{"id":5602,"date":"2019-06-07T16:16:20","date_gmt":"2019-06-07T15:16:20","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=news&p=5602"},"modified":"2024-09-20T17:45:03","modified_gmt":"2024-09-20T16:45:03","slug":"the-seven-wastes-in-artificial-intelligence-projects","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/nl\/blog\/the-seven-wastes-in-artificial-intelligence-projects\/","title":{"rendered":"De zeven \u201cverspillingen\u201d in projecten voor Kunstmatige Intelligentie"},"content":{"rendered":"

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

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

Ge\u00efnspireerd door de zeven \u201cverspillingen\u201d die in lean manufacturing populair zijn, heeft Artefact dit concept aangepast aan het gebied van artificial intelligence. Deze studie is gebaseerd op meer dan 30 artificial intelligence-projecten van de afgelopen drie jaar.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

Ge\u00efnspireerd door de zeven \u201cverspillingen\u201d die in lean manufacturing populair zijn, heeft Artefact dit concept aangepast aan het gebied van artificial intelligence. Deze studie is gebaseerd op meer dan 30 artificial intelligence-projecten van de afgelopen drie jaar.<\/span><\/p>\n

Voor elke ge\u00efdentificeerde \u201cverspilling\u201d - extra verwerking, energie, voorraad, overproductie, wachten, mislukkingen en talent - worden de oorzaken uitgelegd aan de hand van concrete voorbeelden.<\/span><\/p>\n

Extra verwerking: De verwachtingen van de klant overtreffen<\/span><\/h3>\n

AI omwille van AI<\/span><\/h3>\n

AI maken omdat het nieuw en glanzend is. Dit gebeurt wanneer technische teams werken om een effici\u00ebnte en innovatieve, maar complexe technische oplossing te bouwen. Zakelijke overwegingen raken op de achtergrond ten gunste van de technologische uitdaging; technische specificaties krijgen voorrang op onnauwkeurige zakelijke specificaties, en de kernfuncties die waarde genereren worden niet duidelijk ge\u00efdentificeerd. Extra verwerking resulteert vaak in complexe \u201czwarte dozen\u201d.\u201d<\/span><\/p>\n

die onderhouden moeten worden door technische teams en dan pas begrepen en aangenomen moeten worden door business teams.<\/span><\/p>\n

\u201cHet wiel opnieuw uitvinden\u201d<\/span><\/h3>\n

Aangepaste AI bouwen is tijdrovend. Soms wordt een klein, perfect detail dat de klant geen prioriteit heeft gegeven en niet verwacht, de focus van een project. Als dit gebeurt, wordt het echte doel van het project losgelaten ten gunste van het oplossen van kleine problemen.<\/span><\/p>\n

Voorbeelden:<\/span><\/h3>\n

Een verzekeringsmaatschappij wil een algoritme maken om churn te voorspellen. Traditionele kant-en-klare\u00a0<\/span>Algoritmen maken het mogelijk om aan de specificaties te voldoen. Het data team wil echter een\u00a0<\/span>gepersonaliseerde deep learning oplossing. Het algoritme dat ze hebben ontworpen is een \u201cblack box\u201d, die veel langer nodig heeft om te evalueren en te begrijpen.<\/span><\/p>\n

Een FMCG-bedrijf wil een toewijzingsalgoritme opzetten om te helpen bij het beheren van media\u00a0<\/span>aankoop. In plaats van te profiteren van traditionele attributiemodellen (last touch, lineair, first touch, enz.), wil het bedrijf een data-driven allocatiemodel opzetten, wat een onnodig complex model oplevert dat moeilijk te begrijpen en te gebruiken is.<\/span><\/p>\n

Energie: Menselijke of machine-inspanningen die de winst niet verhogen<\/span><\/h3>\n

Gebrek aan integratie<\/span><\/h3>\n

Vaak ontbreekt het bedrijven aan een technisch AI-ecosysteem en beschikken ze over legacy IS en tools. De verschillende componenten die nodig zijn om de AI-oplossing te bouwen zijn niet ge\u00efntegreerd, waardoor de kosten en tijd in het ontwikkelingsproces toenemen. Op menselijk vlak zijn de vaardigheden niet gecentraliseerd en verloopt de communicatie niet soepel, wat leidt tot misverstanden en tijdverlies.<\/span><\/p>\n

