Samarbete mellan människa och AI: Nya möjligheter för många branscher

Det är å ena sidan inte bara ett verkligt problem som kräver att man vidareutbildar människor till andra yrken, utan också ett roligt ämne medierna gärna leker med, och missbrukar. I den här bloggen vill vi dela med oss av vår erfarenhet av samarbete mellan människa och AI i olika branscher. Det täcker naturligtvis inte alla aspekter, men kan ge en bild av hur människor interagerar med nya tekniker, med fokus på distributionsbranschen för konsumtionsvaror.

Så, för att sammanfatta denna inledning: Vi ska inte diskutera robotiseringen av industrier som bilindustrin, eller ursprungligt digitala företag som redan har förändrat vissa processer. Vi fokuserar i stället på företag och branscher som inte ursprungligen är digitala och vars kärnverksamhet inte innefattar insamling och analys av data.

Varför måste människor och AI leva tillsammans?

1. Flexibilitet blir den första delen.

Produktionslinjen i en modern bilindustri stöder flera olika kundanpassningar efter varandra, eftersom justeringar och optimeringsprocesser körs av olika algoritmer. De är därför mycket mer flexibla än människor, som inte kan anpassa produktionslinjen lika snabbt, till olika bilversioner eller modeller.

2. Den andra delen är snabbhet.

Det bästa exemplet här är nog realtidsdetektion av bedrägliga transaktioner. Ta vilken online-bank som helst, med enorma mängder transaktioner, och fundera på hur upptäckten av ett bedrägeri skulle gå till utan hjälp av moderna algoritmer. 

3. Den tredje delen AI hjälper oss med är stora mängder.

Ett bra exempel på detta är de AI-baserade utgallringsalgoritmer ett företag kan använda när de får in enorma mängder ansökningar för olika tjänster. Vi kan till exempel ta Unilever, som införde ett AI-baserat system som gjorde att de kunde gå igenom 30 000 ansökningar på bara fyra veckor, och ta ut de ansökningar som var mest lämpliga för en aktuell tjänst. 

4. Den fjärde delen är beslutsfattande.

Beslutsfattande är i allmänhet något AI kan hjälpa människan med, men det är extra tydligt i högriskbranscher. Ett bra exempel är GE:s nya AI-baserade system som upptäcker behovet av förebyggande service på flygplansmotorer. 

5. Den sista delen – synligast för alla slutkunder – personlig anpassning.

Att serva ett stort antal användare på en populär webbshop som eBay, på ett personligt plan vore omöjligt utan AI-baserad smart segmentering och inriktande algoritmer.

Var inte rädd för AI!

Det är svårt att introducera ett system för så komplexa ämnen, som implementering av AI-system, men vi är ju ingenjörer – vi måste försöka!😊

På bilden nedan ser ni några av de viktigaste punkter företag måste fundera på tillsammans med sin implementeringspartner för att ett projekt ska bli framgångsrikt.

De viktigaste stegen i ett framgångsrikt AI-projekt

Några av dessa delar är uppenbara, andra skulle kunna diskuteras i helt egna blogginlägg. Här fokuserar vi enbart på de tre delarna som är markerade med rosa, eftersom de enligt oss är viktigast för att säkerställa att människor kan leva MED AI efter implementeringsprojektet. Vi förklarar dessa genom exemplet med ett lageroptimeringsprojekt inom distribution av konsumtionsvaror. Det är också dessa delar vi fokuserar mest på i våra implementeringsprojekt.

Arbeta hela tiden med slutanvändare. Alla projekt för programvaruimplementering innehåller många faser där vi arbetar med slutanvändare, som tester, design och så vidare. Men i arbetet med en lösning för försäljningsprognoser och lageroptimering måste vi förändra samarbetet med slutanvändarna något. Vi på BE-terna är vi inte så förtjusta i standardiserade AI-appar som uppfyller alla behov. I stället arbetar vi med en fas som vi kallar ”hypercare”, vilket innebär att vi samtalar med slutanvändare och analyserar försäljningsprognoser och diskuterar det förslag som algoritmen tar fram.  Användare har ofta många frågor de första veckorna i ett nytt system, och de är inte alltid övertygade direkt, vilket är helt normalt. Vi introducerar ju faktiskt ett system som ska göra mer noggranna prognoser och en bättre orderprocess än tidigare. Användarna kommer att bli utmanade och vill naturligtvis förstå varifrån siffrorna kommer.

Enkel BI-app med självbetjäning för bättre självförtroende – denna sista mening tar oss till den andra viktiga delen i projektet. Det finns två ändpunkter i systemet. Den första är automatisk integrering av föreslagna ordrar i ERP-systemet, så att användare kan göra en order. Den andra är BI-applikationen som används för tolkning av resultaten. Särskilt de första veckorna, och månaderna, är det viktigt att användarna får en tydlig presentation av prognoser och trender, hur systemet räknar ut sina resultat, vilka begränsningar som finns, hur det ser ut på lång sikt och så vidare. Annars är det svårt att acceptera de förslag som kommer från systemet. Det gör också att återkopplingen från användaren sker snabbare. Under de första månaderna i ett nytt system kommer användarna att ge oss (och systemet) värdefull information, vilket återigen visar att samarbetet mellan AI och människa verkligen är ömsesidigt.

Gör inte en u-sväng i det dagliga arbetet – Då har vi kommit till den sista delen som vi anser vara otroligt viktig för att ett AI-projekt ska bli framgångsrikt i branscher som inte ursprungligen är digitala.  Den viktigaste pusselbiten i den här delen är vår integrering med ERP-system under vilken vår plattform på natten lägger in alla leverantörsbeställningar enligt uppgjord plan i orderkalendern. Detta hjälper användare, men vänder inte processen helt på ända. De får bara lite extra tid för att fokusera på de där specifika varorna, som anbudsvaror och varor med låg omsättningshastighet.

Då rundar vi av!

Allt vi har tagit upp här kommer att skilja sig åt beroende på projekt, och det handlar också mycket mer om ett systemskifte än om några enkla tips och tricks. Men följer ni de här råden har ni större chans att lyckas med implementeringen av ert AI-projekt. Och var som sagt noga med att slutanvändarna känner sig bekväma med den nya tekniken.  

Känns det nu som om jag pratar om en avlägsen framtid, och som att ni inte vet var ni ska börja? Då föreslår jag att ni väntar på nästa blogg, där vi ska prata om hur ni inleder er AI-resa, hur det vanligtvis används i FMCG-branschen och vikten av att känna till vilka data som finns i företaget, och potentialen som finns i dem. 

Vi ses! 

**CTA**