BLOG – Het is niet de vraag óf maar wannéér en ook hóé te starten met artificial intelligence (ai). De adoptie ervan ondervindt nu vooral een rem door het gebrek aan gekwalificeerd personeel. Slechts acht procent van het Nederlandse bedrijfsleven is in staat de juiste mensen te vinden. Dat blijkt uit onderzoek van Strand Partners.
Daarmee blijft het economisch potentieel van ai onbenut. Sterker, ai gaat gepaard met investeringen die alleen zijn terug te betalen als de slimme technologie op de juiste manier wordt ingezet. Waak er dus voor dat je volgende fouten voorkomt zodra je gaat starten met ai.
- Denken nadat er gedaan is
Als ontwikkelaars aan de gang gaan, kan er zomaar een goed idee op tafel te komen. Wat in eerste instantie interessant lijkt, blijkt later veelal een innovatief technisch hoogstandje zonder te weten of hiermee een echt probleem wordt opgelost. In zo’n proces wordt veel ingevuld voor anderen zonder dat deze collega’s vanuit de business, legal of zelfs eindgebruikers betrokken zijn. Zorg niet alleen voor technische kpi’s die het succes van het project meten. Kpi’s moeten bovendien inzicht geven in de economische waarde voor de organisatie. Dan is een heldere strategie vanaf de start cruciaal waarbij collega’s vanuit andere disciplines direct actief betrokken worden.
- Adoptie-aanpak ontbreekt
De ontwikkeling van ai gaat gepaard met een helder adoptieplan. Anders is de inzet gedoemd te mislukken. Is er sprake van change management als de werkwijze voor eindgebruikers bijvoorbeeld verandert en wat is er nodig om de ai-app te gaan gebruiken en op welke manier? It-experts verzuimen nog weleens na te denken hoe ai is in te bedden in bestaande processen of procedures. Als het contact met eindgebruikers ontbreekt, kan zelfs een goed werkende ai-app adoptieproblemen opleveren.
- Data-infra en -kwaliteit niet klaar voor ai
Garbage in, garbage out geldt natuurlijk ook voor ai. Toch is het gebrek aan een goede data-infrastructuur en -kwaliteit een veel voorkomende fout waarmee het AI-potentieel onbenut blijft. Van groot belang dus! Een geoliede data-infrastructuur verhoogt de kans van slagen van AI-projecten. In algemene zin kun je stellen dat de IT-volwassenheid van de organisatie een bepalende factor is. Voor het gebruik van de best presterende AI-modellen zijn tevens steeds vaker GPU’s nodig. Kijk daarbij ook naar kritisch naar de bestaande cloudinfrastructuur. Het gebrek aan een (publieke) cloudinfrastructuur kan het succes van AI-projecten belemmeren.
- Gokken op één proof of concept
De kans van slagen is geen gelopen race bij ai-projecten. Dus ga niet op één paard wedden om teleurstelling en demotivatie om verder te gaan te voorkomen. Identificeer daarom een use-case die alles in zich heeft om te slagen waarmee tegelijkertijd geen hoge verwachtingen gepaard gaan. Verwachtingsmanagement dus waarbij realistische doelen gelden.
- Ai krijgt een speciale behandeling
Vaak wordt een speciaal innovatietraject ingericht voor de ontwikkeling van ai-systemen. Zo kan het gebeuren dat ai-applicaties worden ontwikkeld zonder dat bijvoorbeeld kwaliteits-, test- en veiligheidsnormen worden toegepast die wel in reguliere applicatie-ontwikkelprocessen zijn ingebed. Gebrek aan ai-testexpertise is veelal de oorzaak. Zo is het bij specifieke large language models lastig om te testen of vragen goed beantwoord worden. Simpelweg omdat antwoorden kunnen variëren. Een multidisciplinair team biedt dan uitkomst. Daarin zitten experts die weten hoe bijvoorbeeld end-to-end tests in te zetten in combinatie met de kennis van AI-experts over de validatie van non-deterministische antwoorden. Zorg er dus voor dat AI-systemen met dezelfde kwaliteitseisen worden ontwikkeld als reguliere IT-applicaties door zowel het AI-model als het systeem te testen.
- Performance boven uitlegbaarheid
In de academische wereld is accuraatheid van ai-modellen de belangrijkste maatstaf. Dat geldt niet voor het bedrijfsleven waar uitlegbaarheid leidend is. Als de ai-oplossing meer dan 95 procent goede beslissingen neemt zonder te weten hoe en waarom deze tot stand zijn gekomen, dan laat het adoptieproces zich gelden als een moeizaam traject.
Mathijs van Bree is ai-expert bij Sogeti
Wat een treurig beeld schept de expert.
Als je die kopjes van die paragrafen leest.
Gewoon maar beginnen, zonder dat je weet hoe, waarom en welk probleem je wilt oplossen.
En dan kan nog maar 8 procent van het Nederlandse bedrijfsleven de juiste mensen daarvoor vinden 😉
Maar de uitsmijter is top. Accuraatheid versus uitlegbaarheid.
In de academiche wereld zou eerste leidend zijn en in bedrijfsleven de uitlegbaarheid.
Maar hoe hoe meet je accuraatheid als je die niet kan uitleggen ?
En hoe leg je uit dat een resultaat wel de moeite waard is, maar niet accuraat 🙂
Samengevat een hoop open deuren en nieuwe vragen.
Aldus de expert en die heeft er verstand van,
nou ja, bij computable is een expert meer iemand die zn bedrijf komt promoten.
Het is zeker niet zo dat ieder bedrijf al deze fouten maakt, maar ik zie ze geregeld in de praktijk voorkomen. Het eerste stuk met het kopje ‘Denken nadat er gedaan is’ legt uit dat je juist niet te snel moet beginnen met bouwen, maar dat je eerst het probleem goed zou moeten onderzoeken en vervolgens een concreet plan zou moeten maken alvorens je begint met bouwen.
Accuraatheid is zeker niet onbelangrijk bij het maken van AI-modellen, maar vaak is er een trade-off tussen uitlegbaarheid en accuraatheid. Kies je voor een state-of-the-art neuraal netwerk dat 90% van de gevallen correct voorspelt, maar waar niet te herleiden is waarom voorspellingen worden gemaakt? Of ga je voor een random forest model dat 85% goed voorspelt, maar waarbij we zien welke informatie een voorspelling uitlegt? Uitlegbaarheid zorgt voor vertrouwen en vertrouwen is nodig voor een succesvolle adoptie.
Ik beantwoord graag alle vragen die je hebt, dus schroom niet om contact op te nemen.