Hang naar perfectie belemmert AI

Waar het stokt? Vlak na de experimenteerfase, op het moment dat de nieuw ontwikkelde AI-tool door de business in gebruik moet worden genomen.

De belemmeringen voor AI-experimenten zijn fenomenen waar IT al jaren mee te maken heeft. Een oplossing is al bij veel IT-afdelingen bekend: werken in DevOps-teams. 

Drie kritische succesfactoren. 

1. Het gebruik van kwalitatieve data 
Het succes van een AI-oplossing valt of staat bij de (kwantiteit en kwaliteit van) data die je tot je beschikking hebt. Idealiter wil je als ontwikkelteam toegang hebben tot veel verschillende databronnen binnen de organisatie om te testen en te ontwikkelen. De eigenaren van databases zitten verspreid over de organisatie, waardoor er veel tijd (en energie) zit in het vergaren van data. Een DevOps-team betrekt niet alleen ontwikkelaars en eindgebruikers, maar ook teamleden die verantwoordelijk zijn voor de datastrategie en -kwaliteit. 

2. Leren leven met een foutmarge 
IT is per definitie nogal een exact vakgebied en daardoor hebben we er soms moeite mee als uitkomsten niet 100 procent accuraat zijn. Deze hang naar perfectie kan het in de praktijk brengen van een nieuwe AI-oplossing in de weg zitten. Wat dan eigenlijk wordt vergeten, is dat mensen ook niet feilloos zijn. Neem de inzet van een AI-chatbot; als deze 80 procent van de klantvragen kan afhandelen, dan is de accuratesse minder dan 100 procent. Toch is er een businesscase te maken, omdat klantenservicemedewerkers nog maar in 20 procent van de klantvragen betrokken hoeven te worden.

Leer leven met kleine stapjes

Een incrementele verbetering of ‘minimal viable product’ heeft directe waarde, zeker in de experimentfase. Leer leven met kleine stapjes, die samen uiteindelijk zorgen voor een grote impact.

3. De eindgebruiker betrekken
Misschien wel het voornaamste voordeel van DevOps-teams is het betrekken van de eindgebruiker, waardoor je regelmatig features kunt verbeteren voordat ze in productie gaan.

Hierdoor sla je een brug tussen het laboratorium van het AI-experiment en de uiteindelijke toepassing in de praktijk. Dat gaat niet alleen over het testen van features, maar ook over het uitleggen hoe een tool werkt. Als de uitkomsten van een AI-tool bijvoorbeeld niet 100 procent accuraat zijn, dan is het belangrijk om de business mee te nemen in dat verhaal. Leg uit hoe de AI-tool tot bepaalde antwoorden komt.

Accepteren van een foutmarge is laatste les

De DevOps-methode helpt om belangrijke bruggen te slaan tussen het ontwikkelteam en de eindgebruikers, door het betrekken van de eindgebruiker en datastrategen die ervoor zorgen dat het team de beschikking heeft over de kwalitatieve datasets. Het accepteren van een bepaalde foutmarge en kleine verbeterstapjes is de laatste les die AI-teams kunnen trekken uit de DevOps-aanpak. 

Zo kun je er als team voor zorgen dat de AI-oplossing verder komt dan de experimenteerfase.