AI is geen heilige graal!

Bedrijven denken vaak dat technologie op basis van Artificial Intelligence (AI) bovenmenselijke capaciteiten heeft die alles mogelijk kan maken. Echter zijn situaties die moeilijk door mensen zijn op te lossen, vaak ook erg lastig te ontrafelen met AI-technologie.

AI blinkt juist uit in het automatiseren van taken die zeer repetitief zijn. Door patronen te herhalen die duizenden keren per maand worden opgelost door mensen, kan het AI-model getraind worden om dit patroon te detecteren. Het geleerde patroon kan vervolgens worden gebruikt om anomalieën te classificeren, voorspellen, clusteren of te detecteren. Hierdoor kan AI bestaande kernprocessen verbeteren of versnellen en uiteindelijk financiële investeringen terugverdienen. Denk hierbij bijvoorbeeld aan het beoordelen van een hypotheekaanvraag. Dit vereist een opgeleide werknemer, maar de taak is in de praktijk vaak erg repetitief. Hetzelfde geldt voor een expert in een staalfabriek die producten controleert op productiefouten of een callcentermedewerker die een mailing verwerkt. Dit soort taken zijn zeer geschikt voor automatisering met behulp van AI.

Proof of Concept te beperkt

Om AI tot een succes te maken is het belangrijk dat bedrijven eerst een showcase binnen een beperkt domein ontwikkelen. Echter, zie ik vaak dat de meeste bedrijven beginnen met de ontwikkeling van een Proof of Concept (PoC). Het nadeel hiervan is dat een PoC, in tegenstelling tot een showcase, niet kan bewijzen of de oplossing ook in de praktijk werkt. Ontwikkelaars hebben hierdoor geen idee hoe ze de gecreëerde modellen in productie moeten nemen, waardoor de stap naar een echte oplossing vaak te groot is. Dankzij showcase kunnen ontwikkelaars vanaf de start bewijzen dat AI in de praktijk werkt. Bovendien kan aan de hand van de showcase het doel en de meeteenheden, voor het meten van succes, worden gedefinieerd.

Zodra het doel en de evaluatiecriteria zijn gedefinieerd, moet de nadruk liggen op het identificeren van de gegevensbronnen. Daarnaast moet er gekeken worden naar de manier waarop gegevens op de meest efficiënte en gestructureerde wijze kunnen worden verzameld. Een andere belangrijke stap is het herkennen van veranderingen, deze moeten via de gehele organisatie worden doorgevoerd om AI mogelijk te maken. Vervolgens moet de data worden voorbereidt door structuur aan te brengen en kan het algoritme worden gefinetuned. Zodra dit is ontwikkeld kan het selecteren van de juiste AI-algoritmen, het optimaliseren van hun prestaties en het inzetten van de oplossing beginnen.

Toekomstig gebruik van data vergeten

Verder zullen bedrijven ook moeten kijken hoe ze binnen de organisatie een datacentrische cultuur kunnen realiseren. Het is belangrijk dat medewerkers begrijpen hoe AI technologie wordt toegepast. Medewerkers moeten begrijpen dat AI een ontwikkeling is die langzaamaan onze samenleving binnentreedt en zich ontwikkelt tot een bouwsteen voor de digitale samenleving. Vaak beseffen medewerkers niet altijd wat AI inhoudt, waardoor ze geen rekening houden met het toekomstige gebruik van data. Ook kan hun beeld van AI negatief zijn, denk bijvoorbeeld aan doemscenario’s van intelligente robots die de mensheid en de banenmotor bedreigen. Dit kan de innovatie en een verantwoorde ontwikkeling van AI binnen het bedrijf bemoeilijken.

Kortom, AI is geen heilige graal maar is complex van aard en vergt aanzienlijke inspanningen. Hoewel AI de potentie heeft om situaties op te lossen die ook moeilijk zijn voor de mens, is er een groot risico dat deze projecten falen. Het is daarom verstandig dat bedrijven die willen starten met AI, zich goed voorbereiden en op zoek gaan naar een business case waarbij AI een directe impact kan hebben. Op deze manier is de kans groot dat het AI project slaagt, waardoor ook het vertrouwen en de investeringen om te experimenteren met AI zullen toenemen.