Zo maak je AI-projecten kosteneffectiever

Zoals ik eerder aangaf is doorgaans de economische waarde van iedere volgende AI use case lager dan de kosten. Er ontstaat een moment waarop de economische waarde van AI afneemt omdat:

• de marginale kosten van de extra use cases niet afnemen.
• de marginale waarde van de aanvullende use cases afneemt (de eerste use case heeft meer waarde dan de zoveelste use case).
• de marginale winst van aanvullende use-cases snel negatief wordt.

Er zijn twee belangrijke adviezen waarmee je de waarde van AI kunt laten toenemen naarmate je meer projecten uitvoert. 

1. Vermijd repetitieve taken

Hergebruik en kapitalisatie zijn hierbij sleutelwoorden. Bij hergebruik vermijd je repetitieve taken binnen AI-projecten. Van kleine details (zoals code die wordt gedeeld tussen verschillende projecten om datapreparatie te versnellen) tot op macroniveau (twee data scientists uit verschillende delen van het bedrijf niet aan hetzelfde project laten werken). 

2. Deel kosten van AI-projecten

Kapitalisatie in AI tilt hergebruik naar een ander niveau - het gaat om het delen van de kosten van een eerste AI-project (meestal de kosten voor het verzamelen, opschonen en preparatie van data) met andere projecten. Zo krijg je meerdere use cases voor de prijs van een. 

Schaalbaarheid

Maar hoe zorgen hergebruik en kapitalisatie dan voor schaalbaarheid?

Door het aantal use cases dat met AI-projecten wordt aangepakt te vergroten en tegelijkertijd de impact van de genoemde kosten te verminderen. Met andere woorden, door grotere use cases met hoge prioriteit aan te pakken en tegelijkertijd de tools te bieden om die uit te breiden naar kleinere use cases door stukjes te hergebruiken. Hiermee hoef je niet het wiel opnieuw uit te vinden voor het opschonen en de preparatie van data, operationalisatie en monitoring. Ook kunnen data scientists zo hun tijd besteden aan meer uitdagende taken.   

Kapitalisatie en hergebruik klinken eenvoudig, maar in de praktijk vereisen ze sterke, bedrijfsbrede, gecentraliseerde processen waarbij: 

• Mensen eenvoudig toegang hebben tot informatie en kunnen zien wie aan welk project werkt;
• Er transparantie is over wat anderen al hebben gemaakt - zoals modellen - en men kan zien wat er met de data is gebeurd;
• Men werk dat is gedaan door anderen kan hergebruiken en/of aanpassen;
• Data-experts op een simpele manier projecten kunnen bouwen en delen zodat anderen ervan kunnen profiteren;
• Medewerkers, ongeacht of ze kunnen coderen, efficiënt kunnen werken op de wijze die zij het prettigst vinden;
• Data-experts de kwaliteit van AI-projecten kunnen garanderen zodat er de meeste waarde uit gehaald kan worden voor verschillende use cases.

Het realiseren van deze processen is vaak een uitdaging. Organisaties die succesvol zijn met hergebruik en kapitalisatie starten vaak met een ‘data science center of excellence’. Hiermee kun je best practices identificeren en mensen in het hele bedrijf waaronder data scientists, analisten en business professionals betrokken houden. En leg je een stevige fundering onder het succes van een duurzame en efficiënte AI-strategie.