Drie redenen waarom de technische talentkloof niet de oorzaak is van falende AI-projecten

Klik voor meer informatie over auteur David Talby.

Een tekort aan technisch talent is lange tijd een uitdaging geweest om AI-projecten van de grond te krijgen. Hoewel uit onderzoek blijkt dat dit nog steeds het geval kan zijn, is het niet het einde, en zeker niet de enige reden waarom zoveel AI-initiatieven vanaf het begin gedoemd zijn.

Deloitte is recent Staat van AI in de onderneming Enquête vond het type talent waar de meeste vraag naar is: AI-ontwikkelaars en -ingenieurs, AI-onderzoekers en datawetenschappers – was redelijk consistent op alle niveaus van AI-vaardigheid. Bedrijfsleiders, domeinexperts en projectmanagers vielen echter lager op de lijst. Hoewel er geen twijfel over bestaat dat technisch talent waardevol en noodzakelijk is, zou het gebrek aan aandacht voor de laatste titels een groter deel van het gesprek moeten zijn.

Het is waarschijnlijk dat de technische vaardigheidskloof de komende jaren zal aanhouden, aangezien universitaire programma’s de real-world toepassingen van AI inhalen en organisaties interne training implementeren of kiezen voor volledig uitbesteden. Dat betekent niet dat bedrijven kunnen wachten tot deze problemen zichzelf hebben opgelost of tot de talentenpool groeit. Om te voorkomen dat u een van de 85 procent van AI-projecten die hun beoogde beloften niet nakomen, zijn er drie gebieden waarop organisaties zich kunnen concentreren om hun projecten een kans te geven.

1. Organisatorische buy-in: AI-gestuurd product, omzet en klantsucces

Begrip hoe AI zal werken binnen een professionele en productomgeving en hoe dit zich vertaalt naar een betere klantervaring en nieuwe omzetkansen is van cruciaal belang – en dat reikt veel verder dan het IT-team. In staat zijn om nauwkeurige AI-modellen te trainen en in te zetten, beantwoordt niet de vraag hoe u ze het meest effectief kunt gebruiken om uw klanten te helpen. Om dit te doen, moeten alle organisatiedisciplines – verkoop, marketing, product, ontwerp, juridisch, klantsucces – worden geïnformeerd over waarom dit nuttig is en hoe het hun functie zal beïnvloeden.

Als het goed is gedaan, stellen nieuwe mogelijkheden die door AI worden ontgrendeld productteams in staat om de gebruikerservaring volledig te heroverwegen. Het is het verschil tussen het toevoegen van Netflix- of Spotify-aanbevelingen als nevenfunctie versus het ontwerpen van de gebruikersinterface rond het ontdekken van inhoud. Meer ambitieus is dat het het verschil is tussen het toevoegen van een waarschuwing voor het verlaten van de rijstrook aan uw nieuwe auto of het bouwen van een zelfrijdende auto zonder pedalen of wielen. Cross-functionele samenwerking en buy-in voor AI-projecten is een essentieel onderdeel van het succes en de schaalvergroting en zou vanaf het begin een prioriteit moeten zijn.

2. Realistische verwachtingen: het laboratorium versus de echte wereld

We bevinden ons op een opwindend moment voor de ontwikkeling van AI en het is gemakkelijk om verstrikt te raken in de mentaliteit van “nieuw glanzend object”. Hoewel gretigheid om nieuwe AI-gebaseerde efficiëntieverbeteringen te implementeren een goede zaak is, is het een goede zaak om in te springen voordat verwachtingen worden gewekt. Een echt voorbeeld van de uitdagingen waarmee organisaties worden geconfronteerd bij het implementeren en opschalen van AI-projecten komt uit een recent Google Research paper over een nieuw deep learning-model dat wordt gebruikt om diabetische retinopathie te detecteren aan de hand van beelden van de ogen van patiënten. Diabetische retinopathie veroorzaakt, indien onbehandeld, blindheid, maar als het vroeg wordt ontdekt, kan het vaak worden voorkomen. Als reactie hierop hebben wetenschappers een diepgaand leermodel getraind om vroege stadia van het ziektesymptoom te identificeren en zo de detectie en preventie te versnellen.

Google had toegang tot geavanceerde machines voor modeltraining en gegevens uit omgevingen die de juiste testprotocollen volgden. Dus hoewel de technologie zelf net zo nauwkeurig was, zo niet meer dan menselijke specialisten, deed dit er niet toe bij toepassing in klinieken op het platteland van Thailand. Daar waren de kwaliteit van de machines, de verlichting in de kamers in de kliniek en de bereidheid van patiënten om deel te nemen om tal van redenen heel anders dan de omstandigheden waarin het model was getraind. Het ontbreken van een geschikte infrastructuur en het begrijpen van praktische beperkingen is een goed voorbeeld van de onenigheid tussen succes in Data Science en zakelijk succes.

3. De juiste basis: instrumenten en processen om veilig te werken

Succesvolle AI-producten en -diensten vereisen toegepaste vaardigheden in drie lagen. Ten eerste moeten datawetenschappers beschikbaar zijn, productief worden ingezet en beschikken over domeinexpertise en toegang tot relevante data. Hoewel AI-technologie steeds beter wordt begrepen, van vooringenomenheidspreventie, uitlegbaarheid, conceptafwijking en soortgelijke problemen, worstelen veel teams nog steeds met deze eerste laag technische problemen. Ten tweede moeten organisaties leren hoe ze AI-modellen in productie kunnen implementeren en gebruiken. Hiervoor moeten DevOps, SecOps en nieuw opkomende “AI Ops” -tools en -processen worden ingevoerd, zodat modellen in de loop van de tijd nauwkeurig blijven werken in de productie. Ten derde moeten productmanagers en bedrijfsleiders vanaf het begin worden betrokken om nieuwe technische mogelijkheden opnieuw te ontwerpen en hoe deze zullen worden toegepast om klanten en eindgebruikers succesvol te maken.

Er is de afgelopen vijf jaar een enorme vooruitgang geboekt op het gebied van educatie en tooling, maar het is nog pril om AI-modellen in productie te nemen. Helaas lopen ontwerp en productbeheer ver achter en worden ze een van de meest voorkomende belemmeringen voor AI-succes. Daarom is het misschien tijd voor de respondenten van de eerder genoemde Deloitte-enquête om algemeen zakelijk succes en organisatorische buy-in te gaan inzetten voordat ze het technische toptalent vinden om voorop te lopen. Het tegengif hiervoor is investeren in praktijkgerichte opleidingen en trainingen, en gelukkig worden deze, van klassikaal tot technische opleidingen, steeds breder beschikbaar.

Hoewel het een relatief nieuwe technologie is, heeft AI de kracht om de manier waarop we werken en leven ten goede te veranderen. Dat gezegd hebbende, zoals bij elke technologie, hangt het succes van AI af van een goede training, opleiding, buy-in en goed begrepen verwachtingen en zakelijke waarde. Het op elkaar afstemmen van al deze factoren kost tijd, dus wees geduldig en zorg ervoor dat u een strategie heeft om ervoor te zorgen dat uw AI-inspanningen resultaten opleveren.