Het kostenplaatje van AI

Als bedrijven succesvol zijn met hun eerste AI use cases is er vaak de neiging om hetzelfde proces te herhalen en steeds meer use cases toe te voegen. Hierbij heeft het tiende project meestal nog steeds een positieve impact op de balans, maar is de marginale, economische waarde van de volgende use case lager dan de marginale kosten.

Kosten van enterprise AI

Natuurlijk zijn er kosten zoals tools en technologie. Maar het zijn de volgende minder tastbare kosten die na verloop van tijd toenemen, waardoor het vermogen te schalen en te profiteren van AI afneemt. 

1. Opschonen van data en datapreparatie 

Dit zijn cruciale en tijdrovende onderdelen van een AI-project en gaan als ze niet goed worden uitgevoerd, ten koste van de kwaliteit van AI-modellen. Om kosten te verminderen gaat het niet om versnellen of om taken weg te halen bij de data scientist. Het is zaak een efficiencyslag te maken en systemen te gebruiken waarmee je de data kunt vinden, opschonen en prepareren, en kunt gebruiken voor verschillende use cases. 

2. Operationaliseren en naar productie brengen

In het proces van de operationalisatie van een model zijn meerdere workflows. Bovendien bestaan ​​data science-projecten niet alleen uit code, maar ook uit verschillende data. Daarom moeten ze, voor betrouwbaar transport van code en data van de ene omgeving naar de andere, samen worden verpakt. Consistent verpakken, vrijgeven en operationaliseren is complex en zonder een manier om dit eenduidig te doen, kan het tijdrovend en dus kostbaar zijn. 

3. Aannemen en behouden van data scientists

Data scientists willen het verschil maken en worden gedreven door efficiëntie. Als zij veel tijd kwijt zijn aan het opschonen van data en datapreparatie, in plaats van te werken met geavanceerde technologie, zullen ze niet erg blij zijn in hun werk. Je bent dan veel geld kwijt aan het werven en behouden van data scientists. Je kunt deze kosten terugdringen door hen de middelen te geven waarmee ze kunnen profiteren van voorgaande projecten en werk opnieuw kunnen gebruiken.

4. Onderhoud van modellen

Machine learning-modellen zijn niet net als softwarecode die een keer in productie kunnen worden genomen en werken totdat er fundamenteel iets aan het systeem veranderd. Data verandert voortdurend, waardoor modellen na verloop van tijd gaan afwijken. Daarom is continu onderhoud van AI-projecten noodzakelijk. Afhankelijk van de use case kan het model steeds minder effectief worden en in het ergste geval zelfs schadelijk zijn voor het bedrijf.

5. Complexe technologische stacks
Het is niet alleen de infrastructuur die moet worden onderhouden; ook  AI-technologieën veranderen snel. Het overschakelen van de ene naar de andere technologie komt regelmatig en kan kostbaar zijn. Ook gebruiken verschillende teams in grote organisaties soms andere technologieën. Zonder zaken samen te kunnen voegen - en hergebruik en uitwisseling van kennis tussen deze teams - wordt opschalen nog duurder.