Datum | |
---|---|
Tijd | |
Thema | |
Location |
|
Role | |
Description | |
More info |
- Artikel
EU AI Act in de zorg: remmer of stimulans van innovatie?
- Artificial Intelligence
Een AI-project heeft veel weg van een Software Development project. In dit artikel leest u acht praktische tips vanuit onze AI-community om uw AI-project tot een succes te maken.
Wat is je motivatie om met AI te starten? Is je motivatie dat AI cool is en iedereen het doet? Of wil je gewoon een experiment om te weten of dit je bedrijf ten goede kan komen?
Als dit het geval is, stop dan even en stel jezelf de volgende vragen: kun je de juiste ondersteuning krijgen? Gaat je stakeholder een leuk, cool experiment financieren? Geeft je manager je tijd om met enkele concepten te spelen?
Is het antwoord ‘Nee’ op deze vragen? Klinkt redelijk omdat geen enkele organisatie projecten en experimenten alleen voor de lol moet financieren of de menigte moet volgen. Daarom moet een experiment waarde toevoegen aan je organisatie en gekoppeld zijn aan een bedrijfsdoelstelling.
De bedrijfsdoelstellingen kunnen zowel voor non-profitorganisaties als voor organisaties met winstoogmerk worden gedefinieerd. Businessplannen met winstoogmerk zijn meestal gericht op financiële doelen, zoals winst of het verlagen van kosten. Non-profit en bedrijfsplannen van overheidsinstellingen richten zich meestal op de ‘organisatiemissie’ die de basis vormt voor hun belastingvrije status, hoewel non-profitorganisaties zich ook kunnen richten op het optimaliseren van omzet en impact.
Voor AI-projecten is het in tegenstelling tot traditionele software development project lastig om strikte requirements op te stellen. De levensvatbaarheid van het initiële idee is afhankelijk van de beschikbaarheid en voorspellende waarde van de data, de stand van de techniek en mate van zekerheid die een model kan bieden.
Start daarom klein en eenvoudig. Probeer in een extreem korte tijd de levensvatbaarheid van de oplossing te toetsen. Bijvoorbeeld binnen een gelimiteerde tijd van 5 of 10 werkdagen.
De investering en risico is laag. Zodra de levensvatbaarheid van de oplossing is aangetoond, bouw je de oplossing uit met meer data, complexere algoritmen of meerdere productgroepen.
Het maken van AI-oplossing bestaat niet alleen uit het maken van een getraind model. Je AI-oplossing moet betrouwbaar werken in productie en kunnen omgaan met nieuwe data. De volgende aspecten vul je ook in voor je AI-oplossing:
De AI-oplossing kan pas een succes zijn als deze bruikbaar is voor eindgebruikers. Denk daarom goed na hoe de oplossing samenwerkt met bestaande systemen en welke gebruikservaring nodig is.
Je zou denken dat dit een inkoppertje is, maar je zou verbaasd staan over hoeveel organisatie starten met een team zonder kennis van AI-ontwikkeling.
Meestal komt dit omdat ze niet weten waar ze naar zoeken en huren daarom de verkeerde mensen in. Zo zit er een groot verschil tussen type data scientists.
Voor een AI-oplossing huur je typisch een data scientist type B in.
Data scientists zijn er grofweg in twee typen:
De data scientists van Info Support zijn die van type B. In een infographic laten we zien hoe het leven van een Info Support Data Scientist type B eruit ziet.
Op basis van de data die beschikbaar is binnen een afdeling kan al goed een model ontwikkeld worden. Echter, vaak is meer data nodig om een model te optimaliseren. Datauitwisseling is daarom een must. Hierbij kan eigenaarschap in de weg staan of is de betekenis van data niet gestandaardiseerd. Bij de start van een AI-project is het daarom verstandig om benodigde databronnen te inventariseren. Omdat je klein start, met waarschijnlijk een beperkte hoeveelheid bronnen, kun je ook daadwerkelijk van start. Echter, zet ook krijgen van toegang en datastandaardisatie in gang voor de bronnen die je in een later stadium aansluit.
Een voorbeeld van datastandaardisatie in de zorg is FHIR.
Met FHIR (Fast Healthcare Interoperability Resources) is er een nieuwe HL7-standaard, waarmee snel en gemakkelijk digitale gegevens kunnen worden uitgewisseld binnen de zorg.
Bij tip 1 stellen we dat je klein begint. Dit is belangrijk om na te gaan of je data voorspellende waarde heeft. Niet alle datasets bevatten zomaar een duidelijke relatie de gegevens en de verwachte voorspelling. Dit kan zijn omdat de dataset niet groot genoeg is, of juist teveel vervuild. Data kan ontbreken of niet een eenzijdig beeld geven. Door data analyse kan een Data Scientist een inschatting maken of data een voorspellende waarde hebben. Bij het trainen van een model kom je er achter of dit voldoende waarde is.
Op de een of andere manier zit het in onze natuur om processen volledig ‘dicht te timmeren’, zodat we niet voor verrassingen komen te staan. Maar bij AI moeten we afstand doen van dit streven.
AI neemt namelijk een deel van het denkwerk van mensen over en de uitkomst hiervan is, net zoals bij mensen, niet altijd juist. Dit betekent dat het resultaat, hoe geavanceerd het gebruikte algoritme ook is, nooit honderd procent nauwkeurig is. Werken met AI vereist daarom een nieuwe mindset waarbij je je controledrang los moet laten.
Uitkomsten worden met AI met een bepaalde mate van zekerheid vastgesteld, waardoor je altijd te maken hebt met foutmarges. De uitkomst die je onder je neus krijgt bij AI is niet optie A of B, maar bijvoorbeeld: 75 procent zeker dat optie A juist is. Een machine met AI heeft het dus niet altijd bij het rechte eind en dat is in strijd met het beeld dat de meeste mensen hebben van computers en algoritmes. Dit betekent dat we een radicale omslag moeten maken in onze denkwijze: welkom in het grijze gebied van kansberekeningen.
Daarom kun je AI beter niet vergelijken met traditionele IT-oplossingen. Dit is belangrijk om te beseffen, want van oudsher zijn we gewend dat een bepaalde input altijd leidt tot de verwachte output.
Om succesvol met AI aan de slag te gaan is het daarom belangrijk dat je haar imperfecties accepteert, want overal waar een proces complex wordt door ontelbare variabelen, ontstaat een foutmarge.