Planning, Proof of Concept en Productie van een Succesvol AI-Gedreven Enterprise Oplossing

Bedrijven versnellen hun kunstmatige intelligentie (AI)-initiatieven in een rap tempo. Een onderzoek van Algorithmia toonde aan dat 76 procent van de CIO’s AI en machine learning (ML)-oplossingen prioriteren en hun IT-begrotingen verhogen om meer focus op AI en ML te leggen. Organisaties erkennen ook het belang van data en de meeste accepteren dat 80 procent van de ondernemingsdata ongestructureerd van aard is.

Ongestructureerde data wordt in een rap tempo gegenereerd en groeit in een ondernemingsstack. De eenheid van meting is verschoven van terabytes naar petabytes. Als gevolg hiervan moeten IT-professionals, CDO’s en CIO’s te maken krijgen met enkele nieuwe uitdagingen om te voldoen aan de toenemende vraag naar bruikbare data en actiegerichte inzichten. Ondanks de enorme potentie van AI om elke industrie te transformeren, zullen slechts 15 procent van de AI-oplossingen die tegen het einde van 2022 zijn geïmplementeerd succesvol zijn en zullen nog minder een positieve ROI genereren.

Het grootste probleem is dat de meeste ondernemings-AI-oplossingen nooit het licht zien vanwege een misalignering van verwachtingen. Er zijn nog steeds misverstanden over de mogelijkheden van AI en projecten worden voortdurend geconceptioneerd op basis van hype-gedreven modellen. De meeste producten of modellen zijn ver van de werkelijke dag-tot-dag ondernemingsoperaties. Andere factoren die bijdragen aan de lagere succespercentages zijn onder andere: kostenoverschrijdingen, gebrek aan AI-Centers of Excellence (CoE), onervaren talent, onbeschikbaarheid van data en verouderde beleidsregels, om er maar een paar te noemen.

Planning Baant de Weg voor Ondernemings-AI-Succes

Ongestructureerde data is data die geen vooraf gedefinieerd datamodel heeft en omvat alles van tekstzware documenten en websites tot afbeeldingen, videobestanden, chatbots, audiostromen en socialemediaberichten. Met de toenemende hoeveelheid ongestructureerde data in de ondernemingsarchitectuur is het essentieel om een efficiënte en incrementele planning te hebben die aansluit bij de doelstellingen van alle corporate stakeholders. Typische doelstellingen op organisatieniveau kunnen onder andere omvatten: procesautomatisering, fraude detectie, verbetering van de klantbeleving, verbetering van de veiligheid, verhoging van de verkoop enz. Terwijl sommige van deze doelstellingen redelijk effectief kunnen worden bereikt vanwege de gestructureerde aard van de data, kan planning rond ongestructureerde data uitdagend zijn.

Typisch begint de planning met het identificeren van kansen binnen een organisatie. Terwijl er een grandioze AI-visie kan zijn op het niveau van het hoger management, is het essentieel om een gebied te identificeren dat een hoge impact, laag risico en continue groei in data heeft. Een goed voorbeeld van een dergelijk use case zou de functie van leningverwerking in de bank- en financiële sector zijn. Leninginitiatie tot -verwerking is doorspekt met handmatige processen waarin informatie handmatig in systemen wordt ingevoerd op een herhaalde manier. Due diligence van leningaanvragen omvat een aanzienlijke hoeveelheid documentindiening, wat verschillende risico’s met zich meebrengt. Echter, AI kan op verschillende gebieden van de workflow worden toegepast, waaronder documentverwerking en fraude detectie. Dit is ook een gebied waarin er een continue jaar-op-jaar groei van data is.

Andere kritieke stappen om te overwegen tijdens deze planningsfase zijn onder andere het definiëren van meetbare succescriteria, het formuleren van een samenhangende datastrategie, continue training en feedback, en het meten van de gebruikerservaring, schaalbaarheid en infrastructuur.

Definiëren van Meetbare Succescriteria (en Vermijden van de Kar voor het Paard-Moment!)

Google’s vroege succes wordt vaak toegeschreven aan het feit dat het bedrijf Objective Key Results (OKR’s) heeft ingesteld. Hoewel deze aanpak op elke aspect van het bedrijfsleven of persoonlijke doelen kan worden toegepast, kan het toepassen van deze bewezen aanpak op uw AI-strategie enkele veelbelovende resultaten opleveren. Echter, wanneer het gaat om ongestructureerde data, is dit een evoluerend probleem dat de industrie als geheel probeert op te lossen. Gezien de uitdagingen, moeten zakelijke leiders verschillende vragen stellen om het ‘wat’ en het ‘waarom’ te bepalen. Bijvoorbeeld, als het verhogen van de productiviteit het belangrijkste doel is, kunnen twee vragen die beantwoord kunnen worden zijn:

• Moet ik plannen om de doorvoer te verbeteren door middel van automatisering? of
• Moet ik plannen om 80 procent van het probleem op te lossen voor 100 procent van alle ingediende gevallen?

