-

De voordelen van een in-house AI Factory

Hoewel organisaties en bedrijven steeds betere kennis hebben van artificial intelligence, loopt de mate van toepassing van AI nogal achter. Hoe is deze tegenstelling te verklaren en wat zijn de succesfactoren van AI?

Organisaties die al AI-technologie implementeren, beseffen goed dat er nieuwe modellen ontstaan, in de vorm van een AI Factory: een combinatie van talenten, methodes en technologieën beschikbaar voor de hele organisatie. 

Innovatie volgt doorgaans Gartner’s “Hype Cycle” dat uit vijf fasen bestaat:

  1. Innovatie trigger: de nieuwe technologie is in opkomst, eventueel zijn er prototypes en er is veel interesse van de media en pers maar er zijn nog geen commerciële producten.
  2. Peak of Inflated Expectations: De technologie is veelal geïmplementeerd maar op dit moment wegen de teleurstellingen op tegen de succesverhalen van het kleine aantal organisaties die zich aan de nieuwe technologie hebben gewaagd.
  3. Trough of Disillusionment: Interesse neemt af naarmate er meer gebreken aan het licht komen en tegenvallende experimenten plaatsvinden. Investeringen worden alleen daar gedaan waar de technologieën actief aangepast en verbeterd worden. 
  4. Slope of Enlightenment: De voordelen van de technologie zijn meer evident en meer organisaties testen ermee. Sommige bouwen zelfs voort op de eerste generatie van de technologie.
  5. Plateau of Productivity: De technologie wordt in hoge snelheid door veel organisaties geïmplementeerd.

Wat we aan deze cyclus zien, is dat er aan iedere succesvolle fase een teleurstellende fase voorafgaat. Wat betreft AI, is het rendement hiervan zeker het doorzetten waard. Volgens een studie van Accenture kunnen bedrijven die succesvol AI implementeren tot 30% meer winstgevendheid verwachten. Daarnaast is er een kans dat ze een extra bron van inkomsten genereren of vanwege de verbeterde klanttevredenheid en sterkere concurrentiepositie de winst kunnen verhogen. 

Wat is AI en wat is de toegevoegde waarde ervan voor organisaties?

AI, dat nog in de kinderschoenen staat, is een set van theoretische wetenschappen. Organisaties moeten inzien dat ze door middel van AI toe te passen, kosten kunnen besparen. Het draait dus om veel meer dan zomaar “innovatief zijn”. Maar wat is de sleutel tot de echte waarde van deze AI-experimenten en hoe kunnen organisaties succesvol opschalen? Het antwoord hierop omvat nieuwe organisatieraamwerken die we “AI Factories” noemen. 

Vandaag de dag, komen er steeds nieuwe algoritmes en “intelligente producten” op de markt. Europa’s eerste Cloud partners, Amazon (AWS), Microsoft (Azure), Google (GCP) en IBM bieden al verschillende tools aan die andere organisaties helpen om zelf “AI” te produceren. Denk bijvoorbeeld aan Google’s Anthos-Platform. Deze tools kunnen worden gezien als een DIY kit, waarbij organisaties toegang hebben tot bestaande infrastructuur (bijvoorbeeld Google’s TPU’s) dat specifiek ontwikkeld is voor machine learning behoeftes. Daarnaast zijn er verschillende open-source bibliotheken beschikbaar (scikit-learn, TensorFlow, Pytorch) en gepatenteerde API’s (beeld-, tekst- en spraakherkenning).

Data Science

Veel grote organisaties hebben al flinke investeringen gedaan in Data Science en dat is maar goed ook. In 2016 kondigde McKinsey aan dat we in 2021 in Amerika alleen al 250,000 Data Scientists nodig hebben. Nu, in 2020, hebben we ons gerealiseerd dat deze profielen, die sterk focussen op datamodellen, statistiek en algoritmes, op zichzelf niet genoeg zijn om een organisatie te transformeren met AI. De behoefte aan Data Engineers en Data Architecten is buiten beschouwing gelaten. Deze onmisbare rollen moeten nog sterker worden geïntegreerd in de AI team projecten. Een nieuwe organisatorische aanpak is in opkomst: AI Factory. Het gaat hierbij om het volgen van een aantal simpele maar essentiële principes die helpen op de weg naar succesvolle AI implementatie. 

De AI Factory begint met een gecentraliseerd bestuur

Het is een goed idee om de investeringen en de aansturing centraal te organiseren. Het centraal bestuur moet alleen een select aantal hoogwaardige projecten evalueren en de selectie van de use cases moet extreem streng zijn. Om zo efficiënt mogelijk met tijd om te gaan is het aan te raden om alleen de projecten uit te voeren die aan het 10X principe (de regel dat een project 10:1 ROI moet opleveren) voldoen. Het succes en impact van iedere use case moet meetbaar zijn tegen een simpele, vaste KPI en het continue overstijgen van deze KPI moet centraal staan binnen de betrokken teams. 

