Is het altijd de moeite waard om kunstmatige intelligentie toe te voegen aan het productontwikkelingsproces? | AI in business #55

De rol van kunstmatige intelligentie in het proces van productontwikkeling

Kunstmatige intelligentie kan veel aspecten van het ontwerp- en implementatieproces voor nieuwe producten ondersteunen. Vaak is het een goed idee, en de belangrijkste voordelen zijn:

• Marktonderzoek – het versnellen van onderzoek of het uitvoeren ervan op grotere schaal is mogelijk door repetitieve taken te automatiseren, zoals het analyseren van enquêtes of het transcriberen van interviews, bijvoorbeeld. Dit stelt het team in staat om zich te concentreren op de meer creatieve en uitdagende aspecten van productontwikkeling,
• Nieuwe inspiratie – gefaciliteerde toegang tot een breder spectrum van ideeën is een van de belangrijkste voordelen van generatieve AI. AI-algoritmen kunnen enorme databases doorzoeken naar onbekende patronen en concepten die verder gaan dan het eerdere denken van ontwerpers,
• Diepgaande data-analyse – beter begrip van de behoeften van doelklanten door gegevens over hun gedrag, voorkeuren en aankoopmotivaties te verwerken.

Maar wanneer is het een goed idee om een tweede keer na te denken voordat je AI-samenwerking gebruikt?

In close-up: De verborgen uitdagingen van het implementeren van AI

Hoewel kunstmatige intelligentie in het productontwikkelingsproces veel nieuwe kansen biedt, is de implementatie niet zonder uitdagingen. De belangrijkste hiervan zijn:

• de noodzaak om productteams grondig op te leiden en bestaande werkprocessen aan te passen voor integratie met AI-systemen. Dit kan moeilijk zijn in grote, hiërarchische organisaties die bemand zijn met specialisten die aan traditionele manieren van werken zijn gebonden,
• zorgen over de beveiliging van klantgegevens die AI-algoritmen trainen. Om te profiteren van extra beveiligingsfuncties hebben bedrijven vaak bedrijfslicentieovereenkomsten nodig die het budget van kleine organisaties kunnen overschrijden. Daarom kiezen kleinere bedrijven soms voor kleinschalige integratie van open-access modellen zoals Llama 2, Vicuna of Alpaca. Toegegeven, ze vereisen krachtigere hardware in het bedrijf, maar ze bieden gegevensbeveiliging. Dit komt omdat machine learning-modellen afhankelijk zijn van gevoelige persoonlijke informatie. Als de beveiliging niet goed is ingesteld, kan hun lekken desastreuze gevolgen hebben voor het imago van het bedrijf,
• toegenomen complexiteit en diffusie van verantwoordelijkheid voor belangrijke zakelijke beslissingen die AI-systemen betreffen. Wie draagt de financiële en reputatierisico’s voor eventuele fouten van deze systemen? Hoe zorg je voor toezicht op AI “black boxes”?

De black box-val. Gebrek aan transparantie in AI-beslissingen

Een van de fundamentele nadelen van geavanceerde machine learning-technieken, zoals neurale netwerken, is het gebrek aan transparantie in de genomen beslissingen. Deze systemen functioneren als “black boxes,” die invoer omzetten in gewenste uitkomsten zonder de onderliggende logica te begrijpen.

Dit maakt het ernstig moeilijk om het vertrouwen van gebruikers in AI-gegenereerde aanbevelingen te waarborgen. Als we niet begrijpen waarom het systeem een bepaalde productvariant of concept heeft voorgesteld, is het moeilijk om de zinvolheid van de suggestie te beoordelen. Dit kan leiden tot wantrouwen in de technologie als geheel.

Bedrijven die kunstmatige intelligentie gebruiken in productontwikkeling moeten zich bewust zijn van het “black box”-probleem en stappen ondernemen om de transparantie van hun oplossingen te vergroten. Voorbeelden van oplossingen zijn:

• visualisaties van datastromen in neurale netwerken, of
• tekstuele uitleg van genomen beslissingen gegenereerd door aanvullende algoritmen.

