Vi tilbyr løsninger tilpasset din bransje. Velg din bransje og lær hvordan vi kan bidra til å transformere virksomheten din.
7 min read •
Kunstig intelligens (AI) er et av de mest brukte ordene de siste årene, spesielt når det blir snakk om bedrifter som gjennomfører en digital transformasjon, endrer forretningsmodell og så videre. Samtidig er det også et av ordene som misbrukes mest. Men det er ikke temaet for dette blogginnlegget, så derfor går vi ikke nærmere inn på selve definisjonen. I digitaliseringsjungelen er dette et av de viktigste temaene: Kommer «roboter» til å erstatte mennesker?
På den ene siden er dette et reelt problem som krever en kompleks prosess for å forberede mennesker på forskjellige stillinger, men det er også et morsomt tema som media liker å leke med – og å misbruke. Hensikten med dette blogginnlegget er å dele våre erfaringer fra samarbeid mellom mennesker og AI i noen av bransjene. Det går ikke inn på alle potensielle bruksområder, men det gir en god oversikt over hvordan mennesker samhandler med nye teknologier – med fokus på bransjen som distribuerer varer til forbrukere.
Vi kommer ikke til å snakke om bruk av roboter i for eksempel bilbransjen, eller om digitale selskaper som allerede har forvandlet enkelte bransjer. Isteden skal vi se nærmere på bedrifter og bransjer som ikke er digitale i utgangspunktet, og som ikke samler og analyserer data som en av kjernevirksomhetene sine.
Hvorfor må mennesker og AI sameksistere?
For å få bedre oversikt over denne sameksistensen skal vi se nærmere på hva AI vanligvis hjelper mennesker med.
1. La oss se nærmere på fleksibilitet som den første komponenten.
Produksjonslinjen i den moderne bilbransjen kan støtte forskjellige tilpasninger fordi justeringer og optimaliseringsprosesser gjennomføres basert på forskjellige algoritmer, og derfor kan dette gjøres mer fleksibelt sammenlignet med hvor raskt mennesker kan tilpasse produksjonslinjene til forskjellige bilmodeller eller typer.
2. Den andre komponenten er hastigheten.
Det beste eksempelet er sannsynligvis sanntidsdeteksjon av svindeltransaksjoner. Se for deg hva moderne nettbanker hadde måttet gjøre for å gå gjennom enorme mengder med transaksjoner for å avdekke svindelforsøk hvis de ikke hadde brukt moderne algoritmer.
3. Den tredje komponenten som AI vanligvis er nyttig for, er skaleringen.
Et svært godt eksempel på dette er den AI-baserte algoritmen for søknadsbehandling som en bedrift kan bruke når de får mange søkere på den samme stillingen. Vi kan for eksempel nevne at Unilever bruker et AI-basert system som lar dem behandle 30 000 søknader på bare fire uker for å finne kandidatene som er best egnet for en ledig stilling.
4. Den fjerde komponenten er beslutningstaking.
Beslutningstaking er vanligvis noe av det mest innlysende AI kan hjelpe mennesker med, men denne komponenten blir ekstra synlig i bransjer med høy risiko. Et godt eksempel er GEs bruk av et AI-basert system for å planlegge forebyggende vedlikehold av flymotorer.
5. Det siste segmentet som er synlig for alle sluttbrukere, er personlige tilpasninger.
Det hadde vært umulig å betjene et enormt antall brukere i de mest populære nettbutikkene, for eksempel eBay, uten AI-basert smart segmentering og algoritmer for målretting.
Ikke vær redd for AI!
Det er vanskelig å innføre en systematisk tilnærming til komplekse temaer som for eksempel implementering av AI-systemer, men som du vet – vi ingeniører må alltid gjøre et forsøk.
