1 Specifikationsarbetet blir helt omvänt.
Traditionella IT-projekt där du bygger en applikation bygger helt på att lösningen går att specificera = byggas samt testas att lösningen uppfyller kraven. Går det inte att specificera delar av lösningen blir resultatet osäkert, gissningar från utvecklarna vad som eg. borde vara krav medför risker. Delvis kan dessa problem överbryggas med Agila arbetssätt. Denna typ av utveckling kallas för top-down-programmering. Maskininlärningstekniker handlar om att jobba nedifrån med datat och upp mot lösningar. Att låta datorn dra slutsatser från sina egna regler från en serie försök på en datamängd.
Istället för att definiera regler ger man resultatet som input sedan får AI:t lära sig genom träning att komma fram till givet resultat. Ett AI är mer att betrakta som en resurs som utvecklas över tid än en applikation.
2 Synliggöra det okända
Utvecklingen av ett AI bedrivs i relativt stor grad utforskande med fokus på att lära känna datat man har att arbeta med, för det är datat som är i centrum i en AI-applikation. Det gäller att testa olika metoder som är lämpliga för denna typ av uppgift, anpassa dem efter datat man har och utvärdera deras prestanda. Som bieffekt hittar man inte sällan mönster i datat som tidigare varit dolda och tankar väcks kring nya sätt att hantera datat.
3 Projektet bedrivs prediktivt
AI är ett nytt utvecklingslandskap som öppnar upp för många nya möjligheter som i förväg ofta inte är kända. Det handlar om att analysera pågående utveckling och skeenden när resultat i form av ny kunskap och insikt inträffar.
* Projektet blir mer att betrakta som en pågående händelse
* Projektet behöver tillåta att man jobbar kortsiktigt och långsiktigt samtidigt, agila korta leveranser och provskott som är definierade och avgränsade men samtidigt ha öppna mål för projektet och en långsiktig vision som utvecklas under projektets gång. Ett angreppssätt som ger bäst kortsiktigt resultat för pengarna men som också stödjer ett långsiktigt resultat och tillåter provskott för att generera lärdomar under projektets gång.
En traditionell projektmetodik baserat på i förväg definierade mål och nedbrutna leverabler ökar risken att inte få ut möjliga effekter. AI-projekt kan leda till t ex processeffekter på 1000 % och mycket mer än så.
4 Konceptuell resa
Då det är ny mark med nya möjligheter som upparbetas behövs ödmjukhet inför, och planering för, den konceptuella resa som kommer att ske i verksamheten. En roadmap med konkreta lösningar behöver tas fram och förädlas över tid för att stötta den konceptuella resan. Det finns en trestegsmodell man bör hålla sig till. Gå från vad man har för data till vilken information som skulle kunna genereras och därefter vad man skulle kunna göra med den nya informationen.
5 Förändringsledning
Kognitiva AI-lösningar kan ha en stor verksamhetspåverkan direkt, för att få ut effekter behöver det från början av varje utvecklingssteg planeras för hur resurser omdisponeras. En process som tagit dagar eller veckor för x antal personer att administrera kan förvandlas till en händelse. Vad dessa resurser ska börja göra istället behöver tas i beaktande tidigt. Det blir viktigt att börja tänka framåt och se vilka möjligheter vi öppnar upp för då?
Slutsatser
Prediktiv projektutveckling skiljer sig från traditionella Applikationsprojekt. Projekt som ligger närmast till hands att jämföra med är BI-projekt men med skillnaden att AI-projekt generar operativa muskler med direkt effekt. Prediktiva projekt utvecklas över tid, man kan inte ”förändringshantera” denna typ av projekt då slutresultatet inte alltid är känt i förväg. Det krävs en projektmetodik som styr på hög nivå och sunt förnuft för att ändå kunna styra och följa upp denna typ av projekt.
GÄSTKRÖNIKÖR
Reijo Silander
– IT-management
samt R&D på
Seavus Stockholm.
