Planning, PoC en productie van een succesvolle AI-gedreven ondernemingsoplossing

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

Onestructureerde data wordt in een snel 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 omgaan 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 positief rendement op investering genereren.

Het grootste probleem is dat de meeste ondernemings-AI-oplossingen nooit het licht zien vanwege een misalignement van verwachtingen. Er zijn nog steeds misverstanden over de mogelijkheden van AI en projecten worden nog steeds ontwikkeld op basis van hype-gedreven modellen. De meeste producten of modellen zijn ver verwijderd van de werkelijke dagelijkse ondernemingsoperaties. Andere factoren die bijdragen aan de lagere succespercentages zijn: 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

Onestructureerde data is data die geen vooraf gedefinieerd datamodel heeft en omvat alles van tekstuele documenten en websites tot afbeeldingen, videobestanden, chatbots, audiostromen en socialemediaberichten. Met de toenemende hoeveelheid onestructureerde data in de ondernemingsarchitectuur is het kritiek om een efficiënte en incrementele planning te hebben die aansluit bij de doelstellingen van alle corporate stakeholders. Typische doelstellingen op organisatieniveau kunnen zijn: procesautomatisering, fraudeopsporing, 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 onestructureerde data uitdagend zijn.

Typisch begint de planning met het identificeren van kansen binnen een organisatie. Terwijl er een grandioos AI-visie kan zijn op het niveau van het executive management, is het kritiek 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. Leningorigination 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 worden toegepast in verschillende gebieden van de workflow, waaronder documentverwerking en fraudeopsporing. 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 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 het voorkomen van het “cart before the horse”-moment!)

Google’s vroege succes wordt vaak toegeschreven aan het feit dat het bedrijf Objective Key Results (OKR’s) heeft ingesteld. Hoewel deze aanpak iets is dat kan worden toegepast op elk aspect van het bedrijfsleven of persoonlijke doelen, kan het toepassen van deze bewezen aanpak op uw AI-strategie enkele veelbelovende resultaten opleveren. Echter, wanneer het gaat om onestructureerde data, is het een evoluerend probleem dat de industrie als geheel probeert op te lossen. Gezien de uitdagingen, zouden zakelijke leiders verschillende vragen moeten stellen om het “wat” en het “waarom” te bepalen. Bijvoorbeeld, als het verhogen van de productiviteit het belangrijkste doel is, zouden twee vragen die kunnen worden beantwoord 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 onestructureerde data is een andere vaag gemeten gebied accuratesse. In het voorbeeld van leningverwerking is er zo veel variatie in de door klanten ingediende documenten, dat het kritiek 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 te kijken naar het huidige “as-is”-proces en het proces opnieuw te bedenken met AI-automatisering. Vaak leidt nieuwe automatisering tot nieuwe stappen in het proces, zoals handmatig uitzonderingsbeheer, annotatie, training, enz. Met deze stappen op hun plaats, zou het gemakkelijker zijn om te bepalen hoe de accuratesse kan worden gemeten.

Data is het levenbloed van alle ondernemingen

Onestructureerde data heeft een hoge mate van variatie in hoe informatie wordt gestructureerd en gepresenteerd. Ondernemingen zijn doorspekt met informatie die wordt gepresenteerd in documenten, die van nature complexe structuren hebben die bestaan uit alinea’s, zinnen en, meer belangrijk, multidimensionale tabelstructuren. Naast documenten investeren organisaties steeds meer in chatbots, socialemediadata en andere vormen van onestructureerde 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 ontwerp van een optimale oplossing.

Een ander belangrijk punt om te overwegen is wat het resultaat is dat u verwacht van deze onestructureerde data. Dit zal een accurate hoeveelheid grondwaarheid, training en testdata garanderen. 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 hyperfocussen op bankafschriften. Echter, als de focus is om fraudeurs te identificeren via ingediende bankafschriften, moet u toegang hebben tot een bredere reeks documenten om de benodigde grondwaarheid en trainingsdata te verkrijgen.

Schaal van PoC naar productie

Het starten van een meetbare Proof of Concept (PoC) garandeert 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 sleutelresultaten die moeten worden bereikt. 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, datarchitectuur, informatiebeveiliging en service-level agreements (SLA’s).

Het is absoluut noodzakelijk om de hele workflow en bedrijfsproces te evalueren om de beste resultaten te behalen uit elke AI-oplossing. Een hint nemen uit de gedragsconomie, is het kritiek om het resultaat te vergelijken 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 gaat ervan uit 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 fundamentele 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 eind-tot-eind-proces; voorspel en beheer risico’s vroeg
• Accuratesse is niet de enige meting; ontwerp en plan om een waardegedreven 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 in plaats daarvan de meest optimale benadering die modulair is
• Beheer verwachtingen over 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

Beste praktijken voor AI-gedreven oplossingen

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

• Start met AI CoE: Veel grote ondernemingen, zelfs niet-technische, hebben AI-Centers of Excellence (AI CoE) ingesteld 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:
  • Consolidering van AI-kennis, middelen en talent op één plek
  • Ontwikkeling van een geünificeerd AI-visie en bedrijfsstrategie
  • Standaardisatie van AI-benaderingen, platforms en processen
  • Identificatie van nieuwe inkomstenkansen voor AI en innovatie
  • Schaalvergroting van datawetenschapsinspanningen door AI beschikbaar te stellen voor alle bedrijfsfuncties
• Executive Buy In: Een AI-strategie is het meest succesvol via een top-down-benadering. Het schalen van pilots door een hele organisatie heen vereist leiderschapsbuy-in, noodzakelijke vaardigheden en data, en het instellen van een organisatiestructuur die ervoor zorgt dat modellen over tijd accuraat blijven.
• Beschikbaarheid van Data: De meeste organisaties hebben gesiloede data vanwege verschillende compliance-redenen. Echter, data is het levenbloed 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 benutten van AI is een paradigmaswitch voor elke organisatie, die 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 instellen en starten 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, net als het bouwen van een raket of het uitvinden van een nieuw apparaat, zal het succes niet in één keer worden bereikt. AI-gedreven oplossingen moeten worden benaderd in fasen en worden gebouwd op kleine overwinningen in de loop van de tijd.