oktober 21, 2024 , janssja

Na mijn keynote op de jaarlijkse technologieconferentie werd ik benaderd door Alain, een succesvolle IT-manager met jarenlange ervaring in traditionele IT-projecten. “Ik worstel echt met expectation management in AI-projecten,” vertrouwde hij me toe. “Mijn opdrachtgever verwacht direct sterke resultaten en lijkt niet helemaal te begrijpen hoe AI werkt.“

“Het beste advies dat ik je kan geven is om vanaf het begin eerlijk te zijn,” antwoordde ik. “Leg uit wat ze kunnen verwachten in een eerste iteratie en maak duidelijk dat er zeker nog enkele iteraties nodig zijn om tot een goed resultaat te komen.”

“Dat is toch een groot verschil met een klassiek IT-project waar ik oplever en verder kan,” merkte Alain op.

“Inderdaad,” bevestigde ik. “Maar het is een misvatting om AI-projecten op dezelfde manier te benaderen als klassieke IT-projecten. Dat is alsof je alleen een experiment wilt uitvoeren als je al weet dat de uitkomst 100% succesvol zal zijn. Bij AI gaat het om experimenteren, itereren en dan pas integreren. Pas in die laatste fase kun je het behandelen als een ‘klassiek’ IT-project.“

Dit gesprek benadrukte opnieuw hoe cruciaal het is om de unieke aard van AI-projecten te begrijpen. De verwachtingen van bij de start correct zetten en ze realistisch maken onderweg zijn essentiele stappen in het succesvol implementeren van AI in organisaties. Waarom is een AI-project niet hetzelfde als een klassiek IT-project en hoe kunnen organisaties zich hier op organiseren?

Hoewel AI-projecten op het eerste gezicht lijken op klassieke IT-projecten, zijn er fundamentele verschillen die organisaties moeten begrijpen om succesvol te zijn en AI-projecten correct te plannen en budgetteren!

1. Data is de koningin

In klassieke IT-projecten ligt de nadruk vaak op het schrijven van code om specifieke functies te vervullen, gebaseerd op duidelijk gedefinieerde requirements. Het doel is een systeem te bouwen dat deze functies nauwkeurig uitvoert. Bij AI-projecten ligt de focus echter op data. De kwaliteit en kwantiteit van de data bepalen het succes van een AI-model. Zonder voldoende relevante en nauwkeurige data zal het model, hoe goed de code ook is, niet naar behoren presteren.

Hoe hiermee om te gaan:

  1. Data kwaliteitsbeoordeling: Voer een grondige analyse uit van de te gebruiken data. Evalueer de kwaliteit, relevantie en volledigheid van de gegevens, en identificeer eventuele ontbrekende waarden, inconsistenties of bias.
  2. Data verzameling en verrijking: Als de bestaande data ontoereikend is, plan dan actief voor de verrijking ervan. Dit kan inhouden dat je nieuwe dataverzamelingsmethoden implementeert, externe datasets integreert of gebruikersfeedback verzamelt om het model te verbeteren.
  3. Data governance: Zorg ervoor dat er duidelijke procedures en beleid zijn voor databeheer. Dit omvat het waarborgen van compliance met regelgeving zoals GDPR, het beveiligen van gevoelige gegevens en het opzetten van protocollen voor data-integriteit.

Door deze stappen te volgen, bouw je een solide basis voor succes in AI-projecten, waar data de sleutelrol speelt.

2. Iteratief en experimenteel karakter

Waar klassieke IT-projecten vaak voorspelbaar zijn, met een lineair of iteratief proces en een duidelijke uitkomst, starten AI-projecten vanuit een grote mate van onzekerheid. AI is in wezen een wetenschappelijk proces; het trainen van een model vereist experimentatie, en er moet met verschillende algoritmen en parameters worden gespeeld om de beste resultaten te bereiken.

Hoe om te gaan met onzekerheid in de planningsfase:

  1. Faseer het project: Splits het project op in fasen zoals een proof of concept (PoC), pilot en volledige implementatie. Dit helpt om verwachtingen te beheren en budgetten toe te wijzen aan verschillende stadia.
  2. Flexibele planning: Maak gebruik van agile methodologieën die ruimte bieden voor iteratie en aanpassing. Korte sprints met duidelijke doelen stellen je in staat om snel resultaten te evalueren en bij te sturen.
  3. Risicomanagement: Identificeer vroegtijdig potentiële risico’s en ontwikkel een risicomanagementplan. Dit plan zou strategieën moeten bevatten voor het omgaan met obstakels, zodat ze de voortgang van het project niet belemmeren.

