Prof. Jan Bosch
Het lijkt erop dat een groot deel van mijn werk zich tegenwoordig bezighoudt met het introduceren van AI in het domein van embedded systemen, het begrijpen wat de implicaties zijn en hoe bedrijven ermee om moeten gaan. In de discussies met technische experts en bedrijfsleiders stuit ik echter voortdurend op een aantal misvattingen.
Ten eerste zijn er nog steeds verschillende mensen die ML/DL modellen zien als enkelvoudige oplossingen voor een specifiek probleem, waarbij we het model kunnen bouwen, het integreren, de resulterende software implementeren en klaar zijn. Hoewel je op deze manier zou kunnen werken, negeer je in feite de overgrote meerderheid van de voordelen die je zou kunnen leveren. In plaats daarvan gaat het om continue alles. Het gaat om een constante stroom van software-updates naar het veld, een constante stroom van gegevens die terugkomen van je systemen, constante bijscholing en actualisering van modellen. We lezen allemaal over DevOps, DataOps en AIOps, maar daar gaat het echt om. Hoe korter je de cycli kunt maken, hoe meer waarde je kunt leveren.
Ten tweede zien veel mensen AI als een technische uitdaging die moet worden opgelost door R&D, maar die niets te maken heeft met de rest van het bedrijf. Feit is dat het je bedrijfsmodel zal veranderen. Als je momenteel een transactioneel bedrijfsmodel gebruikt waarbij je een eenmalige betaling krijgt wanneer je het product verkoopt, maar software-updates moet leveren gedurende de economische levensduur van het product, dan zit je in de problemen omdat je kosten continu zijn terwijl je inkomsten dat niet zijn. De enige manier om dit te omzeilen is om je inkomstenmodel af te stemmen op je kostenmodel. Voor de meeste bedrijven waar ik mee werk, betekent dit dat je de productverkoop vooraf moet combineren met een continu inkomstenmodel voor diensten. Dit is eigenlijk een geweldige manier om meer inkomsten uit je klanten te genereren.
Ten derde, vooral in bedrijven die grote, complexe en dure systemen bouwen, zoals in de auto-industrie, telecommunicatie of automatisering, is er geen duidelijke definitie of begrip van de werkelijke waarde die aan klanten wordt geleverd. Het hele pakket verkoopt en daarom is het hele pakket waardevol. Als je systemen continu wilt verbeteren, moet je kiezen waar je je energie en tijd op wilt richten. En hiervoor moet je begrijpen wat echt waardevol is in je aanbod, want het verbeteren van basisfunctionaliteit met behulp van ML/DL-modellen of anderszins helpt je klant niet. We hebben veel met bedrijven gewerkt aan het modelleren van de waarde van hun oplossingen of producten voor klanten en het is verrassend moeilijk om precies en concreet te zijn.
'You can’t use AI in isolation'
Ten vierde kun je AI niet geïsoleerd gebruiken. Machine- en deep learning-oplossingen hebben gegevens nodig voor training en gebruik. De gegevens worden gegenereerd door software die het systeem instrumenteert. En natuurlijk zijn ML/DL-modellen zelf ook software. Het enige verschil is dat AI-software wordt geprogrammeerd door gegevens en patroonherkenning, in plaats van door mensen op een algoritmische manier. Dit betekent dat je goed moet zijn in alle digitale technologieën.
De laatste misvatting is dat veel mensen denken dat als ze eenmaal een ML/DL-model hebben getraind en het goed presteert in prototyping, het moeilijkste achter de rug is. Dit is absoluut niet waar. Het makkelijkste deel is het maken van een model en het moeilijkste deel is het industrialiseren ervan. Industrialiseren betekent het opzetten van datapijplijnen, het instellen van monitoring en logging, zorgen voor correct (of op zijn minst acceptabel) gedrag in alle gevallen, het ontwikkelen van oplossingen voor DevOps, DataOps en AIOps, enzovoort. In een eerdere post schreef ik over onze AI engineering onderzoeksagenda waarin we de belangrijkste uitdagingen vastleggen die moeten worden aangepakt.
AI beweegt zich naar de rand – en dat zou ook moeten, want het heeft het potentieel om enorme waarde te leveren. De uitdaging is dat er nog heel wat misvattingen bestaan over wat dit in de praktijk betekent. Ik heb er vijf besproken en mijn visie gegeven. AI hoort thuis op het scherp van de snede, maar er moet tegelijkertijd veel omheen gebeuren. En omdat het niet vanzelf gaat, is het cruciaal dat we hier gisteren al mee beginnen.
Blijf op de hoogte
Ontvang onze maandelijkse updates
