Prof. Jan Bosch
Dit artikel is het laatste van vier waarin ik verschillende dimensies van digitale transformatie verken. Eerder besprak ik bedrijfsmodellen, productupgrades en data-exploitatie. De vierde dimensie gaat over kunstmatige intelligentie. Vergelijkbaar met de andere dimensies, toonde ons onderzoek aan dat er een duidelijk evolutiepad is dat bedrijven doorlopen wanneer ze van traditionele bedrijven veranderen in digitale bedrijven (zie de figuur).
In de eerste fase is het bedrijf nog steeds gericht op gegevensanalyse. Alle gegevens worden verwerkt met als enig doel menselijke consumptie en interpretatie. Op dit punt draait alles om dashboards, visualisatie en overzichten voor belanghebbenden.
Evolutie van het gebruik van AI-technologie.
In de tweede fase worden de eerste modellen voor machine learning (ML) of deep learning (DL) ontwikkeld en ingezet. De training van de modellen is gebaseerd op statische datasets die op een bepaald moment zijn samengesteld en die niet evolueren tenzij er een expliciete beslissing wordt genomen. Als dat gebeurt, wordt een nieuwe dataset samengesteld en gebruikt voor training.
In de derde fase worden DevOps en MLOps samengevoegd in die zin dat er een voortdurende hertraining van modellen plaatsvindt op basis van de meest recente gegevens. Deze gegevens zijn niet langer een dataset, maar eerder een venster over een datastroom die wordt gebruikt voor training en continue hertraining. Afhankelijk van het domein en de snelheid waarmee de onderliggende gegevens veranderen, wordt de MLOps-lus afgestemd op de DevOps-lus of wordt deze vaker of minder vaak uitgevoerd. Als je bijvoorbeeld ML/DL gebruikt voor het voorspellen van huizenprijzen in een vastgoedmarkt, is het belangrijk om het model regelmatig te hertrainen op basis van de meest recente verkoopgegevens, omdat huizenprijzen voortdurend veranderen.
Vooral in de software-intensieve industrie voor ingebedde systemen is de volgende stap, wanneer ML/DL-modellen worden ingezet in elke productinstantie, vaak de toepassing van gefedereerde benaderingen. In plaats van alle training centraal uit te voeren, kiest het bedrijf voor gefedereerde leerbenaderingen waarbij alle productinstanties betrokken zijn bij de training en modelupdates worden gedeeld tussen productinstanties. Dit maakt lokalisatie en aanpassing mogelijk omdat specifieke regio’s en gebruikers willen dat het systeem zich anders gedraagt. Afhankelijk van de benadering van gefedereerd leren is het haalbaar om dit toe te staan. Verschillende bestuurders willen bijvoorbeeld dat hun adaptieve cruisecontrolesysteem zich op verschillende manieren gedraagt. Sommigen willen dat het systeem zich voorzichtiger gedraagt, terwijl anderen een agressievere manier van remmen en accelereren willen zien. Elk product kan zichzelf na verloop van tijd aanpassen aan de feedback van de bestuurder.
Ten slotte bereiken we de fase van geautomatiseerde experimenten, waarin het systeem volledig autonoom experimenteert met zijn eigen gedrag met de bedoeling om bepaalde succescijfers te verbeteren. Terwijl in eerdere stadia mensen A/B-experimenten of soortgelijke experimenten uitvoeren en de mensen degenen zijn die met de A en B alternatieven komen, is het hier het systeem zelf dat alternatieven genereert, implementeert, het effect meet en beslist over de volgende stappen. Hoewel de voorbeelden in deze categorie zeldzaam zijn, zijn we onder andere betrokken geweest bij gevallen waarin we een systeem van dit type gebruikten om de instellingen van configuratieparameters te onderzoeken (de meeste systemen hebben er duizenden) om de prestaties van het systeem automatisch te optimaliseren.
Concluderend is digitale transformatie een complexe, multidimensionale uitdaging. Een van de dimensies is de toepassing van AI/ML/DL. Het gebruik van AI is geen binaire stap, maar eerder een proces dat zich in de loop van de tijd ontwikkelt en vooraf gedefinieerde stappen doorloopt. Het inzetten van AI maakt het mogelijk om taken te automatiseren die niet eerder geautomatiseerd konden worden en om de resultaten van geautomatiseerde processen te verbeteren door slimme, geautomatiseerde beslissingen. Als je eenmaal software hebt, kun je gegevens genereren. Als je eenmaal gegevens hebt, kun je AI inzetten. Als je eenmaal AI hebt, kun je echt profiteren van het potentieel van digitalisering.
Blijf op de hoogte
Ontvang onze maandelijkse updates
