Uit een onderzoek onder 1000 bedrijven heeft PwC de conclusie getrokken dat één op de vijf grotere bedrijven AI nog dit jaar organisatiebreed wil inzetten. Maar dat vergt een compleet andere benadering dan de lab-gerichte AI-inspanningen die we tot nu toe zagen. Volgens PwC zijn er 6 prioriteiten die afgehandeld moeten worden voordat er werkelijk sprake is van een succesvolle inzet van AI in de organisatie.
Tekst gaat door onder de video
1. Structuur: formaliseer je aanpak
Als je werkelijk serieus aan de slag wilt gaan met AI, moet je ervoor zorgen dat het hele proces erom heen wordt geformaliseerd. Dat betekent dat je een goed inzicht moet hebben in het gehele plaatje, wat het betekent voor je productie, je mensen en je middelen. Daarbij is het belangrijk focus te houden op hetgeen je wilt bereiken. Te veel tegelijk doen kan de organisatie schaden. Door een bedrijfsprobleem aan te pakken of door een proces te verbeteren, kan je als je het goed doet een AI-oplossing schalen naar andere delen van de organisatie.
Het belangrijkste is te zorg dat je een stevige basis legt waarop initiatieven kunnen worden ontplooid. Je begint met het vormen van een team uit de verschillende disciplines binnen de organisatie die het overzicht moet bewaren om te voorkomen dat verschillende teams te geïsoleerd aan dezelfde problemen gaat werken. De beste manier om dat te doen is het neerzetten van een Center of Excellence, zegt PwC, dat er zelf ook eentje heeft.
Het team herkent kansen, zet business cases op, zorgt voor de formele planning en toewijzing van rollen, zet het budget neer en monitort de uitvoering. Maar ook de technologische richting die wordt ingeslagen is belangrijk, net als de keuze van de leverancier en de mate van intelligentie die de AI zou moeten hebben. De kennis en tools moeten worden gedeeld via een centraal platform dat organisatiebreed wordt ingezet.
2. Personeel: samenwerking tussen specialisten en gebruikers
Ruwweg kunnen we in AI (en machine learning) onze werknemers in twee groepen verdelen: degenen die erin gespecialiseerd zijn en degenen die er mee moeten werken. De laatste groep moet in staat worden gesteld inzicht te krijgen in hetgeen AI voor ze doet en op welke manier ze daar mee om moeten kunnen gaan. Volgens PwC zijn er nieuwe tools op de markt, zoals AutoML, die het omgaan met AI democratiseren waardoor ook niet-gespecialiseerde mensen ermee om zouden kunnen gaan. Niettemin, zo geeft PwC toe, is deze materie complex en moet er continu aandacht voor zijn.
Daarom moet er tussen de gebruikers en de datawetenschappers een nieuwe laag worden gecreëerd, de citizen developer genaamd. Waar de gebruikers permanente training moeten krijgen hoe de AI-tools op een juiste manier in te zetten, is er voor een groep van 5 tot 10 procent van de werknemers een rol weggelegd als power user. Met de juiste training zijn zij in staat om aan de business-kant use cases te identificeren en om samen met de specialisten nieuwe AI-toepassingen te ontwikkelen. De specialisten doen verder het echte zware ontwikkelwerk en zorgen tevens voor onderhoud en management. Het is belangrijk dat deze drie groepen nauw met elkaar samenwerken. Daarin zal je merken dat je sommige vaardigheden mist in de mix, die je zal moeten toevoegen. Dat zal een uitdaging blijven.
3. Vertrouwen: verantwoordelijke inzet van AI
De zorgen om privacy, ongelijkheid en betrouwbaarheid in alle geledingen van onze maatschappij maakt het dat een verantwoordelijke inzet van AI topprioriteit is. De foutentolerantie nadert nul. De verantwoordelijke inzet van AI wordt afgelezen aan de factoren bias, transparante beslissingen, security, verantwoording en control en ethiek. Steeds vaker tuigen bedrijven functies op die gericht zijn op het (ethische) toezicht op technologie die door de organisatie wordt gebruikt.
PwC gebruikt in deze kwestie zelfs een nieuw acronym (althans voor mij), namelijk XAI, explainable AI. Het schijnt van DARPA te komen, dat binnen een gericht XAI-programma werkt aan algoritmen die zichzelf kunnen verklaren en die inzicht kunnen geven in hun toekomstig gedrag, dus eigenlijk hoe ze zullen reageren nadat ze via machine learning zichzelf verder ontwikkelen.
4. Data: labels zijn belangrijk voor machine learning
Het blijkt dat bedrijven nog steeds grote problemen hebben in het lokaliseren en labelen van data en dat maakt de grondslag onder AI wankel. Maar diezelfde bedrijven zien het labelen van data niet echt als een prioriteit. En dat gaat knellen. Immers, algoritmen willen leren van de data die beschikbaar is, maar als (historische) data niet consistent wordt gelabeld, is het niet mogelijk daarvan te leren.
In ieder geval zouden organisaties een framework moeten ontwikkelen dat gebruikers simpel in staat stelt data te labelen voor toekomstig gebruik. Het tekort aan gelabelde data kan daarnaast worden opgevangen door de gerichte inzet van machine learning waarmee eigen data door AI kan worden geproduceerd op basis van samples, zegt PwC. Overigens blijven wetten en richtlijnen op het gebied van privacy en security een punt van aandacht.
5. Evolutie: nieuwe verdienmodellen
AI kan gebruikt worden om zowel omzet als winst te optimaliseren, door het stroomlijnen van processen en het verbeteren van de klantervaring. Meer datagedreven, gepersonificeerde diensten en producten gaan hun weg vinden naar de markt. Gedacht wordt vooral aan de zorg, retail en automotive. Het voordeel van AI is dat het kan fungeren als interne adviseur in het doorrekenen van allerlei go-to-market scenario's en daarin de meest winstgevende of impactvolle kiezen.
Een andere strategie is te kijken naar startups die wellicht van belang kunnen zijn in de ontwikkeling van belangwekkende AI-toepassingen. Investeringen zouden zich snel kunnen terugverdienen en zonder de eigen organisatie te zwaar te belasten zouden er snel toepassingen beschikbaar kunnen komen. Vanzelfsprekend stelt dit weer andere eisen aan toezicht en management.
6, Convergentie: AI + analytics + IoT + ...
De kracht van AI wordt vergroot door de integratie met andere technologieën, zoals analytics, IoT en meer van dat. Maar daar ligt ook wel een van de grotere uitdagingen voor organisaties, die dat overigens in het onderzoek van PwC ook onderkennen. Met name in de combinatie met analytics wordt meerwaarde gezien. IoT en de vele data die daaruit voortkomt, is een andere combinatie. In dat laatste geval is ingebakken AI direct op de IoT-chips een mogelijke kans.
Reageer
Preview