24. augustil kell 9.00 avaneb EIS-i uus tehisaru kasutuselevõtmise toetus

Ettevõtluse ja Innovatsiooni Sihtasutus (EIS) avab tehisaru kasutuselevõtmise toetuse, mille eesmärk on aidata ettevõtetel tehisarulahendusi testida ja kasutusele võtta.

Taotlemine on jooksev, toetuse suurus on 20 000 eurot ning omafinantseering 20%. Kogu meetme eelarve on 2 miljonit eurot.

Toetust antakse ühikuhinna alusel. Praktikas tähendab see, et projekti lõpus ei ole vaja esitada kulu- ja maksedokumente, küll aga peab saavutatud tulemus olema selgelt tõendatav. Vähemalt peab olemas olema prototüüp või testitulemused ning aruandluse käigus tuleb tulemust tõendada ka lühivideoga.

Projekti elluviimiseks on aega kuni üheksa kuud ja toetust saab ettevõte kasutada ühe korra.

Toetust saavad taotleda Eesti äriregistrisse kantud äriühingud, kelle eelmise majandusaasta müügitulu oli vähemalt 200 000 eurot.

Toetust antakse vähese tähtsusega abina ehk VTA-na, mille ülempiir on 300 000 eurot kolme aasta jooksul. Seetõttu tasub enne taotlemist kindlasti üle kontrollida ettevõtte senine VTA kasutus.

Oluline on ka see, et kui ettevõte kuulub kontserni, saab toetust kasutada ainult üks kontserni ettevõte.

Toetus on mõeldud kaheks peamiseks tegevuseks: uue tehisarutoote või -lahenduse arendamiseks ja turule toomise ettevalmistamiseks ning tehisaru integreerimiseks olemasolevasse tootesse, teenusesse või protsessi.

Just teine võimalus muudab meetme huvitavaks ettevõtetele, kus näiteks BI ja andmeanalüütika on juba kasutusel.

Sellisel ettevõttel on oluline osa eeltööst tegelikult tehtud: andmed, aruandlus ja protsessid on olemas. Puudu võib olla AI-kiht, mis aitaks olemasolevate andmete põhjal prognoosida, soovitada, optimeerida või automatiseerida.

See tähendab, et projekti ei pea tingimata alustama nullist. Tehisaru saab rakendada näiteks olemasoleva Power BI, Business Centrali, ERP-i või muu andmeplatvormi peale.

Praktilisi näiteid on palju. Jaekaubanduses võib mudel prognoosida järgmise 12 nädala müügimahtusid artikli tasemel, arvestades hooajalisust ja kampaaniaid. Tootmises kasutatakse tehisaru nii tootmisandmete analüüsimiseks ja kõrvalekallete tuvastamiseks kui ka tootmisplaanide optimeerimiseks. Samuti saab AI automaatselt lugeda tehnilistelt joonistelt, 3D-mudelitelt ja dokumentidest välja ERP-süsteemi jaoks vajalikud andmed. Logistikas ja klienditeeninduses aitab tehisaru töödelda saatelehti, veokirju ja tellimusi, suunates info otse ettevõtte infosüsteemidesse ning vähendades märkimisväärselt käsitsi andmesisestamise vajadust.

Kõigil neil juhtudel on üks oluline ühine joon: tulemust saab mõõta ja testida. Just seda nõuavad ka toetuse tingimused

Selle toetuse loogika soosib pigem fokuseeritud pilootprojekti kui kogu ettevõtet hõlmavat AI-transformatsiooni.

20% omafinantseeringu juures tähendab 20 000-eurone toetus ettevõttele ligikaudu 25 000-eurost investeeringut. See on sobiv maht ühe selgelt piiritletud äriprobleemi lahendamiseks: näiteks ühe raporteerimisvoo, andmeallika, tootmisprotsessi või äriüksuse jaoks.

OIXIO kogemus oma klientidega näitab hästi, et selline lähenemine toimib. Selle asemel, et proovida kohe ühendada kõiki tehaseid ja andmeallikaid, ehitasime Microsoft Fabricu ja medallion-arhitektuuri peale pilootlahenduse ühe konkreetse andmevoo jaoks. Nii oli tulemus mõõdetav ja korratav juba mõne kuu jooksul.

Sama põhimõte sobib hästi toetuse üheksakuulise ajaraamiga: kitsas fookus, selge tulemusnäitaja ja testitav lahendus.

Toetuse üks olulisemaid tingimusi on see, et tulemus peab olema tõendatav prototüübi või testitulemuste abil.

See sunnib tegema tegelikult täpselt seda, mida üks hea AI-projekt niikuinii tegema peaks: alustama väikeselt, mõõdetavalt ja kontrollitavalt.

Liiga paljud AI-algatused algavad suurest visioonist, kuid ei jõua kunagi töötava lahenduseni. Siin sunnib toetuse ülesehitus keskenduma konkreetsele tulemusele, sest väljamakse tehakse pärast projekti tegevuste elluviimist, aruande esitamist ja selle kinnitamist.

