Data først, så virker AI bagefter
De AI-projekter der falder fra hinanden, fejler sjældent på modellen. De fejler fordi svarene bygger på data der er spredt, forældede eller i strid med hinanden. Et ordentligt datagrundlag er det kedeligste og mest afgørende trin i hele arbejdet.
Data og workflows er fundamentet under en AI-løsning: et sted hvor informationen ligger struktureret og opdateret, og flows der holder den sådan.
Når datagrundlaget står i vejen
Fire tegn på at data skal på plads inden der bygges videre. De viser sig som regel først når den første agent begynder at svare forkert.
Modellen udfylder hullerne når den mangler noget, og den gør det overbevisende. Uden opslag i jeres egne data er det gætværk med god grammatik.
Prislisten findes i tre udgaver, og proceduren står både i et dokument og i en mail. Det problem bliver ikke mindre af at lægge AI ovenpå.
De vigtigste vurderinger er aldrig skrevet ned. De kan ikke automatiseres før de er, og det er ofte den største del af arbejdet.
Hvert flow trækker sine egne tal og laver sin egen beregning. Så bliver to rapporter uenige, og ingen kan sige hvilken der har ret.
Grundlaget bygget så agenterne kan bruge det
Arbejdet dækker kun det agenterne rent faktisk skal bruge. Et fuldt datawarehouse er sjældent svaret, og det er altid dyrere. Seks trin fra kortlægning til vedligehold.
Hvor ligger de data løsningen skal bruge, hvem opdaterer dem, og hvor pålidelige er de. Kortlægningen afgrænses til det der er brug for.
De data agenterne arbejder på, samles ét sted med en model der kan holde. Postgres eller Supabase dækker de fleste behov uden overbygning.
Dubletter, forældede versioner og modstridende oplysninger håndteres. Oprydningen begrænses til det løsningen rører ved.
RAG sættes op, så modellen slår op i jeres dokumenter og tal inden den svarer. Det er forskellen på et svar der passer og et der lyder som om det gør.
Data hentes, valideres og opdateres automatisk. Et grundlag der skal vedligeholdes i hånden, forfalder inden for et kvartal.
Hvem må se hvad, hvad sendes videre til en model, og hvad bliver liggende hos jer. Beslutningerne tages bevidst og skrives ned.
Tre krav til data AI kan bruge
Tre egenskaber afgør om en model kan arbejde på jeres data uden at gætte.
Data spredt over syv systemer kan ikke bruges pålideligt. Der skal være ét sted agenten henter fra.
Grundlaget skal opdatere sig automatisk. Ellers svarer agenten korrekt på sidste kvartals virkelighed.
Hvert svar skal kunne pege på hvor det kommer fra. Uden kilde kan svaret hverken efterprøves eller forsvares.
Det et datagrundlag leveres med
Sådan ser arbejdet ud i tal
Der hvor datagrundlaget afgør alting
En chatbot der skal svare på priser og procedurer, er det tydeligste eksempel. Uden opslag i de faktiske dokumenter svarer den ud fra hvad der lyder rimeligt, og det opdager kunden før I gør.
Med RAG hentes de rigtige afsnit ind før svaret formuleres, og svaret kan pege på hvor det kommer fra. Det er også det der gør at en medarbejder kan efterprøve det på ti sekunder.
Det kedelige arbejde med data er det der afgør om AI-projektet holder efter demoen.
Det folk spørger om data og workflows
Skal grundlaget på plads først?
Tag en samtale om hvad løsningen skal kunne, så bliver det hurtigt tydeligt hvilke data der mangler, og hvor stort det arbejde er.
Andre AI-områder
AI-agenter
Agenter der overtager en afgrænset opgave i din forretning.
Læs mereAutomatiseringer
Manuelle rutiner sat på skinner, uden dobbeltarbejde.
Læs mereIntegrationer
Systemerne taler sammen, så data ikke skal flyttes i hånden.
Læs mereSkræddersyet AI-udvikling
Hele udviklingssporet: fra idé til løsning i drift.
Læs mereAI-produkter
Færdige agent-produkter på abonnement med fast pris.
Læs mere