Veel toepassingen richten zich op het stroomlijnen van processen. Je ziet dat bedrijven in de prototype fase zitten. Een AI-systeem is dan gebouwd om te kijken hoe het werkt met een handjevol eerste gebruikers. Op basis daarvan werken organisaties toe naar een minimal viable product. Daar ligt ook de potentie: je kunt snel iets bouwen om te kijken hoe het werkt. Dan kijk je daarna welke complexe zaken je moet oplossen met het systeem.
Het grootste verschil met andere technologieën is eigenlijk dat je niet zozeer afhankelijk bent van een data scientist die op basis van eigen data een op maat gemaakt model maakt. Je kunt op zoek naar een leverancier met de juiste systemen en componenten. Let er dan wel op dat je goed moet kijken wat er gebeurt met je data.
Daarnaast zien we dat use cases voorheen voornamelijk voorspellend waren en op basis van concrete aantallen. Bijvoorbeeld over hoeveel appels er aankomende week bij de supermarkt om de hoek gebracht moeten worden. Dan gaat het om getallen die makkelijk met elkaar te vergelijken zijn. Bij generatieve AI, zoals teksten, is dit lastiger.
Het voornaamste verschil zit in het bijhouden van de applicaties. Een AI-systeem zal altijd in een domein zitten waarin je veel beslissingen neemt, en waar je scherp moet zijn op fouten. De kern zit altijd in het versnellen, verbeteren of goedkoper maken van het werk of de beslissingen. Bovendien gebruik je bestaande data, maar zodra het systeem live staat komen er continu nieuwe data bij. Door die nieuwe data te bekijken, leert de organisatie hoe het systeem wordt gebruikt. En met die inzichten kun je het systeem weer verbeteren.
Daarom is het belangrijk om juist nu de mindset te veranderen. Er worden nu veel applicaties gemaakt, maar nog weinig problemen opgelost. Dat komt doordat organisaties nog te weinig naar de data en achterliggende use cases of zelfs bedrijfsuitdaging kijken.
Het vizier staat bijna volledig op de algoritmes, die dan ook prima werken. Maar waar komt de data vandaan, hoe verandert de data als het systeem draaiende is, en wat moeten we doen om de kwaliteit van het systeem te waarborgen? Dit heeft vaak nog wat voeten in de aarde. Het is belangrijker dan ooit om technologie, data en use case op elkaar af te stemmen. Dan ontketen je sneller de waarde uit een AI-systeem.
Door: Rens Dimmendaal, Principal Data Scientist bij Xebia
Beeld: Rens Dimmendaal & Banjong Raksaphakdee / Better Images of AI / Medicines (flipped) / CC-BY 4.0
