Integratie en Productisering van AI

Veel organisaties hebben met succes bruikbare AI-modellen geproduceerd via ad-hocanalyses, met name in data-analysedepartementen die besluitvorming ondersteunen. Een belangrijke uitdaging is om modellen die via ad-hocanalyses zijn geproduceerd, beschikbaar te stellen voor gebruik door de bredere organisatie. Bedrijven die een hele organisatie in staat stellen AI te benutten, zullen daardoor een aanzienlijk voordeel behalen.

Dit artikel verkent hoe AI binnen een organisatie kan worden geïntegreerd door middel van productisering.

Een Geschikt AI-model Identificeren voor Productiegebruik

Een model voor kunstmatige intelligentie of machine learning dat geschikt is voor productiegebruik is elk model dat waardevolle inzichten oplevert of een praktisch resultaat geeft. Stel dat dergelijke modellen voortdurend handmatig door datawetenschappers moeten worden uitgevoerd. In dat geval is de kans groot dat het proces niet is geproduceerd voor productie en slechts toegankelijk is voor een paar technische medewerkers.

Een model wordt in productie genomen wanneer het dagelijks wordt gebruikt in business as usual (BAU)-processen. Vanaf dat moment geldt dat als het ad-hoc wordt uitgevoerd, het niet toegankelijk is voor de bredere organisatie.

AI integreren in Business as Usual (BAU) Processen

Een al lang bestaand probleem met kunstmatige intelligentie en machine learning, en zelfs oudere op statistiek gebaseerde modellen, is dat weinig mensen binnen een organisatie er toegang toe hebben. Hiervoor zijn meerdere redenen, hoewel de meest voorkomende de technische barrière is die moet worden overschreden om dergelijke modellen te gebruiken, en de benodigde computerconfiguratie om dergelijke modellen uit te voeren.

Met de komst van de webbrowser en de voortdurende functionaliteit die in de browser is ingebouwd, is het mogelijk om dergelijke mogelijkheden te bieden aan gebruikers die het model mogelijk moeten gebruiken, simpelweg door toegang te hebben tot een webbrowser. De reden hiervoor is dat de vereiste computeropstelling kan worden geabstraheerd binnen een externe server, terwijl een gebruikersinterface kan worden weergegeven voor het uitvoeren van en interactie met het model. Zo zal dit in de toekomst mogelijk maken dat niet alleen artificial intelligence, maar nog veel meer computerfuncties beschikbaar worden gesteld aan meer individuen, ongeacht hun technische vaardigheden.

Productisering van AI-modellen tot AI-systemen

Een systeem voor kunstmatige intelligentie is een systeem dat gebruik maakt van een AI-model of meerdere AI-modellen om het gewenste resultaat te bereiken. Voor veel organisaties is het verschil tussen de twee niet duidelijk, omdat het management de mogelijkheid om AI uit te voeren vaak gelijkstelt aan het hebben van AI-mogelijkheden. Een goed ontworpen en technisch onderbouwd systeem is vereist om ervoor te zorgen dat AI onder goed bestuur handelt.

Een eenvoudige manier om het onderscheid tussen de twee te beschrijven, is door de taakfuncties achter elke procesfase te onderzoeken. Computerwetenschappers ontwikkelen AI-technieken. Datawetenschappers gebruiken AI-technieken en passen deze toe op problemen binnen de organisatie, en gegeven een goed model, bouwen Software Engineers vervolgens robuuste systemen die zowel de AI-technieken als de manier waarop ze worden toegepast gebruiken.

In het moderne tijdperk zou software-engineering doorgaans websoftware bouwen die dergelijke AI gebruikt via backend-processen, terwijl een gebruiksvriendelijke frontend met een rijke gebruikersinterface wordt gepresenteerd. Hierdoor kunnen gebruikers kunstmatige intelligentie gebruiken als een datawetenschapper zonder technische expertise te vereisen. Vooruitkijkend naar de toekomst is dit belangrijk aangezien AI gedemocratiseerd moet worden gezien het grote voordeel dat het biedt aan degenen die er toegang toe hebben.

