Uw AI-businesscase vinden

Ik heb met bedrijven gewerkt aan het gebruik van AI en daarbij een interessant patroon opgemerkt: hoewel de meeste aandacht wordt besteed aan algoritmen, infrastructuur voor gegevensopslag, training en evaluatie van toepassingen, blijkt het moeilijkste deel vaak te bestaan uit het bedenken van een veelbelovend concept. Bij het verkennen van veelbelovende concepten beginnen velen zich te realiseren dat het een grote uitdaging is om het resulterende ML-model van de prototyping-fase naar daadwerkelijke implementatie te brengen, waarvoor veranderingen nodig zijn in bestaande modellen voor klantbetrokkenheid, productarchitecturen, manieren van werken, de verzamelde gegevens en vaak zelfs wettelijke beperkingen.

Het verkennen van veelbelovende concepten vereist natuurlijk het onderzoeken van zowel de potentiële zakelijke voordelen als de verwachte kosten voor het introduceren van een machine- of deep-learningmodel in een product, oplossing of dienst. Mijn observatie is echter dat velen nogal worstelen met het bedenken van potentiële concepten die gebruik maken van de voordelen die ML/DL-modellen bieden.

Eerder introduceerden we het HoliDev model, dat onderscheid maakt tussen requirements-gedreven, outcome-gedreven en AI-gedreven ontwikkeling en beweert dat elk type ontwikkeling zijn eigen kenmerken heeft. AI-gestuurde ontwikkeling gedijt goed als er enerzijds voldoende gegevens beschikbaar zijn voor training en bewerking en als we anderzijds een inferentieprobleem willen oplossen dat bijzonder moeilijk op te lossen is zonder gebruik te maken van ML/DL-technieken omdat er geen duidelijke algoritmische aanpak is. In het algemeen richten we ons op drie hoofdkenmerken die de belangrijkste voorwaarden vormen voor een succesvol AI-concept, namelijk het verwijderen van hardcoded reacties, het gebruik van genegeerde gegevens en het opnieuw bekijken van negatieve RoI-gebruikscases.

Ten eerste, in situaties waar het antwoord van het systeem hard gecodeerd is, kan het een groot voordeel zijn om op elk verzoek een antwoord te geven op basis van de beschikbare informatie. Het voor de hand liggende voorbeeld is online adverteren, waar bedrijven als Google en Facebook voortdurend op zoek zijn naar nauwkeurigere profielen van gebruikers om relevantere advertenties te kunnen aanbieden in plaats van mensen een willekeurige advertentie te tonen. AI-modellen kunnen, vooral wanneer een goede algoritmische aanpak ontbreekt, betere antwoorden geven door te trainen op basis van beschikbare gegevens.

Ten tweede zijn er talloze situaties waarin beschikbare gegevens eenvoudigweg worden genegeerd omdat mensen er geen patronen in hebben kunnen ontdekken en dus een wiskundige benadering volgen om een bepaald probleem op te lossen. Een interessant voorbeeld is te vinden in regelsystemen waar verschillende bedrijven werken aan het aanvullen of vervangen van traditionele P, PI, PD en PID regelaars door AI modellen. De reden hiervoor is dat traditionele regelaars werken op basis van een theoretisch model van hoe een systeem zich zou moeten gedragen als reactie op regelsignalen. In de praktijk reageert geen enkel systeem volledig volgens de theorie en AI-modellen kunnen de kwaliteit van de regeling verbeteren door rekening te houden met alle gegevens.

Ten derde, het moeilijkste geval is wanneer de kosten voor het verzamelen van gegevens voor menselijke interpretatie een negatief rendement op investering hadden omdat de inspanning die nodig was om van de gegevens te profiteren te hoog was. Met de dalende kosten van sensoren, computermiddelen en communicatie zijn er echter steeds meer gevallen waarin het verzamelen van gegevens voor gebruik door een AI-model winstgevend wordt.

Het is in deze categorie waar de meest lonende AI business cases te vinden zijn. Een bekend voorbeeld is sentimentanalyse in sociale media. De hoeveelheid gegevens in sociale media overtreft ruimschoots het vermogen van zelfs grote teams van mensen om het sentiment rond bijvoorbeeld een product of een bedrijf bij te houden en daarom probeerden mensen het niet eens. Met de opkomst van ML-benaderingen wordt het echter volledig haalbaar om realtime dashboards te hebben van de status van het sentiment en bedrijven gebruiken deze inzichten voor het nemen van beslissingen.

Ondanks alle aandacht voor AI-algoritmen, data en training blijft het identificeren van interessante business cases en het evalueren van de haalbaarheid en wenselijkheid van elke case een van de meest uitdagende activiteiten. Ik heb drie categorieën van cases besproken die inspiratie kunnen bieden voor het identificeren van jouw AI business case.