Kunstmatige intelligentie (AI) is een populair onderwerp en levert nieuwe en veelbelovende resultaten op binnen de wetenschap en praktijk. Veel organisaties worstelen om de eerste stap te zetten, omdat de reis lang en gecompliceerd lijkt. Dit hoeft niet zo te zijn. Met een goede visie, inventarisatie van een aantal use cases, priotisering, inzicht in mogelijke bottlenecks en een goede roadmap kunt u AI snel succesvol toepassen en blijft u binnen het budget. In eerdere blogs hebben we besproken welke waarde AI kan toevoegen voor je bedrijf). In deze blog bespreken we met welke aanpak je AI succesvol kan ontwikkelen en implementeren.

 

Er zijn veel manieren om AI-technologie in uw bedrijf te integreren; van het kiezen voor een plug- and-play tool tot het ontwikkelen van een eigen case voor de eigen organisatie, en elke mix ertussen in. Net als elke andere onderneming, is het starten van een solide plan de sleutel tot succes. Om u te helpen bij het maken van dit plan geven we inzicht in een typische AI-levenscyclus; van het creëren van een idee tot de integratie in de praktische besluitvorming.

Voordat u aan de slag gaat

Hieronder staan enkele belangrijke vragen om mee te starten:

  • Op welk proces van de organisatie heeft AI- case betrekking? Wees ervan bewust dat u de interne kennis van een aantal van deze interne experts nodig hebt om de AI ontwikkeling te laten slagen.
  • Hebben we budget en buy-in? Elke waardevolle investering heeft wat initiële kosten.  Het hebben van een stakeholder buy-in in een vroeg stadium is de sleutel voor elk initiatief om succesvol te zijn, en bij AI is niet anders. Als u werkt aan een AI-project waarbij een specifieke business unit is betrokken, moet u ook buy-ins van alle stakeholders van deze business unit hebben.

De “AI Journey”

  1. Het kiezen van de juiste use case

Het kiezen van de juiste use case voor een AI-toepassing is van cruciaal belang om snel de waarde voor uw stakeholders te bewijzen. Het is belangrijk om een Proof-of-Concept (PoC) of een project te kiezen dat snel bedrijfswaarde kan opleveren en weinig bottlenecks tot uitvoering heeft. Met welke factoren moet ik rekening houden met het opstellen van een goede use case?

Belangrijkste processen: welke key processen zijn een grote kostenpost voor de organisatie of zijn erg belangrijk voor de opbrengsten en waar zit een grote onzekerheid? De Pricing is bijvoorbeeld een belangrijke driver voor de omzet en winst van de organisatie. Met Algorithmic Pricing (link artikel pricing) kan worden bekeken hoe door het slim berekenen van de productprijzen meer marge kan worden behaald.

Potentieel om tijd en kosten te besparen: de beste kandidaat is een eenvoudige taak die meerdere keren in de hele organisatie wordt uitgevoerd. Bijvoorbeeld het beantwoorden het aannemen van de juiste medewerkers, het zetten van de juiste prijzen voor duizenden producten, het voorspellen van de vraag of het beantwoorden van dezelfde klantvraag in het callcenter etc.  

Data-intensieve taken & Data beschikbaarheid : zoek taken die meer afhankelijk zijn van data in combinatie met ervaring of intuïtie. AI kan taken beter uitvoeren met duidelijk gespecificeerde data invoer. Elke AI-toepassing zal slechts zo goed zijn als de data die wordt gebruikt voor het trainen van het model. Het verzamelen en organiseren van een nieuwe dataverzameling kan een lange en arbeidsintensieve taak zijn. Een project met gemakkelijk beschikbare data, of eenvoudig te verzamelen uit bestaande processen, kan enkele maanden besparen in de fase van datapreparatie.

Schaalbaarheid: De AI-applicatie kan een relatief hoge initiële investering vergen, met lage operationele kosten. De beste use cases zijn dan ook vaak degene die één keer kunnen worden geïmplementeerd en meerdere keren wordt uitgevoerd om de initiële investering over meerdere taken of afdelingen te spreiden.

De juiste use case selecteren is essentieel voor snel AI- succes. Men moet zich echter bewust zijn dat de business case van AI anders is dan een reguliere IT- business case, omdat hier een stukje onzekerheid bij komt kijken. Deze onzekerheid inbouwen in de business case is essentieel, om de verwachtingen voor alle stakeholders te managen.

Indien de business case is geselecteerd, kan er gestart worden met de modelontwikkeling waarbij alle factoren die van invloed zijn op de voorspelde input worden geplot en waar onderlinge relaties worden besproken. Bij bijvoorbeeld een Demand Forecasting project wordt eerst bekeken welke factoren de vraag naar een bepaald product beïnvloeden (het weer, seizoen, bepaalde markttrends etc). Op basis van deze factoren kan de data worden verzameld.

