5 Stappen om AI in uw bedrijf te implementeren zonder de bank te breken

Kunstmatige intelligentie blijft een grote groei doormaken en als het blijft doordringen in elke industrie, zal het de manier waarop we leven volledig veranderen.

Als gevolg hiervan is het integreren van AI in hun bedrijven voor veel oprichters een absolute prioriteit geworden. Zelfs individuen zoeken naar manieren om AI te gebruiken om hun persoonlijke leven te verbeteren.

De hype is zo groot dat Collins Dictionary, een toonaangevende taalautoriteit, AI heeft genoemd als het woord van het jaar, vanwege de plotselinge toename in populariteit.

Gezegd hebbende, voor de meeste organisaties is er een enorme kloof tussen idee en realiteit wanneer ze proberen AI in hun processen te integreren, omdat de weg niet zo rechttoe rechtaan is als het lijkt, en het kan heel duur zijn, zowel in termen van kapitaaluitgaven als in verspilde tijd, omdat de ontwikkelingen niet het verwachte resultaat zullen opleveren. Dit heeft verschillende bedrijven in de problemen gebracht. Bijvoorbeeld, CNET heeft geëxperimenteerd met AI-geschreven artikelen, en die bleken vol fouten te zitten. Andere bedrijven, zoals iTutor Group, hebben forse boetes gekregen naast openbare spot, vanwege hun slechte AI-implementaties.

Zoals deze gevallen laten zien, kunnen bedrijven veel fouten maken met AI, en tenzij een onderneming de financiële buffer heeft van Amazon, Google, Microsoft of Meta, kunnen deze mislukte experimenten een bedrijf effectief failliet laten gaan.

Als u een oprichter of bedrijfseigenaar bent, is hier een gids met vijf stappen om u te helpen AI in uw bedrijf te implementeren, terwijl u op een verantwoorde manier gebruikmaakt van uw middelen – geld en tijd, wat uiteindelijk geld is – en terwijl u de kans op fatale fouten vermindert.

1. Wees duidelijk over het probleem dat u probeert op te lossen

Geen enkel bedrijf is immuun voor AI-fouten. En zoals Amazon pijnlijk ontdekte – door zijn mislukte kassaloze winkels Amazon Go – niet elk bedrijf heeft AI nodig.

Daarom is het cruciaal dat u het probleem definieert dat u met AI probeert op te lossen. Dit moet zo duidelijk mogelijk worden omschreven.

Een veelvoorkomende toepassing van AI is klantenservice. Het implementeren van AI in zo’n geval is mogelijk op een manier die specifieke resultaten oplevert, bijvoorbeeld door de kosten van de callcenter te verminderen met X bedrag per maand of door de gemiddelde tijd te verkorten die nodig is om klantvragen op te lossen met X minuten. Met deze aanpak hebben we een meetbare indicator in de vorm van geld of tijd, die we proberen te bereiken door AI te implementeren en te zien of dit enig effect heeft.

Er zijn verschillende manieren waarop dit kan gebeuren. Bijvoorbeeld, in plaats van een chatbot, kunnen we een dienst ontwikkelen of kopen die bepaalt of een klantvraag kan worden beantwoord met een FAQ-pagina. Het werkt als volgt. Wanneer een klant een bericht schrijft, voeren we dit model uit en het vertelt ons of we de conversatie moeten overdragen aan een agent of toont hen een relevante pagina met een antwoord op hun vraag. Het ontwikkelen van dit model is sneller en goedkoper dan het bouwen van een complexe chatbot van scratch. Als deze implementatie succesvol is, bereiken we ons doel van het verminderen van kosten terwijl we onze AI-gerelateerde kapitaaluitgaven optimaliseren, in vergelijking met de kosten van het ontwikkelen van een chatbot.

Een pionier in deze aanpak was Matten Law, een Californisch advocatenkantoor dat een AI-gepowered assistent integreerde om veel taken te automatiseren, waardoor advocaten meer tijd konden besteden aan het luisteren naar klanten en het bestuderen van die aspecten van een zaak die het meest relevant waren. Dit illustreert dat zelfs de meest rigide sectoren kunnen worden verstoord door AI op een manier die de gebruikerservaring versterkt, door de menselijke touch te versterken waar het het meest nodig is.

Andere veelvoorkomende problemen die met AI kunnen worden aangepakt, zijn data-analyse en het creëren van aangepaste aanbiedingen. Spotify is een buitengewoon voorbeeld van een bedrijf dat met succes AI gebruikt om een intelligent systeem voor muziekaanbevelingen te ontwikkelen, dat zo ver gaat als rekening houdend met het tijdstip van de dag waarop iemand naar een bepaald genre luistert.

