The Alexandra Institute // Aktuelt // Nyheder // Nyheder 2019 // Fem råd fra danske SMV’er, der arbejder med nye teknologier som AI, deep learning og big data

Fem råd fra danske SMV’er, der arbejder med nye teknologier som AI, deep learning og big data

Artikel

18-11-2019

Fem råd fra danske SMV’er, der arbejder med nye teknologier som AI, deep learning og big data

Vi kender alle hypen omkring nye teknologier som AI, maskinlæring, deep learning og big data. At potentialet er der, bekræfter en ny rapport fra Innovationsfonden. Her anslår man, at Danmark kan lægge 35 mia. kr. til vores BNP om ti år, hvis vi udnytter teknologierne. Men hvordan griber man bolden som startup eller SMV?

Det er netop den udfordring, som 27 danske SMV’er fra vidt forskellige brancher har fået hjælp til gennem projektet Innovativ Brug af Big Data. Syv af virksomhederne præsenterede deres erfaringer, da mere end 60 personer var samlet til projektets afslutningskonference på Navitas i Aarhus den 7. november 2019.

Virksomhederne spænder lige fra revision til retail og fra medicinsk billedbehandling til byggebranchen. Fælles for mange af dem er, at de har haft maskinlæring som omdrejningspunkt, og at de bruger data i deres forretning. Vi har her samlet en række af deres pointer.
 

1. Glem ikke brugerne

Det første råd handler om, at man sagtens kan have en klar idé om, at markedet har behov for en bestemt løsning. Men det er ikke sikkert, at det er det, som kunderne efterspørger. Det er netop den erfaring, som Kristian Birch Pedersen fra Exigo A/S har gjort sig.

Han kunne fra sine mange års erfaring fra byggebranchen se, at det er en branche med store risici. Store byggeprojekter ender ofte med markante forsinkelser og overskredne budgetter. Samtidig er mange af branchens spillere begyndt at arbejde med digitale bygningsmodeller.

Men det er ikke altid det, man ser på skærmen, som kan lade sig gøre i virkeligheden. Og samtidig er man i den situation, at mængden af data bare vokser og vokser. Exigo A/S har derfor udviklet et datavisualiseringsværktøj, der giver overblik over store byggeprojekter.

Det er vigtigt at huske brugerperspektivet. Det har i vores samarbejde haft stor betydning, at vi har kunnet sende en antropolog fra Alexandra Instituttet ud og snakke med folk på byggepladsen. Vi troede, vi kunne lave én løsning, som passede til alle, men vi fandt ud af, at virkeligheden nødvendigvis ikke ser sådan ud, da folk går op i forskellige ting – så vores løsning skulle være meget mere fleksibel og kunne konfigureres til det enkelte projekt.


2. Afdæk jeres datalandskab

Det næste råd kommer fra Kasper Fænø Bay Noer fra Alexandra Instituttet, der har interviewet en tredjedel af de 27 deltagende virksomheder. Rådet handler om data, fordi de virksomheder, der lykkedes godt i projektet, især er dem, der har haft en klar idé om, hvor de vil hen, og hvilken rolle data spiller i det.

Et klassisk eksempel er Tesla-ingeniøren, der i sit ph.d.-arbejde har brugt meget tid på modeller og algoritmer, og som efter skiftet til Tesla har fået langt mere fokus på at arbejde med data, herunder fremskaffelse, rensning og harmonisering af data.

“Når man taler om data er der ofte et stort fokus på dataanalyse, men indsamling og klargøring af data er ofte lige så vigtig. I første omgang handler det om, at man skal have adgang til data, og her kan vi se, at der kan være nogle juridiske barrierer. Dernæst er det ofte et større arbejde at klargøre data, der som oftest ikke bare er trivielt.”


