Een mooi analytisch model bouwen is niet genoeg: het belang van DecisionOps voor AI

SAS Veronique Van Vlasselaer

Machine Learning is al geruime tijd een hype in de bedrijfswereld. Organisaties bouwen knappe modellen die ze vervolgens al dan niet in een productieomgeving opnemen. Maar daar mag het natuurlijk niet bij ophouden. Een model is pas waardevol wanneer het effectief tot betere beslissingen voor het bedrijf leidt. De oplossing: DecisionOps.

DevOps is een IT-term die intussen al een tijdje meegaat. Het is een combinatie van ‘Development’ en ‘Operations’ en omvat de tools die ons helpen om software snel en efficiënt te ontwikkelen. Door verschillende aspecten met betrekking tot kwaliteit en controle te automatiseren, kan je veel vlugger met een ontwikkeling in productie gaan. Ook in de wereld van Machine Learning en data science, waar tal van analytische modellen worden gebouwd, is DevOps natuurlijk een relevant concept.

MLOps, ModelOps, DataOps

Om een Machine Learning-model (ML) zo snel mogelijk te operationaliseren, doen we een beroep op MLOps. Eigenlijk legt dit de focus op alles wat bij de ingebruikname van een model komt kijken. Denk bijvoorbeeld aan validatietests die bepalen of een model, dat in een ontwikkelingsomgeving is gebouwd, ook levensvatbaar zal zijn in een productieomgeving. Of stel dat een model in opensource is ontwikkeld, dan moet onder andere gecontroleerd worden of de versie van opensource overeenkomt met die van de productieserver. Ook voor onderhoud en governance kan MLOps automatismen inbouwen.

Natuurlijk draait data science rond meer dan enkel Machine Learning, en daarom gebruikt SAS liever de term ModelOps. Als MLOps één tak van de analytics-boom bekleedt, dan is ModelOps de stam die ervoor zorgt dat je gelijk welk model snel kunt operationaliseren. Zo kan ook een gewoon statistisch model voor een organisatie heel interessant zijn. Denk maar aan de modellen die ons helpen om de pandemie in kaart te brengen en ons met voorspellingen ondersteunen om maatregelen te nemen. Ook bij dat soort modellen is het belangrijk dat we ze vlot in gebruik kunnen nemen. Machine Learning, predictieve modellen, computer vision, natural language processing, … ModelOps omvat voor SAS het volledige pakket aan mogelijkheden dat analytics ons te bieden heeft.

Als MLOps één tak van de analytics-boom bekleedt, dan is ModelOps de stam die ervoor zorgt dat je gelijk welk model snel kunt operationaliseren.

Véronique Van Vlasselaer, Analytics & AI Lead bij SAS Sout

Alvorens je met een model aan de slag kunt gaan, moet uiteraard ook de juiste data aanwezig zijn. DataOps automatiseert het proces dat de kwaliteit van data controleert en versnelt zo de tijdscyclus van analytics voor bedrijven. In veel organisaties stopt het echter bij DataOps en ModelOps, terwijl er in analytics nog een derde belangrijke stap bestaat die we niet over het hoofd mogen zien. Een goed model moet immers een beslissingsproces in de organisatie ondersteunen.

DecisionOps

Beslissingen moeten het einddoel van elk model zijn. Ooit volgden de meeste bedrijven die filosofie wel, maar intussen lijkt de hype rond Machine Learning zo sterk geworden dat de klemtoon al te vaak ligt op het bouwen van mooie modellen. Wat er nadien mee gebeurt, lijkt minder belangrijk. Nochtans kan je heel veel tijd en geld in Machine Learning en andere analytische oplossingen steken, maar ze leveren pas waarde wanneer het bedrijf er slimmere of betere beslissingen mee neemt.

