Snowflake-experten: Så lägger du grunden för en lyckad AI-strategi

– I många organisationer finns det ett stort intresse för att utnyttja AI-drivna insikter från alla delar av verksamheten. På styrelse- och ledningsnivå ser många i allt högre grad till AI för att skapa nya affärsmöjligheter och intäktsströmmar.

– Samtidigt finns det också ett stort intresse från både anställda som arbetar med teknik och de som inte arbetar med teknik, som har använt AI på fritiden och nu vill ta in AI i sin arbetsmiljö för att öka produktiviteten och skaffa sig konkurrensfördelar.

Vilka är de största utmaningarna som företag står inför när de vill införa olika slags AI-tjänster?

– En av de största utmaningarna med att implementera AI på ett framgångsrikt sätt är att ta reda på hur man gör det på rätt sätt. I de flesta fall börjar en lyckad implementering med att man kastar ut ett brett nät för att hitta de områden i verksamheten där AI kan tillföra mest värde. En av de bästa metoderna för att implementera AI är att skapa en sandbox-miljö som uppmuntrar medarbetarna till att experimentera med AI. Därefter kan de minska antalet områden och prioritera användningsområden som både är möjliga att ta i produktion och som ligger i linje med organisationens strategiska mål.

Vilket slags plattformar behöver man för att kunna jobba strukturerat med företagets datamängder, vilken funktionalitet är viktigast?

– En framgångsrik AI-implementering kräver en viss nivå av datamognad. Det finns ingen AI-strategi utan en datastrategi. Om du vill att din organisation verkligen ska kunna utnyttja kraften i AI måste du ha de data som krävs för att driva den.

– Organisationer måste ha en robust datagrund på plats för att göra sina AI-användningsfall genomförbara. Så vad krävs för en sådan grund? En av de första frågorna man bör ställa sig är om verksamheten har tillgång till de data den behöver. Har du brutit ner datasilor? Kan du komma åt och analysera dina ostrukturerade data? Delar du data med partner eller förvärvar du data från tredje part?

– Därefter måste åtkomsten styras. Har rätt personer åtkomst och för rätt ändamål? Datastyrning är ett grundläggande krav för att säkerställa datasäkerheten och att man följer relevanta regelverk. Styrningen gör också att man kan känna sig trygg i sin användning av företagets data, vilket utökar möjligheterna att använda data och samarbeta kring denna data.

Hur säkerställer man att data håller hög kvalitet innan man applicerar AI-tjänster?

– Vi tenderar ofta att fokusera på datakvaliteten först efter att den redan har förts in i AI-modellerna. För de flesta organisationer börjar dock resan mot en effektiv AI-implementering med utbildning.

– En chef på ett livsmedelsföretag berättade en gång för mig om en situation där deras data visade en kraftig, oväntad ökning av försäljningen av frukostkorv på ett café i Frankrike. Efter en del efterforskningar visade det sig att kassapersonalen felkategoriserade inköp av en annan vara som hade samma pris som frukostkorv. De såg inte sig själva som någon som arbetade med data, men de data som de samlade in påverkade i slutändan företagets affärsinsikter. Hur skulle de kunna veta hur många produkter de behövde beställa till sitt lager om deras försäljningstransaktioner inte registrerades korrekt?

– I takt med att allt fler branscher fortsätter att bli datadrivna finns det ett behov av att öka kunskapen om data och AI på alla nivåer i organisationen för att säkerställa att alla, från verkstadsgolvet till ledningsgruppen, förstår sin roll när det gäller att samla in värdefull data.

Ni talar om vikten av att undvika datasilor, hur åstadkommer man det?

– Data har tidigare alltid lagrats i silor, hanterats av separata team och specifika affärsfunktioner, och ofta funnits i olika applikationer eller hos olika molnleverantörer. För att förbättra tillgången till data måste vi börja tänka på data som en konsumentprodukt. Det börjar med att man frågar sig vem inom organisationen som ska använda data och hur. Vilka resultat försöker de uppnå och vad behöver de för att uppnå det? Denna information vägleder dem som äger datan att skapa dataprodukter för dessa potentiella konsumenter. Genom att anamma begreppet dataprodukter kan organisationer börja bryta ner silor och underlätta tillgången till data – oavsett var den finns – för att skapa värde för hela organisationen.

Vad är viktigast att tänka på för att upprätthålla hög säkerhet när AI-tjänster får tillgång till känsliga data, som personuppgifter?

– När organisationer bryter ner silor och gör data mer tillgängliga måste de sänka riskerna för sitt varumärkesrykte och sina intäkter. De måste uppfylla både lagstadgade krav och kundernas förväntningar genom att säkerställa integriteten och säkerheten för känsliga data. Pålitlig styrning gör det möjligt att kontrollera vem som har tillgång till data och i vilka syften.

– I vissa fall kan företag som verkar i starkt reglerade branscher också luta sig mot mekanismer som rena datarum, som tillhandahåller en säker digital miljö där organisationer kan dela data utan att ge ut någon personlig identifierbar information, eller syntetiska data, som gör det möjligt för team att skapa nya datauppsättningar som behåller samma matematiska och statistiska egenskaper som originaldata, samtidigt som de faktiska uppgifterna skyddas från insyn. Dessa metoder gör det möjligt för företag att få insikter från även de mest känsliga data och potentiellt dela data utan att behöva visa dem.