Voorbeelden: <\/span><\/h3>\n

Een detailhandelsbedrijf wil een algoritme voor klantaanbevelingen opzetten. De data die nodig is voor het project (CRM, transactioneel, navigatie enz.) is verspreid over verschillende databases zonder gecentraliseerde toegang. De tijdrovende taak van centralisatie is noodzakelijk voordat het project van start gaat.<\/span><\/p>\n

Om te profiteren van de grotere rekenkracht, besluit het data team om het algoritme te trainen op de cloud, en uit te rollen op een lokale IT-infrastructuur. De technische ecosystemen zijn nog niet ge\u00efntegreerd, dus is er extra integratiewerk nodig.<\/span><\/p>\n

Inventaris: De creatie van niet-autonome intelligentie<\/span><\/h3>\n

Specifieke versus gestandaardiseerde cultuur<\/span><\/h3>\n

Modellen worden individueel ontworpen om aan een bepaalde behoefte te voldoen. Het is niet mogelijk om te kapitaliseren op wat al eerder is gebouwd, dus in elke nieuwe behoefte wordt vanaf nul begonnen, waardoor de productie en ontwikkeling van nieuwe modellen wordt vertraagd.<\/span><\/p>\n

De last van keuzes uit het verleden<\/span><\/h3>\n

Slechte initi\u00eble technologiekeuzes resulteren in een data product dat veel onderhoud vereist. Het team besteedt te veel tijd aan het onderhouden van het bestaande systeem in plaats van aan iteratie en verbetering.<\/span><\/p>\n

Voorbeelden:<\/span><\/h3>\n

Een cosmeticabedrijf wil een Natural Language Processing (NLP) oplossing maken om sentiment op sociale netwerken te analyseren. In plaats van een bestaand onderdeel te gebruiken en een gespecialiseerd NLP-element toe te voegen, wordt de oplossing op maat gemaakt. Drie maanden later wil een ander team NLP gebruiken voor een ander type analyse; het wordt gedwongen om helemaal opnieuw te beginnen en meer AI \u201cinventaris\u201d te cre\u00ebren.<\/span><\/p>\n

Een Internet of Things (IoT)-bedrijf wil begrijpen hoe consumenten zijn aangesloten apparatuur gebruiken.\u00a0<\/span>apparaten, maar de data die terugkomt naar het bedrijf is onregelmatig en van slechte kwaliteit. Het bedrijf besluit om de implementatie van een nieuw data-product uit te besteden om dit probleem aan te pakken en om de data in realtime te kunnen verwerken en te anticiperen op eventuele kwaliteitsproblemen. Na levering van het nieuwe data product zijn de interne teams vervolgens niet in staat om de nieuwe (specifieke en complexe) oplossing te onderhouden. Ze hebben te veel specifieke, afzonderlijke en complexe AI-systemen.<\/span><\/p>\n

Overproductie: AI komt te vroeg voor het volwassenheidsniveau van een bedrijf, of op een ongestructureerde manier<\/span><\/h3>\n

Te veel niet-ge\u00efndustrialiseerde Proof of Concepts (POC's)<\/span><\/h3>\n

Zonder ge\u00efntegreerde strategie ontstaan er veel verschillende initiatieven (POC's) die buiten het hoofddoel van het bedrijf vallen. Deze initiatieven ontstaan vaak in afwachting van de verwachtingen van de klant en veel van deze initiatieven reageren op hetzelfde probleem.<\/span><\/p>\n

Voorbeeld:<\/span><\/h3>\n

Een FMCG-bedrijf besluit een projectteam te starten dat zich richt op artificial intelligence. De eerste actie van het team is het organiseren van een idee\u00ebnworkshop om use cases voor verdere ontwikkeling te identificeren. De ingediende use cases richten zich op promotie en marketing, en andere waardevolle gebieden worden over het hoofd gezien, waaronder optimalisatie van de toeleveringsketen, vermindering van het energieverbruik en verlaging van de kosten in de winkel.<\/span><\/p>\n

Wachten: Onbezette tijd, wachtend op een levering of een beslissing van een manager.<\/span><\/h3>\n

Gebrek aan sponsoring op C-niveau<\/span><\/h3>\n

Kunstmatige intelligentie wordt door de managers van het bedrijf niet als een strategisch hulpmiddel beschouwd. De tijd die wordt besteed aan het overtuigen van het management dat artificial intelligence een concurrentievoordeel kan cre\u00ebren, laat weinig tijd over voor actie.<\/span><\/p>\n

De zwakke sponsoring van de leiders leidt tot een gebrek aan deelname door alle teams. Processen worden niet gemeten, wat leidt tot kwaliteitsproblemen, defecten en technische bugs. Processen zijn ook niet vloeiend, met aanzienlijk tijdverlies door het wachten op goedkeuring tussen opeenvolgende fasen.<\/span><\/p>\n

