Channels

De laatste jaren wordt er binnen organisaties steeds meer geëxperimenteerd met data-oplossingen en artificial intelligence (AI)*, echter relatief weinig oplossingen hebben reeds de productiestatus bereikt. We willen dus slimme machines inzetten om menselijk werk te vergemakkelijken of soms zelf over te nemen, maar op de één of andere manier zijn we daar als mensen maar mondjesmaat toe in staat. Zijn wij dan soms niet intelligent genoeg?!

Op basis van mijn ervaringen, ben ik erachter gekomen dat er zes succesfactoren zijn om tot echte waarde creatie te komen met slimme technologieën, naast uiteraard de beschikbaarheid van kwalitatief goede data.

  1. Wees kritisch of AI wel de beste oplossing is en toegevoegde waarde biedt
  2. Begin klein en deel je succes
  3. Leider met kennis, een vooruitstrevende visie en lef
  4. Uitvoerend team met kennis en vaardigheden die aansluiten bij de AI-projecten
  5. Samenwerking tussen organisatieonderdelen
  6. Medewerkers wier werk door AI verandert erbij betrekken

Ik bespreek deze zes factoren en geef bij elke factor voorbeelden vanuit de praktijk.En wat blijkt, alle succesfactoren hebben te maken met ons menselijke gedrag en de samenwerking met elkaar. Blijkbaar is slimme technologie toch nog niet zo slim en blijken ook AI implementaties gewoon verandertrajecten te zijn.

  1. Wees kritisch of AI wel de beste oplossing is en toegevoegde waarde biedt

    Bij elk project waar ik bij betrokken ben geweest voelt iedereen zich in het team bijna uitverkoren om met zoiets spannends als artificial intelligence bezig te zijn. Want hoe cool is het niet om op een feestje te vertellen dat jij met dit soort technologie werkt. In combinatie met weinig echt verstand van zaken, leidt dit al snel tot een soort van ‘’roze bril’’, waardoor het project en de verwachtte uitkomsten er toch een stuk zonniger uitzien dan je realistisch zou mogen verwachten.

    Toen we alle budgetten hadden geregeld voor een project om de bewaartermijnen van bestanden automatisch te classificeren, het management volledig was geënthousiasmeerd, was het toch wel een flinke domper toen de data expert zei ‘’maar dit probleem kan je toch ook op een veel simpelere manier oplossen, daar heb je echt geen artificial intelligence voor nodig’’. Op de een of andere manier waren we verblind geraakt door die Ferrari, terwijl een Opel al meer dan goed genoeg was geweest.

    Daarnaast moet je alleen een project starten als je zeker weet dat iemand behoefte heeft aan de uitkomsten, oftewel dat het toegevoegde waarde heeft. Stel je dit niet als voorwaarde, dan loop je het risico om veel mooie projecten en onderzoeken uit te voeren, die echter nooit in productie komen.

  2. Begin klein en deel je succes

    Bescheidenheid siert de mens, maar in de praktijk blazen we toch vaak liever hoog van de toren.

    Het had dan ook weinig gescheeld of we hadden ons laten verleiden tot een groot onderzoekstraject met één van de grote IT spelers. Wij voelden ons bijna vereerd dat zij met ons wilden samenwerken en dat wij konden meebouwen aan een echte innovatie op ai gebied. Gelukkig kwamen we op tijd bij zinnen en realiseerden we ons dat dit traject pas na jaren succes zou opleveren maar net zo goed een groot fiasco kon worden. Toen ook nog eens bleek dat het intellectueel eigendom niet bij ons zou liggen en dat we er vele tonnen voor zouden moeten investeren waren we snel weer met beide benen op de grond gezet. We hadden ons bijna laten leiden door onze eigen grootheidswaanzin, maar gelukkig net op tijd beseften we dat we eerst maar eens goed moesten kijken waar we wellicht op korte termijn resultaten zouden kunnen boeken.

    Het grote voordeel van klein beginnen is dat je namelijk snel resultaten kunt laten zien, en ook snel kunt leren van je fouten, zonder dat dat al te veel schade oplevert (oftewel kosten met zich meebrengt). Wanneer je al snel resultaten kunt laten zien, motiveert dat niet alleen het uitvoerende team, maar vooral ook alle overige belanghebbenden. Faal snel, vier groots is dan ook mijn motto.

