De tijd van praten over AI is voorbij. Na twee jaar onderzoek naar mogelijke toepassingen beginnen steeds meer organisaties generatieve AI (GenAI) te gebruiken om toegevoegde waarde te creëren. Gartner rapporteert dat de investeringen in deze technologie blijven stijgen, waardoor de wereldwijde IT-uitgaven dit jaar stijgen tot bijna $ 6 biljoen.
CIO’s willen graag verder gaan dan de proof-of-concept-fase en GenAI aan het werk zetten. Hoewel er dagelijks nieuwe mogelijkheden en toepassingen opduiken, moet er eerst een fundering voor GenAI worden gelegd om resultaten te kunnen boeken. De teams die met ideeën komen over hoe GenAI te benutten en managers die hun geld- en tijdinvesteringen goedkeuren, moeten goed begrijpen hoe GenAI werkt. Bovendien moeten ze ervoor zorgen dat ze over de data beschikken die nodig is voor succesvolle toepassingen.
Basisdata verzamelen
Van Microsoft-managers tot rechtszalen in de VS, experts luiden de noodklok: met AI geldt ‘garbage in = garbage out’. Wie deze waarschuwingen in de wind slaat, zal niet de beoogde voordelen behalen. Voordat organisaties tijd en geld investeren in nieuwe toepassingen voor GenAI, moeten ze zorgen voor de data die nodig is voor het succes van GenAI. Ze moeten vooral vier belangrijke basisdata verzamelen:
- Bestaande data moderniseren
Eerst moeten organisaties de bestaande datasets transformeren die men wil gebruiken om modellen te trainen en inzichten te genereren. Ze moeten hun huidige datain kaart brengen en analyseren om inzicht te krijgen in het bestaande landschap en vervolgens een mix van datawarehousing en data lakes gebruiken om de fundering te leggen voor een robuuste architectuur. Ze moeten ook rekening houden met de vereisten voor aggregatie, opslag en opvragingen, om ervoor te zorgen dat ze analyses in realtime kunnen uitvoeren. Projecten voor datamodernisering kunnen jaren duren, maar nu is er geen tijd meer te verliezen.
- Nieuwe bronnen van kwaliteitsdata benutten
Vervolgens moeten ze bestaande data verrijken met externe inzichten om de holistische context toe te voegen die AI kan versterken. Tot nu toe was het binnenhalen van externe datasets een tijdrovend proces, maar cloud-gebaseerde Extract, Transform, Load (ELT) oplossingen kunnen automatisch pijplijnen creëren. Dit stelt organisaties in staat om snel betrouwbare datasets binnen te halen die hen op weg kunnen helpen naar diepere inzichten om hun AI-toepassingen te voeden.
- Proactief vooroordelen verwijderen
Vervolgens moeten organisaties het hele datalandschap onder de loep nemen om er zeker van te zijn dat het schoon is. Ze moeten er zeker van zijn dat hun data betrouwbaar is voor AI, zodat deze de juiste beslissingen neemt. Het is cruciaal om onbedoelde vooroordelen te identificeren en te verwijderen die kunnen ontstaan als men deze data in hun AI invoert. Door vooraf goed na te denken over alle mogelijke vooroordelen die kunnen ontstaan in de AI-toepassingen voordat ze worden ingezet, is de kans op problemen te voorkomen.
- Zichtbaarheid voor datakwaliteit en -governance
Tot slot moeten organisaties silo’s elimineren door data te verenigen met end-to-end zichtbaarheid om zo één enkele bron van waarheid te creëren. AI kan niet betrouwbaar en accuraat zijn als het gevoed wordt met tegenstrijdige data, dus moet men in staat zijn om verwarrende conflicten te identificeren en te verwijderen. Data evolueren in de loop van de tijd, wat betekent dat het belangrijk is om inzichtelijk te houden wie data heeft gewijzigd of toegevoegd en waarom. Deze traceerbaarheid helpt bij het identificeren en oplossen van potentiële fouten, bijvoorbeeld als synthetische trainingsdata per ongeluk wordt gebruikt voor besluitvorming in de echte wereld.
AI-kennis en datageletterdheid vergroten
Data leveren de grondstoffen, maar ze moeten op de juiste manier worden gebruikt om GenAI succesvol te maken. Door kennis op te bouwen in de hele organisatie kunnen teams toepassingen identificeren die echt waarde gaan opleveren. Elke afdeling kan op andere manieren voordeel halen uit GenAI, dus het is cruciaal om te beginnen met een duidelijke visie en doelstelling voor ogen. Organisaties die budget en manuren investeren in training worden waarschijnlijk beloond met toepassingen die ze in staat stellen GenAI vol vertrouwen in te zetten op manieren die de snelste ROI opleveren.
Om dit mogelijk te maken, moeten managementteams ook beschikken over AI-kennis en datageletterdheid. Businessmanagers moeten begrijpen hoe GenAI-modellen werken en hoe onderliggende data en training de conclusies van deze modellen kunnen beïnvloeden. Hierdoor kunnen ze de aanbevelingen van een AI-gebaseerde oplossing beter beoordelen in de context van de toepassing en zullen ze zich in een betere positie bevinden om dergelijke aanbevelingen te accepteren, of af te wijzen. Dat is namelijk de essentie van de ‘mens in de lus’ (HITL), die een sleutelfactor is voor het succes en de acceptatie van AI-toepassingen.
Solide fundering creëren
Door een solide fundering te creëren voor alle data, teams in staat te stellen toepassingen te bedenken en ervoor te zorgen dat managers de juiste projecten groen licht kunnen geven, plaveien organisaties hun weg naar succesvolle GenAI-toepassingen. Het is een kans die zich snel ontwikkelt, dus is er weinig tijd om te verliezen. CIO’s moeten echter de behoefte aan snelheid in evenwicht brengen met een sterke focus om te waarborgen dat er niet op details wordt bezuinigd. Neem de tijd om een fundering te leggen voor GenAI-toepassingen die zowel waarde ontsluiten als veel medewerkers van de organisatie ten goede komen.
Dit is een ingezonden bijdrage door Girish Pai, Global Head Data & AI, Hexaware Technologies. Klik hier voor meer informatie over de oplossingen van het bedrijf.