De denkfout bij het ontwikkelen van AI-modellen

Artificial Intelligence (AI) kan een belangrijke rol spelen bij het behalen van je bedrijfsdoelstellingen. Maar dan moet het ontwikkelde AI-model daar wel voor gebouwd zijn en dat is vaak niet het geval. We zien in de praktijk dat AI-modellen problemen oplossen die er helemaal niet zijn.

Dit wordt veroorzaakt door een denkfout bij degenen die de modellen ontwikkelen. In plaats van te beginnen met een duidelijk gedefinieerd doel, laten ze zich leiden door de beschikbare data. Dit heeft verschillende redenen:

• Overvloed aan data: De enorme hoeveelheid beschikbare data binnen een organisatie kan zorgen voor een soort tunnelvisie en de veronderstelling kan dan ontstaan dat het gebruik van deze data automatisch tot succes leidt.
• Druk om te innoveren: Bedrijven kunnen zich gedwongen voelen om snel AI-oplossingen te ontwikkelen en te implementeren, zodat ze meegaan met de ontwikkelingen in hun markt. Maar zonder een duidelijk doel verschuift de focus naar dataverzameling in plaats van probleemidentificatie.
• Interne factoren: Beperkte middelen en kennis kunnen leiden tot onzekerheid over het identificeren van relevante problemen en het kiezen van de juiste benadering, waardoor beschikbare data een veiligere en toegankelijkere optie lijkt.

Data als uitgangspunt

Om AI-modellen te ontwikkelen, is inderdaad veel data nodig. Veel organisaties zien data echter als een heilige graal; ze bouwen een model om de data heen en verwachten automatisch veel waarde te creëren. Het resultaat is vaak een model dat een niet-bestaand probleem oplost.

Hoewel data waardevol kan zijn, is het belangrijk om je niet blind te staren op toepassingen waar toevallig veel data van beschikbaar is. Een verkeerd uitgangspunt leidt tot een minder effectieve AI-strategie.

Een strategische benadering

In plaats van te beginnen met data, zouden bedrijven eerst een zakelijk doel of probleem moeten definiëren dat ze willen verbeteren of oplossen. Dit kan variëren van omzetgroei en kostenreductie tot hogere klanttevredenheid. Pas wanneer een duidelijk doel is gedefinieerd, kan je op zoek gaan naar relevante data om een AI-model te bouwen dat hieraan bijdraagt.

Deze strategische benadering heeft voordelen voor de hele organisatie. Met een gemeenschappelijk doel en duidelijke bedrijfsdoelstellingen, is het makkelijker voor teams om effectief samen te werken. Dat zorgt dat de kans van slagen van IT-projecten groter is en de resultaten beter zijn.

De praktijk

Stel dat een bedrijf de klanttevredenheid wil verhogen door betere service te bieden. Dit duidelijk gedefinieerde doel wordt het uitgangspunt voor het ontwikkelen van een AI-model.

In dit geval kan AI helpen bij het automatiseren en optimaliseren van de klantenservice door bijvoorbeeld een chatbot te ontwikkelen die veelgestelde vragen beantwoordt of klanten doorverwijst naar de juiste afdeling. Om een effectief AI-model voor deze chatbot te bouwen, is het essentieel om relevante data te verzamelen die aansluit bij het doel.

Denk aan klantinteracties via e-mail, telefoongesprekken en chatlogs. Deze geven inzicht in de vragen en problemen die klanten ervaren. Deze data sluit aan bij het doel en kan gebruikt worden om het model te trainen.

Natuurlijk komt het ook voor dat de benodigde data niet voor handen is. In dat geval kan er bijvoorbeeld worden gekeken naar het zelf verzamelen van de data, gebruik van externe databronnen, data-augmentatie of transfer learning.