Kom i gang med prediktiv KI: Har «vanlige» bedrifter noe å lære av storindustrien?
Store industrikonsern bruker prediktiv kunstig intelligens til å spare milliarder. Men prinsippene bak er også relevante for virksomheter av alle størrelser. Her er tipsene for å komme i gang.
Equinor sparer over en milliard kroner på prediktivt vedlikehold, og i kontorene jubles det når det tikker inn en ny «fangst» fra KI-modellene.
Det finnes mange slike imponerende eksempler fra storindustrien der prediktiv kunstig intelligens gjør det mulig å si noe fornuftig om det som ennå ikke har skjedd – og automatisere forretningskritiske prosesser.
Kongsberg Discovery bygger systemer som kan oppdage grunnstøting blant skip opptil førti minutter i forkant. Glitre Nett samler inn data om trær, vær, master og linjer for å finne ut hvor det er størst risiko for strømbrudd når stormen kommer.
Men kan «vanlige bedrifter» lære av måten store industribedrifter jobber med prediksjonsmodeller?
– Mange av de grunnleggende prinsippene er de samme, selv om verktøyene, omfanget og kompleksiteten er ulik, forklarer Anders Løland, forskningssjef ved Norsk Regnesentral.
Styrt læring
Prediktiv kunstig intelligens er ikke noe nytt. Norsk Regnesentral, et av Norges ledende forskningsmiljøer for data og maskinlæring, har jobbet med varianter av denne teknologien i over førti år.
– I bunn og grunn handler prediktiv KI om å bruke data til å kategorisere eller forutsi noe, forklarer Løland.
Det kan være snakk om alt fra å predikere hvilke kunder som er i ferd med å falle fra, til å optimalisere lagerbeholdning, estimere prosjektkostnader eller overvåke store produksjonsanlegg.
Ofte skjer dette gjennom en form for maskinlæring som kalles styrt læring. Kort fortalt lærer modellen av eksempler der utfallet allerede er kjent, og bruker denne kunnskapen til å anslå utfallet i nye tilfeller.
– Typisk lærer du av data hvor du har en fasit og en merkelapp. En merkelapp kan for eksempel være om en person klarte å betale gjelda si i fjor. Så prøver man å predikere om de klarer det neste år, sier Løland.
I et annet eksempel forteller Løland om hvordan en oppstartsbedrift samarbeider med Norsk Regnesentral om å lage et verktøy for håndverkere, der modellen predikerer kostnaden for nye oppdrag basert på tidligere tilsvarende jobber.
– Skal du renovere et bad, så foreslår modellen timebruk og materialbehov – også når jobben ikke er helt lik tidligere jobber, sier han.
Kort innføring i dataanalyse
Dette kurset er en kort og enkel introduksjon til dataanalyse.
Start kursLages for spesifikke oppgaver
Men hva er det som gjør prediktiv KI annerledes enn andre former for kunstig intelligens, som generativ KI?
Løland forteller at prediksjonsmodeller som oftest er avgrenset til en helt konkret oppgave, med et helt tydelig mål – i motsetning til generativ KI, som gjerne kan brukes til mange ulike oppgaver på tvers av områder.
Dette kjennetegner også dataene modellen er trent på. I stedet for store, generelle datasett om «alt og ingenting», er det snakk om mer målrettede og oppgavespesifikke data.
En prediksjonsmodell laget for å oppdage feil i en turbin kan ikke hjelpe deg med å svare på andre spørsmål om virksomheten. Til gjengjeld kan utdataene være enklere å forstå, teste og stole på.
– Det som kommer ut av av prediktive modeller er et strukturert resultat, typisk i samme format fra gang til gang. Det kan være et datapunkt, en klassifisering, en sannsynlighet eller en sannsynlighetsfordeling, forteller han.
Les Løland og Eikvils kronikk om prediktiv KI i Digi:
Godt egnet for automatisering
Det er også dette som gjør prediktiv KI godt egnet til automatisering.
Når modellen er utviklet for én tydelig oppgave og gir et strukturert svar, for eksempel en sannsynlighet, en risikoscore eller en kategori, blir det lettere å koble resultatet direkte til en handling i et system.
En høy risikoscore kan utløse et varsel, en inspeksjon eller et automatisk tiltak, uten at et menneske må vurdere hvert enkelt tilfelle.
Er prediktiv KI «billigere»?
På mange måter er derfor også produksjonsmodeller enklere å kostnadsstyre.
Fordi prosessen er definert og gjentakende, lar det seg gjøre å beregne verdien av riktige prediksjoner, og kostnadene ved feil.
– Mange mener også at prediksjonsmodeller er billigere å kjøre. De har et mindre fotavtrykk og kan enklere kjøres lokalt.
Fakta: Tre spørsmål før du setter i gang
1. Hvilket problem vil du løse?
Start med å kartlegge konkrete problemer og arbeidsprosesser der prediksjon kan skape faktisk verdi.
Kanskje kundeservice blir overbelastet fordi dere ikke klarer å forutse når trykket øker? Eller at bedriften taper inntekter fordi dere oppdager for sent hvilke kunder som er i ferd med å forsvinne?
2. Hvilke data har du?
Du trenger ikke alltid enorme datamengder. Det viktigste er tilgang på data som er relevante, pålitelige og tett knyttet til problemet du vil løse.
I tillegg betyr kvaliteten på dataene som oftest mer enn volumet. Hvis dataene er mangelfulle, skjeve eller samlet inn til et helt annet formål, kan modellen lære feil mønstre og gi svakere prediksjoner.
Skal du for eksempel anslå kundefrafall, holder det sjelden med kundelister alene. Da kan du også trenge informasjon om bruksmønster, kontakt med kundeservice, kjøpshistorikk eller endringer i abonnement.
