Artificiell intelligens (AI)
Artificiell intelligens (AI) syftar på datorsystem som utför uppgifter som normalt kräver mänsklig intelligens, som att känna igen mönster, förstå språk eller fatta beslut.
Artificiell intelligens är ett fält inom datavetenskap inriktat på att bygga system som kan lösa uppgifter som normalt skulle kräva mänskligt tänkande, som att känna igen mönster, förstå språk, göra förutsägelser eller stödja beslut. De flesta AI-system som används idag bygger på maskininlärning: istället för att programmeras explicit med regler tränas de på stora mängder data och lär sig statistiska mönster från den. Ett känt exempel är stora språkmodeller, som genererar text genom att upprepade gånger förutsäga det mest sannolika nästa ordet baserat på mönster inlärda från enorma textmängder. En användbar distinktion är mellan smal AI, byggd för en specifik uppgift, och generell AI, som skulle matcha mänsklig tankeförmåga inom vilken domän som helst men som ännu inte finns.
I affärssammanhang används AI oftast för snävt avgränsade uppgifter snarare än bred, allmän problemlösning. Vanliga exempel är automatisk klassificering av dokument, upptäckt av defekter i foton, analys av maskindata för att förutse haverier (prediktivt underhåll) eller drift av kundtjänstchattbottar. AI-modeller stödjer också planerings- och prognosarbete, till exempel inom lagerhantering eller produktionsplanering. I kombination med RPA (robotic process automation) ger AI ofta beslutslogiken medan RPA utför de faktiska stegen inuti affärssystemen.
Ett AI-system är bara så bra som den data det tränats på, och det fattar beslut baserat på sannolikhet snarare än verklig förståelse. Det innebär att det kan producera självsäkra men felaktiga eller påhittade svar, ett problem känt som hallucination. Därför förblir mänsklig tillsyn avgörande för viktiga beslut, särskilt där resultaten får juridiska, ekonomiska eller säkerhetsmässiga konsekvenser. Företag som inför AI gör oftast bäst i att börja i liten skala, stickprovskontrollera resultat och först tillämpa den där misstag upptäcks tidigt och orsakar liten skada.
Praktiskt exempel
Ett hantverksföretag med 18 anställda använder AI-driven bildigenkänning för att upptäcka skadade delar vid godsmottagningen. Tidigare kontrollerade en medarbetare manuellt omkring 200 inkommande delar om dagen och missade ungefär 3 till 4 procent av felen. Efter att AI-kontrollen införts sjunker missfrekvensen till under 1 procent, och medarbetaren vinner omkring 45 minuter om dagen, som hon nu lägger på att hantera reklamationer och prata med leverantörer. AI:n ersätter inte medarbetaren, den tar över den repetitiva delen av kontrollen medan gränsfall fortfarande avgörs av en människa.
Så hjälper Leanshift
För Leanshift är artificiell intelligens ett verktyg för att förbättra processer, inte ett mål i sig. Det är värt att använda där det märkbart förbättrar ett specifikt processteg, sparar tid eller minskar fel, bedömt enligt samma måttstock som varje annan Kaizen-åtgärd. Det håller fokus på det verkliga målet: inte att använda så mycket AI som möjligt, utan att hjälpa människor förstå och förbättra sina egna processer.
Vanliga frågor
Är AI samma sak som en algoritm?
Nej. Varje algoritm är en fast sekvens av beräkningssteg, men inte varje algoritm lär sig av data. AI-system använder algoritmer som själva härleder mönster från exempel, istället för att programmeras explicit för varje fall.
Behöver ett litet företag egna AI-modeller?
Vanligtvis inte. Färdiga AI-verktyg och tjänster täcker redan typiska uppgifter som textgenerering, bildigenkänning eller prognoser; att träna en egen modell är bara värt det för mycket specifika, återkommande användningsfall.
Hur tillförlitliga är AI-resultat?
Det beror i hög grad på uppgiften och träningsdatan. För snävt avgränsade uppgifter som bildigenkänning är felfrekvensen ofta låg och lätt att mäta, medan öppna uppgifter som textgenerering alltid bör stickprovskontrolleras.