In vijf stappen naar succesvolle AI- en ML-projecten
Digital Traction Model vergroot succes AI
8 september 2020 -
Industriёle bedrijven profiteren nog te weinig van de mogelijkheden van Artificial Intelligence (AI) en Machine Learning. Dat komt vooral omdat er in de sector weinig kennis aanwezig is van data science en de mathematische aanpak, die voor AI en ML noodzakelijk is. Bovendien ligt de focus vaak op technische oplossingen voor industriёle installaties, die vooral het domein zijn van engineers, operators en onderhoudstechnici.
AI en ML bieden enorme mogelijkheden voor kostenbesparingen; bijvoorbeeld door procesoptimalisatie, energie-efficiency en een betrouwbaardere forecasting. Bij de ontwikkeling en implementatie van AI en ML is een brede kijk op de bedrijfsdoelstellingen, de onderliggende processen en de gewenste output absoluut noodzakelijk. Mobiquity heeft het Digital Traction Model ontwikkeld, dat de slaagkans van AI- en ML-projecten aanzienlijk verhoogt.
Uit onderzoeken naar het succes van projecten voor big data, data analytics, Artificial Intelligence en Machine Learning blijkt dat dergelijke projecten lang niet altijd slagen. In 2017 meldde marktonderzoeksbureau Gartner, dat ruim 60 procent van de big data-projecten nooit afgerond worden, terwijl het bureau vorig jaar nog tot de conclusie kwam, dat 80 procent van alle data analytics projecten er niet in slagen nuttige data te leveren. Uit een onderzoek van NewVantage begin vorig jaar bleek, dat de acceptatie van big data- en AI-projecten in meer dan driekwart van de bedrijven problemen oplevert. VentureBeat constateerde vorig jaar in een rapport dat 87 procent van alle data science-projecten en de daaruit voortkomende software-oplossingen nooit geïmplementeerd worden. Tal van andere onderzoeken bevestigen dat beeld.
Profiteren van ervaringen
"Het ontbreken van draagvlak en acceptatie voor dataprojecten; het feit dat tools vaak niet meer dan een speeltje zijn van de data scientist, die het bedrijf en de markt niet kent, en het ontbreken van zinvolle output, waar het bedrijf daadwerkelijk iets aan heeft, zijn de voornaamste redenen, waarom projecten niet goed van de grond komen," vat Lennart Bootsman, Director of Data Science and Analytics bij Mobiquity, samen. "De industrie kan bij de ontwikkeling en implementatie van projecten profiteren van de ervaringen, die in andere sectoren zijn opgedaan. Dat is belangrijk, want we zien dat de situatie in de industrie momenteel snel verandert. Het aantal AI- en ML-projecten in de industrie was relatief beperkt, maar de verwachting is dat dat aantal de komende jaren snel zal stijgen, bijvoorbeeld omdat er door automatisering steeds meer productiedata beschikbaar komen.
Randvoorwaarden
Mobiquity gaat in de eigen praktijk bij het ontwikkelen van AI- en ML-projecten uit van een aantal randvoorwaarden, die de slagingskans aanzienlijk verhogen. "Het is natuurlijk belangrijk, dat men het belang en het nut van een project inziet," verduidelijkt Dennis Timmers, Senior Data Scientist bij Mobiquity. "Daarnaast moeten bedrijven inzicht hebben in de beschikbare data en de data die wellicht nog ontbreken, om de gewenste informatie boven tafel te krijgen. Bovendien moet men zich realiseren, dat de uiteindelijke data zo opgeleverd moeten worden, dat de business en het management ze daadwerkelijk kunnen gebruiken. Dat betekent dat de data scientists moeten samenwerken met personen uit het bedrijf die inhoudelijke kennis van de bedrijfsprocessen en de markt hebben. Bij projecten moet men bovendien alle disciplines betrekken, die van belang zijn voor een optimale oplossing. Wij hebben zelf onder meer businessstrategen, engineers, data scientists, IT-specialisten en creatieve mensen in huis, die we bij de projecten betrekken. Deze randvoorwaarden lijken open deuren, maar als ze niet goed ingevuld zijn, is de slaagkans van een project minimaal."
Digital Traction Model
Voor de ontwikkeling en implementatie van AI- en ML-projecten gebruikt Mobiquity een eigen aanpak, die het ‘Digital Traction Model’ wordt genoemd. Het bestaat uit vijf stappen, die uiteindelijk tot een functionele en werkende toepassing leiden. "In de ‘Ignition fase’ analyseren we met een gemengd team van technische en organisatie-specialisten de mogelijkheden voor AI en ML," licht Timmers toe. "We analyseren de bedrijfsprocessen en brengen in kaart waar de meeste potentie voor optimalisatie aanwezig is. In de ‘Problem Fit fase’ ontwerpen we het AI-model, waarmee uiteindelijk scenario’s doorgerekend kunnen worden. Na validatie van dat model wordt in de ‘Solution Fit fase’ de uiteindelijke AI-oplossing gebouwd. Dat is een cloudoplossing waarin alle data verzameld en verwerkt worden en waar de output toegankelijk gemaakt wordt. Tijdens de ‘Market Fit fase’ worden AI en ML in de bedrijfsprocessen geïmplementeerd, waarbij de aandacht vooral uitgaat naar de bruikbaarheid van de uitkomsten voor de dagelijkse werkzaamheden. Na een test wordt de toepassing in gebruik genomen. In de ‘Scale fase’ tenslotte kan het model vertaald worden naar andere relevante processen, zodat u uiteindelijk het hele ecosysteem kunt optimaliseren."