In beide eerdergenoemde scenario’s helpt AI bij het bieden van een betere ervaring voor de klant. Echter, de reden waarom deze bedrijven AI succesvol gebruikten, was omdat ze heel duidelijk waren over de aspecten die aan AI moesten worden overgedragen.

2. Bepaal de data die u moet analyseren

Zodra het hoofdprobleem goed is gedefinieerd, moeten we rekening houden met de data die we aan het systeem moeten voeden. Het is essentieel om te onthouden dat AI een algoritme is dat de data die we bieden analyseert en aanpast. Het basisscenario voor data-verzameling is als volgt:

1. Begrijp welke data we nodig hebben om AI te implementeren.

2. Kijk of ons bedrijf die data heeft.

   1. Als het wel zo is — prima.

   2. Als niet, moeten we ons afvragen of we het juiste data-verzamelingproces in-house kunnen starten. Als een andere mogelijkheid kunnen we ontwikkelaars vragen om de data die we nodig hebben op te slaan als we dat nog niet doen.

Hier is een voorbeeld. We hebben een koffiezaak en we hebben data nodig over hoeveel klanten deze bezoeken. We kunnen dit doen door persoonlijke loyaliteitskaarten te implementeren die klanten zullen tonen wanneer ze een aankoop doen. Op deze manier hebben we de data die we nodig hebben, zoals welke klanten kwamen, wanneer ze kwamen, wat ze kochten en in welke hoeveelheid. Zodra we die hebben, kunnen we deze data gebruiken om AI te implementeren. Echter, er zijn tijden waarop het verzamelen van deze data heel duur kan zijn. En dat is wanneer AI ons te hulp kan komen. Als we bijvoorbeeld een camera in onze koffiezaak hebben geïnstalleerd – wat we in ieder geval voor veiligheidsdoeleinden zouden moeten doen – kunnen we deze gebruiken om data van onze bezoekende klanten te verzamelen. Ik moet zeggen dat het, voordat we dit implementeren, belangrijk is om te overleggen over persoonlijke gegevenswetten, zoals de AVG, aangezien deze aanpak niet in elk land kan werken. Maar in die rechtsgebieden waarin het is toegestaan, kan dit een naadloze manier zijn om de informatie te verzamelen die we nodig hebben en om AI’s hulp in te schakelen om deze te analyseren en te verwerken.

Als u zich afvraagt, is dit persoonlijke loyaliteitsprogramma wat Starbucks heeft gedaan, met groot succes. Het beloningsprogramma van Starbucks ging zo ver als het bieden van persoonlijke incentives wanneer een klant hun voorkeurlocatie bezocht of hun favoriete drankje bestelde.

3. Definieer een hypothese

Er kunnen situaties zijn waarin u onzeker bent over welke processen geoptimaliseerd kunnen of moeten worden door AI.

Als dat uw geval is, kunt u beginnen met het opbreken van uw hele proces in fasen en identificeren van die fasen waarin u voelt dat uw bedrijf onderpresteert. Wat zijn die gebieden waarop u te veel geld uitgeeft? Wat duurt langer dan gebruikelijk? Door deze vragen te beantwoorden, kunt u de kritieke gebieden voor verbetering identificeren en beslissen of AI van hulp kan zijn.

Zoals u zult ontdekken, zijn er gevallen waarin conventionele oplossingen effectiever kunnen zijn. Als u worstelt met welke productaanbiedingen u aan uw klanten moet laten zien, zijn suggesties op basis van de meest populaire producten vaak veel effectiever in aanbevelingssystemen voor markten dan pogingen om gebruikersgedrag te voorspellen. Probeer dat eerst. Zodra u een resultaat heeft – of het nu positief of negatief is – kunt u een hypothese voor AI-testen hebben. Anders zal het veld van actie te vaag zijn en kunt u tijd en geld verspillen.

4. Maak gebruik van de bestaande oplossingen

Veel bedrijven proberen meteen hun eigen machine learning-algoritmes te ontwikkelen. Echter, als u niet van plan bent om deze te trainen met grote datasets over een lange periode, doe dat dan niet. Het zal heel duur en tijdrovend zijn.

In plaats daarvan stel ik voor dat u zich richt op oplossingen die al beschikbaar zijn. Bedrijven als Amazon, Google, Microsoft en vele anderen hebben AI-gepowered tools die u kunnen helpen om veel doelen te bereiken. Vervolgens kunt u een contract sluiten met een van hen en een interne ontwikkelaar inhuren om de benodigde API-aanvragen vaardig te configureren.

