Het uitrollen van een zakelijke AI-strategie kent zo zijn uitdagingen
15 juli 2021 -
Artificial Intelligence (AI) heeft in korte tijd flinke stappen gemaakt van modekreet tot zakelijke realiteit. Bedrijven met expertise op het gebied van machine learning (ML) zoeken naar manieren om ook oplossingen op basis van AI te ontwikkelen. Vooruitstrevende bedrijven, zelfs zonder praktijkervaring met ML, hebben de ontwikkeling van een AI-strategie op hun prioriteitenlijstje gezet.
Mark Bakker, AI Strategy Adviser voor EMEA bij H2O.ai heeft gemerkt dat de hype rond AI in combinatie met een gevalletje FOMO de nodige ruis kan opleveren. Hij deelt tips voor het echt binnen het hele bedrijf omarmen van die transformatieve AI-strategie.
"Het uitrollen van een zakelijke AI-strategie kent zo zijn uitdagingen," begint Bakker. "In mijn optiek zijn ze onder te verdelen in drie hoofdcategorieën: talent, tijd en vertrouwen." De eerste uitdaging heeft betrekking op talent. Organisaties moeten mensen met de juiste kennis en vaardigheden inhuren, trainen en samenbrengen in een team om de AI-strategie echt tot leven te brengen. De tweede uitdaging heeft betrekking op tijd. Bakker legt uit: "Het is van cruciaal belang om vast te stellen hoe snel zakelijke resultaten te realiseren zijn door het uitvoeren van de AI-strategie en een omgeving te creëren waarin mensen vrijuit kunnen experimenteren volgens het ‘fail fast’-principe." De laatste uitdaging heeft betrekking op het vertrouwen in de door machine learning-modellen ondersteunde AI-technologieën. Het vermogen om de resultaten van de gebruikte ML-modellen uit te leggen aan toezichthouders en andere betrokken partijen is van cruciaal belang voor het waarborgen van een grootschalige toepassing van de onderliggende technologieën.
Na het uiteenzetten van de uitdagingen gaat Bakker uitgebreid in op een aantal aanbevelingen, te beginnen bij de uitdaging van talent.
Talent: Creeër een datacultuur "Om de verscheidenheid aan data effectief te kunnen benutten moeten bedrijven eerst een datagestuurde bedrijfscultuur creeren", stelt Bakker. Daarvoor zijn vier ingredienten belangrijk. Stel de juiste vragen: Dit is een eerste vereiste voor het opbouwen van een bedrijfsbrede datacultuur. Bakker legt uit:"Bedrijven zoeken antwoorden op vragen als: Hoe werf ik nieuwe klanten, hoe zien die klanten eruit en hoe kan ik mijn toevoerketen optimaliseren? Het formuleren van het juiste zakelijke vraagstuk vormt de sleutel tot een succesvolle AI-implementatie." Voor het opstellen van relevante vragen hebben bedrijven mensen nodig die creatief zijn, inzicht hebben in de zakelijke beperkingen waarmee zij te maken hebben, analytisch zijn ingesteld en in staat zijn om antwoorden aan te dragen die zijn gebaseerd op harde data in plaats van een buikgevoel.
Verzamel data: Om een datacultuur in het leven te roepen moeten bedrijven beginnen met het proactief verzamelen van data. Daartoe kunnen ze uit een divers scala aan bronnen putten, zoals de marketing- en salesafdeling, productiegegevens en klantanalyses. Al deze data samen vormt de basis voor een datacultuur.
Maak de data toegankelijk: De verzamelde data moet toegankelijk worden gemaakt voor alle relevante betrokkenen binnen de organisatie. De data moet bovendien worden aangeboden in een formaat waar mensen makkelijk mee kunnen werken en inzichten kunnen opdoen.
Vind het juiste talent: : "Data is een teamsport", stelt Bakker. Bedrijven hebben niet alleen data-experts nodig voor de ontwikkeling van modellen en algoritmes. Er zijn ook mensen nodig die op basis van hun uiteenlopende technische vaardigheden nuttige inzichten uit de data kunnen distilleren voordat deze naar de data-experts gaat. Hun cruciale domeinervaring kan op die manier helpen met het trainen van hun collega’s. "Machine learning draait net zozeer om een verandering van cultuur als om een zakelijke transformatie. In plaats van een compleet nieuw team samen te stellen zouden bedrijven moeten kijken naar het inhuren van enkele data scientist en hen teamen met een bestaande pool van ervaren medewerkers", sluit Bakker het onderwerp ‘talent’ af.
Tijd: breng de AI-strategie ten uitvoer
AI en machine learning worden toegepast door bedrijven in alle mogelijke sectoren. Bakker: "Dit kan bijvoorbeeld gaan om Know Your Customer (KYC)- en Anti-Money Laundering (AML)-processen in de financiële sector, vroegtijdige detectie van kanker en gepersonaliseerde matching van doktersrecepten in de gezondheidszorg, voorspelling van het klantenverloop en beheer van stamgegevens in de telecomsector en gepersonaliseerde advertenties in de marketingwereld en de toekenning van kredietwaardigheidsscores in de retailsector."
