Volgens een nieuw Forrester-rapport, “De inleiding van de Tech Executive op datawetenschap, machine learning en AI, belemmert een gebrek aan begrip het vermogen van bedrijfsleiders om datawetenschap, machine learning en kunstmatige-intelligentieprojecten effectief in te zetten om zakelijke problemen op te lossen. "Alle leidinggevenden moeten strategische beslissingen nemen over hoe en waar deze technologieën kunnen worden gebruikt, maar weinig leiders hebben er ervaring mee, dus er zijn veel misvattingen die leiden tot slechte resultaten, verspilling van middelen en weerstand tegen toekomstige initiatieven", aldus het rapport.

ZIEN:  AI op volle zee: digitale transformatie zorgt voor een revolutie in de wereldwijde scheepvaart (gratis pdf) (TechRepubliek)

Het rapport definieert data science als het extraheren van betekenis uit data; machine learning als het toepassen van algoritmen op gegevens om machine learning-modellen te trainen; en kunstmatige intelligentie als overkoepelende term voor machine learning en automatiseringsmethoden die op nieuwe manieren worden gebruikt.

Om deze technologieën met succes in te zetten, is zakelijk en technologisch inzicht en uitvoerend leiderschap vereist, aldus het rapport. Hoewel technische experts kunnen worden ingehuurd, is het veel moeilijker om bedrijfsleiders te vinden die deze complexe, geavanceerde technologieën begrijpen. 

Het rapport suggereert zeven inzichten en best practices die bedrijven kunnen inzetten om de kansen in hun voordeel te kantelen: 

1. Als het lijkt alsof je denkt dat AI er "zou moeten" uitzien, is dat waarschijnlijk niet het geval. Hoe slim AI-technologieën zoals persoonlijke assistenten of grammaticacontroles ook lijken, echte AI vertoont nergens de intelligentie en autonomie die in de films wordt geportretteerd. “De werkelijke voor- en nadelen van ML- en AI-technologieën verschillen zo dramatisch van populaire percepties dat als een idee, voorgestelde oplossing of aanbod van een leverancier eruitziet als iets dat een leek zou verwachten, het gedoemd is te mislukken, overdreven gehyped is of moet worden vertrouwen op een persoon die zich achter een gordijn verstopt”, aldus het rapport.

2. Zoek naar projecten die technisch haalbaar zijn en meetbare business opleveren. DSMLAI moet niet beginnen met alleen het einde in gedachten of met wat de AI- en ML-technologieën kunnen doen. Je moet elkaar in het midden ontmoeten. “Begin puur met de zakelijke waarde en je kiest use cases die inspelen op de zwakke punten van AI en de sterke punten missen (denk aan volledig autonome voertuigen). Begin met de gegevens en je zult echte maar waardeloze inzichten vinden (bijvoorbeeld boekingen zorgen voor meer omzet),' aldus het rapport.

3. Kies voor een levenscyclusbenadering. Wat u ook doet, als gebruikers het niet interesseren of niet willen gebruiken, maakt het niet uit. “Meestal houdt dat in dat je je AI-oplossing implementeert, deze in handen krijgt van eindgebruikers en mensen opleidt. Als je niet hebt gepland hoe dat zal gebeuren, wees dan op zijn best voorbereid op lange vertragingen; in het slechtste geval zult u ontdekken dat implementatie onmogelijk is. Vergroot uw kans op succes door uw project van begin tot eind te plannen en de beoogde eindgebruikers van de oplossing vanaf het begin en gedurende het hele proces te betrekken”, aldus het rapport.

ZIEN: De CIO-gids voor kwantumcomputers (gratis pdf) (TechRepubliek)

4. Verbeter uw gegevens in de loop van de tijd. Wacht niet tot u over de juiste gegevens beschikt om aan de slag te gaan, anders komt u er nooit. “Als het gaat om AI-projecten, zijn kwaliteitsgegevens een mythe. U weet pas welke gegevens u nodig heeft en in welke vorm u ze nodig heeft, totdat u weet hoe u ze gaat gebruiken en vice versa. Werk in plaats daarvan met de gegevens die u snel kunt verkrijgen, stimuleer de waarde die u snel kunt krijgen en gebruik het succes om te pleiten voor de volgende investeringsronde in uw gegevensactiva en pijplijnen”, aldus het rapport.

5. Verbeter de AI-mogelijkheden in de loop van de tijd. Net als bij data beginnen de meeste succesvolle DSMLAI-projecten klein en bouwen ze voort op successen op schaal. "Dat betekent vaak eerst horizontale of verticale puntoplossingen met ingebouwde AI-mogelijkheden kopen en dan verder gaan dan de mogelijkheden van deze oplossingen met behulp van aangepaste modellen en applicaties", aldus het rapport.

6. Maak je eerst zorgen over menselijke vooroordelen, dan AI. Omdat AI een hulpmiddel is dat door mensen is ontwikkeld, zal het waarschijnlijk ingebouwde vooroordelen bevatten. De beste manier om vooringenomenheid te voorkomen, is door zorgvuldig de gegevens te screenen die u gebruikt om uw AI-modellen te trainen. “Test vooral meerdere hypothesen, valideer modellen en controleer ze in de loop van de tijd op vooringenomenheid en, indien van toepassing, eerlijkheid. Als je dat doet, zullen je resulterende modellen vrijwel zeker minder bevooroordeeld zijn dan menselijke beslissingen. Als je dat niet doet, loop je het risico de vooroordelen te versterken en te verspreiden”, aldus het rapport.

7. Laat AI-projecten niet blijven hangen. Omdat ze slecht worden begrepen, geïmplementeerd of verlaten door hun uitvoerende sponsor, zijn AI-projecten onderhevig aan degradatie. De beste manier om dit resultaat te voorkomen, is door ze eerder dan later te doden. "Stel uw teams in staat projecten te vernietigen, maar leg de lessen vast en laat ze herleven in nieuwe, meer levensvatbare incarnaties", aldus het rapport.

Data, Analytics en AI nieuwsbrief

Lees het laatste nieuws en best practices over data science, big data-analyse en kunstmatige intelligentie. Maandag bezorgd

Meld je vandaag nog aan

Zie ook