Vi älskar framtiden och de tekniska möjligheter som artificiell intelligens för med sig. Därför blev vi extra taggade när vi stötte på ett företag som hade startat ett AI-projekt med målsättning att effektivisera sin produktionsmiljö. AI och maskininlärning är ett av våra fokusområden. Gissa om vi blev nyfikna när vi hörde talas om ett producerande företag som med hjälp av AI ville skapa ett predikativt underhåll. Med andra ord ville de minska produktionens nedtid genom att tidigt kunna förutse behovet av tekniskt underhåll. Ett högintressant upplägg där vi hungrade efter insyn i deras framfart – men möttes av beskedet att de redan hade pausat projektet.
Försöket slog tillbaka mot den egna personalen
Projektet hade nämligen resulterat i onyttigt många larm inom företaget och därmed drastiskt ökat arbetsbördan hos personalen. Inte heller hade företaget sett någon minskad nedtid i sin produktion – vilket var huvudsyftet med övningen. Tvärtom hade projektet istället skapat frustration hos de anställda vilket i sin tur medfört att produktionspersonalen nu kände motvilja till digitalisering. Det var uppenbart att de nu ville fokusera på andra områden än att hantera ytterligare ett it-system. En riktig backfire.
Den initiala energin runt AI-projektet var alltså som bortblåst. Behovet att minska produktionsstoppen och istället öka produktionstakten låg därmed kvar som en blöt filt över verksamheten. Detta företag är inte ensamma om sin upplevelse. Många organisationer brottas med den här typen av problem och därför har vi reflekterat över hur ett projekt med AI kan bli framgångsrikt för dig. En flygande start på din morgondag, helt enkelt.
Smartare framtid genom att göra rätt från början
Innan ett projekt inom AI eller maskininlärning startas behöver du fundera på hur din data har samlats in och under vilken tidsperiod. Mängden av insamlad data är nämligen avgörande för vilka förväntningar du kan ha på resultatet av ett projekt. Ju mer historisk data desto effektivare AI-lösning. Du behöver alltså göra saker i rätt ordning och undvika frestande genvägar och justera dina förväntningar efter förutsättningen.
Företaget som vi träffade hade samlat in sin data under två månader vilket innebär att de behövde ha andra förväntningar på resultatet än om de hade gjort det löpande under två år. Så har du tillgång till relevant data som sträcker sig långt tillbaka i tiden är det en klar fördel. Notera att vi använder oss av uttrycket relevant data. Det är nämligen viktigt att genomlysa vilken typ av data som du verkligen ska samla in. Kanske behöver du även komplettera med fler sensorer eller öka frekvensen på din insamling för att få fram ett bra material. Är du osäker på hur du ska göra rätt saker i rätt ordning så kan vi vara ditt externa stöd
Säkerställ också att projektet blir något gemensamt för personalen att samlas runt. Informera tidigt om att det initialt kan uppstå problem och planera noga in när i tiden det är lämpligt att starta projektet. För att dessa pusselbitar ska falla på plats är det viktigt att avsätta ordentligt med tid för noggrann planering.
Go mainstream och framtidssäkra på köpet
Ett bra riktlinje för den här typen av projekt är att alltid använda etablerade mjukvaror. På så sätt kommer du att undvika beroenden av enstaka individer samtidigt som du framtidssäkrar din etablerade tjänst.
Glöm heller inte bort att hålla verksamheten nära projektet under resan. Även om det internt drivs som ett it-projekt så är deras gemensamma kunskap och input viktig för att du ska lyckas.
Varsågod – här får du en smart summering:
- Fundera klart innan du startar ditt projekt
- Se till att samla data under lång tid
- Hoppa över alla frestande shortcuts
- Välj etablerade mjukvaror
Låt både hjärta och hjärna vara med och bestämma när det är rätt tajming för just ditt AI-projekt. Idag. Imorgon. And on and on.
Och du, vi är endast ett knapptryck eller ett samtal bort om du behöver hjälp framåt.
