Kunstmatige intelligentietechnologieën hebben een indrukwekkend acceptatieniveau bereikt en worden gezien als een onderscheidende factor in de concurrentie. Maar er komt een moment dat een technologie zo alomtegenwoordig wordt dat het niet langer een competitieve differentiator is – denk aan de cloud. In de toekomst zullen de organisaties die slagen met AI, de organisaties zijn die menselijke innovatie en zakelijk inzicht toepassen op hun AI-fundamenten.
Foto: Joe McKendrick
Dat is de uitdaging die wordt geïdentificeerd in een onderzoek dat is vrijgegeven door RELX, waaruit blijkt dat het gebruik van AI-technologieën, althans in de Verenigde Staten, 81% van de ondernemingen heeft bereikt, een stijging van 33 procentpunten ten opzichte van 48% sinds een eerdere RELX-enquête in 2018. Ze' ben ook optimistisch over AI die de goederen levert – 93% meldt dat AI hun bedrijf concurrerender maakt. Deze alomtegenwoordigheid kan de reden zijn dat 95% ook meldt dat het een uitdaging is om de vaardigheden te vinden om hun AI-systemen uit te bouwen. Bovendien kunnen deze systemen mogelijk gebrekkig zijn: 75% maakt zich zorgen dat AI-systemen mogelijk het risico van vooringenomenheid op de werkplek met zich meebrengen, en 65% geeft toe dat hun systemen vooringenomen zijn.
Er is dus nog veel werk aan de winkel. Het komt neer op de mensen die AI kunnen laten gebeuren, en om het zo eerlijk en nauwkeurig mogelijk te maken.
“Hoewel veel AI- en machine learning-implementaties mislukken, is het in de meeste gevallen minder een probleem met de daadwerkelijke technologie en meer met de omgeving eromheen”, zegt Harish Doddi, CEO van Datatron. De overstap naar AI “vereist de juiste vaardigheden, middelen en systemen.”
Er is een goed ontwikkeld begrip van AI en ML nodig om zichtbare voordelen voor het bedrijf te leveren. Hoewel AI en ML al vele jaren bestaan, “komen we nog maar net aan het ontdekken van hun ware mogelijkheden”, zegt Usman Shuja, algemeen directeur van verbonden gebouwen bij Honeywell. “Dat gezegd hebbende, er kunnen veel waardevolle lessen worden getrokken uit de misstappen van anderen. Hoewel het aantoonbaar waar is dat AI aanzienlijke waarde kan toevoegen aan praktisch elke afdeling in elk bedrijf, is een van de grootste fouten die een bedrijf kan maken, het implementeren van AI voor de om AI te implementeren, zonder een duidelijk begrip van de zakelijke waarde die ze hopen te bereiken.”
Bovendien vereist AI handig verandermanagement, vervolgt Shuja. “Je kunt de meest geavanceerde AI-oplossingen installeren die beschikbaar zijn, maar als je medewerkers hun gedrag niet kunnen of willen veranderen om zich aan te passen aan een nieuwe manier van werken, zie je geen waarde.”
Een andere uitdaging is vooringenomenheid, zoals door veel leidinggevenden in de RELX-enquête wordt uitgedrukt. “Algoritmen kunnen gemakkelijk bevooroordeeld worden op basis van de mensen die ze schrijven en de gegevens die ze leveren, en vooringenomenheid kan meer optreden met ML omdat het in de basiscode kan worden ingebouwd”, zegt Shuja. “Hoewel grote hoeveelheden gegevens nauwkeurigheid kunnen garanderen, is het vrijwel onmogelijk om over voldoende gegevens te beschikken om praktijksituaties na te bootsen.”
Hij illustreert bijvoorbeeld: “Als ik op zoek was naar het rekruteren van collegiale atleten voor mijn professionele lacrosseteam, en ik ontdekte dat de meeste spelers over wie ik hoor Texas Longhorns zijn, zou dat tot de conclusie kunnen komen dat de beste lacrossespelers aanwezig zijn op de Universiteit van Texas. Dit kan echter zijn omdat het algoritme te veel gegevens van één universiteit heeft ontvangen, waardoor er een vertekening is ontstaan.”
De manier waarop de gegevens zijn opgezet en wie ze instelt “kan onbedoeld vooringenomenheid in de algoritmen sluipen”, zegt Shuja. “Bedrijven die nog niet over deze implicaties nadenken, moeten dit op de voorgrond plaatsen van hun inspanningen op het gebied van AI- en ML-technologie om integriteit in hun oplossingen in te bouwen.”
Een ander probleem is dat AI- en ML-modellen simpelweg te snel verouderd raken, zoals veel bedrijven ontdekten, en blijven ontdekken als gevolg van Covid en supply chain-problemen. “Het hebben van goede documentatie die de levenscyclus van het model laat zien, helpt, maar het is nog steeds onvoldoende wanneer modellen onbetrouwbaar worden”, zegt Doddi. Leuk vinden?' en 'Welke invoervariabelen komen in het model?''”
Bestuur is de sleutel. Tijdens de ontwikkeling legt Doddi uit: “MLmodels zijn gebonden aan bepaalde aannames, regels en verwachtingen. Als ze eenmaal in productie zijn genomen, kunnen de resultaten aanzienlijk verschillen van de resultaten in ontwikkelomgevingen. Dit is waar governance van cruciaal belang is zodra een model operationeel is. een manier zijn om verschillende modellen en versies bij te houden.”
In sommige gevallen met AI is “less is more”, zegt Shuja. “AI is meestal het meest succesvol wanneer het wordt gecombineerd met volwassen, goed geformatteerde gegevens. Dit ligt meestal op het gebied van IT/bedrijfsgegevens, zoals met CRM, ERP en marketing. Wanneer we ons echter verplaatsen naar gebieden waar de data is minder samenhangend, zoals bij operationele technologie data, dit is waar het behalen van AI-succes een beetje uitdagender wordt. Er is enorme behoefte aan schaalbare AI binnen een industriële omgeving, bijvoorbeeld door AI te gebruiken om het energieverbruik in een gebouw of industriële fabriek te verminderen — een gebied met een groot potentieel voor AI. Binnenkort zullen hele bedrijven – van de fabrieksvloer tot de directiekamer – met elkaar verbonden zijn; voortdurend leren en verbeteren van de gegevens die het verwerkt. Dit wordt de volgende belangrijke mijlpaal voor AI in de onderneming.”
Enterprise-software | Digitale transformatie | CXO | Internet der dingen | Innovatie | Slimme steden