Cognizant: Vijf belangrijke punten bij het implementeren van AI

Steeds meer bedrijven starten met het toepassen van artificial intelligence in hun bedrijfsprocessen. De verantwoordelijkheid om deze AI-oplossingen op een slimme en economisch gezonde manier toe te passen, is daar onlosmakelijk mee verbonden. Omdat elke nieuwe applicatie zijn eigen, unieke uitdagingen kent, wordt het steeds belangrijker om het AI-gebruik in het bedrijfsleven goed te monitoren.

David Ingham, Digital Partner Media & Entertainment bij Cognizant, schetst daarom vijf punten om rekening mee te houden bij het implementeren van AI.

1. Snel waarde creëren
Return on investment (ROI) is belangrijk, maar snelheid is cruciaal. Een veelgemaakte fout die organisaties maken bij het selecteren van het probleem dat AI moet oplossen, is het meest complexe probleem kiezen. Dat levert niet gegarandeerd het beste resultaat op. Er kan een veel eenvoudiger probleem zijn dat, met behulp van automatisering of beoordelingen door AI, sneller meer waarde kan genereren. Het terugverdienen van de kosten moet ook een rol spelen bij de besluitvorming. In geen geval mogen de kosten van de oplossing hoger zijn dan wat de voordelen opleveren. Daarom is een redelijk nauwkeurig inzicht in de verwachte ROI erg nuttig.

Om te helpen bij het selecteren van de juiste projecten,kunnen bedrijvenrekening houden met hogere kapitaalkosten in ROI-modellen.Dit legtde nadruk op projectendie eerder waarde opleveren. Ook weerspiegelt dit hetgrotererisico van AI-projecten ten opzichte vanandere technologische projecten. Met AI moeten organisaties zelf beslissen of bepaalde inzichten nuttig zijn. Daarom is het gebruikelijk dat sommige projecten worden geschrapt, ondanks een technisch 'geslaagde' pilot. Wanneer managers niets hebben aan de inzichten die ze ophalen, verliest het project bestaansrecht.

2. Betrek altijd de volledige organisatie
Hoewel dit voor de hand ligt, kunnen we dit niet genoeg herhalen: intern overleg tijdens de hele levenscyclus van een initiatief is essentieel. Gedurende het proces worden er immers verschillende concessies gedaan en beslissingen genomen. Het is daarom van cruciaal belang om te begrijpen wat het bedrijf wil bereiken, hoe belangrijk het oplossen van een probleem is en hoe snel de oplossing nodig is. Met volledig inzicht, is het mogelijk om de nodige investeringen veilig te stellen. Misschien dat budgetten zelfs verder worden verhoogd als blijkt dat de resultaten veelbelovend zijn.

Tegelijkertijd is verwachtingen beheren ook belangrijk. AI kan namelijk nooit 100 procent automatisering of 100 procent nauwkeurigheid garanderen. Daarom is het erg belangrijk om te begrijpen wat een aanvaardbare foutenmarge is voor de organisatie, en hoe deze van plan is om fouten of afwijkingen op te lossen. Het volledige inzicht maakt duidelijk waar, hoe en in welke mate AI het bedrijf verder kan helpen.

3. De juiste data op het juiste moment – klaar voor analyse
Alle mogelijke besparingen die een organisatie kan realiseren met AI, kunnen gemakkelijk verloren gaan door de kosten die worden gemaakt om data aan een AI-machine toe te voegen. Omdat het succes van AI zo sterk afhankelijk is van de beschikbare gegevens, moeten die gegevens zowel van de juiste kwaliteit als betrouwbaar zijn. De juiste data dient beschikbaar te zijn op het moment dat het nodig is. De data moet daarnaast zodanig worden voorbereid, gecategoriseerd en geclassificeerd dat het gemakkelijk te analyseren is. Veel digitale bedrijven worden overspoeld met een overvloed aan gegevens. Daarom zijn deze gegevens vaak ongeorganiseerd, niet-geclassificeerd, van slechte kwaliteit of verouderd.

Investeringen in moderne dataplatforms en -beheermogelijkheden zijn dus essentieel om succesvolle AI-initiatieven te stimuleren. Er is een bedrijfsstrategie voo rdata nodig waarin alle beschikbare data wordt gecombineerd en de juiste personen toegang hebben. Een specifieke klantreis op een consumentenplatform is bijvoorbeeld handig voor productmanagers om te begrijpen welke functies de voorkeur hebben, voor de klantenservice om te weten welke stappen de klant heeft gemaakt en voor marketing om gepersonaliseerde campagnes op te stellen.

4. Begin klein, maak fouten, wees flexibel
Volledig succes bij de eerste poging is niet noodzakelijk van toepassing op AI. Dat geldt vooral voor het maken van analyses en voorspellingen. Het bereiken van een acceptabel niveau van nauwkeurigheid kan een aantal pogingen en correcties kosten. Fouten moeten dus snel worden gemaakt om te leren wat te corrigeren. De inzet is vaak hoog, en zo ook het risico om te falen. Begin daarom met een kleiner probleem of een onderdeel van een groter probleem. Dit helpt om het risico van eventuele kosten van de fouten te verkleinen. Het is geen schande om een idee te laten gaan en de aanpak te herzien. In feite is die bereidheid om iets te heroverwegen essentieel.

Als er twijfel bestaat over de toegevoegde waarde van een oplossing, is ermee doorgaan – en daarmee tijd en geld verspillen – nooit de juiste weg. Het is dan verstandig om de koers te wijzigen, of in sommige gevallen het idee helemaal te laten gaan en een nieuwe benadering te kiezen. Zodra een kleiner probleem is opgelost en het bedrijf de waarde én ROI ervan ziet, kan de oplossing worden opgeschaald om een groter probleem aan te pakken.

5. Meet resultaten, geen output
IT- en AI-projecten zijn inherent verschillend van elkaar. IT-projecten starten vanaf dag één met een duidelijk idee en een vastgesteld doel voor de gewenste output. AI wordt daarentegen vooral gebruikt bij de zoektocht naar het onbekende. Het is daardoor onmogelijk om van tevoren precies te weten wat de output wordt. AI-projecten worden in de loop der tijd verder afgestemd, gecontroleerd en aangepast.

Succes met AI vereist mogelijk meer testpogingen dan oorspronkelijk gepland. Ook kan het zijn dat het niveau van nauwkeurigheid of automatisering niet is zoals aanvankelijk werd gedacht. Succes moet daarom worden beoordeeld aan de hand van de mate van impact die een AI-oplossing creëert en hoeveel waarde dat oplevert. Een mediaorganisatie heeft bijvoorbeeld acht maanden lang data van advertentie-impressies van 112 dramaseries onderzocht om drie soorten patronen te identificeren. Toen de advertentie-impressies van 55 comedyseries werden verkend, kwamen dezelfde drie soorten impressiepatronen aan het licht. Dat bewijst dat de segmentatiecriteria konden worden uitgebreid en algemeen toepasbaar waren in verschillende genres.