Noen av disse komponentene er selvforklarende, mens andre egentlig fortjener sitt eget blogginnlegg. Her kommer vi bare til å fokusere på de tre komponentene som er merket med rosa, siden vi mener de er de viktigste for å sikre at mennesker kan leve med AI etter at implementeringen er fullført, og vi vil forklare dem ved hjelp av et eksempel fra et prosjekt for lageroptimalisering for distribusjon av varer til forbrukere. Dette er også de komponentene vi legger størst vekt på i implementeringsprosjektene våre.
Arbeid kontinuerlig med sluttbrukere – alle prosjektene for implementering av programvare har mange faser der vi samarbeider med sluttbrukerne, for eksempel testing og design. Men for å kunne implementere en løsning for salgsprognoser og lageroptimalisering må vi ta samarbeidet med sluttbrukerne til et nytt nivå. Hos BE-terna er vi ikke tilhengere av standardiserte AI-apper som oppfyller alle behov. Derfor budsjetterer og planlegger vi en fase vi kaller «hypercare». Den innebærer at vi setter oss ned sammen med sluttbrukerne og analyserer salgsprognoser, og at vi også snakker om ordreforslagene som algoritmer gir. De første ukene med et nytt system kan brukerne ha mange spørsmål, og de kan også begynne å tvile. Det er helt normalt. Til syvende og sist innfører vi et system som skal lage mer nøyaktige prognoser og en mer optimalisert ordreflyt sammenlignet med tidligere, og brukerne vil naturligvis bli utfordret, samtidig som de vil forsøke å forstå hvor tallene kommer fra.
En enkelt selvbetjent BI-app for å styrke tilliten – denne siste setningen fører oss til den andre viktige komponenten i prosjektet. Systemet vårt har to endepunkter. Det første er automatisk integrering av foreslåtte ordre i ERP-systemet, slik at brukeren bare trenger å legge inn én bestilling. Den andre er BI-programmet som brukes til å tolke resultatene. Spesielt i løpet av de første ukene og månedene er det viktig at brukerne har tydelig oversikt over prognosetrender, hvordan systemet beregner prognoser, hvilke begrensninger som finnes, hvordan været blir, hvordan den langsiktige prognosen ser ut og så videre, slik at de blir komfortable med å godta prognosene fra systemet. Det fører også til mer direkte og hyppigere tilbakemeldinger fra brukerne. De første månedene med et nytt system vil sluttbrukerne alltid komme med mange verdifulle tilbakemeldinger, noe som igjen viser at samarbeidet mellom mennesker og AI går begge veier.
Dagens prosesser må ikke snus 180 grader – til slutt kommer vi til den siste komponenten som vi ser er svært viktig for at et AI-prosjekt skal lykkes i bransjer som ikke er digitale. Den viktigste brikken i puslespillet for denne komponenten er vår integrering med ERP-systemet, som plattformen i løpet av natten beriker med alle bestillinger for leverandørene, som skal sorteres basert på en definisjon i ordrekalenderen. Dette hjelper brukerne ved at prosessen ikke blir snudd på hodet. Isteden får de ekstra tid til å fokusere på konkrete ting, som anbudsvarer, varer som ikke selges så ofte, og så videre.
La oss samle trådene!
Alt vi har snakket om her, kommer til å variere fra prosjekt til prosjekt, og det handler mye mer om en endring i administrasjonen enn om enkle tips og triks. Jeg er imidlertid sikker på at hvis denne fremgangsmåten følges, vil det øke sannsynligheten for at dere lykkes med implementeringen av AI-prosjektet deres, og for at sluttbrukerne blir komfortable med den nye teknologien.
Hvis du sitter igjen med en følelse av at jeg har snakket om ting som ligger langt inne i fremtiden, og at du ikke vet hvor du skal begynne, bør du ta en titt på det neste blogginnlegget om dette temaet. Der kommer vi til å se nærmere på hvordan du kan starte på AI-reisen, de vanligste bruksmåtene for FMCG-bransjen og hvor viktig det er at du kjenner til dataene dine og hvilket potensial de skjuler.
Vi snakkes!