Voorbeeld:<\/span><\/h3>\n

Een bedrijf in de reissector wil een spraak-app ontwikkelen op Google Home en Alexa. Drie maanden worden besteed aan het identificeren en mobiliseren van technische middelen. Er wordt een duidelijke behoefte vastgesteld om de vaardigheden van het team te vergroten. Het bedrijf besluit om externe resources in te zetten, die vervolgens een maand in de wacht worden gezet totdat er toegang wordt verleend tot de databases en de technische omgeving. Zodra het project klaar is om gelanceerd te worden, wordt het enkele weken uitgesteld omdat de CEO een NDA te laat ondertekent.<\/span><\/p>\n

Mislukkingen: Het AI-product voldoet niet aan de behoeften van de eindklant<\/span><\/h3>\n

Een focus op uitvoeringssnelheid versus kwaliteit en consistentie<\/span><\/h3>\n
    \n
  • Slecht begrip van zakelijke behoeften; specificaties niet nauwkeurig genoeg aan het begin van het programma<\/span><\/li>\n
  • Niet-gestandaardiseerde processen; slechte opsporing van bugs tijdens de productiefase<\/span><\/li>\n
  • Gebroken functies zoals infrastructuur en connectors naar andere systemen worden niet bijgewerkt<\/span><\/li>\n
  • Dit kan worden veroorzaakt door teams te belonen op kwantiteit en snelheid van uitvoering in plaats van op kwaliteit<\/span><\/li>\n<\/ul>\n

    Voorbeeld:<\/span><\/h3>\n

    Een bedrijf in de voedingsmiddelen- en drankensector wil zijn software voor het diagnosticeren van storingen in de toeleveringsketen van gekoelde producten vervangen. Ze gebruikten eerder een door mensen gemaakte deterministische beslissingsboom om storingen te analyseren, maar wilden deze vervangen door een algoritme dat machinaal leert. In plaats van het algoritme de meest relevante oplossing voor het probleem te laten defini\u00ebren, beperkte het data team het algoritme door menselijk ontwikkelde beperkingen op te nemen. Aan het einde van het programma zijn de resultaten hetzelfde als bij het vorige systeem.<\/span><\/p>\n

    Mensen: Verzuim om interne vaardigheden te benutten<\/span><\/h3>\n

    Gebrek aan een inclusieve cultuur waarin de mens centraal staat<\/span><\/h3>\n

    Om de AI-transformatie tot een succes te maken, moet het bedrijf de sterke punten en bijdragen van elke werknemer erkennen en de AI-transformatie inclusief maken. Vandaag de dag worden er te weinig tijd en middelen besteed aan het vergroten van de vaardigheden, training en ontwikkeling van werknemers, waardoor het inzetten van AI-oplossingen een uitdaging wordt en de overdracht van kennis wordt beperkt.<\/span><\/p>\n

    Drie jaar na de lancering van een groot AI-transformatieplan raadpleegt een bankbedrijf zijn werknemers. Uit de raadpleging komen drie belangrijke punten naar voren:<\/span><\/p>\n

      \n
    • Problemen worden in de kamer opgelost door de experts, waarbij de bijdragen van de andere teamleden worden genegeerd.<\/span><\/li>\n
    • Verbeteridee\u00ebn die door het management of experts aan de rest van het team worden opgelegd in plaats van samen met hen te worden ontworpen<\/span><\/li>\n
    • Producten die \u201cgoedkoop\u201d zijn ontworpen door een gebrek aan vaardigheden en kennis<\/span><\/li>\n
    • Teams worden niet genoeg gestimuleerd om het project af te leveren<\/span><\/li>\n<\/ul>\n<\/div><\/div><\/div><\/div><\/div><\/p>","protected":false},"excerpt":{"rendered":"

      Ge\u00efnspireerd door de zeven \u00abverspillingen\u00bb die in lean manufacturing populair zijn, heeft Artefact dit concept aangepast aan het gebied van artificial intelligence. Deze studie is gebaseerd op meer dan 30 artificial intelligence-projecten van de afgelopen drie jaar.<\/p>","protected":false},"featured_media":5603,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[2995],"blog-language":[2991],"class_list":["post-5602","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\/5602","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\/5603"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/media?parent=5602"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog-category?post=5602"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/nl\/wp-json\/wp\/v2\/blog-language?post=5602"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}