NO-CODE AI

NO-CODE AI

En kvalitativ utvärdering av ett

lättillgängligt AI-verktyg

Elias Lundholm & Marcus Wiik

Examensarbete på kandidatnivå, 15 hp

Abstract

The development of Information technology has undergone drastic changes in the last decade, and it has changed how organizations work and function. The latest

development of IT is Artificial intelligence (AI). Although AI has been researched quite extensively, we are now seeing a new phenomenon taking place within the field of AI, which has not yet been thoroughly studied. This phenomenon is what we call No-Code AI. This refers to tools and systems which provides advanced AI-technology but does not require any vast technological competence to use. In this study we will contribute to this field by looking at how No-Code AI tools changes and affects the value creation process within organizations. To do this, we have conducted a qualitative method in which we combine document analysis and retrospective reflection. We have also performed testing of a tool which can be categorized as a No-code AI tool. Our study showed that no-code AI has great potential to influence how organizations conduct business, but also change how value is created. We also found that when AI becomes more accessible to organizations, it can result in a, so called, democratization of AI. When this

Förord

1. Inledning

Allt vi gör i dagens samhälle lämnar digitala spår. Detta innebär att det finns enorma mängder data att tillgå, vilket i sin tur kan innebära stora fördelar för verksamheter (Marr, 2015). Informationsteknologi har påverkat organisationers kärnprocesser på ett vis vi förmodligen aldrig hade kunnat förutspå. Företag försöker ständigt hitta nya lösningar som ska förändra marknaden och bidra med värde till organisationen. Idag är AI (Artificiell intelligens) det nya, och företag lägger ner stora resurser för att implementera denna teknologi i deras verksamhet. (Lichtenthaler,2019). Artificiell intelligens är ett paraplybegrepp som täcker en rad olika teknologier. Utmärkande för AI är att det påverkar hur man bedriver verksamheter, och det förändrar och förbättrar processer på ett sätt som människan själv inte hade kunnat göra. AI har under det senaste decenniet genomgått en enorm utveckling och det skapas nya verktyg och lösningar på löpande band. Men precis som med Informationsteknologin generellt har de länge krävts en hög grad av teknisk kompetens för att kunna arbeta med AI. Verkligheten att AI-verktyg är svåra att arbeta med är något många företag inser först efter dem har implementerat verktyget inom organisationen. Att använda sig av AI kan i många lägen kännas lockande och tilltalande men det gäller att man som företag känner till alla utmaningar som verktygen leder till (Tarafdar et al, 2019). En utmaning företag står inför är att försöka generera ett värde utifrån stora mängder data. Om man har stora mängder data men inte vet vad man ska använda den till blir den värdelös. Majoriteten av den data som finns tillgänglig är ostrukturerad, vilket har inneburit att verksamheter behöver lägga stora resurser på att strukturera upp och analysera den (Marr, 2015).

Dessa krav och utmaningar kan nu ha kommit till att ha förändrats då vi har börjat se en utveckling av lättillgängliga AI-verktyg. Peltarion är ett företag som under en längre period har arbetat med AI där deras vision alltid varit att göra AI tillgängligt för massan (Peltarion.se, 2021). Peltarion har tagit fram ett verktyg som inte ska kräva någon vidare teknisk kompetens men man får tillgång till en djupt avancerad AI-teknologi. Denna förändring kan leda till att allt fler företag får möjligheten att arbeta med AI, vilket i sin tur bidrar med nya möjligheter men också nya utmaningar. Peltarion vill försöka automatisera många av de processer som tidigare varit utmaningar och verksamheter ska nu på ett enklare sätt börja arbeta med AI och Big Data.

Vår forskningsöversikt fokuserar mycket på IT och värdeskapande samt datacentrerat värdeskapande, där AI är en viktig komponent. Vi lyfter också på en generell nivå vad AI är och vilka underliggande teknologier som utgör fenomenet. Införandet av AI leder också till utmaningar, och en sådan är hur AI och människor kan komplettera varandra baserat på deras unika egenskaper, och därför lyfter vi också fram forskning om Human-AI-

symbiosis. I en inledande fas kunde vi se ett tämlig stort forskningsgap inom AI-fältet, som

vilket sätt kan lättillgängliga AI-verktyg bidra med eller förändra värdeskapande för organisationer?”. För att göra detta kommer vi tillämpa en retrospektiv reflektion, där man försöker förstå hur tankegångarna gick vid utformningen av en produkt (Löwgren & Stolteman, 2004). Vi kommer även göra en dokumentanalys (Bowen, 2009) där vi analyserar hur Peltarion marknadsför sin produkt.

Vad händer när man tillämpar ett lättillgängligt AI-verktyg som inte kräver samma resurser och kompetenser och vad kan ett sådant verktyg bidra med för värdeskapande för organisationer? Kan dessa typer av verktyg få några organisatoriska konsekvenser? Det är dessa frågor som vi under denna studie kommer försöka besvara.

1.1 Syfte och frågeställningar

Syftet med denna studie är att kartlägga ett lättillgängligt AI-verktyg och dess egenskaper, för att sedan undersöka hur verktyget påverkar värdeskapande i organisationer och vilken betydelse lättillgänglig AI generellt har för organisationer. Vidare kommer vi utforska vilken effekt verktyget har på kompetensbehovet i organisationer.

• På vilket sätt kan lättillgängliga AI-verktyg bidra med eller förändra värdeskapande för organisationer?

2. Relaterad forskning

2.1 Värdeskapande med informationsteknologi

Ordet ”värde” avses uppfylla de mål en kund har och som kunden vill uppnå vilket sker i utbyte mot en resurstillgång (Kristensson et al, 2014). Det kan vara alltifrån arbete till ett köp av en produkt eller tjänst. När dessa mål har uppnåtts skapas det ett värde för både kunden och företagen tillhandahåller tjänsten. En värdeskapande process handlar oftast om någon form av kostnad eller tidsbesparing för antingen ett företag eller en kund.

Informationsteknologi blir kraftigare, billigare och får ökad nätverkskapacitet. Detta har resulterat i att IT används i nästintill alla organisationer, även inom områden där det inte tidigare varit relevant. Införandet av IT i verksamheter har öppnat upp för enorma möjligheter och har påverkat verksamheter på många sätt (Jonsson et al, 2018). IT kan innebära en stor konkurrensfördel. IT har till exempel bidragit med effektivisering och ökad produktivitet. Dels genom att automatisera vissa delar av verksamheter, dels genom att skapa snabbare informationsflöden i organisationer. En konsekvens av automatiserade informationsflöden är organisationers decentralisering. IT möjliggör att information sprids i realtid vilket innebär att hela organisationer kan ha tillgång till samma information, samtidigt. Detta i sin tur leder till att man kan fatta informerade beslut även utan översyn av sina högre chefer. Detta resulterar oundvikligen i en effektivisering eftersom det snabbar upp beslutsfattande i organisationer (Jordan, 2012).

miljön för att stödja insamlingen av data. (Jonsson et al, 2018). Jonsson et al (2018) beskriver hur allmänt förekommande datoranvändning möjliggör att man kan samla in data smidigt och i realtid. Genom att utrusta produkter med sensorer kan man se identitet, alltså vilken produkt informationen relaterar till. Man kan också se plats och status vilket leder till att man snabbt kan se var en produkt befinner sig och om den uppvisar några problem. Detta kan ha stor påverkan på till exempel en organisations logistiksprocess genom att man får relevant information i realtid vilket kan användas för att effektivisera processer. Det gör också att man kan planera bättre och dokumentera företagets värdeskapandeprocesser eftersom data kontinuerligt samlas in om hur processerna ser ut. Den effektiviserade och smartare planeringen av processer leder i många fall också till att kostnaderna går ner då det krävs mindre resurser (Jonsson et al, 2018).

Ett viktigt led i att skapa värde med IT är hanteringen av den. IT management handlar om verksamheters förmåga att övervaka och administrera över dess IT-struktur (Boynton et al 1994). IT management fokuserar på hur man gör informationssystem mer effektiva och hur man anpassar dem till en given organisation.