I mange tilfeller kan det dessuten være nyttig å kombinere interne data med eksterne kilder, som værdata, markedsdata, kalendereffekter eller geografisk informasjon.
3. Hvilke metoder passer?
De færreste virksomheter skal lage maskinlæringsmodeller på egen hånd. Det finnes hyllevare for prediksjon innenfor mange domener, og tilpasning av eksisterende løsninger er ofte mye raskere enn å bygge fra bunnen av.
Å forutsi etterspørsel, avdekke svindel og beregne sannsynligheten for maskinfeil er ulike oppgaver, og de bør løses på ulike måter.
«Kan man ikke bare bruke ChatGPT?»
Når vi snakker om kunstig intelligens i dag, er det fort gjort at samtalen dreier mot ChatGPT, Claude eller lignende.
En bedrift som er ivrig etter å komme i gang med prediktiv KI, kan bli fristet til å laste opp dataene sine i en slik tjeneste og be om prediksjoner – og håpe at systemet gjør resten.
Det er sjelden den beste veien til målet.
Selv om for eksempel Claude Code og andre agentiske KI-verktøy kan brukes til å analysere data, skrive kode, sette sammen arbeidsflyter og hjelpe til med å utvikle løsninger, er de som utgangspunkt laget for bred problemløsning og fleksibel samhandling.
De er langt mindre egnet når målet er å levere strukturerte, stabile og etterprøvbare prediksjoner over tid.
– En modell som er trent på dine data for ditt problem, vil ofte gi bedre resultater, understreker Line Eikvil, forskningssjef ved Norsk Regnesentral.
Når det er sagt, smelter de to verdenene stadig mer sammen. Såkalte grunnmodeller, den samme typen teknologi som driver tjenester som ChatGPT, kan også brukes prediktivt, som et fundament for mer spesialiserte løsninger.
– Fordi grunnmodellen allerede har lært mye om strukturen i dataene, trenger du langt mindre data for å trene den til akkurat din oppgave, sier hun.
Norsk Regnesentral har for eksempel utviklet en slik grunnmodell for satellittbilder, kalt THOR, i samarbeid med ESA. Det gjør det raskere og billigere å bygge prediktive applikasjoner, for eksempel for å forutsi snødekning, kartlegge flomfare eller oppdage oljesøl.
Skillet mellom generativ og prediktiv KI er viktig for å forstå teknologien, men det betyr ikke at man skal opprette et kunstig skille.
En prediktiv modell kan for eksempel beregne risikoen for at en maskin svikter – og la innsikten inngå i en agentisk flyt som varsler rett person, oppretter en sak i vedlikeholdssystemet og foreslår neste tiltak.
Syv tips for å komme i gang
I mars arrangerte Norsk Regnesentral, i samarbeid med Digital Norway, et fagnettverk om prediktiv KI. Der delte Equinor, Kongsberg Discovery og Glitre Energi sine viktigste erfaringer fra store industriprosjekter.
Mange av innsiktene er også relevante for bedrifter i andre bransjer og i mindre skala. Her er noen lærdommer fra storindustrien som kan være nyttige for flere:
Les tipsene:
1. Hold det enkelt
Man bør ikke øke kompleksiteten med mindre det strengt tatt er nødvendig. Hold det enkelt om du kan. Ofte er en enkel modell du forstår bedre enn en avansert modell ingen kan forklare.
Mer kompleksitet gir bare mening når det faktisk løser et problem bedre.
2. Finn ut hvor mye feil dere tåler – og forstå feilene
Alle modeller kan gjøre feil. Spørsmålet er hvor store konsekvenser feilene får. I noen sammenhenger har det lite å si, mens i det andre tilfeller kan være alvorlig.
Man bør også vite hvor usikkerhetsmomentene oppstår. Først da kan dere sette opp gode kontrollpunkter, fange opp usikkerhet og bruke modellen på en trygg måte.
3. Sørg for at folk skjønner hvordan utdataene kan brukes
En løsning som er utviklet av spesialister, skal tas i bruk av operatører som ikke nødvendigvis forstår de tekniske forutsetningene. Det bør være enkelt å forstå hva resultatene fra en prediksjonsmodell kan brukes til – og hva det ikke kan brukes til.
4. Test grundig før du setter i gang
Det som ser imponerende ut i en demo, fungerer ikke alltid like godt i praksis. Test modellen i virkelige situasjoner. Sjekk om resultatene holder, og om løsningen faktisk skaper verdi i arbeidshverdagen.
5. Sett behovene først – ikke teknologien
Start med et konkret problem. De beste prosjektene vokser ofte ut av et tydelig behov i virksomheten. Prosjekter der teknologi introduseres uten en tydelig kobling til et reelt problem har en lei tendens til å dø ut.
6. Forankre satsingen strategisk
Det aller viktigste suksesskriteriet er at KI-satsingen er strategisk forankret, ikke noe entusiaster driver med på siden.
For å komme dit trenger du brobyggere mellom det tekniske og det strategiske – nøkkelpersoner som snakker både teknologene og ledelsens språk.
7. Kom i gang
Det viktigste er å begynne. Du vet sjelden på forhånd hvor utfordringene ligger, hvilke scenarier som betyr mest, eller hvor modellen faktisk skaper verdi.
Den innsikten kommer først når løsningen prøves ut i praksis. Visjoner, strategier og gode presentasjoner har sin plass, og det er i det daglige arbeidet den virkelige læringen skjer.
Hva er RPA - Robotisert prosess-automatisering?
Dette kurset gir en grunnleggende innføring i RPA, med andre ord automatisering av rutineoppgaver.
Start kurs