AI en ethiek. Hoe discriminatie en vooringenomenheid te vermijden?

Een ander belangrijk probleem zijn de potentiële ethische problemen die gepaard gaan met AI. Machine learning-systemen zijn vaak afhankelijk van gegevens die onderhevig zijn aan verschillende soorten vooroordelen en gebrek aan representativiteit. Dit kan leiden tot discriminerende of oneerlijke zakelijke beslissingen.

Bijvoorbeeld, het wervingsalgoritme van Amazon leek mannelijke kandidaten te bevoordelen op basis van de historische aanwervingspatronen van het bedrijf. Soortgelijke situaties kunnen zich voordoen bij het ontwikkelen van applicaties met machine learning om:

• Prioriteiten voor klantenservice vast te stellen,
• Advertentiedoelgroepen te targeten,
• Specialisten in de directe omgeving voor te stellen, of
• Productaanbevelingen te personaliseren.

Om dergelijke problemen te voorkomen, moeten bedrijven de datasets die ze gebruiken zorgvuldig analyseren op adequate vertegenwoordiging van verschillende demografische groepen en AI-systemen regelmatig monitoren op tekenen van discriminatie of oneerlijkheid.

De grenzen van algoritmen. Kunstmatige intelligentie in het proces

Kunstmatige intelligentie kan het creatieve proces ondersteunen, ideeën zoeken en oplossingen optimaliseren. Er zijn echter nog steeds weinig bedrijven die ervoor kiezen om volledig op AI te vertrouwen. Het inzetten van kunstmatige intelligentie in het contentcreatieproces biedt ongelooflijke kansen, maar de uiteindelijke beslissingen over het publiceren of controleren van de informatie in de gegenereerde materialen moeten met menselijke input worden genomen.

Daarom moeten ontwerpers en productmanagers zich bewust zijn van de beperkingen van AI-technologie en deze beschouwen als ondersteuning in plaats van een automatische bron van kant-en-klare oplossingen. Belangrijke ontwerp- en zakelijke beslissingen vereisen nog steeds creativiteit, intuïtie en een diep begrip van klanten, wat algoritmen alleen niet kunnen bieden.

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

Zorg voor controle en juridische naleving

Om AI-risico’s te minimaliseren, moeten bedrijven passende toezicht- en controlemechanismen voor deze systemen implementeren. Dit omvat, maar is niet beperkt tot:

• Verificatie van de juistheid en bronnen van informatie die door AI-modellen wordt gegenereerd voordat deze praktisch wordt gebruikt,
• Audits van machine learning-algoritmen op vooringenomenheid, voorspellingsonzekerheid en transparantie van beslissingen,
• Het oprichten van een specialist of ethische commissie om toezicht te houden op het ontwerp, de test en de toepassing van AI-systemen in het bedrijf,
• Het ontwikkelen van duidelijke richtlijnen over acceptabele AI-toepassingen en de grenzen van de inmenging van deze systemen in bedrijfsprocessen en ontwerpbeslissingen,
• Training van ontwerpers om zich bewust te zijn van de beperkingen en valkuilen om een te onkritische afhankelijkheid van de aanwijzingen te vermijden.

Samenvatting

Samenvattend opent kunstmatige intelligentie ongetwijfeld spannende vooruitzichten voor het optimaliseren en versnellen van het ontwerp en de implementatie van nieuwe producten. De integratie ervan met legacy-systemen en -praktijken is echter niet zonder uitdagingen, waarvan sommige fundamenteel zijn – zoals onzekerheid en gebrek aan voorspellende transparantie.

Om optimaal gebruik te maken van het potentieel van AI, moeten bedrijven het met de juiste hoeveelheid voorzichtigheid en kritiek benaderen, en de beperkingen van de technologie begrijpen. Het is ook cruciaal om ethische kaders en controleprocedures te ontwikkelen die de risico’s minimaliseren die gepaard gaan met de implementatie van geavanceerde algoritmen in echte bedrijfsprocessen. Pas dan kan AI een waardevolle en veilige aanvulling worden op menselijke creativiteit en intuïtie.

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