Figur 1. Absorptive capacity (Boynton et al, 1994. S.301)

måste även klara av att vara flexibla då marknaden för IT är enorm och förändringar sker snabbt. Om man som organisationen inte klarar av att vara flexibla finns det en stor risk att man inte hänger med och faller efter (Boynton et al, 1994).

Den andra komponenten som författarna lyfter fram är vetskapen hos en organisation kring deras IT management processer (Boynton et al 1994). IBM utförde ett omfattande projekt kring detta ämne och kom fram till 11 IT-management-processer-grupper. De 11 processer som togs fram av IBM presenteras i figur 2.11. De huvudsakliga punkterna som IBM lyfte fram efter detta projekt var följande: Kvaliteten hos en organisation och hur väl de arbetar med IT-management har en stor grund i hur väl de har klarat av att applicera de 11 IT-managementgrupperna. Men även att organisationens effektivitetsnivå kring dessa 11 processer avgör vilken utsträckning en organisation lyckas tillämpa IT i sin helhet. Detta märks framför allt på hur pass effektiva de operativa och strategiska uppgifterna blir inom organisationen med hjälp av IT.

Figur 2. IT-management-process-grupper (Boynton et al, 1994. S.304)

företaget (Lakemond & Tell, 2016). Vad krävs då för att lyckas med innovation när man outsourcar IT? Ett första steg är att definiera sin innovationsambition. Detta eftersom det visar hur IT-lösningar kan påverka och möjliggöra den ambitionsnivå verksamheten har, och det påvisar också vilken IT-lösning som är mest lämplig. När ambitionen och behovet är kartlagt behöver den, som Lakemond och Tell (2016) beskriver det “förankras i organisationen”. Det är också viktigt att ansvar och rollfördelning är tydligt definierat när man för in en extern organisation, Vidare krävs det en partnerorganisation som förser verksamheten med en IT-lösning vilken möjliggör de innovationsambitioner verksamheten har. Det är också viktigt att den IT-lösning som förs in är kompatibel med de interna tjänster ett företag använder för att de ska kunna utveckla verksamheten och bidra med innovationskraft (Lakemond & Tell, 2016).

2.2 Tjänsteinnovation

En tjänsteinnovation är det nya värdet som en kund eller användare upplever (Kristensson, et al, 2014). Det är med andra ord en ny eller förbättrad värdeskapande process där användaren fungerar som en samskapare. På senare tid har fokuset kring tjänsteinnovationer skiftas från att fokusera på vad ett företag kan skapa till hur kundernas behov ser ut. Fokuset har alltså flyttats från vad som faktiskt är tekniskt möjligt till det som kunden efterfrågar. Denna förändring är ett resultat av digitaliseringen och att möjligheterna till vad som går att skapa har förändrats markant den senaste tiden. En av den senaste formen av tjänsteinnovation handlar om att leverera lösningar (termen ”solution” används ofta) och det är denna typ av värdeskapande process som vi kommer att fokusera på under detta arbeta. Många industriföretag måste antingen köpa in eller framställa olika former av lösningar för att kunna konkurrera med länder som har möjligheten att producera samma vara till ett lägre pris. På grund av detta har marknaden för denna typ av tjänst växt explosionsartat och företag försöker ständigt hitta den bästa ”lösningen” på ett problem (Kristensson, et al, 2014).

2.3 Datacentrerat värdeskapande

I takt med digitaliseringen har mängden data som finns tillgänglig ökat markant. Detta eftersom det vi gör i högre grad lämnar digitala spår, eller data. Denna data kan i sin tur analyseras och bidra med stora insikter om lika fenomen. För ett företag kan denna data till exempel bidra med värdefulla insikter om dess konsumenter och kunder, och deras preferenser. Den stora mängden av data som finns tillgänglig har kommit att kallas för Big

Data. Big data beskriver bland annat, som namnet antyder, den stora mängd data som

finns tillgänglig. Big data har dock andra karaktärsdrag, och begreppet brukar beskrivas med fyra V’n (Marr, 2015). Dessa V’n står för följande;

• Volume: Volume beskriver de stora mängder data som finns tillgängligt. Som nämns ovan så lämnar allt vi gör digitala spår, och i takt med att alltmer av våra liv digitaliseras ökar också mängden tillgängliga data.

• Velocity: Velocity beskriver den snabba takten som data genereras samt dess förmåga att snabbt förflytta sig.

• Veracity: Veracity beskriver hur stökig den data man samlar in är. Detta ställer stora krav på organisationer som ämnar att skapa värde med hjälp av denna data. Till skillnad från traditionella data kräver big data alltså en del arbete innan man får relevanta insikter av den (Marr, 2015).

Big data kan delas upp i två huvudsakliga kategorier, vilka är strukturerade samt ostrukturerade och semi-strukturerade data. 80% av all verksamhetsrelevant data är ostrukturerad, vilket också relaterar till veracity. Ostrukturerade data kan inte behandlas med traditionella datorprogram utan behöver bearbetas med mer avancerade program. Strukturerade data är data med tydlig struktur som är lätt att kategorisera, vilket kan vara till exempel konsumentdata som beskriver ålder på konsumenter, köpvanor eller etnicitet, och kan därmed lätt analyseras. Ostrukturerade data är data som saknar tydlig struktur, det kan vara till exempel bilder eller videoklipp. Semi-strukturerad data är data som saknar traditionell struktur men ändå har vissa drag som man kan kategorisera den utifrån. Om man tar ett facebookinlägg som exempel, är texten i inlägget ostrukturerad, men man kan se när inlägget lades ut, och vem som lade upp det. Detta är metadata som man kan använda vid analys av denna form av data (Marr, 2015).

Marr (2015) skriver som följer;

“But the real value is not in the large volumes of data but what we can now do with it. It is not the amount of data that is making the difference but our ability to analyse vast and c omplex data sets beyond anything we could ever do before.” (18).

Som beskrivs ovan finns det enorma mängder data att tillgå i dagens digitala samhälle. Det är dock inte volymen av data som utgör värde för organisationer, utan det är vad man gör med den data man har tillgång till som har potential att skapa värde. Många verksamheter är medvetna om mängden data de har tillgång till, men de står ofta handfallna när det kommer till att använda den för verksamhetsfrämjande syften (Marr, 2015). Marr (2015) beskriver att trots att man i princip kan mäta och analysera det mesta idag betyder inte det att man borde göra det. Ett första viktigt steg i värdeskapandeprocessen relaterat till big data är därför att börja med att formulera strategi. Detta innebär att man tydliggör i vilket syfte man kommer använda den data man samlar in. Vidare underlättar det processen i vilken man identifierar vilken data man behöver samla in (Marr, 2015). Marr (2015) beskriver hur ett företag inte bör sikta mot att samla in så mycket data som möjligt, utan snarare tvärtom. Man behöver endast samla in den data som möter de strategiska behov man har identifierat. (Marr, 2015). Att formulera strategi är alltså ett viktigt första steg eftersom det tydliggör vilka frågor man behöver besvara, samt vilken data som kan besvara dessa strategiska frågor (Marr, 2015).

När insikter och värdefull information har presenterats för nyckelpersoner är det upp till dem att använda den för att transformera verksamheten. Den stora mängden data som finns tillgänglig har potential att förändra affärsprocesser helt och hållet då den bidrar med nya inblickar i vad konsumenter efterfrågar, hur de beter sig och vad dem tycker om en viss produkt/tjänst. Ett exempel på vad big data kan göra för en verksamhet är hur WalMart lyckats optimera sina lager. Walmart använder sig mycket av data från sociala medier, i kombination med traditionella data om konsumentbeteenden för att se vad kunder gillar och vad som är troligt att de kommer köpa. Baserat på det kan man fylla på en viss produkt i en affär eftersom man med hjälp av big data identifierat att just den produkten kommer få en ökad efterfrågan. Amazon har med hjälp av konsumentdata skapat modeller som förutsäger vad en konsument kommer köpa innan de själva vet att de har köpt den, vilket ger att de kan börja frakta produkten innan kunden har betalat för den, och på så sätt kan man optimera leveranstider, och kundnöjdheten ökar. Big data har alltså potentialen att leverera pricksäker information om hela verksamheten, vilket företag kan använda för att skära ner på onödiga resurser och effektivisera sina affärsprocesser (Marr, 2015).