Een model om fraude te identificeren, zal voor een bank bijvoorbeeld slechts nuttig zijn als het effectief verdachte transacties onderschept en stopzet. En een oplossing om leningen toe te kennen, moet financiële instellingen in staat stellen om risico’s zorgvuldig in te schatten. Helaas kunnen modellen geen ja/neen-antwoord op een vraag geven. In de plaats daarvan genereren ze een probabiliteit die aangeeft wat de kans is dat een beslissing tot een bepaald resultaat zal leiden.

Voor de meerderheid van de mensen is het weliswaar moeilijk om zo’n probabiliteit te interpreteren. Kijk maar naar de angst die ontstond toen bleek dat het coronavaccin van AstraZeneca bloedklonters kan veroorzaken. Het risico op een trombose bedraagt in realiteit amper 0,0004% … Om zoveel mogelijk medewerkers in een bedrijf met analytische modellen te laten werken, is het dus belangrijk dat we een soort logica aan deze probabiliteiten koppelen. De persoon die de output van het model gebruikt, heeft vaak geen statistische of wiskundige achtergrond om op terug te vallen, en dat kan gevaarlijk zijn en tot foute conclusies leiden.

Menselijke & artificiële intelligentie

DecisionOps combineert het analytische model met allerlei andere factoren zoals businesslogica of bepaalde bedrijfsregels, maar ook met externe data. Het is daarnaast perfect mogelijk om een opsplitsing te maken tussen groepen, bijvoorbeeld op basis van leeftijd of woonplaats. In de medische wereld kan een beslissing misschien wel interessant zijn voor mensen jonger dan 60 jaar, terwijl bij patiënten boven 60 jaar met andere factoren rekening moet worden gehouden.

DecisionOps helpt om de ietwat vage kennis die AI soms oplevert, om te zetten naar duidelijke acties voor de eindgebruiker.

Véronique Van Vlasselaer, Analytics & AI Lead bij SAS Sout

Concreet helpt DecisionOps om de ietwat vage kennis die AI soms oplevert, om te zetten naar duidelijke acties voor de eindgebruiker. De bank uit het eerder genoemde voorbeeld kan op basis van richtlijnen allerlei handelingen koppelen aan de resultaten van een model dat fraude opspoort. Stel dat het model het risico op een frauduleuze transactie tussen 0 en 50% inschat, dan zou de bank kunnen beslissen om niets te ondernemen. Is er 50 tot 70% kans, dan kunnen ze nog een aantal extra testen laten uitvoeren om meer informatie te verzamelen. En als het risico boven de 70% uitkomt, dan is het wellicht een goed idee om de transactie meteen automatisch te blokkeren.

Eigenlijk draait DecisionOps rond tweerichtingsverkeer. Wij vullen de artificiële intelligentie (AI) aan met onze eigen menselijke expertise, terwijl AI die input vervolgens gebruikt om grote hoeveelheden data met een hoog tempo te verwerken. We mogen de rol van menselijke intelligentie in AI in geen geval onderschatten. De beslissing om de vaccinatiestrategie bij te sturen en mensen jonger dan 40 jaar enkel het Pfizer-vaccin toe te dienen, is een mooi voorbeeld van hoe we menselijke kennis toevoegen om het gebruik van een analytisch model doeltreffender te maken.

DecisionOps geeft organisaties een completer en correcter overzicht van de aanwezige resources, workload, financiën, etc. Kortom, bedrijven krijgen een beter beeld van de toekomst. Daarom is SAS een voortrekker van DecisionOps. Het bouwen van een analytisch model is slechts één hoofdstuk in het verhaal. Wie echt voordeel wil halen uit data en analytics, moet een einddoel voor ogen hebben.


Dit is een ingezonden bijdrage van Véronique Van Vlasselaer, Analytics & AI Lead bij SAS South-West Europe. Voor meer informatie rond de oplossingen van SAS kan je hier terecht.

nieuwsbrief

Abonneer je gratis op ITdaily !
  • This field is for validation purposes and should be left unchanged.
terug naar home