Seetõttu tasub enne taotluse esitamist küsida mitte „Kuidas meie ettevõte võiks AI-d kasutada?“, vaid hoopis:

millist konkreetset äriprobleemi tahame AI abil lahendada ja kuidas mõõdame, kas lahendus töötas?

Ka meie projektides on see sageli esimene samm. Näiteks mitme oma kliendi puhul alustasime sellest, et kaardistasime, kus ja kuidas otsuseid praegu tehakse ning millistest andmetest otsustamisel puudu jääb. Alles seejärel tuleb tehnoloogia.

Meie eesmärk on muuta ettevõtte olemasolevad andmed AI-ajastu konkurentsieeliseks – kasutades selleks prognoosimist, optimeerimist, masinõpet ja tehisaru otse kliendi olemasolevas ärikeskkonnas.

Microsoft Azure, Power BI, Azure Machine Learning ja Microsoft Fabric võimaldavad katta väga erinevaid toetuse alla sobivaid stsenaariume: nõudluse prognoosimisest ja tootmisvarude optimeerimisest kuni anomaaliate tuvastamise ja dokumendivoo automatiseerimiseni keelemudelite abil.

Toetuse puhul on meie jaoks oluline veel üks aspekt: selle tulemus peab olema päriselt kontrollitav. Mitte PowerPointi esitlus või tulevikuvisioon, vaid töötav ja testitav lahendus.

Seetõttu ehitame lahendused võimalusel kliendi enda Microsofti keskkonda ja kliendi kontrolli alla.

See on üks sagedasemaid küsimusi ja tegelikult väga hea lähtekoht.

Lihtsustatult öeldes aitab BI vastata küsimusele „Mis juhtus?“, AI aga järjest enam küsimustele „Mis juhtub järgmisena?“ ja „Mida peaksime nüüd tegema?“

Kui aruanne näitab, et mingi toote müük langes eelmisel kuul, teeb BI oma tööd. Kui süsteem prognoosib juba ette nõudluse muutust ja soovitab, kui palju kaupa järgmiseks nädalaks tellida, oleme liikunud samade andmetega järgmisele tasemele.

Just siin võib uus toetusskeem olla eriti väärtuslik. Ettevõte ei pea olemasolevat andmeplatvormi välja vahetama. Sageli piisab sellest, kui olemasolevale aruandlusele lisatakse üks uus, konkreetset äriväärtust loov kiht.1

Sageli vähem, kui esmapilgul arvatakse.

Prognoosi- ja anomaaliamudelite puhul võib juba ühe-kahe aasta ajaloolistest tehinguandmetest ühe konkreetse protsessi kohta piisata, et hinnata idee teostatavust. Need võivad olla näiteks müügiread, tootmispartiid, tellimused või saadetised.

Täpne vajadus sõltub loomulikult probleemist, andmete kvaliteedist ja sellest, mida soovitakse ennustada või automatiseerida.

Seetõttu ongi piloot hea formaat. Eesmärk ei ole esimeses etapis ehitada ideaalset lõplikku süsteemi, vaid tõestada, et valitud lahendus loob mõõdetavat väärtust.

See küsimus tasub läbi mõelda juba enne projekti alustamist.

OIXIO ehitab lahendused kliendi enda Azure’i keskkonda ja tenant’i, mitte suletud platvormile, mille kasutamine sõltuks igavesti ühest teenusepakkujast. Nii jäävad lahendus, andmed ja kontroll kliendile.

Pärast pilootprojekti saab ettevõtte enda IT- või andmemeeskond lahendust edasi arendada või kasutada selleks jätkuvalt partneri abi.

Hea piloot ei ole ühekordne demo. See peaks olema esimene töötav samm lahenduse suunas, mida on võimalik pärast projekti laiendada.

Esiteks tasub kontrollida ettevõtte VTA jääki, sest vähese tähtsusega abi 300 000-eurone ülempiir kehtib kolme aasta kohta.

Teiseks on vaja eeltöö ära teha enne taotluse esitamist. Millist probleemi lahendame? Milliseid andmeid selleks vajame? Milline on oodatav tulemus? Kuidas me tulemust mõõdame? Kui palju lahenduse loomine maksab?

Kolmandaks tuleb hoida projekti ulatus kontrolli all. Üks hästi piiritletud protsess, andmevoog või probleem annab üheksa kuuga tõenäoliselt parema tulemuse kui katse korraga kogu ettevõtet AI-põhiseks muuta.

Kui nendele küsimustele on vastused olemas, on ka toetuse taotluse koostamine oluliselt lihtsam.

24. august ei ole tähtaeg, vaid stardipauk.

Uue toetuse kõige suurem väärtus ei pruugigi olla ainult 20 000 euro suurune rahaline abi. See annab ettevõtetele hea põhjuse võtta üks seni ootel olnud AI-idee, piirata see konkreetseks äriprobleemiks ja proovida kontrollitavalt järele, kas sellest sünnib päriselt väärtust.

Ettevõtetel, kus Power BI, Business Central, ERP või mõni muu andmeplatvorm on juba kasutusel, võib järgmine samm olla palju väiksem, kui esialgu tundub. Andmed on sageli juba olemas. Küsimus on selles, mida nende põhjal veel ennustada, optimeerida või automatiseerida saaks.4.