Big Data kan också förse verksamheter med nya affärsmöjligheter. När man har samlat in data som mättar de strategiska behov man har formulerat i ett inledande skede, så har man sannolikt mycket data vilken har potential att bidra med nya affärsmöjligheter. Det finns många exempel på företag som tack vare data har expanderat till nya områden eller som ändrat sin affärsmodell. Rolls Royce har till exempel gått från att sälja jetmotorer, alltså en produkt, till att omvandla detta till en tjänst. Genom att utrusta jetmotorerna man säljer med diverse olika sensorer kan man nu övervaka motorns status och förser kunder med underhållning av motorerna de säljer. På detta sätt har data transformerat Rolls Royce affärsmodell från att vara en produktbaserad organisation till att bli en tjänstedriven organisation. Nu står underhållningsintäkterna för cirka 70% av företagets årliga vinster. Det finns alltså stor potential att data optimerar, förändrar eller ersätter befintliga affärsmodeller (Marr, 2015).

2.4 Artificiell Intelligens och värdeskapande

Informationsteknologi har under den senaste tiden påverkat kärnprocesser och verksamheter på ett vis man aldrig tidigare kunnat förutspå (Lichtenthaler,2019). Integrationen av IT kan ha stor påverkan på en verksamhets ekosystem, speciellt om man tittar på hur de påverkar relationen mellan företaget dess kunder, partners och framtidsutsikter. IT spelar också en stor roll om man tittar på hur företags processer förändras i takt med att teknologin förändras och utvecklas (Lichtenthaler,2019). Idag är AI (Artificiell intelligens) den stora IT applikationen som alla företag vill implementera i sin verksamhet. Under det senaste decenniet har AI genomgått en snabb utveckling och företag investerar stora mängder pengar för att försöka hänga med i utvecklingen (Lichtenthaler,2019).

beskriver hur artificiell intelligens uppstår när datorer går samman och genomför aktiviteter bortom mänsklig förmåga. Idag är det nästintill ett måste för företag att tillämpa AI, då datamängderna som finns tillgängliga är för stora för att hanteras av människor. Han beskriver också hur AI är en annorlunda förändring gentemot annan teknologi som har kommit innan, då AI innebär datorer och maskiner som jobbar självständigt, utan att nödvändigtvis behöva mänsklig uppsyn (Donald, 2019). Teknologin kring AI kan ur många avseende vara svår att förstå. Det finns ett flertal olika teknologier och många av dem överlappar med varandra samt kräver en hel del tekniskt kompetens. I stället för att titta på teknologin kan man fokusera på hur AI kan skapa värde för organisationer. Davenport (2018) lyfter fram 3 huvudsakliga sätt AI kan påverka organisationers processer;

• Automatisera strukturerade och repetitiva arbetsprocesser vilket oftast sker med hjälp av robotar.

• Skaffa insikt med hjälp av omfattande analyser av Big data, vilket oftast sker med hjälp av maskininlärning.

• Samarbetar med anställda och kunder genom att använda sig av diverse språkbearbetningsverktyg. Detta kan vara alltifrån chatbots till "alexa" eller “ google assistant"

Ett viktigt begrepp inom AI är Machine Learning (härefter ML). Detta begrepp syftar på maskiners förmåga att utifrån exempel lära sig och applicera den kunskapen på liknande problem. Tidigare har algoritmer haft ett förprogrammerat syfte, men med ML kan algoritmer lära sig och dra egna slutsatser utifrån tillgängliga data (Brynjolfsson & McAfee, 2017). Idag finns det enorma mängder data tillgängliga, och därför behövs automatiserade metoder för dataanalys. Den viktigaste aspekten för att förstå sig på ML är hur dem differerar från "vanliga" maskiner. Maskiner är uppbyggda och utvecklade av människan. De senaste 50 åren har människan utvecklat maskiner och använt sig av kod för att förbättra maskinernas förmåga att utföra specifika uppgifter. Det har alltså varit människans kunskap som har satt begränsningen för vad en maskin eller applikation kan utföra och hur välutvecklad den är. Det är detta tillvägagångssätt som är den fundamentala svagheten med att människor utvecklar maskiner. En människa besitter en mängd av ”tyst kunskap” som i många lägen är helt omöjligt att skriva instruktioner för. Till exempel kan en människa inte beskriva hur man känner igen en bekants ansikte från avstånd eller hur man har lärt sig att cykla. Det är denna typ av kunskap som vi tidigare inte har kunnat lära maskiner och det som skiljer vanlig systemutveckling från ML (Brynjolfsson & McAfee, 2017).

självlärande algoritmer som kan klara av problem som människor har svårt att utföra. Enkelt förklarat kan man se ett artificiellt neuronnät som ett system vilket efterliknar funktionen i ett biologiskt neuronnät. Till exempel en människas hjärna. Det som kännetecknar ett neuronnät är att det måste tränas innan det kan användas. Nätet arbetar i två faser där det första fasen är inlärningsfasen och den andra är tillämpningsfasen. Om man till exempel tittar på en chattbot och hur man tar fram den kan man på en ungefär förstå hur ett artificiellt neuronnät fungerar. I den första fasen tränar man in chattboten på vanliga frågor och vad man bör svara på dessa. I den andra fasen ska chattbotten ha lärt sig tillräckligt mycket för att kunna svara på triviala frågor utan någon hjälp från människan. Detta är en enklare form av Deep Learning. Ett mer avancerat exempel skulle vara hur artificiella neuronnät arbetar inom data mining eller visa typer av mönsterinkänning (Wamba-Taguimdje et al, 2020).

Utvecklingen av AI kan i många avseenden ha stor påverkan på organisationer, men det gäller också att ta AI med en nypa salt. Om uppgiften är att bota cancer eller att fixa fattigdomen som finns i världen är AI förmodligen inte lösningen. Om uppgiften däremot inte är alltför komplex kan AI bidra med möjligheter och fördelar till de flesta företag. Mest troligen kommer AI inte helt förändra organisationers arbete eller individuella prestationer vilket många verkar tro. AI kan dock bidra med till exempel ett effektiviserat arbetsflöde eller fungera som stöd för beslutsfattande. Företag har en tendens att överskatta effekten av teknologi om man tittar kortsiktigt

medan man underskattar vad teknologin kan medföra

långsiktigt (Davenport, 2018). Verkligenheten att AI-verktyg är svåra att arbeta med är något många företag inser först efter dem har implementerat verktyget i organisationen. Att använda sig att AI kan i många lägen kännas lockande och tilltalande men det gäller att man som företag känner till alla utmaningar som verktygen kan leda till (Tarafdar et al, 2019).

2.5 Människa-AI symbios

I takt med att AI blir alltmer lättillgängligt och att fler organisationer tillämpar AI uppstår det en del frågor kring hur AI kommer påverka organisationer, specifikt arbetsfördelning i organisationer. AI har rankats som den teknologi som har mest disruptiv effekt på verksamheter idag. Vidare visade en undersökning av Accenture att cirka 85% av företag har planer på att göra stora investeringar i AI. (Jarrahi, 2018).

När man pratar om AI hamnar man ofta i en diskussion om hur teknologin kommer prestera bättre än människor och göra människor oväsentliga i organisationer. Ett problem med denna diskurs är att man ignorerar de egenskaper som gör att AI och människor kan agera i symbios och komplettera varandra, och uppnå ett gemensamt lärande. (Jarrahi, 2018).

bidrar mest. Intuitivt beslutsfattande är när beslut inte är helt grundade i analys eller information, utan besluten grundas snarare i sunt förnuft. Människor har erfarenheter och tidigare kunskap vilka har format en djupare förståelse än vad rationellt tänkande erbjuder, och är därför också ett område där människor ofta presterar bättre än vad AI gör. Vidare är AI mindre kompetent när det kommer till osäkra situationer där informationsunderlaget inte nödvändigtvis är tillräckligt för att tillämpa analytiskt beslutsfattande, där människor ändå kan se en helhetsbild och lyfta frågan till en mer abstrakt nivå. (Jarrahi, 2018).

