AI voor bedrijven: waarom perfect de vijand van het goede is

Klik voor meer informatie over auteur Jon Reilly.

Als mede-oprichter van een AI-startup besteed ik veel tijd aan het praten met bedrijven die AI in hun organisaties willen implementeren. Vaker wel dan niet, beginnen ze met een visie, opwinding en momentum, maar ze vinden het moeilijk om uit hun eigen weg te gaan.

De problemen worden duidelijk gemaakt in de New Vantage Partners AI-onderzoek 2021 – terwijl 99 procent van de bedrijven in AI investeert, meldt slechts ongeveer een derde van hen transformationele bedrijfsresultaten te zien. Wat nog interessanter is, is dat 92 procent de “belangrijkste uitdaging om datagedreven te worden” toeschrijft aan mensen, bedrijfsprocessen en cultuur. Slechts 12 procent van de ondervraagde bedrijven meldde een wijdverbreide acceptatie van AI in de productie.

Dus wat veroorzaakt de grote kloof tussen de wil om aan te nemen kunstmatige intelligentie technologie en de succesvolle implementatie ervan in een bedrijf? Perfectie najagen en meer afbijten dan je kunt kauwen.

Op zoek naar prestatieperfectie: een recept voor mislukking

Laten we beginnen met het nastreven van perfectie – een natuurlijk gevolg van menselijk gedrag. Als u een voorspellend model bouwt om cruciale zakelijke beslissingen te begeleiden, wilt u dat dit zo nauwkeurig mogelijk is. Dat instinct voor de beste prestaties wordt verergerd met de staat van de academische wereld Data Science. Een goed voorbeeld daarvan is de Kaggle-competitie – waar de beste datawetenschappers en machine learning-ingenieurs modellen bouwen die minuscule prestatie-overwinningen opleveren, en in ruil daarvoor voetbalachtige salarissen bij Facebook en Google binnenhalen.

Het probleem met het najagen van modelperfectie is dat het veel organisatie- en infrastructuurwerk vereist om de laatste mijl te halen. U hebt superschone gegevens nodig – en in de echte wereld zijn bijna geen gegevens schoon. Elke datahygiënetaak die u toepast op uw trainingsset, vereist een reflecterende systeemtaak om de gegevens die u tegen het model uitvoert schoon te maken. U krijgt uiteindelijk twee scenario’s: het best presterende model dat niet werkt in de productie omdat de informatie die u eraan geeft niet zo schoon is als de trainingsset of een aanzienlijke infrastructuurbelemmering voor adoptie. Elk van deze scenario’s stopt de voortgang.

Meer afbijten dan je kunt kauwen

Het andere probleem dat AI-initiatieven in bedrijven ontspoort, is wanneer ze proberen modellen rond grote en complexe processen te wikkelen. Het typische denkproces hier is: “Laten we AI-modellen bouwen op al onze bedrijfsgegevens om onze belangrijkste prestatie-indicatoren te voorspellen.” Over-scoping komt het vaakst voor wanneer leiderschap adoptie van boven naar beneden stimuleert. Het probleem is dat KPI’s meestal de roll-up zijn van honderden of duizenden subbedrijfsprocessen.

Neem bijvoorbeeld de sales- en marketingtrechter. Uw eerste instantie is wellicht het voorspellen van de inkomsten voor volgend jaar. Dus je traint een model op basis van de omzet van vorig jaar en gebruikt het om de resultaten van volgend jaar te voorspellen. De resultaten gaan over wat je zou verwachten bij het voorspellen van het weer – je doet het goed op zeer korte termijn, maar hoe langer je voorspelt, hoe groter de kans dat je het bij het verkeerde eind hebt.

Waarom? Omdat de onderliggende patronen in uw bedrijf die een grootbeeldmodel volgt, voortdurend veranderen. U lanceert nieuwe producten, verandert uw marketingcampagnes en optimaliseert uw verkooptrechter. Elke wijziging die u aanbrengt, heeft invloed op de omzet verderop in de productielijn, maar kan pas in het model worden vastgelegd als het tijd heeft gehad om door het systeem te werken. Tegen die tijd heeft u veel meer wijzigingen in uw bedrijf aangebracht. Het is een harde loopband die ervoor zorgt dat u zonder vooruitgang blijft rennen.

Hier is hoe u naar productie gaat

Het eerste dat belangrijk is om te beseffen, is dat dit een perfect voorbeeld is van de 80/20 regel. Met 20 procent van de inzet voor machine learning, kunt u 80 procent van de waardecreatie behalen. Hoe pas je die regel praktisch toe? De eerste stap is om te stoppen met het zoeken naar het perfecte model. Het is prima om te trainen met de rommelige gegevens die je hebt, ervan uitgaande dat je toekomstige gegevens net zo slecht zullen zijn. De beste AutoML-engines zijn gebouwd om bestand te zijn tegen rommelige of ontbrekende gegevens, dus hun modellen werken ook echt in de echte wereld.

Uw minder dan perfecte model zal vrijwel zeker efficiënter zijn dan het niet gebruiken van AI. Beter nog, u kunt meteen profiteren van AI. U hoeft niet te wachten op grootschalige revisies van legacysystemen en uitgebreide gegevenshygiëne. U kunt meteen 80 procent van de transformationele bedrijfsresultaten vastleggen, met 20 procent van de inspanning. Zodra u de waarde ziet, is het gemakkelijk om een ​​ROI-analyse uit te voeren op toekomstig gegevenswerk en te beslissen of het de moeite waard is om incrementele verbeteringen aan uw modellen aan te brengen.

De tweede belangrijke benadering om AI binnen uw organisatie toe te passen, is door klein te beginnen. Ik noem het hapklare AI (of dagelijkse AI). Kies een subproces van uw grotere groeimotor en maak dat eerst efficiënter. Nog een voordeel om te beginnen met een hapklare applicatie? De complexiteit voor het leren van het model is lager. U krijgt nauwkeurigere modellen met betere prestaties als u ze concentreert op individuele processtromen. Scoor uw leads terwijl u ze doorgeeft aan het verkoopteam, zodat zij kunnen bepalen wie ze het eerst moeten bellen. Routeer open tekstvragen automatisch naar de juiste plek. Hoe specifieker het probleem, hoe gemakkelijker het is om de prestaties te verbeteren met machine learning.

Omdat kleine subprocessen in de loop van de tijd worden bijgewerkt, is het even gemakkelijk om nieuwe modellen aan te passen, opnieuw te trainen en opnieuw te implementeren. De som van de efficiëntiewinsten wordt doorgerekend naar uw KPI’s en de resultaten zullen merkbaar zijn. En door klein te beginnen en in de loop van de tijd te groeien, krijgt u ook vertrouwen en leert u hoe u uw bedrijfsresultaten efficiënt kunt stimuleren met AI. Betere prestaties en eenvoudigere acceptatie – ik noem dat een win-win.