Het IKEA-effect: waarom AI-oplossingen niet willen vlotten
Stop met zelf zoeken naar the next best thing
20 april 2021 -
Iedere organisatie is op zoek naar AI-oplossingen die een concurrentievoordeel opleveren. Het probleem is dat de meeste ontwikkelingstools lijken op gebrekkige doe-het-zelf-pakketjes waarin onderdelen missen. "Deze tools hebben te lijden onder een aantal uitdagingen die u vaak terugziet in de vroege stadia van innovatieve technologieën,"zegt Clemens Mewald, Product Lead Data Science en Machine Learning bij data-expert Databricks.
Hoe kunnen organisaties deze uitdagingen overwinnen? En wat heeft dit te maken met IKEA?
Een gebrek aan dominant design
Nieuwe technologieën gaan door fases van uitbreiding en inkrimping wat het aantal mogelijke ontwerpen betreft. En omdat AI door iedereen wordt gezien als "the next big thing", zetten alle grote leveranciers en talloze startups enorme hoeveelheden middelen in om AI-ontwikkelaarstools naar een breder publiek te brengen - en dat is het belangrijkste voor grote ondernemingen. Al deze leveranciers proberen in grote lijnen dezelfde gebruikersbehoeften op te lossen, maar met duidelijk verschillende benaderingen en resultaten. Het resultaat is een wildgroei aan verschillende ontwerpen.
"Normaliter ziet u dat wanneer een technologie opkomt, een van de verschillende ontwerpen door zoveel gebruikers wordt omarmd en daarmee de standaard wordt, het dominant design," egt Mewald. "Zodra die standaard er is, zullen andere marktpartijen hieraan conformeren - of ze gaan kopje onder." Het probleem is volgens Mewald dat er geen overeenstemming is over hoe een AI-ontwikkelingstool eruit zou moeten zien, of wat het zou moeten kunnen."
Waarom hebben we nog geen dominant design voor deze tools? "Er zijn vele redenen,"zegt Mewald, "maar het belangrijkste is dat de onderliggende technologieën eenvoudigweg nog niet volwassen zijn. De ontwikkelaars onderschatten daarnaast de complexiteit en omvang van de eisen." Ten slotte ziet hij ook dat er vaak misverstanden heersen onder de eindgebruikers van AI-ontwikkelingstools: "Ook zij hebben geen goed begrip van de onderliggende technologieën. In hun ogen lijken zeer verschillende technologieën gelijkwaardig. Hierdoor voorkomt u in de praktijk het ontstaan van een dominant design."
Een form factor-probleem
Omdat een dominant design ontbreekt, ontstaan volgens Mewald ook geen ‘form factors’. Een form factor is doorgaans een standaard vorm van elektronische apparaten. Zo is de iPhone een belangrijke ‘form factor’ voor smartphones. "Als u naar AI-ontwikkelingstools kijkt, kunt u met deze term alles aanduiden dat met het product, de gebruikerservaring of de ontwikkelingsprocessen te maken heft," legt Mewald uit.
Momenteel lijkt de form factor van veel AI-ontwikkelingstools een beetje op het Wilde Westen. "Er zijn tal van losse API’s en diensten nodig om een ML-model te trainen. U heeft een data engineering-product nodig zoals Spark, andere software voor de daadwerkelijke training, een derde tool voor model packaging en weer een andere oplossing voor orkestratie", zegt Mewald. "En ja, dat zijn allemaal verschillende disciplines, maar het is net als marketing en sales: als u deze afdelingen gescheiden houdt, zorgt u voor vertraging en fouten - en is de kans groter dat uw AI-project mislukt."
Mewald gelooft dan ook dat deze tools toegankelijk zijn voor een breed scala aan gebruikers, en niet alleen experts, om datateams beter in staat te stellen AI-oplossingen te optimaliseren.
Het IKEA-effect is een vertragende factor
Door het gebrek aan een dominant design of een geschikte form factor worstelen veel organisaties om AI-ontwikkelingstools te gebruiken om te transformeren tot een "AI-first" organisatie. "Bedrijven die het proberen, lijden onder het IKEA-effect,"zegt Mewald.
Het IKEA-effect is een psychologisch fenomeen waardoor mensen meer waarde toekennen aan iets dat ze zelf hebben gemaakt. Dat geldt voor een koffietafel, maar net zo goed voor software. "Een team dat zijn eigen tool van de grond af heeft opgebouwd, vindt die tool vele malen waardevoller dan iets wat ze ‘zomaar kunnen kopen,’ zegt Mewald. "En dat is begrijpelijk. Engineers houden ervan om dingen te bouwen. Ze houden ervan om nieuwe vaardigheden te leren. Maar op het gebied van AI-ontwikkelingstools onderschatten ze vervolgens de complexiteit. Het is niet alsof ze ineens het wiel kunnen uitvinden. Anders gezegd: als u een huis wilt bouwen, huur dan vakmensen in."
Hoe nu verder?
Men zou kunnen zeggen dat deze uitdagingen gemeenschappelijke problemen zijn voor elke nieuwe technologie. Dat is precies mijn punt. Over tien jaar zal niemand meer low-level API's gebruiken voor modelarchitecturen of rommelen met honderden verschillende parameters.
In de komende jaren zou het volgende moeten gebeuren om de bovengenoemde uitdagingen aan te pakken:
Het ontwikkelen van een dominant design voor ML-platforms. Veel leveranciers focussen op ML-training, terwijl het meeste werk zit in data wrangling. Voordat een dominant design ontstaat, moeten leveranciers het eens worden over de scope van ML-platforms. Wanneer één zo’n product genoeg marktaandeel krijgt, zul je vervolgens zien dat andere leveranciers de markt zullen verlaten, of zich zullen aanpassen aan het dominant design.
Vervolgens ontstaan een aantal form factors voor verschillende publieken. Een enkele form factor is niet ideaal. Meerdere abstractielagen zijn wenselijk, mits deze goed gedefinieerd zijn en gescheiden blijven.
Misschien wel het belangrijkste is dat zakelijke klanten zich moeten realiseren dat het bouwen van hun eigen ML-platformen geen concurrentievoordeel is. Ieder bedrijf kan een team inhuren en proberen een eigen ML-platform te bouwen. Maar met een beschikbaar dominant design zal het duidelijk worden hoe zinloos dit is en dat het niet bij de kerntaken van de meeste bedrijven hoort (en ook niet zou moeten horen). Voor de meeste bedrijven ligt de toegevoegde waarde van ML-platforms in de toepassing op hun zakelijke problemen en niet in het bouwen en onderhouden van hun eigen ML-platform.
Mewald: "Mijn grootste advies aan organisaties is: stop met zelf zoeken naar the next best thing. Laten we ons samen richten op het innoveren van bestaande oplossingen tot ze een dominante standaard worden. Alleen op die manier wordt AI volwassen."