Här finns det en möjlighet att komplettera varandra. Genom att kombinera AI:s förmåga att snabbt samla in information och analysera denna, med människans sunda förnuft och förmåga att lyfta saker till en abstrakt nivå, kan man få en effektiv kombination (Jarrahi, 2018). Jarrahi (2018) lyfter sociala medier som ett exempel på detta. AI är bra på att upptäcka mönster och avvikelser i data. Detta gör att botar kan upptäcka stötande och opassande material på sociala medier. AI beslutar dock inte om huruvida man ska ta bort inläggen direkt, utan dessa inlägg presenteras istället för människor som tar det slutgiltiga beslutet. Detta eftersom man kan se en helhetsbild som inte AI:n kan se. Samma princip gäller i organisationer. AI kan bidra med snabba analyser och upptäcka mönster som inte människor kan se (i alla fall inte lika snabbt), men människor har än så länge en överlägsen förmåga att lyfta informationen och ta beslut som AI:n inte tycker är logiska (Jarrahi, 2018).

2.6 Summering av relaterad forskning

För att ta reda på hur lättillgängliga AI-verktyg påverkar organisationers värdeskapande behövde vi lyfta fram ett antal saker. Vi behövde bland annat ta reda på hur IT och värdeskapande hör ihop. Vi behövde även veta mer om AI och hur organisationer använder sig av det idag. Där vi till slut landade var i människa-AI symbios, vilket verkar vara där fokus inom Informationssystems-forskning kring AI ligger för tillfället. Detta hjälpte oss identifiera det forskningsgap som vi i denna uppsats kommer försöka fylla. Lättillgängliga AI-verktyg och dess påverkan på organisationer är inte något som har studerats särskilt mycket. För att kunna dra slutsatser om detta behövde vi en sammantagen bild av både hur värde skapas med IT generellt men också hur AI bidrar till värdeskapande. Inget av det vi lyfter behandlar specifikt lättillgängliga AI-verktyg, utan ligger snarare till grund för att skapa en förståelse kring den eventuella påverkan verktygen kan ha i framtiden.

3. Teoretiskt ramverk

3.1 Fem viktiga dimensioner för att jobba med AI

Datakompetens

Datakompetens är något som är viktigt ifall man vill kunna arbeta med AI. Många organisationer inser dock inte hur viktigt det faktiskt är att ha anställda som är utbildade och besitter en hög datakompeten. När man arbetar med big data och AI krävs det att man har kunskap kring hur man hanterar, städar, taggar och analyserar väldigt stora mängder data. Man ska även kunna hantera en mängd olika programmeringsspråk för att faktiskt kunna implementera och utföra förändringar med avancerade verktyg. Om man inte har denna kompetens “inhouse” kan det bli en dyr affär ifall man blir tvungen att hyra in denna typ av kompetens från externa organisationer. Företag som är seriösa med att arbeta med AI-verktyg behöver alltså antingen anställa eller ha resurser för att kunna hyra in konsulter som är har tillräckligt hög digital kompetens (Tarafdar et al, 2019).

Domänkunskap

Om ett AI-projekt ska kunna bli lyckat krävs det även att man har individer med en hög domänkännedom. Att ha domänkunskap innefattar att man har en tidigare kunskap kring liknande projekt. Domänkunskap är nödvändigt för att kunna förstå vilka processer, uppgifter och vilken typ av kultur som existerar på organisationen samt hur AI-projektet ska kunna utveckla dessa. En vanlig fallgrop för organisationer som börjar att arbeta med AI är att utveckla ett system som i praktiken ska kunna fungera men som i verkligen inte passar in i den givna kontexten. Det är en sak att utveckla ett avancerat AI-verktyg som kan hantera stora mängder med data men en helt annan sak att faktiskt kunna få ut ett värde av verktyget. Om individerna som arbetar med ett AI-projekt inte besitter någon domänkunskap finns det en risk att verktyget som tas fram inte kommer kunna bidra med något faktiskt värde till organisationen (Tarafdar et al, 2019).

Expertis inom företagsarkitektur

Ytterligare en fallgrop när man implementerar AI-verktyg är att organisationen inte inser hur stor förändring som krävs för att få ut ett värde av det nya verktyget. Om man ska kunna få ut ett värde krävs det oftast att man utför en hel del organisatoriska förändringar. AI- verktyg bidrar oftast inte bara ett värde genom att hantera och analysera data, utan värde tas ut när organisationen har ändrat sina processer och organisationskultur. Det är därför man behöver någon form av expertis inom företagsarkitektur. Individer med kompetens inom detta område ser till att organisationen ändrar vad som är nödvändigt och ser till att övergången flyter på under förändringsarbetet. Vid implementationen av ett nytt AI- verktyg är det bra att man har en person som vet vilka roller som behövs fyllas och vad som kan behöva ändras för att verktyget ska kunna leda till ett värdeskapande (Tarafdar et al, 2019).

IT-infrastruktur

inget verktyg kan nämligen fungera inom en organisation utan någon sorts koppling till de övriga verktygen och AI-verktyg är inget undantag. Som tidigare nämnt kräver AI-verktyg att man kan hantera stora mängder med data och "städa" upp den så att den håller en tillräckligt hög kvalité. Det är IT-infrastrukturen som ska se till att detta är möjligt och att det nya verktyget går att anpassa på ett sådant sätt att det funkar ihop med de övriga (Tarafdar et al, 2019).

Digital nyfikenhet

Som tidigare nämnt kan man inte se AI som lösningen på alla världens problem (Tarafdar et al, 2019). AI-verktyg kan inte heller alltid leverera definitiva svar på problem som organisationer försöker tackla. Algoritmer kan i stället ta fram förutsägelser baserat på sannolikheter. Till exempel vad en chattbot "borde" svara ifall en kund chattar in och ställer en fråga, eller vad sannolikheten att en kund köper en viss produkt. Oftast måste det vara en anställd som arbetar med AI-verktyget som ska analysera vad organisationen ska ta för beslut baserat på vad AI-verktyget har förutsatt. På grund av detta krävs det även att de anställda har någon form av digital nyfikenhet. I slutändan är det de anställda som ska vilja ifrågasätta och utvärdera data som tas fram av AI-verktyget (Tarafdar et al, 2019)

4. Metod

I det här avsnittet presenteras val av metod, hur vi genomförde vår studie samt en motivering till varför vi har valt att utföra studien med hjälp av denna metod. Avsnittet avslutas med att vi kritiserar vårt metodval och granskar ifall vi hade kunnat göra något annorlunda.

4.1 Bakgrund

4.2 Metodologiskt angreppssätt

Valet av metod grundar sig i ett antal aspekter. Syftet med studien är att undersöka hur lättillgängliga AI-verktyg påverkar värdeskapande i organisationer. En vanlig metod för att undersöka detta är att göra en fallstudie på ett företag som arbetar med ett sådant

verktyg. Anledningen till varför vi inte valde att göra en fältstudie beror på att den sortens studie hade inneburit att vi, för att kunna dra några slutsatser, behövt kolla på hur

verksamheten har påverkat över en längre period. Eftersom studien undersöker ett nytt fenomen har detta inte varit ett alternativ. En vanlig kritik mot fallstudier är också att dess fokus på ett enda studieobjekt resulterar i att de fynd man gör inte kan generaliseras till andra områden (Tellis, 1997). Istället har vi valt att genomföra en dokumentanalys i kombination med en retrospektiv reflektion. Detta grundar sig i att vårt fokus har varit att ta reda på hur Peltarions verktyg är utformat och ta reda på hur verktyget kan bidra med värde till organisationer. Detta tillåter oss sedan att dra mer generella slutsatser och lyfta fenomenet till en högre abstraktionsnivå, snarare än att endast bidra med förståelse för hur en given organisation har arbetat med denna typ av verktyg. Denna form av analys har självklart sina brister vilket vi kommer lyfta fram senare under denna metodUrval av litteratur

4.2.1 Insamling av empiri

För att kunna göra ett kunskapsbidrag behövde vi ta reda på vilken typ av forskning som var relevant för att besvara forskningsfrågan. De gjorde att vi initialt genom att fokuserade på begrepp som. AI, värdeskapande, Big Data och Machine Learning. Med hjälp av dessa nyckelord letade vi sedan fram böcker och artiklar som berörde området och fördjupande våra kunskapar. Parallellt med att vi påbörjade vår undersökning av Peltarions plattform kompletterade vi även vår litteraturgranskning med nya artiklar. Under denna period dök det inte upp några nya sökord men vi skapade oss en bredare kunskap kring hur analysen skulle gå till samt bidrog med forskning som stöttade vår diskussion. Innan vi valde att använda oss av några artiklar eller böcker granskade vi samtliga för att säkerställa att dem var aktuella, pålitliga och relevanta till vår studie.

