Deze week was ik samen met Merel Huitink een rondetafelsessie aan het voorbereiden voor de Data Expo in september. Merel is Lead Data Management & Value Enablement bij ABN AMRO en zit dichter op de data dan ik. Ik heb een data science-achtergrond, maar sta tegenwoordig dichter bij AI dan bij data. Samen wilden we deze trade-off bekijken: wanneer is je datafundament goed genoeg om met AI aan de slag te gaan?
“Waar data eerst nog het goud was voor AI, is dat nu adoptie, volgens het publieke debat”
Merel zei dat bij organisaties doorgaans een slecht datafundament de reden is dat er niet geschaald kan worden. Sowieso is dat een statement dat je tegenwoordig niet vaak meer hoort.
Waar data eerst nog het goud was voor AI, is dat nu adoptie, volgens het publieke debat. Ik moest dus even nadenken over wat ze zei. Is dit de belangrijkste reden waarom het schalen van AI-toepassingen vaak misgaat? Of is het een element van iets groters?
Lees ook: De Aldi-dynamiek: waarom jouw AI-strategie je ongemerkt een prijsvechter maakt
Rammelende data blokkeert het fundament
Dat een slecht datafundament je in de weg zit, kan ik me zonder meer voorstellen. In het klein zul je het al herkennen. Als je gegevens verspreid staan over allerlei systemen en losse Excelbestanden, krijg je een AI-toepassing misschien wel werkend voor één team, maar de stap daarna lukt niet meer.
Hetzelfde geldt wanneer informatie niet eenduidig is vastgelegd, verschillende bronnen elkaar tegenspreken of teams elk hun eigen interpretatie van dezelfde begrippen hanteren. Wat je in het klein bouwt, valt om zodra je het organisatiebreed wilt herhalen.
De prototyping-trap: de techniek wél werkt, maar de organisatie niet
Ik denk dat Merel helemaal gelijk heeft, maar dat het niet kunnen schalen van je AI-toepassing tegelijkertijd onderdeel is van een groter fenomeen: de prototyping-trap. Die geldt niet alleen voor data als fundament. Hij geldt ook voor wie de tool gaat gebruiken, wie verantwoordelijk is als er iets misgaat en wie eigenaar is van de output. Voor alles eromheen, eigenlijk.
In de testfase werken we met een mooie testset: alles is perfect. Honderd voorbeelden, allemaal compleet ingevuld, geen ontbrekende velden, geen typefouten en geen duplicaten. Het model herkent in seconden wat je vraagt. Je krijgt het gevoel dat dit het is. Dat het werkt. En misschien heb je wel het idee dat het straks ook bij jou zo gaat lopen.
Van een perfecte demo naar de rommelige praktijk
In de praktijk is dat natuurlijk nooit zo. In het echt zitten er klanten in je systeem die drie keer voorkomen, namen die verkeerd zijn ingevoerd, lege velden en categorieën die niemand consistent invult. Het model komt met antwoorden die er bijna goed uitzien, maar nét niet. Niemand weet zeker of de uitkomst klopt. Niemand wil de eerste zijn die ermee gaat werken in een echte klantcase. Het enthousiasme van de demo verdampt binnen een paar weken.
“Wat moet jij op grote schaal gaan aanpakken om ervoor te zorgen dat die demo uiteindelijk ook op grote schaal werkt?”
De demo is natuurlijk gebouwd om te laten zien dat de techniek kan wat ze belooft. Een schoon voorbeeld, een uitgezochte dataset, een uitgewerkt scenario. Het maakt de demo alleen geen voorspeller van hoe het bij jou werkt. Bij jou werkt het altijd anders dan bij de buurman en, laten we eerlijk zijn, ook altijd verre van hoe we het het liefst zouden willen. Daarom klinkt het altijd als perfectie en lukt het zo vaak niet om hetzelfde in je eigen organisatie werkend te krijgen. De techniek doet meestal wat ze moet doen. De rest van je organisatie nog niet.
Lees ook: Niet elk AI-project verdient een ja: dit zijn 4 signalen dat je terug moet naar de tekentafel
Een slecht datafundament voorkomt dat je kunt schalen, maar de val is groter dan data. Hij zit overal waar de demo iets gladstrijkt wat in jouw organisatie niet glad is. Dus wat moet jij op grote schaal gaan aanpakken om ervoor te zorgen dat die demo uiteindelijk ook op grote schaal werkt?
Ontvang elke week het beste van BusinessWise in je mailbox. Schrijf je hier nu gratis in:
