De rol van een Data Scientist is intussen wel gekend, maar wist je dat organisaties vandaag ook een Decision Scientist kunnen gebruiken? Het beslissingsproces in bedrijven wordt steeds complexer en voor eindgebruikers zijn inzichten uit AI-modellen niet altijd even gemakkelijk te interpreteren. De Decision Scientist maakt de vertaalslag naar praktische besluitvorming en zorgt er op die manier voor dat data-analyse echt waarde oplevert.
Analytics en artificiële intelligentie (AI) creëren allerlei nieuwe rollen in organisaties. Relatief nieuw is bijvoorbeeld de functie van een AI Translator. Dat is de persoon die nagaat wat de business nodig heeft en hoe AI die noden kan ondersteunen. En op die manier de vertaling maakt tussen AI use cases en de business. Door na te gaan wat de business nodig heeft en hoe IT dit kan ondersteunen. Maar ook door te waken over het feit dat businessvereisten juist geïmplementeerd zijn of dat de inzichten uit AI-modellen correct worden gebruikt en geïnterpreteerd door die business. Dat laatste zal alleen maar belangrijker worden naarmate meer focus op de ethische en juridische impact van AI komt te liggen.
De rol van een Decision Scientist
Voor het toepassen en correct inzetten van modellen in het beslissingsmakingsproces kunnen organisaties een beroep doen op een Decision Scientist. Eigenlijk is deze rol niet zo nieuw. Bedrijven hebben altijd mensen in dienst gehad die beslissingen moeten omzetten naar concrete regels en acties voor eindgebruikers. AI-modellen zijn pure statistiek, maar je kunt eindgebruikers natuurlijk niet confronteren met termen zoals p-waarden of betrouwbaarheidsintervallen. Het is dus aan de Decision Scientist om analytische inzichten interpreteerbaar en inzetbaar te maken door ze om te zetten in handelingen waar mensen mee aan de slag kunnen.
Op die manier kan een Decision Scientist ook helpen vermijden dat er bias bij de eindgebruikers optreedt. Want zelfs als je data en de modellen bias-vrij zijn, dan nog is er een kans dat de inzichten foutief worden geïnterpreteerd. We noemen dit interpretatiebias. Mensen zijn van nature heel slecht in het lezen van statistische cijfers en probabiliteiten. Hoe meer input we moeten geven, des te meer vertrouwen we krijgen in de interpretatie van een model. Of stel dat we bepaalde input niet kunnen geven, dan zijn we sneller geneigd om ook de resultaten van een model in twijfel te trekken. In beide gevallen zien we een verkeerde benadering van statistiek.
Al die elementen zorgen er dus voor dat we de resultaten van een model onjuist kunnen interpreteren en onbewust bias creëren. Omdat een Decision Scientist meer voeling met statistiek heeft, is deze persoon de beste schakel om de brug te maken tussen het model en de ondersteuning van het beslissingsproces van de eindgebruiker.
Relatie met Data Scientist
Eigenlijk biedt de Decision Scientist een aanvulling op het werk van de Data Scientist. Zoals de naam doet vermoeden, is die laatste vooral bezig met data en het bouwen van AI-modellen. Hoewel ook de Decision Scientist hiermee kan werken, is data voor deze rol in de eerste plaats een middel om een hoger doel te bereiken, namelijk het beslissingsproces ondersteunen. Het is dus iemand die zich niet oneindig in AI-modellen gaat verdiepen, maar eerder nagaat hoe een eindbeslissing tot stand zou moeten komen. Welke facetten van die beslissing zijn gebaseerd op menselijke regels en welke op inzichten uit AI?
Vooral in kleinere bedrijven zullen de taken van een Data en Decision Scientist al eens overlappen, maar het valt toch aan te bevelen om hiervoor verschillende personen in te schakelen. Uiteindelijk vraagt het om een totaal andere focus en is het altijd beter als je twee visies naast elkaar kunt leggen.
De Decision Scientist wordt bovendien steeds belangrijker. Beslissingsprocessen zijn vaak erg complex en goede ondersteuning door een AI-systeem vergt een combinatie van verschillende componenten (Machine Learning, Deep Learning, Natural Language Processing, Computer Vision, etc.). Ook hier kan de Decision Scientist vanuit de business steun bieden aan de data scientist om modellen te verrijken. In de praktijk falen veel AI-initiatieven overigens ook omdat de technologie nog niet voldoende in het besluitvormingsproces is ingebed.
Meer waarde uit data halen
De voordelen van een Decision Scientist zijn duidelijk. Hoewel bedrijven niet verplicht zijn om deze verantwoordelijkheid toe te kennen, kunnen we alleen maar adviseren om hier zeker in te investeren. Veel organisaties gebruiken hun data vandaag voor allerlei interessante analyses, maar in de volgende stap ontbreekt het nog vaak aan gerichte acties die uit deze inzichten voortkomen. Bijgevolg is de ROI van al die investeringen eerder beperkt.
Een Decision Scientist is de missing link tussen de data scientist en de gebruiker. Deze rol kan ervoor zorgen dat relevante elementen geïntegreerd worden in het beslissingsproces en dat ook transparant genoeg is waarom je een beslissing neemt. Het aanstellen van een Decision Scientist is dus de meest effectieve manier om waarde uit je data en modellen te halen. En om te vermijden dat de mensen in je organisatie verloren lopen in statistische cijfers of inzichten niet ten volle benutten.
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.