AI bedöms ha stor potential och det är klokt att vilja vara med i den utvecklingen. Ändå är det viktigt att understryka att AI i sig inte har något egenvärde. Det är viktigt att utgå från ett problem eller förbättringsområde eller titta om något kan lösas på ett nytt sätt med hjälp av AI. Många är hjälpta av att tänka att AI är ett av flera verktyg i sin verksamhetsutveckling. Det är dock inte lika självklart för alla att bemästra teknologi och nyttja den potential som kan komma av användandet av AI. En del tekniska såväl som organisatoriska förutsättningar måste identifierats och komma på plats för att lyckas införa AI.
Trots de stora framsteg som görs inom AI, kan det vara värt att reflektera över s.k. hype-cykeln (lanserad av företaget Gartner), som beskriver stegen som nya teknologier gå genom. Artificiell Intelligens är ett väldigt brett begrepp som omfattar förmågor och vetenskapliga discipliner, vilka består av många olika metoder och teknologier som i sin tur består av flera andra.
Liksom många andra tekniker har AI visa begränsningarna och lämpar sig inte för alla ändamål. Det kan finnas fall som kan hanteras med hjälp av konventionell programmering eller klassisk statistik. Det kan finnas fall där en kombination av två eller flera tekniker kan lämpa sig bäst för att uppnå målet.
Ett exempel på problem som kan lösas på ett traditionellt sätt med enklare medel är processautomatisering. I sådana fall kan ett angreppsätt vara att syna processen som behöver förbättras utifrån följande frågor:
- Kan processen förbättras genom enkla medel?
Ett sätt att ta reda på det är att analysera om det går att effektivisera processen, och till exempel gå från steg två till fyra utan mänsklig interaktion. I så fall går det sannolikt att förenkla processen med regelstyrd automation. Ett vanligt förekommande angreppsätt är RPA (Robotic Process Automation). - Kan processen utvecklas på ett mer kvalitativt sätt?
Finns det en komplexitet som inte kan hanteras genom regelstyrd automation? Då kan det vara andra frågeställningar relevanta att lyfta.
”Vi är bättre nu på tidiga dialoger”
Två frågor till Janne Järvheden Rodrigez, enhetschef Datadriven analys, Arbetsförmedlingen, om idéfasen i arbetet med AI.
Hur vet man om AI är rätt lösning?
Ett vanligt misstag är att allt för snabbt tänka att ett problem ska lösas med AI. Ganska ofta kan vi efter en kort analys se att vi kommer långt med enbart regelstyrd automation, till exempel att minska antalet moment som kräver mänsklig handpåläggning. Men även om den första idén om att använda AI avfärdas är det inte ovanligt att vi kommer på andra idéer där AI kan vara till stor hjälp när vi börjar syna en process. Vi har en sådan dialog nu, den handlar om att bättre kunna matcha utbildningsutbudet efter vad som efterfrågas i ett visst geografiskt område. Den ursprungliga idén om att använda AI föll, men genom att borra i frågan såg vi andra och större möjligheter. Jag tycker att vi har blivit bättre på att den här typen av tidiga dialoger med verksamheten.
Vilka är med i dialogerna?
I de inledande stegen behöver det vara flera personer med från verksamheten, för att fånga olika perspektiv av den process som förbättringen gäller. Och så flera data scientists. I ett senare skede involveras rättsavdelningen och andra kompetenser, men i början är det en mindre grupp som kan dataanalys och verksamheten som prövar den tidiga idén.
Att ha med flera personer från verksamheten är nödvändigt för att förstå processen, men det är också viktigt av fler skäl. Att verksamheten är involverade på djupet bidrar till förståelse för vad förändringen faktiskt betyder. Ofta pratar man om AI för att sänka kostnader. Det tror jag är fel väg in. Att bättre använda sin tid och sin kompetens och minska arbetsuppgifter som skapar stress spelar ännu större roll. I verksamhetsutveckling med AI är den tekniska lösningen bara en del. Den svåraste punkten i ett förändringsarbete är att vi är människor. Och här menar jag inte att människan är ett problem, utan snarare ett villkor som vi måste värna om och respektera. Att ha med de som senare kommer arbeta med modellen spelar en avgörande roll.
Skillnaden mellan konventionell programmering och maskininlärning
Vad är maskininlärning?