Met een duidelijke structuur voor experimenteren en itereren, kun je beter omgaan met de onzekerheden van AI-projecten en stakeholders realistische verwachtingen geven.

3. Multidisciplinair team

In klassieke IT-projecten zijn softwareontwikkelaars en systeemanalisten vaak voldoende. AI-projecten vereisen echter een veel breder scala aan expertise: datawetenschappers, machine learning-engineers, domeinexperts en zelfs ethici. Deze diversiteit aan vaardigheden is cruciaal om complexe, robuuste en ethisch verantwoorde AI-modellen te ontwikkelen.

Hoe IT- en data-teams hiermee kunnen omgaan:

  1. Cross-functionele Samenwerking: Stel multidisciplinaire teams samen en stimuleer samenwerking. Dit bevordert kennisdeling en zorgt voor een geïntegreerde aanpak.
  2. Training en ontwikkeling: Investeer in opleidingen voor teamleden zodat iedereen basiskennis heeft van AI en data-analyse. Dit voorkomt miscommunicatie en versterkt het begrip tussen teamleden.
  3. Duidelijke rollen en verantwoordelijkheden: Definieer de rollen en verantwoordelijkheden vanaf het begin. Dit voorkomt verwarring en zorgt ervoor dat alle aspecten van het project goed worden beheerd.

Door de juiste samenwerking te bevorderen, kunnen teams effectiever AI-projecten aanpakken en slagen.

4. Ethiek en Bias

AI-systemen hebben de potentie om grote maatschappelijke impact te hebben. Daarom spelen ethische overwegingen een belangrijke rol in AI-projecten, vooral rond kwesties zoals bias in data, transparantie van algoritmen en verantwoord gebruik van AI. In klassieke IT-projecten is deze ethische dimensie meestal minder prominent.

Manieren om ethiek en bias te integreren:

  1. Ethische richtlijnen opstellen: Ontwikkel een ethisch framework dat richtlijnen biedt voor het gebruik van data, algoritmen en de impact op gebruikers.
  2. Bias detectie en correctie: Gebruik fairness metrics en bias-auditing tools om bias te identificeren en te corrigeren. Dit is essentieel om te zorgen voor eerlijke en rechtvaardige AI-modellen.
  3. Transparantie en explainability: Zorg ervoor dat de AI-modellen begrijpelijk zijn voor stakeholders. Gebruik explainable AI-methoden om inzicht te geven in hoe beslissingen worden genomen.

Door ethiek en bias vanaf het begin te adresseren, bouw je vertrouwen op bij gebruikers en minimaliseer je het risico op juridische complicaties.

5. Continu leerproces

In tegenstelling tot klassieke IT-systemen, die na implementatie vooral onderhoud vergen, moeten AI-systemen continu worden gemonitord en geüpdatet met nieuwe data om relevant te blijven. AI-modellen blijven leren en aanpassen naarmate de omgeving verandert.

Marginale kosten en grote voordelen:

  1. Automatisering van updates: Gebruik geautomatiseerde pipelines om data te integreren en modellen te hertrainen. Dit minimaliseert de kosten en inspanning van updates.
  2. Monitoring en alerting: Stel systemen in die de prestaties van het model in real-time monitoren. Dit maakt het mogelijk om snel afwijkingen te detecteren en aan te pakken.
  3. Return on Investment (ROI): Hoewel initiële investeringen in AI hoog kunnen zijn, biedt de continue verbetering van modellen een aanzienlijke ROI op lange termijn.

Door deze processen goed in te richten, zijn de bijkomende kosten van AI minimaal vergeleken met de aanzienlijke voordelen die een up-to-date model biedt.

6. Verschillende metrics

In klassieke IT-projecten wordt succes meestal gemeten op basis van het voldoen aan functionele specificaties binnen tijd en budget. AI-projecten zijn echter afhankelijk van andere metrics zoals nauwkeurigheid, precisie en recall. Bovendien kunnen deze metrics veranderen naarmate het model wordt blootgesteld aan nieuwe data.

Voorbeeld en implementatie:

Bijvoorbeeld, in een AI-project voor fraudedetectie zou je naast nauwkeurigheid ook willen kijken naar de false positive en false negative rates. Je wilt legitieme transacties niet ten onrechte markeren als fraude, maar je wilt ook geen fraude missen.

