Over deze aflevering

1. Technisch niet haalbaar

De techniek van AI en Machine Learning is volop in ontwikkeling. Er wordt veel onderzoek uitgevoerd naar de mogelijkheden en de grenzen van dit vakgebied. Voordat je begint met een AI-project, moet de technische haalbaarheid onderzocht worden. De volgende vragen kun je stellen:

• Zijn er bestaande cloud diensten die de techniek aanbieden?
• Zijn er papers (liefst met code) beschikbaar over dit onderwerp?

2. Scope is slecht afgebakend

Een probleem dat we vaak zien is dat de scope van een AI of Machine Learning project slecht is afgebakend. In alle enthousiasme is bedacht wat allemaal mogelijk is en wordt het project te groot opgezet. Beter is om klein te beginnen met een heel duidelijke scope. Om de scope klein te houden, hanteren wij een eenvoudige vuistregel: de levensvatbaarheid van een AI-idee wordt binnen 5 werkdagen aangetoond.

Vooral de 5 werkdagen is belangrijk. Hierdoor wordt je gedwongen om je idee klein, maar ook doelgericht te maken. Voor het kaderen van de scope en bepalen wat haalbaar is, hebben we een speciaal canvas ontwikkeld: het Info Support AI-Experiment Canvas. Dit canvas helpt bij het scherpstellen van je doelstellingen en vaststellen van de scope.

3. Onduidelijke succescriteria

Helaas wordt een AI-project opgestart met features als uitgangspunt. Er wordt gekeken naar wat het eindproduct moet kunnen in plaats van dat er wordt gekeken naar wat je wilt bereiken. Oftewel het doel van het AI-project is onduidelijk en daarmee heb je onduidelijke succescriteria. Meestal zijn de succescriteria uit te drukken in wat je veranderd wilt zien, zoals minder kosten, meer omzet, betere klanttevredenheid, etc.

Ook hier hanteren we een simpele vuistregel: er is 1 succescriterium, dat in 1 zin uitgelegd kan worden.

Dit betekent dat je keuzes maakt waar je in je AI-project aan werkt. je optimaliseert of de kosten of de omzet. Mocht het zo zijn dat je meerdere factoren optimaliseert omdat je werkt aan bijvoorbeeld omzet verhoging, dan is dat bijvangst. Voor het vaststellen van het doel en wanneer het AI-project een succes is, gebruiken we het Info Support AI-Experiment Canvas.

4. Horde naar productie wordt niet genomen

Veel organisaties komen niet uit het stadium van experimenteren met AI. Ze hebben een model getraind, is geoptimaliseerd op de bedrijfsdoelstellingen en is klaar voor gebruik. Alleen wordt vergeten om de laatste horde te nemen. Het product wordt niet in productie genomen. Vaak ligt dit aan een gebrek aan kennis over het productierijp maken van een AI-model. Naast een goede nauwkeurigheid moet een AI-model ook voldoen aan de gebruikelijke eisen van ieder softwareproduct:

• Schaalbaar
• Performance
• Veilig
• Betrouwbaar
• etc.

Gedegen software development kennis in combinatie met AI skills is nodig om het eindproduct in productie te krijgen. Bij het samenstellen van een team en het opzetten van een project is het van wezenlijk belang dat hier aan gedacht wordt. De juiste teamleden moeten worden geselecteerd en budget moet worden vrijgemaakt voor het productierijp maken van het AI-model.