Innovation-Magazine-LR
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
VALKUIL 1<br />
KWALITATIEVE DATA ZIJN<br />
MOEILIJK TE VINDEN<br />
Het succes van een AI-oplossing<br />
valt of staat bij de data die je tot je<br />
beschikking hebt en de kwaliteit<br />
daarvan. Idealiter wil je als ontwikkelteam<br />
toegang hebben tot<br />
veel verschillende databronnen<br />
binnen de organisatie om mee te<br />
testen en ontwikkelen.<br />
In de praktijk gaat het daar al gauw<br />
mis. De eigenaren van databases<br />
zitten vaak verspreid over de<br />
organisatie, waardoor er veel tijd<br />
en energie kan gaan zitten in het<br />
vergaren van data. Teams die zich<br />
bezighouden met AI-experimenten<br />
hebben daardoor al gauw<br />
de neiging om het maar te doen<br />
met de (beperkte) data die eenvoudig<br />
en snel beschikbaar zijn.<br />
En dan hebben we het niet eens<br />
gehad over het controleren van<br />
de datakwaliteit, waarmee je als<br />
team toch echt langs een domeinexpert<br />
en/of IT zult moeten – voilà,<br />
een extra drempel.<br />
VALKUIL 2<br />
VASTHOUDEN AAN 100<br />
PROCENT ACCURATESSE<br />
IT is per definitie nogal een exact<br />
vakgebied en daardoor hebben<br />
we er soms nogal moeite mee<br />
als uitkomsten niet 100 procent<br />
accuraat zijn. Deze hang naar<br />
perfectie kan het in de praktijk<br />
brengen van een nieuwe<br />
AI- oplossing vertragen of<br />
zelfs voorkomen.<br />
Een voorbeeld: wanneer een team<br />
een AI-chatbot gaat ontwikkelen<br />
die wordt ingezet om vragen van<br />
klanten af te handelen, wil het team<br />
doorgaans een oplossing die altijd<br />
met het juiste antwoord komt op<br />
vragen. Als de accuratesse vervolgens<br />
‘slechts’ 72 procent blijkt te<br />
zijn, dan kan een conclusie zijn dat<br />
de oplos sing niet goed werkt. Wat<br />
er dan eigenlijk wordt ver geten, is<br />
dat mensen ook niet feilloos zijn;<br />
een klantenservice-medewerker<br />
weet ook niet altijd direct het juiste<br />
antwoord op een vraag. In dit soort<br />
gevallen heb je al gauw een<br />
business case gemaakt waarmee<br />
de accuratesse van een AI-chatbot<br />
kan worden verbeterd, bijvoorbeeld<br />
van 72 naar 80 procent.”<br />
VALKUIL 3<br />
DE EINDGEBRUIKER<br />
WORDT NIET BETROKKEN<br />
Als je een brug wilt slaan tussen het<br />
laboratorium van het AI-experiment<br />
en de uiteindelijke toepassing van<br />
een AI-oplossing in de praktijk,<br />
dan is het betrekken van de eindgebruiker<br />
in een vroeg stadium<br />
cruciaal. En dat zit hem niet alleen<br />
in het testen van features, maar ook<br />
in het uitleggen hoe een oplossing<br />
werkt. Om weer terug te komen op<br />
het vorige punt; als de uitkomsten<br />
van een AI-oplossing niet<br />
100 procent accuraat zijn, dan<br />
is het belangrijk om de business<br />
mee te nemen in de verklaring.<br />
Leg daarom uit hoe de AI-oplossing<br />
tot bepaalde oplossingen is<br />
gekomen.<br />
DE DEVOPS-OPLOSSING<br />
Betrek niet alleen ontwikkelaars<br />
en eindgebruikers bij een AI-experiment,<br />
maar ook teamleden die<br />
verantwoordelijk zijn voor de<br />
datastrategie en -kwaliteit. Het gaat<br />
dan om data engineers en data<br />
scientists (zie ook pagina 18).<br />
DE DEVOPS-OPLOSSING<br />
Een minimale verbetering heeft<br />
ook een waarde, zeker in de experimentfase.<br />
Leer leven met kleine<br />
stapjes; meerdere kleine stapjes<br />
leiden uiteindelijk ook naar een<br />
grote en voor de organisatie<br />
behapbare impact.<br />
DE DEVOPS-OPLOSSING<br />
Het betrekken van de eindgebruiker<br />
is bijna synoniem geworden aan<br />
de DevOps-benadering. Hierdoor<br />
kun je als ontwik kelteam regelmatig<br />
features testen en verbeteren<br />
voordat ze naar productie gaan.<br />
De DevOps-methode helpt dus om een aantal belangrijke<br />
bruggen te slaan tussen het ontwikkelteam en de<br />
eindgebruikers. Dat zit hem in het betrekken van die<br />
eindgebruiker in een vroeg stadium, maar dat geldt<br />
ook voor datastrategen die ervoor kunnen zorgen dat<br />
het team beschikt over de juiste (en kwalitatieve) data,<br />
ook na de implementatie. Het accepteren van een<br />
bepaalde foutmarge en dus leren leven met kleine<br />
verbeter stapjes is de laatste les die AI-teams kunnen<br />
trekken uit de DevOps-aanpak. Op die manier kun je<br />
ervoor zorgen dat je AI-oplossing verder komt dan<br />
de experimenteerfase. apple<br />
INNOVATIONS MAGAZINE 2019<br />
9