De basisidee is dat deze tools kunnen worden geïntegreerd door bedrijfsontwikkelaars (niet ML-specialisten), wat ons in staat stelt om snel de hypothese te testen of AI het verwachte effect heeft of niet. Als het faalt, kunnen we deze tools eenvoudig uitschakelen en onze kosten voor het testen van onze hypothese zullen alleen de ontwikkelaarstijd zijn die we hebben besteed aan het integreren met die service en het bedrag dat we hebben betaald om de tool te gebruiken. Als we een model zouden ontwikkelen, zouden we het salaris van de ML-specialist keer de tijd die ze besteden aan het ontwikkelen van het model uitgeven, plus eventuele infrastructuurkosten. En dan is het niet duidelijk wat we met de ontwikkelaar en het model moeten doen als het verwachte effect uiteindelijk niet aanwezig is.

Als onze hypothese wordt bewezen en de AI-gepowered tool het verwachte effect heeft, zijn we verheugd en komen we met een nieuwe hypothese. In de toekomst, als we voorzien dat de kosten van de tool aanzienlijk toenemen, kunnen we nadenken over het ontwikkelen van dit model zelf en zo de kosten nog verder verlagen. Maar we moeten eerst evalueren of de ontwikkelingskosten in feite lager zijn dan wat we zouden betalen om een tool van een ander bedrijf te gebruiken dat gespecialiseerd is in het ontwikkelen van deze tools.

Mijn advies is dat u uw eigen machine learning-product alleen ontwikkelt nadat u goede resultaten heeft behaald met het gebruik van AI met de bovengenoemde tools en nadat u zeker bent dat AI de juiste manier is om uw probleem op lange termijn op te lossen. Anders zal uw ML-project de waarde die u zoekt niet opleveren en, zoals een recent artikel in de Harvard Business Review zei, zal de AI-hype u alleen afleidt van uw missie, die geen AI nodig heeft.

5. Raadpleeg AI-specialisten

In dezelfde geest, maken oprichters en bedrijfseigenaren een andere veelvoorkomende fout door te proberen alles in-house te doen. Ze huren een AI-hoofdingenieur of onderzoeker in en vervolgens meer mensen om een team te vormen dat een state-of-the-art product kan maken. Echter, als u geen goed gedefinieerde AI-implementatiestrategie heeft, zal deze technologie nutteloos zijn voor het doel van uw bedrijf. Er is ook een geval waarin ze een junior ML-engineer inhuren om geld te besparen in vergelijking met het inhuren van een meer ervaren specialist. Dit is ook gevaarlijk, omdat iemand zonder ervaring de subtiliteiten van ML-systeemontwikkeling en -ontwerp niet kan kennen en “rookie-fouten” kan maken, waarvoor het bedrijf een te hoge prijs moet betalen, meestal hoger dan de prijs van het inhuren van één ervaren ML-specialist.

Daarom is mijn aanbeveling dat u eerst één AI-expert inhuurt, zoals een consultant, die u zal begeleiden en uw AI-adoptieproces zal evalueren. Maak gebruik van hun expertise om ervoor te zorgen dat het probleem waaraan u werkt AI vereist en dat de technologie effectief kan worden geschaald om uw hypothese te bewijzen.

Als u een start-up bent in een vroeg stadium en zich zorgen maakt over financiering, is een hack hiervoor om AI-ingenieurs op LinkedIn te contacteren met specifieke vragen. Geloof het of niet, veel ML- en AI-experts houden ervan om te helpen, zowel omdat ze echt geïnteresseerd zijn in het onderwerp als omdat, als ze u helpen, ze het kunnen gebruiken als een positief casestudy voor hun consultancyportfolio.

Laatste gedachten

Met alle hype die om AI heen hangt, is het normaal dat u misschien enthousiast bent om het in uw bedrijf te integreren en een AI-gepowered oplossing te ontwikkelen die u naar het volgende niveau tilt. Echter, u moet in gedachten houden dat het feit dat iedereen over AI praat, betekent dat uw bedrijf AI nodig heeft. Veel bedrijven, helaas, haasten zich om AI te integreren zonder een duidelijk doel voor ogen en eindigen met het verspillen van enorme hoeveelheden geld en tijd. In sommige gevallen, vooral voor start-ups in een vroeg stadium, kan dit hun ondergang betekenen. Door duidelijk een probleem te articuleren, relevante data te verzamelen, een hypothese te testen en de tools te gebruiken die al beschikbaar zijn met de hulp van een expert, kunt u AI integreren zonder de financiële middelen van uw bedrijf uit te putten. Vervolgens, als de oplossing werkt, kunt u geleidelijk opschalen en AI integreren in die gebieden waarin het de efficiëntie of winstgevendheid van uw bedrijf verhoogt, een hypothese, en met behulp van de tools die al beschikbaar zijn met de hulp van een expert, kunt u AI integreren zonder de financiële middelen van uw bedrijf uit te putten. Dan, als de oplossing werkt, kunt u geleidelijk opschalen en AI integreren in die gebieden waarin het de efficiëntie of winstgevendheid van uw bedrijf verhoogt.