AI en de Cloud benutten

Kunstmatige Intelligentie-modellen hebben de neiging om op supercomputers te draaien, wat heel gebruikelijk is binnen de onderzoekswereld. Supercomputers zijn kostbaar en moeilijk toegankelijk, aangezien veel verschillende projecten concurreren voor rekentijd. Een alternatief is om de kracht van gedistribueerde cloudcomputing als alternatief te benutten.

Cloudcomputing levert rekenkracht en opslag op aanvraag en kan ook dynamisch worden geschaald. Het voordeel is dat organisaties niet zwaar hoeven te investeren in het bouwen en onderhouden van genoemde infrastructuur. Een belemmering voor organisaties om in het verleden toegang te krijgen tot kunstmatige intelligentie was de toegang tot enorme rekenkracht en opslag. Met meer toegankelijke toegang tot deze bronnen is het nu praktisch voor organisaties om kunstmatige intelligentie te benutten.

Naarmate organisaties bestaande verouderde infrastructuur en systemen naar de cloud migreren en een cloud-first strategie aannemen, is het logisch dat strategische besluitvormers zullen verkennen waar cloudinfrastructuur nog meer kan helpen. Kunstmatige intelligentie zal tot de discussiepunten behoren bij het verkennen van toekomstige mogelijkheden.

AI-resultaten presenteren en weergeven aan de bredere organisatie

Kunstmatige intelligentiemodellen en -systemen produceren resultaten die een individu moet interpreteren en waarop actie moet worden ondernomen. In de toekomst kunnen kunstmatige intelligentiesystemen ook maatregelen voorstellen om te nemen. Het is echter in de huidige staat nog steeds volledig aan de besluitvormers om te beslissen hoe te handelen.

Bestaande technieken voor gegevenspresentatie en visualisatie, zoals het gebruik van business intelligence rapportagesuites en data-analysedashboards, waaronder Tableau en Power BI, zullen blijven worden gebruikt en uitgebreid. Er zullen ook aangepaste visualisaties blijven worden ontwikkeld, zoals te zien is in self-organizing maps (SOM), om mensen in staat te stellen AI-resultaten te begrijpen.

Aangezien kunstmatige intelligentiesystemen veel meer variabelen kunnen verwerken dan wat voor een individu begrijpelijk is, is het essentieel dat dergelijke outputs voor een persoon begrijpelijk zijn en dat dergelijke resultaten en de bijbehorende implicaties worden begrepen.

AI interpreteren en gebruikmaken van AI-resultaten

Kunstmatige intelligentiesystemen, of welk systeem dan ook, produceren doorgaans outputs. Gezien de complexiteit van de resultaten mogen deze niet verkeerd worden geïnterpreteerd of onderhevig zijn aan vooringenomenheid binnen de gegevens. Er zijn veel gevallen geweest van AI-rapportage met onterechte vooringenomenheid, simpelweg omdat de gegevens waarvan het leerde bevooroordeelde of beperkte functiesets bevatten.

Organisaties die AI-resultaten gebruiken, moeten de interpretatie beperken tot het domein van vakexperts die binnen een bepaald veld werken om een gebalanceerd perspectief te waarborgen. Een dergelijke benadering zal ook helpen ervoor te zorgen dat de AI-resultaten deugdelijk en volledig zijn. We vinden het ook essentieel om rekening te houden met de reikwijdte van acties die worden ondernomen op basis van AI-resultaten, en dit moet binnen een beperkt en nauw veld vallen om ervoor te zorgen dat de AI-acties veilig zijn.

Neem vandaag nog contact met ons op voor een gratis adviesgesprek over hoe de Telemus AI™ in uw organisatie kan worden geïntegreerd.