Utbenat: Kontext

Inledning

Mitra:
Varmt välkomna till Syntra Utbenat. Detta är podden där vi under tio minuter tar orden och begreppen som slängs runt i data- och AI-Sverige och benar ut vad de faktiskt betyder tillsammans med Sebastian Mildgrim.

Vad är kontext, egentligen?

Sebastian:
Det sägs ofta att danska är ett av de svåraste språken i världen att lära sig, till och med för danska barn. Förutom att det är väldigt komiskt så kan man fråga sig varför? Jo. Det danska språket utmärker sig med något som kallas vokalreduktion. Det betyder att ändelser och konsonanter sväljs helt. Orden flyter ihop och låter nästan likadana. Men vad gör det?

Låt oss ta ett exempel. Föreställ dig att du är på en middag. Du sitter bredvid en trevlig dansk person och ni pratar om jobb. Hon säger att hon är "Lä-e". Så du lutar dig fram, imponerad, och frågar: "Är det inte oerhört tungt att bära ansvaret för andra människors liv?"

Din bordsgranne tittar konstigt på dig, tar en klunk vatten och svarar: "Nja, det är mest sjätteklassarna som är stökiga på rasterna."

Du trodde hon sa Læge, läkare. Men hon sa Lærer, lärare. Ljudmässigt var det nästan identiskt. Det som saknades för dig var inte ordförståelse, det var kontext.

Idag ska vi prata om det som hände på den där middagen. Vi ska prata om kontext. För sanningen är att på ditt företag, just nu, pratar ni alla "danska" med varandra utan att veta om det. Ni slänger er med ord som ni tror är tydliga, men som är helt beroende av vem som lyssnar. Något som gör att rätt rapport, i fel händer, kan orsaka oreda. Och nu står ni dessutom inför utmaningen att få en AI att förstå det här språket. Det är här det blir intressant, och det är här pengar finns att hämta och spara.

Problemet: AI saknar er ryggsäck

Sebastian:
Låt oss flytta oss från middagsbordet till din verksamhet. Ni har fått direktiv. "Bli datadrivna" eller kanske "Använd AI för att effektivisera." Det låter bra, och du har säkert hört hur många spännande pitchar som helst om vad AI kan göra för er. Men det är här det är så viktigt med kontext. En AI fungerar inte som en människa. Den har ingen koll på er verksamhet. Den vet inte att "Lasse på lagret" är den som egentligen bestämmer ordningen på utleveranserna, oavsett vad systemet säger.

Vi människor bär runt på en ryggsäck fylld med tyst kunskap, med kontext. Vi vet vilken bransch vi är i, vi vet vad en POC är när Johan på IT pratar, och vi vet vad en POC är när Josefin på Logistik pratar, trots att det är två helt olika saker de pratar om. För Johan är det en Proof of Concept, ett mindre projekt för att validera att en idé håller. För Josefin är det en Point of Contact. Alltså: Vem ringer jag när lastbilen står i diket? Det är en person, inte ett test.

En AI har inte på sig samma ryggsäck. Istället är den fylld med hela Wikipedia, en stor del av alla hemsidor och miljarder forumtrådar på nätet. Den kan vara supersmart. Men den har aldrig satt sin fot på ditt kontor. Den vet ingenting om er kultur, era underförstådda regler eller er danska. Den saknar kontext.

Samma ord, helt olika verklighet

Sebastian:
Låt oss exemplifiera med ett ord som används varje dag: "kund."

Du jobbar med logistik. Det har varit problem med leveranserna från centrallagret ut till era butiker. Butikscheferna i Örebro och Gävle är vansinniga för att de nu behöver meddela sina kunder att deras grejer inte kommer på utlovat datum. Du vänder dig till din nya AI-assistent för att få en snabb analys och skriver: "Vi har många missnöjda kunder just nu på grund av sena leveranser. Ta fram den data vi har som kan förklara vad det beror på."

Här händer krocken utan att vi ser den. För dig betyder "kund" de interna mottagarna, butikerna, det är specifikt och avgränsat. Men i er data förekommer "kund" på massor av ställen, det är slutkunder, det är besökare, det finns i avtal, ibland är ni kund till en tredje part.

