0 comments
Artificial Intelligence 
DevOps kan voorkomen dat AI-experimenten vlak voor de finish stranden
AI-technologie is zo nieuw en veelbelovend, dat we eigenlijk nog geen idee hebben wat we er allemaal nog mee gaan kunnen. Deze combinatie van eigenschappen maken AI even fascinerend als ingewikkeld om mee om te gaan.
Hoewel er steeds meer tijd en budget binnen bedrijven en instellingen wordt vrijgemaakt om de mogelijkheden van AI te onderzoeken, valt de daadwerkelijke toepassing in de praktijk nog vaak tegen. Na die experimenteerfase zou logischerwijs het moment moeten volgen waarop een nieuwe AI-tool ook echt door de business in gebruik wordt genomen; en precies daar stokt het nu nog vaak.
De redenen waarom AI-experimenten nog vaak in het zicht van de finish stranden, zijn niet nieuw – het zijn fenomenen waar IT al jaren mee te maken heeft. Gelukkig bestaat er ook al jaren een oplossing voor deze belemmeringen, namelijk DevOps-teams. Deze manier van werken zorgt er niet alleen voor dat een AI-team de juiste samenstelling heeft (een combinatie van developers en eindgebruikers); het zit hem ook in de mindsetdie hoort bij DevOps, waarin je steeds in kleine stapjes een beter resultaat probeert te realiseren.
DevOps heeft dus de potentie om de voornaamste valkuilen van AI-experimenten (en dan met name die doorvertaling naar de praktijk) te ondervangen. En dat zit hem in drie succesfactoren.
- Het gebruik van kwalitatieve data
Het succes van een AI-oplossing valt of staat bij de data die je tot je beschikking hebt, en de kwaliteit daarvan. Idealiter wil je als ontwikkelteam toegang hebben tot veel verschillende databronnen binnen de organisatie om mee te testen en ontwikkelen.
In de praktijk gaat het daar al gauw mis. De eigenaren van databases zitten vaak verspreid over de organisatie, waardoor er veel tijd en energie kan gaan zitten in het vergaren van data. Teams die zich bezighouden met AI-experimenten hebben daardoor al gauw de neiging om het maar te doen met de (beperkte) data die eenvoudig en snel beschikbaar zijn. En dan hebben we het niet eens gehad over het controleren van de datakwaliteit, waar je als team toch echt langs IT zult moeten – voilà, een extra drempel.
Een DevOps-team betrekt niet alleen ontwikkelaars en eindgebruikers, maar ook teamleden die verantwoordelijk zijn voor de datastrategie en -kwaliteit.
- Leren leven met een foutmarge
IT is per definitie nogal een exact vakgebied en daardoor hebben we er soms nogal moeite mee als uitkomsten niet 100 procent accuraat zijn, zoals Joop Snijder al eens aankaartte. Deze hang naar perfectie die de gemiddelde IT’er typeert, kan het in de praktijk brengen van een nieuwe AI-oplossing vertragen of zelfs voorkomen.
Een voorbeeld: wanneer een team een AI- chatbot gaat ontwikkelen die wordt ingezet om vragen van klanten af te handelen, wil het team doorgaans een oplossing die altijd met het juiste antwoord komt op vragen. Als de accuratesse vervolgens ‘slechts’ 80 procent blijkt te zijn, dan kan een conclusie zijn dat de tool niet goed werkt. Wat er dan eigenlijk wordt vergeten, is dat mensen ook niet feilloos zijn; een klantenservice-medewerker weet ook niet altijd direct het juiste antwoord op een vraag. In dit soort gevallen heb je al gauw een business case gemaakt als de accuratesse van een AI-chatbot kan worden verbeterd, bijvoorbeeld van 72 naar 80 procent. Dat er in 20 procent van de gevallen nog wel een medewerker van de klantenservice nodig is, dat hoeft dan niet zo’n probleem te zijn; als de investering zichzelf maar terugverdient in de verbetering die je hebt doorgevoerd.
Ook dit is een typisch voorbeeld van een DevOps-benadering; een incrementele verbetering of ‘minimal viable product’ heeft ook een waarde, zeker in de experimentfase. Leer leven met kleine stapjes; meerdere kleine stapjes leiden uiteindelijk ook naar een grote impact.
- De eindgebruiker betrekken
Maar misschien wel het voornaamste voordeel van werken in DevOps-teams is het betrekken van de eindgebruiker, waardoor je regelmatig features kunt testen en verbeteren voordat ze in productie gaan.
Als er één aanpak is die een brug kan slaan tussen het laboratorium van het AI-experiment en de uiteindelijke toepassing van een AI-tool in de praktijk, dan is het wel het betrekken van die eindgebruiker in een vroeg stadium. En dat zit hem niet alleen in het testen van features, maar ook in het uitleggen hoe een tool werkt. Om weer terug te komen op het vorige punt; als de uitkomsten van een AI-tool niet 100 procent accuraat zijn, dan is het belangrijk om de business mee te nemen in dat verhaal. Leg daarom uit hoe de AI-tool tot bepaalde antwoorden is gekomen.
Neem bijvoorbeeld een AI-oplossing die wordt gebruikt door een pensioenverzekeraar om in te kunnen schatten welke klanten waarschijnlijk het meeste gebaat zijn bij bepaalde verzekeringsproducten. Medewerkers in de business kunnen daar zelf een model op los laten en tot een zo goed mogelijke inschatting komen, maar dit is typisch een taak waar een AI-oplossing veel toegevoegde waarde kan bieden. Het kan echter wel zijn dat een AI-tool een hele andere analyse maakt dan de meeste mensen zouden doen. Het is dan erg belangrijk om inzichtelijk te maken bij de eindgebruiker hoe de analyse tot stand is gekomen en waarom bepaalde uitkomsten zijn gegenereerd.
De DevOps-methode helpt dus om een aantal belangrijke bruggen te slaan tussen het ontwikkelteam en de eindgebruikers. Dat zit hem in het betrekken van die eindgebruiker in een vroeg stadium, maar dat geldt ook voor datastrategen die ervoor kunnen zorgen dat het team de beschikking heeft over de juiste (en kwalitatieve) data, ook na de implementatie. Het accepteren van een bepaalde foutmarge en dus leren leven met kleine verbeterstapjes is de laatste les die AI-teams kunnen trekken uit de DevOps-aanpak.
Op die manier kun je er als team voor zorgen dat je AI-oplossing verder komt dan de experimenteerfase.