Maskininlärning är ett delområde inom AI, och syftar till att ge datorer förmågan att lära och anpassa sig till en uppgift utan att specifikt vara programmerad till det. Själva lärandet innebär att tillgänglig data kombineras med matematiska modeller för att i slutändan resultera i en modell som kan dra slutsatser om ny, okänd data som inte ingått under själva träningen.
Vad är annorlunda?
AI tillämpas framför allt för att hantera komplexa problem, där det inte går utforma lösningen efter exakta regler och villkor. Det som skiljer den från traditionell utveckling är att AI konstruerar sina egna regler utifrån mönster som upptäcks i datamängden. Den lär sig (maskininlärning) och blir bättre på att lösa en uppgift ju mer tillgång till varierande data av god kvalitet den får. För att finjustera systemet behöver man tillhandahålla bra data, kategorisera data, samla in nya data, komplettera för att undvika partiskhet (bias) och hantera obalans, utvärdera, verifiera eller korrigera resultaten.
Det sättet att utveckla ett system ställer andra krav på organisationer, som exempelvis större flexibilitet, ett nytt förhållningssätt, ett nytt sätt att värdera och utvärdera ett sådant system. AI-system som försöker uppskatta framtida värden (prediktioner), baserat på tidigare observationer av kända värden, kräver att organisationer kan hantera mycket osäkerhet, variationer och avvikelser.
Klassisk programmering lär sig inte, utan utför uppgiften och hanterar informationen efter regler programmerat av människor. För att förfina resultatet justerar människor regler i programkoden. Det sättet att utveckla ett system har mycket högre förutsägbarhet. Vi kan testa systemet för att eliminera fel och upprepa alla steg för att säkerställa att alla delar fungerar på ett korrekt och logiskt sätt.
Med maskininlärning är det möjligt att skapa ett system som kan identifiera ett visst motiv på en bild bland en mängd andra bilder. Först sätter man ihop en datamängd som innehåller bilder med och utan motivet. Modellen tränas på alla bilder, sedan talat man för systemet vilka bilder som innehåller motivet och vilka som inte gör det. Baserat på det skapar systemet själv regler över vad som definierar ett motiv. Detta enkla exempel beskriver principer som är gemensamma för många AI och hur tekniken fungerar i praktiken.
Idag finns det algoritmer som hjälper till att effektivisera träning av AI, ett exempel är s.k. backpropagation som under träningen kan gå bakåt och justerar modellens parametrar och på så sätt få en större sannolikhet att förutsäga motivet i bilderna.
Viktigt att komma ihåg!
Trots att tekniken har mycket att erbjuda är det värt att poängtera att de praktiska tillämpningar av AI som används idag, kan utföra en eller ett fåtal specifika uppgifter inom en snäv avgränsad domän. I praktiken innebär det att AI måste lära sig varje uppgift från början även om de olika uppgifter är relativ lika.
Hantera oförutsägbarhet
Till skillnad från en konventionell programmering där varje villkor i programkoden kan vara antingen sant eller falskt, inom maskininlärning finns det fyra möjliga alternativ: sanna positiva, sanna negativa, falska positiva och falska negativa utfall. Dessa presenteras i s.k. confusion matrix nedan.
- Ett sant positivt utfall - när modellen förutsägelser ett positivt utfall och det faktiskt stämmer.
- Ett falskt positivt utfall - när modellen förutsäger ett positivt utfall felaktigt, dvs. när ett positivt utfall i verkligheten är negativ.
- Ett falskt negativt utfall - när modellen förutsäger ett negativt utfall felaktigt, dvs. när ett negativt utfall i verkligheten är positiv.
- Ett sant negativt utfall - när modellen förutsägelser ett negativt utfall och det faktiskt stämmer.
Vi kan vara säkra på att utfallet inte kommer vara perfekt i alla lägen. Både falska positiva och falska negativa utfall är exempel på oundvikliga felförutsägelser, som måste hanteras. Hur dessa hanteras berör på AI-tillämpningens kontextuella sammanhang och bedömda risker.
Ur ett visst perspektiv kan utgångspunkten för traditionell systemutveckling och maskininlärning upplevas ganska likartad, eftersom båda syftar till att lösa ett problem. De stora skillnaderna ligger i själva utförandet där AI alltid starta med data och förståelse för problemet AI ska lösa.
