Identifiering av fallgropar i implementationsprojekt inom maskininlärning : En fallstudie av fyra teknologi-intensiva organisationer

This thesis undertook the investigation of finding often occurring mistakes and problems that organizations face when conducting machine learning implementation projects. Machine learning is a technology with the strength of providing insights from large amounts of data. This business value generating technology has been defined to be in a stage of inflated expectations which potentially will cause organizations problems when doing implementation projects without previous knowledge. By a literature review and hypothesis formation followed by interviews with a sample group of companies, three conclusions are drawn from the results. First, indications show there is a correlation between an overestimation of the opportunities of machine learning and how much experience an organization has within the area. Second, it is concluded that data related pitfalls, such as not having enough data, low quality of the data, or biased data, are the most severe. Last, it is shown that realizing the value of long-term solutions regarding machine learning projects is difficult, although the ability increases with experience.Detta examensarbete har åtagit sig arbetet att undersöka vanligt förekommande misstag eller problem som organisationer står inför i samband med implementationsprojekt av lösningar inom maskininlärning. Maskininlärning är en teknologi med styrkan att kunna analysera och skapa insikter från stora mängder data. Denna värdeskapande teknologi har blivit definierad att vara i en fas av förhöjda förväntningar, vilket potentiellt skapar problem i organisationer vid implementationsprojekt av teknologin utan att besitta tidigare erfarenhet. Genom en litteraturstudie och hypotesformulering följt av intervjuer med en urvalsgrupp av företag, dras tre slutsatser från resultaten. Indikationer tyder på en korrelation mellan övertro för maskininlärning och hur mycket erfarenhet en organisation har inom området. Vidare visas att datarelaterade fallgropar, till exempel för liten datamängd, dålig kvalitet på datan, eller partisk data, är de mest allvarliga. Det indikeras även att förmågan att inse värdet av långsiktiga lösningar inte är stark, men också att den ökar i samband med att en organisation erhåller mer erfarenhet