Bygga AI på AWS: Så undviker du de 5 misstagen som dödar AI-initiativ

Oavsett hur långt du har kommit i din AI-utveckling kan du spara mycket tid och resurser genom att lära av andra företags misstag.

Du behöver en stabil grund – och att lägga den grunden på AWS är en bra start. Se därför till att din grund inte har samma omfattande strukturella brister som många andra företag bygger vidare på. Det är alltför lätt att ta genvägar och skynda fram för att dra nytta av den nya tekniska affärsmöjlighet (AI) som plötsligt blivit tillgänglig för alla.

Nyhetens behag med ett nytt verktyg försvinner snabbt, och när det händer behöver du ha en värdefull lösning – något välgjort som löser verkliga problem.

Det kan låta självklart, men jag ser företag prioritera snabbhet framför kvalitet hela tiden. Och jag vill inte att du ska vara ett av dem. Läs vidare och gör rätt från början. Lär dig vilka de fem stora misstagen är och hur du undviker dem.

Men innan vi går in på det roliga, låt oss ta ett steg tillbaka och konstatera något viktigt:

AI är inte ditt slutmål

Det är bara ännu ett verktyg i din redan välfyllda verktygslåda. Eftersom det är ett verktyg som kan konfigureras på otaliga sätt behöver du vara tydlig med vad du bygger.

Generellt finns det i dag fyra huvudsakliga typer av AI-implementeringar:

• Kundupplevelse: Chatbotar, assistenter och personalisering

• Produktivitetshöjare: Interaktiv sökning, sammanfattning och kodassistenter

• Innehållsskapande: Skapa text, bilder och videor, exempelvis animationer

• Business intelligence: Utvinna och bearbeta data samt skapa affärsinsikter

Om du inte är tydlig med vad du bygger riskerar du att välja fel uppsättning tjänster.

Så vad försöker du uppnå? Något som gör kodning snabbare och bättre? En ny produkt? Ett sätt att få insikter från befintliga data? Testautomatisering? Funktioner för ett befintligt ekosystem?

Om du inte vet svaret riskerar du att slösa mycket pengar och arbete. Du kommer att dra fel slutsatser, skapa dåliga kundupplevelser och tappa fokus på din kärnverksamhet.

Med andra ord står mycket på spel. Det här är vår tids stora innovationskapplöpning. Och genom att välja AWS som utgångspunkt har du, precis som i andra lopp, ett mycket bra utgångsläge.

Några ord om att bygga AI på AWS

För att din AI-innovation ska fungera behöver flera AWS-tjänster samverka. Låt oss därför ta en snabb titt på AWS tre huvudsakliga AI-tjänster:

SageMaker: Om du till exempel är data scientist använder du SageMaker för att förbereda data eller träna och finjustera en ML-modell. Du kan även använda det för kodbaserad utveckling med Jupyter Notebooks.

Bedrock: Om du är utvecklare är detta ett API för flera olika grundmodeller. Du använder det för att bygga nya eller förbättra befintliga tjänster eller appar.

Amazon Q: Detta är en generativ AI-assistent och expertguide inom flera områden i AWS-ekosystemet. I AWS-konsolen kan du ställa tekniska frågor. Den är din kodningspartner i CodeWhisperer och BI-assistent i QuickSight.

Med Q kan du enkelt skapa en säker chatbot för din organisation och förbättra den med Retrieval Augmented Generation (RAG). Det innebär att du kan förstärka den med dina egna data, oavsett om de finns i dokumentation, på en webbplats eller i en databas.

Jag vill också lägga till några avslutande kommentarer om AI i AWS:

1. När du har en tydlig vision för målet du vill uppnå behöver du välja rätt färdmedel för att ta dig dit. Om du behöver ta dig till en bergsby kan du använda helikopter, linbana eller cykel. Rätt alternativ beror på vad du vill uppnå – snabbhet, fantastisk utsikt eller motion.

2. Som du redan vet arbetar du, om du använder AWS, i ett omfattande ekosystem av verktyg som fungerar tillsammans. Tappa aldrig bort helhetsperspektivet, eftersom rätt vision och överblick kan ge många synergier och effektivitetsvinster.

Och utan vidare dröjsmål – så undviker du kritiska misstag.

Misstag 1: ”Vi behöver AI för att … eh … varför inte?”

