Redactie - 07 oktober 2019

Artificial Intelligence heeft een pakketservice nodig

Volgens verschillende AI-experts  lopen we in Europa en Nederland achter op het gebied van Artifcial Intelligence (AI), en kunnen we niet meekomen met de ‘big boys’ in de Verenigde Staten en China. De realiteit is, denk ik, veel genuanceerder.

We beschikken in Nederland over een goede technologische infrastructuur, goede opleidingen en zijn een aantrekkelijk vestigingsland voor technologische specialisten. Ook zie ik dat Nederlandse organisaties voorop lopen qua digitalisering en dat AI steeds vaker onderdeel is van innovatieve projecten. Echter  de huidige inzet van kunstmatige intelligentie is vergelijkbaar met de initiële inzet van zonnepanelen  vijftien jaar geleden, heel innovatief maar met een lage netto opbrengst en daardoor niet rendabel. Veel AI-gedreven innovaties blijven nu nog hangen in de experimentele fase  en worden dus nooit ingezet in een bedrijfsproces.

 Hoe kunnen we deze ‘game changer’ beter laten renderen? Dit kan mijn inziens op een aantal manieren:

  • Een cruciale factor is kennis, er is een tekort aan data scientists. Meer mensen moeten (om)geschoold worden om de adoptie van AI in productieomgevingen te versnellen.
  • Een ander aspect waar veel winst mee te behalen is, betreft het automatiseren en vereenvoudigen van activiteiten. Het oplossen van de schaarste aan data scientist wordt voorlopig niet opgelost. Daarom moeten we data scientists ‘offloaden’, zodat ze zich kunnen richten op de specialistische kant van hun werk. Automatisering van standaardtaken helpt hierbij om (relatief) gemakkelijk werk uit handen te nemen, terwijl de data scientist wel verantwoordelijk blijft. Een andere manier om data scientists te ontlasten is wat wel democratisering  van AI genoemd wordt. Door gebruik te maken van low code- of no code-tooling kunnen ook mensen die geen coderingsachtergrond hebben, bepaalde vakinhoudelijke taken op zich nemen.
  • De mindset van mensen moet veranderen. Het doembeeld dat AI mensen overbodig maakt en de hele samenleving ontwricht moet van tafel. De tendens moet worden dat AI-technologie ons helpt en aanvult. Dát moet de mindset worden en daarmee de adoptie versnellen.
  • Een vierde component is het proces waarin een AI-toepassing van idee tot uitgewerkt productiemodel komt. Dit proces is momenteel nog heel ambachtelijk, een beetje als een warme bakker. Die maakt heerlijke broodjes, maar heeft een beperkte capaciteit. Een broodfabriek kan ook lekker brood maken, en heeft een veel hogere capaciteit en schaalbaarheid. Dat is waar we naartoe moeten met AI; een geïndustrialiseerd proces maar wel met de optie om een model op een “ambachtelijke wijze” te kunnen bewerken, indien dit gewenst is. Mensen gaan immers ook wel eens langs de bakker voor een extra lekker broodje. Zie het als een fit-for-purpose overweging die je maakt. Welk AI-model vereist extra “ambachtelijke” kennis en welk AI-model kunnen we versneld realiseren met behulp van industriële standaarden.

Wat we tot nu toe hebben bereikt, is vergelijkbaar met een hele succesvolle webshop – zeg ‘Coolblue’ – waarbij we vergeten zijn de pakketservice te integreren. Terwijl dat nu juist het onderdeel is waar de dienstverlening om draait, de zogeheten ‘last mile’, het uiteindelijk implementeren van het AI-model in een operationeel bedrijfsproces. En zoals we allemaal weten levert een bestelling bij Coolblue ook pas een tevreden klant op als het bestelde product - snel - bij de  consument wordt afgeleverd. Voor modellen geldt hetzelfde; ze leveren pas echt waarde als ze daadwerkelijk worden gebruikt.

Daarnaast bestaan er binnen de huidige AI-projecten nog veel hand-over momenten die zorgen voor vertragingen en verhoogde foutkansen. Stel, de data scientist gaat aan de slag met een vraag van een business unit en ontwikkelt op basis van databronnen en tooling een model. Hiermee gaat hij naar de IT-afdeling om het schaalbaar, veilig en mobiel te maken. De business unit-manager ziet het resultaat en constateert dat de databronnen niet bruikbaar zijn, omdat ze te oud zijn, vertrouwelijke gegevens bevatten of niet aan de governance eisen voldoen. Terug naar de tekentafel.

Tegelijkertijd is het enorm belangrijk om voorbeelden van AI in productie te brengen. Volgens onderzoek gebeurt dat nu nog maar met 20% van alle initiatieven op dit vlak. Via een gestroomlijnde, fabrieksmatige procedure kan dit percentage naar 80 tot 90 procent. Om te bepalen hoe we daar komen, hoeven we niet ver te zoeken. We hebben een goede leidraad aan de manier waarop software-ontwikkeling plaatsvindt met DevOps. Net zoals veel organisaties werken met een software delivery pipeline, is het mogelijk om een model delivery pipeline te bouwen voor Analytics en AI. Deze zorgt er op een hele efficiënte manier voor dat we AI kunnen operationaliseren, inclusief de governace.

In mijn beleving ziet de toekomst van AI in Nederland er positief uit, al zal er nog het nodige moeten gebeuren. Tegelijk zie ik nu al dat er in de gezondheidszorg en andere sectoren mooie toepassingen zijn van kunstmatige intelligentie. Al is het waarschijnlijk nog even wachten op een AI-toepassing die de tienduizend apps op mijn smartphone beheert... En één die me real-time adviseert hoe om te gaan met mijn puberdochter.

Door Heere Blokhuis, country manager SAS

Trend Micro BW BN week 10-11-13-14-2024 Copaco | BW 25 maart tm 31 maart 2024
Trend Micro BW BN week 10-11-13-14-2024