Verder gaan dan de hype: AI en ML operationeel maken voor bedrijfsresultaten

Door: Krishnan Venkata, Chief Client Officer bij het digitale analyticsbedrijf LatentView Analytics.

Al meer dan een decennium praten bedrijven, van kleine startups tot grote concerns, over de beloften van kunstmatige intelligentie (AI) en machine learning (ML). Volgens deze voorspellingen zouden AI en ML het moderne werk transformeren, alledaagse processen automatiseren en menselijke medewerkers in staat stellen zich te concentreren op hogere taken.

Tien jaar later is de belofte van AI voor veel ondernemingen niets meer dan een belofte, en niets meer. Terwijl veel van deze organisaties stappen hebben genomen om hun digitale transformatie-inspanningen te versnellen, verhinderen een paar veelvoorkomende valkuilen vaak dat de AI/ML-droom werkelijkheid wordt.

Wat zijn enkele van de grootste factoren die de transformatieve potentie van AI en ML tegenhouden?

• Gebrek aan organisatie: De eerste stap naar een succesvolle AI-strategie is het verzamelen van gegevens. Maar even belangrijk is het plannen van de organisatie van die gegevens; bedrijven die een schat aan gegevens verzamelen zonder een plan voor hoe ze die gegevens moeten organiseren, analyseren en gebruiken, worden achtergelaten met een ongeraffineerd, praktisch onbruikbaar middel. Wat is de waarde van het ontdekken van olie als je geen manier hebt om het uit de grond te halen of te raffineren voor gebruik?
• Piecemeal adoptie: Terwijl digitale transformaties op lange termijn kostenbesparingen beloven, kan de initiële prijskaartje voor het adopteren van nieuwe technologie hoog zijn. Deze sticker-shock leidt sommige ondernemingen ertoe een piecemeal-benadering te kiezen voor het integreren van AI-hulpmiddelen, zonder te overwegen hoe die enkele oplossing past in een grotere roadmap.
• Ontbrekende processen/discipline: AI- en ML-oplossingen worden natuurlijk gesteund en geïntroduceerd door specifieke leiders binnen het bedrijf, maar hun succes hangt af van institutionele goedkeuring van boven tot onder. Vroege aanvaarders moeten de startbaan voor bredere adoptie voorbereiden, door de discipline en routines te installeren die nodig zijn om de integratie van nieuwe hulpmiddelen zo soepel mogelijk te maken.

Het afgelopen jaar heeft aangetoond dat er geen tijd te verliezen is om digitale transformatie en automatisering van routines via AI en ML te versnellen. Volgens Fortune Business Insights wordt verwacht dat de wereldmarkt voor kunstmatige intelligentie tegen 2027 een omvang van 267 miljard dollar zal bereiken, wat een bijna tienvoudige groei betekent ten opzichte van een waarde van 27 miljard dollar in 2019. Een langetermijnshift naar remote work als gevolg van de COVID-19-pandemie heeft ondernemingen ertoe gebracht nieuwe oplossingen te adopteren; het COVID-19 Digital Engagement Report van Twilio vond dat 97% van de executives zei dat de pandemie hun digitale transformatie-inspanningen heeft versneld.

Dus wat is er nodig om verder te gaan dan de hype van AI en ML en deze tools daadwerkelijk operationeel te maken? Een paar technologieën en strategieën kunnen het verschil maken tussen een overwinning of een flop:

1. AIOps, MLOps, DataOps

Het toevoegen van -Ops aan een technologie of toepassing is een zekere manier om een nieuwe buzzword te creëren, maar niet alle opkomende oplossingen zijn vaporware. In feite kunnen strategieën zoals AIOps, MLOps en DataOps de oplossing bieden voor de uitdaging van het organiseren van alle gegevens die binnen een onderneming worden verzameld. Deze tools passen de principes van Agile-beheer toe op AI, machine learning en gegevensbeheer, respectievelijk, en vereenvoudigen dramatisch de kennis en inspanning die nodig zijn om waarde te halen uit nieuwe oplossingen. Voor bedrijven die hun eerste stappen zetten in AI/ML en proberen om op gang te komen, zijn deze strategieën een must.

2. Low Code/No Code

De meest complexe en nuancerijke ML-modellen zullen altijd speciale ontwikkelaars en datawetenschappers nodig hebben om hun succes te garanderen. Echter, de uitdagingen waarmee veel ondernemingen worden geconfronteerd, zijn niet zo ingewikkeld en kunnen worden opgelost met eenvoudigere, one-size-fits-all AI-oplossingen. Low-code- en no-code-platforms verlagen de drempel voor toegang voor medewerkers met weinig tot geen achtergrond in softwareontwikkeling. No-code-tools stellen elke medewerker in staat om oplossingen zoals aanbevelingsmotoren te bouwen via intuïtieve, drag-and-drop-platforms, terwijl low-code-platforms complexe taken kunnen uitvoeren met slechts een paar regels code.

3. AutoAI en AutoML

Als kunstmatige intelligentie en machine learning bedrijfsprocessen automatiseren, waarom zouden ze dan zelf geautomatiseerd moeten worden? Een cruciaal aspect van AI- en ML-succes is het idee van verfijning: naarmate deze tools leren en meer gegevens integreren, kunnen ze hun prestaties langzaam verfijnen en verbeterde resultaten leveren. AutoAI en AutoML voeren dit verfijningsproces uit zonder enige menselijke invoer, waardoor een onbeperkte deugdkring ontstaat. Mensen kunnen de prestaties van het model controleren om te voorkomen dat er vooroordelen ontstaan en om te bevestigen dat het hulpmiddel de behoeften van de onderneming dient, maar AutoML stelt medewerkers in staat om andere uitdagingen aan te pakken tijdens de dagelijkse activiteiten.

Terwijl chipmakers en softwarebedrijven nieuwe grond breken met natuurlijke taalverwerking, bereikt het AI/ML-veld een keerpunt dat een explosie van nieuwe use cases zal zien. Ondernemingen moeten klaar zijn om te reageren op deze opkomende technologieën; diegenen die hun huis nu niet op orde hebben, zullen achtergelaten worden door concurrenten die dat wel doen.