Welke uitdagingen brengt het AI-project met zich mee? | AI in business #65

Hoe integreer je AI-projecten effectief in je bedrijfsstrategie?

Onderzoek van Gartner zegt dat tegen 2030, 80% van de projectmanagementtaken door AI zal worden afgehandeld. Hoe het percentage van projecten die AI gebruiken om taken te voltooien eruit zal zien – moet nog blijken. Het is echter al de moeite waard om na te denken over hoe AI in de operationele strategie van een bedrijf kan worden geïntegreerd.

De eerste stap is om het potentieel en de beperkingen van deze technologie te begrijpen. Kunstmatige intelligentie presteert goed in het analyseren van trends en patronen, maar faalt bij zaken zoals meervoudige redenering en morele besluitvorming. Het creëert sensationele visuals, maar om het consequent materialen te laten genereren die passen bij het imago van een merk, is aanzienlijke vaardigheid vereist. Daarom kunnen we bij het starten van een AI-project niet aannemen dat het met een waarschijnlijkheid vergelijkbaar met andere projecten concrete, meetbare resultaten zal opleveren.

Een goed startpunt is daarom om de voor- en nadelen te analyseren:

• Wat zijn de totale kosten van de verschillende fasen van de implementatie van het AI-project?
• Welke KPI’s moeten worden gedefinieerd om de zakelijke impact van een AI-project te beoordelen?

Om een geloofwaardig antwoord op deze vragen te krijgen, is het het beste om eenvoudige AI-projecten te selecteren die aanzienlijke waarde bieden, gemakkelijk meetbaar zijn en passen binnen de strategie van het bedrijf. Een startup die koeriersdiensten aanbiedt kan als voorbeeld dienen. Het doel is om de klantenservice te verbeteren en de flexibiliteit van de toeleveringsketen te vergroten. Een eenvoudig maar waardevol AI-project is bijvoorbeeld de implementatie van een chatbot die klantvragen afhandelt. Zo’n virtuele assistent zal meer verzoeken afhandelen dan een traditioneel callcenter, waardoor de klanttevredenheid toeneemt door snelle reacties op vragen en consistente communicatiewaarde. Daarentegen past een geavanceerd systeem dat koeriersroutes optimaliseert bij het doel om de leveringsflexibiliteit te verbeteren, maar is complex en heeft veel hogere risico’s.

Zodra de initiële AI-projecten zijn bepaald, moet de startup de haalbaarheid ervan beoordelen, bijvoorbeeld in termen van het budget waarbinnen het AI-project moet passen.

AI-projectbudgettering. Belangrijke uitdagingen

Het implementeren van een kant-en-klare SaaS- of AI as a Service (AIaaS) oplossing, of zogenaamde “kant-en-klare AI,” heeft veel voordelen. Een daarvan is de voorspelbare kosten van het gebruik van de tool en de relatief gemakkelijk te schatten kosten van de implementatie van een AI-project. Je kunt kiezen uit oplossingen zoals:

• chatbot voor klantenservice – zoals Intercom Fin, LiveChat van Chatbot.com, Drift of FreshChat,
• Social media-analyse om het bereik van marketingberichten te vergroten – met Cortex, Buffer of Lately, of
• bedrijfsdata-analyse met Microsoft Power BI, Tableau, of voor minder complexe taken – Google Bard, dat integreert met Google-documenten.

Voor grootschaligere AI-projecten kunnen de kosten vaak worden onderschat. Vooral als het gaat om de middelen en tijd die nodig zijn voor gegevensverzameling en -voorbereiding. Volgens Arvind Krishna van IBM kan de fase van gegevensvoorbereiding voor AI-leren bijvoorbeeld tot 80% van de duur van een project in beslag nemen.

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

Bovendien, hoe meer we gepersonaliseerde AI-modellen voor een project vereisen, hoe meer kwalitatieve gegevens we moeten verzamelen. Bijvoorbeeld, diepe neurale netwerken voor leren vereisen honderden duizenden voorbeelden. Dit brengt de kosten met zich mee voor het verwerven en schoonmaken van zulke enorme datasets. Gelukkig betekent de snelle ontwikkeling van kunstmatige intelligentie dat steeds meer AI-projecten kunnen worden geïmplementeerd zonder de noodzaak voor kostbaar leren van een aangepast model.

Desondanks moet een bedrijf dat een AI-project plant niet alleen de ontwikkelingsfase van de oplossing overwegen, maar ook de voorbereiding van gegevens en de voortdurende werking van het systeem, inclusief de kosten van onderhoud, updates of het verzamelen van nieuwe gegevens. Pas dan kun je de werkelijke return on investment in AI beoordelen.

Gegevensbeheerproblemen in AI-projecten. Wat je moet weten

Een belangrijke uitdaging in AI-projecten is data – de beschikbaarheid, hoeveelheid en kwaliteit ervan. Wat te doen? Voordat je met een AI-project begint, moet je:

• zorgvuldig onderzoeken welke gegevens het bedrijf heeft – in welke vorm ze zijn opgeslagen en waar ze vandaan komen,
• zorgen voor de infrastructuur en interne processen voor gegevensverwerving ontwikkelen,
• overwegen externe datasets aan te schaffen of crowdsourcing te gebruiken als ze schaars zijn.

