Helft CIO's heeft AI op planning

Dit blijkt uit onderzoek van Gartner naar aanleiding van een conferentie over Data & Analytics half maart in Londen.

Volgens Wit Andrews, senior analist bij Gartner, lopen de early adopters tegen flinke problemen op in hun organisatie wanneer ze kunstmatige intelligentie in hun productieprocessen willen integreren.

Dat is dan ook de reden dat er ondanks een enorme belangstelling voor AI er nog weinig concrete toepassingen zijn bij bedrijven.

Uit de eerste ervaringen bij klanten trekt Andrews wel een aantal conclusies:

1. Start niet met hoge verwachtingen Trap niet in de valkuil gelijk harde resultaten te willen boeken, zoals het bereiken van financiële doelen. Het werkt beter om klein te beginnen en je te richten op meer zachte doelen als hogere klanttevredenheid of procesverbetering. AI projecten leveren aanvankelijk op zijn best lessen op die kunnen helpen vervolgexperimenten en implementaties te verbeteren. Als de organisatie vereist dat er een financieel doel wordt gesteld bij experimenten, stel dat doel dan zo laag mogelijk, zegt Andrews. "Denk eerder in duizenden of tienduizenden dollars. Probeer eerst te begrijpen wat je wil bereiken op kleine schaal om daarna hogere doelen na te jagen."  
2. Richt je op het ondersteunen van werknemers, niet op vervanging De inzet van geautomatiseerde systemen wordt vaak geassocieerd met een reductie van het personeelsbestand. Dat is ook een aantrekkelijke en voor de hand liggende optie voor de lijnmanagers. Het gevolg is echter dat er een grote weerstand ontstaat in de organisatie tegen het gebruik van de nieuwe technologieën, vooral bij de mensen van wie hun baan op het spel staat. Daardoor missen bedrijven makkelijk kansen die de introductie van AI kan bieden. Andrews: "Het is veel productiever werknemers in de frontlinie te laten werken samen met nieuwe technologie waardoor zij enthousiast raken over het feit dat zij meer interessant werk aan kunnen en zij hun taken beter kunnen uitvoeren."  
3. Borg de kennisoverdracht Het inzetten van kunstmatige intelligentie in een organisatie vereist meer dan kennis en ervaring met AI. Vooral de behoefte aan vaardigheden in data science vormt een struikelblok. Gartner verwacht dat in de periode tot 2022 85 procent van alle AI-projecten foute uitkomsten gaan opleveren als gevolg van een bias in data, algoritmen of de teams die verantwoordelijk zijn voor het beheer. "Data is de brandstof van AI", stelt Andrews' collega Jim Hare. "Organisaties moeten zich nu voorbereiden op het opslaan en verwerken van grotere hoeveelheden data als basis voor hun AI-initiatieven. Voor de lange termijn is het geen ideale situatie om voor deze vaardigheden volledig afhankelijk te zijn van externen. Daarom is het belangrijk dat de kennis van externe partners overgaat op eigen werknemers zodat de organisatie voorbereid is op de overgang naar grootschaliger projecten.  
4. Zorg voor transparantie Het is erg belangrijk dat zo duidelijk mogelijk kan worden uitgelegd hoe beslissingen tot stand komen. Of een AI-systeem wel goede antwoorden oplevert is niet het enige punt van aandacht. Met de inzet van deep neural networks is dat niet altijd mogelijk, maar probeer de uitkomsten zo veel mogelijk te visualiseren. De transparantie is vaak een vereiste wanneer bedrijfsprocessen onderhevig zijn aan wetgeving en externe financiële en technische controle (auditing).