Vijf redenen waarom AI-algoritmen moeilijk te implementeren zijn in operationeel management

Door: Evgeniya Malina, Hoofd van de afdeling Business Strategy en Operations bij Food Rocket.

Volgens recent onderzoek van de McKinsey Global Institute, zal AI de wereldwijde economische output naar verwachting met $13 biljoen verhogen tegen 2030.

Echter, dit brengt zijn eigen uitdagingen en onbedoelde gevolgen met zich mee. Enkele van de meest geïdentificeerde risico’s en uitdagingen van AI-implementatie zijn onder andere privacyproblemen, de onmogelijkheid om te generaliseren en een algemeen gebrek aan vertrouwen.

Hieronder volgen drie uitdagingen met AI die specifiek van invloed zijn op operationeel management voor bedrijven.

1. Slechte gegevenskwaliteit

Het eerste dat een robuust AI-algoritme nodig heeft, is gegevens. Om een algoritme goed te trainen, moet je het voeden met grote hoeveelheden nauwkeurige, hoogwaardige gegevens. Helaas is het niet altijd gemakkelijk om deze gegevens te verkrijgen, en een rapport van Gartner uit 2020 stelt dat slechte gegevenskwaliteit uw bedrijf jaarlijks ongeveer $13 miljoen kan kosten.

Bijvoorbeeld kunnen sommige processen geen enkel digitaal spoor hebben wanneer u voor het eerst begint. Er zijn geen gegevens die u aan een algoritme kunt voeden in deze gevallen. Alles wat u geeft, zijn slechts hypothetische scenario’s en onderbouwde vermoedens, wat twee problemen oplevert.

Ten eerste introduceert dit aanzienlijke menselijke vooroordelen in uw proces vanaf het begin. Ten tweede betekent dit dat alle resultaten van het algoritme slechts een uitbreiding zijn van uw beste vermoedens. Uiteindelijk laat dit u met een onbetrouwbaar en instabiel beslissingsproces.

2. Navigeren door “koude starts” en medewerkerbetrokkenheid

Automatisering is uitstekend voor het stroomlijnen van bestaande processen, maar de tegenprestatie is de “koude start”. Dit is wanneer u een proces moet beginnen zonder historische gegevens waarop de AI zijn routine kan baseren. In elk geval zal AI moeite hebben om deze hindernis te overwinnen.

Volgens Harvard Business Review besteedt 80 procent of meer van de tijd van een IT-team aan het verbeteren en verfijnen van inconsistentie in gegevens voor AI-algoritmen

Het vereist vaak een aanzienlijke inspanning van menselijke inspanning om de AI over deze “koude start” heen te helpen en soepele operaties te hervatten.

Uit mijn ervaring kan dit ernstige verstoringen in het voorraadbeheer veroorzaken en kan het bedrijven aanzienlijke inkomsten kosten. We weten allemaal dat AI nog niet geëvolueerd is om alle aspecten van een operationeel management systeem aan te kunnen. Dit betekent dat elk AI-oplossing dat uw bedrijf gebruikt, zal overlappen met menselijke beslissingsprocessen.

Hoewel dit een goed ding kan zijn, kan het ook leiden tot een ontbinding van het gevoel van persoonlijke verantwoordelijkheid van een medewerker. In sommige gevallen voelen medewerkers zich alsof ze zich kunnen afzonderen van een beslissing omdat “de AI het deed.”

Bovendien is het gebruikelijk dat de introductie van een nieuw algoritme samenvalt met een aanzienlijke daling van de kwaliteitsmetrieken. Uit mijn ervaring is deze paradox het gevolg van een persoon die eerder verantwoordelijk was voor de metriek en die zich nu voelt als een onbelangrijk onderdeel in een keten van geautomatiseerde besluitvorming.

Het is essentieel om dit aspect van automatisering te beheren vanwege de gemakkelijkheid waarmee het uw team op een pad van desinteresse en verlaagde toewijding kan brengen. Het kan ook schade toebrengen aan uw merk. Als AI alleen wordt gelaten om beslissingen te nemen, kan het onbewust beginnen met discriminatie tegen klanten in bepaalde leeftijds-, geslachts- of geografische categorieën.

3. Uitdagingen met transparantie en efficiënte implementatie

Zoals elke ondernemer weet, kunnen dingen in een oogwenk veranderen. Bedrijven hebben niet altijd de tijd om een complexe AI-oplossing te bouwen voor een nieuwe operatie.

In feite is het veel vaker het geval dat bedrijven onder tijdsdruk staan en worden gedwongen om een probleem op te lossen zonder de hulp van automatisering, omdat het opzetten van een nieuw proces te lang duurt. Aangezien er meestal geen tijd is om complexe modellen te schrijven, gebeurt een van twee dingen.

Ten eerste kan het bedrijf kiezen voor de implementatie van een grotendeels complete procedure, maar een handmatig tussenstap invoegen totdat het proces kan worden verfijnd. In dit geval verliezen bedrijven tot 80 procent van de berekende efficiëntie van het proces.

Alternatief kan het bedrijf SaaS implementeren om het implementatieproces te versnellen. Hoewel de tijds- en geldkosten lager zullen zijn, blijft het probleem van efficiëntieverlies bestaan. In dit geval kan de implementatie van SaaS-algoritmen die niet specifiek zijn aangepast aan de behoeften van het bedrijf, een proces minder efficiënt maken dan wanneer het handmatig zou worden gedaan.

Naast deze problemen is het belangrijk om te begrijpen dat transparantie in het AI-proces extreem moeilijk is om te communiceren naar management, zelfs voor experts. Dit komt door de complexiteit van de algoritmen, maar het kan uw team doen twijfelen over de overgang naar geautomatiseerd operationeel management.

Waar gaan we van hier?

Sommige onderzoekers suggereren dat de uitdagingen waar we nu mee te maken hebben, zullen leiden tot nieuwe menselijke rollen in een bedrijf: trainers, verklarende en duurzame.

Trainers zullen helpen om de prestaties van AI te optimaliseren; verklarende zullen worden belast met het uitleggen van AI-beslissingen aan niet-professionals, en duurzame zullen werken aan het maken van AI-processen duurzaam voor de lange termijn.

Echter, totdat dit gebeurt, moeten bedrijven en oprichters meer overwegen dan alleen het aanzienlijke concurrentievoordeel dat AI kan bieden. Het voordeel moet worden afgewogen tegen de onduidelijkheid, tijds- en groeibevorderende hindernissen die samenhangen met operationele AI.

Kunstmatige intelligentie heeft nog een lange weg te gaan in termen van groei, ontwikkeling en implementatie. Het kan ongetwijfeld een groot verschil maken in operationeel management, maar we kunnen er nog niet volledig op vertrouwen dat het altijd de beste optie is.