Veel organisaties werken al aan AI-projecten of hebben planning in die richting. En terecht, want volgens PwC heeft AI zelfs de potentie om in 2030 15,7 biljoen dollar bij te dragen aan de wereldwijde economie. Wel zijn er enkele uitdagingen die de realisatie van die waarde in de weg kunnen zitten. Deze hebben voornamelijk te maken met de adoptie van AI. Uit de ervaring die ik bij klanten heb opgedaan komen met name de volgende obstakels op dit gebied naar voren.
1. Gebrek aan kennis
Het niet in huis hebben van de juiste kennis en vaardigheden kan een blokkade zijn in de vroege fase van AI-adoptie. Zonder een robuust data- of AI-team is het lastig om te bedenken hoe je deze weg kunt nemen.
Oplossing: door te investeren in opleidingen en het beschikbaar maken van data voor zoveel mogelijk medewerkers kunnen analisten ingezet worden als citizen data scientists. Business professionals beschikken al over veel branchespecifieke kennis. Dit betekent dat de adoptie van AI door deze groep bijdraagt aan het grotere doel. Dankzij het gebruik van goede tooling en AutoML kunnen analisten en zakelijke gebruikers hun expertise uitbreiden en ervoor zorgen dat het gebrek aan AI-kennis binnen de organisatie wordt opgelost.
Het IDG Contributor Network geeft jou als IT-professional of opiniemaker een platform als je je kennis of mening wil delen met collega's via de websites van IDG: CIO.nl, CSO.nl, Computerworld.nl, Webwereld.nl en CxO.nl.
Analisten, experts en IT-professionals kunnen deelnemen aan het platform als zij hun collega's van originele content kunnen voorzien. We accepteren geen promotionele bijdragen of herschreven content. Deelname kan worden aangevraagd via contributor@idg.nl
2. Aannemen van het juiste talent
Er zijn bepaalde aspecten van AI-acceptatie waarvoor de technische expertise van data scientists nodig is. Het kunnen opschalen van een datateam is cruciaal voor het bouwen van de beste modellen voor de specifieke vereisten van een organisatie. Het is echter een onmogelijke (en dure) taak om op zoek te gaan naar een "data-eenhoorn", die over alle vaardigheden beschikt die een organisatie nodig heeft.
Oplossing: er is geen universeel perfect datatalent, maar er is wel specifiek talent dat perfect is voor elke organisatie. In plaats van te zoeken naar de data scientist die alles kan, kun je je richten op het vinden van data professionals die elk enkele van de benodigde skills in huis hebben. Op deze manier kan een organisatie een datateam bouwen en duurzaam schalen. Bovendien werk je zo ook aan het bevorderen van samenwerking en uitwisseling van vaardigheden. Bovendien is een bijkomend voordeel dat je een open datacultuur schept en je het talent wat je al binnen hebt beter behoudt.
3. Een slechte basis
Als de technische infrastructuur de hoeveelheid data die nodig is (of de verwerking daarvan) niet kan ondersteunen, is het project gedoemd te mislukken. Het goed het model ook is.
Oplossing: besteed veel zorg en aandacht aan het creëren van een goede data-architectuur. Deze moet voldoende stabiel zijn om tegemoet te komen aan de behoeften van gebruikers en flexibel genoeg zijn om te kunnen opschalen naarmate de organisatie groeit. Het berekenen van de ROI van het upgraden van een architectuur is een uitdaging. Maar als datateams samenwerken met R&D om reële doelen te bepalen en deze blijven ontwikkelen naarmate AI beter geïntegreerd wordt in de organisatie, zou dit geen belemmering meer moeten zijn.
4. Het verzamelen van data
Machine learning-modellen kunnen vaak profiteren van nieuwe en innovatieve databronnen, maar een gebrek aan kwaliteit van de data kan kan een probleem opleveren. Zonder toegang tot data van hoge kwaliteit (of überhaupt toegang tot de benodigde data), kunnen modellen geen nauwkeurige inzichten genereren.