4.2.2 Insamling av empiri

Dokumenten är hämtade från Peltarions hemsida och innefattar bland annat, “Customer stories”, användarmanualer och funktionalitetsbeskrivningar.

4.3 Dataanalys

4.3.1 Dokumentanalys

Syftet med studien var att undersöka hur lättillgängliga AI-verktyg kan påverka värdeskapande i organisationer. För att göra detta genomförde vi bland annat testning av Peltarion för att förstå dess funktionalitet, men vi vill också få en bild av hur Peltarion menar att verktyget ska skapa värde för organisationer. För att få en förståelse för detta har vi genomfört en dokumentanalys. Att genomföra en dokumentanalys är att systematiskt utvärdera och granska dokument för att öka förståelsen kring ett specifikt problem. Eftersom dokumentanalys är en kvalitativ ansats kräver det att forskaren tolkar och analyserar innehållet för att komma fram till några slutsatser (Bowen, 2009). Dokumentanalys är en metod som ofta kombineras med andra vetenskapliga metoder, för att få olika perspektiv på ett och samma fenomen. Det är också så vi har använt dokumentanalys i vår studie, då vi dels har testat plattformen och dess funktionalitet, men också analyserat hur Peltarion menar att plattformen skapar värde för organisationer som använt verktyget. Användningen av dokument är relevant för att bidra med kompletterande data kring ett problem (Bowen, 2009).

Val av dokument: Analyserade data:

The journey toward precision farming

‘

https://peltarion.com/customer-stories/svegro

Data om hur Peltarion har skapat värde för organisationer samt vilken AI-teknologi som har använts.

AI + market research as a path to smarter, faster & bolder decisions

https://peltarion.com/customer-stories/ai-in-market-research

Data om hur Peltarion har skapat värde för organisationer samt vilken AI-teknologi som har använts.

Användarmanualer

https://peltarion.com/knowledge-center/documentation

Data om hur Peltarions plattform är uppbyggd samt hur den fungerar.

Funktionalitetsbeskrivning

https://peltarion.com/solutions

Data om hur Peltarion marknadsför sin plattform samt vilka AI-teknologier som plattformen använder sig av.

Figur 3, Dokumentmall

4.3.2 Retrospektiv reflektion

Med hjälp av en retrospektiv reflektion har vi undersökt ett lättillgängligt AI-verktyg. Begreppet är lånat från en designteori och används för att designers kan kunna förbättra deras designförmåga (Löwgren & Stolterman, 2004). Tanken med detta är att designer ständigt ska vara uppmärksam av sin omvärld och hur den existerade designen ser ut omkring hen. Om en designer aktivt reflekterar över vad den faktiska avsikten med en produkts design kan hen både utveckla sin egen design med också skapa sig en förståelse kring andras. För att koppla detta till vår studie har vi tillämpat en retrospektiv reflektion för att undersöka hur Peltarion har tänkt när dom har designat sin plattform. Detta avser hur Peltarion har format funktionaliteten på sin produkt för att uppnå den lättillgänglighet de marknadsför. Detta genomfördes genom att ställa reflektiva frågor kring verktyget under tiden vi analyserade det. Löwgren & Stolteman (2004) beskriver hur reflektiv reflektion sällan leder till en definitiv förståelse kring idéerna och värderingarna man hade vid utformningen av en produkt. Den retrospektiva reflektionen ökar snarare medvetenheten om vad som kan ha skett och vilka tankar en designer kan ha haft vid utformningen av produkten, och tvingar därmed den som reflekterar att komma på argument till varför plattformen är byggd som den är.

I retrospektiv reflektion jobbar man bakåt, för att förstå hela designprocessen (Löwgren & Stolteman, 2004). Det är också så vi har gått tillväga i vår studie. Syftet med detta har varit att öka förståelsen kring utformningen av verktyget samt att försöka förstå vad Peltarion vill uppnå. Detta innefattar inte bara hur verktyget fungerar, utan också hur man erbjuder det till kunden. Under vår analys förhöll vi oss därför till ett antal reflektiva frågor som vi formulerat på förhand. Dessa frågor var:

• Hur har Peltarion utformat plattformen för att öka lättillgängligheten? • Hur erbjuds tjänsten till kunderna?

• Hur vill Peltarion med hjälp av plattformen skapa värde för kunden?

4.3.3 Tematisering och kodning

teman, samt en innehållsanalys. Bowen (2009) yrkar för att man i en inledande fas bör genomföra en innehållsanalys där man identifierar ord och meningar som potentiellt kan hjälpa besvara en given forskningsfråga. I denna fas skumläser man dokumenten. Efter det genomför man en tematisk analys där man läser dokumenten noggrant och tydliggör de kategorier och teman man kommer använda sig av, och därefter lägger man in den data man har i dessa kategorier (Bowen, 2009) Kategorisering är organisering av stora mängder data som underlättar identifikationen av egenskaper och möjliga förhållanden mellan olika delar av empirin, och är således en viktig del av dataanalys (Saldana, 2011). Det är också så vi har genomfört vår dataanalys. I en inledande fas tog vi ut värdeord och information som var relaterat till vår forskningsfråga. Därefter läste vi dokumenten igen och delade in de i kategorier vilka var grundade i de dimensioner vi lyfter i det teoretiska ramverket. Vår tematisering utgick från att försöka identifiera mönster och likheter i texterna som vi har analyserat (se dokumentmall). Vi började med att kolla efter kopplingar till begreppet “datakompetens” för att sedan systematiskt jobba oss ner i listan. Bowen (2009) menar att kategorier kan vara förbestämda när data som samlas in via dokument fungerar som komplement till en annan datainsamlingsmetod, vilket vi gjorde i vår studie. Nedan visas två exempel på hur kategoriseringen och tematiseringen av data har genomförts;

Kategori Kodning/värdeord

Datakompetens And for a company already skilled in

data processes, the potential with adding AI is tremendous

Domänkunskap Svegro wanted both a better way to track

the growth of their plants to optimise their production timelines, and had two key interest areas that they wanted to explore further:

Figur 4, Exempel på tematisering och kodning

4.3 Metoddiskussion

påverka marknaden. Det hade också gett en djupare förståelse för de värde Peltarion vill skapa, och hur man ämnar uppnå detta. Sedan hade de självklart varit bra ifall vi hade kunnat bredda vår dokumentmall för att inte enbart förlita oss på källor som anses vara marknadsföring. Vi valde dock att utföra vår studie på ett sådant sätt att vi inte enbart förlitade oss på dokumentmallen. Som vi nämnde tidigare ville vi säkerställa validiteten och reliabiliteten genom att utföra vår egen testning av verktyget. Detta för att säkerställa att vi följde en vetenskaplig metod som inte var befläckad av subjektiv empiri.

