Når man arbejder med helt nye ting som at bygge apps med de her nye, store AI-modeller (fundamentmodeller, som de kaldes), er det helt normalt at rende ind i problemer.
Her er lige en hurtig liste over nogle af de mest almindelige fejl, jeg har set, både fra cases ude i den virkelige verden og fra mine egne erfaringer.
1. Bruger du AI, når du slet ikke behøver den?
Hver gang der kommer en ny fancy teknologi, kan jeg nærmest høre alle de erfarne programmører sukke kollektivt: "Alt behøver altså ikke at være et søm!" Generativ AI er ingen undtagelse. Det føles som om, den kan gøre alt, og det frister alt for mange til at bruge den til alt muligt, selv når det ikke giver mening.
Et hold kom til mig med en idé om at bruge generativ AI til at spare på strømmen. De gav en AI en liste over husstandens ting, der bruger meget strøm, samt elpriserne i timen, og bad den så om at lægge en tidsplan, der gjorde elregningen så lav som muligt. Deres forsøg viste, at det kunne spare dem 30% på elregningen. Gratis penge, tænkte de. Hvem ville ikke have en app, der gjorde det?
Jeg spurgte bare: "Okay, men hvad så, hvis I bare planlagde de ting, der bruger mest strøm, til de tidspunkter, hvor strømmen er billigst? Altså, at vaske tøj og oplade bilen efter kl. 22?"
"Vi løser problemet" og "Vi bruger generativ AI" er to vidt forskellige overskrifter, og desværre vælger mange det sidste, bare fordi det er nyt og spændende.
Her er vi ærlige og siger til når AI ikke er den bedste løsning.
2. At tro AI'en er dårlig, når det egentlig er produktet, der halter.
På den anden side af spektret er der mange, der afskriver AI som en løsning, fordi de har prøvet det, og brugerne hadede det. Men så ser man andre, der bruger AI til noget lignende med stor succes.
Mange som arbejder med AI implementering fortæller mig, at det tekniske med AI-delen er det nemme.
Det svære er brugeroplevelsen (UX).
- Hvordan skal det se ud?
- Hvordan får vi folk til at være med i processen (human-in-the-loop)?
- Hvordan integrerer det med andet værktøj og arbejdsgange?
Ny teknologi kræver tilvænning, og så kræver det at brugeren har en en forståelse for teknologien bag. Ikke nødvendigvis en detaljeret forståelse, men nok til at kende styrker og svagheder.
Og det er faktisk også et lovkrav.
Vi ved, at generativ AI ændrer den måde, vi læser, skriver, lærer, underviser, arbejder, underholder os på osv. Men vi ved endnu ikke helt hvordan.
Her er et eksempel, der viser, at det, brugerne vil have, kan være lidt mærkeligt og kræver, at man virkelig undersøger sine brugere.
- Intuit, der laver bogholdersoftware og lignende, lavede en chatbot, der skulle hjælpe brugere med skattespørgsmål.
Først fik de ikke meget ros – brugerne syntes ikke, botten var nyttig.
Efter at have undersøgt det, fandt de ud af, at brugerne faktisk hadede at skrive:
Når de stod over for en tom chatbot, vidste de ikke, hvad den kunne, og hvad de skulle skrive.
Så for hver interaktion tilføjede Intuit et par forslag til spørgsmål, som brugerne kunne klikke på. Det gjorde det nemmere at bruge botten og opbyggede gradvist brugernes tillid. Og pludselig blev feedbacken meget mere positiv.
Den løsning er nu blevet nærmest standard inden for den type apps.
Husk: Fordi de fleste benytter den samme håndfuld modeller i dag, er selve AI-delen i AI-produkter ofte ens.
Det er selve produktet, indpakningen, der gør forskellen!
3. At starte for kompliceret.
Eksempler på denne fejl:
- At bruge et agent-framework, når direkte API-kald ville virke fint.
- At gruble over, hvilken vektor-database man skal bruge, når en simpel søgning baseret på ord (uden vektor-database) er nok.
- Og helt klassisk: At tilføre alt for meget funktionalitet på en gang.
Med så mange nye og spændende teknologier er det fristende bare at kaste sig ud i dem.
Men find ud af hvor langt du kan komme med selve LLM'en og velkendt simpelt værktøj først.
KISS. Som man siger.
4. At glemme de mennesker som skal bruge AI til daglig.
Et godt AI-produkt i en brugervenlig indpakning er et fint udgangspunkt.
Og vi har set en del eksempler på at brugerne faktisk er glade for AI produkter og bruger dem flittigt. Men forkert!
Altså har brugt dem på en måde som har været kontraproduktiv. Det opdages som regel hurtigt, men der kan også gå længere tid.
Det er vigtigt at personale uddannes i brug af AI værktøj ikke bare teknisk, men også med virksomhedens mål og værdier for øje. Og at de forstår styrker og svagheder ved AI-produktet i forhold til deres egne ansvarsområder i virksomheden.
Undervisning og workshops ved indfasning af AI gør her en stor forskel til det bedre. Og løbende dialog internet og eksternt øger muligheden for at udbyttet af AI bliver større med tiden i stedet for mindre.