Framgångsfaktorer och utmaningar:
Förmåga att systematisk identifiera och hantera potentiella risker
Samtidig som AI erbjuder enorma möjligheter innebär det också vissa risker som måste hanteras. Eftersom AI konstruerar sina egna regler utifrån informationen den hanterar och kan potentiellt skapa, reproducera, eller förstärka oönskad marginalisering, ojämlikhet och diskriminering som finns i samhällen. Det sker på grund av att data som används för träningen är partisk och diskriminerande redan från början. På liknande sätt kan partiskhet (bias) potentiellt programmeras in av människor på grund av avsaknad domänkunskap, förutfattade meningar, fördomar och kulturella värderingar. Att systematisera arbete med bias, rättvisa (fairness) och transparens hjälper till att upptäcka risker och stärka förtroende för AI.
Förmåga att förklara utfall
Förklarbarhet handlar om att säkerställa att utfallet av en AI lösning, liksom data och algoritmen, kan förklaras för slutanvändaren och andra intressenter i icke-teknisk terminologi. Det kan göras genom att presentera resultatets träffsäkerhet, förklara utfall på ett begripligt sätt och kommunicera begränsningar. Genom att ger vi slutanvändaren bättre överblick och förståelse för orsaker bakom prediktioner, kan vi skapa utrymme för användaren att själv fatta egna medvetna beslut.
Förmåga att utvärdera
Utvärdering är ett mycket bredd område som omfattar utvärdering från olika perspektiv exempelvis: etisk utvärdering (utvärdering av önskade och oönskade effekter på individer och grupper), teknisk utvärdering (hur modellen presterar och kvalité i utfall), användarperspektiv (beteendeförändring, kontroll, förtroende och transparens). Det handlar både om att utvärdera olika koncept under utvecklingsstadier och att upprätthålla en kontinuerlig utvärdering efter att systemet finns i produktion.
Feedback-möjlighet
Det är viktigt att användaren får möjlighet till kontinuerlig återkoppling. Det behövs dels för att kontinuerligt korrigera och förbättra AI över tid, dels för att anpassa AI till förändringar i omvärlden.
Tillgång till kompetens
Det är inte ovanligt att nödvändig kompetens saknas inom den egna organisationen. Det kan därför vara både naturligt och nödvändigt att ta hjälp utifrån, även om man har för avsikt att på sikt tillföra organisationen mer kompetens. Med hjälp av extern expertis kan man snabbt komma igång, men det kan också vara ett sätt att förstå och få syn på vilka kompetenser och arbetssätt som kommer att krävas för att man internt ska kunna utveckla AI. Utöver den AI-domän specifika kompetensen, så kräver utvecklingsarbetet tvärvetenskapligt team med olika kompetenser för att förstå och tolka de affärsdata som ska tillämpas i lösningen, samt förstå hur stor individ och/eller samhällelig påverkan AI kan ha.
Explorativt arbetssätt och lärande
Arbete med utveckling av AI börjar ofta med en explorativ dataanalys som är en kreativ och iterativ process där man formulerar hypoteser och sedan utforskar dem. Det centrala här är lärande och förmågan att formulera nya hypoteser. Det är inte ovanligt att utmaningar upptäcks i detta skede. Det är viktig att vara medveten om att utveckling av AI är ett arbete under osäkerhet vilket innebär att man kan upptäcka att förutsättningar för att lyckas saknas. I sådant fall bör man överväga att avsluta utvecklingsarbete eller skapa förutsättningar för att lyckas.
Förmåga att hantera förväntningar
När man tränar en AI-modell kan man nästan vara säker på att den inte kommer att bli perfekt. Organisationen behöver därför vara beredd på att efter mycket nedlagt arbete kanske det ändå inte fungerar som man hoppats på. Då måste man ställa sig frågan om det är gott nog eller om man ska prova sig fram till förbättringar.
Svårt att beräkna kostnader kontra resultat
Eftersom det är svårt att prognostisera utfallet av utvecklingsarbetet är det också svårt att beräkna kostnader. Det man dock kan göra är att bestämma sig för att finansiera projektet bit för bit och att fatta beslut om att tillföra budget allteftersom. Det är också viktigt att ha förmåga att avbryta ett initiativ.
Eftersom skillnaderna i utförande är stora, så krävs det att organisationen har en samsyn och gemensam förståelsen kring det. Det ställer även andra krav på organisationer som ett nytt förhållningssätt, skicklighet, flexibilitet, teknisk följsamhet och förståelse. Ett nytt sätt att tänka, värdera och utvärdera, nya kompetenser och förmågor, skapa transparens och förtroende.
