Vi behöver arbeta datadrivet med IoT
Just nu finns en uppsjö av bloggar, artiklar och utbildningar om Artificiell Intelligens, AI. Kraften som finns i den nya tekniken är svindlande, och vi är många som ser vilka möjligheter som genereras när AI blir mer lättillgängligt och allt oftare inbyggt som stöd i våra IT-system.
Det finns dock fortfarande flera utmaningar med AI, och den mest grundläggande är att vi behöver öka vår förståelse för den data som analyserna bygger på. Vi behöver säkerställa att de AI-modeller som vi väljer att använda har tillgång till kvalitetssäkrad och uppdaterad data som är trygg och säker att använda i det rådande säkerhetsläge som vi har just nu. Detta kanske låter enkelt, eller kanske till och med lite tråkigt (ordning och reda) – men det är en av de mest komplexa frågor vi står inför.
Läs mer
Smartare samhällsbyggnad (SKRs hemsida) – rapport publicerad hos SKR: Smartare samhällsbyggnad. Rapporten har tagits fram av Jenny Carlstedt.
Tillgången till data är enorm och det i sig är en utmaning
AI i sig är ingen ny teknik, den har funnits sedan 50-talet. Det som är nytt är dels att tillgången på data ökat enormt, men framförallt är det kraftfullheten i våra datorer och möjligheten att hantera stora datamängder som drivit utvecklingen framåt. Med lanseringen av ChatGPT för något år sedan blev AI också tillgängligt för den stora allmänheten, och i och med det kunde vi träna algoritmer i oerhört snabb takt.
Men vad innebär detta, när vi står redo att använda tekniken för att ta oss an utmaningarna, men sedan får pausa, eller ge upp, för ”vi hade inte tillräckligt med data”? Det är inte bristen på data som är utmaningen, utan frågan hur (eller om) vi arbetar med att säkerställa att vår data är tillgänglig, trygg och tillförlitlig. Internet of Things (IoT) har möjliggjort att samla in data brett, men vi har fortfarande en bit kvar innan vi fått in våra rutiner och processer för att säkerställa att data skapar de värden som vi tänkt.
Livscykeln för data är cirkulär
Vi behöver skapa en förståelse i hela våra verksamheter för den omställning som det innebär att arbeta datadrivet. Vi behöver öka förståelsen att det inte är en engångsinsats att köpa in data (eller ett IT-stöd) för att lösa ett problem. Data kräver en kontinuerlig och konstant arbetsinsats, och både tid och resurser behöver finnas på plats för att få till en säker och tillförlitlig hantering av data. Vi behöver ha strategier och processer klara för hur vi hanterar vår, och andras, data från insamling, till tillgängliggörande, till arkivering och radering. Och så klart för återanvändning. För som många andra resurser i samhället är livscykeln för data cirkulär, den slutar inte i arkivet. Eller bör inte sluta där, men det kräver att vi ser över vad vi arkiverar och i vilka format och med vilka uppdateringsprocesser.
Vi har alla sett de många nyttoanalyser som pekar på datas värde, men det är först när rutinerna för att hantera data genom alla dessa faser är på plats som vi faktiskt kan realisera värdena.
Tre byggstenar som måste vara på plats
Så vad är lösningen? Den ser så klart olika ut för olika organisationer, men i grunden handlar den om tre byggstenar som behöver finnas på plats.
1. En förståelse för data
Detta inkluderar en förståelse för datakällorna som används av våra IT-system och i våra analyser. När vi ställer en fråga till ChatGPT – vet vi vilka källor som finns till analysen? Vi behöver känna till standarder och regelverk som finns på marknaden och som kan både underlätta för oss i hanteringen av vår egen data – men också öppnar upp för att skapa sömlösa dataflöden både inom den egna verksamheten och med andra organisationer.
Till förståelsen för data hör också en insikt att nya data och ny teknik möjliggör för nya arbetssätt – och nya sätt att hantera och lösa arbetsuppgifter och utmaningar. Vi behöver innovation och vi behöver nya processer.
2. En bra hantering av data genom hela livscykelperspektivet
Vår strategi för hantering av data behöver ta hand om datat i alla delar av livscykelperspektivet. Vilka rutiner och aktiviteter som bör genomföras beror helt och håller på den datamängd som avses. Det blir snabbt stort och komplext, då det finns stora mängder data, av olika karaktär (IoT, geodata, regsiterdata osv), i våra organisationer idag, och det kommer bara finnas fler framöver. Desto viktigare då att hantera dem för vad de är: viktiga grundelement i våra beslutsunderlag. Se till att skapa ordning och reda – och ha en plan för hur ni prioriterar bland datakällor, och hanterar data vid insamling, lagring, tillgängliggörande, dagligt underhåll och förvaltning, vid gallring och arkivering, radering och som nämnts ovan vid återanvändningen.
3. Möjliggörande organisation
Att ta hand om och skapa värde av sina data handlar så klart i lika stor grad om att ha en organisation som möjliggör omställningen till datadrivna processer. Tid och resurser för ett kontinuerligt arbete har redan nämnts. Stöd och engagemang från våra ledare behövs också, liksom tydliga målbilder för vad som ska göras. Dessa bör sättas upp utifrån ett verksamhetsutvecklingsperspektiv – snarare än utifrån ett teknikperspektiv. Vilka behov och utmaningar har vi, och vilka av dessa kan vi lösa med stöd av bra beslutsunderlag – och vilka data bygger dessa på?
Som sagt – lätt att skriva – komplext och svårt att få till i våra verksamheter och våra pågående vardagar med nyckeltal som ska uppnås, leveranser som ska göras och tidsplaner som ska hållas. Men samtidigt en så viktig fråga att ta tag i – redan idag.
