Als het gaat om kunstmatige intelligentie, probeer het dan niet alleen te doen. IT-afdelingen, hoe bekwaam en klaar ontwikkelaars en datawetenschappers ook zijn, kunnen alleen zo ver voorbij proofs of concept gaan. Er zijn mensen nodig — uit alle hoeken van de onderneming en die samenwerken — om AI-succes te leveren,
Foto: Joe McKendrick
Bij het bespreken van de lessen die de afgelopen jaren zijn geleerd over AI, wijzen branche-experts op de noodzaak om de mensen uit de hele onderneming aan boord te krijgen. “Een grote hoeveelheid trainingsgegevens en elastische rekenkracht zijn niet de hoekstenen voor succesvolle AI-implementaties”, zegt Sreedhar Bhagavatheeswaran, wereldwijd hoofd van Mindtree Consulting.
De hoeksteen van AI-succes zijn mensen – niet alleen AI-vaardigheden, maar betrokkenheid van alle disciplines, van marketing tot supply chain management. In de afgelopen jaren – en vooral in het afgelopen jaar, toen de behoefte aan geautomatiseerde of onbeheerde processen toenam, “leerden bedrijven dat ze de steun van belanghebbenden moesten krijgen, met een echte kampioen voor AI binnen het leiderschapsteam van de organisatie”, zegt Dan Simion , VP van AI en analyse bij Capgemini Americas.
Een gezamenlijke inspanning voor de ontwikkeling en implementatie van AI vereist ook “sterk bestuur, interne marketing binnen het bedrijf en goede training om verdere acceptatie van de AI-initiatieven in de functionele gebieden van het bedrijf te stimuleren”, voegt hij eraan toe. De sleutel is om de waardevolle inzichten te laten zien die door deze modellen worden gegenereerd,
Bij hun inspanningen om AI alomtegenwoordig te maken, “zijn ondernemingen zich nu bewust van kritieke factoren zoals het identificeren van de juiste reizen en use cases waarin AI-interventie een zakelijke impact kan hebben, AI operationaliseren door AI-operaties en governancemechanismen op te zetten, en het juiste aandeel van data-engineering en AI-talent”, zegt Bhagavatheeswaran.
Het addertje onder het gras is natuurlijk dat veel van deze inspanningen worden ondermijnd door organisatiepolitiek of simpele traagheid. AI lijkt glamoureus en veelbelovend, maar acceptatie en adoptie kost tijd. “Bedrijven moeten plannen voor de tijd en moeite die nodig is om trainingssessies uit te voeren en het gebruik en de voordelen van het AI-systeem voortdurend versterken ten opzichte van de traditionele methoden”, adviseert Nitin Aggarwal, vice-president data-analyse bij The Smart Cube. “Het delen en vieren van kleine en frequente overwinningen is een bewezen katalysator.”
AI moet ook een vriendelijk gezicht hebben, in plaats van percepties van robots, software of anderszins, die de teugels van het bedrijf overnemen. “Maak de eindgebruikersinterface bedrijfsvriendelijk en intuïtief”, stelt Aggarwal voor. “Hoe lager de last voor de eindgebruiker om de inzichten te begrijpen in termen van 'so what', hoe groter de kans dat ze het systeem daadwerkelijk gaan gebruiken.” Indien mogelijk adviseert hij om een MLOps-team bij de hand te hebben “om ervoor te zorgen dat de geïmplementeerde oplossingen blijven werken zoals verwacht.”
Tot op heden zijn de gebieden van het bedrijf die het meeste succes hebben met AI “die met directe verbindingen met klantinteracties, zoals marketing en verkoop”, zegt Simion. “Deze gebieden zijn constant op zoek naar inkomsten en staan meer open voor innovatieve nieuwe methoden en tactieken om de efficiëntie te verbeteren, die AI biedt.” Aggarwal is het daarmee eens en merkt op dat gebieden die het meeste succes met AI boeken, zijn onder meer “optimalisatie van de marketingmix, verbetering van de ROI van prijzen en promoties, vraagvoorspelling, CRM en hyperpersonalisatie.” De laatste tijd is de kracht van AI echter ook gericht op gebieden zoals het risicobeheer van de toeleveringsketen, voegt hij eraan toe.
AI is meer dan technologie — het zijn nieuwe manieren van denken over problemen en kansen. Iedereen moet toegang hebben tot deze krachtige nieuwe tool, dringt Simion aan. “Zorg ervoor dat iedereen in de hele onderneming dezelfde technologie-stack gebruikt, zodat elk functioneel gebied toegang heeft tot dezelfde lessen en inzichten. Consistentie van de technologie en de waarde die deze kan bieden, is wat het meeste verschil maakt.”
AI-adoptie hangt ook af van de perceptie dat het eerlijk en nauwkeurig is, waardoor het bestrijden van AI-bias een andere uitdaging is die voorstanders moeten aanpakken. Begin met de gegevens, stelt Aggarwal. “Als AI-algoritmen leren van data, doe dan een bewuste inspanning voor het verzamelen en invoeren van rijkere data, die gecorrigeerd wordt voor vooringenomenheid en redelijk representatief is voor alle klassen”, adviseert hij.
In de meeste gevallen “wanneer je AI-modellen op grote schaal in productie zet, heb je automatische tools om de resultaten in realtime te volgen”, zegt Simion. “Wanneer de AI-modellen buiten hun vooraf ingestelde grenzen en limieten vallen, is menselijke tussenkomst noodzakelijk. Dit wordt gedaan om ervoor te zorgen dat AI presteert zoals verwacht om de efficiëntie voor het bedrijf te vergroten, en het wordt ook gedaan om eventuele problemen met AI-bias te voorkomen of vertrouwen worden opgevangen en gecorrigeerd.”
Het is van cruciaal belang dat mensen op de hoogte worden gehouden, zegt Aggarwal. “Soms is menselijke besluitvorming naast het algoritme nuttig om verschillende reacties te begrijpen en eventuele inherente fouten of vooroordelen te identificeren. Menselijk oordeel kan leiden tot meer bewustzijn, context, begrip en onderzoeksvermogen om eerlijke besluitvorming te begeleiden. commitment.”
Als onderdeel hiervan kunnen bedrijven profiteren van de oprichting van een “AI-governanceraad die niet alleen de bedrijfsresultaten beoordeelt die worden beïnvloed door hun AI-initiatieven, maar ook verantwoordelijk is voor het uitleggen van de resultaten van specifieke gebruiksscenario's wanneer nodig”, zegt Bhagavatheeswaran.
IT-leiders en -personeel moeten meer training en bewustzijn krijgen om ook AI-bias te verminderen. “Het sluit ook aan bij hoe de prestaties van het personeel worden geëvalueerd en hoe prikkels worden uitgelijnd”, zegt Aggarwal. “Als het creëren van het meest nauwkeurige AI-systeem het belangrijkste resultaatgebied is voor een datawetenschapper, is de kans groot dat je een zeer nauwkeurig systeem krijgt, maar één dat misschien niet het meest verantwoordelijke is. Evenzo moet voor alle medewerkers een belangrijke training worden over waar te zoeken en hoe vooroordelen in AI kunnen worden opgespoord, en vervolgens teams te belonen die fouten kunnen vinden en herkennen.”
Big Data Analytics | Digitale transformatie | CXO | Internet der dingen | Innovatie | Bedrijfssoftware