Vi skaber resultater. Start din digitale transformationsrejse i dag og opdag hvad der er muligt for din virksomhed i morgen.
Vi tilbyder løsninger som er skræddersyet til din industri. Læs hvordan vi kan hjælpe dig med at transformere din virksomhed.
7 min read •
Kunstig intelligens (AI) har været et af de mest anvendte begreber i de senere år, ikke mindst når talen falder på virksomheder, der gennemgår en digital omstilling, ændrer deres forretningsmodeller etc. Samtidig er det også et af de mest misbrugte begreber, men det er ikke det, denne blog skal handle om, og vi vil ikke bruge tid på præcise definitioner. I digitaliseringsjunglen er et af de vigtigste emner nok dette: Vil "robotter" erstatte mennesker og tage deres jobs?
Det er på den ene side ikke kun et reelt problem, der kræver omskoling af mennesker til andre jobs, men også et emne med en stor underholdningsværdi, som medierne holder af at udnytte og i sidste ende misbruge. Tanken med denne blog er at dele ud af vores erfaringer med samarbejdet mellem mennesker og AI i nogle brancher. Den kommer ikke til at dække alle anvendelser, men den vil give et klart billede af, hvordan mennesker interagerer med nye teknologier med fokus på distributionsbranchen for forbrugsvarer.
Så for at afslutte denne indledning kommer vi ikke til at tale om robotter inden for f.eks. bilindustrien eller om digitalt indfødte virksomheder, der allerede har ændret visse brancher grundlæggende. I stedet vil vi fokusere på virksomheder og brancher, der ikke er digitalt indfødte, og som ikke har indsamling og analyse af data som et centralt element af deres forretninger.
Hvorfor skal mennesker og kunstig intelligens leve sammen?
For bedre at forstå, hvordan denne sameksistens ser ud, er vi nødt til at drøfte de elementer, som kunstig intelligens typisk hjælper mennesker med.
1. Lad os se på fleksibilitet elementet først
Produktionslinjerne i den moderne bilindustri Supporterer mange forskellige specialløsninger, fordi justeringer og optimeringsprocesser styres af forskellige algoritmer, der er meget mere fleksible end mennesker, og som hurtigt kan tilpasse produktionslinjerne til forskellige versioner eller typer af biler.
2. Det andet element er hastighed.
Det bedste eksempel er nok registrering af svindel med transaktioner i realtid. Tag enhver netbank, og forestil dig, hvordan registrering af svindel i forbindelse med det store antal af transaktioner ville se ud med moderne algoritmer.
3. Det tredje element, som kunstig intelligens normalt hjælper med, er skala.
Et godt eksempel herpå er de screeningalgoritmer baseret på kunstig intelligens, som en virksomhed kan bruge, når den skal håndtere et stort antal ansøgere til en stilling. Vi kan f.eks. tale om Unilevers indførelse af et system baseret på kunstig intelligens, der gør dem i stand til at gennemgå 30.000 ansøgere på bare fire uger og trække de ansøgninger ud, der er bedst egnede til en potentiel stilling.
4. Det fjerde element er beslutningstagning.
Beslutningstagning generelt er et oplagt område, hvor mennesker kan støtte sig til kunstig intelligens, men det ses især i højrisikobrancher. Et eksempel herpå er GE's indførelse af et system baseret på kunstig intelligens til detektering af forudseende vedligeholdelse af flymotorer.
5. Og til sidst et element, der er oplagt for os slutbrugere, nemlig personlig tilpasning.
Det ville være umuligt at servicere det enorme antal brugere på de mest populære webshops som f.eks. eBay på en personlig måde uden intelligent segmentering og målretningsalgoritmer på basis af kunstig intelligens.
Det er svært at udvikle en systematisk tilgang til komplekse emner som f.eks. implementeringen af systemer med kunstig intelligens, men I kender os ingeniører – vi er altid nødt til at prøve. 😊
Billedet nedenfor viser nogle af de vigtigste trin, som virksomhederne er nødt til at have med i ligningen sammen med deres implementeringspartner for at sikre, at et projekt lykkes.
