Sveriges ledande AI-konsulter är knutna till konsulter.io. En av dessa är Nils Paulsson – en erfaren AI-expert och teknisk ledare med bakgrund från bland annat Saab, där han arbetat med autonoma system och avancerad AI-utveckling. Idag ska vi få lära känna Nils bättre och höra hans syn på AI-landskapet, dess möjligheter och utmaningar.
Mitt intresse för området väcktes i mitten av 90-talet då jag började utveckla analysmetoder baserade på elektroniska näsor. Ett batteri av små billiga gassensorer utvärderades av ett artificiellt neuronnät för att, i mitt fall, analysera alkoholutandningsprov. Tekniken visade sig fungera över förväntan och jag var fast.
Den omedelbara skillnaden är att inom flyg är tillämningarna ofta hårt knutna till reglementen och lagar för flygsäkerhet. Detta kan vara ett problem inom AI om man inte designar systemen därefter. Inom life science upplever jag inte att den aspekten är lika uttalad. Dock finns där ofta en större medvetenhet om att informationen man hanterar har ett visst mått av inbyggt fel och att det inte alltid finns entydiga svar.
Ja det finns det. Det handlade om hur man designar säkra, självbestämmande, autonoma system. Tillvägagångssättet är inte så komplicerat men det lyfte verkligen fram nödvändigheten av att inte bara ha kompetens inom AI utan också ha bra sakkunskap inom området där AI ska användas.
I den initiala processen är mitt bidrag ofta att guida, stötta och strukturera. Ett första steg kan vara en brainstorming kombinerat med en grundläggande kompetenshöjning om vad AI kan bidraga med. Därefter får man sätta sig ner och fundera på vilka problem som finns i verksamheten, vilka idéer som har potential att lösa dessa problem och om idéerna är genomförbara. Förutsättningarna är ett aktivt deltagande från alla parter och är, i mitt tycke, ett väldigt givande arbete.
Det finns givetvis tekniska aspekter att ha koll på men jag känner att en av de viktigaste delarna är kompetensen att vidmakthålla kvalitén på driftsatta AI-lösningar. Referensdata behöver underhållas och kanske kompletteras, modeller kan behöva finjusteras och helt nya typer av förberedande databearbetning kan krävas då man efterhand hittar brister i lösningarna. Här kan det finnas en del att lära från de expertsystem som användes under 90-talet.
Det är svårt ett ge ett entydigt svar. Mer än en gång har jag sett förmodade AI-lösningar bli lösta med traditionell statistik för att man har hittat ett fåtal parametrar som på ett väldigt bra sätt beskriver ens problem och lösning. Dock har ju stora språkmodeller visat sig vara ett bra grundverktyg för analys av verbal och textuell information. Objektigenkänning med artificiella neuronnät är också tämligen ohotat.
Analys & behandling av bilder med artificiella neuronnät har varit ett återkommande intresse. Dock är jag generellt agnostisk i min syn på teknik. Jag fokuserar företrädesvis på den lösning som ger bästa resultat sammantaget, oberoende av innehåll.
Den största möjligheten tror jag är att man över tid får mer teknik för samma summa pengar. Det går exempelvis att göra mycket kompetenta lösningar med en anständig dator och en mindre språkmodell. Man behöver inte nödvändigtvis använda en fullskalemodell och ett stort datorkluster. Sedan upplever jag också att AI så smått börjar mogna och att de verkliga styrkorna och svagheterna blir tydligare. Sammantaget mindre risk för företag och verksamheter.
Den största risken jag ser är att tilliten till information håller på att urholkas. Detta är inte bara en fråga om generativ AI utan också en samhällsgenomgripande aspekt.
Jag tror att AI kombinerat med traditionell systemmodellering är något som har potential att lyfta AI:s förmåga att föra logiska resonemang. Det är dock svårt att sia. Genombrott är ju genombrott för att de innehåller ett visst mått av överraskning.
Statistik, informationsteori och informationsmodellering är en bra grund. Kombinerat med något tillämpat område, så som teknik eller naturvetenskap, ger en bredd som underlättar att sätta AI & maskininlärning i ett sammanhang. Kompetens i programmering underlättar men jag upplever inte det som kritiskt.
Viktiga personliga egenskaper är abstrakt tänkande, att kunna skifta perspektiv i sin tankeprocess samt lyhördhet för de personer vars problem man ska hjälpa till att lösa.
Min främsta mentor formade mig i att först och främst fokusera på den reella nyttan för verksamheten och dess medarbetare. En fras jag ofta kommer tillbaka till är "Nytt är inte bättre, annorlunda är inte bättre, bara bättre är bättre". Min professionella erfarenhet från vitt skilda områden så som flyg, affärsutveckling, biotech, produktdesign, systemarkitektur, med-tech, projektledning gör också att jag kan bidraga med infallsvinklar och tillvägagångssätt som man annars kanske skulle ha missat.
Jag blev rekommenderad av en affärskollega att ta kontakt och ganska snart kände jag att företaget drivs av personer med engagemang, vilja och energi – egenskaper som jag själv uppskattar väldigt mycket. Dessutom tror jag det ger fördelar att kunna samla AI-kompetens under ett och samma paraply. Det ger möjligheter dela med sig av kunskap och erfarenheter som i slutänden kommer alla parter till godo.
Mitt erbjudande är heltäckande tjänster inom avancerad produkt- och tjänsteutveckling med AI och maskininlärning som en viktig aspekt. Jag hjälper till under hela utvecklingscykeln, från idé till marknadsintroduktion, och kan bidraga med både bred och djup kompetens inom AI, teknik, systemarkitektur, projektledning, biotech, med-tech, verksamhetsutveckling, IT och produktdesign.