Det pratas mycket om AI och maskininlärning, men än så länge är det ofta mer snack än verkstad, i alla fall om man tittar på hur de tekniska lösningarna används i praktiken på bred front.
Cassie Kozyrkov, AI-specialist på Google, tycker är att det pratas för mycket om själva tekniken, medan fokus istället borde ligga på hur den ska användas. Och i hennes kokboksliknande uppmaningar har hon lämpligt nog valt köket som skådeplats för att illustrera hur man som företag ska tänka.
– Oftast har företag väldigt konstiga förväntningar på hur det ska se ut. För att tillverka själva mikrovågsugnen krävs det ingenjörer, det är samma med att ta fram tekniken för maskininlärning. Min ambition är snarare att man ska hitta en kock som är bra på att ta fram nya recept för att kunna skapa nya typer av bröd. Sedan måste man så klart ha ingredienserna på plats också, det vill säga data, säger hon och konstaterar att ett annat vanligt fel vid tillämpning av AI eller maskininlärning är att man inte har tillräckligt med tålamod.
Läs också: Inga genvägar till lyckad maskininlärning
– Det går nästan aldrig med en gång. Man måste testa och testa igen. Alla borde göra det så enkelt som möjligt, och testa nya saker och se hur det funkar. Det är ofta man ser exempel på att man bara sätter en rätt på menyn, men det kan vara en helt fruktansvärd rätt, som i värsta fall kan kasta omkull hela företaget.
Det allra viktigaste för att lyckas är alltså att ha rätt person på rätt plats. I sin strävan efter att få in AI-expertis stirrar man sig ofta blind på det tekniska kunnandet. Det kan så klart funka, om man har tur, konstaterar Cassie Kozyrkov.
– Om det skulle funka så funkar det bara för att den personen råkar visa sig vara en bra kock också. Men det händer inte särskilt ofta. Och om man ska hitta en ingenjör som är en bra kock och en bra ledare. Den kombinationen är nästan omöjlig, säger hon.
Hon har själv skrivit om hur man ska bygga upp sitt AI-team, utifrån tio olika roller, och vem som är den absolut viktigaste för att det ska hända något råder det ingen tvekan om.
– Den allra viktigaste är beslutsfattaren. Det är den som bestämmer vad man ska göra, och för vem man ska göra det, säger hon.
Bland övriga roller som behövs nämner hon exempelvis analytiker, statistiker, maskinlärningsingenjör och data scientists. Och hon konstaterar likt många andra att den riktiga AI-expertisen är svår att hitta, medan andra roller på listan är lättare att hitta.
– En del roller är väldigt svåra att hitta. Du behöver inte ha alla. Kan du hitta någon som är tre roller i en ska du naturligtvis göra det, men det går ofta bra att anställa tre olika personer också, säger hon.
När tror du att maskininlärning och AI blir så vanligt förekommande att man kan säga att det slagit igenom brett?
– Det borde vara det redan nu. Det är många företag som tror att de inte har användning av det och så finns det andra bolag som säger att de måste ha det men inte ska ha det. De som ska göra det tycker att de saknar kunskap och förmåga. Det gör att de inte ens prövar, och det gör mig ledsen. Och så finns det de som tror att man måste köra superfancy från starten. Gör inte det. Börja med att testa i liten skala, och fortsätt sedan och se att det inte är särskilt farligt.