Som jag kort berörde tidigare är det mest grundläggande misstaget du kan göra att inte ha en tydlig bild av vad en ny funktion ska göra eller lösa.

Lägg inte pengar och resurser på någon gimmick bara för att ”alla andra gör det”. Då riskerar du bara att stå med ett misslyckat pilotprojekt som drar kostnader utan att någon använder det.

Så undviker du att skjuta i blindo

För att undvika detta behöver du planera för verkliga användningsscenarier. Brainstorma och simulera möjliga tillämpningar av AI-verktyget i verkligheten.

Varje beslut bör vara ett affärsbeslut. När det kravet är uppfyllt blir det mycket enklare att välja en lämplig teknikstack.

Vad måste det kunna göra? Vilka begränsningar har det? Först när du har svarat på de frågorna vet du om det uppfyller verkliga användarbehov och löser problem.

Bonustips

Återvinn! Gå igenom din backlogg med idéer. Kanske har du tidigare förkastat bra idéer för att tidpunkten inte var rätt. Ibland väntar fantastiska idéer bara på rätt tekniska framsteg. AI är tekniken som kommer att göra det möjligt att äntligen utveckla många av dessa idéer.

Misstag 2: Avsaknad av en heltäckande datastrategi

Med en svag eller obefintlig strategi blir din datahantering ineffektiv. Datan blir:

• Oorganiserad

• Inte rensad och märkt

• Inkonsekvent formaterad

• Duplicerad

Om du tränar din AI-modell på sådan data blir både resultaten och verktyget opålitliga. Dina kostnader blir också onödigt höga eftersom du slösar resurser genom att använda mer lagring, beräkningskraft och fler tjänster än nödvändigt.

För själva AI-tjänsten kan detta bli katastrofalt. Hela modellen blir snedvriden och ger skeva eller orättvisa resultat. Det är särskilt oroande inom områden som rekrytering, finans och biovetenskap, där partiska beslut påverkar människors liv.

Och om det inte vore nog blir din data mer sårbar med bristfällig styrning. Du öppnar för intrång och missbruk.

Så lyckas du med din strategi

Definiera en tydlig datastrategi innan du börjar utveckla AI. Strategin bör inkludera:

• Tjänsterna du ska använda

• Integrationer

• Datamärkning (minst separation av PI-data)

• Datahantering och lagring

• Protokoll för säkerhetskopiering

Eftersom du bygger ditt AI-verktyg på AWS kan du fatta mer välgrundade beslut om du i förväg sätter dig in i ett urval av AWS-tjänster (Glue, Macie med flera). Det är också bra att inkludera Well-Architected Reviews (WAR) i den löpande driften.

Jag rekommenderar även Well-Architected Framework-workshops för verksamhets- och säljorganisationen.

Bonustips

Involvera personer med bred kompetens när du tar fram datastrategin. Det omfattar molnarkitekter, dataingenjörer och verksamhetsintressenter. Först då kan du vara säker på att strategin stämmer överens med både tekniska krav och affärsmål. Kom också ihåg att involvera verksamheten och säljare i AWS Well-Architected Framework-workshopparna!

Misstag 3: Du använder inte din data fullt ut i AI-implementeringen

Många företag misslyckas helt enkelt med att använda data på rätt sätt för att träna, validera och förbättra sina AI-modeller.

För att bygga något i större skala behöver du skapa en stabil grund med din data. Och för att göra det behöver du optimera:

• Fillagring för strukturerad och ostrukturerad data

• Lagring av operativ data (SQL, NoSQL, DocumentDB, VectorDB)

• Strukturer för analys (batchjobb, sökning, streaming)

• Integrationer (insamling, ändring, streaming)

• Styrning (integritet, dataåtkomst, kvalitet)

Det bästa sättet att skapa en tillförlitlig grund är att följa AWS Well-Architected Framework.

Det är ett utmärkt sätt att hantera datastyrning, infrastruktur och datakvalitet. Ramverket har sex pelare: operativ excellens, säkerhet, tillförlitlighet, prestandaeffektivitet, kostnadsoptimering och hållbarhet.

Med andra ord täcker det mycket och hjälper dig långt på vägen mot att bygga en stabil grund på AWS.

Vill du veta mer om Well-Architected Framework har en av mina kollegor skrivit en bra introduktion här.