3. Opdyrk et tværfagligt samarbejde

Det næste råd går igen hos alle virksomhederne. Det handler om, at det er vigtigt at opdyrke et tværfagligt samarbejde med AI-eksperter, hvor man deler sin domæneviden. Samtidig skal man ikke mindst forventningsafstemme, hvad der skal komme ud af samarbejdet, lyder det fra Kasper Fænø Bay Noer.

Netop det tætte samarbejde har været afgørende, forklarer Niels Dahl, der CEO og grundlægger af Digital Revisor. De har lavet et digitalt onlineværktøj, der sætter virksomheder i stand til selv at lave deres årsrapport:

Vi havde 500 kontoplaner med 35.000 konti, som vi skulle have gjort klart til indsendelse til Skat og Erhvervsstyrelsen. Det er dyrt at gøre manuelt, og som lille startup havde vi ikke kompetencerne. Her havde vi et drømmescenarie, hvor Alexandra Instituttet stillede deres eksperter til rådighed. Det betyder, at vi i dag har en velfungerende algoritme.


4. Vær præcis med, hvilken branche du sælger til

Det er også vigtigt at være ærlig om det værktøj, man udvikler. Det gælder bl.a. inden for sundhedsområdet, hvor der er høje krav til godkendelse af teknologien. Sådan lyder det fra Ganesh Ram, der er CCO i RetinaLyze System A/S. De har udviklet en algoritme, der hjælper øjenspecialister med at screene for øjensygdomme, herunder diabetisk retinopati.

I samarbejdet har de fået prøvet en masse ideer til nye produkter af, og det har givet inspiration til, hvilken vej de skal udvikle sig. De har fået en AI-værktøjskasse, som de kan arbejde indenfor, og de sælger i dag de AI-løsninger, som der er udviklet i IBBD-projektet.

“Noget af det, der er gået op for os, er, at inden for deep learning er data nøglen til det hele. Det har både betydning for kvalitet, og for hvad man kan bruge algoritmen til,” siger Ganesh Ram, og uddyber:

Det har samtidig været vigtigt for os at sige, at vi ikke er ude på at erstatte øjenlæger, og derfor er vi også ærlige omkring, hvad algoritmen kan, og har implementeret procedurer for, hvordan den kan bruges.


5. “Explainable AI” er hot topic

Professor Thomas Moeslund fra Aalborg Universitet forklarede begrebet “Explainable AI” og om at gå fra blackbox til glassbox. Bl.a. fordi mange af de her algoritmer er meget følsomme over for “AI-hacking” (hvor algoritmerne snydes med specielt designet input), men også fordi f.eks. juridiske og medicinske afgørelser ikke kan forsvares uden at kunne forklare dem.

Men hvordan kan vi åbne op for AI-boksen?

“Vi har set eksempler, hvor man med få klistermærker har ændret budskabet i et “fuldt stop” trafikskilt til at opfattes af AI-algoritmen som et “45 km/t” skilt. Det er derfor vigtigt, at vi i dag også får en visuel forklaring på, hvordan en algoritme kommer frem til et bestemt svar,” forklarer Thomas Moeslund, der er overbevist om, at det her kommer til at fylde.

Det var med i den tidligere regerings handlingsplan for AI, og uden for Danmark er EU også kommet med syv principper. Margrethe Vestager har sagt, at hun vil gøre det operationelt i løbet af hendes første 100 dage.

Som ingeniør tænker man, hvad betyder det, at en algoritme er transparent, og hvordan får jeg det ind i algoritmen? Der er så mange parametre i det her, at det er vigtigt, at vi får nogle retningslinier, og at vi har denne her forskning for at få indblik i, hvad der sker.

Profilbillede af Peter Andersen
Senior Software Innovation Specialist
Head of IT
Intern it
+45 23 38 24 79
Åbogade 34, 8200 Aarhus N
Hopper bygningen, 2. etage lokale 237

FAKTA

Projektet Innovativ brug af big data er finansieret af Den Europæiske Fond for Regionaludvikling og Region Midtjylland.
 

.