4.4 Etiska överväganden

Vi har under studiens gång följt Vetenskapsrådet grundläggande principer för god forskningssed (Vetenskapsrådet, 2018). Vetenskapsrådet (2018) lyfter fram forskarens relation till forskningsuppdraget som en viktig del i god forskningsetik. Eftersom vi utförde en dokumentanalys var vi tvungna att se till att inte delge oss av någon form av känslig information kring individer eller företag, vilket går under principen respekt som Vetenskapsrådet lyfter som en viktig princip för god forskningssed (Vetenskapsrådet, 2018). De principer vi har förhållit oss till mest är tillförlitlighet och ärlighet. Tillförlitlighet handlar om studiens kvalitet, och behandlar frågor som studiens design och val av metod. Ärlighetsprincipen handlar om att vara transparent i sin forskning. I vår studie har vi använt oss av mycket marknadsföring, och det har därför varit viktigt att vi är transparenta med hur vi har genomfört studien, och att vi har sett till att studien är objektiv (Vetenskapsrådet, 2018)

5. Resultat och analys

Resultatet är uppdelat i två huvudsakliga avsnitt. Först kommer en beskrivning av Peltarions funktionalitet vilket är utfallet av vår testning. Efter det följer en analys där det testningen har visat analyseras i relation till det teoretiska ramverk som ligger till grund för resultatet.

5.1 Plattformens funktionalitet

Peltarions tjänst är byggd på förtränade neurala nätverk vilka man endast behöver träna på de dataset man önskar. Peltarion har också ett väldigt lättillgängligt gränssnitt, vilket går i linje med att plattformen ska vara lätt att använda för alla. Plattformen låter användaren göra allt från att bygga modeller, bearbeta data till att sätta dem i produktion. Peltarion är också molnbaserad vilket tar bort hindret som företag ofta stöter på med att lagra stora mängder data, det ökar också takten från vilken man börjar bearbeta data till att man kan operationalisera AI-modeller. Plattformen är utformad så att man ska kunna utveckla en tränad AI-modell på några få klick.

Figur 5. Datavyn i Peltarion

5.2 Modellöversikt

Resultatet kommer utgå från ett dataset, där huvuddatan är en bild på siffror, som visas i figur 6. Denna data kommer vara utgångspunkten och användas för att demonstrera hur man kan bearbeta data och använda den för att träna AI-modeller.

Figur 6. Visar på dataset

Figur 6 visar data som modellen kommer tränas på. Syftet med denna AI-modell är att kunna urskilja siffror som syns på bilder. Om man till exempel lägger in en bild som visar siffran 8 ska modellen kunna framföra detta till användaren.

När man har fört in den data man ska jobba med och är redo att börja bygga en AI- modell kommer man till “Experiment Wizard” som visas på figur 7. Här bestäms grunderna för vad modellen ska göra, vilket är till exempel vilken input man vill ha, dvs om man vill mata modellen med text, bilder eller siffror. Sedan definierar man också target, vilket är vad modellen ska identifiera och producera, target kan också beskrivas som output. Experiment wizard är smart, och kan själv identifiera vilken data som bör vara input och target, och ofta behöver användaren bara kontrollera att det ser bra ut. På tredje sidan hittar man snippets där det finns olika typer av språk som används för att analysera data, och dessa anpassas efter vilken data man har fört in i programmet. Om man vill analysera en bild föreslår programmet till exempel att man ska använda sig av CNN, vilket står för

Convultional neural networks. CNN används för att identifiera till exempel kanter och

Figur 7. Här visas “Experiment Wizard”

Figur 8. Bild över modellöversikten

5.3 Evaluation View

Under "evaluation view" kan man som användare i realtid se hur väl ens modell utför arbetet man har tränat den för. Om man i detta skede märker att modellen inte utför arbetet lika bra som man har tänkt kan man gå tillbaka till "modellöversikten" och utföra mindre förändringar på modellen. Under evaluation view kan man välja mellan två olika element vilket visar på hur väl modellen presterar. Dels kan man analysera data under "Loss and metrics". Detta element visar en relativt generell information kring hur väl modellen arbetar (se figur 9). Dels kan man se vilken procentsäkerhet modellen kan leverera, dels hur trovärdigt resultatet kommer att vara. Man får även upp en linjär skala som visar på hur väl modellen arbetar på ett överskådligt vis.

Figur 9. Visar “Evaluation View”

till detta kan vara att modellen inte har tränats tillräckligt mycket. Man kan då gå tillbaka och ge modellen fler exempel och tid för att lära sig urskilja dessa typer av problem med större pricksäkerhet.

Figur 10. Visar på “Prediction’s inspection”

5.4 Deployment View

När modellen är tränad och redo att sättas i bruk kommer man till “Deployment view” (se figur 11)

En modell man har tränat på Peltarion kan användas i andra applikationer som verksamheten använder sig av. Genom Peltarions “Deployment API” kan man hämta en eller flera förutsägande modeller åt gången. När man ska distribuera en tränad modell erbjuder Peltarion ett antal olika tillvägagångssätt, vilka beror på organisationens tekniska kompetens. På varje tränad modell har man till exempel möjlighet att modifiera modellen genom deras öppna API. Ett öppet API kan man använda både för att hämta och lämna information. Tack vare att Peltarion har ett öppet API kan man skicka data till den tränade modellen och få tillbaka förutsägelser. Att använda Peltarions API kräver en del kompetens inom programmering och specifikt Python, vilket gör att detta alternativt blir begränsat till organisationer som har teknisk kompetens inom området.

I figur 12 visas Peltarions API-tester, där man kan testa huruvida modellen fungerar eller inte. Som man ser i figur 12 visas en hel del information, bland annat en URL, vilket är modellens identifikation. Med hjälp av URL:en kan man skicka den tränade modellen till andra som man vill ska ha tillgång, samt integrera den med egna applikationer. Det visas också information om vilken input modellen har, vilket i detta fall är bilder. Det finns också information om vilken typ av output modellen ska presentera för användaren. I figur 12 nyttjas den modell som har tränats att hitta siffror ur bilder, och för att testa om modellen fungerar eller ej läggs en bild på siffran fem in. Som figur 12 visar lyckades modellen identifiera vilken siffra som visades på bilden, och kan därför bedömas fungera och vara redo att användas på andra bilder.

Figur 12. Visar på API tester

5.5 Peltarions Paketering

komma igång att arbeta med plattformen har Peltarion skapat välutvecklade användarguider för hur plattformen fungerar och vad man kan göra. De har bland annat ett antal kurser man kan skriva upp sig på när man skapar en användare på hemsidan. I grund och botten är Peltarions plattform en prenumerationsbaserad affärsmodell som baseras på hur många användare och projekt man vill arbeta med. Peltarion erbjuder däremot en gratisvariant som ger tillgång till plattformen i 5 timmar och möjligheten att ta del av de kurser som finns.

5.6 Plattformens tekniska komponenter

Plattformen består av en mängd olika tekniska komponenter som samverkar för att skapa ett avancerat AI-verktyg. Peltarions plattform använder sig bland annat av "Bert" vilket är en maskininlärningsteknik som släpptes av Google under 2018. Tekniken har tränats upp för NLP (Natural language processing) och använts bland annat av Google för att bättre förstå sig på sökningar man utför på deras sökmotor. Bert har som sagt tränats upp av Google under en längre period och vad detta medför är att de inte krävs lika mycket data för plattformen att skapa en väl fungerade modell. Plattformen har som vi nämner en rad olika AI-verktyg vilka baseras på den data man använder sig av. Man kan till exempel arbeta med text, bilder och videos och vilken AI-metod man använder sig av baseras på detta, och verktyget föreslår automatiskt vilken metod som är lämpligast.

5.7 Hur har företag använt sig av plattformen?

Som tidigare nämnt är Peltarions plattform skapad för att kunna nyttjas av alla verksamheter oavsett storlek och teknisk kompetens. Peltarions lättillgänglighet har påverkat vilka kompetenser som är nödvändiga att besitta för att tillämpa AI. Till exempel har kompetens inom data och programmering tidigare varit en central del för att kunna integrera AI i verksamheten. Peltarion förändrar dock detta, och det krävs inte längre samma tekniska kompetens. Med hjälp av Peltarion och liknande plattformar kan företag istället outsourca den kompetensen och fokusera på hur man kan skapa nytt värde med hjälp av AI. Vi kommer under detta stycke lyfta fram två företag som på ett framgångsrikt sätt lyckas att implementera Peltarions tjänst. Senare under resultat kommer vi lyfta fram vilka typer av kompetenser som krävs för att arbeta med plattformen

5.7.1 Ipsos

framför sig, för att presentera bra alternativ att välja mellan. Detta resulterar i att Ipsos kunde hitta nya effektiva sätt att bedriva sina marknadsundersökningar. Genom att ändra frågan “hur gammal är du?” till “När är du född?” hittade man till exempel ett sätt att göra frågan relevant även i framtiden, istället för att den bara är relevant en kort period efter frågan besvarades. Det sparade också i många fall tid eftersom AI-modellen själv genererade frågor, vilket innebar att man inte behövde lägga resurser på att utforma nya frågor (Peltarion, 2021).

