{"id":5559,"date":"2019-06-14T15:52:25","date_gmt":"2019-06-14T14:52:25","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=news&p=5559"},"modified":"2024-09-20T17:45:02","modified_gmt":"2024-09-20T16:45:02","slug":"lean-ais-response-to-the-seven-wastes-in-artificial-intelligence-projects","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/nl\/blog\/lean-ais-response-to-the-seven-wastes-in-artificial-intelligence-projects\/","title":{"rendered":"Lean AI's antwoord op de \u201czeven verspillingen\u201d in kunstmatige intelligentieprojecten"},"content":{"rendered":"

<\/span><\/div><\/div><\/div>

NIEUWS \/ AI TECHNOLOGIE<\/p>\n<\/div>

Artefact heeft Lean Manufacturing methodologie\u00ebn aangepast om de zeven bronnen van verspilling te verhelpen die traditioneel voorkomen in artificial intelligence projecten.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

Artefact heeft Lean Manufacturing methodologie\u00ebn aangepast om de zeven bronnen van verspilling te verhelpen die traditioneel voorkomen in artificial intelligence projecten.<\/span><\/p>\n

Lean AI biedt een tweedelig raamwerk om dit aan te pakken:<\/span><\/strong><\/h3>\n
    \n
  • Optimalisatie van de productieketen via de ontwikkeling van standaard data producten<\/strong><\/li>\n
  • Een duidelijke nadruk op het operationaliseren van data producten in de laatste mijl<\/strong><\/li>\n<\/ul>\n

    Deze richtlijnen zijn bedoeld om valkuilen te vermijden en de verwerking te optimaliseren, maar ze kunnen worden aangepast.<\/span><\/p>\n

    Ze zorgen voor een geoptimaliseerde time-to-market, continue levering, soepele samenwerking en snelle besluitvorming om de winst te maximaliseren.<\/span><\/p>\n

    Optimalisatie van de productieketen via de ontwikkeling van standaard data-producten<\/span><\/h3>\n

    Standaardisatie: De belangrijkste manier om technologische vooruitgang te implementeren<\/span><\/strong><\/h3>\n

    In zijn boek Het ontwerp van alledaagse dingen<\/em>, Don Norman merkt op dat technologische vooruitgang voortkomt uit technologie\u00ebn zelf of uit standaardisatie. Hij illustreert dit aan de hand van de geschiedenis van de auto. De eerste auto's waren allemaal verschillend, waardoor ze moeilijk te bedienen waren en kracht en specifieke vaardigheden vereisten. Na verloop van tijd werden ze echter meer gestandaardiseerd. Alle auto's hebben nu stuurwielen, richtingaanwijzers en versnellingspoken op ongeveer dezelfde plaatsen, die dezelfde functie vervullen. Door deze sleutelelementen te standaardiseren kan een bestuurder in elke auto waar ook ter wereld rijden. Dit soort standaardisatie heeft de meeste grote technologische en functionele vooruitgang mogelijk gemaakt.<\/span><\/p>\n

    Data producten als gestandaardiseerd intelligent Lego<\/span><\/strong><\/h3>\n

    Lean AI is toegewijd aan het bouwen van op ecosystemen gebaseerde technologische bouwstenen, of data producten, waarop het bedrijf een duurzame AI-strategie kan bouwen.<\/strong> <\/span><\/p>\n

    Het doel is om de data teams te voorzien van een bibliotheek van standaard technologische componenten, zodat projecten met dezelfde technische kenmerken volgens dezelfde aanpak verwerkt kunnen worden en ge\u00efntegreerd kunnen worden in de rest van het ecosysteem.<\/span><\/p>\n

    Om herbruikbaar te zijn, moet AI \u201cverpakt\u201d worden als een Lego-structuur, bestaande uit verschillende bouwstenen die gecombineerd een complexer model vormen. Het artificial intelligence-model is gebaseerd op een basis van gemeenschappelijke noemers - generieke data-producten - die essentieel zijn voor een goede werking van AI, maar niet specifiek zijn voor het probleem dat aangepakt wordt. Gespecialiseerde data producten kunnen dan gebouwd worden waar nodig om het specifieke AI-product te leveren.<\/span><\/p>\n

    Uber bouwt aan zijn gemeenschappelijke noemers door een data wetenschapsplatform genaamd Michelangelo te cre\u00ebren. Het platform wil productieproblemen aanpakken door workflows te standaardiseren en data codefragmenten te verpakken om data centra te helpen kennis te delen en te verspreiden.<\/span><\/p>\n

    In de detailhandel zijn de klant en de winkel gemeenschappelijke data bronnen in de meeste projecten. Het zijn generieke data bronnen die gebruikt kunnen worden door gespecialiseerde data producten zoals aanbevelingsalgoritmen of algoritmen om de voorraadbeschikbaarheid te garanderen.<\/span><\/p>\n

