Jurriaan Krielaart
Sales director Dataiku
Jurriaan Krielaart helpt organisaties betere beslissingen te nemen met Everyday AI en machine learning. Hij is sales director van Dataiku. Eerder in zijn carrière vervulde hij verschillende leidinggevende sales en management functies, veelal in de tech-sector.
1. Identificeer de toegevoegde waarde
AI kan op veel verschillende manieren worden ingezet. Zo kun je denken aan fraudedetectie in de verzekeringswereld maar ook een supermarkt kan AI gebruiken om inzicht te krijgen in het aantal producten dat op voorraad gehouden moet worden. Het is dan ook essentieel om eerst de toegevoegde waarde te identificeren die het AI-project voor je bedrijf kan opleveren. Om dit goed te kunnen doen is het verstandig om op de hoogte te zijn van de verschillende use cases door bijvoorbeeld experts uit de industrie te ontmoeten of door trainingen te volgen. Het doel is om een duidelijk beeld te krijgen van de toegevoegde waarde van een AI-project, gebaseerd op relevante en vergelijkbare voorbeelden.
Het is belangrijk om te beginnen met eenvoudige projecten, waarvan de return on investment (ROI) van tevoren goed in kaart is gebracht. Dat is de enige manier om de voordelen aan te tonen en concreet te maken. De onderwerpen moeten tastbaar zijn en op een pragmatische manier uitgewerkt worden. Het doel is om vertrouwen te creëren en de toegevoegde waarde bij iedereen duidelijk te krijgen.
Wanneer je bijvoorbeeld aan de slag gaat met dynamic pricing moet niet alleen bij iedereen duidelijk zijn dat dit betekent dat de productprijzen zich automatisch aanpassen. Het moet ook voor iedereen duidelijk zijn wat de toegevoegde waarde hiervan is. Namelijk dat er flexibel ingespeeld kan worden op bijvoorbeeld hogere brandstofkosten.
2. Het kan ook kleinschalig en snel
Veel ondernemers zijn in de veronderstelling dat het lang gaat duren om van start te gaan met AI, maar voor de eenvoudigste onderwerpen hoeft het slechts een paar weken te duren. Ook met kleinere AI-oplossingen kunnen bedrijven zichzelf transformeren.
Wat het project ook is, AI-platforms kunnen helpen processen te versnellen om oplossingen zo efficiënt mogelijk te bouwen. Op basis van een data science platform kan een bedrijf bijvoorbeeld een heel eenvoudig systeem maken om zijn omzet voor de komende maanden te voorspellen. Het hoeft de machine alleen maar te trainen met zijn resultaten van de voorgaande maanden door een eenvoudig bestand te uploaden.
Het uitvoeren van data-transformaties kan teams helpen de link te leggen tussen de orders van het begin van de maand en de uiteindelijke omzet. Alles werkt met drag-and-drop functionaliteit en vereist heel weinig programmeerkennis, wat handig is voor degenen die beter werken met visuele weergave van data. Maar technische experts die liever coderen kunnen dat ook doen - iedereen kan werken op de manier waar hij of zij zich het meest comfortabel bij voelt.
Wees wel voorzichtig met de verwachtingen voor de duur van het project, zo voorkom je teleurstelling. Ga bijvoorbeeld niet het project in met de gedachte dat het maar twee weken zal duren in plaats van twee maanden die er normaal voor staan, want dat is onrealistisch, en vertragingen zijn doorgaans onvermijdelijk.
3. Creëer draagvlak
Voordat een AI-project van start gaat is het belangrijk om alle betrokkenen mee te nemen in het project. Een goede aanpak hiervoor is het organiseren van een kickoff. De kickoff meetings zullen ervoor zorgen dat het AI-project genoeg benen heeft om op te staan. Een AI-project zonder draagvlak zal namelijk tegen adoptieproblemen aanlopen. Wanneer het project niet geadopteerd wordt, heeft het al gefaald voordat het van start is gegaan en zal men sceptisch zijn om in de toekomst nog een poging te wagen. Vaak realiseren we ons dit veel te laat.
Zoals eerder vermeld, is het interessant om te starten met een eenvoudig project met een beperkte scope (let wel, dit betekent niet een onredelijk kort tijdsbestek!) alvorens te leiden naar een Minimum Viable Product (MVP). Dat is het prototype waarop we vervolgens kunnen voortborduren.
4. De industrialisatiefase
Nadat de use case is geïdentificeerd, de interesse is aangetoond om AI tools te gebruiken, en een kleinschalige oplossing met succes is ontwikkeld, kun je vervolgens de toepassing uitbreiden. Het industrialiseren van AI in een bedrijf betekent het automatiseren van bepaalde delen van de pijplijn. Denk hierbij aan het automatiseren van taken zoals het laden en verwerken van gegevens. Met automatisering kunnen teams meer projecten beheren en zo opschalen om meer aan productie te leveren.
5. Betrek IT vanaf het begin bij het project
Het is niet ongebruikelijk dat projecten soms veel langer duren dan verwacht. Om de duurzaamheid van AI-oplossingen voor langere tijd te waarborgen, is het essentieel om IT al vroeg bij het project te betrekken.
IT wordt vaak als een verkeersdrempel gezien, terwijl het van essentieel belang is om IT in een vroeg stadium bij de projecten te betrekken. De kwaliteit van de technische infrastructuur speelt dan ook een belangrijke rol in het succes van een AI-toepassing. Om op te kunnen schalen, moet je een data-infrastructuur hebben die werkt. Zodra je waarde wil creëren, moet je dat doen op een robuuste technische basis om deze functionaliteiten in het IT-systeem te integreren.
En tot slot, je hoeft niet alles zelf te coderen. We gebruiken vaak deze culinaire metafoor in data science: In zijn restaurant doet een chef zelden alles zelf. Voor AI is dat net zo, zeker wanneer je er pas net mee begint. Het is zelfs beter om gebruik te maken van bestaande producten en adviserende partners die je de juiste roadmap kunnen laten zien voordat je aan grote ontwikkelingen begint.
