De verkeerde manieren om AI te implementeren: leer van de fouten van anderen

Voor elk nieuwsbericht over de laatste doorbraken op het gebied van artificial intelligence (AI), zien we ook genoeg verhalen over AI-mislukking in de zakelijke wereld. Een studie schat dat 70 procent van de AI-initiatieven “geen tot minimale impact zien“, waarbij verschillende factoren de schuld krijgen: gebrek aan expertise, onbegrepen AI-mogelijkheden en te lage budgetten, samen met andere problemen.

Toen we onze SoftwareOne Intelligence Fabric methode voor succesvolle AI-implementatie ontwikkelden, identificeerden we ook veel veelvoorkomende struikelblokken. Door alert te zijn op dit soort problemen kun je voorkomen dat het AI-project faalt op manieren die vele andere organisaties tot dusver te veel tijd, geld en energie hebben gekost:

Onduidelijke strategie

Stel je een retailer voor, die meer gepersonaliseerde productaanbevelingen aan zijn online klanten wil bieden, en tegelijkertijd zijn voorraadbeheer wil verbeteren. De doelen zijn om de klantervaring tijdens het winkelen te verbeteren, de verkoop te verhogen en de kosten van zowel te veel als te weinig voorraad te verlagen. Dus ontwikkelt hij een voorspellend model voor de voorraad en integreert hij AI-aanbevelingsalgoritmes in zijn e-commerceplatform – om erachter te komen dat beide oplossingen niet voldoen aan de verwachtingen.

Wat ging er fout? De grootste misstap van het bedrijf vond plaats aan het begin van het project, wanneer er te weinig tijd en moeite gestoken is in het helder formuleren van de gewenste zakelijke resultaten en ervoor te zorgen dat het AI-programma strategisch aansluit bij de bedrijfsdoelen. Dit resulteert in een project dat focust op technologie in plaats van de specifieke problemen die het bedrijf wilde oplossen – wat heeft geleid tot tegenvallende resultaten.

Slechte gebruikerservaringen

In dit geval zag een zorgverlener AI als een manier om het inplannen van patiëntafspraken te automatiseren en de zorg voor patiënten te verbeteren door gepersonaliseerde interacties voor opvolging. Hiermee wilden ze de tevredenheid van patiënten en de operationele efficiency verhogen en tegelijkertijd werkstromen optimaliseren voor de drukke medewerkers. Maar de organisatie maakte de fout om niet stil te staan bij wat de AI-ervaring zou zijn voor de eindgebruikers.

Al snel na de uitrol van de oplossing gingen patiënten klagen. Het gebruik van chatbots was onhandig, meldden ze, en de interacties waren onpersoonlijk en onbevredigend. De adoptie van chatbots bleef daarmee laag en de gehoopte voordelen voor de organisatie bleven uit. De organisatie had deze uitkomst kunnen voorkomen door meer te focussen op een design gericht op gebruikers. Zo hadden ze de grote taalmodellen (large language models of LLMs) kunnen personaliseren om empathischer, onderhoudender en gebruikersvriendelijker te zijn.

Slechte MLOps

Voorspellend onderhoud beloofde een producent om downtime te minimaliseren, productkwaliteit te verhogen en de kosten voor fabrieksapparatuur te optimaliseren. Maar de AI-algoritmes die het bedrijf implementeerde leverden niet het realtime onderhoudsadvies en andere voordelen die ze verwacht hadden.

Het probleem kwam uiteindelijk door ineffectieve Machine Learning Operations (MLOps), de uitoefening die verder bouwt op de successen ven DevOps om continue integratie en ontwikkeling in AI-applicaties te ondersteunen. Met algoritmes die op een slechte basis gebouwd zijn, bleken de data-analyses en voorspellingen van de producent hoogst inaccuraat te zijn. Waren ze gestart met sterkere MLOps, dan zou de organisatie gemakkelijker machine learning modellen gebouwd, gemonitord en up-to-date gehouden kunnen hebben, die de realiteit weergeven.

Inadequate datafundamenten

Op zoek naar manieren om security en klanttevredenheid te verbeteren, hoopte een financiële dienstverlener AI in te kunnen zetten om frauduleuze activiteiten te detecteren. Maar ze slaagden er niet in het juiste fundament neer te leggen door op de juiste manier data te integreren over verschillende systemen. Dit resulteerde erin dat de algoritmes die ze implementeerden niet effectief werkten in de identificatie van fraude en verdachte transacties.

AI succesvol implementeren vereist dat de data eerst in orde is. Dat betekent niet alleen dat je ervoor zorgt dat de data die je gebruikt voor het bouwen van een oplossing accuraat en betrouwbaar is, maar ook dat de data schoon, compleet en bruikbaar voor de beoogde doelen is.

Gebrek aan adoptie-ondersteuning

Een telecommunicatiebedrijf zag een mogelijkheid voor het verbeteren van klanttevredenheid en het verlagen van kosten met de introductie van chatbots voor het afhandelen van veelgestelde klantvragen. Ze trainden LLMs door eigen data van historische klantinteracties te gebruiken, met als doel om efficiëntere en specifiekere antwoorden op klantvragen te geven. Maar de nieuwe oplossing stuitte op weerstand van zowel medewerkers als klanten.

Hoewel de AI-oplossing volgens verwachting presteerde, slaagde het bedrijf er niet in om de weg vrij te maken voor adoptie door eindgebruikers. Medewerkers misten de training die ze nodig hadden om de technologie effectief te gebruiken en klanten kregen geen waarschuwing of input voordat het nieuwe systeem in werking trad. De telco had de verandering beter kunnen managen door proactieve communicatie met alle gebruikers, juiste training van medewerkers en een gefaseerde uitrol die het mogelijk maakte om het te finetunen op basis van feedback van klanten. Het bedrijf zou ook baat hebben gehad bij gebruiksvriendelijkere ondersteuningsstructuren zoals FAQs en helpdesks.