'er der vil afgøre projektets succes
3. Overvej ressourcer, budgetter og kompetencer, og vælg en af de fire AI strategier
4. Eksekver planen
5. Giv de relevante medarbejdere træning i anvendelsen af modellen
6. Hvis muligt: Foretag en gradvis udrulning til udvalgte medarbejdere, så modellen kan tilrettes i takt med, at feedback modtages. På den måde mindsker du risikoen for, at brugerne mister tillid til modellen, fordi den laver fejl indledningsvis.

Det er essentielt at inddrage medarbejderne tidligt i processen, da det er ofte er dem, der sidder med vigtig indsigt i den udfordring, der skal løses. Ofte vil det også være dem, der skal benytte den løsning, der bliver udarbejdet, og have tillid til den. Det sikres bedst ved tidlig inddragelse.

Vi håber, at du er blevet klogere på, om du bør træne din egen AI model, og i så fald hvilken strategi du ønsker at benytte. Vores eksempler med både TN Værktøjsslibning og Vald. Birn har vist, hvordan AI kan vende udfordringer til styrker ved at sætte data korrekt i spil.

Hvis du gerne vil blive endnu klogere på AI, så besøg vores ”AI for Alle” univers. Her kan du finde yderligere cases og ressourcer om AI i praksis. Derudover tilbyder vi kurser og events, som kan hjælpe dig med at tilegne dig viden og kompetencer inden for AI.