Det gäller att se upp och vara försiktig när man börjar använda sig av maskininlärning. Att tro att inlärningen sker inte bara snabbt utan också väldigt rätt är en helt orealistisk syn på tekniken.

I stället gäller det att vara medveten om att det kommer att ske misstag och se till att de inte fortplantar sig in i affärsprocesserna. Vår amerikanska systertidning Infoworld lyfter fram några av de saker som kan få misstagen som AI-verktygen gör när de lär sig att förvärras.

Brist på affärsförståelse

Om de som skapar maskininlärningsmodellerna inte fullt ut förstår de affärsproblem som ska lösas kan det leda till att misstag smyger sig in.

Akshay Tandon, som är strategichef på Lendingtree, brukar uppmuntra sitt team att börja med att tänka igenom vilket problem som man försöker lösa och vilka modeller som man ska bygga för att komma åt det problemet.

I och med att verktygen i dag är så kraftfulla är det ännu viktigare att göra rätt gör man inte det kan det leda till verkligt dåliga beslut konstaterar han. Om dataanalysteamet inte ser upp kan det sluta med att modellerna inte passar ihop med de data som man använder sig av. Därifrån kan det gå väldigt illa väldigt snabbt.

Dessutom är det viktigt att förstå att kvaliteten på modellen långsamt försämras från det att den börjar användas förklarar Akshay Tandon. Man måste hålla ett öga på den och vara uppmärksam på hur den påverkar besluten.

Läs också: Det här är AI och så funkar det

Dålig datakvalitet

Skräp in – skräp ut. Så lyder den gamla sanningen. Om datakvaliteten inte duger så kommer maskininlärningen att bli därefter.

Dåliga data är ett av de största orosmolnen och kan äventyra dataanalys oavsett om de som arbetar med det har de bästa intentioner.

Verksamheter överskattar ofta maskininlärningsalgoritmerna och underskattar effekterna av dåliga data framhåller Ray Johnson, chef för dataanalys på SPR Consulting.

Det leder till att beslut riskerar att tas på felaktiga grunder och det skadar affären. Och det går att upptäcka dålig datakvalitet när maskininlärningsresultaten inte verkar meningsfulla i förhållande till den erfarenhet som finns. Ray Johanson lyfter fram att en proaktiv metod är att använda sig av det som kallas EDA, exploratory data analysis. Det är ett sätt att identifiera grundläggande datakvalitetsproblem som bortfall, missade värden och inkonsekventa domänvärden.

Felaktig användning

– Det vanligaste problemet som vi fortfarande ser i företag är att man vill använda maskininlärning bara för att det är inne, säger Sally Epstein, maskininlärningsspecialist på Cambridge Consultants.

Men det gäller att använda rätt tillämpning av verktyget för att lyckas och det kan mycket väl vara så att ett traditionellt ingenjörsmässigt sätt att lösa problemet kan vara både snabbare och billigare.

För att inte använda maskininlärning fel är det viktigt att överväga vad som är det önskade resultatet för affären, problemets komplexitet och datamängden. Relativt enkla problem som klassificering eller skapa kluster i mindre mängder data kan exempelvis göras genom statistisk analys.

Först när datavolymen blir ohanterlig så kan maskininlärning vara mer lämplig. Men det är inte helt ovanligt att upptäcka först efter att man använt sig av maskininlärning att affärsresultaten inte blivit klart definierade och att det lett till att fel problem har lösts.

Läs också: Amazons rekryteringsverktyg slog fel – sållade bort kvinnor som sökte teknikjobb

Modellerna kan bli fördomsfulla

Inte nog med att dåliga data leder till dåliga svar. Det kan också föra in förutfattade meningar och fördomar i resultaten. Eftersom modellerna skapas av människor, som kan vara fördomsfulla, så kan de också bli det.

Om man inte tar itu med det så kan det sluta med att exempelvis ansiktsigenkänning som bara klarar vissa hudtoner eller producerar modeller som inte är könsneutrala. Och det har redan inträffat.

Att resultat på det här viset kan bli fördomsfulla skapar i sin tur finansiella risker, juridiska risker och kan skada ryktet. Därför är det viktigt att man också arbetar med etikfrågorna runt det hela.

Konsultfirman McKinsey skrev i en rapport förra året att fördomar som byggs in av algoritmer är en av de största riskerna med maskininlärning eftersom det motverkar hela syftet med maskininlärning.

Bristande resurser

När en organisation drar igång ett maskininlärningsprojekt underskattas ofta vilka resurser som krävs, både vad gäller personal och infrastruktur. Det kan krävas mycket av infrastrukturen särskilt om det gäller att bearbeta bilder, video eller ljud.

Det måste dessutom finnas en infrastruktur som tillåter användarna att ta del av resultaten.

En skalbar infrastruktur som stöder maskininlärning kan vara både dyr och svår att underhålla. Men det finns molntjänster som erbjuder skalbara maskininlärningsplattformar som man kan använda sig av vid behov.

Att använda sig av molnet gör också att man kan experimentera med maskininlärning i större skala utan att behöva ägna sig åt att köpa hårdvara, konfigurera och implementera, säger Ray Johnson.

Och för dem som vill ha sin infrastruktur hos sig kan molnet vara en plats för att börja testa och experimentera så man förstår vad som krävs av infrastrukturen innan man gör en stor investering.

Bristen på kompetens är ett annat stort hinder för att kunna börja använda sig av maskininlärning.

Det är viktigt att ha personer som kan bedöma datakvalitet, förstår hur olika verktyg ska användas och som kan ta fram rekommendationer och få styrningpolicies på plats.

Dålig planering och styrning

Maskininlärningsinitiativ kan ta fart med entusiasm och sedan tappa fart. Det är ett tecken på dålig planering och styrning.

Om inte riktlinjer och gränser kommer på plats kan försök med maskininlärning pågå utan slut och dra enorma resurser utan att några resultat kommer ut konstaterar Ray Johnson.

Maskininlärning är en iterativ process och modellerna kan modifieras allt eftersom kraven förändras. Det kan i sin tur leda till att de som arbetar med det kan tröttna på att fullfölja och det leder till dåliga resultat. Projektsponsorer flyttar över till annat och initiativet fördröjs.

Därför måste projekten övervakas så att man ser att det rör sig framåt. Om det börjar sakta av så kan det vara dags att ta en paus och göra ett omtag.