Sammanfattningsvis kan man säga att AI ställer andra, och nya krav som påverkar bl.a. dessa områden:
- interaktionen mellan människan och AI
- verksamhetsutveckling
- design
- datainsamling
- proaktivitet och förståelse för långtidseffekter
- hantering av oförutsägbarhet
- språk, kommunikation och förtroende
- kunskap
- kreativitet och innovation
”Eftersom vi inte på förhand vet om vi lyckas så får vi prova och finansiera allteftersom”
Tre frågor till Stefan Ellström, digital strateg på Bolagsverket, om att arbeta agilt.
Varför är det så viktigt med ett hypotesdrivet och agilt arbetssätt?
Om man jämför med traditionell utveckling så kan man med AI sällan veta i förväg att man kommer lyckas. Man får inte heller tro att en AI-lösning ger 100% rätt utfall, någon gång överhuvudtaget, på det sätt som traditionella it-lösningar ofta ger. AI-lösningar passar därför bra där det finns toleranser eller där avvikelser kan hanteras och där traditionell it-utveckling inte kan lösa utmaningen. Men frågan är då: hur rätt behöver resultatet bli för att det ska vara värt att driva utveckling? Det är ofta en ny typ av fråga för verksamheten.
I och med att man sällan vet i förväg vad och hur bra nåt funkar – och det handlar minst lika mycket om vilket data du har att jobba med – får man prova ut och finansiera det hela bit för bit. Ge lite pengar och tid för att prova. Går det här bra? Ser det lovande ut? Får vi ett utfall som är intressant, och är det värt att prova vidare, eller är det helt kört? Om det ser lovande ut, så gör vi en ny hypotes om vad vi tror skulle funka och provar det lite mer seriöst. Och så ser man kanske sedan att nu har vi hittat rätt AI-modell att träna, det verkar kunna bli något. Då kan man investera mer tid och pengar i detta och så småningom fundera på hur det ska kunna integreras i verksamheten och i ett användarnära IT-stöd. Men man investerar inte så mycket från början på någonting som man inte vet vad det blir, utan provar allteftersom. Funkar det inte så slänger man det. Oavsett resultat, så finns ju ändå lärdomar att ta tillvara!
Ofta i agila sammanhang pratar vi om att jobba hypotesdrivet. Och det innebär att prova, prova, testa och prova och testa och ändra. Blev det bra eller blev det inte bra? Vi får justera. Ju fortare man kan få den loopen att snurra desto billigare och bättre blir utvecklingen. Viktigt också att förstås stoppa om man inte får ut det man tänkt sig innan en satt deadline!
Hur kan man tänka om man som organisation inte är så van att arbeta agilt?
Vi pratar om agil utveckling även i vanlig IT-utveckling men när det gäller AI så är den jätteviktig – just den här möjligheten att prova, värdera och ändra blir helt avgörande.
Är man inte agila alls, ja då kommer man förmodligen tycka att det är väldigt dyrt och svårt att jobba med AI – allt tar lång tid att utveckla, prova och utvärdera. Har man inte jobbat agilt förut eller vet med sig själv att man inte är dundersnabb så behöver man nog hjälp av andra. Ta in ett externt agilt team med AI-erfarenhet och haka på, se hur de jobbar. Försök inte själv att uppfinna hur man ska göra, det tror jag tar för lång tid.
Det är mycket bättre att få in en grupp och så försöker man haka på i deras arbetssätt. Varför går det så fort för dem, hur gör de? Vilka kompetenser har de? Och så kanske man utifrån det kan influeras och säga: det här är ju rackarns bra, det där kommer vi ta med oss in i vår organisation.
Hur jobbar ni för att få idéer om hur AI kan utveckla verksamheten?
Vi har sen några år tillbaka en liten grupp som vi kallar för AI-hubben som består av dataanalytiker och AI-experter. De pratar med olika delar av verksamheten om vad det finns det för behov och diskuterar vad man skulle man kunna använda AI till.
AI-hubben hjälper till att tänka lite annorlunda mot traditionell utveckling, så då hittas ibland nya områden – eller delområden – där AI kan bidra. Då lägger AI-hubben kanske några veckor på att prova och så ser man att – ja men det här verkar faktiskt kunna vara någonting – och så tar de förnyad kontakt med verksamheten för att fortsätta utvecklingsarbetet. Vi har den vägen gjort en del riktigt bra lösningar som gått hela vägen till produktion.