    Deze aanpak heeft meerdere voordelen:<\/span><\/p>\n

      \n
    • Het <\/span>bouwt het vermogen op <\/b>van teams door benaderingen te standaardiseren en interne vaardigheden op te bouwen<\/span><\/li>\n
    • Het <\/span>verhoogt de kwaliteit<\/b> van het eindproduct door ontwikkelingsnormen en kwaliteitscontroles vast te stellen<\/span><\/li>\n
    • Het <\/span>verbetert de time-to-market<\/b> door kennis te centraliseren en te leren van eerdere ervaringen<\/span><\/li>\n<\/ul>\n

      Bovenal stelt het de teams in staat om zich te concentreren op het essenti\u00eble 20% specialistische werk dat de waarde van het eindproduct zal verhogen.<\/b><\/p>\n

      Een duidelijke nadruk op het operationaliseren van data producten in de laatste mijl<\/span><\/h3>\n

      De Lean AI-methodologie legt de nadruk op de laatste kilometer van de productieketen. Een data product is alleen succesvol als het op grote schaal wordt gedistribueerd en geconsumeerd door eindgebruikers.<\/span><\/p>\n

      De verdeling van data producten<\/span><\/strong><\/h3>\n

      Het werk van de data teams stopt niet wanneer het model gebouwd is, maar wanneer aan de zakelijke KPI's is voldaan. Dit houdt in dat het algoritme beschikbaar wordt gemaakt voor alle eindgebruikers.<\/span><\/p>\n

      Zodra er bijvoorbeeld een nieuw onderdeel van de Google Cloud is ontwikkeld, wordt het verpakt zodat gebruikers van het Google Cloud Platform het gemakkelijk kunnen gebruiken. Google ontwikkelt API's voor machinaal leren, die gemaakt zijn om het gebruik van Google's AI-producten uit te breiden en wijdverspreide adoptie te stimuleren. Het doel van data producten is om ten goede te komen aan een veel grotere audience dan degene waarvoor het component oorspronkelijk ontworpen is.<\/span><\/p>\n

      Een machine-learningmodel voor het voorspellen van de voorraadbeschikbaarheid voor een specifiek EAN (Europees Artikel Nummer) kan zeer nuttig zijn voor een detailhandelaar. Als de detailhandelaar het model echter via een gestandaardiseerde API in een dashboard invoert dat voor het hele bedrijf beschikbaar is, is het veel krachtiger. Dit dashboard kan gebruikt worden door winkelmanagers om de stroom van hun inventaris bij te houden, door het marketingteam om hun campagnes te richten op succesvolle producten, door het promotieteam om de promotiestrategie te bepalen en door het bevoorradingsteam om de toeleveringsketen te optimaliseren.<\/span><\/p>\n

      AI-analyse<\/span><\/strong><\/h3>\n

      Zodra het data product naar de verschillende afdelingen van het bedrijf is gedistribueerd, moeten we de adoptie meten en de prestaties stimuleren.<\/span><\/p>\n

      Artefact raadt aan om een AI Analytics-tool te implementeren, gecontroleerd door producteigenaren, om verbetering te bevorderen.<\/b><\/p>\n

      Enkele KPI's van AI Analytics:<\/span><\/p>\n

        \n
      • Gebruik KPI's<\/b> (bijv. aantal gebruikers van het model)<\/span><\/li>\n
      • Technische KPI's<\/b> (bijv. modelprestaties (% fout), aantal storingen op de productielijn)<\/span><\/li>\n
      • Zakelijke KPI's<\/b> (bijv. gegenereerde besparingen, incrementele omzet)<\/span><\/li>\n<\/ul>\n

        De AI-producteigenaar moet een expert worden in menselijk gedrag<\/span><\/strong><\/h3>\n

        Om het productgebruik door echte mensen te begrijpen, moet de producteigenaar tijd doorbrengen met mensen. Daarom zijn immersiesessies met bedrijfsteams beter dan het versturen van gebruikersenqu\u00eates. De AI-producteigenaar moet optreden als een etnograaf en observeren hoe de gecre\u00eberde tool in hun werkomgeving wordt gebruikt.<\/span><\/p>\n

        Deze methodologie is een bewezen best practice voor het ontwikkelen van digitale producten. Pierre Fournier, Head of Product bij ManoMano, raadt producteigenaren aan om \u201cPopcornvrijdagen\u201d te organiseren, waarbij ze video-opnames bekijken van gebruikersbewegingen op de site. De eerste vrijdag van de maand wordt gewijd aan het bekijken van 20 sessies op het betaalpad, en de laatste van de maand aan het bekijken van 20 sessies van gebruikers die op de site landen. Hierdoor kunnen de producteigenaren zich identificeren met de gebruikers en wordt het veel gemakkelijker om beslissingen over aanpassingen te nemen.<\/span><\/p>\n

        \n<\/div><\/div><\/div><\/div><\/div><\/p>","protected":false},"excerpt":{"rendered":"

        Artefact heeft Lean Manufacturing methodologie\u00ebn aangepast om de zeven bronnen van verspilling te verhelpen die traditioneel voorkomen in artificial intelligence projecten.<\/p>","protected":false},"featured_media":5560,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-5559","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-ai-technology","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog\/5559","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/media\/5560"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/media?parent=5559"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog-category?post=5559"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog-language?post=5559"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}