Succes met AI: Succes begint met weten wat je hebt en wat je wenst

We weten intussen wel wat AI wel en niet kan

Toen een paar jaar geleden Artificial Intelligence ineens hot was, wilde iedereen wel eens ervaren wat deze magie nu voor hen kon betekenen.
De snelste manier was ervaring opdoen, dus haal je datascientisten binnen en laat je die ontdekken wat er mogelijk is met jouw data.
Leuk en leerzaam, maar echt rendabel is dit niet.

Dit is vergelijkbaar met een architect een opdracht geven om een perfect kantoor of huis te bouwen, zonder een context of richting mee te geven.
Een goede architect zal niet aan de slag gaan, voordat deze heeft onderzocht wat het doel is van het kantoor, wat jouw smaak is en wat de eisen en wensen zijn vanuit regelgeving etc.

En toch staan we dan vaker wel dan niet vreemd te kijken dat als de datascientisten die toch de opdracht accepteren met een resultaat naar buiten komen waar je niets aan hebt. Leuk, leerzaam, vinkjes gezet achter innovatie en ‘we hebben geleerd’.

Onderscheid tussen dromen en realiteit

We zijn intussen op een punt aangekomen waar we redelijk het onderscheid kunnen maken tussen technologie die werkt, en technologie die nog ontwikkeld moet worden maar in potentie heel veel kan.
Dat is fijn, want daarmee zijn we dus ook in staat om betere keuzes te maken. Soms is zekerheid goed, en soms wil je iets gaan ontwikkelen wat nog niet bestaat. 

Werkende Artificial Intelligence is nog geen oplossing

Als je al een keuze hebt gemaakt die waarschijnlijk bestaat uit een mix van technologieën die we voor het gemak allemaal AI noemen ben je er helaas nog niet.
Zie dit maar als een keuze om elektrisch te gaan rijden. De technologie is intussen volwassen genoeg en er is ook voldoende aanbod. Maar dan komt de volgende stap, welke auto ga je kiezen?
Ga je puur rekenkundig te werk en maakt design, merk en andere emotie helemaal niets uit?
Of wil je ook een statement maken?

Misschien kom je na het maken van een business case erachter dat die elektrische auto best leuk is, goed is voor het milieu en je ook kan roepen dat je meedoet met de nieuwste trend, maar dat blijkt dat die auto helemaal niet zo handig en goedkoop is.
Stel dat je erachter komt dat er wel laadpalen in je buurt zijn, maar dat die helemaal niet beschikbaar zijn omdat andere rijders dat permanent parkeren. Of dat de termijn waarop je business case gaat renderen zolang is dat er grote onzekerheid is of dit wel een goed plan is.

Artificial Intelligence in praktijk brengen is keuzes maken buiten de technologie

Die technologie is wel werkend te krijgen, dat is een kwestie van de juiste keuzes maken.
Maar die werkende technologie inzetten in de praktijk, dat kan wel eens een heel ander verhaal worden. 

Denk aan data die helemaal niet zo perfect is als je zou verwachten, denk aan acceptatie door gebruikers, die achteraf blijken allerlei extra handelingen doen waar AI niet mee overweg kan, denk aan privacywetgeving die keihard ingrijpt en niet toestaat verbanden te leggen die zo interessant zijn.

De grootste uitdaging voor alle innovatie is te begrijpen hoe processen te verbeteren en welke behoefte de business heeft. Onder de business schaar ik niet alleen de operatie, maar ook het management dat de lijnen uitzet voor morgen, en het rendement bewaakt.

En dat is best lastig, je moet namelijk drie dingen samenbrengen:

  • De business begrijpen 
  • Weten wat technologisch mogelijk is
  • Weten wat haalbaar is binnen jouw organisatie

De business begrijpen

Helaas is de operatie maar zelden perfect. Dit kan ook niet omdat er steeds nieuwe richtingen worden gevraagd vanuit management en wetgeving, dus aanpassen aan omstandigheden is iets waar de operatie dagelijks mee bezig is.

Dat maakt dat de operatie systemen soms anders inzet dan bedoeld, dat systemen anders zijn gevuld dan bedoelt, dat oude systemen nu eenmaal data anders opsloegen dan nu gebeurt.

Het aanpassingsvermogen van de mens is bij veel organisaties heel prettig. In plaats van bij iedere wijziging hele systemen aanpassen, vangen mensen dit vaak heel praktisch op. 
Dit is heel prettig, want de operatie draait hierdoor soepel, anderzijds is dit heel vervelend als je nieuwe systemen wil ontwikkelen, want dan kan nogal eens blijken dat de theorie ver staat van de werkelijkheid, en er zoveel variabelen ontstaan waardoor menig project als mislukt is.

Daarom is het noodzakelijk die operatie heel goed te begrijpen.

Om de operatie goed te begrijpen hoef je overigens helemaal geen expert te zijn op het vakgebied. Waarschijnlijk is een neutrale onderzoeker veel effectiever in de juiste vragen stellen dan iemand die al 10 jaar ‘in het vak zit’. 

“Als buitenstaander mag je doorvragen stellen zoals ‘Waarom doe je dit?’ ”

Ik voer zelf dagelijks onderzoeken uit en ik mag omdat ik een buitenstaander ben steeds maar de domme vragen stellen zoals ‘waarom doe je dit?’. Je zal er versteld van staan hoeveel handelingen gedaan worden omdat die ooit noodzakelijk waren, maar nu overbodig zijn of met hele simpele ingrepen te automatiseren zijn. Je hoeft niet alles op te lossen met Artificial Intelligence, maar op veel vlakken kan het exact de katalysator zijn om grote stappen te maken.

