In het huidige digitale tijdperk, waarin artificiële intelligentie (ai) terrein wint, is het verleidelijk voor organisaties om de mogelijkheden en voordelen ervan te omarmen. Volgens een recent rapport van IDC blijven de percentages van ai-adoptie hoog, maar is er een opvallend hoog aantal mislukte projecten. Het benutten van ai in dit nieuwe tijdperk vereist dan ook meer alleen een visie.
Om meer ai-projecten te laten slagen, is het van cruciaal belang voor organisaties om hun visie te evalueren en de obstakels aan te pakken die de weg naar succes belemmeren. Daarom hieronder drie van de meest voorkomende organisatorische oorzaken waardoor ai-projecten mislukken, en een aantal praktische tips om wel effectief met ai-projecten om te gaan. Door de obstakels te begrijpen en te overwinnen, kunnen organisaties een solide basis leggen om optimaal te profiteren van de mogelijkheden die ai biedt.
Tekort aan ai-talent
Het tekort aan ai-talent vormt een belangrijke uitdaging bij het opschalen van ai. Het vinden van mensen met zowel analytische als ai-vaardigheden en het identificeren van geschikte businesscases zijn twee cruciale obstakels. Voor de meeste organisaties is het echter niet haalbaar om tientallen, of honderden data-scientists in dienst te nemen. Bovendien zijn de talenten die zowel ai – als business-vaardigheden bezitten zo zeldzaam dat ze vaak unicorns worden genoemd.
Om dit aan te pakken, is het essentieel dat organisaties streven naar het opbouwen van teams die bestaan uit zowel data-experts als domeindeskundigen. Het evolueren van het ai-werkmodel is ook van cruciaal belang om de volwassenheid van ai geleidelijk te verbeteren. Volgens Harvard Business Review bestaat 85 procent van de bedrijven die ai succesvol hebben opgeschaald uit interdisciplinaire ontwikkelingsteams.
Om het tekort aan talent te overwinnen, moet de rol van data-scientists gecombineerd worden met die van kenniswerkers en branchespecialisten. Door hun kennis en kunde uit te breiden, kan de waardecreatie worden versneld en kunnen organisaties optimaal profiteren van ai-technologieën. Het samenbrengen van diverse expertises en het bevorderen van samenwerking tussen verschillende disciplines zal bijdragen aan een succesvolle implementatie van ai binnen organisaties.
Gebrek aan ai-governance en toezicht
Het gebrek aan ai-governance en toezicht kan leiden tot ernstige problemen. Gelukkig zijn er strategieën en best practices beschikbaar die analytics- en ai-teams kunnen helpen bij het stroomlijnen en opschalen van hun ai-inspanningen. Een van die strategieën is het implementeren van een ai-governance-strategie met operationele elementen, zoals ml-ops, en waardegerichte elementen, zoals responsible ai.
Ai-governance biedt end-to-end-modelbeheer op schaal, waarbij er aandacht is voor het afwegen van waarde en efficiëntie bij het opschalen van ai in overeenstemming met regelgeving. Het is belangrijk dat teams een onderscheid maken tussen proof-of-concepts (poc’s), selfservice-data-initiatieven en geïndustrialiseerde dataproducten, evenals de bijbehorende governance-eisen. Er moet ruimte zijn voor verkenning en experimenten, en tegelijkertijd moeten teams ook duidelijke beslissingen nemen over wanneer selfservice-projecten of poc’s de financiering, testen en verzekering moeten krijgen om te kunnen uitgroeien tot een geïndustrialiseerde en operationele oplossing.
Stel duidelijke richtlijnen op voor gegevensprivacy, beslissingsbevoegdheden, verantwoordelijkheid en transparantie. Het is van belang dat it en degenen die betrokken zijn bij bedrijfsvoering en naleving gezamenlijk proactief en voortdurend risicobeheer en governance uitvoeren. Op die manier kunnen ai-teams de juiste structuur en processen creëren om ai-initiatieven veilig en succesvol te implementeren en de gewenste waarde voor het bedrijf te genereren. Met de juiste inrichting en afspraken creëer je zo en/en in de organisatie: en selfservice analytics en governance.
Het ontbreken van een platformgerichte benadering
Het ontbreken van een platformgerichte benadering kan een uitdaging zijn voor teams die op zoek zijn naar de juiste technologieën en processen om het gebruik van ai op grote schaal mogelijk te maken. End-to-end-platformen bieden een oplossing door samenhang te bieden gedurende alle stappen van de analytics- en ai-projectlevenscyclus.
Bij het opzetten van een moderne ai-platformstrategie is het van essentieel belang om de waarde van een alles-in-één-platform te overwegen, dat alle aspecten omvat, van datapreparatie tot het monitoren van machine learning-modellen die in productie zijn genomen. Het afzonderlijk aanschaffen van tools voor elk onderdeel kan buitengewoon uitdagend zijn, aangezien er veel puzzelstukjes zijn die op verschillende gebieden van de levenscyclus passen.
IDC adviseert dan ook in plaats van afzonderlijke oplossingen te implementeren voor kleine taken de platformbenadering te omarmen om consistente ervaringen en standaardisatie te ondersteunen. Dit helpt bij het bevorderen van efficiëntie en het vermijden van fragmentatie binnen het ai-landschap.
Tijdrovend
Het opschalen van analytics- en ai-inspanningen kan een tijdrovend en kostbaar proces zijn. Het zoveel mogelijk vermijden van mislukte projecten is cruciaal. Echter, het is zaak om te erkennen dat een zekere mate van ‘gezond falen’ tijdens experimenten waardevol kan zijn, zolang teams snel kunnen leren van hun fouten en deze lessen kunnen toepassen. Om succesvol te zijn, moeten teams zich richten op het ontwikkelen van vaardigheden en trainingen, het toegankelijk maken van ai-tools en -technologieën voor een bredere groep medewerkers en het implementeren van passende maatregelen om verantwoorde ai-implementaties te waarborgen.
Door de oorzaken van het falen aan te pakken en de juiste strategieën en best practices te volgen, realiseren organisaties succesvolle analytics- en ai-projecten en profiteren ze optimaal van de mogelijkheden van ai in het digitale tijdperk.
