Den här artikeln publicerades ursprungligen för räkning av Forbes Technology Council, en gemenskap för världsklassens CIO:er, CTO:er och teknikchefer. Läs det ursprungliga inlägget här.

När det gäller artificiell intelligens (AI) och maskininlärning, är sättet vi konstruerar mjukvara på i grunden förändras. Traditionella ingenjörer behövde inte fundera på tanken att mjukvara behövde "lära sig" för att vara användbar. Vi definierade de "regler" vi ville beakta, hårdkodade dessa i de applikationer som byggdes och släppte dem. Sedan itererade och förbättrade vi dem i en kontinuerlig cykel.

Det här är annorlunda med AI. Istället för att hårdkoda regler i applikationer förlitar sig AI-produkter på träningsdata för att fungera. Till exempel, när GPS-applikationer först kom ut, förändrade de allt - adjö pappersbaserade kartor! Ungefär ett decennium senare omdefinierade navigationsprogrammet Waze den upplevelsen än en gång. Waze förstod att genom att sammanställa data från alla sina användare kunde de inte bara berätta för en användare vart hen skulle gå näst utan också det snabbaste sättet att komma dit och uppdatera de rekommendationerna i realtid.

När vi blev bättre på att bygga programvaruapplikationer, lärde vi oss att utvecklingsmetoder som vattenfallsmodellen inte fungerar eftersom de inte beaktar användaren tillräckligt mycket i livscykeln för programvaruutveckling. Vid slutet har användare troligtvis nya krav. Så har vi gått över till nya tillvägagångssätt, som de som blev kända i böcker som The Lean Startup. Medan människor idag utmanar begrepp som "minsta genomförbara produkt," är idéerna helt rätt: börja smått och få ut din produkt i händerna på dina användare så snart som möjligt så att du kan få deras feedback och förbättra produkten längs vägen.

AI bör närmas på samma sätt. Det är frestande att tillbringa år med att bygga det perfekta artificiella intelligenssystemet, tränat av enorma mängder perfekta datamängder. Men bli inte förvånad om produkten är helt föråldrad och irrelevant när du introducerar den för världen.

Kanske återspeglade din datamängd gamla metoder som inte längre är meningsfulla, eller din algoritm har aldrig exponerats för en specifik idiom. Eller kanske är personen du trodde skulle använda din produkt inte den som slutligen använder den. En AI tränad i ett vakuum kan bara reagera på det den blivit exponerad för. Jag är en bestämd förespråkare för att få ut din algoritm där den kan lära, anpassa sig och förbättra sig. Här är varför det är OK att låta din AI börja "dum".

Hitta ditt fokus

Vi vet redan att AI-verktyg ännu inte är kapabla att ersätta människor, och vi förväntar oss inte att de ska kunna göra det inom en snar framtid. Ha det i åtanke när du utformar din lösning. Gör din användare till fokus för din algoritm och avsiktligt smalna in och överväg ett användningsfall som denna användare bryr sig om.

Ett exempel här är Textio, ett nätverk för AI-baserad coaching fokuserat på att hjälpa talangproffs att skriva bättre jobbannonser. Det är en mycket specifik uppgift. De fokuserar inte på att göra alla till bättre skribenter. De valde en specialitet - jobbeskrivningar - och gick djupt. De största AI-prestationerna vi har sett börjar med en diskret uppgift och expanderar sedan. Och ju mer fokuserad lösningen är, desto snabbare kommer AI att lära sig.

Sätt inte spöket före maskinen

När du har hittat ditt fokus, bli inte för ivrig på att förändra världen ännu. Bara att överväga de saker som måste ske för att göra ett AI-system (även ett dumt) fungera är en intensiv, utmattande process som inkluderar:

• Konfigurera den tekniska miljön
• Ställa in systemet som lagrar all träningsdata
• Konfigurera den mycket viktiga algoritmen som tränar datan och ger förslag tillbaka

Även om molnet har gjort dessa steg enklare är de fortfarande en plikt. Därför ska du i slutändan fokusera det mesta av dina ansträngningar på att få ovanstående processer att sättas upp och vara stabila, vilket gör att du kan gå mycket snabbare när du börjar testa din produkt med potentiella kunder än om du valde att spendera största delen av din tid på att träna din data. Om du arbetar i en teoretisk värld och försöker samla träningsdata utan verkliga kundinmatningar, arbetar du i ett vakuum som kommer att mata tillbaka dina befintliga antaganden till dig.

Få din AI framför människor

Din träningsdata är avgörande för början av processen, men för att skapa en AI-produkt som kan bli bättre över tiden måste du ta steget till den största datasetet av allt: mänsklig erfarenhet. Och det kräver att du investerar i din användarupplevelse (UX). Ju bättre du kan göra upplevelsen av att använda din AI, desto fler människor kommer att vilja använda den, vilket innebär att din modell kommer att samla in mer data mycket snabbare.

Det är viktigt att koppla samman vikten av UX med framgången för din AI-initiativ. Tyvärr tänker de flesta inte på det på det här sättet. De fastnar i idén om ett bättre liv genom algoritmer, så pass att de tenderar att anta att AI handlar om maskineriet. Verkligheten är att du gör allt detta arbete så att du kan få tillgång till data. Men data måste komma någonstans ifrån.

Det ofta bortglömda, fundamentala konceptet att förstå här är att "någonstans" är människorna som använder din programvara. AI fungerar när du behandlar det som ett partnerskap mellan människor och maskiner. Därför, om du inte har en bra UX, kommer du aldrig att ha bra AI. Om du inte börjar med att säga "Jag ska skapa ett system som människor vill använda, som är lätt att använda och som de kommer att använda ofta," då spelar inget annat roll.

En algoritm kan alltid justeras. Ju längre den är ute i den verkliga världen, desto bättre blir den. Det är mindre viktigt att den är lysande direkt från början än att hitta det specifika problemet du vill lösa och få din tekniska miljö redo att absorbera data. I slutändan är en smart AI helt enkelt en som fungerar.