De inzet van AI in al deze sectoren kan bijdragen aan tijd- en kostenbesparingen en concurrentievoordeel opleveren. Volgens Bakker is het wel noodzakelijk de volgende zaken in de gaten te houden.
Resultaten bepalen: Om succes met wat voor AI-toepassing dan ook te kunnen boeken moeten de juiste vragen worden gesteld. Bakker: "Vertaal de overkoepelende bedrijfsdoelstelling naar een zakelijk vraagstuk en bepaal vervolgens hoe het beoogde resultaat er moet uitzien."
Het succes meten: Bedrijven moeten daarnaast maatstaven identificeren voor het meten van succes van hun AI-toepassingen. De definitie van succes kan er voor elk bedrijf weer anders uitzien, maar het uiteindelijke doel blijft hetzelfde: winst maken, kostenbesparingen bewerkstelligen en toegevoegde waarde bieden.
Interactie met de ML-gemeenschap: Volgens Bakker speelt dit een sleutelrol bij het in gang zetten van AI-transformatie binnen bedrijven. "Er zijn tal van manieren om de samenwerking op te zoeken met de machine learning-gemeenschap," legt hij uit. "Dit is mogelijk via online forums en webinars en offline tijdens speciale bijeenkomsten zodra de tijd daar weer rijp voor is. Dit biedt ML-professionals de gelegenheid om kennis uit te wisselen en van elkaar te leren. Er zijn in alle delen van de wereld machine learning-groepen te vinden. Mogelijk zit er ook eentje dicht in de buurt!" Tot slot gaat Bakker in op de uitdaging van vertrouwen.
Vertrouwen: vertrouwen in AI en andere technologische overwegingen
Bakker: "Machine learning-modellen zouden niet als een ‘zwarte doos’ moeten worden beschouwd. We zouden modellen en hoe hun voorspellingen tot stand komen makkelijk moeten kunnen uitleggen. Om AI-toepassingen te kunnen vertrouwen moeten we de beslissingen van het model op accurate wijze beschrijven, gedegen documentatie beschikbaar stellen en bias uit de resultaten elimineren."
Het is belangrijk om te bepalen welke technologie moet worden gebruikt. Volgens Bakker kan die namelijk een aanzienlijke zakelijke impact hebben.
Open source of niet-open software
Bakker legt uit: "Wanneer bedrijven van start gaan met hun AI-traject moeten ze mogelijk kiezen tussen commerciële of open source-software, of wellicht een combinatie van beiden. Veel pioniers op het gebied van machine learning en AI bieden hun technologieën in de vorm van open source-oplossingen aan. Die kunnen een goed startpunt vormen voor bedrijven." Wel geeft hij aan dat naarmate AI-implementaties groeien in schaal en complexiteit bedrijven mogelijk moeten overstappen op commerciële varianten.
Op locatie of in de cloud
"De keuze van omgeving is afhankelijk van hoe snel een bedrijf met AI aan de slag wil gaan," licht Bakker toe. "Als het bedrijf op nul begint en nog niet over een DevOps-systeem beschikt, is het eenvoudiger om in de cloud van start te gaan. Op die manier hoeft er geen software aangeschaft en geconfigureerd te worden en hoeft het bedrijf zich al evenmin zorgen te maken over de beveiliging, infrastructuur en het onderhoud. Maar als een onderneming wel over een gedegen DevOps-infrastructuur beschikt, kan de on premise-optie helpen met het stroomlijnen van de kosten. Veel bedrijven geven de voorkeur aan een hybride model. Op die manier kunnen ze schakelen tussen omgevingen op locatie en in de cloud. In de praktijk werkt dat prima."
Data
Ook in technologisch opzicht is en blijft data een essentieel aandachtspunt volgens Bakker. Het is van cruciaal belang om inzicht te verwerven in manieren om data te genereren, op te slaan en toegankelijk te maken. Bedrijven moeten goed nadenken over aspecten als privacy, data governance, informatiebeveiliging en de herkomst van gegevens.
En dan?
Bakker lacht: "En dan begint het pas echt. Door het uitpluizen van de drie belangrijkste uitdagingen (talent, tijd en vertrouwen) en het identificeren van bijpassende oplossingen kan de projectleider samen met zijn team een koers uitstippelen om de AI-transformatie een vliegende start te bezorgen. Identificeer de problemen die op dit moment opgelost moeten worden en experimenteer met het toepassen van ML en AI voor het vergroten van het concurrentievermogen. En stop de nodige tijd, geduld en middelen in het ontwikkelen van een AI-cultuur. Het is het waard."
