AI-producten en -projecten – hoe verschillen ze van andere? | AI in business #49

Inleiding tot het beheer van AI-producten

AI-producten vereisen constante ontwikkeling en aanpassing, wat verschilt van traditionele technologische oplossingen.

• AI, kunstmatige intelligentie – een algemene naam voor het vermogen van machines om taken uit te voeren die de werking van menselijke rede en creativiteit nabootsen, zoals het herkennen van afbeeldingen, het begrijpen van geschreven en gesproken taal, of het nemen van beslissingen op basis van beschikbare gegevens,
• ML, machine learning – een subdiscipline van AI die processen omvat waarin machines leren van gegevens en ervaring om taken beter uit te voeren. De uniciteit van op machine learning (ML) gebaseerde producten komt voort uit het feit dat ze niet vooraf zijn geprogrammeerd, maar zijn uitgerust met leer- en aanpassingscapaciteiten. In sectoren zoals de gezondheidszorg draagt AI bij aan nauwkeurigere diagnostiek, terwijl het in de financiën meer geavanceerde risicoanalyses mogelijk maakt,
• GenAI, generatieve kunstmatige intelligentie – een nieuw gebied van ML dat systemen omvat die nieuwe inhoud kunnen creëren, zoals tekst, afbeeldingen, video, 3D-modellen of muziek, op basis van de uitvinding van de gebruiker of door de gebruiker gespecificeerde doeleinden en invoergegevens zoals trefwoorden, zoekopdrachten of prompts, of schetsen of foto’s.

AI-productplanning – van idee tot implementatie

Het plannen van een AI-product vereist dat je in het begin een belangrijke vraag stelt: Zal dit product profiteren van het toevoegen van AI-capaciteiten?

Het implementeren van een AI-product is riskant en duur, en daarom is het een goed idee om te beginnen met het definiëren van het probleem dat door de AI-implementatie moet worden opgelost, en vervolgens te proberen dit optimaal op te lossen. Misschien door middel van brainstormen met ChatGPT of Google Bard, die verrassend advies kunnen geven over het optimale pad voor productontwikkeling – niet noodzakelijkerwijs gebaseerd op AI.

Echter, als we besluiten om kunstmatige intelligentie toe te voegen aan het aanbod van een bedrijf, moeten we rekening houden met de specificaties van de levenscyclus van het AI-project. Immers, gegevens van Gartner tonen aan dat slechts 54% van de AI-projecten de pilotfase naar productie haalt.

Dit is vaak te wijten aan de zeer veelbelovende prototypes die kunnen worden gemaakt met de vandaag beschikbare AI-tools. Aan de andere kant is het zeer moeilijk om “productkwaliteit” te bereiken en de herhaalbaarheid en relevantie van resultaten die door belanghebbenden vereist zijn.

De levenscyclus van AI-producten verschilt echter van andere, niet alleen omdat deze iets minder vaak verder gaat dan de conceptfase. Waar de levenscyclus van traditionele producten neigt naar een geleidelijke afname van de interesse zodra de verkoop piekt, ervaren AI-producten het zogenaamde “flywheel-effect.” Dit is een fenomeen waarbij een op machine learning gebaseerd product verbetert naarmate het wordt gebruikt en nieuwe gegevens van gebruikers worden verzameld. Hoe beter het product is, hoe meer gebruikers ervoor kiezen, wat op zijn beurt meer gegevens genereert om het algoritme te verbeteren. Dit effect creëert een feedbackloop die continue verbetering en opschaling van AI-gebaseerde oplossingen mogelijk maakt.

Bron: DALL-E 3, prompt: Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)

Dit maakt ze producten met een vernieuwende levenscyclus. Met andere woorden, het flywheel-effect in AI betekent dat continue verbeteringen leiden tot incrementele verbeteringen in de productprestaties. Bijvoorbeeld:

• Iteratieve training van AI-modellen – bijvoorbeeld, een model voor verkoopvoorspelling kan herhaalde training vereisen om optimale nauwkeurigheid te bereiken, maar het wordt na verloop van tijd steeds perfecter,
• Beheer van gegevensachterstanden – voor toepassingen voor contentpersonalisatie kan het verzamelen en analyseren van gebruikersgegevens een prioriteit zijn, wat geleidelijk zal leiden tot steeds relevantere resultaten.