  1. Relevante metrics definiëren: Werk met stakeholders om te bepalen welke metrics het belangrijkst zijn voor het bedrijfsdoel.
  2. Continue evaluatie: Gebruik de vastgestelde metrics om het model continu te evalueren en optimaliseren.
  3. Iteratieve aanpak: Pas hyperparameters en algoritmen aan op basis van de prestaties tegen deze metrics.

7. Regulatoire en compliance uitdagingen

AI-projecten moeten voldoen aan strenge regelgevende eisen zoals de AVG (GDPR) en de opkomende EU AI Act. Dit heeft implicaties voor de manier waarop data wordt verzameld, opgeslagen en verwerkt.

Concrete tips:

  1. Data anonimisering en pseudonimisering: Zorg ervoor dat persoonlijke gegevens worden geanonimiseerd of gepseudonimiseerd om te voldoen aan privacywetgeving.
  2. Impact assessments: Voer Data Protection Impact Assessments (DPIA) en AI Impact Assessments uit om potentiële risico’s in kaart te brengen en aan te pakken.
  3. Compliance officer: Wijs een data protection officer aan die verantwoordelijk is voor naleving van regelgeving.

Door vroeg in te spelen op compliance, minimaliseer je juridische risico’s en bouw je vertrouwen op bij stakeholders.

Zal ik dat AI-project dan maar niet doen?

AI-projecten kunnen op het eerste gezicht uitdagend lijken, maar de kansen die ze bieden zijn simpelweg ongeëvenaard. Organisaties die de stap durven te zetten, ontdekken een wereld van mogelijkheden. AI opent de deur naar schaalbaarheid, efficiëntie en innovatie op een manier die de grenzen van wat voorheen mogelijk was, volledig verlegt. Het stelt bedrijven in staat om niet alleen concurrentievoordeel te behalen, maar ook om nieuwe markten te veroveren en doorbraken te realiseren die hun industrie zullen transformeren.

Met de juiste aanpak en strategie is de businesscase voor AI niet alleen overtuigend, maar inspirerend. AI is dé sleutel tot vooruitgang, en het gaat er niet om of je AI moet omarmen, maar hoe je dit het beste kunt doen om een impact te maken die verder reikt dan vandaag. Organisaties die nu investeren in AI, leggen de basis voor een toekomst vol groei, creativiteit en ongekende kansen.

Benieuwd naar hoe jouw organisatie AI kan omarmen? Neem contact op met onze experts en ontdek hoe AI jouw organisatie naar een hoger niveau kan tillen.

En Alain?

Na een moment van stilte keek Alain me aan en knikte. “Je hebt gelijk,” zei hij uiteindelijk, terwijl zijn gezicht opklaarde. “Ik denk dat ik te veel vastzat in de oude manier van werken. Het idee van experimenteren en itereren is nieuw voor me in deze context, maar eigenlijk is het best logisch.” Ik glimlachte. “Precies. Als je vanaf het begin duidelijk maakt dat AI-projecten een ontdekkingsreis zijn, waarbij je leert en bijstuurt naarmate je verder komt, schep je realistischer verwachtingen. En uiteindelijk leidt dat tot veel betere resultaten dan te proberen beloftes te doen.“Alain leunde iets naar voren en zijn houding veranderde. “Dat klinkt als iets wat ik kan overbrengen aan mijn opdrachtgever. Als ik dit als een ontdekkingsproces positioneer, waar we samen leren en verbeteren, kan ik hen meenemen in dat verhaal.””Exact!” zei ik. “Dat is het hele punt. Je geeft niet alleen aan dat er meerdere stappen nodig zijn, maar je betrekt hen ook actief in het proces. Ze zullen zien dat elk experiment waarde oplevert en dat de iteraties bijdragen aan een steeds robuuster en beter resultaat.“Alain stond op met een zelfverzekerde glimlach. “Ik zie het nu anders. Dit wordt geen worsteling meer, maar een kans om mijn team en de klant mee te nemen in iets dat groter is dan een klassiek IT-project. Bedankt voor het inzicht!“”Geen probleem,” antwoordde ik. “Ik weet zeker dat je dit met succes kunt aanpakken.” Terwijl hij wegliep, voelde ik de energie van iemand die niet langer worstelde met verwachtingen, maar juist een nieuwe manier had gevonden om AI-projecten op te bouwen — stap voor stap naar succes.