Oppstartsbedrift bak ny data science-plattform: – Bedrifter er umodne

Det teknologiske landskapet innen data science og AI er i høy grad preget av åpen kildekode. Og selv om denne i teorien bare kan lastes ned gratis og tas i bruk, er den ikke nødvendigvis bare å konfigurere og installere. Og dette er en prosess som må gjentas hver gang det kommer nye versjoner og oppdateringer.

Store teknologibedrifter som Uber og Amazon ender opp med å bygge rammeverk med åpen kildekode som dekker akkurat deres behov. Dette er ikke en mulighet for alle bedrifter, og derfor satser den danske oppstartsbedriften 2021.AI på å levere en data science-plattform som ligner på den som tech-gigantene bygger fra bunnen av.

– Ideen er å bygge en plattform og rette den mot bedrifter som ikke er teknologibedrifter, forteller Head of Data Science Benjamin Biering hos 2021.AI.

– Dette er bedrifter som gjerne vil i gang med AI, men ikke helt vet hvordan de skal komme i gang. Med data science-plattformen vår ønsker vi å senke barrieren for AI-implementering for alle bedrifter.

For bedrifter som ikke kan skrive «teknologisk fyrtårn» i Linkedin-profilen, er det både dyrt og krevende å utvikle og vedlikeholde en data science-plattform, mener Benjamin Biering. Men det betyr ikke at bedrifter som vil jobbe mer aktivt med data, ikke ender med det samme behovet som gigantene når det kommer til å implementere AI i forretningsvirksomheten sin.

– Du kan ikke bare gi data scientister nøkkelen og si «værsågod – bare slå dere løs i produksjonsdatabasen». Slik fungerer det ikke. Du trenger et enterprise-system å begynne med, og som kan håndtere brukere og adgang til data – bare tenk på GDPR, sier Benjamin Biering:

– I tillegg vil de fleste oppleve at de har bruk for minst enda et lag av governance; som et rammeverktøy slik at data scientister kan gjøre jobben sin. For eksempel sikker adgang til forskjellige datasystemer, et utviklingsmiljø atskilt fra produksjonsmiljøet og med tilstrekkelige ressurser.

– Det plattformen gjør, er å gi data scientister et verktøy og et miljø hvor de kan utføre jobben sin mer effektivt. Det finnes ingen ferdigpakkede algoritmer, ikke noe dra-og-slipp. Det er et effektivt produksjonsmiljø hvor data scientister kan skrive og eksekvere på kode, jobbe sammen om prosjekter, gjentrene overvåkere og rapportere på de modellene som er i produksjon. Ideelt sett kan en AI-plattform snakke til alle bedriftens dataplattformer, samtidig med at AI-modeller i produksjon kan kommunisere tilbake til dataplattformen.

Teknologisk churn

For mange data scientister innebærer en manglende plattform at mye arbeid egentlig går ut på å drive med data engineering, mener Benjamin Biering.

– Jeg har tidligere jobbet som data scientist for Ebay Classifieds Scandinavia, hvor jeg selv har slitt med de utfordringene som storskala og komplekse data-arkitekturer bringer med seg, for eksempel å få adgang til data fra andre systemer og databaser. Mangelen på en plattform gjorde oppgaven min utfordrende, sier han:

– Mange vet ikke hvor de skal begynne, fordi antallet av åpne kildekode-komponenter og verktøy er enormt. Det virker veldig komplisert, og de vet ikke hvilke de skal velge. De har ikke tid til å undersøke og installere en komponent eller verktøy hvis det ikke er det riktige. Data science-utvikling er en ny disiplin og ikke som tradisjonell programvareutvikling hvor det er mange profesjonelle med mange års erfaring.

2021.AI prøver å adressere denne utfordringen ved å bygge hele plattformen Grace i Kubernetes-containere som kan flyttes og installeres på en hvilken som helst infrastruktur.

– Det betyr også at du unngår teknologisk churn, noe som vil si at hvis det er et nytt språk eller et nytt sett verktøy i morgen, kan det ganske enkelt integreres. Dette fjerner en del av kompleksiteten, sier Benjamin Biering.

AI-governance

Et annet element som plattformen skal understøtte, er mulighetene for å sette en modell i produksjon ved for eksempel å gjøre den tilgengelig via et Rest API.

– Folk som har vært i bransjen lenge, har en sunn respekt for den jobben som kreves for å gå fra en PoC til å ha en modell i produksjon. Det er et enormt skritt mellom de to, sier Benjamin Biering.

– Spesielt hvis du tenker på bedrifter eller institusjoner som er veldig regulerte, som for eksempel farmasi eller finans. Den typen bedrifter ville helt sikkert dra nytte av et mer formelt rammeverk for å styre den prosessen. AI-governance blir bare mer relevant for alle typer bedrifter i jobben deres med å monitorere og overvåke modellene sine på en måte som sikrer gjennomsiktighet, rettferdighet og unngår «forutinntatthet» («bias», red anm.).

Utfordringen med å ha robuste implementeringer av modeller rammer ikke bare mindre og umodne bedrifter, forteller Benjamin Biering.

– Vi ser også større bedrifter som har modeller i produksjon, og som er viktige for driften, men som ikke håndteres hensiktsmessig i det nåværende oppsettet deres. Forstått på den måten at det er stor sannsynlighet for feil, fordi det er vanskelige å vedlikeholde og monitorere effektiviteten deres.

BI på lavt nivå

I det hele tatt er bedriftenes umodenhet i forhold til data science en utfordring for 2021.AI. Mange bedrifter er ikke på et stadium hvor de trenger plattformen. Og toppledelser har ikke lyst til å investere i en plattform, fordi de med ingen eller én enkelt AI-modell i produksjon ikke har opplevd et behov for de fordelene som en plattform medfører, mener Benjamin Biering.

– De går inn på dette området ekstremt langsomt, og venter på at andre også begynner. Et spørsmål som vi får veldig ofte er: «Har dere gjort det for andre?». Det er mange som venter på at området blir modnet til en grad hvor de ikke trenger å tenke så mye over dette.

2021.AIs andre bein er data science som tjeneste, og ideen bak å tilby konsulenttjenester var nettopp å hjelpe bedrifter i gang med data science hvis de ikke var der ennå.

– Slik at de over tid kunne bli uavhengige – og kunder av plattformen, naturligvis, sier Benjamin Biering.

Et annet problem som bedriften støter på i data science-prosjekter, er adgang til data.

– Stadiet av business intelligence (BI) er ikke på et nivå hvor det egner seg til data science. Å få tak i data av god kvalitet er det aller største hinderet for prosjekter, primært på grunn av legacy-systemer, sier Benjamin Biering.

Men det er aldri for sent å samle inn de dataene som er viktige for bedriften, understreker han.

Saken ble først publisert på danske Datatech, og gjøres tilgjengelig på norsk for abonnenter av Digi Ekstra gjennom vår samarbeidsavtale med Teknologiens mediehus/Ingeniøren.