Att göra lyckade AI-piloter är en sak. Att på riktigt driftsätta artificiell intelligens i verksamheten och skapa en datadriven organisation är något annat.
– Det vi hoppas på få med hem till oss är metoder, processer, kanske till och med färdiga mjukvarulösningar för MLOps, säger Mattias Jonhede, Manager Advanced Analytics Engineering på Volvo Group.
Räknat till antalet partner som deltar är det nystartade projektet AI Swedens största hittills.
Machine Learning Operations (MLOps) är en uppsättning metoder, verktyg och processer som syftar till att göra maskininlärningsutvecklingen mer robust och skalbar, med en högre grad av automatisering och samarbete över olika avdelningar och discipliner.
Hur kan en organisation bli datadriven på riktigt? Det ska AI Swedens nya MLOps-projekt, med det formella namnet Data-driven organizations – Best practices for operationalization of AI in Sweden, ge svar på.
Tillsammans kommer femton av AI Swedens partner, från näringsliv, offentlig sektor och akademi, ta sig an frågor som handlar om storskalig drift av AI-lösningar, hur man använder AI på bred front i en organisation. Det övergripande målet är att bygga förståelse för hur en organisation ska förhålla sig till att data och teknik förändras över tid, med ambitionen att utveckla verktyg och guidelines som hjälper en verksamhet att få organisation och teknik på plats för att kunna jobba datadrivet bortom prototyp- och teststadiet.
– När vi börjar produktionssätta AI och skalar upp antalet modeller, inser man snabbt att valet av organisationsstruktur och teknisk infrastruktur är ömsesidigt beroende av varandra. Ofta hamnar ansvaret för en modell hos någon som inte utvecklat den, och ibland även hos personer med mindre teknisk bakgrund.
Stefan Wedin
Projektledare på AI Sweden
En stor skillnad mellan de flesta prototyper och driftsatta AI-lösningar är att de sistnämnda ska fungera över tid. För att det ska bli möjligt krävs en större förståelse för tekniken i kombination med nya sätt att bygga den interna organisationen och interna processer.
Till de tekniska utmaningarna hör bland annat förändring hos både data och modeller. Kommer ny data fungera på samma sätt som existerande data i en befintlig modell? Kommer en uppdaterad modell att förhålla sig till data som en befintlig modell? Och hur tränar man om modeller med ny data?
– Här ser man tydligt hur teknik kopplar de organisatoriska frågorna. För när man börjar jämföra olika kombinationer av data och modeller för att välja vilken man ska använda, vilken som är bäst, måste du dels ha verktyg för att göra den utvärderingen, men också en tydlig bild av hur målet med AI-tillämpningen ser ut. Vad som är “bäst” måste sättas i relation till vad man vill uppnå, och det är en annan fråga än det tekniska, säger Stefan Wendin.
I det organisatoriska spåret finns frågor om vilka ansvar och roller som behövs, vilka processer som måste finnas på plats för att kunna styra AI-användningen mot rätt mål, förutsättningar för nya projekt, data och teknik.
Projektet, som löper fram till December 2025, är AI Swedens största hittills, sett till antalet partner som deltar.
– Jag tror att det stora intresset är en direkt konsekvens av att många svenska organisationer nu hunnit göra en eller ett par AI-piloter och upptäckt att klivet till skarp drift kanske är svårare än man trott, säger Stefan Wendin.
Ellen Reinhardt, Head of Project på Aixia och som också fungerar som projektledare tillsammans med Stefan Wendin:
“Det här är ett projekt som låter oss som leverantör jobba nära både existerande och potentiella kunder och tillsammans med dem lära om deras behov, så att vi bättre kan förstå vad det är för lösningar vi måste bidra med.”
Fredrik Enqvist, Produktansvarig (VGR AI plattformen) på Västra Götalandsregionen:
“En av de utmaningar vi ser är att de processer som behövs för skarp drift är väldigt komplicerade och därmed dyra på grund av de teknik- och kompetenskrav det innebär. Vår förhoppning är att det här projektet ska komma fram till en någorlunda agnostisk pipeline som vi kan använda i vår verksamhet.”
Daniel Jakobsson, AI Strateg på Trafikverket:
"Vi har flera modeller i vår forskning som vi vill kunna sätta i drift, men saknar de tekniska och organisatoriska förmågorna som krävs för att det ska vara möjligt. Att på ett repeterande sätt sätta modeller i operativ drift. Det är en utmaning vi hoppas hitta lösningar på här."
Mattias Jonhede, Manager Advanced Analytics Engineering på Volvo Group:
“Vi kommer att använda tusentals modeller för att prognostisera och optimera vår eftermarknadslogistik. I det arbetet ser vi bland annat en del utmaningar med tekniskt stöd för governance när modeller går från utveckling till implementering och fortsatt drift. Vem har ansvar för vad och när, säger Mattias Jonhede, på Volvo.”
Namn: Data-driven organizations – Best practices for operationalization of AI in Sweden
Syfte: Att skapa förutsättningar för funktionell och skalbar MLOps för AI-implementering hos svenska organisationer, inklusive kringliggande processer och organisatoriska förändringar.
Deltagare: Aixia, Hewlett Packard Enterprise, Linköping University, NetApp, Proact, RedHat, Region Halland, Sahlgrenska Universitetssjukhuset, Statistiska Centralbyrån, Skatteverket, Stormgrid, Trafikverket, Volvo Parts, Västra Götalandsregionen och AI Sweden.
Finansiärer: Vinnova samt deltagande partners
Finansiering: 35,7 MSEK
Tidsperiod: April 2024-December 2025