AI as a service
Datagedreven artificial intelligence zoals machine learning en deep learning hebben een paar grote voordelen ten opzichte van traditionele engineeringtechnieken. In toepassingen zoals computervision, spraakherkenning en optimale controle presteren datagestuurde AI-algoritmes aanzienlijk beter. Een bijkomend voordeel is dat deze algoritmes zich aanpassen aan de nieuwste gegevens en dus geoptimaliseerd zijn voor echte praktijksituaties. Bovendien, wanneer het modelleren van een engineeringprobleem met traditionele technieken te moeilijk blijkt, biedt een datagedreven AI-benadering een alternatieve manier om het probleem op te lossen.
Ondanks deze vele voordelen zijn echte technische toepassingen met kunstmatige intelligentie nog steeds een zeldzaamheid. Het probleem met AI is niet de theorie, maar hoe je het in de praktijk moet brengen.
Een obstakel bij de toepassing van kunstmatige intelligentie op technische problemen is het gebrek aan AI-kennis binnen traditionele engineeringteams. Datagestuurde benaderingen zijn nog zo nieuw dat het vaak ontbreekt aan een goed begrip van wat er nodig is om met AI aan de slag te gaan en te integreren in een technisch systeem. Naast een iteratief engineeringproces van het definiëren van een probleem en het vinden van een oplossing brengt AI een nieuwe iteratieve levenscyclus van experimenteren die moet worden beheerd. Deze cyclus bestaat uit het verzamelen van gegevens, het annoteren van gegevens, het trainen van een model en het implementeren van dat model. Een nieuwe manier van werken met AI-vaardigheden en -tools is nodig om succesvol te zijn.
Een ander probleem bij het in de praktijk brengen van AI is dat mensen veel te hoge verwachtingen hebben van de mogelijkheden. Meestal is het trainen van een model met een nauwkeurigheid tot 80 procent eenvoudig en snel gedaan. De echte uitdaging is om boven 95 procent of zelfs tot 100 procent nauwkeurigheid te komen. Dit vereist opschalen van een paar honderd naar tienduizenden datapunten, verhogen van de kwaliteitsniveaus van data-annotaties, aanpassen van modelarchitecturen en nog veel meer. In sommige gevallen kunnen dergelijke nauwkeurigheidsniveaus zelfs alleen worden bereikt door de toepassing in haar geheel te beschouwen en sensorsystemen opnieuw te ontwerpen om gegevens op een andere manier te verzamelen. Hier is een 20/80-regel van toepassing: het bereiken van de laatste 20 procent nauwkeurigheid vereist 80 procent van de inspanning.
Een andere uitdaging is het snelle tempo waarin de AI-technologiestack verandert. Van AI-hardware tot deep-learning-frameworks en modelarchitecturen – om de paar maanden worden er nieuwe versies en ontwikkelingen uitgebracht. Het creëren van een stabiele AI-technologiestack en het beheren van alle afhankelijkheden tussen de verschillende componenten – boven op de eerdergenoemde obstakels – is een echte uitdaging waarvoor een specialist nodig is.
Voor sommige bedrijven kan het kosteneffectief zijn om zo’n specialist in te huren; voor andere, met name kleinere en niet-technische organisaties, lijkt die optie niet zo aantrekkelijk. Dat is waar AI as a service om de hoek komt kijken: externe teams die klanten ondersteunen bij het integreren van AI in hun applicaties, waarbij ze gelijk de AI-technologiestack en de deep-learning-cycli beheren.
De meeste bedrijven willen de AI-buzz volgen en de technologie toevoegen aan hun core, maar dat is niet altijd verstandig. Kunstmatige intelligentie is een complexe en gespecialiseerde technologie die een serieuze investering vereist in het opzetten van een toegewijd AI-team dat de juiste tools en platforms ontwikkelt. Zo’n investering is vaak alleen verantwoord als je AI-technologieleverancier wilt worden. Trap niet in de ‘not invented here’-val: bedrijven moeten zich focussen op hun corebusiness en investeren en innoveren op applicatieniveau.