AI:n ser inget problem och kör igång. Den drar fram data utifrån tanken att du vill ha information om leveranserna till slutkund, för det är den mest troliga tolkningen, i dess kontext.

För någon på e-handelsavdelningen hade det här kanske varit guld. För dig, på logistik, är det helt värdelöst. Du behöver inte data som visar att hämtningstiden från Bring matchar dåligt med när beställningarna läggs. Du behöver data som kan hjälpa dig lägga om dirigeringen av lastbilar, eller se över hur plocklistor prioriteras.

AI:n gjorde inget fel, tekniskt sett. Den förstod orden. Men den missade din verklighet. Den trodde att ni pratade om "Göran som väntar på ett paket", när ni egentligen pratade om "Butikschef Karin som väntar på en pall."

Och det gäller inte bara kund. Det är en utopi att alla fält som har med kund att göra ligger i tabeller som heter kund. Ännu värre blir det med begrepp som produkt eller avtal. Vägen dit är densamma, vi måste tillgängliggöra rätt kontext för att AI:n ska förstå det vi ger den och ge oss det resultat vi faktiskt önskar.

Lösningen: Ge kontext där det spelar roll

Sebastian:
Så, hur löser vi det här? Många tänker kanske att "Vi måste strukturera all vår data" eller "Vi måste bygga en ontologi för hela företaget."

Andas ut. Ni behöver inte göra det. Faktum är att det ofta är fel väg att gå, det blir för stort, för dyrt, tar för lång tid. Och framförallt är kontext kontextuellt, vilken kontext man behöver i en given situation beror på situationen. Att förbereda sig är jättebra, men bara om man vet vad man behöver förbereda. Och det tror jag ingen kan veta givet hur snabbt utvecklingen går just nu. Lösningen är mycket enklare och mer konkret. Det handlar om att ge kontext där det spelar roll.

Men ta inte bara mitt ord på det. Testa själv: öppna en chatt med din favorit-AI, vare sig det är Claude, Gemini, Copilot eller Le Chat, och fråga utan kontext vad POC betyder. Pröva sedan vad som händer om du ger kontext, till exempel "Du är en logistikchef för ett större koncernbolag med ansvar för centrallagret som tillgodoser alla filialer. Vad betyder förkortningen POC för dig?" och begrunda skillnaden i svar.

Hur gör man i praktiken (på måndag)?

Sebastian:
Bättre svar på frågor till AI är knappast det mest spännande vi kan uppnå med kontext. Det som pratas om nu är konceptet "Chat with your data", alltså förmågan att vända och vrida på er data i en konversation med en AI för att hitta nya insikter och snabbt validera idéer till nya rapporter. Och det om något kräver kontext. Hur når man dit?

Välj ett litet, avgränsat område. En specifik rapport fungerar bra. Kanske den där veckorapporten om avvikelser som ni alltid sitter och diskuterar på måndagsmötet.

Titta på den med "främlings ögon". Föreställ dig att du har en ny kollega som kommer direkt från examen och aldrig har varit på bolaget. Om hon läser rapporten, vad är otydligt? Står det "kund"? Förtydliga att det betyder "mottagande butik". Står det "prio"? Förtydliga vilka kriterier som avgör vad som är prio. Skriv ner allt, ett separat dokument fungerar utmärkt, men det finns såklart verktyg för det här.

Det är ovärderlig kontext för en AI att använda för att tolka, förstå och använda data på rätt sätt.

Slutsats

Sebastian:
Att få ut värde av AI handlar inte om att koda. Det handlar om att förklara er egen verklighet, er danska. Ni måste lära AI:n att skilja på Læge och Lærer. Det är så ni går från att bara ha "mycket data" till att faktiskt få hjälp att hitta insikter som leder till resultat på sista raden.

Avslutning

Sebastian:
Tack för att du lyssnade på dagens avsnitt av Syntra Utbenat. Vill du prata mer om dagens ämne, eller bara prata data? Hör av dig till oss. Vi finns på Linkedin. Eller via vår hemsida fiwe.se. Vi hörs, och ta hand om er där ute.