Innovation-Magazine-LR

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