Waar moet je op letten bij een informatie-architectuur?
Whitepaper
De informatie-architectuur als fundament voor effectieve AI
28 jul., 2021
Artificial Intelligence (AI) en Machine Learning (ML) hebben een enorme impact op ons dagelijks bestaan en het bedrijfsleven. Denk aan AI-gedreven customer service, preventief onderhoud, geautomatiseerde kwaliteitscontroles of slimme productaanbevelingen. Dat nu het momentum is voor AI is overduidelijk. Nu nog een effectieve manier om het in te zetten. Voor veel organisaties is dit de grote uitdaging, waardoor een beoogde oplossing vaak niet verder komt dan een experiment. Wil je echt waarde halen uit AI dan is een goed doordachte informatie-architectuur fundamenteel.
Het begint bij de basis. De basis van AI kun je vergelijken met de opvoeding van een kind. Ook daarbij is het goed om meerdere bronnen aan te bieden om te leren. Voor de meest uitgebreide leerervaring is er sprake van diverse trainingsdata om de uiteindelijke uitkomsten realistischer, nauwkeuriger en succesvoller te maken. Eenmaal in productie stelt dit het algoritme in staat om grote en diverse datasets te blijven lezen om het model up-to-date te houden of te laten groeien.
AI effectief inzetten met informatie-architectuur
Om AI daadwerkelijk effectief, veilig en verantwoord (Responsible AI) in te zetten is het dus essentieel om te beginnen bij de basis; een goed doordachte informatie-architectuur met een modern data platform. Die architectuur bekijkt HSO vanuit vier perspectieven. Het is een gestructureerde werkwijze die HSO gebruikt om meer waarde te halen uit een dataoplossing en bij voldoende volwassenheid AI effectief te implementeren in je business.
Aandachtspunten
- 1
Het businessperspectief
Het duidelijk definiëren van doelstellingen voor het project lijkt een voor de hand liggende eerste stap, maar nog altijd sneuvelen veel projecten door het stellen van te vage doelstellingen. Algemeen geformuleerde doelstellingen als “het verlagen van productiekosten” zijn niet specifiek genoeg. In de uitwerking van het business perspectief worden deze vertaald naar kleinere, afgebakende doelstellingen voor specifieke taken.
Na het uitwerken van de doelstellingen zetten we een strategie uit. Zonder plan bereik je namelijk geen enkel doel. En zonder fundering stort een huis in.
- 2
Het dataperspectief
Geen doel zonder de juiste middelen. Met welke data rollen we de strategie uit? We kijken of de huidige data van de organisatie bruikbaar is voor de bedachte oplossing of dat hier andere databronnen aan moeten worden toegevoegd. We beoordelen de kwaliteit van de data en tekenen de beste manier uit om deze op te slaan en te verwerken. Data Governance en Explainable AI zijn ook in dit stadium van belang, zodat de oplossing betrouwbaar is, de voorspellingen accuraat en de risico’s op het gebied van data privacy, veiligheid en compliancy worden afgedekt.
- 3
Het integratieperspectief
Wat integreren we wel en wat niet? Hoe voeden we de AI op en hoe knopen we data aan elkaar? Dat bepalen we in deze fase. Naast een werkende oplossing die daadwerkelijk bijdraagt aan de gestelde doelen, wil je ook snelheid, beschikbaarheid en schaalbaarheid. Ook efficiëntie speelt een rol, waar je niet bij iedere toekomstige AI-toepassing opnieuw een omgeving wilt inrichten, inclusief hardware. Een geïntegreerd dataplatform in de cloud is daarin een flexibele oplossing die kan meegroeien met bedrijfsambities en technologische ontwikkelingen.
- 4
Het applicatieperspectief
Er volgt een vertaalslag van data naar applicatie. Hoe presenteer je de informatie aan eindgebruikers. Wat ziet hij voor zich als hij de applicatie opent? Voor iedere business is er weer een andere uitkomst. Een applicatielandschap voor een hightech-bedrijf richt je immers anders in dan voor een modeketen. De behoeften van de gebruiker staan voorop.
Tackel problemen op voorhand
Stel, je zit nog in de experimentenfase met je AI-oplossing. Je draait een pilot bij een van je vestigingen. Om vervolgens de data van deze pilot te gebruiken voor de hele keten. Je vangt in de pilot slechts een speldenknop van je doelgroep. Door de AI oplossing uit te rollen middels de vier stappen van de informatie architectuur tackel je dit soort problemen al op voorhand.
Je staat namelijk in elke fase stil bij mogelijke uitdagingen en risico’s. Tijdens de integratie houd je rekening met het verzamelen van toepasbare data voor je businessstrategie. Je hebt ‘from scratch’ nagedacht over de infrastructuur. En je weet op welke manier je het beste je data opslaat. Je kent je doelen en weet op welke manier je oplossing succes brengt. Nu en in de toekomst.
Meer weten over de informatie-architectuur als basis voor AI?
Benieuwd hoe een goed doordachte informatie-architectuur de waarde van jouw AI-oplossing kan vergroten? Neem contact met ons op.