2. Dataverzameling & Datapreparatie

Het model wordt getraind met data, waarbij de specifieke input (de in fase besproken factoren) met de verwachte output in kaart wordt gebracht. De data kan opgeslagen zijn in allerlei silo’s in de organisatie of aanwezig zijn bij externe leveranciers. Dit kan een tijdrovende klus zijn oplopen dit niet goed georganiseerd.

Nadat de data is verzameld, moet de data worden georganiseerd, opgeschoond en verwerkt om het model te trainen. Dit kan tevens een tijdrovende klus zijn, omdat de data van onvoldoende kwaliteit is of op een bepaalde bedrijfslogica is georganiseerd die de data scientists niet kent. Goede communicatie tussen alle projectleden is hierin van belang.

3. Proof the Case (Proof of Concept)

In deze fase wordt het model ontwikkeld door verschillende methodes uit te testen en uiteindelijk de meest nauwkeurige methode te selecteren. Zodra de data scientist het juiste model heeft geselecteerd, zal er een finetuning plaatsvinden om de hoogste mate van accuraatheid te bereiken.

Meestal is het het beste om te beginnen met kleine stukjes data voor de ontwikkeling van het eerste model. Zodra de nauwkeurigheid van het model een acceptabel niveau bereikt, kunt de datahoeveelheid worden verhoogd, wat op zijn beurt de nauwkeurigheid van het model zal verhogen.

4. Experiment

Na een Proof of Concept is het belangrijk om met de resultaten van AI in de praktijk te experimenteren om de statistische verbanden nog verder te valideren. Naarmate de variatie in de data nog groter wordt, kunnen correlaties nauwkeuriger berekend worden. Indien deze uitkomsten goed worden geëvalueerd kan zowel het management als het achterliggende algoritme slimmer worden. Uiteindelijk willen we weten aan welke knoppen we moeten draaien om de gewenste output te krijgen. Ook daarvoor is het nodig om te experimenteren.

Indien er bijvoorbeeld een prijsalgoritme is ontwikkeld op basis van alle historische data kan hiermee worden geëxperimenteerd door een maand lang 50% van de tijd het algoritme een advies te geven over de prijzen en 50% van de tijd de interne experts. Er kan een soort competitie worden gestart welke van de twee de meeste omzet of winstmarge behaald. De bekende quote van Miguel de Cervantes is hierbij van toepassing:“The proof of the pudding is in the eating. By a small piece, we may judge of the whole piece.”  Te vaak wordt deze integratie met bestaande systemen niet gedaan, wat betekent dat de analyse eenmalig voordeel oplevert, of nog erger nooit de laatste stap naar de business kan maken.

Na feedback vanuit de praktijk kan het model nog verder worden verbeterd.

5. Integratie en operationalisatie

Het implementeren van AI in een bedrijfsomgeving kan net zo uitdagend zijn als het ontwikkelingsproces. De nieuwe data-driven manier van werken moet gepaard gaan met verandermanagement in de vorm van duidelijke communicatie, incentives en een stuk training van de tool.

Om de nauwkeurigheid van uw AI-toepassing continu te verbeteren, moet u uw model mogelijk opnieuw trainen. De AI-applicatie genereert nieuwe data die kan worden gebruikt voor aanvullende training om de nauwkeurigheid te verbeteren en aan te passen aan het dynamische (klant)gedrag. Wijzigingen in uw omgeving (nieuwe klanten, nieuwe producten, enz.) kunnen wijzigingen van het model vereisen om nauwkeurigheid te garanderen.

De ideale AI Journey (afbeelding 1) is geen statisch proces. Het is een dynamisch proces waarbij de organisatie continu leert van de reeds verrichte stappen. Door deze journey meerdere malen te doen zal zowel de data, het model en de organisatie slimmer worden. De zwakste schakel bepaalt het succes van de gehele AI Journey (afbeelding 2). 

Tijd om te starten met AI?

Als u eenmaal een succesvolle PoC hebt afgerond, wordt het tijd om je AI-strategie serieus te nemen. Houd in gedachten dat uw concurrenten vandaag ook naar AI-technologie kijken om de efficiëntie te verhogen, omzet te vergroten of de kosten te verlagen en om uiteindelijk concurrerender te worden op de markt.

Heb je vragen over dit onderwerp? 

5 + 12 =

Arian Oosthoek

Arian Oosthoek

Co-Host Big Data Community

Arian Oosthoek is co-founder van E-Tail Genius en helpt bedrijven AI technologie te adopteren om verregaande inzichten in klantgedrag te krijgen zodat bedrijfsprocessen effectiever en intelligenter kunnen worden georganiseerd.