NIEUWS / AI TECHNOLOGIE

Het groeiende begrip van en de toenemende ervaring met artificial intelligence door organisaties lijkt misschien tegenstrijdig, gezien het feit dat AI in de meeste bedrijven nog niet echt geïmplementeerd is.

Het groeiende begrip van en de toenemende ervaring met artificial intelligence door organisaties lijkt misschien tegenstrijdig, gezien het feit dat AI in de meeste bedrijven nog niet echt geïmplementeerd is.

In dit artikel onderzoeken we zowel de onderliggende redenen voor deze tweedeling als de voorwaarden die nodig zijn om succes te behalen.

Organisaties die AI-technologieën met succes implementeren, zien nieuwe modellen ontstaan, vooral in de vorm van een “AI-fabriek”, een combinatie van talenten, methoden en technologieën ten dienste van het hele bedrijf.

Innovatie in opkomende technologieën volgt steevast de “Hype Cycle” van Gartner, die vijf overlappende fasen in de levenscyclus identificeert:

  1. Innovatie Trigger: In dit stadium komt een potentiële technologie op gang. Er kunnen prototypes zijn en er is veel mediabelangstelling en publiciteit, maar vaak zijn er nog geen commercieel levensvatbare producten beschikbaar.
  2. Piek van opgeblazen verwachtingen: Op dit punt wordt de technologie geïmplementeerd; het levert een aantal succesverhalen op - maar veel meer mislukkingen. Sommige bedrijven passen de technologie toe; veel bedrijven doen dat niet.
  3. Trog van ontgoocheling: De interesse begint af te nemen naarmate gebreken en mislukkingen aan het licht komen. Sommige producenten van de technologie haken af. Investeringen gaan alleen door als de overlevende leveranciers hun producten tot tevredenheid van de gebruikers verbeteren.
  4. Helling van Verlichting: De manieren waarop bedrijven van de technologie kunnen profiteren worden duidelijker. Meer bedrijven testen het; sommige bedrijven produceren producten van de tweede en derde generatie.
  5. Productiviteitsplateau: De technologie wordt op grote schaal toegepast. De markttoepassingen worden duidelijk en de adoptie begint snel te groeien.

Zoals de cyclus laat zien, wordt elke fase van concreet succes voorafgegaan door een fase van desillusie. Te veel complicaties kunnen het succes van deze projecten in de weg staan. De inzet om de uitdaging van Kunstmatige Intelligentie zijn hoog: volgens Accenture zouden ondernemingen die goed gebruik maken van artificial intelligence hun winstgevendheid met meer dan 30% kunnen zien groeien! Daarbij komen nog potentiële nieuwe inkomstenbronnen, die het gevolg kunnen zijn van verbeterde klantervaringen of een groter concurrentievoordeel.

Wat is AI? Welke waarde kan het bedrijven brengen?

AI, dat nog in de kinderschoenen staat, is een geheel van zeer theoretische wetenschappen; niettemin moet het door bedrijven worden bekeken met het oog op kostenbesparingen, en niet door het prisma van innovatie (het “nieuwste modewoord”-syndroom). Hoe kunnen bedrijven echte waarde halen uit deze AI-experimenten? Hoe kunnen ze erin slagen om “op te schalen”? Ons antwoord vraagt om nieuwe organisatorische kaders waarin we spreken van “AI-fabrieken”.

Vandaag de dag liggen er steeds meer algoritmen en “intelligentieproducten” in de schappen. Tenminste op de lagere niveaus. De eerste cloudpartners van Europa, Amazon (AWS), Microsoft (Azure), Google (GCP) en IBM, bieden allemaal verschillende abstractieniveaus die bedrijven in staat stellen om zelf AI te “produceren” (Google heeft onlangs een nieuwe beheerde universele dienst genaamd Anthos gelanceerd); deze oplossingen werken een beetje zoals de scheikundekits waar we als kinderen mee speelden. Ze bieden eenvoudige toegang tot infrastructuren die speciaal zijn ontworpen om te reageren op machinaal leren behoeften, zoals de TPU's van Google, die beheerde diensten zijn waarmee teams zich op bepaalde toepassingen kunnen concentreren.

