Så er det ikke sværere: hul på bylden og i gang med ML!

Klumme. Så skete det. Jeg fik hul på bylden og lavede min første Python-scriptede algoritme. Pludselig var tiden, opgaven og månens stilling den helt rette. Virksomheder kan sagtens komme med på rejsen!

Wauw. Pludselig lå hele verden åben for mig. Sådan føltes det i hvert fald for et kort øjeblik. Som en erfaren datahåndværker, dataingeniør og informationsarkitekt var det skønt at stå fadder til sin første ML-algoritme og se den levere. En lille prototype – selvfølgelig – men den satte straks hjernen i gang med at finde på nye måder at bruge Machine Learning på.

En uge senere…

Det lille skub kom da en af de studerende i vores data lab i SAP Experience Centeret arbejdede på en algoritme til at bestemme en films genre. Det uforpligtende projekt måtte jeg kaste mig ind i og på en uge var vi flyttet fra ide til kode og færdig service. Processen rummer – i allergroveste træk – at man skal finde og udvikle Python-koden, og man skal sætte den sammen med data, og så skal man sætte hele herligheden i produktion.

Jeg taler ML

En stor fornøjelse og en AHA-oplevelse. Der er sagt og skrevet så meget om kunstig intelligens, og derfor kan det føles som et gennembrud at komme fra det overordnede meta-niveau til rent faktisk at udtrykke sig på Swahili … jeg mener ML. Og så er det heller ikke sværere!

I virksomhederne kan der være en tendens til at overkomplicere dette felt. Enten sker der absolut intet eller også bliver projektet med at indtænke ”kunstig intelligens” så mastodontisk, at det ikke rykker sig ud af flækken eller løber ind i diverse organisatoriske og ressourcemæssige problemer.

Men over lange strækninger er det faktisk sådan, at vi kan genbruge meget af den organisation og viden, som vi bruger på næsten alle andre områder, når vi skal udrulle it-løsninger i organisationer.

Start med use case

For det første må og skal vi starte med et forretningsmæssigt problem. En proces, et produkt eller noget andet, som vi vil forbedre. Denne use case skal være virkelig og den skal ejes af forretningen. Uanset om vi vil bruge SAP eller andre løsninger til at løse problemet.

CBS’eren, håndværkeren og arkitekten

For det andet skal projektet have et sæt gammelkendte kompetencer eller roller dækket ind. Udover den klassiske forretningsejer – lad os kalde hende CBS’eren – skal vi have en data scientist og en arkitekt.

CBS’eren ejer casen og vurderer værdien og retningen i projektet. Data scientisten er datahåndværkeren, som arbejder med data og med kodning. Mellem de to kernekompetencer har vi brug for en brobygger. En arkitekt eller ingeniør, som kan etablere det samlede miljø og den infrastruktur, som er nødvendig for at nå målet. Disse tre kompetencetyper skal være der, men de behøver naturligvis ikke at være fordelt på tre personer.

Langtidsholdbart og replikerbart

For det tredje skal det enkelte ML-projekt ses som ét i en række, så erfaringen opsamles gennem en struktur, der giver en virksomheden en langtidsholdbar tilgang til data og avanceret analyse. Målet er at opbygge et organisatorisk miljø, så løsninger kan knopskyde og befrugte hinanden, og så man undgår at starte fra scratch hver gang. Ellers er der overhængende risiko for, at erfaringen bliver for ”håndholdt” og dermed flygtig og svær at replikere.

Ikke meget i dette er nyt. Tværtimod. Vi skal ikke gøre ML sværere end det er. Jeg var måske selv faldet lidt ned i den grøft, og det var dejligt at komme over på den anden side.

ML til at svare kunder?

Det lille pilotprojekt har for øvrigt kastet en ide af sig. Vi får mange kundehenvendelser som enten er Request For Information eller Request For Proposals, og en del af besvarelsen er et sæt af standardinformation om protokoller, rapporteringsformater og underliggende teknologi-komponenter. Derfor er der ofte en stor fællesmængde i svarene. Ideen er den simple at lade en ML-algoritme lære af vores seneste besvarelser, og derefter automatisk levere udkast til det nye svar, som vi skal give til en kunde.

Kan godt ske jeg stadig er en amatør, men jeg har troen på at det kan lade sig gøre.

 

Af Thomas Madsen, Head of SAP Data Lab Copenhagen in the SAP Experience Center Copenhagen

Denne klumme er oprindeligt publiceret i Computerworld den 4. juni 2020.