  3. Leider met kennis, een vooruitstrevende visie en lef

    Net als bij alle veranderingen kan je niet zonder goed leiderschap. In het geval van data en ai projecten betekent dit dat iemand echt verstand van zaken moet hebben (o.a. in de kosten en het belang van data), een vernieuwende kijk op de toekomst maar wel met conservatieve verwachtingen voor de korte termijn. En zij moet veel lef moet hebben! De kans op falen is bij de eerste projecten namelijk vaak een stuk groter dan op succes.

    Tijdens de implementatie van een chatbot, bespraken we de impact op de klanttevredenheid. Doordat de manager een heldere visie had en overtuigd was van de toegevoegde waarde van een chatbot, accepteerde hij direct het risico op een lagere klanttevredenheid. Hierdoor viel er een enorme last van de schouders van de medewerkers. De manager toonde hiermee begrip voor wat zij probeerden te bereiken, en dat dat mogelijk met vallen en opstaan zou gaan.

  4. Uitvoerend team met kennis en vaardigheden die aansluiten bij de AI-projecten

    Hoe logisch kan het zijn, maar doordat AI zo in opkomst is, zijn die deskundigen vaak lastig te vinden en te behouden. En doordat de diversiteit aan ai projecten zo groot is, is niet iedereen geschikt voor elk traject.

    Bij de start van een chatbot traject werden externe consultants ingehuurd. Om te zorgen dat de organisatie in de toekomst zelf ook in staat zou zijn de chatbots te creëren (en daarmee significant goedkopere chatbots zou kunnen bouwen) en beheren, werden twee interne ontwikkelaars toegevoegd aan het scrum team. Initieel voerden zijn simpele taken uit, maar doordat er wekelijkse sessies werden ingepland om kennis te delen, leerden zijn snel. Uiteindelijk waren zij in staat om zelf de chatbots te beheren en verder te ontwikkelen en werd één van de eerste DevOps teams binnen de organisatie werkelijkheid. Tevens werden zij de trainers van nieuwe collega’s en zo werd eerst schaarse kennis al snel wijder verspreid in de organisatie.

    Daarnaast bestaat een goed team uit meer dan datascientists, je zal het team moeten aanvullen met personen die de vertaalslag weten te maken tussen de datascientists en de rest van de organisatie. Want zonder die vertaalslag, ontstaan er al snel Babylonische spraakverwarringen of erger compleet verkeerde oplossingen.

    Een compliance team wilde graag het risicoprofiel van een potentiële klant voorspellen. Echter op dat moment hadden ze net de risicoprofielen grondig gewijzigd en hadden ze nog maar een zeer beperkte hoeveelheid data beschikbaar. Pas nadat ik als business consultant het compliance team en de datascientist samen in een ruimte zette en het gesprek begeleidde, kregen beide partijen echt inzicht in elkaars behoeften en de daarbij behorende uitdagingen. Daarvoor had men gedacht elkaar te begrijpen of durfde men niet de ‘’domme’’ vragen aan elkaar te stellen, waardoor er slechts onbegrip en irritatie ontstond.

  5. Samenwerking tussen organisatieonderdelen

    Voor succesvolle data en ai-projecten is een samenwerking op alle niveaus en vanuit verschillende disciplines en domeinen van groot belang. Dat betekent dat je AI niet alleen overlaat aan IT’ers en datascienceteams, want dan krijg je misschien oplossingen voor iets wat niet als een probleem wordt ervaren en waar dus niemand op zit te wachten. Daarnaast kan samenwerken over organisatieonderdelen heen ook nog eens de silo’s van een organisatie doorbreken.