Samenvattend vereist het beheer van AI-projecten flexibiliteit en bereidheid tot continue verbetering. Daarom moeten AI-projectmanagers voorbereid zijn om in te spelen op veranderende vereisten en voortdurend strategieën aan te passen.

Begrijpen van gegevens en de rol ervan in de ontwikkeling van AI-producten

De rol van gegevens in de ontwikkeling van AI-producten is cruciaal. McKinsey schat dat generatieve AI-modellen economische voordelen tot $4,4 biljoen per jaar kunnen genereren. Echter, om een stuk van die taart te bemachtigen, is kwaliteitsgegevensbeheer vereist.

Bijvoorbeeld, voor een e-commerce productaanbevelingssysteem om goed te functioneren, is de kwaliteit van klantgedragsgegevens cruciaal. Je hebt niet alleen de juiste hoeveelheid gegevens nodig, maar ook de juiste segmentatie en actualisering, en het belangrijkste, vaardig trekken van conclusies uit de verzamelde informatie.

Bij het creëren van een data-gedreven AI-product is het even belangrijk om onpartijdigheid in de gegevens te behouden. Bijvoorbeeld, in AI-algoritmen die worden gebruikt in werving of verzekering, mogen de gegevens geen impliciete vooroordelen bevatten – op basis van geslacht of locatie – die tot discriminatie kunnen leiden.

Het is vermeldenswaard dat goed gegevensbeheer niet alleen technische expertise vereist, maar ook bewustzijn van de impact ervan op de prestaties van AI-producten.

De meest voorkomende problemen bij het beheren van AI-gebaseerde producten

Het beheren van AI-producten omvat uitdagingen die specifieke vaardigheden en ethisch bewustzijn vereisen. Onder de belangrijkste problemen zijn het vermelden waard:

• Ontwikkeling van AI-vaardigheden – bijvoorbeeld, een productmanager in de AI-industrie moet de basisprincipes van machine learning begrijpen om effectief samen te werken met het technische team,
• up-to-date oriëntatie op wettelijke vereisten – regelgeving over AI-producten is net aan het ontstaan, dus je moet georiënteerd zijn om de beleidslijnen en regelgeving van je bedrijf voor het gebruik van het AI-product voortdurend aan te passen,
• Integratie van AI in bestaande systemen – het integreren van geavanceerde kunstmatige intelligentie in bestaande IT-systemen kan technologische en organisatorische uitdagingen met zich meebrengen,
• Opschaling van AI-oplossingen – voor technologie-startups vereist het ontwikkelen van een AI-prototype tot een volwaardig product middelen, tijd en expertise, wat ook een probleem kan zijn vanwege het relatief lage aanbod en de hoge vraag naar specialisten,
• Gebruikers betrokken houden – voor een app die AI gebruikt om inhoud te personaliseren, is het constant aanpassen aan de veranderende voorkeuren van gebruikers de sleutel om hen betrokken te houden,
• Omgaan met ethische dilemma’s – bijvoorbeeld, in een AI-toepassing voor gezondheidsmonitoring is de privacy en beveiliging van gebruikersgegevens een prioriteit.

AI-producten – samenvatting

Samenvattend vereist het beheren van AI-projecten en -producten een begrip van de unieke uitdagingen en kansen die de technologie met zich meebrengt. Het begrijpen van de rol van gegevens, het kunnen beheren van teams en projecten, evenals het bewust blijven van de ethische aspecten van AI zijn essentieel. AI-producten openen nieuwe horizonten voor bedrijven, maar ze vereisen de juiste aanpak en vaardigheden.

Voor startups is het belangrijk om zich te concentreren op het duidelijk definiëren van het probleem dat het AI-product moet oplossen en een team op te bouwen met de juiste kennis en ervaring in AI. Het is ook de moeite waard om te focussen op het bouwen van ethische en transparante AI-systemen die voldoen aan de verwachtingen van gebruikers en regelgeving.

Als je onze inhoud leuk vindt, sluit je dan aan bij onze drukke bijengemeenschap op Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.