Weten wat technologisch mogelijk is

Op mijn eerste werkdag bij IBM kreeg ik een opmerking die me altijd is bijgebleven.“Alles wat jij bedenkt is al uitgevonden, het is alleen de kunst het te vinden”.

Ik kom regelmatig Proof Of Concepts tegen waar men iets aan het uitproberen is wat allang bestaat. Natuurlijk is het heel vervelend te ontdekken dat jouw unieke idee allang bestaat, maar jezelf voor de gek houden en niet onderzoeken wat er mogelijk is, en daarmee dit pijnlijke moment verder uitstellen en groter maken is nog veel vervelender.

Als je weet wat er technologisch mogelijk is, kun je realistische verwachtingen schetsen. Zo kun je ook veel beter inschatten of het idee dat je hebt haalbaar is en of er voldoende resources in de markt zijn. Voordat je gaat investeren wil hopelijk weten of jouw idee straks ook te realiseren is en je op de goede weg zit.

Weten wat haalbaar is binnen jouw organisatie

Het gras van de buurman is altijd groener. Waarschijnlijk lees je in de media, of vertellen je leveranciers prachtige succesverhalen over hoe eenvoudig het is om Artificial Intelligence in te zetten. 
Er zijn maar weinig organisaties die te koop lopen met hun compleet mislukte projecten die niet alleen bakken met geld hebben gekost, maar ook tot gezichtsverlies lijden. 

Die successen zijn het natuurlijk waard om te onderzoeken.

In theorie is jouw organisatie niet anders dan iedere andere. Iedereen heeft uitvoeringprocessen, een administratie, HR, een klantenservice etc.

Maar als je echt goed kijkt blijkt iedereen andere systemen te hebben, andere manieren van werken, andere ethiek, een ander formaat van data, maar ook ander beleid ten aanzien van investeringen en optimalisatie. De een wil koste wat het kost groeien, de ander is heel sociaal en wil onder geen voorwaarde meer werk doen met minder mensen, ten koste van deze mensen.

Dat maakt dat je écht goed moet onderzoeken wat op al deze vlakken haalbaar is. Sla je dit huiswerk over dan ga je daar later last van krijgen, tenzij je van verrassingen houdt natuurlijk.
Ik zie deze stap als een noodzakelijke risicobeheersing én het scheppen van heldere verwachtingen. 
Je kan nog zoveel willen, maar als bijvoorbeeld de inhoudelijke kwaliteit van informatie niet goed is, dan zullen de resultaten ook nooit goed en betrouwbaar zijn. 

Het grootste risico dat je loopt is dat je de aanname doet dat informatie er wel is, en bruikbaar is.
Ik kan je uit ervaring vertellen dat aannames het succes van je idee zwaar tegen kunnen laten vallen.

Kwaliteit zit in de voorbereiding en het lef om kritisch te kijken.

Conclusie

Ga zeker ontdekken hoe Artificial Intelligence jou kan helpen in optimaliseren, kosten besparen en nieuwe businessmodellen te ontwikkelen.

Ja zal zien dat deze nieuwe manier van met data omgaan onze processen en menselijk denken heel erg goed kan ondersteunen, want wij mensen kunnen nu eenmaal niet meer alle informatie verwerken die we wel zouden moeten verwerken. Dit is gewoon een kwestie van maximum bereikt en dus heb je hulp nodig.

Als je het idee hebt dat Artificial Intelligence waarde toevoegt, begin dan eens niet bij de technologie maar ga onderzoeken wat je probleem is, en ga ontdekken wat een mogelijke realistische oplossing kan zijn.

Tip: Probeer de oplossing zo simpel mogelijk te houden, en laat je niet verleiden door ontwikkelaars en datascientisten om allerlei fancy opties toe te gaan passen. Deze werken vertragend en verwarrend, creëer gewoon een mooie backlog met goede ideeën en ga later kijken of en hoe deze toepasbaar zijn.

Over auteur Ton Abelen:
Ik zie in de praktijk dagelijks zaken die veel beter en efficiënter zouden kunnen verlopen. Maar ik zie ook de onmacht om deze uitdagingen op een nieuwe manier te omarmen en nieuwe technologie in te zetten. Het stoort mij dat de potentie van nieuwe ontwikkelingen zoals Artificial Intelligence niet omgezet worden in rendement, doordat testen vaak beginnen bij technologie en data.

Ik ben ervan overtuigd, en heb ook in de praktijk bewezen dat een aanpak vanuit de operatie of business vele malen efficiënter is, maar ook dat je daarvoor het lef moet hebben de keuze te maken om helemaal niet te beginnen met techniek.

Ik ben altijd bereid om mensen of organisaties te ondersteunen om vanuit een juist perspectief rendement te behalen met Artificial Intelligence en ben te boeken als spreker over Succes met Artificial Intelligence.

Deze blog is uit de serie: Succes met Artificial Intelligence.
Wil je op als eerste op de hoogte gehouden worden van nieuwe afleveringen, schrijf je dan hier en ontvang de blog in je mailbox

Plaats een reactie