Van idee tot implementatie: Een AI-fabriek worden

Kunstmatige intelligentie (AI) wordt gezien als de belangrijkste hefboom voor concurrentievoordeel. De data liegt er niet om: er is een bijna 25% jaar-op-jaar toename in zakelijk gebruik van AI, en 63% van de leidinggevenden is het ermee eens dat dit tot meer inkomsten heeft geleid. De wereldwijde pandemie heeft dit alleen maar scherper in beeld gebracht. De bedrijven die gedijen en overleven zullen diegene zijn die in staat zijn om de juiste AI-oplossingen te implementeren en deze snel en efficiënt in te zetten en op te schalen.

Maar, zoals bij alle game-changers, brengen AI-initiatieven nieuwe uitdagingen met zich mee. Implementatie brengt veel vragen met zich mee - de belangrijkste daarvan is, hoe kunt u de juiste data aanpak hanteren om AI-initiatieven snel en efficiënt te implementeren, zonder mislukkingen en duurzaam op de lange termijn? De ‘AI Factory’-aanpak is precies om deze reden ontwikkeld.

De AI-fabriek is een organisatiemodel dat verschillende talenten, capaciteiten en processen op een gesystematiseerde manier combineert om succes te boeken met de inzet en schaalbaarheid van AI. Het is effectief gebruikt door marktleiders zoals Carrefour en ENGIE om transformatieve AI-projecten in hun hele bedrijf uit te voeren. Toch kan het opzetten van een effectieve AI-fabriek vanuit het niets ontmoedigend zijn. U hebt deskundige teams en een duidelijke visie nodig om het proces te laten slagen.

De belangrijkste eerste stap is het definiëren van een visie en use cases voor uw AI-fabriek. Dit wordt uw data strategie. Er moeten use cases worden geïdentificeerd die het grootste zakelijke potentieel bieden om het bedrijf te transformeren. Of het nu gaat om optimalisatie van de toeleveringsketen of nalevingsbeheer, er zijn mogelijkheden op alle niveaus.

De AI-visie van het bedrijf moet ook in overweging worden genomen. Het is belangrijk dat u zich kunt voorstellen hoe het zich zou kunnen ontwikkelen, dat u het kunt plannen en dat u een duidelijk beeld van de toekomst krijgt. Teken vanuit een voorlopige algemene visie een verfijnde versie die van toepassing is op data en AI.

Vervolgens moeten concrete zakelijke kansen worden beoordeeld, door middel van het identificeren en sorteren van use cases. Dit wordt gedaan door de impact op het bedrijf en de complexiteit van de implementatie te beoordelen. Een focus op mentaliteit is altijd belangrijk, om veranderingen op grote schaal te beheren en iedereen erbij te betrekken, van de bedrijfsleiding tot teamleden in de frontlinie.

Zodra de data strategie en AI-visie van het bedrijf zijn gedefinieerd, zou u een lijst van use cases met prioriteiten moeten hebben om te implementeren. Maar hoe kunt u hiermee aan de slag? Een effectieve AI Factory implementatie is gebaseerd op vier verschillende pijlers:

Eén enkel bestuur

Om efficiënt te zijn, moet het bestuur op hoog niveau, toegewijd en op maat gemaakt zijn. Een AI Factory Board op het hoogste niveau - bestaande uit belangrijke C-suite data leiders - is uiterst belangrijk voor de algemene sponsoring en richting, omdat deze de AI-visie deelt en de teams en de routekaart hierop afstemt. Op het niveau van programmamanagement moet een AI Factory Director worden aangesteld, waarin bedrijfs-, operationele, juridische, beveiligings- en IT data-experts zitting hebben. Hun rol moet zijn om de voortgang te beoordelen, te arbitreren en te valideren.

Tot slot moeten er op operationeel niveau agile teams zijn. Feature Teams zijn verantwoordelijk voor de levering van use cases met AI-producten. Het zijn hechte eenheden die samenwerken om een permanente informatiestroom en transparantie te garanderen. Het belangrijkste is dat ze multidisciplinair zijn en vaardigheden en expertise uit het hele bedrijf combineren. Ze zijn prestatiegericht, elk opgericht met één enkel doel: één use case leveren die wordt gemeten aan de hand van een uniek doel.