Feature teams zorgen voor toegewijde projectorganisatie

Onder andere Spotify is groot fan van het werken met feature teams op AI-projecten. Feature teams ontfermen zich namelijk over het voorspoedig verloop van een project. Een Business Manager heeft de leiding van het team waar normaliter een Product Owner, Data Scientists, Data Engineers en DevOps Experts onderdeel van uitmaken. Het DevOps/IT teamlid overziet en onderhoudt de AI ontwikkeling. Daarnaast is er een “platform team” dat zorgt voor de technologische samenhang van de werkzaamheden. Deze team set-up blijkt zeer goed op schaal te werken.

 De voordelen van feature teams
  • Feature teams zijn goed in het evalueren van de impact van beslissingen over design. Aan het einde van een sprint, heeft het hele feature team meegewerkt aan het product design en technologisch design dus de teamleden hebben uitstekende kennis van de verschillende onderdelen en het functioneren van het product. 
  • Feature teams verminderen de verspilling van kennis bij overdrachten. Als werk wordt overgedragen tussen individuen of teams, kan daar al gauw belangrijke kennis verloren gaan. Dit risico verminder je met een feature team.
  • In feature teams zijn de juiste mensen met elkaar in contact. Omdat in een feature team alle rollen zitten die nodig zijn om een feature van idee tot een uitvoering te brengen, staan de teamleden constant met elkaar in contact. 
  • Feature teams houden een strakke focus op de uitrol van features. Het is verleidelijk om terug te vallen op pre-Scrum gewoontes. Door de organisatie van teams met de focus op het leveren van nieuwe features in plaats van architecturale of technologische elementen, wordt het doel voor ogen gehouden. 
Een specifieke methode: Lean AI

Lean AI is een methode die de onzekerheid rondom efficiency en toepasbaarheid van AI-oplossingen vermindert. Modellen zijn nooit perfect en moeten getest worden in de realiteit. De Lean AI methode is een doorlopend proces van korte cyclussen bestaande uit: het formuleren van hypotheses, identificatie van noodzakelijke data, constructie en testen van een of meerdere modellen, uitrol in een testomgeving en het verzamelen van gebruikersfeedback. De cyclussen worden herhaald met meerdere testen en verbeteringen totdat de resultaten toereikend zijn om de productie te starten.

Infrastructuur

Met de uitrol moet al vanaf het begin van het project rekening worden gehouden om te voorkomen dat er in een nieuwe technische omgeving aangevangen moet worden. Ook de creatie van nieuwe data silos moet worden voorkomen door maximaal gebruik te maken van de bestaande data lakes en data wells. AI-ontwikkelingen moeten gebouwd worden in een servicegerichte architectuur. Containerisation and orchestration technologieën zoals Docker en Kubernetes maken het mogelijk om op een eenvoudige manier microservice ecosystemen te beheren. Dit faciliteert het gebruik van AI-modellen via API’s waardoor deze gebruikt kunnen worden door verschillende teams in de organisatie. 

Het voegt veel toe aan het succes van AI-projecten als de verschillende afdelingen binnen een organisatie gebruik maken van dezelfde technologieën. Bijvoorbeeld, een “Chatbot” op een commerciële website moet onderdeel zijn van eenzelfde sales journey in plaats van een apart acquisitie kanaal. 

De vijf stappen naar succes met AI

#1 Bepaal je doel

#2 Onderbouw je doel met data

#3 Betrek je in-house Subject Matter Experts (SME’s)

#4 Meet kwaliteit, niet kwantiteit

#5 Verbeter en implementeer snel!

Tot slot: een erg belangrijke ethische uitdaging

Regelgeving zal altijd achterlopen op technologie. Het is daarom belangrijk dat organisaties die met AI werken weten wat de ethische uitdagingen zijn van hun A-ontwikkelingen. De EU heeft 7 AI-richtlijnen opgesteld: menselijk toezicht, robuust en veilig, privacy en databeleid, transparantie, diversiteit en eerlijkheid, maatschappij en milieu centraal, verantwoordelijkheid.

Een groeiend aantal organisaties past deze principes toe in hun weg naar succes met AI. Carrefour heeft recentelijk hun Artificial Intelligence Laboratory partnership met Google aangekondigd en Walmart de launch van hun Cloud Factory met Microsoft in Austin. Er is weinig twijfel over het feit dat deze organisatiemethoden, met de focus op waarde en pragmatisme, vaker zullen worden toegepast in de nabije toekomst.

Meer weten over hoe je als bedrijf je eigen AI Factory kunt starten? Lees dan deze overzichtelijke whitepaper van Artefact eens door.

Over de auteur: Liza Merkourieva is werkzaam als Business Development & Marketing Consultant bij Artefact. In 2017 startte Liza in Londen als accountmanager voor retailers. Een jaar later keerde ze terug naar Nederland, waar ze nu de marketing voor Artefact verzorgt en marketingstrategieën voor potentiële klanten bedenkt.

Deel dit bericht

Plaats een reactie

Uw e-mailadres wordt niet op de site getoond