De 7 datatrin, der sikrer succes med dit AI-projekt

AI er et af de begreber, alle bruger, men betydningen ændrer sig afhængigt af konteksten.

Vil du implementere AI i din organisation, skal du være præcis.

Når de fleste taler om AI i hverdagen, mener de typisk LLM’er (Large Language Models). De er stærke på ustruktureret data som tekst, billeder og lyd. Derfor ser vi især use cases som:

• Content-ideer og -produktion

• Opsummering af indhold

• Redigering og omskrivning

• Kodeassistance

• Datafortolkning

• Personalisering i stor skala

• Simulering og rollespil

• … og meget mere

Men hvis LLM’er er stærke på ustruktureret data, hvad kan du så med AI på dine strukturerede data?

Det er her, det for alvor bliver forretningskritisk.

AI og strukturerede data

LLM’er er ikke et naturligt match til strukturerede data som finans- eller projektdata af flere grunde.

For det første er LLM’er ikke-deterministiske. De baserer deres svar på statistik og sandsynligheder - ikke på de faktiske data, som en rapport gør.

Det betyder, at svaret kan variere. I værste fald kan modellen have “opfundet” dele af svaret. Du har ingen sikker måde at vide, om modellen har genereret forkerte eller opdigtede data. Selv en nøjagtighed på 90 % kan være katastrofal, når du arbejder med eksempelvis finansielle data.

For det andet er det både vanskeligt og dyrt at træne en model på store mængder strukturerede data.

Alternativet er at lære modellen at forespørge på data og fortolke svaret. Men det er ikke altid enkelt - især hvis datalandskabet er komplekst med mange tabeller, relationer, datakilder, forretningslogik og historiske data.

7 trin til at få mest muligt ud af AI

Data er fundamentet for AI – men typen af data gør en forskel. Mere data betyder flere muligheder og større kompleksitet. For at skabe værdi med strukturerede data og AI kræver det en investering. Min erfaring er, at det er det værd.

I stedet for at hardcode succeskriterier kan du udvikle modeller, der lærer af organisationens egne data og overvåger fremdrift og risici. Modellen kan overvåge din portefølje, markere hvad du bør være opmærksom på, fortolke komplekse datasæt og omsætte teknisk output til praktiske, menneskelige indsigter. Med andre ord: Den fortæller dig, hvad det betyder – og hvad du skal gøre som det næste.

Med Agentic AI kan du få en proaktiv assistent, der aktiverer de rette værktøjer til næste skridt.

Her er mine 7 trin til at lykkes med AI:

1. Start med en konkret use case, der skaber værdi: AI er en investering. Afklar derfor fra start, at potentialet matcher indsatsen. Et klart scope og et tydeligt mål øger sandsynligheden for succes markant.

2. Skab et datasæt med præcis de data, use casen kræver: Når du udvikler en skræddersyet AI-løsning, kan du kontrollere datagrundlaget. Undgå irrelevante eller fejlagtige data. Det gør løsningen enklere – og lettere at evaluere.

3. Berig data med metadata: Tilføj beskrivelser, definitioner, relationer, forespørgselseksempler og anden relevant kontekst. Det hjælper modellen med at navigere i data og levere meningsfulde svar.

4. Definér begreber præcist: Efterlad ikke plads til, at modellen selv fortolker centrale begreber. Tydelige definitioner skaber pålidelige resultater.

5. Instruér modellen i aldrig at hallucinere: Det er bedre ikke at få et svar end at få et forkert svar.

6. Lad slutbrugeren validere resultaterne: Slutbrugeren er den bedste til at vurdere, om løsningen opfylder formålet. Dette er den iterative del: Hvis der skal justeres, så gå tilbage til trin 2 og sikre, at datasættet er dækkende.

7. Udvid løsningen: Hvis løsningen skaber værdi, så undersøg, om den kan skaleres. Måske findes der beslægtede use cases, der kan følge samme model.

Stil altid spørgsmålet: Hvordan kan AI bidrage?

Når du vurderer dine forretningsbehov, skal du være kritisk og tage stilling til, om AI er det rette værktøj. Det handler om at aktivere AI dér, hvor potentialet er størst.

Brug ikke ressourcer på AI, hvis der allerede findes værktøjer, der løser opgaven effektivt.

Spørgsmålet “Hvem er vores top 10-kunder målt på omsætning?” besvares nemt med en Power BI-rapport – eller findes måske allerede i en eksisterende rapport.

Ældre teknologier som klassisk machine learning kan være bedre egnet til eksempelvis kundesegmentering eller forecasting. Især når nøjagtighed og konsistens er afgørende.

I sådanne tilfælde kan AI i stedet fungere som orkestrator, der aktiverer de relevante værktøjer til opgaven.

AI er et stærkt værktøj. Sørg for, at det løser det rigtige problem.