Misstag 4: Du hanterar inte kostnaderna för serverless

Det är svårt att välja rätt verktyg och tjänster för just ditt användningsområde.

Du behöver veta – eller åtminstone ha en uppfattning om – hur resursanvändningen ser ut för hela stacken. Du behöver också ett bra system för övervakning och larm ifall något oväntat händer, till exempel om en tjänst blir viral. Ofta väljer du de tjänster du känner bäst till eller har sett i en demo.

Det finns många bra serverless-alternativ som inte kräver underhåll eller löpande skötsel, men kostnaderna skiljer sig kraftigt åt. Kanske mer än de flesta inser.

För vissa tjänster betalar du även när du inte använder dem. Låt oss titta på några scenarier.

Låt oss jämföra OpenSearch Serverless för din VectorDB med Aurora Serverless i ett scenario med ojämn efterfrågan, till exempel under en proof-of-concept- eller utrullningsfas. Båda tjänsterna ger bra prestanda, men kostnaden för Aurora är minimal (€70) jämfört med OpenSearch Serverless (€1000).

I ett annat scenario, där du har en jämn användning av databasen, kan RDS vara hela 50 % billigare än Aurora Serverless, eftersom du kan reservera kapacitet till låg kostnad i RDS.

Så använder du serverless på ett smart sätt

Se till att hålla örat mot rälsen och veta vad som erbjuds. Håll koll på AWS-nyheter, delta i AWS-workshoppar, följ relevanta kanaler på sociala medier och använd priskalkylatorer.

Misstag 5: Att inte fokusera tillräckligt på de viktigaste mätetalen

Även om din AI-lösning är tekniskt överlägsen är arbetet bortkastat om den inte uppfyller användarens behov.

Du vet redan hur viktiga mätetal är och att alla mätetal inte är lika värdefulla. För att ditt AI-initiativ ska fungera behöver du därför veta vilken data som är viktig. När du följer upp och mäter ska du alltså vara helt säker på att du gör det mot tydliga mål och målsättningar. 

Det finns gott om ökända exempel på AI-misslyckanden: AI-handel, felaktiga medicinska diagnoser, stötande chattbottar och så vidare. Men det är bara toppen av isberget. 

Det finns otaliga mindre uppmärksammade exempel, till exempel AI-assistenter för helpdesk som är långsamma eller ger ”nästan” bra svar. I sådana fall kan du oavsiktligt ”tvinga” handläggaren att ta den traditionella vägen och helt enkelt kopiera och klistra in svar från tidigare, liknande ärenden. 

Så använder du mätetal på ett smart sätt

Samla statistik och information om hur saker fungerar i dag. Om du till exempel har en AI för helpdesk kan du försöka lösa de mest akuta supportproblemen. Ett mått kan vara att ta fram helt tillförlitliga svar på de tre vanligaste problemen i supportärenden.  

Tänk på att även den mest banbrytande tekniska kompetensen är ett misslyckande om den inte löser problemet.

De tre grundpelarna för att lyckas med AI är:

1. Att uppfylla verksamhetens eller kundens behov 

2. Att göra vardagen enklare för den som arbetar med lösningen 

3. Att använda rätt tjänst eller teknik för att uppnå detta 

Vanligtvis är den tredje delen den mest triviala, men alltför ofta har projekt helt omvända prioriteringar. 

Bonustips

Din kund eller slutanvändare är experten på sina egna system och arbetssätt. Försök att verkligen lyssna och identifiera områden där den nya AI-lösningen kan hjälpa, oavsett om det handlar om en chattbot som stöttar personalen eller en assistent för röntgenanalys inom radiologi. 

Avslutande tankar

”Innovation” innebär inte att använda ChatGPT eller ett liknande verktyg på samma sätt som en sökmotor. 

Verklig innovation sker på okänd mark när du hittar helt nya sätt att arbeta med verktyg. Att använda avancerade nya tekniker på grund av hajpen eller för att en konkurrent pratar om dem leder sannolikt till att ditt pilotprojekt misslyckas. 

Att bygga din AI på AWS är ett bra val, så se till att undersöka hela ekosystemet och fortsätt lyssna, eftersom nya verktyg lanseras hela tiden. 

Kom ihåg att tekniken bara är en del av ekvationen. Användarna och verksamheten måste behöva och vilja ha den, och slutresultatet blir bara så bra som kombinationen av idéens aktualitet och den data som driver den framåt.