Waarom het zo moeilijk is om AI-modellen te implementeren

Nu de ‘AI gold rush’ lijkt aangebroken, gaan steeds meer bedrijven vol overgave in hun data graven, op zoek naar het beloofde goud. Maar daarbij gaan ze vaak overhaast te werk, vindt Jonas Tundo, co-founder van de AI-start-up Dataroots. “Je kan niet zomaar AI opwerpen als wondermiddel, meteen een enorme infrastructuur opzetten en hopen op een voltreffer.”

De opmars van artificiële intelligentie is niet te stuiten. Meer dan ooit doen bedrijven een beroep op AI om hun digitale transformatie te boosten en hebben ze de data, middelen en toegang tot de technologie en partners die nodig zijn om dit mogelijk te maken. Veel van hen schieten ambitieus uit de startblokken maar stranden nog voor de meet. In hun ongeduldige ijver vliegen ze uit de bocht of lopen ze tegen obstakels aan waardoor hun proof of concepts op een stapel verdwijnen en de weg naar implementatie plots langer blijkt dan eerst gedacht.

Steeds meer bedrijven zijn zich bewust van het potentieel van AI. Artificiële intelligentie is een uitstekend middel om je als onderneming als innoverend te profileren maar bovenal moet het opbrengen. Een return on investment is een must. Dat kan op drie manieren:

• Door omzetstromen te creëren door verrijkte data te verkopen of nieuwe marketingmodellen te maken en aan cross- en upselling te doen.

• Met behulp van predictive maintenance of door manuele processen te automatiseren en zo de operational efficiency te optimaliseren.

• Door machine learning en AI in te zetten om fraude te detecteren en risico’s te elimineren om zo kosten te vermijden.

Toch laten sommigen AI links liggen, gewoonweg omdat ze de data niet hebben. Zij die wel op hopen data zitten, gaan ambitieus aan de slag en werken al snel overhaast verschillende modellen uit. Hier loopt het jammer genoeg al vaak fout waardoor er uiteindelijk niets wordt geïmplementeerd in de manier van werken.

Rookie mistakes

Dat komt vooral omdat er wordt gewerkt vanuit technisch standpunt en men niet luistert naar de businessnoden. Er is een case, een probleem, en het datateam gaat aan het knutselen om dit met artificiële intelligentie op te lossen. Zo werkt het niet. AI kan je business pas transformeren als er wordt ontwikkeld vanuit businessperspectief. Niet vanuit IT. Zelfs de meest beloftevolle proof of concept heeft pas een waarde als die wordt geïmplementeerd. Wanneer marketing van een dealership een model bouwt om te voorspellen welke wagen een potentiële klant zal kopen, rendeert dit pas als sales hierop inzet.

De eindgebruiker niet betrekken is een veel gemaakte rookie mistake. Je kan niet zomaar AI opwerpen als wondermiddel, meteen een enorme infrastructuur opzetten zonder beloftevolle basis en hopen op een voltreffer.

Spaghetticode

Ook gebeurt het dat een proof of concept wordt uitgewerkt door iemand zonder voldoende programmeerkennis. Een data scientist kan per definitie goed overweg met data maar schrijft daarom niet per se de beste code. Veel data scientists rollen vanuit business intelligence in data science en gaan problemen heel ad hoc aanpakken met zaken die misschien wel werken in een proof of concept-fase maar niet geschikt zijn voor implementatie.

Er wordt bijvoorbeeld een proof of concept ontwikkeld zonder rekening te houden met de infrastructuur, alles wordt in de cloud ontwikkeld maar dan blijkt dat de klant het model on-premise wil laten draaien… Wanneer het tijd wordt om de resultaten en de code op te leveren, krijgt de klant bovendien vaak een bord op tafel met spaghetticode die hij niet kan ontrafelen of implementeren.

Het Wilde Westen

Wanneer het aankomt op AI heeft het moderne businesslandschap veel weg van de Gold Rush in de tijd van het Wilde Westen. Iedereen springt op AI en begint vol overgave te graven in eigen data op zoek naar het beloofde goud. Standaarden zijn er niet en er ontbreekt een gouden regel die dicteert hoe je machine learning- of AI-projecten moet integreren in bestaande systemen.

Zelfs bedrijven met gigantische teams die al meerdere modellen hebben geïmplementeerd, zitten vast in hun manier van werken en blijven zoeken naar een framework. Ze hebben als het ware een bottleneck gecreëerd waardoor ze nog moeilijk projecten kunnen overdragen.

Goed begonnen is half gewonnen

Hoe bied je deze uitdagingen het hoofd? De succesvolle implementatie van een AI-model begint bij een doordachte start. Van bij de opstart moeten de eindgebruiker en business betrokken worden om de juiste cases te selecteren. Ga je voor een case met veel visibiliteit of optimaliseer je een proces dat in het bedrijf niet zichtbaar is, maar wel veel opbrengt? Deze evenwichtsoefening is belangrijk. Ze moet een succes- en beloftevolle proof of concept opleveren die de eindgebruiker overtuigt om het budget vrij te maken om de modellen werkelijk te implementeren. Daarnaast is het nodig om on-premise ondersteuning te krijgen van IT zodat de manier van werken goed kan afgestemd worden op de lokale technische systemen.

Maar bovenal heb je nood aan framework voor een ontwerpaanpak met gestandaardiseerde parameters. Welk proces volg je? Hoe betrek je optimaal business? Wat zijn de deliverables? Welke databronnen gebruik je en welke zijn je coding standards?

Wanneer je vertrekt uit dergelijke modelomgeving kan je sneller projecten opstarten en implementeren, gestandaardiseerd werken en verschillende oplossingen toch steeds op dezelfde manier integreren. Bovendien kan je functionaliteiten voorzien die het eenvoudiger maken om modellen via een API uit te geven, schaalbaarheid te verzekeren, rekening te houden met de leesbaarheid van de code en migraties vlot te laten verlopen.