Interdisciplinärt samarbete
Att arbeta i interdisciplinära team vid utveckling av AI är ofta en framgångsfaktor.
Beroende på tillämpning kan det exempelvis behövas kompetens inom arkitektur, design, data science, dataanalys, data engineering och inte minst förståelse för hur AI kan nyttjas inom den verksamhet som bedrivs. Därutöver kan man behöva ta hjälp av en extern expertis, exempelvis inom etik.
Det är en god idé beskriva de behov som finns så att man kan rekrytera personal med rätt typ av kompetens. Det är inte självklart att det är en data scientist som kan göra mest nytta i det läge en organisation befinner sig i för tillfället, det kan vara så att en data engineer är det som behövs. Det är ofta bra att koppla in personer med kompetens inom juridik och etik redan från början. Även förmågan att studera hur införandet av ny teknik i ett befintligt socialt system förändrar beteenden och förhållanden mellan olika aktörer, är viktigt.
Sammanfattningsvis kan man säga att många olika perspektiv kommer att behöva beaktas vid utveckling av AI. Det här gäller både i det tidiga skedet när lösningen utvecklas, och när den används. Förmågan kommer behövas fortsätta att utvecklas och ju större kunskap och förståelse finns i organisationen, desto mer engagemang kommer att finnas.
Kompetens och samtal kring AI
När fler i en organisation har baskunskap om AI förs bättre diskussioner och samtal. Alla som arbetar med verksamhetsutveckling gör sannolikt rätt i att ta del av någon av de gratisutbildningar om AI som finns att tillgå. Elements of AI från Helsingfors Universitet är ett exempel. På flera myndigheter, regioner och kommuner har grupper av chefer och medarbetare uppmuntrats att ta del av den. Att fler har kännedom om AI-teknikernas funktion och möjligheter är sannolikt en god grund för fortsatt arbete. Att verksamhetsutveckla med stöd av AI kräver stort engagemang hos alla som ingår i den process som AI-tillämpningen ska stödja. Varje lösning måste ses i sitt sociala sammanhang, hur den kommer att användas och utvecklas, av vem och för vilka. Att medarbetare i verksamheten har en förståelse för vad som kan åstadkommas och vilka värden som kan skapas med AI är en kritisk faktor. Att hitta sätt att skapa lärande och samtal brett i organisationen om AI-tillämpningar är därför väl investerad tid. Här är det viktigt att visa att det inte är en fråga om teknik. Den bilden är ganska utbredd, och det kan vara klokt att fundera över hur andra signalvärden kring AI kan föras fram i verksamheten.
”Människors engagemang är avgörande för att AI ska bli bra”
Två frågor till Karolina Jedrzejewska, AI Product Manager på Arbetsförmedlingen, om vikten av att sätta människan i centrum.
Vilken typ av engagemang krävs från medarbetarna när man utvecklar AI jämfört med traditionell IT-utveckling?
I stora organisationer som Arbetsförmedlingen, kan det vara svårare att involvera många och att de känner sig delaktiga vid utvecklingen av AI, men desto fler som är engagerade desto högre blir acceptansen och kunskapen om AI sprids. Deras engagemang behövs för att vi ska få till det tvärfunktionellt samarbete och tillsammans utforska vad AI betyder och kan göra för oss. De kan hjälpa oss att förstå användarvärde, identifiera och diskutera etiska utmaningar, genom att tillföra värdefulla perspektiv. Att få vi in mångfalden är superviktigt när man utvecklar AI!
Om vi ska dessutom utvecklar ett system som ska förstärka människors förmåga att utföra arbetsuppgifter måste vi förstå hur samverkan mellan systemet och användaren ska ske, dvs. hur uppgiften ska utföras gemensamt av människa och maskin, hur beteenden kommer förändras, hur användaren se på sin roll och expertis, hur rekommendation eller prediketion ska kommuniceras till användaren på begripligt sätt – så att man verkligen kan uppleva värde av AI. De här insikterna behöver vi fånga in för att utforma ett bra stöd för en människa. Det är inte AI-teknologin utan människan som måste stå i centrum!
