Innovatie & Strategie

Dit is een bijdrage van SAS
Artificial Intelligence
AI

Succesvolle tactieken voor operationaliseren en opschalen van AI

De grote uitdaging voor veel organisaties zit in het bij elkaar brengen van de juiste data

12 maart 2021
Door: SAS , partner

De grote uitdaging voor veel organisaties zit in het bij elkaar brengen van de juiste data

Uit onderzoek van onder meer IDC en Gartner blijkt dat meer dan 50% van ontwikkelde machine learning-modellen nooit in productie wordt genomen, en wanneer dit wel het geval is duurt het vaak 6-9 maanden om een model te operationaliseren. De oorzaak? Nog steeds worden er teveel AI projecten vanuit de verkeerde uitgangspunten gestart, bijvoorbeeld ‘omdat iedereen het doet’ en de organisatie niet achter wil blijven.

Eigenlijk is hierbij niets nieuws onder de zon: we zagen hetzelfde gebeuren met ‘Big Data’, ‘Machine Learning’ en nu ook met ‘AI’. De oplossing voor dit probleem is heel eenvoudig: begin met het stellen van de juiste vragen, het bepalen van het doel en het goed uitwerken van de business case. Ook hier weer niets nieuws onder de zon, hoewel het karakter van een AI-oplossing wel anders is dan een traditioneel IT project.

Daarom verdient het aanbeveling om bij projecten als startpunt het AI canvas te gebruiken, dat begint met de ‘waarde propositie’. Want waarom zou je aan een project beginnen als er geen verwachte waarde in zit? Het canvas helpt om alles rondom de levenscyclus van een AI-oplossing in kaart te brengen vóórdat er ook maar één model ontwikkeld is.

AI Canvas

Wat ook blijkt uit het AI canvas is dat het niet alleen om techniek gaat, maar dat er een andere, completere aanpak nodig is. De grote uitdaging voor veel organisaties zit namelijk niet alleen in het ontwikkelen van een AI-model; dit blijkt maar een klein onderdeel te zijn van een veel groter spectrum aan activiteiten en voorzieningen. Modellen ontwikkelen kan (bij wijze van spreken) iedereen die op een paar knoppen kan drukken. Het bij elkaar brengen van de juiste data en het operationaliseren van een model, en vervolgens de juiste werking ervan borgen, monitoren én geautomatiseerd op het juiste niveau houden, dáár zit de uitdaging. De ingrediënten om deze uitdaging aan te gaan zijn:

  • Een organisatiecultuur die gericht is op experimenteren (‘fail fast’) en het omarmen van innovatie.
  • Een team waarin domeinkennis in ruime mate aanwezig is én dat 100% afstemming heeft met de ‘business’ en bedrijfsdoelstellingen.
  • Een industriële aanpak waarbij projecten op basis van duidelijk afgebakende taken en gestandaardiseerde processen worden uitgevoerd.
  • Een schaalbaar en naadloos geïntegreerd hard- en software platform dat de gehele ‘analytics lifecycle’ ondersteunt.

De laatste twee punten licht ik graag nog nader toe. Eén van de oudste (en nog steeds veel gebruikte) standaardprocessen voor data science en AI-projecten is CRISP-DM, ontwikkeld in de jaren ‘90 van de vorige eeuw. In Crisp is de deployment van een analytisch model het eind van de flow. Daar denken we inmiddels anders over; het echte werk begint dan pas! Model governance, het continu bewaken van het gebruik en de performance van een model, alsmede het automatisch calibreren en eventueel hertrainen van een model, zijn wellicht nog belangrijker dan het operationaliseren. En ook daarna zijn we er nog niet: idealiter wordt een model concreet toegepast in geautomatiseerde beslissingsondersteuning waarbij modeluitkomsten worden gecombineerd met bedrijfs- en beslisregels. Dat heeft geleid tot de fasering aan de hand van de Analytics Lifecycle, waarbij de verschillende cycli continu doorlopen kunnen worden:

analytics lifecycle

Door vóóraf aan de hand van het AI canvas deze fasen alvast in te vullen worden verrassingen tijdens een project voorkomen en kunnen er veel sneller resultaten worden bereikt. Dat brengt me meteen bij het laatste punt: een geïntegreerd platform waar deze hele flow (en meer) naadloos door wordt ondersteund. Het is hierbij belangrijk om gebruik te maken van een geïntegreerde oplossing, waarmee het gehele ‘data to decision’-traject kan worden uitgevoerd, en dat voor elke rol binnen een AI-project de juiste voorzieningen biedt. Doordat alle functionaliteit, maar ook de data, beschikbaar is in één omgeving wordt de ‘time to market’ van nieuwe oplossingen belangrijk verkort. Dit zorgt voor lagere kosten én sneller rendement, wat iedereen als muziek in de oren zou moeten klinken!

Bijdrage van: Jos van Dongen, Principal Consultant bij SAS. 

Reactie toevoegen