5.7.2 Svegro

Svegro är ett svenskt örtodlingsföretag som har använt Pelatarions plattform för att bli mer miljövänliga samtidigt som dem ville öka deras ekonomiska vinst. Svegro har tre trädgårdsodlare som arbetar med över 55,000 kvadratmeter av mark för odlingen. Ett av det mest tidkrävande uppgifterna var att ständigt hålla koll på höjden på plantorna för att kunna veta när dem är redo för försäljning. Svegro började därför att arbeta med Peltarions plattform för att kunna ta fram ett verktyg som kan förutspå höjden på en planta med hjälp av bilder. AI-tekniken de använder sig av är alltså en bildregressions teknik som har tränats upp i plattformen. Modellen tränades sammanlagt på cirka 6000 bilder för att kunna avgöra vilken höjd en planta har för tillfället (Peltarion, 2021).

Svegro ville med hjälp av plattformen kunna urskilja höjden på en planta utan att behöva vara på plats. Som tidigare nämnt installerade dem kameror på arbetsplatsen och använda sig av plattformen för att skapa en AI-modell som kan avgöra hur hög en planta är i realtid. De ville även skapa sig en större överblick kring de övriga faktorerna som spelar in när man ska odla plantor inomhus. Resultatet för Svegro blev att dem kunde få fram en ungefärlig höjd på plantan redan vid odlingen och en tidpunkt för när dem är redo för att säljas vidare. Med hjälp av plattformen och den övriga utrustningen som Svegro har installerat på plats har deras processer förbättrats avsevärt. De behöver bland annat inte har anställda på plats under alla tider under dygnet för att övervaka plantorna. De kan även få fram ett ungefärligt tidschema på när plantorna är redo för försäljning redan vid odling då plattformen kan beräkna hur hög en planta kommer vara vid olika tidpunkter (Peltarion, 2021).

5.8 Vad krävs för att arbeta med Peltarions plattform?

Tidigare tog vi upp två företag som använts sig av Peltarions plattform. Men vad krävdes av dem och vilken typ av kompetens krävdes av företagen?

I vår analys kunde vi se att utformningen av plattformen och dess tillgänglighet hade stor potential att ha påverkan på hur organisationer bedriver sin verksamhet. En utmaning med AI har tidigare varit den tekniska kompetens som behövs för att tillämpa den. Utifrån vår undersökning kunde vi se att verktyget sänkte denna tröskel, och verksamheter behöver inte längre samma tekniska kompetens för att tillämpa AI. Detta i sin tur innebär att AI inte längre behöver vara något som verksamheter drar sig för att investera i.

skapat ett enkelt och användarvänligt gränssnitt som inte känns kladdigt och överflödigt. Sedan har de tagit i beaktning att användarna som vill testa på plattformen förmodligen besitter olika nivåer av teknisk kompetens. Både när det kommer till att arbeta med tekniska verktyg och hur AI fungerar generellt. Som vi nämnde under resultatet fick man till en början valmöjligheten att gå en kurs för hur plattformen fungerar samt en kurs för vad AI är och historian kring AI i allmänhet. Efter avslutad kurs kände vi oss än redo att börja använda verktyget och utforska vad man skulle kunna åstadkomma med det. Detta anser vi vara en viktig aspekt när företag ska börja med att arbeta med AI-verktyg. Det är dels en viktig aspekt då verktyget väcker en form av nyfikenhet, dels att tröskeln för att arbeta med verktyget inte är särskilt hög.

I vår studie kunde vi se att Peltarions verktyg erbjuder en lösning där man har möjlighet att utföra majoriteten av det uppgifter som är kopplat till data, oavsett om det gäller analys, visualisering eller taggning av data. Något vi även kunde se var hur pass anpassningsbar plattformen var. Beroende på vad företagen vill arbeta med finns det tränade avkodare som hjälper att bygga en tränad AI-modell. Eftersom Peltarion erbjuder allt detta på en och samma plattform, minskar också behovet av att ha många olika verktyg som är relaterade till dataarbete, och minskar också mängden resurser som krävs för att börja arbeta med AI.

Datakompetens – Inte längre en nödvändighet för att tillämpa AI

Datakompetens har tidigare varit en nyckelkomponent för att kunna utnyttja AI. Datakompetens innefattar bland annat programmeringsförmåga samt förmågan att bearbeta data. Peltarions verktyg förändrar dock detta. I exemplet med Ipsos hade man till exempel inte någon hög grad av teknisk kompetens, men man kunde med hjälp av Peltarion ändå implementera en AI-lösning vilken effektiviserade verksamheten. Detsamma gäller Svegro, men dom behövde dock få hjälp med de tekniska aspekterna och tog in ett konsultföretag som hjälpte dem med att komma i gång med plattformen och ta fram modellen. Den tekniska kompetensen som krävs för att komma i gång med plattformen är inte särskilt hög men om man som företag inte besitter någon teknisk kompetens kan det vara fördelaktigt att ta hjälp av ett annat företag för att komma igång. Med hjälp av Peltarion kunde Ipsos använda sig av AI för att träna en modell som grundade sig i Natural Language Processing och med hjälp av 90 000 tidigare marknadsundersökningar träna en modell som kunde föreslå liknande frågor som den användaren har framför sig. I samma linje kunde Svegro använda sig av “Image Regression” för att med hjälp av AI bedöma höjden på olika plantor. Det plattformen gör är att den erbjuder avancerad teknologi genom ett användarvänligt medium, där användaren inte behöver ha någon särskild kunskap om teknologin som används. Eftersom datakompetens blir mindre relevant när man integrerar Peltarion i verksamheten blir domänkunskap dock viktigare (Peltarion, 2021).

Domänkunskap – En förutsättning för värdeskapande

verktyg som i praktiken ska fungera, men det är upp till företagen som vill använda plattformen att se till att det fungerar för den givna kontexten. Samma gäller Svegro som också använde sig av sin domänkunskap för att få ut ett värde av plattformen. Domänkunskapen var en central del då det inte bara är höjden på plantan som avgör ifall den är redo för försäljning. Vid odlingen av plantorna krävs det även att man har koll på vilken temperatur, ljus och hur koldioxidnivåerna ser ut inne på anläggningen. För att ta fram detta placerade dem även ut sensorer som mätte samtliga faktorer. Med hjälp av Peltarions plattform kunde de sedan få fram en instrumentbräda som presenterar all data på ett enkelt och smidigt sätt. Utan domänkunskapen hade denna information inte varit av någon vikt då gemene man inte skulle kunnat lista ut vad man ska göra utav den (Peltarion, 2021).