Er zijn ook talloze open bron bibliotheken (scikit-learn, TensorFlow, Pytorch) en eigen API's (beeld-, tekst- en spraakherkenning). Maar na de eerste successen kunnen er problemen ontstaan, omdat slechts een klein deel van deze tests in de productiemodus terechtkomt, wat niet alleen frustratie oplevert, maar natuurlijk ook gemiste kansen.

De meeste grote organisaties hebben massaal geïnvesteerd in Data Wetenschap, en terecht: in 2016 kondigde McKinsey aan dat er in 2021 alleen al in de VS 250.000 Data Wetenschappers nodig zouden zijn. Maar we realiseren ons nu dat deze profielen, die sterk gericht zijn op data modellen, statistieken en algoritmen, niet voldoende zullen zijn om de onderneming met AI te transformeren. We hebben bijvoorbeeld de onschatbare Data Engineer's en Data Architecten weggelaten, wiens talenten de sleutel zijn tot succes in de komende jaren, maar wiens integratie in teamprojecten nog moet plaatsvinden.

Geleidelijk aan komt er een nieuwe organisatievorm aan het licht: De Kunstmatige Intelligentiefabriek, of AI-fabriek,
die een aantal leidende principes volgt die eenvoudig maar cruciaal zijn voor het succes van deze initiatieven. 

De AI-fabriek begint met gecentraliseerd bestuur

Eén met zeer ambitieuze doelen... Het idee is om investeringen en sturingsinspanningen te bundelen en te coördineren. Slechts een zeer klein aantal projecten met de hoogste waarde van het bedrijf zal worden onderzocht door de sponsors die het meest betrokken zijn bij het succes ervan. De selectie van deze use cases moet uiterst rigoureus gebeuren: geen enkel project mag het licht zien als het niet voldoet aan de eenvoudige wet van 10X (een rendement op investering van 10:1 bieden). Het succes en de impact van elke use case moeten meetbaar zijn aan de hand van een eenvoudige en begrijpelijke KPI, en de systematische verbetering van deze KPI moet het doel van het project zijn. bestaansreden van de teams.

Feature teams zorgen voor toegewijde projectorganisatie

Gepopulariseerd door Spotify, reageren feature teams op de uitdagingen van het verkorten van de time-to-market, transversaliteit en projectcontinuïteit. Het feature team wordt geleid door een business manager en bestaat uit een product owner, data wetenschappers, data ingenieurs en DevOps experts. De opname van DevOps / IT in het feature team zorgt voor een uitstekende supervisie en permanent onderhoud van de AI-oplossing. Een “platformteam” zorgt voor de technologische samenhang van de bouwstenen die door de feature teams worden ingezet. Het is belangrijk om op te merken dat dit organisatiemodel zeer goed werkt op schaal (er zijn tot 10 feature teams voor elke “Tribe” bij Spotify).

De voordelen van Feature Teams

  • Feature teams zijn beter in staat om de impact van ontwerpbeslissingen te evalueren. Aan het einde van een sprint zal een functieteam end-to-end functionaliteit hebben gebouwd, waarbij alle niveaus van de technologiestapel van de applicatie worden doorlopen. Hierdoor leren de leden maximaal over de productontwerpbeslissingen die ze hebben genomen (Vinden gebruikers de ontwikkelde functionaliteit prettig?) en over technische ontwerpbeslissingen (Hoe goed heeft deze implementatieaanpak voor ons gewerkt?).
  • Feature teams verminderen verspilling door hand-offs. Werk overdragen van de ene groep of individu naar de andere is verspilling. In het geval van een componententeam bestaat het risico dat er te veel of te weinig functionaliteit is ontwikkeld, dat de verkeerde functionaliteit is ontwikkeld, dat een deel van de functionaliteit niet meer nodig is, enzovoort.
  • Het zorgt ervoor dat de juiste mensen praten. Omdat een featureteam alle vaardigheden omvat die nodig zijn om van idee tot werkende, geteste feature te komen, zorgt het ervoor dat de personen met die vaardigheden minstens dagelijks met elkaar communiceren.
  • Het houdt de focus op het leveren van functies. Het kan verleidelijk zijn voor een team om terug te vallen in zijn pre-Scrum gewoonten. Het organiseren van teams rond het opleveren van features, in plaats van rond architecturale elementen of technologieën, dient als een constante herinnering aan de focus van Scrum op het opleveren van features in elke sprint.

