Elke onderneming kan AI ontsluiten, maar alleen als leiders weten hoe ze hun gegevens daadwerkelijk kunnen gebruiken, problemen kunnen definiëren en herhalen. In dit VB On-Demand-evenement kunt u zich bij experts uit de branche aansluiten terwijl ze onderzoeken hoe ondernemingen gegevens kunnen omzetten in bedrijfsbrede AI- en machine learning-oplossingen.
Bedrijven falen in de zoektocht om AI-doelstellingen te realiseren, om nog maar te zwijgen van het rendement op hun investering in AI, en het komt neer op de juiste gegevens en de juiste expertise, zegt Paula Martinez, CEO en mede-oprichter van Marvik, een machine learning advies.
Ten eerste zijn er de kosten en moeite om data van goede kwaliteit te ontdekken van de berg die altijd groeit, en deze op de juiste manier te labelen om analyses en ontwikkelingen op het gebied van machine learning daadwerkelijk in productie te nemen. En dan is de overgang van proof of concept naar een productieklare oplossing met kwaliteitsnormen die op grote schaal kan worden gelanceerd een ander enorm obstakel – en een groot deel daarvan is het vinden van een team met de juiste vaardigheden om de taak met succes uit te voeren. Ten slotte worden sommige bedrijven alleen al geconfronteerd met problemen bij het beperken van een zakelijk probleem.
“Het lanceren van een proof of concept met cloudservices of andere ontwikkelaars kan snel en gemakkelijk zijn”, zegt Martinez. “Maar wanneer de problemen complex zijn en zeer specifiek zijn voor een organisatie of een branche, en zeer specifieke kennis en ervaring vereisen, moet de oplossing worden afgestemd op dat specifieke geval – en dat vereist een gespecialiseerde vaardigheden.”
Het huwelijk van data en expertise
Een nauwkeurigheid van 95% bereiken kan dagen of weken duren, maar een nauwkeurigheid van 99% bereiken kan maanden duren, evenals een andere mate van expertise en kennis. Zonder die kennis wordt het verzamelen en organiseren van de juiste data meestal over het hoofd gezien. En zonder de benodigde middelen om deze gegevens te vinden en voor te bereiden voor machine learning-modellen, blijft die informatie geïsoleerd.
“Als we met grote organisaties werken, werken we meestal met informatie die gefragmenteerd is in verschillende systemen, in verschillende business units van het bedrijf”, zegt Martinez.
Tegenwoordig spannen veel bedrijven zich in om die gegevens te consolideren en te gebruiken met datameren en magazijnen, maar het is een complexe en tijdrovende taak om al deze oplossingen te reorganiseren en te implementeren, en erachter te komen hoe ze van deze informatie kunnen profiteren.
“Het is logisch om geld en tijd te investeren om de manier waarop we binnen bedrijven met gegevens omgaan te verbeteren”, zegt ze. “We moeten daar plannen voor maken en een routekaart bepalen voor een algehele succesvolle AI-investering.”
Hoe bedrijven AI-experimenten kunnen lanceren
Er is geen recept voor het loskoppelen en daadwerkelijk benutten van gegevens – het is een geval per geval. Maar wat de methodologie betreft, raadt Martinez klanten aan om elk AI-project te starten met een minimaal levensvatbaar product (MVP), om te bepalen of dit de weg is naar het toevoegen van zakelijke waarde aan het bedrijf.
Van de definitie en het ontwerp van de oplossing tot het opstellen van een actieplan en later de implementatie van de benodigde AI-oplossingen vereist ook planning voor de juiste technologiestapel. Daarbij moet rekening worden gehouden met de aard van de gegevens en hoe het bedrijf de oplossing wil implementeren. Draait het bijvoorbeeld in de cloud, op edge devices, mobiel of andere applicaties? Moet het in realtime of met tussenpozen worden uitgevoerd? Er zijn zoveel variabelen waarmee rekening moet worden gehouden bij het definiëren van de technologiestack en er komen zoveel technologieën op de markt.
“Een voordeel dat we hebben, is dat we nieuwe tools kunnen testen zodra ze op de markt komen, en we kunnen ontdekken welke werken en welke niet”, zegt ze. “We krijgen toegang tot zoveel organisaties en we zien de voor- en nadelen van elke cloudtool en -technologie.”
Haar grootste advies bij het plannen en implementeren is om niet bang te zijn om te experimenteren – wat betekent gewoon doorgaan, zelfs als je niet zeker bent van de resultaten. AI staat op het punt te exploderen, dus bedrijven moeten nu beginnen met het combineren van technologie met zakelijk inzicht en data, om ervoor te zorgen dat ze voorbereid zijn op een veel competitievere toekomst.
“Het goede nieuws, denk ik, is dat er externe hulp beschikbaar is om het proces te versnellen”, zegt ze. “We zien vaak dat bedrijven niet innoveren omdat ze bang zijn, of omdat ze het gevoel hebben dat het buiten hun bereik ligt, terwijl ze wel over de juiste data beschikken. Wees niet bang om te innoveren. Zorg er wel voor dat je contact opneemt met het juiste team om het te doen.”