Georganiseerde, diverse en deskundige teams

Om de efficiëntie te verhogen, moeten gestructureerde organisaties zakelijke, data, software- en digitale technische vaardigheden verzamelen in hybride teams op basis van agile methoden. Wendbaarheid zorgt voor een flexibele en adaptieve manier van werken en voorkomt problemen die samenhangen met een silo-aanpak, zoals geïsoleerde afdelingen binnen dezelfde structuur of al te starre procedures. Dit vereist een goede mix van zakelijke en technische profielen, om ervoor te zorgen dat wat aan de technische kant ontwikkeld wordt altijd een nuttig doel heeft dat tegemoet komt aan de zakelijke behoeften.

Schaalbaarheid is een belangrijk algemeen kenmerk van de samenstelling van een team. Het idee is dat de structuur gemakkelijk kan worden gedupliceerd, zoals Legoblokjes. Met een volledig schaalbaar model kunnen meer teams worden toegevoegd om extra use cases aan te pakken.

Geavanceerde AI-technologieën

Natuurlijk heeft een effectieve AI-implementatie een basis van AI-ondersteunende technologieën nodig. Een AI-fabriek gebruikt een combinatie van open-source, propriëtaire en cloud oplossingen. Deze moeten gestandaardiseerd zijn voor de hele data pijplijn - van ingestion tot visualisatie - van begin tot eind, volgens best practices.

Systematische en bewezen methodologieën

Systematisering is nodig om ervoor te zorgen dat een reeks stappen altijd in een specifieke volgorde wordt genomen, elk met zijn eigen gedefinieerde doel. De voordelen zijn tweeledig. Ten eerste geeft dit een algemene structuur van gemeenschappelijke referenties, waardoor een ruggengraat ontstaat die consistentie garandeert. Ten tweede maakt dit methodologieën repliceerbaar en schaalbaar, wat de implementatie van de industrialisatiefase aanzienlijk versnelt.

MLOps: De fabriek draaiende houden

Naast een vaste use-case methodologie moeten MLOps-praktijken (Machine Learning Operations) worden ingezet om de kloof tussen de conceptfase en de productie te dichten. Geïnspireerd door het DevOps-proces, moet dit softwareontwikkeling en IT-operaties combineren om de ontwikkelingslevenscyclus te verkorten.

Het doel van MLOps is om uitdagingen aan te gaan die traditionele gecodeerde systemen niet hebben. De eerste uitdaging is samenwerking tussen teams: verschillende eenheden zijn vaak silo's en bezitten verschillende delen van het proces. Dit verstikt de eenheid die nodig is om in productie te gaan.

De tweede is pijplijnbeheer, aangezien ML-pijplijnen complexer zijn dan traditionele pijplijnen. Ze hebben specifieke kenmerken, waaronder stenen die tijdens de productie getest en bewaakt moeten worden.

Het laatste obstakel is dat ML-modellen meestal meerdere iteraties nodig hebben - als ze op een handmatige, ad-hoc manier in productie worden genomen, worden ze star en moeilijk bij te werken.

In plaats daarvan moet een MLOps-aanpak alle ML-assets inbedden in een Continuous Integration en Continuous Delivery pijplijn (CICD) om snelle en naadloze uitrol te garanderen. Alle data, functies en modellen moeten voor elke nieuwe release getest worden om kwaliteits- of prestatiedrift te voorkomen. Alle belanghebbenden moeten op hetzelfde canvas werken en best practices op het gebied van software engineering toepassen op data wetenschappelijke projecten - versiebeheer, implementatieomgevingen, testen.

Uiteindelijk is MLOps de discipline om ML-projecten consistent te beheren op een manier die verenigd is met alle andere productie-elementen. Het zorgt voor een efficiënte technische oplevering van het beginstadium van use cases (eerste modellen) tot industrialisatie van use cases.

Een kader voor succes

AI houdt een enorme belofte in, maar ook grote risico's voor organisaties die het niet op de juiste manier inzetten. Het echte voordeel van het AI Factory-model is dat het een kernkader vaststelt voor een snelle en succesvolle implementatie. Processen, teams en tools zijn van nature overdraagbaar en herhaalbaar, wat betekent dat een bedrijf wendbaar kan blijven in het nastreven van zijn AI-visie. Zodra het proces is vastgesteld en wordt ondersteund door MLOps, heeft een bedrijf wat het nodig heeft om een AI-krachtcentrale te worden.