1. Bepaal de businesscase
De eerste vraag die ieder bedrijf zich moet stellen, wanneer men de kracht van artificial intelligence en machine learning wil toepassen is: welk probleem willen we oplossen? Willen we binnen bepaalde processen efficiënter werken en daarmee minder kosten of meer rendement maken? Willen we de klantervaring verbeteren door sneller te antwoorden op bepaalde vragen? Of willen we op basis van talloze variabelen voorspellen wat onze cashflow zal zijn over een bepaalde periode?
Het is daarbij van belang dat je in cross-functionele teams te werk gaat. De wereld van datascience en gerelateerde vakgebieden als machine learning en artificial intelligence bestaan veelal uit wiskundig specialisten. Binnen hun expertisegebied zijn ze ongelofelijk waardevol, maar ze missen vaak expertise over de uitdagingen van de marketeers, hr-professionals, finance-afdeling of de compliancemedewerkers. Door met elkaar in projectteams te zitten kom je tot een goede businesscase. Technologie is immers een middel, niet de oplossing.
Is eenmaal de businesscase bepaald, zorg dan dat je het proefproject afbakent en behapbaar maakt. Om machine learning te laten werken is veel data nodig en de juiste modellen en algoritmes. Je wilt voorkomen dat een team maanden afgezonderd ontwikkelt, zonder duidelijk zicht op resultaat. Spreek liever een kleinschalig doel af, wat moet bewijzen dat een investering op lange termijn daadwerkelijk waarde biedt voor het bedrijf.
2. Zorg voor support vanuit de bestuurskamer
Zonder steun vanuit de bestuurskamer of het senior management, is het lastig om omvangrijke AI-trajecten in gang te zetten. Het vraagt om tijd, middelen, kostbare medewerkers en/of het inhuren van derden. Zoek daarom tijdig naar innovatieminnende collega’s met invloed in de hogere bedrijfsregionen.
Een goede manier om steun uit de bestuurskamer te krijgen is om één of twee individuen enthousiast te krijgen door praktische usecases te delen die de mogelijkheden voor het bedrijf illustreren. Zorg dat de applicatie het resultaat visueel aantrekkelijk presenteert. Zien is geloven.
Hylke Visser, sales- & businessdirecteur van AI-specialist Dataiku, liet eerder in een artikel van MT-journalist Peter van Lonkhuyzen weten: ‘De traditionele business intelligence waarmee nu in veel organisaties wordt gewerkt, is als de achteruitkijkspiegel waarmee je ziet wat in het verleden is gebeurd. Wat je eigenlijk wilt, is door de voorruit kijken, om te zien wat er op je af komt, maar wat je nóg liever wilt is dat je om de hoek van straat kunt kijken, en weet wat er op je afkomt nog voordat je het kunt zien. Dat is de uitdaging van kunstmatige intelligentie.’
3. Zoek naar de data, niet naar de expert
Data zijn de brandstof die de motor van kunstmatige intelligentie doet lopen. Zonder een overvloed aan data zijn de meeste projecten helaas gedoemd te mislukken. Toch focussen veel bedrijven zich op het acquireren van talent – of laten zich door gebrek aan vakexperts tegenhouden om de mogelijkheden van machine learning en artificial intelligence in te zetten voor hun bedrijfsvoering. Techgiganten als Google, Amazon, Microsoft en Alibaba hebben echter een scala aan tools ontwikkeld waar ook technisch personeel zonder dubbele master computerwetenschappen mee overweg kunnen. Bedrijven komen tegenwoordig een heel eind zonder eigen algoritmes te hoeven ontwikkelen, maar zonder data ben je nergens.
Dit gegeven werd onlangs in een webinar onderschreven door Mark Bakker, Regional Lead voor de Benelux bij AI-platform H2O. Op de vraag hoe kleine bedrijven toch de kracht van AI kunnen benutten zei hij: ‘Een valkuil voor bedrijven is dat ze te veel laten afhangen van één datawetenschapper die zich richt op processen in plaats van de bedrijfsvoering. Laat hem of haar intensief samenwerken met iemand die verstand heeft van de business-kant. Samen kunnen ze met de juiste tools razendsnel resultaat boeken, zonder dat je direct in grote teams hoeft te investeren.’
4. Knoop systemen aan elkaar
Ben je eenmaal de testfase voorbij en wil je écht resultaat boeken door het hele bedrijf data-driven te maken en verschillende afdelingen te optimaliseren middels machine learning? Deins dan niet terug om een wirwar aan systemen aan elkaar te knopen. Journalist Peter van Lonkhuyzen schreef hier voor MT eerder over: ‘Amazon gebruikt minimaal 21 data-sciencesystemen, waaronder voor de voorspelling van verkoop, voorraadbeheer, winstoptimalisatie en supply-chainmanagement.’
‘De praktijk bij Amazon laat zien waarom de toepassing van AI bij de strategievorming zo veelomvattend is. De verschillende systemen zijn met elkaar verbonden, wat van Amazon “een geïntegreerde strategiemachine” maakt, zoals de Boston Consulting Group schreef. “De systemen zijn met elkaar en menselijke strategie-medewerkers verknoopt tot een samenhangende, goed geoliede machine.’’’
‘Als bijvoorbeeld het verkoopvoorspellingssysteem vaststelt dat de populariteit van een artikel toeneemt, wordt een serie gebeurtenissen in gang gebracht. De voorraadvoorspelling wordt bijgewerkt waarna het supply-chainsysteem de voorraden over de verschillende pakhuizen herverdeelt. Het aanbevelingssysteem wordt aangepast, het winstoptimalisatiesysteem herberekent mogelijk de prijs en het verkoopvoorspellingssysteem wordt bijgewerkt. Dat gebeurt allemaal onmiddellijk en zonder inbreng van menselijke Amazon-medewerkers. De laatsten beperken zich vooral tot het zo goed mogelijk in de gaten houden van de zelflerende systemen om eventuele afwijkingen van de beoogde doelstellingen te kunnen signaleren.’
5. Beheers de verwachting
Tot slot is het belangrijk om de verwachtingen van diverse collega’s goed te beheersen. Bij sommigen kan er een kortstondige euforie ontstaan, waarna blijkt dat kunstmatige intelligentie in de praktijk lang niet altijd zo ‘intelligent’ is. Anderen zullen sceptisch tegenover de mogelijkheden staan of zelfs angstig zijn dat het algoritme hun baan overbodig zal maken. Houd mensen altijd op de hoogte over wat je van plan bent, waarom je dat doet en wat ze kunnen verwachten. Een algoritme kan bijvoorbeeld veel rotklusjes wegnemen, wat mensen tijd en ruimte geeft voor meer creatieve of menselijke taken.
‘AI heeft soms een beetje een magisch imago’, zegt Reinier van Leuken, senior manager solution engineering AI bij Salesforce. ‘Er straalt een belofte van gouden bergen doorheen. Maar in de praktijk is toepassing van AI lang niet altijd eenvoudig.’ Een verstandige eerste stap is door vanuit de klant te redeneren, aldus Van Leuken. Op die manier kun je jezelf richting geven. Van Leuken: ‘Hoe kun je bijvoorbeeld zorgen dat de klant productiever wordt of dat de klantervaring wordt verbeterd? Als je van daaruit werkt kom je vaak tot quick wins die de eerste stappen kunnen zijn op de reis die de invoering van AI in je organisatie is.’