Oplossing: dit gaat hand in hand met verbeteringen aan de architectuur. Door goede opslag en een proces voor het garanderen van datakwaliteit in te richten en toegang te geven tot de tools die nodig zijn om de data te verwerken, kunnen datateams profiteren van de investering in data (uit onderzoek blijkt dat meer dan 40% van de ondervraagde data professionals het opschonen en structureren van data het meest lastige en tijdrovende onderdeel van het proces vinden).
5. Een duidelijke visie
Zonder een duidelijke AI-strategie en -doelstellingen missen organisaties vaak de plekken die het meest waardevol zijn om AI te integreren. Dit leidt uiteindelijk tot waardevermindering en minder vertrouwen in het feit dat investeren in AI een juiste keuze is. Hoewel de drang naar automatisering en AI vaak vanuit de werkvloer komt, is een duidelijke visie vanuit het management noodzakelijk om er echt een succes van te maken. zonder de richting van leiderschap, kan het momentum misleidend zijn.
Oplossing: als het management echt luistert naar data- en analytics teams, wordt de communicatie opengesteld en leren zijn waar AI echt een meetbaar resultaat kan opleveren. Maar het is ook de verantwoordelijkheid van management om ervoor te zorgen dat de adoptie van AI aansluit bij de overkoepelende bedrijfsdoelstellingen van een organisatie. Ervoor zorgen dat de AI-strategie wortels heeft die van boven naar beneden reiken en van onder naar boven, resulteert in een meer toekomstbestendige visie.
6. Vaststellen van de waarde
Hoewel veel organisaties de belofte van AI al hebben waargemaakt, is het een uitdaging om te voorspellen welke meerwaarde het kan opleveren voor een individuele organisatie. Onzekerheid over de te verwachten ROI en daaropvolgende berekeningen voor projecten waarbij veel teams en verticals betrokken kunnen zijn, maken het kunnen attribueren van waarde een uitdaging.
Oplossing: Tijdige afstemming en communicatie over belangrijke ROI-criteria tussen teams en verticals, gevolgd door evaluaties en aanpassingen Dit is de beste manier voor teams om de complexiteit van ROI vast te leggen en overeenstemming te bereiken over hoe deze moet worden berekend. Hier staan ook communicatie en samenwerking
weer centraal.
7. Silo's en segmentatie
AI levert de meeste waarde op als data een compleet pad aflegt: van verzameling tot analyse, tot inzichten en feedback loops. Organisatorische silo's beperken het afleggen van dit pad en vormen een obstakel in het snel kunnen reageren op de inzichten die AI biedt.
Oplossing: een organisatorische verandering kan niet van de ene op de andere dag plaatsvinden. Daarom kun je je in plaats daarvan het beste richten op manieren die teams helpen samenwerken om dataprojecten te operationaliseren. Voortbouwen op deze basis kan de toegevoegde waarde en de nauwkeurigheid van AI-projecten verbeteren.
Voorkomen van valkuilen
Hoewel de adoptie van AI uitdagingen en gebieden voor groei blootlegt, wegen de potentiële voordelen ruimschoots op tegen de kosten. Als er samengewerkt kan worden aan AI-projecten en deze projecten zijn afgestemd op de bedrijfsdoelstellingen, ondersteunt het een open datagedreven cultuur en zorgt het uiteindelijk voor meer efficiëntie en waarde voor de eindgebruiker.
Hylke Visser is ruim 25 jaar werkzaam in de IT-branche. In verschillende rollen bij onder meer Oracle, Siebel, SAS en nu bij Dataiku, deed hij waardevolle ervaring en inzichten op over onder meer data management, big data, analytics en cloud-oplossingen. Als director of sales & business development bij Dataiku helpt hij organisaties op een laagdrempelige manier meer waarde te halen uit data science en enterprise AI.
Reageer
Preview