Een veelvoorkomend probleem is dat gegevens verspreid zijn over meerdere systemen en formaten. Het kan een uitdaging zijn om ze samen te voegen, schoon te maken en voor AI-leren voor te bereiden. Een goede praktijk is dat het AI-team nauw samenwerkt met de IT-afdeling of data-analisten. Samen moeten ze ervoor zorgen dat de juiste infrastructuur en gegevensverwervingsprocessen aanwezig zijn.

Technische en beveiligingsuitdagingen in AI-projecten

AI is niet alleen machine learning-algoritmen. Om ze in de praktijk te laten werken, is een hele IT-infrastructuur nodig. Ondertussen kan het integreren van nieuwe AI-systemen met de bestaande systemen van een bedrijf uitdagend zijn. Het vereist vaak aanpassing van oudere bedrijfssystemen, wat voor veel bedrijven aanzienlijke upgradekosten met zich meebrengt.

Bovendien vereisen AI-projecten expertise in data science en data engineering. Ondertussen is er wereldwijd een tekort aan specialisten op dit gebied. Volgens het rapport “Technology Trends Outlook 2023” van McKinsey is de verhouding van vacatures tot beschikbare specialisten 7 tot 100, en de vraag groeit voortdurend.

Het probleem van gegevensbeveiliging is ook niet onbelangrijk. AI-systemen verwerken enorme hoeveelheden gevoelige informatie, die goed beveiligd moet zijn tegen lekken. Ondertussen zijn datalekken de afgelopen jaren aanzienlijk toegenomen. Dit is daarom een ander belangrijk risico om in gedachten te houden bij de implementatie van AI-projecten.

Belangrijke competenties in AI voor ondernemers. Welke moeilijkheden kun je tegenkomen?

Een veelvoorkomende barrière voor de implementatie van een AI-project kan de beperkte kennis van kunstmatige intelligentie onder managers en zakelijke besluitvormers zijn. Zonder een diepgaand begrip van de mogelijkheden van de technologie is het moeilijk om de haalbaarheid van specifieke projecten te beoordelen en weloverwogen beslissingen te nemen. Daarom is het essentieel om te investeren in het verbeteren van de kennis van managers op het gebied van nieuwe technologieën.

Het bijscholen van huidige medewerkers kan ook helpen. Er wordt steeds vaker gesproken over zogenaamde “burgerdata-analisten” (“Citizen data scientists”). Deze specialisten benutten geavanceerde technologieën om specifieke zakelijke problemen op te lossen waarmee ze dagelijks worden geconfronteerd. Ze zijn zeer goed op de hoogte van de sector waarin ze werken. Door deel uit te maken van het team dat aan een AI-project werkt, stellen ze AI-specialisten in staat om zich te concentreren op implementatieproblemen door vragen die specifiek zijn voor de sector te beantwoorden.

Naast technische vaardigheden, zoals het evalueren van AI-aanbevelingen en het nemen van beslissingen, zijn ook zachte vaardigheden belangrijk, waaronder leiderschap en strategisch denken. Dit is een andere manier om het tekort aan AI-vaardigheden in bedrijven aan te pakken.

Analyseren van het succes van AI-projecten. Hoe fouten te vermijden bij het meten van ROI?

Er circuleert een ongefundeerd (en waarschijnlijk onwaar) gerucht op het internet dat tot 87% van de AI-projecten nooit de productiefase bereiken. Hoewel we geen toegang hebben gehad tot betrouwbare studies van succesvolle projecten, is een vroege definitie van manieren om succes te meten cruciaal voor het beoordelen van de werkelijke impact van AI-implementatie.

Een goede praktijk hierbij is een kleinschalig experiment. Dit houdt in dat de prestaties van AI worden getest, bijvoorbeeld op een willekeurige steekproef van gebruikers en de resultaten worden vergeleken met een controlegroep die een standaardoplossing gebruikt. Zo’n A/B-test helpt je te verifiëren of het nieuwe AI-systeem de verwachte resultaten kan opleveren, zoals een toename van conversies of klanttevredenheid.

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

A/B-testen is het waard om periodiek te herhalen, zelfs na de implementatie van AI, omdat modellen in nauwkeurigheid en relevantie kunnen verliezen bij het oplossen van problemen. Dit stelt je in staat om snel opkomende anomalieën en de noodzaak om het systeem opnieuw te kalibreren te identificeren, zodat het de verwachte bedrijfsresultaten blijft leveren.

Samenvatting

Hoewel AI enorme kansen biedt, brengen projecten op dit gebied aanzienlijke uitdagingen met zich mee. Om succesvol te zijn, moet je de kosten en baten van AI haalbaar beoordelen, zorgen voor gegevensverwerving en -kwaliteit, interne competenties ontwikkelen en inzetten op de geleidelijke implementatie van nieuwe technologieën. Het is ook cruciaal om de tastbare zakelijke impact van implementaties te meten en snel te reageren op opkomende problemen. Pas dan zal AI een verbetering worden in plaats van een bedreiging voor het bedrijf.

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