Het beantwoorden van deze vragen leidt tot twee verschillende implementatie-reizen en het is belangrijk om te beslissen welke het beste is voor uw onderneming.

Met ongestructureerde data is een andere vaag meetgebied accuratesse. In het voorbeeld van leningverwerking is er zo veel variatie in de door klanten ingediende documenten, dat het essentieel is voor zowel zakelijke als technische leiders om overeenstemming te bereiken over hoe de accuratesse van de AI-oplossing wordt gemeten. Als productiviteit een van de doelstellingen is van het implementeren van een AI-oplossing, dan is het noodzakelijk om andere gebieden te identificeren die de productiviteit beïnvloeden. Dit kan worden bereikt door nauwkeurig naar het huidige als-is-proces te kijken en het proces opnieuw te bedenken met AI-automatisering. Vaak leidt nieuwe automatisering tot nieuwe stappen in het proces, zoals handmatige uitzonderingsbeheer, annotatie, training enz. Met deze stappen op hun plaats, zou het gemakkelijker zijn om te bepalen hoe de accuratesse te meten.

Data is de Levensader van alle Ondernemingen

Ongestructureerde data heeft een hoge mate van variatie in hoe informatie is gestructureerd en gepresenteerd. Ondernemingen zijn doorspekt met informatie die in documenten wordt gepresenteerd, die van nature complexe structuren hebben die bestaan uit alinea’s, zinnen en, belangrijker nog, multi-dimensionale tabelstructuren. Naast documenten investeren organisaties steeds vaker in chatbots, socialemediadata en andere vormen van ongestructureerde data zoals nieuws, afbeeldingen en video’s.

De meeste organisaties onderschatten hoeveel data beschikbaar en toegankelijk is. Vaak is de uitdaging zo eenvoudig als het overwinnen van compliancebeperkingen en het delen van data binnen de organisatie. Niettemin biedt het hebben van schone en hoge variatie van data een betere beoordeling van een probleem en het ontwerpen van een optimale oplossing.

Een ander belangrijk punt om te overwegen is welk resultaat u verwacht van deze ongestructureerde data. Dit zal ervoor zorgen dat er een accurate hoeveelheid grondwaarheid, training en testdata is. Terugkerend naar het voorbeeld van leningverwerking, als het resultaat van deze AI-oplossing is om de gemiddelde dagelijkse saldi van aanvragers te bepalen, kan de grondwaarheid en trainingsdata zich richten op bankafschriften. Echter, als de focus is om fraudeurs te detecteren via ingediende bankafschriften, moet u toegang hebben tot een bredere reeks documenten om de nodige grondwaarheid en trainingsdata te verkrijgen.

Schaal van Proof of Concept naar Productie

Het ondernemen van een meetbare Proof of Concept (PoC) zorgt ervoor dat alle stakeholders de uitdagingen, resultaten en waardepropositie van een AI-oplossing begrijpen. Echter, een PoC is niet hetzelfde als een productieklare oplossing. Een PoC stelt een organisatie in staat om lacunes te identificeren, stimuleert ontwerpdenken voor een productieoplossing en stroomlijnt de doelstellingen en resultaten die moeten worden behaald. Om van PoC naar een schaalbare oplossing te gaan, moeten organisaties plannen voor complexe datasituaties die constant veranderende data, onbeschikbaarheid van gelabelde data en een hoge mate van variatie in vorm en formaten omvatten. Even belangrijk is het opnieuw bedenken van de workflow, het opnieuw trainen van uw workforce en het bepalen van de juiste infrastructuur, kosten, prestaties, data-architectuur, informatiebeveiliging en service-level agreements (SLA’s).

Het is absoluut essentieel om de hele workflow en bedrijfsproces te evalueren om de beste resultaten te behalen uit elke AI-oplossing. Een aanwijzing vanuit de gedragsconomie, is het vergelijken van het resultaat met een bestaand referentiepunt (ook bekend als “referentie-afhankelijkheid”), op dat moment kunnen betere efficiënties worden verwacht vóór productie door middel van ontwerpdenken en procesherkaart.

Deze scenario veronderstelt dat zowel zakelijke als technische leiders overeenstemming hebben bereikt over een MI- of diepe leerbenadering op basis van de PoC. Sommige probleemverklaringen kunnen deterministisch zijn en een statistische benadering kan worden genomen om het probleem op te lossen, terwijl andere uitdagingen een combinatie van MI- en neurale netwerkbenaderingen kunnen vereisen om de gewenste resultaten te bereiken.

