Behöver din produkt AI?

AI har blivit svaret på nästan alla frågor inom produktutveckling, ofta innan någon ens har funderat på om problemet faktiskt kräver det. Ibland är en AI-modell det enda sättet att få en produkt att göra det den utlovar. Men lika ofta kan några rader vanlig programlogik lösa samma uppgift, till en lägre kostnad och med färre överraskningar. De här fem frågorna hjälper dig att avgöra vilken lösning som passar bäst, och de är värda att ställa innan utvecklingen börjar.

Börja med dem som utför arbetet i dag. Om de kan beskriva vad de letar efter tillräckligt tydligt för att uttrycka det i en mening, går det oftast att översätta direkt till kod. ”Larma om temperaturen ligger över 80 °C i tio minuter” är en regel. Den kräver ingen träning, fungerar likadant varje gång och är enkel för vem som helst att kontrollera.

AI kommer till sin rätt när det finns ett tydligt mönster, men ingen riktigt kan beskriva det. En erfaren tekniker hör när ett lager börjar bli slitet. En kvalitetskontrollant ser skillnaden mellan en repa och en spegling på en blank komponent. En dörrkamera behöver skilja på en leverans och en katt som passerar. Människor gör sådana bedömningar utan större svårighet, men har ofta svårt att förklara exakt hur. Det är just där en modell kan lära sig av exempel i stället för uttryckliga instruktioner.

En modell blir aldrig bättre än de exempel den får lära sig av, och de viktigaste exemplen är ofta de mest sällsynta. En maskin som har varit i drift i flera år kanske bara har gått sönder ett fåtal gånger, och en produktionslinje som är byggd för att tillverka felfria komponenter producerar väldigt få defekta.

Det behöver inte stoppa projektet, men det påverkar hur det bör genomföras. Ibland är lösningen att lära modellen hur ett normalt tillstånd ser ut och låta den uppmärksamma allt som avviker. Ibland behöver man samla in data under en period innan utvecklingen börjar. Oavsett vilket är det viktigt att veta hur mycket data som finns och hur mycket som skulle behövas innan arbetet sätter igång. Det har ofta större betydelse för slutresultatet än vilken modell man väljer.

Alla modeller har rätt ibland och fel ibland. Den viktiga frågan är vad de olika misstagen kostar. Ett missat fel och ett falsklarm får sällan samma konsekvenser. Att missa en sprucken komponent kan leda till en produktåterkallelse, medan ett falsklarm kanske bara innebär att någon behöver kontrollera en extra gång. Samtidigt kan ett falsklarm varje natt få människor att börja ignorera larmet helt.

När man känner till konsekvenserna går det att anpassa modellen så att den hellre gör det mindre kostsamma misstaget. Det blir också lättare att avgöra hur systemet ska agera, exempelvis när det ska be en människa om hjälp och vad som ska hända när modellen är osäker. Om ett enda felaktigt beslut kan få oacceptabla konsekvenser kan AI fortfarande vara till hjälp, men inte som ensam beslutsfattare.

Varje AI-funktion bör jämföras med ett enklare alternativ, oavsett om det handlar om ett fast gränsvärde, en tabell med värden eller en människa som utför arbetet. Det är en enkel jämförelse att göra, men förvånansvärt ofta hoppar man över den. Utan jämförelsen går det inte att veta om modellen faktiskt tillför något.

Ibland är den enklare lösningen överlägsen. Ibland klarar den nio fall av tio, och modellen behövs bara för det tionde. En produkt som är uppbyggd på det sättet blir billigare att driva och lättare att lita på än en som skickar varje uppgift till en AI-modell.

En regel som skrivs i dag fungerar på samma sätt om fem år. En AI-modell kan däremot med tiden tappa sin träffsäkerhet när verkligheten förändras. Sensorer åldras, leverantörer byter material och användare hittar sätt att använda produkten som ingen hade förutsett. Därför behöver man samla in data även efter lanseringen och regelbundet kontrollera att modellen fortfarande fungerar som den ska.

Modellen måste också köras någonstans. Om den körs direkt på enheten behöver den fungera med begränsat minne och låg energiförbrukning. Om den körs på en server medför varje svar en kostnad, och den kostnaden växer med antalet sålda produkter. Båda alternativen går att hantera, men de behöver finnas med i planeringen från början, inte dyka upp som en oväntad faktura efter lanseringen.

Svaret är sällan antingen eller. En dörrkamera kan använda vanlig programlogik för att avgöra om det är mörkt och om någon är hemma, och spara AI-modellen till den enda fråga som logiken inte kan besvara: Är det där en människa? Reglerna sköter det de är bra på, och modellen används bara när den faktiskt behövs.

Att börja enkelt är också det billigaste sättet att ta reda på om en AI-modell över huvud taget behövs. Bygg den enklare versionen först, mät var den inte räcker till och låt de situationerna avgöra om det är värt att lägga till en modell. Ibland är det det. När det inte är det har ni sluppit kostnaden för en modell som aldrig behövdes.

Om din produkt behöver AI är en fråga som går att besvara, och det behöver sällan ta särskilt lång tid. Svaret hittar man genom att utgå från produktens egna data, jämföra med en enklare lösning och göra en realistisk bedömning av vad ett felaktigt beslut skulle kosta.

Det är där vi börjar. Berätta vad din produkt ska kunna känna igen, förutsäga eller besluta, så hjälper vi dig att avgöra om vanlig programlogik räcker, om en AI-modell skulle fungera bättre och vad som krävs för att ta reda på det med en prototyp.