Nogle af disse elementer giver sig selv, mens man kunne skrive en hel blog om andre. I denne vil vi derfor kun fokusere på de tre elementer, der er er markeret med lyserød, da vi ser dem som mest kritiske for at sikre, at mennesker kan leve MED kunstig intelligens efter implementeringsprojektet, og vi vil forklare dem med udgangspunkt i et eksempel med et lageroptimeringsprojekt i branchen for distribution af forbrugervarer. Det er også de elementer, vi fokuserer meget på i vores implementeringsprojekter.
Arbejd konstant med slutbrugerne – Alle projekter i forbindelse med softwareimplementering har mange faser, hvor vi arbejder med slutbrugere, f.eks. tests, design etc. Men introduktion af en løsning til salgsprognoser og lageroptimering kræver, at samarbejdet med slutbrugerne løftes til et andet niveau. Hos BE-terna er vi ikke fans af standardiserede AI-apps, der kan opfylde alle behov, hvilket betyder, at vi budgetterer med og planlægger en fase kaldet "hypercare", hvilket i bund og grund betyder, at vi sætter os ned sammen med slutbrugerne og analyserer salgsprognoser sammen og drøfter de ordreforslag, som algoritmerne leverer. I de først uger med et nyt system har brugerne mange spørgsmål, og de er ofte i tvivl, hvilket er helt normalt. Vi introducerer jo trods alt et system, der skal give mere præcise prognoser og mere optimal bestilling end tidligere, og det er naturligvis en udfordring for brugerne, der vil forsøge at forstå, hvor tallene kommer fra.
En simpel selvbetjenings-BI-app, der skal øge tilliden – Dette bringer os til et andet virkelig vigtige element i vores projekt. Der er to slutpunkter i vores system. Det første er den automatiske integration af foreslåede ordrer i ERP-systemet, så brugerne kan lægge en ordre, og det andet er den BI-applikation, der anvendes til fortolkning af resultaterne. Især i løbet af de første uger og måneder er det vigtigt for brugerne at have en klar præsentation af prognosetendenser, hvordan systemet beregnede prognosen, hvilke begrænsninger, der er, hvordan vejret er, hvad det langsigtede ordreforslag er etc. med henblik på at få en person til at acceptere et bestillingsforslag fra systemet. Det vil også give hurtigere og mere direkte feedback fra brugeren. I løbet af de første måneder med et system ønsker slutbrugeren altid at dele mange værdifulde inputs med os (til et system), hvilket igen viser, at interaktionen mellem mennesker og kunstig intelligens virkelig går begge veje.
Vend ikke dine daglige processer 180° – Til sidst kommer vi til det sidste element, der er meget vigtigt for et succesrigt projekt med kunstig intelligens i brancher, der ikke er digitalt indfødte. Den afgørende brik for dette element er vores indbyggede integration med ERP-systemet, hvor vores platform i løbet af natten udfylder alle ordrer til leverandørerne, der skal bestilles ved hjælp af en definition i bestillingskalenderen. Dette er en stor hjælp for brugerne, uden at deres proces bliver vendt på hovedet. De får bare ekstra tid til at fokusere på de meget specifikke poster, f.eks. tilbudsvarer, langsomt omsættelige varer etc.
Lad os opsummere!
Alt det, vi har været inde på her, vil variere fra projekt til projekt, og det handler i høj grad mere om ændring af styringen end blot simple tips og tricks. Jeg er dog sikker på, at du ved at følge disse trin vil øge dine chancer for at lykkes med gennemførelsen af dit projekt med kunstig intelligens og sikre, at dine slutbrugere virkelig føler sig tilpas med den nye teknologi, de har fået fingrene i.
Hvis du synes, at det lyder som ren fremtidssnak, og hvis du ikke aner, hvor du skal begynde, så skal du bare hænge på og vente på vores næste blog om emnet, hvor vi taler om, hvordan man starter rejsen med kunstig intelligens, de mest typiske anvendelser inden for FMCG-branchen og betydningen af at kende dine data og deres potentiale.
Vi ses!
Tilmeld dig vores nyhedsbrev, og få relevante updates