IT-infrastruktur – Peltarions underlättar, men vissa utmaningar kvarstår

IT-infrastruktur är och förblir en central del i att implementera nya verktyg i en organisation. Att implementera ett nytt verktyg är en stor utmaning, eftersom den behöver integreras väl med verksamhetens andra verktyg och program. Peltarion är inget undantag. Verktyget är designat på ett sätt så att det ska vara lätt att integrera med plattformar just av denna anledning. När man har tränat en modell i Peltarion skapas det till exempel en URL, vilket är en länk till modellen, som kan användas i andra verktyg som finns i organisationen. IT-infrastrukturen har också som uppgift att se till att organisationen har möjlighet att arbeta med stora mängder data och städa upp denna och även här bidrar Peltarion med en lösning. Peltarion är utvecklad för att kunna hantera just detta, och eliminerar många av de utmaningar företag tidigare har haft gällande datalagring och bearbetning. Med detta sagt kvarstår fortfarande en del utmaningar med hanteringen av data. En sådan är att använda sig av “neutral” data. Om man tränar en AI-modell på data som är fördomsfull kommer även modellen att bli det. Det gäller därför att företagen är selektiva till vilken typ av data dom lägger in i modellen. Speciellt om man är en myndighet eller liknande som har en skyldighet till att vara neutrala. Peltarion tar också bort behovet av att ha olika verktyg för till exempel datahantering. Med Peltarion kan man hantera, lagra och bearbeta data i samma miljö. Det innebär att verktyg och hårdvara som tidigare har behövts för att lagra data inte längre blir lika relevanta. Det är alltså inte endast det faktum att man integrerar ett nytt verktyg, utan det kan också minska behovet av att använda andra verktyg (Peltarion, 2021).

Företagsarkitektur – Relevant för att få utväxling av verktyget

Digital nyfikenhet – Lika relevant som förut

Digital nyfikenhet är också en central faktor i att utvinna värde ur AI-satsningar såsom Peltarion. Ipsos är ett globalt företag med stark position på marknaden, men man såg ändå att det fanns potential att effektivisera verksamheten tack vare sin digitala nyfikenhet. Peltarion är en ny plattform, och genom sin digitala nyfikenhet kunde Ipsos snabbt inleda ett samarbete och lyckades generera stort värde ur plattformen. Peltarion sänker också tröskeln för att våga testa nya plattformar. Eftersom verktyget är så pass billigt och lätt att använda innebär det att företag har större benägenhet att vilja investera i och testa verktyget. Samma gäller såklart mindre företag med som har mindre kapital att röra sig med. Anledningen till att den digitala nyfikenheten var viktigt för Svegro beror på ett antal faktorer. I slutändan är det de anställda på Svegro som måste analysera data och om intresset för detta inte hade funnits skulle projektet lida. Sedan hade förmodligen aldrig projektet startat till en början om inte intresset fanns på plats. Svegro ville förbättra deras processer samtidigt som de ville försöka vara mer miljövänliga. Tack vara den digitala nyfikenheten blev detta projekt ett faktum och som de beskriver det själva är detta enbart en början på vad de vill åstadkomma med hjälp av AI (Peltarion,2021).

6. Diskussion

I detta avsnitt kommer resultatet att diskuteras och analyseras med stöd av forskningen på området för att utforska lättillgängligheten i AI-verktyg såsom Peltarion och hur de kan påverka och förändra värdeskapande i organisationer. Syftet med denna studie är att kartlägga Peltarions plattform och dess egenskaper, för att sedan undersöka hur verktyget påverkar värdeskapande i organisationer och vilken betydelse lättillgänglig AI generellt har för organisationer. Vidare kommer vi utforska vilken effekt verktyget har på kompetensbehovet i organisationer.

Vår forskningsfråga är: “På vilket sätt lättillgängliga AI-verktyg kan bidra med eller förändra värdeskapande för organisationer?”. Diskussionen mynnar ut i bidrag till både relaterad forskning samt praktiken. Vi identifierar tre huvudsakliga bidrag till forskningsområdet som vi anser ökar förståelsen kring denna fråga. Den första handlar om att verktyget skapar en demokratisering av AI. Det andra handlar om hur de infrastrukturella kraven på organisationer kan komma att förändras. Det tredje bidraget handlar om Metahuman systems och dess påverkan på organisationer. Vi identifierar även tre olika bidrag till praktiken där vi presenterar utmaningar som finns i relation till lättillgängliga AI-verktyg, och hur man kan hantera dessa.

6.1 Demokratiseringen av AI

mer ekonomiskt försvarbart att investera i AI när tjänster som Peltarion sänker kostnaderna, samt att tröskeln för att lära sig använda AI-verktyget minskar. Denna utveckling liknar Pc:ns intåg i verksamheter, där det i början av denna tekniska utveckling innebar en konkurrensfördel att ha datorer och kompetens inom området. När datorer blev en grundförutsättning i verksamheter försvann konkurrenskraften i att endast ha en dator, och det blev i stället andra saker som blev relevanta. När AI-verktyg blir tillgängliga för många fler kommer IT-management komma att få större betydelse (Boynton, 1994). IT- management och management i allmänhet involverar i hög grad beslutsfattande, delegering av arbete och en förståelse för hur anställda interagerar med uppgifter (Donald, 2019). Detta stämmer väl överens med vår analys. Att använda AI för att uppnå verksamhetens strategiska mål är svårare än att börja arbeta med AI när avancerad AI blir mer tillgänglig. När IT-management blir viktigare innebär det också att kompetenserna som är relevanta för att skapa värde med AI förändras. Det är inte längre den tekniska kompetensen som är den enskilt viktigaste. Nu är det är snarare förmågan att ställa rätt frågor, förstå vad AI kan bidra med och hur AI kan integreras med verksamhetens befintliga affärsprocesser som blir viktigt.

Infrastrukturella krav

Vår analys visar även att ett viktigt led i att arbeta med IT-management är implementering av nya system och hur man strategiskt jobbar med det. För att organisationer ska lyckas med implementeringen av lättillgängliga AI-verktyg krävs det att klimatet i organisationen är öppen för förändring. Detta är speciellt viktigt när man jobbar med AI, och Tarafdar et al (2019) menar att företag ofta underskattar hur stora organisatoriska förändringar integreringen av AI kräver. Till exempel kan AI ha en stor påverkan på verksamhetens befintliga processer, där vissa kan bli automatiserade medan andra processer då helt försvinner (Tarafdar et al, 2019). Det krävs därför att medarbetare och chefer i organisationen är med på förändringsprocessen. Som Boynton et al (1994) skriver är det inte den individuella kunskapen som kommer vara avgörande när en organisation ska implementera ett nytt IT-verktyg, utan det är samarbetet mellan de anställda och det externa parterna som har störst betydelse. Om kommunikationen med de externa parterna är bristfällig kan även implementering av AI-verktyget hämmas.

detta ännu viktigare, eftersom organisationer inte längre behöver samma kompetens inom dataanalys. Peltarion bidrar med så kallad analytiskt beslutsfattandestöd, vilket innebär att verktyget bearbetar data och drar slutsatser utifrån denna (Jarrahi, 2018). Värdet med det kommer ju egentligen från det faktum att data bearbetas och tränas och sedan presenteras för människor i organisationen, som sedan med hjälp av sin intuition lyfter denna data och förlitar sig på sunt förnuft för att ta beslut utifrån den. Här är förståelse för sin omvärld, sin organisation och hur dessa interagerar med varandra som blir viktiga kompetenser. Detta bekräftar vår analys där vi visar på vilket sätt domänkunskap är en central del i att skapa värde med hjälp av Peltarion. Vi anser att när man tillämpar AI-verktyg som är lättillgängliga ökar möjligheterna att uppnå en symbios mellan AI och människor, där man kompletterar varandra för att uppnå värde. Lättillgängliga AI-verktyg ersätter många av de kompetenser som tidigare var viktiga för att utvinna värde ur AI, men människor är fortfarande överlägsna när det kommer till andra saker, som ofta är av högre värde för organisationen. Detta stärks av Marr (2015) diskussion, som argumenterar för att huvudmålet med att arbeta med Big data är att transformera verksamhetsprocesser och hitta nya affärsmöjligheter, och det är områden där människor är överlägsna, medan AI bidrar med underlaget för att göra detta på ett effektivare sätt. Om man som organisation lyckas med att omfördela kompetenser på ett sätt som kompletterar AI-verktygen man använder, så har man enligt oss en mycket stark konkurrensfördel.

Metahuman Systems

När människor och AI uppnår en symbios kan organisationer uppnå vad Lyytinen, Nickerson och King (2020) beskriver som Metahuman-systems. Begreppet definieras som följer;

“Metahuman systems are a hybrid of humans

and machines that learn, complementing and amplifying capabilities that potentially make such systems better at learning than either humans

or machines separately.” (Lyytinen et al, 2020).