Een specifieke methodologie: Lean AI

Lean AI is een methodologie die de onzekerheid over de efficiëntie en toepasbaarheid van AI-oplossingen vermindert. Modellen zijn nooit perfect en moeten worden getest in echte situaties. De methode bestaat uit een continue verbeteringslus van korte cycli die de formulering van hypotheses, de identificatie van relevante data, de bouw en het testen van een of meer modellen, gevolgd door de inzet op een testterrein en het verzamelen van feedback van gebruikers omvat.

De cyclus wordt herhaald met de formulering van nieuwe hypotheses, nieuwe data, enz. Deze methode maakt het mogelijk om in echte situaties te testen en vervolgens de niet onderzochte gevallen te verbeteren, totdat een tevredenheidsniveau wordt bereikt dat door de organisatie acceptabel wordt geacht om met de productie te beginnen.

... Samen met een aangepaste infrastructuur

De implementatie moet al vanaf de eerste dagen van het project worden voorzien om te voorkomen dat u in een andere technische omgeving helemaal opnieuw moet beginnen.

Het creëren van nieuwe data silo's moet ook vermeden worden door maximaal gebruik te maken van de bestaande data meren en data bronnen van de organisatie. AI-toepassingen moeten worden gebouwd in een servicegeoriënteerde architectuurlogica.

Containerisatie- en orkestratietechnologieën zoals Docker en Kubernetes maken vereenvoudigd beheer van microservice-ecosystemen mogelijk en vergemakkelijken het gebruik van AI-modellen via API's die door alle divisies van de organisatie gebruikt kunnen worden.

... En werk aan interne transformatie en goedkeuring

Hoewel veel bedrijven al een gemeenschappelijke ruimte delen, ondermijnt het gebrek aan een gemeenschappelijk operationeel model het succes van AI-projecten. Een “Chatbot” die bij een commerciële website hoort, zou bijvoorbeeld een natuurlijk onderdeel van het verkooptraject moeten zijn, in plaats van beschouwd te worden als een aparte acquisitiesilo, maar toch is dit vaak niet het geval. Wanneer de verschillende afdelingen binnen een onderneming dezelfde technologieën gebruiken, is AI-succes veel waarschijnlijker.

Stappen voor een succesvol AI-project

#1 Bepaal uw AI-doel  

2 Steun het met Data

#3 Betrek uw interne Subject Matter Experts (MKB) erbij.

#4 Meet resultaat, geen output

#5 Iterate snel!

Tot slot: een steeds belangrijkere ethische uitdaging

We hebben onlangs het voorbeeld van Alexa gezien en de onaangename verrassing van haar luisteren (noodzakelijk en gepland om het leren onder toezicht te verbeteren). Regelgeving zal altijd achterlopen op technologie. Het is belangrijk dat bedrijven die artificial intelligence gebruiken, de ethische uitdagingen van deze oplossingen begrijpen. Zeven leidende ethische principes, die werden gepubliceerd door het Comité van Onafhankelijke Deskundigen in opdracht van de Europese Commissie: AI ten dienste van de mensheid, betrouwbaar, met respect voor privé data, transparant, niet-discriminerend, toegewijd aan de verbetering van het algemeen welzijn, en tot slot met een duidelijk gedefinieerde menselijke verantwoordelijkheid.

Een groeiend aantal organisaties besluit deze principes toe te passen om de waarde van AI te benutten: Carrefour kondigde onlangs de lancering aan van zijn laboratorium voor kunstmatige intelligentie in samenwerking met Google, en Walmart kondigde de lancering aan van zijn “Cloud Factory” in Austin met Microsoft. Het lijdt weinig twijfel dat deze nieuwe organisatiemethoden, gericht op waarde en pragmatisch in hun benadering van innovatie, de komende jaren vaker en met succes zullen worden toegepast.