    Tijdens de selectie van een ai-tool om spraak te herkennen werd door mij actief gezocht naar andere afdelingen die ook behoefte hadden aan een dergelijke oplossing. Zo bleek dat de klantenservice graag spraak wilde herkennen voor trainingsdoeleinden, de afdeling market abuse voor het detecteren van mogelijke misstanden en weer een andere afdeling om fraude te detecteren. Afdelingen die normaliter nooit met elkaar om tafel zaten, werden nu opeens bij elkaar gebracht. En tot ieders verrassing leverde dit een mooie samenwerking op en konden budgetten worden samengevoegd. Doordat er een groter toekomstig volume ontstond, kon scherper worden onderhandeld. Tevens werd er 1 oplossing geselecteerd en niet verschillenden, waardoor ook de toekomstige beheer- en contractmanagement kosten werden verlaagd.

    Maar ook een nauwe samenwerking met bijvoorbeeld juristen en privacy officers is vaak in een vroeg stadium van grote waarde. Een deskundige die er vanaf het begin bij is, voelt zich betrokken en zal daarom sneller geneigd zijn mee te denken over mogelijkheden, in plaats van alleen na te denken over wat níét mogelijk is, dus om risico’s te vermijden.

  6. Medewerkers wier werk door AI verandert erbij betrekken

    Bij de implementatie van een data of AI-oplossing verandert vaak de aard van het werk in mindere of meerdere mate. Bijvoorbeeld: in plaats van de meest gestelde vragen beantwoorden, krijgt de medewerker nu vooral de lastige vragen voorgelegd. En in plaats van zelf een tekst op bepaalde kenmerken te analyseren, doet de machine dat, zodat de medewerker meer tijd overhoudt voor ander werk. Daar zit niet iedereen op te wachten: iemand die plezier heeft in zijn werk, wil misschien helemaal niet anders gaan werken of iets anders gaan doen, of kan dat andere werk helemaal niet aan. Ook onzekerheid speelt een rol, en de angst dat AI iemands baan inpikt. Het betrekken van medewerkers kan je op verschillende manieren doen zoals o.a. opleiden, nieuwe ideeën laten verzinnen, verantwoordelijkheid geven bij het testen en zelf mee bouwen aan oplossingen.

    Voor een project met een robot bij de receptie werd intern een wedstrijd uitgeschreven waaraan alle medewerkers konden deelnemen. Dit leidde tot veel creatieve ideeën maar ook een aantal bezorgde en negatieve reacties van medewerkers die vreesden voor hun baan. Door ook deze reacties te erkennen en deze medewerkers uit te nodigen om kritisch mee te denken in het project, konden deze negatieve emoties naar iets positiefs worden omgebogen.

De conclusie is dat artificial intelligence faalt zonder de mens en diens vaardigheden om daadwerkelijke veranderingen tot stand te brengen. Dit is bij een ‘’gewoon’’ verandertraject al lastig, laat staan bij een traject waar met nieuwe technologie wordt geëxperimenteerd en gedegen kennis bij managers en medewerkers vaak ontbreekt. Mijn missie is dan ook om die kennis in begrijpelijke taal te delen, zodat meer organisaties in staat worden gesteld om zelf data en ai-oplossingen te bedenken, en deze vervolgens ook succesvol te implementeren.

Muriël Serrurier Schepper, auteur van Artificial Intelligence in Actie.

Noot
*Tot op heden is er nog geen eenduidige definitie van artificial intelligence. Het is een containerbegrip en het is een interdisciplinair vakgebied, waarin wordt samengewerkt met onder anderen informatici, psychologen, neurologen, statistici en linguïsten. AI kan je beschrijven als een gereedschapskist met allerlei verschillende werktuigen die in meer of mindere mate een vorm van menselijke intelligentie nabootsen, bijvoorbeeld om met taal om te gaan, beelden te interpreteren, spraak te begrijpen of voorspellingen te doen.

 

Kennisbank onderwerpen:

Kennisbank onderwerpen:

 

Reageer

Na het plaatsen kunt u uw reactie nog 30 minuten aanpassen.

Reacties

Goed stuk; helemaal mee eens!
Het gebrek aan eensluidende terminologie was de aanleiding voor ons boek AI in Medical Imaging. Nou maar hopen dat het Daardoor niet nog ingewikkelder geworden is 😏.

AI in Medical Imaging.
Ranschaert et al eds.
Springer

x
x