Sommige AI-oplossingen vereisen de integratie van Natural Language Processing (NLP). Terwijl algemene taalmodellen dienen als een fundamentale stap, zijn de meeste modellen niet ontworpen om aan de unieke behoeften van elk ondernemingsprobleem te voldoen en zouden ze fine-tuning vereisen. Tegelijkertijd zijn de meeste executives waarschijnlijk enthousiast over grote modellen zoals GPT3, die aanzienlijke rekenkracht vereisen en een directe invloed kunnen hebben op de ROI van een bedrijf. Deze modellen zijn waarschijnlijk niet geschikt voor uw bedrijf.

Uw AI-gedreven PoC is slechts het begin van een lang proces, dus houd het volgende in gedachten:

• Kies geen complex probleem om op te lossen in de PoC-fase
• Pas ontwerpdenken toe en beoordeel uw end-to-end proces; voorspel en beheer risico’s vroeg
• Accuratesse is niet de enige meting; ontwerp en plan om een waarde-gedreven oplossing te bouwen in plaats van 100 procent accuratesse te bereiken
• Beoordeel uw AI-benadering; plan niet op basis van hype-gedreven modellen, maar kies de meest optimale benadering die modulair is
• Beheer verwachtingen bij alle stakeholders om de meest succesvolle uitkomst te garanderen
• Ontwerp uw oplossing en architectuur om te schalen met de groei van uw data voor de meest optimale ROI

Best Practices voor AI-Gedreven Oplossingen

Vandaag de dag ondernemen de meeste bedrijven een of meer AI-projecten. Ondanks uitstekende intenties en hard werken, vallen veel ondernemings-AI-programma’s tekort in hun verwachtingen, schalen ze niet en genereren ze niet de gewenste ROI. Het zal tijd kosten om kunstmatige intelligentie te integreren als een kernonderdeel van het bedrijf, maar enkele van de best practices die worden gevolgd door succesvolle organisaties zijn onder andere:

• Begin met AI CoE: Veel grote ondernemingen, zelfs niet-technische, hebben AI-Centers of Excellence (AI CoE) opgericht om de kans op succes te maximaliseren. Een AI CoE brengt de noodzakelijke expertise, middelen en mensen samen om AI-gebaseerde transformatie-initiatieven mogelijk te maken. De primaire voordelen zijn onder andere:
  • Consolidering van AI-kennis, middelen en talent in één plek
  • Ontwikkeling van een uniforme AI-visie en bedrijfsstrategie
  • Standaardisatie van AI-benaderingen, platforms en processen
  • Identificatie van nieuwe inkomstenmogelijkheden voor AI en innovatie
  • Schaalbaar maken van datawetenschappelijke inspanningen door AI beschikbaar te stellen aan alle bedrijfsfuncties
• Bestuurdersgoedkeuring: Een AI-strategie is het meest succesvol via een top-down-benadering. Het schalen van pilots door een hele organisatie vereist bestuurdersgoedkeuring, noodzakelijke vaardigheden en data, en het opzetten van een organisatiestructuur die ervoor zorgt dat modellen over tijd accuraat blijven.
• Beschikbaarheid van Data: De meeste organisaties hebben gesiloede data omwille van compliance-redenen. Echter, data is de levensader van elke AI-oplossing en het beschikbaar stellen van deze data is kritiek. Naast het beschikbaar stellen, is het classificeren en reinigen van data essentieel. Het ontwikkelen van accurate grondwaarheid en trainingsdata kan een AI-oplossing maken of breken.
• Architectuur: Het gebruik van AI is een paradigmaparadigmawisseling voor elke organisatie, wat nieuwe manieren van denken en plannen vereist. Het ontwerpen van een optimale technische en operationele architectuur verhoogt uw kans op succes. Dit omvat het hebben van nieuwe functies zoals ML-ops, data-ops, iteratieve training en annotaties, enz.
• Modulariteit en Flexibiliteit: AI-gedreven oplossingen zijn nog in hun kinderschoenen, vooral wanneer organisaties te maken hebben met zware ongestructureerde data. Het is kritiek om een modulaire en flexibele oplossing te ontwerpen en te bouwen die kan schalen met het bedrijf en zijn groeiende uitdagingen.

Het opzetten en ondernemen van een AI-strategie heeft een groot potentieel voor de meeste organisaties, en de use cases zijn eindeloos. Machine- en diepe leeroplossingen raken elke aspect van een organisatie, van verkoop en marketing tot dagelijkse operaties. Echter, zoals het bouwen van een raket of het uitvinden van een nieuw gadget, zal het succes niet in één keer worden bereikt. AI-gedreven oplossingen moeten in fasen worden benaderd en gebouwd op kleinere overwinningen over tijd.