Ett annat exempel är när vi väljer en datamängd för att utforska den och testa olika hypoteser, så behöver vi deras expertis för att förstå och tolka affärsdata. I andra fall behöver vi hjälp med att kategorisera data, samla in nya data, utvärdera och verifiera resultat. Tillsammans resonera kring: Hur ska data användas i den här specifika tillämpningen? Hur inför människor bias i både processer och data? Vi måste förstå hela AI-tillämpningens kontextuella sammanhang, och då räcker det inte med traditionella kravspecifikation utan det krävs ett kontinuerligt engagemang.
Har medarbetarna tid och intresse i att vara så pass delaktiga?
Jag ser att fler och fler blir engagerade och särskilt de som använt AI-systemet ett tag. De vill oftast ge återkoppling på vad som fungerar bra och mindre bra, men det finns även de som vill bidra med att identifiera ny relevant data som kan förbättra kvalité. Allt detta är viktiga insikter att återkoppla till oss: ”Vi behöver förstå varför upplever man att utfallet är orimlig? Har vi missat någonting någonstans? Saknar vi relevant data?” Det är värdefullt för oss, då det inte bara handlar om insikterna vi kan utvinna från data, utan också insikterna som kommer från människor med ett annat perspektiv och med andra domänkunskaper. Sådant behöver vi få reda på för att kunna utveckla bättre system men också för att kunna jobba med ständiga förbättringar.
Behov av innovativt nyttjande av högkvalitativt data
Nyttjandet av AI in en organisation ställer hantering av data i ett nytt ljus. Man ställs inför nya utmaningar, att man förutom som tidigare måste vara noga med sin datastyrning, också måste säkerställa tillgång till data för kreativ nyttjande. Det är viktig att som komplement till den styrning som beskrivs i kapitlet Datahantering även skapar stöd för det kreativa möjligheter rund data som krävs för att skapa AI-tillämpligas som fungerar i verkliga situationer.
”Viktigt att diskutera ambitionsnivå och vilken sorts organisation man vill vara”
Två frågor till Andreas Voxberg, Chief data scientist på Skatteverket, om att hitta sin linje i arbetet med AI.
Skatteverket har idag 10–15 års utvecklingsarbete inom AI i ryggen, vad tänker du är viktigt för den som är i en tidigare fas?
Jag skulle råda alla att tidigt fundera över vilken ambition man vill ha. Hur ser vi oss själva som organisation: är vi framför allt nyttjare och användare, som vill köpa in och använda sådant som andra har utvecklat? Eller vill lära oss mer själva och inte bara köpa in? Vi kanske behöver anpassa tillämpningarna? Eller, är vi en organisation som vill utveckla själva, och behöver bygga upp en egen kompetens för det? Förmåga att utveckla enklare eller mer komplexa lösningar? Eller att på djupet förstå det vi köper in?
Det gäller att välja den här ambitionsnivån tidigt. Sedan är det egentligen bara att börja arbeta medvetet utifrån det valet.
Vilka val gjorde ni på Skatteverket?
Vi landade i ambitionen att vi ville utveckla en hel del själva. Vi slog också fast tidigt att vi inte enbart ville experimentera utan få ut saker i produktion. Det första vi gjorde var egentligen att fråga oss: Hur kan vi få ut en färdig modell i Skatteverkets generella IT-miljö? Vilken kompetens behöver vi för det? Utifrån det byggde vi det team vi är idag, med kompetenser från IT, verksamhet och data science. De här tre kompetenserna gjorde att vi kunde jobba från ax till limpa. Vi hade verksamhetsförståelse som gjorde att vi kunde jobba med olika typer av användningsfall, vi kunde jobba med olika metoder och tekniker utifrån ett data science perspektiv och modellera fram olika typer av lösningar som sedan kunde produktionssattas med hjälp och stöd av våra IT resurser. Jag tror att det är ganska unikt att vi har så pass många olika AI tillämpningar i våra kärnprocesser: Tillämpningar som skapar reell verksamhetsnytta.
Tidig etisk och juridisk kompetens
Frågorna om juridik och etik är komplexa och har i den här guiden ett eget kapitel. Det är centralt att hantera dem under hela utvecklingsarbetet och även fortsatt, när en AI-modell är implementerad. I den första fasen är det viktigt att tidigt säkerställa kompetens inom både juridik och etik. Tidiga diskussioner, där olika kompetenser och personer ingår, om konsekvenser, är ett bra arbetssätt för att främja hållbar AI. Som stöd i att utveckla lösningar baserade på AI som är transparenta, etiska, säkra och pålitliga finns också Förtroendemodellen.